Contribution de la classification des défauts de soudage semi-automatique par un système neuronal

Transcription

1 Contribution de la classification des défauts de soudage semi-automatique par un système neuronal Moez Lassoued, Romdhane Ben Khalifa, Noureddine Ben Yahia, Ali Zghal To cite this version: Moez Lassoued, Romdhane Ben Khalifa, Noureddine Ben Yahia, Ali Zghal. Contribution de la classification des défauts de soudage semi-automatique par un système neuronal. The International congress for applied mechanics, May 2016, Hamamet, Tunisie. pp hal HAL Id: hal Submitted on 12 Aug 2016 HAL is a multi-disciplinary open access archive for the deposit and dissemination of scientific research documents, whether they are published or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers. L archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

2 Contribution de la classification des défauts de soudage semi-automatique par un système neuronal LASSOUED Moez 1, BEN KHALIFA Romdhane 1, BEN YAHYA Noureddine 1, ZGHAL Ali 1 1 École Nationale Supérieure d'ingénieurs de Tunis (ENSIT), URMSSDT, Tunisie, moezz.lassoued@gmail.com Résumé : Le soudage est l un des principaux processus de fabrication technologiques de la l'assemblage des structures. La qualité des joints soudés a un impact direct sur la fiabilité de la structure et sur les caractéristiques mécaniques des matériaux soudés. En effet, les défauts de soudage influent directement sur la résistance des joints soudés. Dans ce papier, nous présentons une méthode de classification des défauts selon leurs caractéristiques par un système neuronal, dont le but est d améliorer la qualité de soudage par les procédés de soudage semi-automatiques. Il est constitué de deux parties complémentaires : la première partie est consacrée à l identification des défauts de soudage semi-automatique, dans la deuxième, nous montrons la méthode de la classification des défauts de soudage par les réseaux de neurones, dont les entrées sont les caractéristiques des défauts, et les sorties sont la désignation de défaut identifié, ses références dans la norme ISO ainsi que dans la norme ISO/TS Mots clés : soudage semi-automatique, défauts de soudage, réseaux de neurones, classification, normes ISO.

3 1. Introduction La nécessité d une classification intelligente des défauts du soudage semi-automatique a toujours une importance majeure, elle a une influence directe sur la qualité du soudage et sur sa rentabilité. En effet, La rapidité et la fiabilité d une classification automatique agit directement sur la cadence de la production, puisqu elle diminue énormément le temps consacré à l identification du défaut et à la recherche des causes et des remèdes adéquats. La norme ISO et la norme ISO/TS donnent une description théorique précise des défauts de soudage. Mais, en pratique, la classification d un défaut n est pas toujours évidente. Actuellement, les réseaux de neurones (RN) sont très utilisés pour la modélisation des processus d assemblage par soudage. Ainsi que la classification réseaux de neurones est plus précise que l utilisation d un modèle linéaire. [1] L utilisation de réseau de neurones comme outil de classification vu sa rapidité de résolution des problèmes non linéaires, son aptitude significative à s entraîner et à générer des résultats [2]. En exploitant ces performances, plusieurs travaux fondés sur les réseaux de neurones sont réalisés, en particulier sur la classification radiographique [3],[4],[5], etc et la détection par traitement de signal [6]. Mais, ces travaux traitent un nombre de défauts trop limité pour la classification. Dans ce papier, 29 défauts, les plus prépondérants dans le soudage semi-automatique, sont traités avec 22 caractéristiques comme vecteur d entrée pour le réseau de neurones multicouches déjà entraîné. En plus, l Implémentation du modèle développé par la programmation orientée a été réalisé pour rendre cette classification pratique. Les causes ainsi que les remèdes sont donnés à l opérateur avec une désignation normalisée du défaut, son code ISO et le code ISO/TS 17845, avec la possibilité d utiliser un réseau de neurones multicouches avec une structure personnalisée. 2. Entités de soudage L entité de soudage regroupe généralement les paramètres essentiels pour réaliser une opération de soudage. Le tableau 1 présente un exemple d une entité de soudage. Paramètre de soudage semi-automatique Type, valeur ou nombre Métal de base Exemple : X5 CrNi Epaisseur 15 mm Type d assemblage Soudage d angle Position de soudage Angle au plafond Type de soudage MIG Nombre de passe 1 Intensité du courant 90 A Type de courant Continu Diamètre du fil 1 mm composition du gaz de protection Ar +2% CO2 Tableau 1. Paramètres d une entité de soudage Les quatre zones d une entité de soudage (Figure 1) sont susceptibles d être lieu à des défauts de soudage semi-automatique. Donc l identification d un défaut ne sera pas limitée dans la zone du métal fondu mais dans tout l assemblage soudé. Figure 1. Différentes zones d une entité de soudage

