《Advances in Industrial and Manufacturing Engineering》:Self-adjustable tool center point of industrial robots based on neural network models
编辑推荐:
在基于熔化极气体保护焊(GMAW)的电弧增材制造(WAAM)中,焊丝弯曲和导电嘴磨损会导致焊丝偏离预设的工具中心点(TCP),严重影响大型构件的尺寸精度。为解决此难题,研究人员开展了一项利用多层感知机(MLP)神经网络模型预测和补偿焊丝偏离的前沿研究。通过构建计算机视觉(CV)测量与有限元分析(FEA)模拟相结合的数据集,并开发了一个包含三个独立神经网络模型的预测系统,该研究实现了对TCP的实时、预测性补偿,平均绝对误差(MAE)低至0.088毫米,显著提升了WAAM工艺的精度和稳定性。
想象一下,用金属“3D打印”一座小型建筑结构,这不再是科幻。电弧增材制造(Wire Arc Additive Manufacturing, WAAM)技术正将这一愿景变为现实。它利用工业机器人引导电弧,将金属焊丝逐层熔化堆积,最终“打印”出大型金属构件。这项技术融合了增材制造的设计自由和传统电弧焊接的强度优势,特别适用于制造航空航天、船舶等领域的中大型部件,能显著节约昂贵合金材料,是先进制造领域的变革性技术。
然而,理想很丰满,现实却很“骨感”。在追求高精度的制造领域,WAAM,特别是其主流的熔化极气体保护焊(Gas Metal Arc Welding, GMAW)变体,却一直饱受“手抖”的困扰。这里的“手抖”,指的不是机器人本身,而是从焊枪中送出的金属焊丝。理论上,焊丝尖端应该精准地落在机器人预设的“工具中心点”上。但在实际中,焊丝就像一根不听话的“面条”:它本身从线盘出来时就带有难以避免的初始弯曲(应力应变状态),而且在打印过程中,焊丝与导电嘴之间持续的摩擦会导致导电嘴内部逐渐磨损。这两个因素叠加,使得熔化的金属并非沉积在预定的位置,从而引发构件尺寸偏差、表面质量不佳等一系列问题。为了解决这些偏差,往往需要进行大量耗时的后处理,拖慢了整个制造进程。
为了攻克这个核心瓶颈,来自乌克兰扎波罗热理工国立大学的Denys Molochkov、Ruslan Kulykovskyi、Andrii Oliinyk和Serhii Shylo在《Advances in Industrial and Manufacturing Engineering》上发表了一项创新研究,他们开发了一套基于神经网络的自适应工具中心点调整系统,旨在实时预测并补偿焊丝偏离,让机器人的“手”变得更稳。
为了实现这一目标,研究人员巧妙地融合了多种技术。首先,他们构建了一套双视角计算机视觉(CV)系统,用于自动、非接触地测量焊丝的初始三维空间曲率半径(R)。这套系统通过旋转90度拍摄两张正交照片,并结合几何计算,能够精确还原焊丝的空间形状,且不受其在输送过程中不可预测的扭转影响。其次,他们采用有限元分析(FEA)模拟了焊丝与导电嘴的接触相互作用,系统地研究了关键参数(如总有效间隙W′、曲率半径R和弯曲模量E)如何影响焊丝偏离(D)和接触力(F)。为了获得精确的输入参数,研究团队对三种常用焊丝(Inconel 718、Inconel 625和G3Si1低碳钢)进行了实验测量,包括通过三点弯曲法测定其有效弯曲模量(E),以及测量其直径、显微硬度等属性,并将这些实测数据用于校准FEA模型。最后,基于实验和模拟生成的数据集,研究人员没有采用单一复杂的模型,而是构建了一个包含三个独立多层感知机(MLP)神经网络的模块化系统,分别用于预测焊丝偏离D、接触力F和导电嘴磨损W。这种设计巧妙地处理了参数间复杂的双向反馈关系,并便于模型的训练、解释和更新。
研究结果
3.1. TCP焊丝偏离幅度的确定
