线弧增材制造焊道几何控制中的学习与自适应

机器人线弧增材制造（WAAM）是一种通过焊接电弧逐层沉积金属材料来制造三维零件的技术。该技术利用工业机器人控制焊枪，沿着预定路径移动，同时连续送丝并产生电弧，使金属丝熔化并沉积在基板上，逐层构建出复杂的金属零件。WAAM具有成本低、沉积速率高、适合大型零件制造等优点，在航空航天、汽车、模具等领域具有广阔的应用前景。然而，WAAM过程涉及复杂的物理化学现象，其中热场与几何形状之间存在强非线性耦合。随着打印过程的进行，热量不断积累，导致热条件动态变化，使得焊道的高度和宽度难以精确控制。传统的控制方法通常采用恒定的焊接参数，无法适应热条件的波动，导致焊道几何一致性差，影响零件质量和尺寸精度。为此，研究人员提出了一种数据驱动的控制框架，利用递归神经网络（RNN）学习WAAM过程的输入输出动态特性，并结合一步超前预测控制策略实时调整焊接参数。该框架将焊接速度和送丝速率作为输入，焊道高度和宽度作为输出，通过训练简单的RNN模型来逼近系统的非线性动态。在控制环节，模型基于当前状态预测下一时刻的焊道几何，并优化输入参数以使焊道高度和宽度接近目标值。为了应对热条件的时变特性，研究团队引入了在线学习机制：利用上一层的预测误差实时更新模型参数，使模型能够适应热积累等过程变化。实验在配备线扫描传感器的机器人WAAM测试平台上进行，该传感器可实时反馈焊道几何数据。结果表明，与固定参数输入和静态模型相比，所提出的自适应控制方法能够显著降低焊道高度和宽度的波动，提升几何一致性。该研究为增材制造过程的稳健、数据驱动控制提供了实用路径，有望推动WAAM在工业中的更广泛应用。