4 3. Classification des défauts de soudage semi-automatique L objectif est de classer les 29 défauts déjà choisis (la 30 ème sortie est «défaut inconnu») en fonction de 22 caractéristiques. Une recherche a été faite pour la définition morphologique, dimensionnelle, de chaque défaut dans le but de bien classer le défaut. Cette classification comporte 5 niveaux. 1. Classification selon la nature du défau Les 22 défauts sont répartis selon leurs natures en trois groupes. (Tableau 2) : Défaut de surface Défaut interne Défaut d aspect retassure ouverte de cratère Fissure transversale Soufflure sphéroïdale Inclusion d oxyde Inclusion solide Effondrement Projection Débordement Tableau 2. Classification selon la nature du défaut 2. Classification selon la morphologie du défaut Cette deuxième classification est sensible vu la non conformité morphologique d un même défaut dans différentes pièces soudées. En effet, un trou qui est généralement de forme proche de celle d un cylindre, ne conserve plus cette forme dans des autres soudures, il peut se trouver sous des formes et aspects irréguliers. En tenant compte de l impossibilité d avoir les mêmes défauts avec une morphologie identique dans n importe quelle opération de soudure, et pour rendre possible cette classification fondée sur la morphologie, on procède en assimilant les formes des défauts de soudure dans leur forme de base simplifiée (Tableau 3) Forme sphérique ou cylindrique Forme allongée Forme irrégulière Soufflure sphéroïdale Trou Inclusion d oxide Fissure de cratère Microfissure Effondrement Forme déféctueuse Inclusion solide Tableau 3. Classification selon la morphologie du défaut 3. Classification selon la localisation du défaut Dans cette troisième classification fondée sur la localisation des défauts de soudage [7], un même défaut peut se trouver dans plusieurs zones, et une même zone peut avoir plusieurs défauts. Dans le métal fondu Dans la zone de liaison Dans la ZAT Dans le métal de base Microfissure Piqûre Convexité excessive Défaut de raccordement Manque de fusion Fissure transversale Microfissure Projection déchirure locale Tableau 4. Classification selon la localisation du défaut La description et les illustrations données par le document de la norme ISO :2007 [7] sont à l origine de cette classification fondée sur la localisation du défaut de soudage du tableau Classification selon l orientation du défaut par rapport à la direction du cordon de soudure Dans certains cas, le défaut se propage suivant deux axes, comme le cas des projections. Pour cela, ce défaut se trouve à la fois dans deux colonnes du tableau 5. Et dans le cas où le défaut ne serait pas parfaitement suivant un axe précis, mais plutôt suivant deux axes, on choisirait l axe prépondérant ou dominant comme axe définissant l orientation du défaut (Figure 2). Suivant l axe longitudinal Suivant l axe transversal Suivant l axe vertical Caniveau Déchirure locale Fissure transversale Largeur irrégulière Inclusion solide Effondrement Excès de pénétration Surépaisseur excessive Tableau 5. Classification selon l orientation par rapport à la direction du cordon de soudure