有限元分析(FEA)明确揭示,焊丝偏离(D)与焊丝的初始曲率半径(R)和总有效间隙(W′)存在强相关关系。总有效间隙W′综合了导电嘴磨损W和即使在新导电嘴中也存在的初始间隙Δd。分析显示,D对材料的有效弯曲模量E具有数学不变性,即在给定的几何约束下,材料刚度的变化不会改变焊丝的最终运动轨迹,但会线性影响接触力F。统计验证表明,D与W′呈极强的正相关(系数0.97),与R呈弱的负相关(系数-0.24),这为后续建模奠定了坚实基础。
3.2. 焊丝曲率
开发的计算机视觉(CV)方法能够高效、自动地测量焊丝的空间曲率半径R。该方法通过对正交视图的分析,重建焊丝的三维轮廓并计算曲率半径。验证实验表明,该方法与手动测量结果具有极好的一致性(组内相关系数ICC=0.999),在真实焊丝样本上测量速度快、重复性好,为模型提供了可靠的初始状态输入。
3.3. 导电嘴磨损
为建立磨损模型,研究自动测量了焊丝偏离D随已消耗焊丝长度L的变化关系。开发的CV系统与先前依赖机器人位置重复性的手动测量方法相比,显示出优异的一致性(ICC=0.981),且具有速度快、可自动化的优势。这些测量数据直接关联了磨损进程与操作时间(以送丝长度计),是构建磨损预测模型的关键。
3.4. 接触力
接触力F是导致导电嘴磨损的关键因素。研究通过实验测定焊丝的有效弯曲模量E,并代入FEA模型。结果表明,使用实测的E值(如Inconel 718为170 GPa)得到的接触力预测,与实验室测量结果吻合良好,且显著优于使用文献中较高E值的预测。FEA模拟进一步表明,接触力F随着导电嘴磨损W的增加呈非线性下降,初期下降剧烈,随后趋于平缓。
3.5. 焊丝样本硬度
测量了焊丝和导电嘴的显微硬度。由于导电嘴硬度受热影响会出现无法预测的波动,因此未将其作为模型变量。取而代之的是,将更稳定的焊丝显微硬度H作为预测磨损W的一个输入参数。相关性分析显示,磨损W与焊丝硬度H的正相关性最强。
4. 神经网络模型的开发
为解决参数(W和F)间的双向耦合关系,研究采用了三个独立的MLP神经网络模型构成的模块化架构:NN1用于预测焊丝偏离D = f(R, W′);NN2用于预测接触力F = f(EI, W′, R),其中EI为弯曲刚度;NN3用于预测导电嘴磨损W = f(L, F, H)。这种设计避免了单一模型可能出现的收敛问题,提高了模型的准确性、可解释性和泛化能力。三个模型均在各自的数据集上训练成功,取得了较低的均方误差。
5. 验证与讨论
研究通过使用训练阶段未采用的308LSi焊丝进行独立实验,验证了所开发系统的有效性。神经网络模型预测的焊丝偏离与实际CV测量值高度吻合,平均绝对误差(MAE)仅为0.088毫米,均方根误差(RMSE)为0.113毫米。这表明模型具有良好的预测精度和泛化能力。此外,分析指出,焊丝曲率R的测量噪声在系统的运动学中会被自然衰减,因此不会显著影响最终的偏离预测精度。基于预测结果,系统能够通过软件实时调整机器人TCP的X和Y坐标,实现连续的、与电弧启停周期无关的轨迹补偿,这对于需要长时间连续沉积的大型结构制造至关重要。与之前依赖电弧周期或实时视觉反馈的补偿方法相比,该预测性框架避免了延迟和光学干扰,代表了向全自动、高精度WAAM过程控制迈出的关键一步。
结论与意义
本研究成功地开发并验证了一套基于神经网络的自调节系统,用于动态识别和实时补偿GMAW-WAAM中的焊丝偏离。该研究的核心贡献在于:第一,通过双视角计算机视觉系统实现了对焊丝初始三维曲率的鲁棒、自动化测量;第二,通过结合有限元分析和实验测量,明确了影响焊丝偏离和导电嘴磨损的关键参数及其复杂关系;第三,创新性地采用了一个由三个独立神经网络组成的模块化预测系统,能够高精度地预测焊丝运动轨迹;第四,实现了独立于电弧周期的、预测性的实时TCP补偿,支持长时间连续稳定沉积。
这项工作标志着WAAM过程控制从被动响应到主动预测的重要范式转变。它不仅显著提升了金属增材制造的尺寸精度和工艺稳定性,减少了对后处理的依赖,还为在先进制造中部署更复杂的人工智能驱动工具控制策略铺平了道路。该研究展示的融合计算机视觉、仿真建模与神经网络的系统方法,为解决其他制造领域中类似的复杂非线性控制问题提供了有价值的参考。