基于软投票集成学习与PSO优化模糊控制的皮肤框架结构激光焊接偏差智能调节

《Optics & Laser Technology》：Intelligent regulation of laser welding deviation for skin-frame structures based on soft voting ensemble learning and PSO-optimized fuzzy control

　　

• •
  提出了一种控制系统：结合集成学习与模糊控制方法来应对焊接偏差问题。
• •
  通过高速成像技术提取焊池特征，从而更精准地预测焊接偏差。
• •
  采用PSO算法优化模糊规则，降低对经验参数调整的依赖。
• •
  该系统在连续12次焊接测试中均表现出稳定可靠的性能。

引言

在现代工业应用中，激光焊接因其极高的精度而被广泛应用于航空航天[1]、汽车制造[2]以及电子行业[3]等领域[4]、[5]。这些行业对焊接工艺的可靠性有着极高要求，以确保产品品质。热变形[6]和对齐误差[7]等问题都可能影响焊接质量及结构完整性，因此，开发能够预测并补偿这类偏差的解决方案显得尤为重要。在自动焊接领域，传统的手动编程方式效率较低，因为每道焊缝都需要单独进行编程[8]、[9]。此外，目前的自动焊缝跟踪技术仅能应用于那些视觉传感器可以直接观测到的对接缝和搭接缝等类型[10]、[11]，而对于蒙皮-骨架结构而言，焊接偏差的预测及自动化控制仍然面临挑战。因此，亟需开发出能够精准预测并控制此类结构焊接过程的技术。这样的技术进步不仅能提升焊接精度与一致性，减少缺陷，还能降低返工率，进而显著提高生产效率并降低成本。

为了解决自动焊接中蒙皮-骨架结构控制的难题，本研究着眼于焊接过程中的可观测物理现象[13]、[14]。先前的研究表明，焊池的几何形态能够反映焊接质量。例如，Nam等人利用深度学习模型，通过分析焊池的几何特征来预测铝合金激光焊接的焊缝宽度[15]；Nomura等人则证明，通过单台摄像机捕捉熔池图像并运用卷积神经网络进行处理，即可预测烧穿现象并估算焊接深度，从而提升质量控制的准确性与可靠性[16]。

近年来，机器学习与图像处理技术的快速发展为改进焊接过程的监控与预测提供了新的途径。BP神经网络[17]、卷积神经网络（CNN）[18]、支持向量机（SVM）[19]、XGBoost[20]以及随机森林[21]等多种机器学习算法已被成功用于预测焊接偏差并优化焊接参数。其中，SVM在存在噪声的环境中仍能保持较强的泛化能力与稳定性[22]；随机森林则通过集成学习与自动特征选择机制提升了预测的准确性及抗干扰能力，因而特别适合处理大规模数据集[23]；XGBoost则能在保证计算效率的同时有效避免过拟合问题，还能较好地应对焊接过程中复杂的数值变化[24]。借助这些单一模型的优势，一些集成学习方法通过组合多种模型来实现更高的预测精度与稳定性。比如，有研究提出了一种基于投票机制的集成CNN模型，用于预测脉冲电弧焊接中的熔孔状态[25]，该模型采用了InceptionNetV3、InceptionResNetV2[26]以及XceptionNet[27]等多种经典CNN架构来处理并预测上侧焊池图像的状态，最终实现了高达96.62%的评估准确率。

随着机器学习技术在焊接过程控制领域取得初步成果，人们对更先进的焊接控制系统的需求也在不断上升。PID控制器[28]和模型预测控制（MPC）[29]等传统焊接控制方法在处理许多常规焊接任务时表现良好，但面对复杂的焊接环境及其多变性时却力不从心，因为这些环境往往需要系统具备快速响应突发状况及非线性问题的能力。于是，人们开始探索模糊逻辑控制[30]这类先进控制策略——这类方法无需依赖精确的输入模型，而是模仿人类的决策方式来应对不确定性与模糊性问题。不过，模糊逻辑控制器的效果在很大程度上取决于用于设定其规则与隶属函数的专家经验，这种依赖性不仅增加了控制策略优化难度，也可能限制其在环境变化时的性能表现。

