机器人线弧增材制造中的动态焊珠宽度控制：一种机器学习方法

《CIRP Journal of Manufacturing Science and Technology》：Dynamic bead width control in robotic wire arc additive manufacturing: A machine learning approach

　　阿杰伊|阿纳斯·乌拉·汗|安伯·什里瓦斯塔瓦
印度孟买印度理工学院机械工程系，邮编MH 400076，印度

摘要
在动态变化的沉积条件下保持稳定的熔池几何形状，仍是机器人线弧增材制造领域面临的关键挑战。本研究通过开发一种基于视觉的实时机器学习辅助反馈控制框架来应对这一挑战，以实现熔池宽度的精准控制。高速摄像机持续监测沉积过程并实时测量熔池宽度，为控制决策提供依据。基于神经网络的预测器可估算出实现目标熔池宽度所需的移动速度，而比例-积分反馈控制器则通过继电器驱动系统调整机器人的移动速度，以修正剩余偏差。研究共测试了两种机器学习模型：第一种模型仅以熔池宽度作为输入，而第二种模型则同时考虑熔池宽度与平均像素强度，以便获取更多与熔池行为相关的信息。实验表明，M2模型的预测性能更优，其R2值为0.919，高于M1模型的0.835。在单层沉积实验中，M2模型将平均绝对百分比误差降至4.74%，而使用M1模型时该数值为6.94%。通过沉积具有连续变化宽度轮廓的涡轮叶片状部件的多层结构，进一步验证了所提出控制框架的动态响应能力——在整个沉积过程中，目标熔池宽度与实际熔池宽度之间的平均偏差可控制在0.6毫米以内。这些结果表明，所提出的基于学习的反馈策略能够在几何条件不断变化的非稳态增材制造环境中实现实时、灵敏的熔池宽度调控，有助于复杂部件的近净形加工。

引言
21世纪，随着工业自动化和人工智能的发展，传统制造业向智能制造业的转型已势在必行。增材制造技术因能够提升设计自由度及零件质量，在当今的制造业变革中发挥着重要作用。尤其是基于定向能量沉积的技术，因其能快速、低成本地生产复杂形状的零件，且碳排放更低，正逐渐得到行业认可[1]。线弧增材制造是一种金属定向能量沉积工艺，以其极高的沉积速率而著称。与其他金属3D打印工艺相比，线弧增材制造能够更快、更经济地制造大型结构部件[2]。然而，该工艺本身的特性也会引发一些严重影响零件质量的问题。沉积层的快速固化会导致形状几何参数不稳定，进而影响零件的尺寸精度[3]；此外，沉积过程中热量持续积累还会导致先前沉积层重新熔化，造成形状变形[4]。即便采用相同的工艺参数，这些问题在沉积过程中仍极易出现反复。这类不确定性要求必须实现实时工艺监控与控制。

工艺监控是工业自动化流程中的关键环节，它通过提供宝贵的实时数据，提升了制造过程与最终产品之间的协同性。工艺监控为实时工艺控制奠定基础，二者结合有助于提升零件质量。现有文献中已有多种传感器系统被用于监测线弧增材制造工艺。选择何种传感器取决于需要监测的特征、成本、可扩展性以及在实际生产环境中的集成难度等因素。目前已有的监测系统包括独立使用的或组合使用的热传感器（热像仪、红外测温仪）[5]、声学传感器（麦克风）[6]、光谱传感器（分光仪）[7]、视觉传感器（高速焊接摄像机）[8]、激光传感器（一维、二维激光扫描仪）[9]，以及电流和电压传感器[10]。温度传感器主要用于监测熔池温度及层间温度，而声学和光谱传感器则能为缺陷检测提供重要信息。虽然可以通过焊接电流传感器或其他辅助传感器估算熔池的几何参数，但这些方法会引入测量误差，因此难以用于反馈系统[11]。这是因为在电流检测中，焊接电流信号与通过其他传感器（如激光轮廓仪[12]）测得的熔池几何参数之间存在经验性关联，这就需要额外的处理步骤，而工艺条件的任何变化都可能影响熔池几何参数的估算精度。因此，基于视觉和激光的传感系统更适于监测熔池几何形状，因为它们能提供直接的光学反馈。由于电弧噪声较大，激光扫描仪在距离熔池较远的位置进行扫描时容易出现空间延迟[13]，而带有特殊光学滤光片的焊接摄像机则能够捕捉到熔池区域，更适合用于实时熔池监测。

通过整合反馈控制器，可以进一步提升实时监测系统的效能，使其能够在整个沉积过程中保持所需的零件质量。反馈控制器通过调节一个或多个输入变量来实现预期的输出效果。目前已有多种用于线弧增材制造的工艺质量控制方法被报道。移动速度、送丝速度、层间温度、焊接电流和电压等都是可通过调节来控制预期输出参数的变量，这些输出参数包括熔池几何形状、熔池温度以及冷却速率等[14]。在TIG线弧增材制造工艺中，人们通过使用比例-积分-微分控制器调节焊接电压和电流，从而实现对熔池温度的控制[15]。实验表明，温度控制使得整体工艺效率提升了22%，且熔池表面的均匀性也得到了改善。熊及其团队则深入研究了如何利用视觉系统监测和控制熔池的几何形状（高度和宽度），他们提出了一种适用于薄壁部件变层宽度的闭环控制策略[16]。某种基于单神经元的控制器通过调节移动速度来实现多层结构中宽度的变化。同一团队还开发了一种自适应控制器，用于在多层沉积过程中保持喷嘴尖端与工件表面的距离恒定，从而控制熔池高度[17]。夏等人[18]提出了一种基于模型预测控制的反馈控制器，通过调节送丝速度来控制层宽。该反馈控制器能够在保证足够精度的同时，有效克服送丝速度方面的波动。还有研究人员开发了多模型反馈策略，通过调节移动速度来控制线弧增材制造中的熔池几何形状[19]，该多模型方法使几何误差减少了78%，同时提升了沉积效率。

