基于物理信息改进Informer（PI-Informer）的超窄间隙电弧焊接侧壁根部熔宽多步预测

《Sensors》：PI-Informer-Based Multi-Step Prediction of Side-Wall Root Weld Width for Ultra-Narrow Gap Arc Welding

　　

侧壁根部熔宽（side-wall root weld width）的多步预测对于超窄间隙电弧焊接（ultra-narrow gap arc welding）的智能监测与闭环质量控制至关重要。针对纯数据驱动模型物理可解释性不足以及单步预测控制响应时间不充分的问题，本研究提出了一种受焊接热平衡机理约束的物理信息Informer（Physics-Informed Informer，PI-Informer）多步预测模型。通过物理约束损失函数将热学先验知识嵌入训练过程，以补偿纯数据驱动学习中的物理缺陷。采用多尺度一维卷积神经网络（1D-CNN）从焊接电信号中提取局部瞬态特征，并通过Informer编码器进一步与熔池热积累的全局时间依赖关系相融合。与标准Informer不同，解码器初始化采用电信号与工艺参数的融合特征实现，从而在t、t + 3和t + 15三个典型预测时域上实现多步预测。消融实验表明，最优权重β = 0.05可实现精度与物理一致性之间的最佳权衡，且一维卷积神经网络模块有效缓解了多步误差。在相同条件下，PI-Informer在各项评价指标上均取得比原始Informer、门控循环单元（GRU）和长短期记忆网络（LSTM）更低的均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE），并在所有对比模型中产生最低的批次平均物理残差。该模型在精度与物理可解释性之间取得了良好平衡，为超窄间隙焊接的智能感知与主动质量控制提供了一种可行方案。

研究背景方面，超窄间隙焊接因热输入低、效率高、接头力学性能优良，已成为高端厚板装备制造中颇具前景的先进焊接技术，而可靠的侧壁根部熔合被视为超窄间隙电弧焊接成形质量控制的关键难题。侧壁根部熔宽（B_l）是评价根部熔合状态的关键几何指标，但受坡口内部受限空间环境制约，该指标的直接无损在线测量在实际应用中难以实现。现有研究多利用历史焊接数据进行焊缝几何尺寸的单步预测，然而焊缝成形是由熔池热积累与散热耦合主导的强非线性时变过程，具有明显动态滞后特性，加之焊接控制硬件本身存在响应滞后，闭环质量调控需要预先获知短期几何趋势以预留充分的工艺参数调整时间。在数据驱动建模方面，已有研究将焊接电信号、电弧声信号、熔池图像等多源过程测量量输入机器学习框架，深度学习进一步推动了基于卷积神经网络（CNN）与长短期记忆网络（LSTM）的焊接时间序列特征提取与焊缝几何预测；Informer架构适于捕捉长程时间依赖关系，已在电力系统与交通预测等任务中取得有竞争力的性能，Fan等将其用于激光-熔化极惰性气体保护（MIG）复合焊，借助图像导出的时序特征实现了顶面与背面熔宽的单步预测。尽管如此，此类工作仅限于单步输出，无法满足闭环焊接控制的多步前瞻需求；且纯数据驱动模型未纳入任何焊接物理约束，虽具强非线性拟合能力，但性能高度依赖数据集，在工况扰动下可能出现物理上不合理的离群值与较大预测偏差，导致泛化能力有限、工业部署可解释性差。将物理先验知识与数据驱动模型融合是缓解上述缺陷的可行途径，焊接相关建模中已有初步尝试，嵌入流体动力学、压力平衡与热传导等物理原理可提升模型精度与稳定性，但现有物理增强焊接模型多面向单步瞬时预测，针对超窄间隙条件下侧壁根部成形的短期多步预测仍研究不足。为此，研究人员结合焊接热平衡与传热规律，融合多尺度时序特征提取与长序列建模优势，提出了具有物理约束的PI-Informer多步预测模型，其框架由数据驱动分支与物理约束分支构成：数据驱动分支以Informer为骨干，引入多尺度一维卷积神经网络提取焊接电信号的局部瞬态特征，采用ProbSparse自注意力捕捉熔池热积累的长程全局时间依赖，并利用改进的解码器起始标记感知近期焊接状态以实现多步输出；物理约束分支则将热平衡机理导出的输出作为正则化损失项纳入模型训练，使网络同时受实测样本与焊接物理先验约束。研究在t、t + 3和t + 15三个典型预测时域上开展侧壁根部熔宽多步预测，并通过系列消融与对比实验验证模型性能及各模块作用。该研究为超窄间隙电弧焊接的智能感知与闭环质量控制提供了可行技术参考，其多步预测范式支持焊缝几何的前瞻趋势预测，满足智能焊接系统的前瞻调控需求。

