Soutenance de thèse de Xuan TO

Formage incrémental robotisé : modélisation, estimation et contrôle


Titre anglais : Robotized incremental forming process: modeling, estimation and control
Ecole Doctorale : SYSTEMES
Spécialité : Automatique et Robotique
Etablissement : Institut National Polytechnique de Toulouse
Unité de recherche : EA 1905 - LGP - Laboratoire Génie de Production
Direction de thèse : Micky RAKOTONDRABE- Thibaut RAHARIJAONA
Co-encadrement de thèse : Farid NOUREDDINE


Cette soutenance aura lieu lundi 07 décembre 2026 à 9h00
Adresse de la soutenance : 1 Rte d'Ars Laquenexy, 57078 Metz - salle ENIM Amphi 2A26

devant le jury composé de :
Micky RAKOTONDRABE   Professeur des universités   UTTOP   Directeur de thèse
Thibaut RAHARIJAONA   Professeur des universités   Université de Lorraine   CoDirecteur de thèse
Hélène CHANAL   Professeure des universités   SIGMA Clermont   Rapporteur
Yongxin WU   Professeur des universités   Université Marie & Louis Pasteur   Rapporteur
Sandra CHEVRET   Maîtresse de conférences   ENSAM Metz   Examinateur
Lanto RASOLOFONDRAIBE   Professeur des universités   Université de Reims Champagne-Ardenne   Examinateur


Résumé de la thèse en français :  

Le formage incrémental robotisé constitue une solution flexible pour la fabrication de pièces en tôle, combinant les avantages du formage incrémental monopoint (Single Point Incremental Forming, SPIF) avec la flexibilité et l’espace de travail étendu des robots industriels. Cependant, leur rigidité structurelle relativement faible limite la précision de trajectoire sous les efforts générés pendant le procédé. Les interactions entre l’outil et la tôle provoquent des déformations élastiques dépendantes de la configuration du robot, entraînant des écarts entre la trajectoire de référence et la position réelle du point central de l’outil (Tool Center Point, TCP).
Cette thèse porte sur la modélisation, l’estimation et le contrôle des erreurs de trajectoire induites par la compliance du robot en SPIF robotisé. Une approche fondée sur un réseau de neurones profond (Deep Neural Network, DNN) est développée pour apprendre la relation non linéaire entre le mouvement de référence, les forces et couples d’interaction et les déviations du TCP. Un vecteur de 30 caractéristiques est utilisé pour prédire les erreurs cartésiennes futures selon les directions x, y et z. En tenant compte du retard entre la mesure et l’actionnement, ces prédictions permettent de corriger la trajectoire de référence avant l’apparition de la déviation correspondante.
Afin d’améliorer la robustesse lorsque les conditions de formage diffèrent de celles utilisées lors de l’apprentissage hors ligne, une stratégie d’apprentissage adaptatif en temps réel tenant compte du retard est proposée. Chaque erreur mesurée du TCP est associée aux données historiques responsables de la réponse observée, assurant la cohérence temporelle de l’adaptation. Pour limiter le coût de calcul, seules les deux dernières couches du DNN sont adaptées en temps réel, réduisant le nombre de paramètres ajustés de 28 931 à 8 451, soit environ 70,8 %.
L’approche est validée expérimentalement sur un robot industriel ABB IRB 8700 à l’aide d’un laser tracker. Six jeux de paramètres SPIF sont considérés : trois pour l’apprentissage hors ligne et trois pour la validation dans des conditions différentes. Les résultats montrent que le DNN pré-entraîné assure une compensation efficace lorsque les conditions restent proches de celles d’apprentissage, mais ses performances diminuent lorsque l’écart augmente, pouvant conduire à une surcompensation. Le DNN adaptatif améliore, en revanche, systématiquement la précision de suivi dans les trois cas de validation et corrige les inadéquations du modèle dans des conditions non observées lors de l’apprentissage.
Ces résultats démontrent que la combinaison d’une prédiction tridimensionnelle des erreurs futures, de la prise en compte du retard, de l’apprentissage adaptatif en temps réel et d’une compensation cartésienne améliore la précision et la robustesse du SPIF robotisé. La méthode ne nécessite ni modèle explicite de rigidité du robot ni modification des boucles internes d’asservissement, facilitant ainsi son intégration dans une architecture industrielle existante.

 
Résumé de la thèse en anglais:  

Robot-based incremental forming provides a flexible solution for sheet-metal manufacturing by combining the advantages of Single Point Incremental Forming (SPIF) with the large workspace and flexibility of industrial robots. However, the relatively low structural stiffness of industrial robots limits their trajectory accuracy under the external loads generated during the forming process. Tool--workpiece interaction forces produce configuration-dependent elastic deformation of the robot structure, resulting in deviations between the reference trajectory and the actual Tool Center Point (TCP) position. Compensation of these errors is further complicated by the nonlinear robot behavior, varying interaction conditions, sensing-to-actuation delay, and limited access to the internal servo loops of proprietary industrial robot controllers.
This thesis addresses the modeling, estimation, and control of compliance-induced trajectory errors in robot-based SPIF. A data-driven approach based on a Deep Neural Network (DNN) is developed to learn the nonlinear relationship between the reference robot motion, Cartesian interaction wrench, and resulting TCP deviations. A 30-dimensional feature vector incorporating trajectory and interaction force/torque information is used to predict future Cartesian tracking errors in the $x$, $y$, and $z$-directions. By explicitly accounting for the sensing-to-actuation delay, the predicted future error is used to correct the reference trajectory before the corresponding TCP deviation occurs.
To improve estimation robustness when the forming conditions differ from those represented during offline training, a delay-aware real-time adaptive learning strategy is proposed. Each measured TCP error is associated with the historical feature vector corresponding to the observed robot response, thereby ensuring temporal consistency of the data used for adaptation. The pretrained model can consequently be progressively refined according to the actual robot behavior observed during the forming operation. To reduce the computational requirements, only the final two layers of the DNN are adapted in real time, while the first two layers remain fixed. This strategy reduces the number of adaptive parameters from 28,931 to 8,451, corresponding to a reduction of approximately $70.8%$.
The proposed framework is experimentally validated on an ABB IRB~8700 industrial robot using an external laser-tracker measurement system. Six SPIF parameter sets are considered: three are used for offline DNN training, while three are exclusively reserved for validation under different levels of deviation from the training conditions. The results show that the pretrained DNN provides effective compensation when the operating conditions remain sufficiently close to those represented during training. However, its performance decreases as the forming conditions deviate further from the training distribution and may lead to overcompensation. In contrast, the proposed adaptive DNN consistently improves the tracking accuracy across all three validation cases and effectively corrects model mismatch under previously unseen forming conditions.
Overall, the results demonstrate that combining three-dimensional future-error estimation, explicit consideration of system delay, real-time adaptive learning, and Cartesian trajectory compensation provides an effective approach for improving the accuracy and robustness of industrial robots in incremental forming. The proposed method requires neither an explicit robot stiffness model nor modification of the internal robot servo loops, facilitating its integration into an existing industrial control architecture.

Mots clés en français :Robotique, Formage incremental, Ccommande,
Mots clés en anglais :   Robotics, Incremental forming, Control,