本研究旨在为航空航天发动机中常见的具有特殊蒙皮-骨架结构的导热部件的激光焊接过程开发一种智能控制系统。这类结构的焊接需要在环形表面上完成多道密集的焊缝，这一过程极易导致热量积聚并引发热变形问题；若蒙皮与骨架的焊接不精确，就可能会产生缺陷，进而导致结构失效或泄漏，严重影响整个系统的安全性。

为了解决这些难题，本研究借助高速摄像机记录焊接过程[31]，并运用图像处理技术[32]提取焊池的几何特征。分析结果表明，焊池的几何形态与焊接偏差之间存在显著关联，因此可以通过间接方式监测偏差情况。该控制系统通过软投票机制整合了SVM、XGBoost以及随机森林的优势，从而精准预测焊接偏差；同时，还采用了一种经过PSO算法优化的可靠模糊控制器，用于实时调整焊接参数。

本文的结构如下：第2节介绍了实验装置及所用材料；第3节详细描述了图像处理与特征提取的方法；第4节探讨了所采用的预测建模与模糊控制策略；第5节展示了验证实验与仿真结果；最后，第6节总结了研究结论，并提出了未来研究的方向。

各章节要点

材料与方法

本研究使用的材料为304不锈钢管，它由骨架部分与蒙皮部分组成。304不锈钢的化学成分见表1。如图1(a)所示，骨架部分的长度为100毫米，外径为39毫米，内径为34毫米；在其周围以30°的间隔均匀布置了12道焊缝，每道焊缝的长度为75毫米。如图1(b)所示，蒙皮部分的长度也为100毫米，外径为40毫米，内径则为

特征提取与相关性分析

本节阐述了处理焊接池图像并提取其特征的流程，同时还进行了相关性分析，以找出与焊接偏差状况存在较强关联的几何特征，这些高度相关的几何特征随后被用于训练后续的预测模型。

预测建模与模糊控制

本节详细介绍了一种集成多种算法与模糊控制器的控制系统，用于实现对焊接过程的全面管理。该系统通过分析焊池的几何形态，能够预测并纠正焊接偏差，从而提升焊接精度。

该系统的运行流程如图7所示：首先收集焊池轮廓数据并提取相关特征，然后通过投票分类器确定偏差的方向，再通过回归投票集成模型预测偏差的距离，进而实现

实验验证

本研究通过实际实验对所开发的集成预测模型与模糊控制器的可靠性及实际应用性能进行了验证，实验内容包括对12道沿圆周排列的焊缝进行连续焊接。

在对比实验中，对照组采用传统方法，即首先手动设定第一道焊缝的参数，后续所有焊缝则按照由此确定的固定旋转间隔依次焊接。如图14(a)所示，采用该方法得到的

结论

本文提出了一种全新的智能控制系统，该系统将软投票集成模型与经PSO算法优化的模糊控制器相结合，用于蒙皮-骨架结构的激光焊接。该系统能够实时预测并纠正焊接偏差，研究得出的主要结论如下：

• 该集成模型通过软投票机制结合了SVM、XGBoost以及随机森林三种算法，能够精准预测焊接偏差的方向与距离，其AUC值达到了0.94

CRediT作者贡献说明

陈贤浩：论文撰写——初稿编写、研究工作、正式分析、数据整理、概念构思。何摩汉：研究工作、正式分析、数据整理。刘富云：研究工作、概念构思。刘宇航：方法设计、研究工作。张广文：结果可视化、验证工作、研究工作。魏连峰：论文撰写——审阅与编辑、项目监督、资源协调、项目管理工作。谢迪：验证工作、方法设计、研究工作。谭彩旺：论文撰写——审阅与编辑、项目监督，

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。

致谢

作者衷心感谢匿名审稿人及编辑们提出的宝贵意见与建设性建议，这些反馈极大地提升了本文的质量。本研究得到了核技术研发项目HNKF202317(36)的支持；同时，作者也感谢研究小组内的各位同事在实验开展及论文撰写过程中给予的帮助与有益讨论。

Xianhao Chen|Mohan He|Fuyun Liu|Yuhang Liu|Guangwen Zhang|Lianfeng Wei|Di Xie|Caiwang Tan