综述：机器人焊接的闭环智能质量控制：架构、技术及系统集成综述

《ROBOTICS AND COMPUTER-INTEGRATED MANUFACTURING》：Closed-loop intelligent quality control for robotic welding: A survey on architecture, technologies, and system integration

　　程秋|周伟|杨立|彭勇|王科宏•提出了一种具有三重嵌套反馈回路的五层闭环架构，用于机器人焊接领域。•在该统一框架下，从概念角度对40多种关键技术进行了梳理。•构建了TRL成熟度矩阵，显示出“高端高、中端低”的准备程度模式。•分析了五个层间接口，发现反向知识传递路径存在严重碎片化问题。•提出了焊接人工智能的两级对比框架及最低报告标准。

引言 焊接仍是现代制造业中最常用的永久性连接方法之一，广泛应用于造船、桥梁建设、压力容器、汽车白车身、航空航天以及核能设备等关键领域。然而，电弧焊接中的焊缝质量受焊接动态与参数之间强耦合关系的影响。此外，机器人焊接系统还会受到不可避免的装配误差、预处理误差以及加工过程中的干扰[1]的影响。焊接部件的热响应与结构响应也存在着紧密关联，进一步增加了质量预测与控制的难度[2]。传统的质量保证模式遵循顺序化的工作流程——焊接前工艺设计与参数设定、加工过程中的手动监控，以及焊接后的破坏性或无损检测——在这种模式下，质量是在加工过程中形成的，但直到过程结束才会被评估。由于这种时间差，工艺异常往往在无法及时干预的情况下才被发现。随着制造业向更加定制化和注重成本的方向发展，这种顺序化工作流程在适应性和成本效益方面面临着越来越多的挑战。

过去十年间，多模态传感、深度学习、先进控制以及数字孪生技术等方面的进展，使得闭环焊缝质量控制——从加工过程中的感知→实时质量预测→自适应参数调整→焊接后评估反馈——这一理论构想逐渐变为可行的工程方案。在感知层面，基于深度学习的熔池识别技术现已能够在毫秒级时间内实现状态分类[3]。在建模层面，物理驱动型与混合模型相比纯数据驱动的模型，具有更好的物理一致性、数据效率以及泛化能力[4]、[5]。在控制层面，模型预测控制（MPC）能够实现对气体保护金属弧焊的熔深以及激光焊接层宽的闭环调节[6]、[7]。在评估层面，如Grad-CAM这样的可解释人工智能方法，使得焊缝缺陷检测不再仅仅是黑箱式的合格/不合格判定，而是能够通过可视化方式展示具有区分度的特征区域与关注点[8]。各个层面的技术都取得了显著进展。

从时间维度来看，该领域已从以工序为中心的质量保证逐步发展为具备更丰富反馈机制的体系。早期的研究侧重于焊接工艺规范、焊接前参数设定、单传感器工艺监控、局部焊缝跟踪以及焊接后检验。近期的研究则在这些基础上加入了多模态传感、深度学习、物理-数据混合建模、数字孪生以及边缘/云端部署等技术。因此，当前面临的挑战并非用新算法取代旧方法，而是将监测、预测、控制、评估以及有序更新等功能整合到能够在实际应用中保持稳定性的系统中。

然而，将这些技术真正整合为端到端的闭环系统仍是一项艰巨任务。如何让感知层获取的多模态数据在统一的时间基准下传递至建模层？建模层能否在决策层的控制周期内完成推理？评估层发现的质量问题又该如何自动触发建模层的模型更新？这些跨层集成问题——而非单一技术的精度问题——才是阻碍闭环质量控制从实验室走向生产现场的真正瓶颈。而这正是现有文献中较少系统探讨的内容。

