焊接智能化與智能化焊接機器人技術研究進展

陳善本，呂 娜

（上海交通大學 材料科學與工程學院，機器人焊接智能化技術實驗室，上海 200240）

0 前言

隨著現代制造技術的發展，焊接自動化、機器人化、柔性化和智能化的發展已成必然趨勢[1-7]。眾所周知，借助于材料、信息、控制、計算機科學等多學科交叉技術發展，現代焊接技術正在經歷從傳統的“手工技藝”作業發展為現代的“科學制造”。模擬焊工的焊接操作過程中智能行為進而實現智能化機器人焊接技術是智能化焊接科學問題與關鍵技術的研究熱點[8-11]。主要分為三方面研究問題：第一需要準確地采集和獲取焊接動態過程的信息[12-23]，類似于人類的感官器官感受外部的焊接條件；第二是模擬焊工經驗，解析并提取焊接動態過程的機理特征，進而建立對焊接過程與質量關系的模型[24-29]；第三模擬焊工的決策與操作，設計焊接動態過程智能控制策略并運用機器代替人去實現焊接過程及其質量的自主與智能控制[30-36]。利用智能化機器模擬并實現焊工的智能行為是現代先進焊接制造追求的目標。

由于焊接過程中環境、裝配條件變化以及不確定性因素干擾的存在[37-40]，使得目前在實際生產中使用的示教在線型焊接機器人一般無法滿足焊接生產質量及多樣性的要求。為此，發展智能化機器人焊接技術，諸如機器人焊接過程的視覺等多信息傳感技術，識別焊接環境、自主導引焊縫跟蹤糾偏、實時質量智能控制、以及智能化焊接機器人及其柔性系統實現技術等，已是非常必要而迫切[41-48]。

為了解決諸如此類的智能化機器人焊接過程控制中的瓶頸問題，上海交通大學智能化機器人焊接技術實驗室十幾年來主要開展了電弧焊動態過程的視覺信息獲取，知識建模、智能控制方法，以及智能化機器人焊接系統實現智能化途徑的研究工作。文獻[9，37]發展了一個智能化焊接機器人系統，稱為局部自主智能化焊接機器人系統，可以實現一些基本的焊接機器人系統的智能化功能。在此主要展示機器人焊接智能化技術研究工作的近期研究結果[19-24]：弧焊過程的多信息獲取，如熔池圖像信息、電壓、電流、聲音以及光譜特征信息的采集；基于多信息融合算法的焊接熔透預測[17-24]；機器人焊接過程的智能與知識建模[26-29]；機器人焊接動態過程及其系統智能化控制[9，35-38，42]；基于電弧傳感器和視覺傳感器的機器人焊接過程導引和焊縫跟蹤[39-41]；以及進行全位置焊接的越障輪組機器人系統研發等[44-45]。

由于電弧焊工藝的復雜性與應用的廣泛性，本研究關于基于電弧焊的智能化焊接制造技術和智能化焊接制造工程中的主要問題研究，對其他的焊接工藝方法的智能化研究也具有一定的借鑒。

1 智能化焊接制造技術

根據對焊接智能化領域研究科學問題及其技術問題初步研究與理解，梳理提出“智能化焊接制造技術”(IWMT)的概念如圖1所示，用以展示智能化焊接制造技術的關鍵科學和技術構成框架，其中包含焊接柔性制造技術、智能化機器人焊接技術、焊接敏捷制造技術[8-11]。

圖1 智能化焊接制造技術框架（IWMT）

智能化焊接制造（IWMT）包含以下主要技術元素：模擬焊工的感官器官的焊接過程傳感技術，模擬焊工的經驗積累的知識提取及模型建立技術，模擬焊工的決策判斷的焊接過程的智能化控制技術。圖2展示了部分智能化焊接制造技術的關鍵科學和技術問題，針對不同行業產品制造的智能化焊接技術系統化應用將構成“智能化焊接制造工程—WIME”研究領域[7-11]。

