综述：工业4.0赋能搅拌摩擦焊：面向航空航天与汽车应用智能连接技术的综述

《Metals》：Industry 4.0-Enabled Friction Stir Welding: A Review of Intelligent Joining for Aerospace and Automotive Applications Sipokazi Mabuwa, Katleho Moloi and Velaphi Msomi

　　

搅拌摩擦焊（Friction Stir Welding, FSW）是轻质高性能金属结构件的关键固相连接工艺，尤其在航空航天与汽车制造领域具有重要地位，但传统实现方式仍主要依赖离线参数优化与开环控制。本综述旨在探讨工业4.0（Industry 4.0）技术如何推动FSW从参数驱动型工艺向智能化、自适应及日益自主化的制造能力转型。研究人员采用结构化综述方法，系统筛选并综合了近期关于FSW中智能传感、工业物联网（Industrial Internet of Things, IIoT）、数据分析、机器学习、数字孪生、自动化、机器人技术及人机交互的研究成果。综述结果表明，工业4.0的融合实现了实时过程监控、预测性质量保证、闭环控制及虚拟工艺优化，显著提升了焊接质量、可靠性、生产效率与可扩展性。在安全至上的航空航天部件与高产量的汽车生产领域，该技术的适应性与一致性优势尤为显著。然而，数据标准化、模型泛化能力、实时数字孪生集成、互操作性、网络安全及劳动力储备等方面仍存在持续性挑战。本综述指出，通过跨学科研究、标准化建设及以人为本的系统设计来应对上述挑战，是实现自适应数据驱动FSW系统的关键。研究结果将智能FSW定位为工业4.0时代智能、韧性及可持续金属制造的基石技术。

1. 1.
   引言
   制造业正经历第四次工业革命（工业4.0）驱动的深刻变革，其核心在于将信息物理系统（Cyber-Physical Systems, CPS）、工业物联网（IIoT）、云计算、大数据分析以及人工智能（Artificial Intelligence, AI）融入生产环境。与传统工业革命侧重于机械化、电气化或自动化不同，工业4.0构建了互联互通、具备实时监测、预测性决策及自优化能力的智能制造系统，推动传统工艺从依赖人工的经验型、响应式系统向数据驱动的自主生产生态系统转变。
   与此同时，搅拌摩擦焊（FSW）已成为高附加值制造领域的战略性连接技术。自1991年问世以来，凭借其在减少变形、降低残余应力及提升接头力学性能方面优于传统熔焊的特性，FSW已广泛应用于航空航天、汽车、造船及轨道交通行业。然而，传统FSW受限于过程可视性不足、过度依赖操作人员经验以及缺乏自适应控制，限制了其在现代制造环境中的可扩展性与重复性。
   工业4.0技术与FSW的融合为解决上述瓶颈提供了路径。通过集成智能传感器、实时监测系统及IIoT基础设施，可连续采集温度、力、扭矩、振动及刀具状态等关键过程数据。这些数据流支撑了高级分析的应用，例如机器学习（Machine Learning, ML）模型能够基于过程数据预测焊接性能、检测潜在缺陷并优化工艺参数。研究表明，神经网络模型已成功应用于预测铝合金抗拉强度并优化FSW参数，实现了对力学性能的高精度预测。结合更广泛的数据分析框架，这些模型还能支持智能维护与工艺优化策略。
   结合机器人与自适应控制系统，这些技术支持闭环FSW操作，能够根据实时过程变化自动调整刀路、转速与轴向力，减少对高技能工人的依赖并提升焊接一致性。图1展示了工业4.0赋能FSW的概念架构，将其明确构建为信息物理系统，涵盖了工具转速、焊接速度、轴向力、扭矩、温度及刀具倾角等变量，并将其纳入数据驱动的监测与控制框架中。尽管该架构描绘了完整的愿景，但现有研究分布并不均匀，主要集中在“传感”与“智能”层，而“IIoT连接”与“自主执行”层在FSW特定文献中成熟度较低，这构成了实现工业级全自主的技术鸿沟。此外，数字孪生（Digital Twin）技术的发展进一步扩展了智能FSW的能力，增强现实（Augmented Reality, AR）与虚拟现实（Virtual Reality, VR）技术也在操作员培训与过程可视化中得到探索。
   尽管进展显著，现有文献对工业4.0背景下FSW的探讨仍呈碎片化。以往综述多将FSW基础理论与工业4.0技术作为独立领域分别讨论，缺乏针对FSW工艺特性的数字化集成综合研究。本综述通过提供以工艺为核心的合成，填补了这一空白，明确了工业4.0技术在FSW全生命周期中的应用，评估了其在航空航天与汽车制造中的成熟度，并指出了实现全自主系统面临的技术与组织挑战。

