电弧增材制造（Wire Arc Additive Manufacturing，WAAM）是一种以电弧为热源、通过逐层堆积金属焊道来构建零件的机器人化增材制造工艺。arXiv 于 2026 年 5 月 27 日发布的一篇新论文《Learning and Adaptation in Wire Arc Additive Manufacturing Bead Geometry Control》聚焦于该工艺中焊道几何形状的控制问题。论文作者为 Chen-Lung Lu 及另一位合作者，全文以 PDF 与实验性 HTML 形式公开，DOI 为 10.48550/arXiv.2605.29144，投稿时间为 2026 年 5 月 27 日 22:15:24 UTC，稿件体积约 7,085 KB，隶属 cs.RO（机器人学）分类，并同时涉及 eess.SY（系统与控制）方向。
研究指出，WAAM 过程由复杂且非线性的动力学所支配，热场与成形几何之间存在强烈耦合。作者将该工艺抽象为一个多输入、多输出的动力系统：输入为焊枪移动速度与送丝速度，输出为焊道堆积的高度与宽度。基于这一建模视角，研究团队利用实际采集的输入/输出数据学习一个数据驱动模型，并将其用于焊接路径规划与过程控制。
在方法层面，论文表明一个结构简单的循环神经网络（RNN）架构配合一步超前预测控制，即可在高度与宽度一致性方面改善工艺表现。更关键的是，由于打印过程中热条件会随层数累积而变化，静态模型难以长期保持精度。为此，作者采用了一种自适应策略：利用上一层的预测误差来更新学习模型。这一在线更新步骤进一步提升了模型的预测准确度与控制器性能，使系统能够跟随热工况的漂移。
实验验证在一台集成线扫描仪反馈的机器人 WAAM 测试平台上完成。与恒定输入基线以及静态模型基线相比，所提出的学习与自适应框架在焊道高度和宽度的一致性上取得了显著改进。论文强调，该框架为增材制造过程提供了一条切实可行的路径，有望实现鲁棒的、数据驱动的工艺调节。
从更广的意义上看，这项工作体现了把控制理论与机器学习结合用于制造过程的趋势：不依赖精确的物理机理模型，而是用数据学习过程动态，再通过在线自适应补偿环境与热历史的变化。论文同时被归类于机器人学与系统控制两个领域，说明其方法横跨机器人运动控制与过程控制。需要注意的是，当前结果基于单一实验平台，其向更复杂几何、更大尺寸构件以及其他材料体系的推广仍待进一步验证。