近年来出现了许多高质量综述文章，它们从不同视角推动了人们对焊接智能技术理解的发展。郭等人[9]和马等人[10]对机器人焊接全生命周期中的视觉传感技术进行了调研，包括初始接头定位、焊缝跟踪以及缺陷检测等内容，从而为视觉传感技术提供了全面的概述。Kahnamouei和Moallem[11]则总结了机器人焊接控制系统与人工智能整合方面的最新进展，比较了PID、MPC、模糊逻辑以及强化学习控制器，并探讨了它们与传感技术及智能决策之间的关联。刘等人[12]首次对基于深度学习的焊接图像识别技术进行了全面综述，涵盖了分类、检测、分割以及跟踪等多个方面。程等人[13]则聚焦于气体保护金属弧焊领域的实时传感技术，将电弧传感、主动视觉以及被动视觉视为三种并行发展的技术路线。徐等人[1]则按照智能机器人弧焊的预处理、加工过程以及后期处理三个阶段对传感技术进行了分类。王等人[14]提出了智能焊接系统（IWS）的应用/系统框架，涵盖了传感与信号处理、特征提取与选择、基于人工智能的决策制定以及工艺控制等内容。Acherjee[15]则专门研究了激光-电弧混合焊接特有的工艺参数耦合机制。

这些综述共同丰富了焊接智能技术的知识体系。它们的优势在于能在特定层面或工艺类别上提供深入的技术分析：有些详细阐述视觉传感技术，有些比较不同的控制策略，还有些总结基于深度学习的识别或传感技术。但从本文采用的系统集成视角来看，它们的局限性在于通常没有明确体现感知、建模、决策、执行以及评估之间的关联。因此，读者虽然可以了解各项技术的能力，却不清楚如何将它们整合为可实际应用的反馈系统。从闭环质量控制的视角来看，先前的综述存在三个尚未得到充分解决的缺陷：

缺陷1：以单层视角为主，缺乏跨层集成分析。大多数现有综述仅聚焦于某个功能层或子系统类别——如视觉传感[9]、[10]，机器人焊接控制系统与人工智能整合，基于深度学习的建模[12]，或是传感技术[1]。即便是较为全面的智能焊接框架，也很少分析层间接口的信息流规范与延迟匹配要求。据我们所知，还没有任何综述明确探讨过“建模层的推理延迟能否与决策层的控制周期相匹配？”或“评估层以何种格式、多频繁地向建模层反馈质量信息？”这类问题。

缺陷2：以定性描述为主，缺乏定量成熟度评估。现有综述通常采用“技术A实现了X精度”之类的列举式描述，未能系统地评估各项技术在焊接闭环系统中的实际应用状况。阅读这类综述后，读者虽然知道“卷积神经网络能够进行缺陷检测”，但却无法判断该技术仍处于实验室验证阶段（TRL 3–4），还是已经应用于生产线（TRL 8–9）。

缺陷3：基准测试与可重复性问题普遍被忽视。尽管有一些综述[16]、[17]指出了数据集规模有限、标准化程度不足以及模型泛化能力受限等问题，但关于为何焊接领域缺乏公平的基准测试、当前方法比较中存在哪些误区，以及学术界应如何建立标准的评估规范与报告制度，相关的系统分析仍然十分匮乏。

表1将从八个维度对比本次综述与以往的相关研究。我们选择这些已有综述，是因为它们都是近期发表或被广泛引用的作品，代表了与本文主题相关的几大研究方向：视觉传感、机器人焊接控制系统与人工智能整合、基于深度学习的焊接图像分析、气体保护金属弧焊的实时传感、智能机器人弧焊传感、智能焊接系统以及激光-电弧混合焊接。因此，该表并非对所有焊接相关综述的全面文献计量排序，而是一种用于说明本次综述与相关代表性研究差异的定位工具。其中带阴影的行标明了本次综述重点强调的系统集成维度。在这些维度中，跨层接口分析、TRL成熟度评估以及基准/评估规范在以往的综述中几乎未受到重视，而多时间尺度闭环架构最多也只是被简要提及。