5 Figure 2. Les trois axes d une entité de soudure 5. Classification selon la taille du défaut La dernière classification est celle fondée sur la taille du défaut, elle est la plus délicate puisque dans la littérature il est rare de trouver une définition dimensionnelle d un défaut [8]. Le tableau 6 représente la dépendance entre les deux niveaux de classification 4 et 5. Classification selon l orientation Longitudinale Transversale Verticale Classification selon la taille Longueur Largeur Hauteur ou profondeur Tableau 6. Dépendance entre l orientation et la taille d un défaut Neuf caractéristiques dimensionnelles sont utilisées dans ce papier pour classer les 29 défauts. µ Ø 4 mm Microfissure Piqûre Microretassure Trou inclusion d'oxyde Projection.. L 6 mm Déchirure locale Fissure de cratère Inclusion solide.. H 5 mm Manque de pénétration Manque d épaisseurr Excès de pénétration Tableau 7. Classification selon la taille du défaut de soudage µ : taille microscopique ; Ø: diamètre ; L : longueur ; l : largeur, H : hauteur ou profondeur 4. Utilisation de réseau de neurones pour la classification des défauts de soudage semiautomatique. 1. Processus d'optimisation de classification des défauts par un réseau de neurones La mise en place d un système intelligent pour la classification des défauts de soudage selon leurs caractéristiques revêt une grande importance pour les industries d assemblage par soudage semi-automatique (MIG/MAG/). Le système intelligent de classification utilisé dans cette étude est fondé sur un réseau de neurones multicouches. Les réseaux de neurones, vu leurs grandes capacités à traiter des problèmes non linéaires de classification avec une vitesse assez rapide et fiable représentent un bon outil de classification. Figure 3. Processus d'optimisation de classification des défauts par un réseau de neurones

6 On présente un nouveau processus de classification des défauts de soudage (Figure 3) fondé sur un réseau de neurones multicouches dans le but de maximiser la productivité et minimiser les temps perdus lors de l identification et de la classification. 2. Strucure du réseau de neurones Dans les réseaux de neurones, l information va de la couche d entrée vers la couche de sortie en passant par les couches cachées (figure 4). Toutes ces couches sont formées par des neurones qui sont reliés entre eux par des liaisons directes, appelées synapses, qui permettent un traitement parallèle des informations. Et, la principale caractéristique des réseaux de neurones est leur capacité d adaptation, à savoir, leur capacité d apprendre et d établir précisément des relations complexes sans aucun modèle préconçu imposé [9]. Figure 4. Structure du réseau de neurones Notre base d apprentissage est organisée sous forme d une matrice dans les colonnes qui sont de l ordre de 52, et qui représentent respectivement les entrées de neurones (E1, E2,, E22) et les sorties souhaitées (C1, C2,, C30). Les 364 lignes de cette matrice servent à l apprentissage (Tableau 8). Ces lignes sont codées suite à une recherche dans la littérature et en consultant essentiellement le document ISO [7]. 15% de cette base d apprentissage sont réservés pout les tests et 15% pour la validation. Tableau 8. Paramètres du réseau de neurones Puisqu il n existe dans la littérature aucune méthode exacte pour le choix du nombre des couches cachées, du nombre de neurones dans chaque couche, l expérimentation seule peut conduire à la structure optimale qui donne l erreur quadratique

7 moyenne d apprentissage (EQMA) et de généralisation (EQMG) les plus faibles possibles. Plusieurs essais sont faits avec de différentes combinaisons possibles des couches (tableau 9) afin de fixer la structure du RN. Structure EQMA EQMG Itérations Tableau 9. EQM du réseau de neurones Le réseau de neurones avec deux couches cachées respectivement de 14 et 10 neurones dans chaque couche sera choisi pour classifier les défauts. Le tableau 10 présente la structure du réseau. paramètres Nombre / type Entrées 22 Sorties 30 Couches cachées 2 Neurones dans chaque couche 14, 10 Fonction d apprentissage Levenberg-Marquardt Fonction d activation Tangente hyperbolique sigmoïde Coefficient d apprentissage 0.03, 0.03 Taux de momentum 0.01, 0.01 Tableau 10. Structure du réseau de neurones La figure 5 montre l évolution de l erreur quadratique moyenne d apprentissage et de généralisation pour la structure choisie. L optimum apparaît à la 11 ème itération avec une EQMA de Etude de cas Figure 5. Evolution de l erreur d apprentissage et de généralisation du RN Afin de rendre cette étude d usage aisé, des interfaces graphiques sont réalisées avec Matlab. La fenêtre principale de l assistant de classification des défauts de soudage semi-automatique (Figure 7) permet à l utilisateur de choisir parmi les 22 caractéristiques celles qui correspondent au défaut en question. La validation des caractéristiques permet de visualiser celles qui sont déjà choisies. Deux options sont possibles après la validation des caractéristiques : une simulation basée sur un réseau de neurones préenregistré avec la structure optimale (Figure 8) ou un paramétrage au choix du réseau puis la simulation (Figure 9, Les deux options permettent d afficher le ou les défaut(s) possible(s) avec les causes ainsi que les remèdes. Dans cette étude de cas, on va utiliser l assistant de classification pour classer le défaut en premier lieu, avant d'appliquer les remèdes pour corriger le défaut en second lieu. La figure 6 montre bien le défaut à traiter Figure 6. Défaut de soudage à classer et à corriger