圖2 智能化焊接制造技術的關鍵科學和技術問題（IWMT）

2 電弧焊接動態過程的多信息傳感技術

電弧焊動態過程包含了大量復雜、隨機和不確定的信息。實時監控焊接過程的狀態及動態焊接過程對焊接過程的實時控制至關重要。鑒于焊接過程中的煙塵、高溫、振動、電磁干擾等因素的影響，目前單一的傳感方法用于焊接過程的信息獲取及特征提取過程的總是難以獲得理想的準確性和實用性[12-16]。為此需要研究弧焊過程多信息獲取及其智能化的融合處理技術，提取有效特征，實現焊接質量的實時控制。圖3為關于弧焊動態過程的多信息融合思想，包括電弧電壓、電流、熔池信息、聲音、視覺、光譜、熱能以及光學和運動信息的融合處理等[8，17-24]。

圖3 弧焊動態過程的多信息融合框架

2.1 焊接熔池動態過程視覺傳感和特征提取

文獻[17-18]針對鋁合金焊接過程中的電弧光譜特性，開發了一套基于復合濾光系統的鋁合金脈沖鎢極氬弧焊的視覺采集系統。文獻[18]開發了一套鋁合金脈沖鎢極氬弧焊的三光路視覺傳感系統（見圖4），獲得了典型的鋁合金脈沖鎢極氬弧焊的同時同幅圖像，如圖5所示，以及對于不同熔透狀態的熔池圖像，如圖6所示。

圖4 三光路視覺傳感系統

圖5 鋁合金熔池典型圖像信息

圖6 不同熔透狀態的圖像信息

鑒于準確等優點，在文獻[18]開發了一套針對鋁合金脈沖鎢極氬弧焊熔池圖像的小波變換邊緣檢測處理算法，完成焊接動態過程的實時閉環控制。

熔池表面高度在實時的焊接過程控制中占據非常重要的地位，然而由于熔池本身的特征使得其表面高度很難測量與計算。文獻[7-19]提出了基于由陰影恢復形狀法的焊接熔池表面高度獲取方法，建立了鋁合金脈沖鎢極氬弧焊熔池圖像的反射圖模型，通過這種陰影恢復形狀法提取熔池的高度信息，研究證明通過反射圖方程來求解鋁合金脈沖鎢極氬弧焊熔池信息是可行的。

2.2 聲音傳感和電弧聲信號特征提取

已有研究表明電弧聲信號對于實現焊接動態過程及質量監控是非常重要的信號特征[15，21，22]。文獻[20-21]研究顯示了通過聲音信號強度特征信息反映不同的熔透狀態。文獻[21]研究了基于電弧聲信號的神經網絡模型預測不同熔透狀態，如圖7所示，采用電弧聲信號的時域以及頻域特征被用來建立焊接質量控制模型，對于部分熔透、全熔透和過熔透三種狀態的電弧聲信號特征預測取得良好效果。

圖7 基于電弧聲信號的熔透預測模型預測效果

2.3 焊接動態過程與焊接缺陷的光譜特征提取

電弧等離子體將能量從電源傳輸到工件上并將部分能量光譜排放到周圍的空間中。電弧光譜中包含大量的信息，可以反映焊接動態過程特征及焊接質量。文獻[22-23]研究了AlMg合金脈沖鎢極氬弧焊的光譜特征，經過適當的處理算法提取出電弧光譜信號的特征信息，并研究這些特征值與焊接缺陷之間的對應關系。通過不同的干擾，如工件表面涂抹油污或者人為制造不熔性氧化膜在鋁合金試板上來制造缺陷，以研究不同缺陷與光譜特征之間的關系，如圖8所示。

圖8 光譜信號的特征提取

2.4 弧焊過程的多信息采集和特征融合

文獻[24]研發了一個焊接動態過程及質量監控的多傳感器采集及多信息獲取的試驗系統，如圖9所示。主要包括電信號采集模塊、聲音信號采集系統和視覺信息采集模塊。

圖9 試驗系統框架圖

圖10為同時同幅采集到的焊接熔池的電流、電壓以及聲音信號[24]。

圖10 焊接熔池圖像、電流、電壓和聲音信號同步顯示

文獻[24]建立了一個多傳感器信息的神經網絡融合模型。D-S證據理論被用于獲得融合基本概率值并最終得到預測結果。試驗和分析結果表示多傳感器獲得比單一傳感器更好的預測效果。三種傳感器的融合模型的預測效果要優于兩種傳感器的融合模型。這說明多傳感器信息融合方法可以獲得更多的焊接過程信息，并更全面和精確的表述焊接過程[24]。