关键技术方法方面，研究搭建了由逆变弧焊电源、丝-带协同送进机构、专用焊枪、可编程逻辑控制器（PLC）焊接控制系统、伺服驱动运动平台、电信号采集系统与工控机构成的超窄间隙电弧焊实验平台，采用霍尔电流传感器与霍尔电压传感器以50 kHz采样频率同步采集焊接电流与电弧电压信号；焊接材料为半径0.6 mm的H08Mn2Si低合金焊丝与厚30 mm的Q235B低碳钢板，丝带送进比1:55，焊丝尖端距坡口底部1.5 mm。焊后以4.0–5.0 mm间隔垂直焊缝方向切片，经抛光腐蚀后测量截面几何参数，并按实际焊接方向重排，实现时空匹配；共制备12件稳定焊接试样，每件含8–10个独立焊道，经筛选保留1200个高质量有效滑窗时序样本。数据处理上，以熔滴过渡周期（约50 ms）为采样步长，对每连续2500个原始采样点取均值作为一个新采样点，并计算滑窗内电压变异系数（CV_U）与电流变异系数（CV_I）作为电弧稳定性隐式动态特征；采用滑窗机制构建样本，历史窗口参数设为L_enc = 40、L_token = 12、L_pred = 16；数据集按焊道划分，70%、10%、20%分别用于训练、验证与测试，并采用滑窗Min–Max归一化。模型以RMSE、MAE、MAPE与批次平均物理残差为评价指标，编码器3层、解码器2层、8头ProbSparse自注意力、嵌入维度256，多尺度一维卷积核尺寸为3、5、7、9，采用Adam优化器、最大200轮训练与早停策略，并用粒子群优化（PSO）算法搜索学习率、批大小与衰减系数α。

研究结果方面，在物理约束消融实验中，随β由0.00增至0.05，三个预测时域的预测精度与物理一致性均提升，t + 3处MAE下降20.14%，长时域t + 15处物理残差降幅最显著达36.79%；β进一步增至0.10时各误差指标明显上升，表明过强物理约束抑制数据驱动学习，最优权衡值为β = 0.05，此时误差棒更短、训练稳定性更优。在一维卷积神经网络模块消融实验中，含该模块的模型在所有预测时域的全部评价指标上均优于基线，t时刻RMSE相对降低28.26%，t + 3处RMSE相对降低18.36%，t + 15处增益有所减弱但PI-Informer仍具更高精度与更低物理误差，且重复实验标准差更小；误差箱线图显示含CNN模型的误差分布整体下移、四分位距更窄，说明该模块不仅降低平均误差还压缩误差离散度、抑制大偏差。对比实验中，PI-Informer在三个预测时域的四项指标上均最低：t时刻相较最佳基线RMSE相对降低28.3%、MAE降低19.6%、MAPE降低24.8%、批次平均物理残差降低21.21%；t + 3处RMSE为0.2055 ± 0.0042 mm，较最佳基线降低32.5%；t + 15处RMSE为0.1834 ± 0.0039 mm，仍比最佳基线低30.3%，且该时域误差甚至低于所有基线模型在t时刻的误差。预测曲线对比显示PI-Informer与真值整体一致性最高，在突变区、波峰波谷处响应迅速，而标准Informer、GRU与LSTM在趋势转折点存在明显滞后，随时域增长出现相位偏移与幅值衰减、过度平滑；误差箱线图显示PI-Informer中位误差最低、箱体更窄、离群点数量与幅值显著减少。扩展对比实验新增原始Transformer、时序卷积网络（TCN）与CNN-LSTM混合架构，在新采集的独立样本上以相同设置五次重复运行，结果显示PI-Informer在各时域对瞬态波动的跟踪更贴近真值、预测误差更低。

讨论与结论部分，研究指出在超窄间隙电弧焊接侧壁根部熔宽预测中，传统纯数据驱动模型普遍缺乏焊接物理机理约束，且仅能实现当前时刻的单步预测，无法满足智能焊接控制系统的前瞻调控要求。系统消融实验表明物理约束权重存在最优权衡区间，适度引入热平衡物理约束可有效修正模型拟合偏差并显著降低时序预测的物理残差，而过强物理约束会抑制数据驱动方法的特征学习能力，最优权重条件β = 0.05下实现预测精度与物理一致性的最佳平衡；多尺度一维卷积神经网络模块能有效捕捉焊接电信号中金属过渡与电弧波动等瞬态特征，弥补原始Informer全局注意力对局部突变不敏感的缺陷，显著提升各预测时域下的误差稳定性与鲁棒性；对比实验验证所提模型在MAE、RMSE与MAPE等定量指标上相较LSTM、GRU与原始Informer具有明显优势，同时预测输出保持最优物理一致性，更符合超窄间隙焊接的热演化物理规律。该模型克服了传统纯数据驱动模型物理可解释性差、长时域预测误差累积严重与动态响应滞后等缺陷，能够准确跟踪焊接过程中的瞬态波动，为超窄间隙电弧焊接的动态质量监测、工艺评估与前瞻智能调控提供了可靠建模方案。研究同时指出局限性：模型训练与验证在固定设备与稳定焊接条件下进行，未充分考虑强扰动、变参数焊接场景与非稳态熔池行为；物理约束权重采用离线最优值，缺乏自适应调整能力。未来将开发自适应物理约束策略，利用多工况数据集提升模型泛化能力，并将所建立的多步预测模型嵌入闭环控制系统以实现超窄间隙焊接质量的自适应智能调控；此外，所提模型在实验室条件下基于Q235B钢验证，跨不同母材牌号的泛化能力尚需进一步实验验证，后续将在管线钢焊接研究中考察。需说明的是，本文数据集划分以焊道为基本单位，训练、验证与测试集按独立焊道划分而非随机打乱样本点，测试集由模型训练中完全未见过的焊道构成，可部分反映模型在同一材料体系下不同焊接运行的泛化性，未来将扩展覆盖多材料牌号与更宽工艺窗口的数据集以进一步验证跨样本泛化性能。