古纳塞加拉姆等人[20]总结了当前增材制造领域中现有的闭环控制技术，并指出了传统方法的局限性。他们认为，现有的基于规则的控制策略范围较为狭窄，无法应对增材制造过程中的复杂情况。同时，他们强调了机器学习辅助控制方法在为增材制造工艺参数优化提供情境感知型解决方案方面的优势。夏尔马等人[21]则根据激光扫描传感器获取的熔池宽度和高程数据，预测了线弧增材制造的沉积参数。他们首先在一个工艺参数数据集上训练了一个双向随机森林模型，用于预测熔池宽度和高程，随后又利用该模型反向推导出对应熔池几何形状所需的焊接电流和移动速度。近年来，基于机器学习的优化算法以及异常/缺陷检测技术发展迅速[22]、[23]，但关于基于机器学习的实时反馈控制的文献却相对较少。王等人[24]开发了一种主动干扰抑制控制算法，并将其与实时语义分割网络相结合，通过调节焊接电流实现了对熔池宽度的实时控制，其宽度误差最大值可控制在1毫米以内。达尔马万等人[25]则提出了一种基于模型的强化学习框架，用于迭代学习并校正多层多熔池沉积过程中的工艺参数（送丝速度和移动速度）。该框架通过实时控制沉积高度和表面粗糙度，有效减少了各层之间的堆叠误差。

在线弧增材制造过程中，通过实时控制工艺参数即可调控熔池的几何形状。用于熔化送丝材料的能量大小取决于电弧电流和电压。与此同时，移动速度决定了热量分布的速率，进而影响沉积层的固化特性。由于熔池的形态直接受固化过程的影响，因此在线弧增材制造中，移动速度对熔池几何形状的影响最为显著——有研究显示，移动速度对熔池宽度的贡献率为49%（电压的贡献率为41%），而对熔池高度的贡献率为54%（电压的贡献率为24%）[26]。由于上述种种问题，要在线弧增材制造出的零件上实现接近最终尺寸的精度颇具挑战。此外，熔池几何形状还受到热历史以及沉积表面状态等多种相互关联因素的影响，而这些因素在沉积过程中会不断变化。即便采用相同的沉积参数，尤其是对于多层沉积而言，依然难以获得一致且可重复的沉积结果。因此，仅依靠简单的确定性或基于规则的移动速度与熔池宽度映射关系，已不足以始终实现理想的几何形状。而基于机器学习的控制系统则能够实时调整工艺参数，有助于在如此复杂的动态环境中实现更精确的尺寸控制。

本研究的目的是利用基于机器学习的控制方法，在几何条件不断变化且非稳态的沉积环境下，实现机器人线弧增材制造过程中理想的熔池宽度分布，因为传统方法已无法满足这一需求。所提出系统的核心创新之处在于，它能够利用来自单个传感器的单层沉积观测数据，实现多层结构中熔池宽度的精准控制。机器学习模型被训练用来捕捉熔池宽度与移动速度之间的非线性关系。摄像机传感器则持续实时监测并测量熔池宽度。根据目标几何形状，机器学习模型会生成实现相应熔池宽度所需的即时移动速度。实时控制器会根据实时的宽度反馈调整移动速度，而继电器系统则将这些指令传递给机器人，从而实现所需的熔池宽度。视觉系统、机器学习模型、反馈控制器以及继电器系统相互集成，共同构成了一个能够利用线弧增材制造技术生产几何形状精确的零件的智能制造系统。所提出的动态控制方法尤其适用于在极短的路径段内实现宽度变化，其有效性已通过在不同几何复杂程度下的多次沉积实验得到验证。

方法部分
本节介绍了当前研究中采用的各种方法。首先阐述了机器人线弧增材制造系统、实时视觉系统、机器学习方法以及反馈逻辑的相关细节，随后详细说明了各子系统之间的集成流程。

机器学习模型性能
神经网络是基于单熔池实验生成的数据进行训练和测试的。模型性能的散点图如图5所示。M1模型的速度预测均方根误差为0.659毫米/秒，相关系数R2值为0.835；而M2模型的性能更为优异，其速度预测均方根误差降低至0.462毫米/秒（降幅约为30%），R2值则上升至0.919。M2模型性能的提升得益于加入了平均像素强度这一输入参数。

监测复杂几何形状所面临的挑战
图13(a)显示了叶片末端出现的凸起结构。这一现象主要是由沉积策略导致的。由于所有层的沉积方向都保持不变，因此末端区域的形状略显凸起，相较于起始区域更为突出。这一在线弧增材制造中普遍存在的问题，其实源于焊接电弧的特性。为解决这一问题，可采用另一种沉积策略，即改变沉积的起始点和结束点。

结论
本研究旨在实现在线弧增材制造过程中，针对几何条件不断变化且非稳态的沉积环境，对熔池宽度进行实时控制。所提出的基于学习的控制框架成功实现了对日益复杂几何形状的实时熔池宽度调控。据此可得出以下结论：
1. 在所测试的两种机器学习模型中，M2模型由于同时考虑了熔池宽度与平均像素强度这两个输入参数，因此能够更准确地预测所需的移动速度。

资金支持
作者们并未从任何机构获得过与本研究相关的资金支持。

利益冲突声明
作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢
作者衷心感谢印度理工学院孟买分校先进制造工艺实验室及机械工程系的鼎力支持。