Statistical and automatic learning for the detection of welding defects: application to the manufacture of domestic hot water tanks
Apprentissage statistique et automatique pour la détection des défauts de soudures : application à la fabrication de ballons d’eau chaude sanitaire
Résumé
The manufacturing of hot water tanks requires multiple welding processes. The quality of the welds is crucial for the durability of the product. It is often assessed by visual inspection, which is time-consuming and prone to error. One solution to this problem is the use of machine learning, which is a growing technology in the manufacturing industry. This research aims to develop systems for detecting and diagnosing welding faults using machine learning by exploiting the signals captured during automatic welding and images of the weld. Fault detection is difficult in the context of hot water storage tanks for many reasons: the complexity of welding dynamics, the variety of welding processes, and the wide range of faults. The approaches proposed here treat these challenges with the aim of developing systems that can be used in real-time. After studying the feasibility of detection, we propose an approach based on One-Class SVM and distance substitution kernels.
This approach only requires raw data of conforming welds and detects anomalies based on their distance from normality, which facilitates the generalization. Moreover, we propose a diagnostic approach based on classification. Another contribution is proposed, which extends the random kernel transform to the problem of anomaly detection and explainability. In addition, we propose a system detecting defects from welding images composed of an acquisition system and a neural network capable of locating and classifying defects.
La fabrication de ballons d’eau chaude nécessite de multiples processus de soudage. La qualité des soudures est cruciale pour la durabilité du produit. Elle est souvent évaluée par inspection visuelle, chronophage et sujette à l’erreur. Une solution à ce problème est l’utilisation de l’apprentissage automatique qui est une technologie se développant de plus en plus dans l’industrie manufacturière.
L’objectif de cette recherche est le développement de systèmes de détection et de diagnostic des défauts de soudage par apprentissage en exploitant les signaux capturés lors du soudage automatique et des images de la soudure. La détection des défauts est difficile dans le contexte des ballons d’eau chaude pour de nombreuses raisons: la complexité de la dynamique du soudage, la variété des procédés de soudage et le large éventail de défauts. Les approches proposées ici répondent à ces défis, afin de développer des systèmes utilisables en temps réel. Après avoir étudié la faisabilité de la détection, nous proposons une approche basée sur le One-Class SVM et les noyaux de substitution de la distance. Cette approche ne nécessite que des données brutes de soudures normales et détecte les anomalies en fonction de leur distance à la normalité, ce qui facilite la généralisation. De plus, nous avons proposé une approche de diagnostic basée sur la classification. Une autre contribution est proposée qui étende la transformée de noyaux aléatoires au problème de détection d’anomalies et l’explicabilité. De plus, nous proposons un système détectant les défauts à partir d’images de soudure composé d’un système d’acquisition et d’un réseau neuronal capable de localiser et de classer les défauts.