本文主要研究机器人弧焊（包括气体保护金属弧焊、气体钨极弧焊以及锯焊）的闭环质量控制问题；所提出的五层架构在结构逻辑上与具体焊接工艺无关。在综述中，我们会选择性引用来自激光焊接、定向能量沉积以及激光基焊接工艺的相关案例，但仅限于那些其闭环架构、接口设计或部署约束条件可适用于电弧焊接场景的情况。那些特定工艺领域的独特优化细节则不在本文讨论范围内。本文的研究范围涵盖从感知到决策再到知识反馈的完整闭环链条，而非某一项技术的具体算法细节。本次综述的四个核心贡献如下：

1. 提出了一种统一的五层闭环架构（感知→建模→决策→执行→评估），并包含三重嵌套反馈回路（快速/中等/慢速），作为整个综述的分析框架（第2节）。

2. 在这一统一框架下，从概念角度对每一层的关键技术进行了梳理——按技术概念而非作者个体进行分类——并且明确了每项技术所对应的反馈回路及控制目标（第3–6节）。

3. 针对焊接闭环系统中的40多项技术，引入了基于TRL的成熟度评估方法，构建了结构化的成熟度矩阵。据作者所知，以往的焊接综述并未尝试过这种方法。此外，还分析了五个层间接口的信息瓶颈，发现存在一种系统性问题：正向的知识传递路径已经基本建立，而反向的知识传递路径则依然极为碎片化（第7节）。

4. 提出了焊接人工智能研究的最低报告标准以及两级基准对比框架，将“不公平比较”这一难题转化为有建设性的方法学贡献（第8节）。

这四项贡献是相互互补的。如果没有五层架构，综述就只会成为传感、建模和控制技术的目录，而无法形成对闭环质量形成过程的系统性阐述。如果没有以回路为导向的组织结构，就无法判断某种方法更适合快速稳定、逐层修正，还是适合通过缓慢的评估来实现知识反馈。如果没有基于TRL的成熟度图谱，实验室精度与工业应用可行性就会混为一谈，也无法区分哪些监测与控制技术已接近实际应用阶段，哪些仍需进一步验证。如果没有基准测试与报告框架，未来在不同材料、传感器、数据集、硬件平台以及应用场景下的研究就难以进行比较。

为说明所分析文献的筛选过程，我们遵循PRISMA 2020报告原则，结合多领域工程主题的综合性概念导向综述需求，阐述了相应的搜索与筛选步骤。我们在Web of Science、IEEE Xplore、Scopus以及SpringerLink这四个数据库中进行了结构化搜索，数据更新截至2026年5月，检索范围为2010年至2026年间发表的英文同行评审期刊文章、综述论文以及会议论文。查询语句将与焊接相关的术语与闭环控制、传感、监测、质量预测、缺陷检测、工艺优化以及数字孪生等相关术语相结合。检索到的记录被整合为一个结构化记录集，通过DOI精确匹配以及在无法匹配时采用保守的标题-年份匹配方式去除重复内容。经过这一处理，最初从四个数据库中找到的12,682条原始记录被简化为10,735条唯一记录，这些记录构成了用于追溯与覆盖情况检查的结构化文献库。

基于这个结构化文献库以及另外两个互补的文献来源渠道，最终确定的参考文献共有231篇。其中201篇可通过DOI或标题-年份匹配与结构化数据库文献库对应，还有少量缺乏可靠DOI元数据的记录，是通过标题、作者、发表 venue以及发表年份等信息进一步核实的。另有18篇参考文献是通过从关键综述和核心论文出发进行逆向追溯得到的，这些文献有助于捕捉那些数据库关键词查询可能无法完整检索到的重要研究以及术语演变较快的话题。剩下的12篇参考文献则是专家精心挑选的基础性、领域特定或标准相关的资料，对于保持概念连贯性、明确定义以及理解标准背景而言不可或缺。我们汇报了与方法学透明度最相关的、符合PRISMA要求的要素——信息来源、搜索策略、时间范围、出版类型与语言范围、去重流程、各阶段的记录数量以及最终参考文献库的来源信息；而对于那些涉及受控实证指标的要素，如PICO风格的纳入标准、经过质量评分的双重审稿机制、偏倚风险评估以及效应量综合分析，则说明其为适应性调整的内容，因为本次综合研究是以概念为导向的，涉及多个不同的焊接子领域，且并未对可比较的成果进行汇总。

