Vendredi 3 février 2023
Recommendation des paramètres de soudure à l’arc par apprentissage supervisé
Tom Picherit
Étudiant à la maîtrise au Consortium de recherche en ingénierie des systèmes industriels 4.0
Heure: 13h30
Local: PLT 2501
Visioconférence: Zoom
Résumé: Le procédé de soudage à l’arc sous gaz métal (MIG-MAG) dépend de nombreux paramètres inter- dépendants et choisir les bonnes valeurs pour chacun est complexe, même pour un expert. Ces derniers procèdent par essais-erreurs pour trouver tous les paramètres de chacune des petites soudures (passes) nécessaires au soudage de deux pièces. Ainsi, la méthode actuelle n’est pas optimale et peut nécessiter beaucoup de temps et de matériel dépendamment de l’intuition de l’expert.
Cette présentation porte sur la possibilité d’utiliser des techniques d’apprentissage supervisé pour aider les soudeurs dans leur prise de décision. Dans cette mesure, un système de recommandation en deux parties est proposé. Alors que la première étape (classification) est dédiée à identifier le nombre de passes nécessaires pour une soudure, la seconde (régressions) suggère les valeurs des sept paramètres restants pour chaque passe : couche, ampérage, tension, vitesse de dévidage du fil, fréquence, coupure et vitesse de soudage.
Après avoir extrait les données des formulaires de spécification de procédure de soudage, nous avons testé 11 algorithmes d’apprentissage supervisé, dont des réseaux de neurones, pour chaque étape de la solution et comparé les résultats. Nous avons constaté qu’un tel système de recommandation est capable de fournir des résultats intéressants pour tous les différents paramètres mentionnés ci-dessus, même si les données sont bruyantes en raison de la nature du processus des experts. Le meilleur modèle de classification est CatBoost avec 81,94% F1-Weighted-Score. Les meilleurs modèles de régression varient selon le paramètre étudié mais parviennent à obtenir une erreur absolue moyenne suffisamment réduite pour correspondre aux critères des experts.