1.1 FSW作为智能制造的战略使能者

FSW从固相连接工艺演变为与智能制造目标高度契合的战略性技术。不同于传统熔焊，FSW在低于母材熔点的温度下运行，减少了热输入、变形及残余应力，获得了优异的接头完整性。其工作原理涉及非消耗性旋转工具（由轴肩与搅拌针组成）压入工件接缝，摩擦生热使材料塑性软化并在搅拌针后方形成固态冶金结合。这一过程形成了包括搅拌区（Stir Zone, SZ）、热机影响区（Thermo-Mechanically Affected Zone, TMAZ）和 Heat-Affected Zone (HAZ)在内的微观结构区域。

FSW与智能制造的兼容性源于其连续、可测量及可控的工艺特性。工具转速、焊接速度、轴向力、扭矩、温度及刀具倾角（通常在2°至4°之间）等关键参数可通过嵌入式传感器实时监控，建立了物理过程行为与数字分析的直接联系。从自动化角度看，FSW非常适合机器人集成与自适应控制。除铝应用外，钢与钛合金等高熔点材料的FSW通常需要惰性保护气体以防止氧化。结合智能控制算法，机器人FSW系统可响应实时过程变化，显著降低对高技能工人的依赖。此外，FSW支持高能效与可持续制造，低热量输入与减少后处理需求的特性，结合数据分析与预测性维护，进一步提升了资源利用率与环境绩效。

1.2 传统FSW的局限性与数字化转型的必要性

传统FSW系统在适应性与自主学习能力方面存在局限，焊接质量依赖于操作人员经验与预设参数，缺乏实时反馈。主要技术短板在于缺乏实时过程可视性与闭环控制，导致孔洞、隧道缺陷等问题往往在发生后才被发现。此外，传统FSW设备通常是孤立单元，难以与上层生产系统集成，导致宝贵的过程数据未被充分利用，这与工业4.0要求的互操作性与数据交换背道而驰。

除了技术障碍，经济与组织层面的壁垒也阻碍了先进FSW系统的普及。实时传感与分析系统的实施需要高额资本投入，且数字化转型要求劳动力具备数据分析等新技能。同时，数字化带来的网络连通性也引发了数据安全、隐私与系统韧性的担忧。因此，集成智能传感、IIoT、ML、数字孪生及自适应控制的工业4.0技术，是克服传统FSW限制、实现智能自主焊接系统的必由之路。表2对比了传统（工业3.0）与智能（工业4.0）FSW系统在架构、控制策略及可扩展性上的差异。

1. 2.
   综述方法学
   本综述采用结构化文献分析方法，确保透明性与可重复性。数据来源涵盖Scopus、Web of Science等主要数据库，检索时限主要为2015年至2026年。检索策略结合了“FSW”与“工业4.0”、“智能制造”、“机器学习”等关键词。纳入标准聚焦于FSW工艺、工业4.0技术应用及航空航天与汽车领域的案例研究。经过严格的筛选流程（遵循PRISMA框架），最终从1246条初始记录中筛选出186篇文献进行深入综合分析，并根据FSW工艺阶段、技术类型及应用领域进行分类。
2. 3.
   文献综述与主题合成
   3.1 高附加值制造中的FSW工业应用
   3.1.1 航空航天制造中的智能FSW
   航空航天业是FSW应用的先锋，主要用于铝、镁、钛及镍基高温合金等难焊材料。文献重点在于通过优化工艺参数（如转速与焊接速度）抑制脆性金属间化合物（如Al₃Mg₂和Al₁₂Mg₁₇）的形成，以获得细晶组织与优异的力学性能。疲劳性能是该领域的核心考量，研究表明裂纹通常萌生于TMAZ或HAZ区的微观组织梯度处。尽管波音、NASA及ISRO等机构已在火箭燃料贮箱等大型结构上实现了工业化应用，但目前仍主要依赖离线优化与开环控制，这为数字孪生与实时监测技术提供了巨大的应用空间。

3.1.2 汽车制造中的FSW

汽车行业对FSW的需求主要由高产量质量保证及异种轻量化材料（如铝钢连接）驱动。数据驱动的方法利用主轴扭矩、轴向力与红外热成像的传感器融合来生成实时数据集，并通过ML算法预测接头完整性。FSW在连接铝、镁、高强度钢及钛合金方面表现出色，特别是在电动汽车电池托盘等部件的制造中，热成像技术被用于实时监测峰值温度，防止有害相变。尽管马自达、福特等企业已成功应用FSW，但该领域同样面临从离线参数设定向实时自适应控制转型的挑战。