3 焊接過程知識提取和建模方法

智能化焊接要求將焊工的經驗描述為知識模型。通過提取焊工經驗來建立焊接過程的知識模型從而使得機器人與電腦可以再現焊工的經驗操作與智能決策是智能化技術的關鍵之一。文獻[25-29]提出了一種直接利用焊接過程的測量數據基于模糊規則、粗糙集理論算法建立了相應的知識模型。

3.1 基于粗糙集理論的鋁合金鎢極脈沖氬弧焊知識模型

基于之前的粗糙集理論的焊接過程知識建模研究工作[26]，文獻[9，27]開發了基于可變精度的模糊集理論，建立了鋁合金脈沖鎢極氬弧焊動態焊接過程知識模型。

3.2 基于支持向量機理論的弧焊動態過程的知識模型

文獻[28]研究了基于支持向量機模糊規則的采集系統的弧焊過程的建模（SVM-FRAS）。利用支持向量機提取支持向量的特點，結合模糊理論從訓練數據中提取模糊IF-THEN規則，具體的建模運算流程如圖11所示，并建立表1的鋁合金脈沖鎢極氬弧焊焊接過程的規則模型。

圖11 基于支持向量機模糊規則的采集系統的流程框圖

表1 鋁合金脈沖焊過程建模的部分規則展示

3.3 基于混雜邏輯動態建模方法（MLD）的機器人脈沖弧焊過程建模

混雜邏輯動態建模方法被用于混合的動力系統的建模過程，它包含有交互式物理法則、邏輯規則以及操作約束。文獻[29]中提出了一種新穎的針對機器人焊接系統的混雜邏輯模型的建模方法。該模型顯現出了良好的預測效果，在機器人脈沖氬弧焊的糾偏過程中能夠準確預測出焊縫背面的寬度。

4 焊接過程與系統的實時智能化控制方法

4.1 基于支持向量機模糊規則（SVM-FRDS）的自適應逆控制

基于3.2節建立的支持向量機模糊規則的知識模型，文獻[33]設計了一種針對鋁合金脈沖鎢極氬弧焊的自適應逆控制器，以實現對焊接過程的動態監控，如圖12所示，閉環控制焊接實驗結果表明設計的控制器有效。

圖12 基于支持向量機模糊規則模型的自適應逆控制系統

4.2 基于粗糙集理論的閉環控制

基于已獲得的鋁合金脈沖鎢極氬弧焊動態熔池粗糙集理論的知識規則模型，文獻[35]開發了如下兩種焊接熔透及間隙補償焊縫成形閉環控制器算法。

（1）基于RS規則的脈沖氬弧焊閉環控制系統。

文獻[35]設計了基于粗糙集理論的控制器以實現對脈沖鎢極氬弧焊焊縫熔池背面熔寬的智能控制。

（2）基于RS和MS-PSD復合控制器的鋁合金脈沖焊熔透及余高的控制系統。

為了實現鋁合金脈沖氬弧焊的熔透及表面余高控制，文獻[35]設計了基于RS規則和MS-PSD復合控制器的閉環控制系統，圖13實驗表明了控制算法的有效性。

圖13 基于RS和MS-PSD復合控制器的鋁合金脈沖鎢極氬弧焊閉環控制系統流程框圖

4.3 脈沖鎢極氬弧焊的無模型自適應控制

弧焊具有恒變量、非線性、時變和參數耦合等特點，由于焊接條件的變化導致了焊接動態過程的不確定性。想要通過傳統的建模與控制方法來實現對弧焊過程的實時控制比較困難。在文獻[36]中開發了一種無模型自適應控制算法以實現對弧焊過程的實時控制。它僅需要觀察輸入輸出數據的變化，而不需要具體的控制器模型。因此，在脈沖鎢極氬弧焊質量控制過程中，無模型自適應控制技術是一種非常有價值的研究結果。