本文的其余部分安排如下：第2节阐述五层架构与三重反馈回路；第3–6节分别介绍感知层、建模层、决策/执行层以及评估层的内容；第7节进行跨层集成分析及成熟度评估；第8节探讨跨层存在的缺陷以及未来的研究方向。图1展示了整体感知层：多模态感知与融合。闭环焊接质量控制的起点是对工艺状态的有效感知。感知层的作用不仅仅是“连接更多传感器”；针对控制目标，它需要回答三个问题：当前的工艺状态是什么、质量风险可能源自何处，以及下游的建模与决策层能在其时间预算内利用哪些观测数据。按传感器类型——视觉、红外线、电学、声学——的传统分类方式无法满足需求。

建模层：基于物理原理、数据驱动及混合方法。建模层需将感知层获取的多模态观测数据转化为对工艺状态、质量风险及控制后果的预测性描述。具体而言，它要建立焊接参数、工艺状态与焊缝质量之间的关联，以便决策层获得可操作的预测结果。目前有三种研究路径：基于控制方程的物理驱动建模[79]、[80]、[81]，直接从样本中学习的数据驱动建模[82]、[83]、[84]，以及其他方法。

决策与执行层：分层控制与工程实现。如果建模层能回答“接下来可能发生什么”，那么决策层则要回答“系统应采取何种措施”。在焊接闭环控制中，这并非一个抽象的算法选择问题，而是一个包含四个方面的实际工程问题：应调整哪个可控变量——电流、电压、波形、激光/电弧沉积焊接中的激光功率、送丝速度、行进速度、焊枪姿态或层间策略；每个变量对应怎样的控制目标；以及响应速度需多快。

评估层：检测、诊断与反馈。人们往往对评估层的功能理解有误。如果仅将其视为焊后检测环节，它就变成了原本开放式流程的最终检验环节。而真正的闭环控制系统需要更多功能：该层不仅要确认是否达到了质量标准，还要解释出现偏差的原因，并将这些信息反馈给建模与决策层，从而让后续焊接工作得以改进，避免重复出现相同的错误模式[26]、[168]、[169]。因此，评估层涉及三个逐渐深入的功能层面。

跨层集成与系统成熟度评估。第3至6节已逐层介绍了相关支撑技术。不过，系统性能并非由某单一层的局部最优决定，而是取决于在目标反馈回路的时间预算内，信息能否被感知、传输、解读、处理并得到验证。因此，本节将分析焦点从孤立的技术能力转向系统成熟度与跨层集成。为明确各层之间的交互关系，本文也对决策与执行环节进行了分析。

讨论与未来方向。本节总结了前述逐层分析中得出的主要观点及尚未解决的问题。第3至7节表明，焊接闭环质量控制的核心瓶颈已不再是某种孤立方法能否提升少许离线精度，更为关键的问题是不同研究结果之间是否具有可比性、模型在条件变化时是否仍可靠，以及是否能在实际生产环境中部署完整的闭环控制系统。

结论。本文通过统一的五层架构——感知层、建模层、决策层、执行层和评估层——以及快速、中等速度和慢速反馈回路，对机器人弧焊质量控制进行了分析。在此基础上，本文研究了各层的进展状况、整个架构中的成熟度差异、层间接口的瓶颈问题，以及实现闭环控制所需的条件。由此可得四点结论：首先，相关技术虽已有显著进展，但发展程度存在很大差异。

作者贡献说明。邱成：撰写原文初稿、可视化分析、方法设计。周伟：撰写原文初稿、可视化分析、资金申请、概念构思。杨丽：结果验证、监督指导、研究实施。彭勇：研究实施、概念构思。王克洪：研究实施、概念构思。

利益冲突声明。作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢。本研究得到了江苏省重大科技计划（项目编号BG2025043）、国家自然科学基金（项目编号52502402）以及江苏省基础研究计划（项目编号BK20251462）的支持。