3.2 赋能智能FSW的工业4.0技术

3.2.1 智能传感与实时数据采集

基于传感器的监测是理解FSW热机械行为的关键。轴向力、扭矩与温度的波动与材料流动不稳定性及内部缺陷（如隧道缺陷）密切相关。振动与声发射监测可用于检测刀具颤振等异常交互。此外，传感器数据可用于刀具状态监测，通过ML模型预测刀具磨损，实现预测性维护，减少灾难性故障风险。

3.2.2 数据分析与机器学习用于过程智能

面对高频多模态传感器数据，ML技术成为建模与优化的有效工具。监督学习模型（如人工神经网络ANN、支持向量机SVM）已成功用于预测抗拉强度、硬度分布及缺陷发生概率，实验条件下预测准确率常超过90%。无监督学习（如主成分分析PCA、k-means聚类）则用于检测异常过程行为。然而，现有模型多基于特定条件下的有限数据集训练，泛化能力受限，且缺乏标准化数据集与模型可解释性仍是主要障碍。

3.2.3 用于预测与自适应的数字孪生

数字孪生作为动态虚拟副本，集成了基于物理的热机械仿真与实时传感器数据。在航空航天领域，数字孪生支持大型焊接结构的认证与参数优选；在汽车领域，它支持高产能环境下的虚拟参数测试与优化。通过物理过程与虚拟模型的持续交互，数字孪生实现了预测性监测，是迈向自主焊接的重要一步。

3.2.4 自动化、机器人与闭环控制

自动化与机器人是将感知与分析结果转化为实时控制的执行层。现代机器人FSW系统可根据传感器反馈动态调整转速、焊接速度与轴向力。在航空航天大型结构焊接中，精确控制轴向力至关重要；在汽车制造中，闭环控制有助于在高节拍生产中维持零缺陷目标。这种自适应行为显著降低了废品率。

3.2.5 预测性维护与系统韧性

工业4.0技术将传统的被动维护转变为基于数据的主动决策。通过分析主轴负载、振动特征等信号，ML算法可估算刀具与组件的剩余使用寿命（Remaining Useful Life, RUL）。这在航空航天长周期生产中尤为重要，可避免因设备故障导致的昂贵停工。

3.2.6 人机交互与劳动力支持

随着系统复杂性增加，有效的人机交互（Human-Machine Interaction, HMI）至关重要。现代HMI平台提供实时数据可视化仪表盘，AR技术可将热图等信息叠加于物理环境，辅助操作员理解复杂工况。此外，AR培训平台缩短了新操作员的培训周期。

3.2.7 合成：智能FSW的信息物理成熟度框架

本综述提出了包含四个层级的成熟度框架（CPMF）：Level 1（数字化监测）、Level 2（预测智能）、Level 3（虚拟化优化）及Level 4（自主执行）。定量分析显示，约65%的研究处于Level 2，而达到Level 4的研究不足8%，揭示了从数据预测到实际自主执行的“创新鸿沟”。

3.3 工业4.0集成在FSW中的价值与影响

工业4.0集成显著提升了焊接质量与可靠性，实现了从被动检测到主动预防的转变。在生产效率方面，数字孪生减少了试错成本，预测性维护降低了意外停机时间。在战略层面，智能FSW已成为航空航天数字化认证与汽车轻量化大规模生产的基石，并推动了劳动力技能结构的转型。

1. 4.
   挑战、差距与未来研究方向
   当前面临的主要挑战包括：数据可用性、质量与标准化不足，缺乏跨平台的通用基准数据集；ML模型泛化能力弱且缺乏可解释性（XAI），难以满足航空航天认证要求；数字孪生计算负荷大，难以实现真正的实时闭环控制；IIoT环境下的网络安全、互操作性与系统集成复杂度高；劳动力技能缺口与组织架构变革阻力。
   未来研究应聚焦于开发物理信息机器学习（Physics-Informed ML）以提升模型鲁棒性，研发轻量化数字孪生模型以实现边缘计算部署，制定统一的通信协议标准，以及探索强化学习（Reinforcement Learning, RL）在自适应控制中的应用，最终实现全生命周期的自主智能FSW系统。
2. 5.
   结论
   本综述表明，工业4.0技术在FSW领域的成熟应用目前主要集中在智能传感和基于ML的预测建模方面，而数字孪生与全自主闭环控制仍处于实验室向工业转化的过渡阶段。研究明确了从预测智能向自主控制跨越的技术鸿沟。通过跨学科合作解决数据标准化、模型泛化及系统集成等挑战，将推动FSW从参数驱动的工艺进化为下一代智能制造的核心使能技术。