5 機器人焊接智能化技術

基于焊接過程中采集到的特征信號，可用于實現機器人焊接動態過程的焊縫跟蹤以及焊接質量監控[37-43]。進而研發具有一定感知和決策功能的智能化機器人焊接系統，如圖14所示。它包含了焊接環境視覺識別、焊接工件及焊縫類型的識別、焊前導引、焊縫跟蹤、焊道和參數的任務規劃及虛擬仿真，焊接熔池動態特征控制、焊縫成形及質量控制、故障診斷等功能[46]。

基于智能化機器人焊接柔性加工單元和焊接過程多智能體的協調控制，建成具有多機器人智能化焊接柔性制造系統，將是焊接智能制造技術可實現的目標。

圖14 智能化機器人焊接技術的技術組成

5.1 基于電弧傳感器和視覺傳感器的三維焊縫跟蹤系統

文獻[43]針對機器人脈沖鎢極氬弧焊開發了一套基于電弧傳感器和視覺傳感器的三維曲線焊縫的導引和跟蹤技術。圖15為焊縫跟蹤過程熔池圖像的處理和對焊縫及工件間隙的識別過程。具體的跟蹤控制算法和試驗驗證過程詳見文獻[43]。

除此之外，還針對脈沖熔化極焊接過程設計了機器人焊縫導引及焊縫跟蹤系統。該系統能夠實現對直線及曲線焊縫的焊縫跟蹤及控制。

5.2 基于電弧傳感器及視覺傳感器的機器人焊接系統實時熔透狀態控制

對于智能化焊接實時控制來說，能夠準確的實現焊接熔透狀態的實時監控是非常重要的。文獻[7，48]結合視覺傳感器和電弧傳感器各自的優勢，將其運用于機器人脈沖GTAW焊接的實時監控過程中。圖16展示了在不同熔透階段的熔池圖像特征信息，并實現了基于視覺傳感的熔透及焊縫成形閉環控制。

圖16 機器人焊接不同熔透狀態下的熔池圖像

6 自主研發特殊環境焊接機器人系統

在許多實際的焊接制造環境條件下，如大型船舶結構件的焊接過程中，需要一種針對長距離復雜空間曲線的自主移動焊接機器人，需要具有攀爬及吸附等功能以適用于全位置焊接，對不同的焊接接頭形式如角焊縫、大間隙焊縫、垂直焊縫和斜焊縫等，它需要具有靈活的姿態變化功能。文獻[44，45]介紹了一個自主研發的輪足組式越障全位置移動焊接機器人系統，如圖17所示，包含視覺和超聲傳感、自主焊接路徑和焊接參數規劃、焊接過程平穩越障、初始視覺識別導引與焊縫跟蹤功能。

圖17 自主研發爬壁焊接機器人

7 結論

介紹了上海交通大學智能化機器人焊接技術實驗室近年來關于弧焊動態過程的信息傳感技術、動態建模技術及焊接質量的實時控制技術等的研究工作進展?；谥悄芑附酉嚓P的科學和技術相關研究內容，提出了“智能化焊接制造技術——IWMT”和“智能化焊接制造工程——WIME”的概念，并初步系統化構建了關于焊接智能制造發展的科學問題與關鍵技術。關于智能化機器人焊接技術在船舶、海洋工程、汽車與航天制造等應用研究業已取得初步結果。

[1]Drews P,Starke G.Welding in the Century of Information Technology[J].Welding in the World，1994（34）：1-20.

[2]Dilthey U,Stein L.Robot System for Arc Welding—Current Position and Future Trends[J].Welding&Cutting，1992（8）：150-152.

[3]Trailer.Manufacturer Depend son Robotic Welding to Boast Production[J].Welding Journal，1995（74）：49-51.

[4]Pan JL.A survey of welding sciences in 21th century[J].Proceeding of 9th Chinese Welding Conference.Tianjun，China，1999（1）：001-017.

[5]Chen SB，Lou Y J，Wu L，et al.Intelligent Methodology for Measuring，Modeling，Control of Dynamic Process During Pulsed GTAW——Part I Bead-on-plate Welding[J].Welding J，2000（79）：151-163.