8 Une fois les caractéristiques du défaut sont sélectionnées, on valide les choix et on passe à la simulation par un RN préenregistré via le bouton correspondant Figure 7. Assistant de classification des défauts de soudage semi-automatique La simulation par un RN préenregistré a classé le défaut comme «largeur irrégulière» avec ces deux références ISO et ISO/TS (Figure 8) Figure 8. Simulation dr RN préenregistré Le paramétrage du RN est accessible par un simple clic sur le bouton «Paramètres et simulation». Une autre fenêtre s ouvre (Figure 9) et laisse la possibilité à l utilisateur de choisir la structure du RN. Après la simulation, l EQMA, EQMG ainsi que la performance totale du RN s affichent. Figure 9. Paramètres et simulation

9 La visualisation du ou des défaut(s) avec les causes et les remèdes (Figure 10) est possible grâce aux boutons «afficher résultats» et «causes/remèdes» Figure 10. Causes et remèdes du défaut Afin d obtenir un cordon de soudure acceptable, il suffit d appliquer les remèdes. Dans notre cas, il est obligatoire de réduire la vitesse de soudage pour avoir le cordon de soudure de la Figure 11. Figure 11. Cordon de soudure après application des remèdes 6. Conclusion Les réseaux de neurones, sont un outil puissant pour la classification non linéaire qui offre la possibilité d automatisation du processus de classification. Dans ce papier, nous avons montré l intérêt d utiliser les RN multicouches pour l optimisation de la classification des défauts de soudage semi-automatique par un système intelligent développé sous Matlab. Les avantages de ce système sont la rapidité de sa réponse et sa précision considérable. En outre, la possibilité de mettre à jour la base d apprentissage afin d augmenter les performances est l une des qualités d utilisation des RN comme outil de classification. Cet outil de classification donne aux industries un moyen fiable est rapide pour classer et corriger les défauts de soudage. Ce travail peut être amélioré par l ajout d un module de détection en temps réel. 7. Bibliographie [1] K. Anand et Al. Artificial neural network modeling studies to predict the friction welding process parameters of Incoloy 800H joints. Engineering Science and Technology, an International Journal, September 2015, pp [2] Romdhane BenKhalifa, Noureddine BenYahia and Ali Zghal. Integrated neural networks approach in CAD/CAM environment for automated machine tools selection. Journal of Mechanical Engineering Research Vol. 2(2), pp , March 2010 [3] Ioannis Valavanis a, Dimitrios Kosmopoulos. Multiclass defect detection and classification in weld radiographic images using geometric and texture features. Expert Systems with Applications (2010) [4] Rafael Vilar et Al. An automatic system of classification of weld defects in radiographic images. NDT&E International 42 (2009), pp [5] Juan Zapata. Performance evaluation of an automatic inspection system of weld defects in radiographic images based on neuro-classifiers. Expert Systems with Applications 38 (2011), pp [6] A.P. Vieira et Al. Characterization of welding defects by fractal analysis of ultrasonic signals. Chaos, Solitons and Fractals 38 (2008), pp [7] Soudage et techniques connexes Classification des défauts géométriques dans les soudures des matériaux métalliques Partie 1: Soudage par fusion (ISO :2007); [8] H.I. Shafeek et Al. Automatic inspection of gas pipeline welding defects using an expert vision system. NDT&E International 37 (2004), pp [9] M.N.Q. Macedo et Al. Demand side management using artificial neural networks in a smart grid environment. Renewable and Sustainable Energy Reviews (2015), pp