[6]Chen SB，Zhao D B，Wu L，et al.Intelligent Methodology for Measuring，Modeling，Control of Dynamic Process During Pulsed GTAW——Part IIButt Welding[J].Welding J，2000（79）：164-174.

[7]Chen SB，Wu J.Intel ligentized Technology for Arc Welding Dynamic Process[R].Springer-Verlag，2009：LNEE 29.

[8]Chen SB.In tell igentized Technologies for Welding Manufacturing，invited paper and invited speaker in the 15th International Conference on Advances in Materials and Processing Technologies（AMPT 2012）[R].Australia，2012：23-26.

[9]Chen SB.Research evolution on in tell igentized technologies for robotic welding at SJTU[J].Lecture Notes in Electr 2011（88）：3-14.

[10]Chen SB.On in tell igentized technologies for modern welding manufacturing.Chinese Journal of Mechanical Engineering 2003（16）：367-370.

[11]Chen SB.The concept and technologies on in tell igentized welding manufacturing engineering[J].Trans.of China Welding Inst，2004（25）：124-128.

[12]Masumo to L，Araya T，Iochi A，Nor mura H.Development and Application of Sensorsand Sensor Systemfor Arc Welding[J].J.of Japan Welding Society，1983（52）：39-47.

[13]Carlson NM and Johnson JA.Ultrasonic Sensing of Weld Pool Penetration[J].Welding J，1988（67）：239-246.

[14]Guu AC，Arc SI.Weld Process Control Using Radiographic Sensing[J].Rokhlin，1992（11）：1344-1348.

[15]Fut amata M.Application of Arc Sound for Detection of Welding Process[J].Quarterly J.of JWS，1983（1）：11-16.

[16]Zhang Y M，Kovacevic R，Li L.Characterization and real time measurement of geometrical appearance of weldpool[J].International Journal of Machine Tool and Manufacturing 1996（7）：799-816.

[17]Wang JJ，Lin T，Chen SB.Obtaining of weld pool vision information during aluminum alloy TIG welding[J].Int.J.of Adv.Manuf.Tech，2005（26）：219-227.

[18]Fan CJ，Lv FL，Chen SB.Visual sensing and penetration control in aluminum alloy pulsed GTA welding[J].International Journal of Advanced Manufacturing Technology，2009（42）：126-137.

[19]Chen SB.Visual Information Acquirement and Real-time Control Methodologies for Weld Pool Dynamics during Pulsed GTAW[J].J.Materials Science Forum，2007：539-543.

[20]Wang JF，Lv F L，Chen SB.Analysis of arc sound characteristics for Gas tungsten argon welding[J].Sensor review 2009（29）：240-249.

[21]Lv N，Xu Y L，Zhang ZF，et al.Audio Sensing and Modeling of Arc Dynamic Characteristic during Pulsed Al Alloy GTAWProcess[J].Sensor Review，2013（33）：141-156.

[22]Yu H W，Xu Y L，Lv N，etal.Arc spectral processing technique with its application to wire feed monitoring in Al-Mg alloy pulsed gas tungsten arc welding[J].Journal of Materials Processing Technology，2013（213）：707-716.

[23]Zhang Z F，Yu H W，Lv N，et al.Real-time defect detection in pulsed GTAW of Al alloys through on-line spectroscopy[J].Journal of Materials Processing Technology 2013（213）：1146-1156.

[24]Chen B，Wang JF，Chen SB.A Study on Applications of Multi-sensor Fusion in Pulsed GTAW[J].Industrial Robot：An International Journal，2010（37）：168-176.

[25]Kovacevic R，Zhang Y M.Neuro-fuzzy Model-Based Weld Fusion State Estimation[J].IEEE Transactions on Control Systems Technology，1997（5）：30-42.

[26]Wang B，Chen SB，Wang JJ.Rough set based knowledge modeling for the aluminum alloy pulsed GTAW process[J].Int.J.of Adv.Manuf.Tech，2005（25）：902-908.

[27]Li W H，Chen SB，Wang B.A Variable Precision Rough Set Based Modeling Method for Pulsed GTAW[J].Int.J.of Adv.Manuf.Tech，2008（36）：1072-1079.

[28]Huang X X，Shi F H，Wei G U，et al.SVM-based Fuzzy Rules Acquisition System for Pulsed GTAW Process[J].Engineering Applications of Artificial Intelligence，2009（22）：1245-1255.

[29]Ma H，Wei S，Li L，et al.Mixed logical dynamical model of the pulsed gas tungsten arc welding process with varied gap[J].Proceedings of the institution of mechanical engineers part I-journal of systems and control engineering，2011（225）：270-280.

[30]Zhang Y M，Kovacevic R，Li L.Adaptive control of full penetration GTA welding[J].IEEE Transactions on Control Systems Technology，1996（4）：394-403.

[31]Zhang Y M，Liguo E，Walcott BL.Robust control of pulsed gas metal arc welding[J].ASME Journal of Dynamic Systems，Measurement，and Control，2002（124）：281-289.

[32]George E C.Weld Modeling and Control Using Artificial Neural Networks[J].IEEE Trans.on Industry Appl.，1995（31）：1484-1491.

[33]Chen SB，Wu L，Wang Q L.Self-learning fuzzy neural networksfor control of uncertain sys temswith time delays[J].IEEETrans.On Syst.，Man，and Cyb.，Part.B.，1997（27）：142-148.

[34]Zhao D B，Chen SB，Wu L，et al.Intelligent Control for the Double-sided Shapeof the Weld Pool in Pulsed GTAW with Wire Filler[J].Welding J.，2001（80）：253-260.

[35]Chen SB，Wu J，Du QY.Non-linear modeling and compound intelligent control of pulsed gas tungsten arc welding dynamics[J].Proceedings of the institution of mechanical engineers part I-journal of systems and control engineering，2011（225）：113-124.

[36]Lv F L，Chen H B，Fan CJ，et al.A Novel Control Algorithm for Weld Pool Control[J].Industrial Robot：An International Journal，2010（37）：89-96.

[37]Chen SB.Onthe Key In tell igentized Technologies of Welding Robot[J].Lecture Notes in Control and Information Sciences，2007（362）：105-116.

[38]Chen SB，Wang WY，Ma H B.Intelligent control of arc welding dynamics during robotic welding process[J].the invited paper of the THERMEC’2009，Journal of Materials Science Forum Vols，2010：638-642.

[39]Wei SC，Ma H B，Lin T，et al.Autonomous guidance of initial welding position with single camera and double positions method[J].Sensor Review，2010（30）：62-68.

[40]Chen X Z，Chen SB.The autonomous detection and guiding of start welding position for arc welding robot[J].Industrial Robot：An International Journal，2010（37）：70-78.

[41]Shen H Y，Lin T，Chen SB.Real-time seam tracking technology of welding robot with visual sensing[J].Journal of Intelligent and Robotic Systems，2010（59）：283-298.

[42]Chen H B，Lv F L，Lin T，et al.Closed-loop control of robotic arc welding system with full-penetration monitoring[J].Journal of Intelligent and Robotic Systems，2009（56）：565-578.

[43]Xu Y L，Lv N，Zhong JY，et al.Research on the real-time tracking information of three-dimension welding seam in robotic GTAW process based on composite sensor technology[J].Journal of Intelligent&Robotic Systems，2012（68）：89-103.

[44]Wu M H，Gao X F，Yan W X，et al.New mechanism to pass obstacles for magnetic climbing robots with high payload，using only one motor for force-changing and wheel-lifting[J].Industrial Robot：An International Journal，2011（38）：372-380.

[45]Zhang T，Chen SB，Wu M H，et al.Optimal Motion Planning of All Position Autonomous Mobile Welding Robot System for Fillet Seams[J].IEEE Transactions on Automation Science and Engineering（T-ASE-2012-383.R1，accepted）.

[46]Tarn TJ，Chen SB，Zhou CJ.Robotic Welding，In tell igenceand Automation[J].Springer-Verlag，2004：LNCIS299.

[47]Tarn T J，Chen SB，Zhou CJ.Robotic Welding，Intelligence and Automation[J].Springer-Verlag，2007：LNCIS 362.

[48]Tarn TJ，Chen SB，Fang G.Robotic Welding，Intelligence and Automation[J].Springer-Verlag，2011：LNEE 88.