面向非标焊接件飞溅抑制的熔滴过渡主动控制与工艺参数自优化

 非标焊接件因其材料、厚度及接头形式的多样性，极易产生飞溅，严重影响焊缝质量与生产环境。本文从熔滴过渡动力学出发，提出一种基于高速视觉反馈与强化学习的主动控制方法，实现熔滴尺寸、频率与路径的精准调控。同时，设计贝叶斯优化算法对焊接电压、电流、送丝速度等多参数进行自优化，显著降低飞溅率。实验表明，该方法可将飞溅量降低80%以上，特别适用于薄板、异种金属等难焊非标场景。

---

1. 引言：飞溅——非标焊接的顽疾

在船舶、压力容器、工程机械等领域，大量非标部件（如异形连接件、过渡接头）需要焊接。这些工件往往材料牌号混杂、板厚突变、坡口形状不规则。标准焊接参数库无法覆盖这些情况，导致焊接过程不稳定，飞溅成为最突出的问题。飞溅不仅造成材料浪费、污染工件表面，严重时甚至会堵塞送丝喷嘴、引燃周围易燃物。

飞溅的根源在于熔滴从焊丝端部过渡到熔池过程中的电磁力收缩效应与气体爆炸。传统恒压、恒流焊接模式下，当熔滴长大到临界尺寸时，重力、表面张力、等离子流力等失去平衡，导致熔滴不规则脱离，部分金属液被炸开形成飞溅。要实现飞溅抑制，必须从被动适应走向主动控制熔滴过渡。

2. 熔滴过渡的物理机制与主动控制原理

2.1 熔滴受力分析与稳定过渡条件
熔滴主要受：

• 重力 $F_g=\rho gV$Fg​=ρgV（随熔滴体积增大）
• 表面张力 $F_{\gamma }=2\pi r_w\gamma$Fγ​=2πrw​γ（保持熔滴附着）
• 电磁收缩力 $F_{em}\propto I^2\cdot \ln (r_d\mathrm{/}{r}_w)$Fem​∝I2⋅ln(rd​/rw​)（使熔滴颈部缩颈）
• 等离子流力 $F_p$Fp​（与电流密度相关）

稳定的“一脉一滴”过渡要求：在电流脉冲的峰值期间，电磁收缩力迅速增大，强制熔滴脱离，而在基值期间，熔滴重新生长。关键在于电流波形的精确整形，使得缩颈发生在熔滴尺寸最优的瞬间，且脱离过程平稳。

2.2 主动控制架构
我们构建一个外环-内环双闭环系统：

• 外环（工艺优化层）：基于离线或在线数据，通过优化算法给出下一时刻的目标电流波形参数（峰值、基值、频率、斜率）。
• 内环（熔滴反馈控制层）：采用高速摄像机（采集频率10kHz）实时提取熔滴的质心、直径、缩颈形态。控制器（如滑模控制器）根据当前熔滴状态与目标轨迹的偏差，实时调节IGBT开关占空比，微调实际电流。

内环的控制律设计至关重要。我们用模糊逻辑将熔滴形态分为“生长”、“成熟”、“缩颈”、“脱离”四种状态，对不同状态施加不同的PI增益，实现非线性控制。

3. 基于强化学习的工艺参数自优化

尽管内环能跟踪给定波形，但最优波形参数本身随工件散热条件、母材厚度、焊丝干伸长等变化而剧烈波动。对于非标件，这是一个典型的动态环境下的多目标优化问题。

3.1 状态与动作空间定义

• 状态 $s_t$st​：包括最近5个熔滴过渡周期内的平均飞溅计数（从声音或视觉检测）、电弧长度变异系数、熔滴直径变异系数。
• 动作 $a_t$at​：波形参数的调整量，如 $\mathrm{\Delta }{I}_p$ΔIp​（峰值电流变化）、$\mathrm{\Delta }{T}_p$ΔTp​（峰值时间变化）、$\mathrm{\Delta }f$Δf（频率变化）。

3.2 深度Q网络（DQN）智能体设计
奖励函数 $R_t=-\alpha \cdot {\text{SpatterCount}}_t-\beta \cdot \mathrm{\mid }{L}_{\text{arc}}-L_{\text{target}}\mathrm{\mid }-\gamma \cdot {\text{Energy}}_t$Rt​=−α⋅SpatterCountt​−β⋅∣Larc​−Ltarget​∣−γ⋅Energyt​，即飞溅少、弧长稳定、能耗低时奖励高。

在焊接开始阶段，DQN智能体采用 $\epsilon$ε-贪婪策略探索参数空间。经过约2000个熔滴周期（约2分钟焊接）的学习，$Q$Q 网络收敛。此时智能体能根据当前工件散热（如从红外热像获取）提前预判：若散热过快，则自动提高峰值电流并缩短峰值时间，以保持熔滴温度。

3.3 冷启动问题解决：对于全新的非标件，采用迁移学习。预先在标准平板焊接上训练一个基模型，然后仅用少量（20-30个）非标件的焊接试验数据，微调网络最后两层。实验表明，迁移学习可将收敛速度提高5倍。

4. 实验验证：非标薄板T型接头

设置：母材为3mm Q235钢板与2mm 304不锈钢板的异种钢T型接头。传统推荐参数：电流120A，电压22V，速度40cm/min。初始飞溅率高达45g/min（严重）。

主动控制实验：

• 集成系统：高速相机（采样率10kHz）+ FPGA实时图像处理 + DQN优化器 + 数字控制焊接电源。
• 结果：经过30秒初始探索后，DQN将波形收敛到：峰值280A/2ms，基值50A/10ms。此时熔滴呈现稳定的“一脉一滴”，过渡瞬间图像显示缩颈平滑。
• 飞溅率下降到7g/min，降低84.4%。焊缝成形均匀，无可见飞溅粘附。热影响区宽度减少30%，尤其适合薄板。

对比实验：传统脉冲焊接（固定参数）飞溅率32g/min；恒压CO₂焊接飞溅率118g/min。本方法优势显著。

5. 工程化挑战与对策

• 实时视觉的鲁棒性：焊接弧光强烈。我们采用窄带滤光片（中心波长808nm）配合激光背光照明，使熔滴呈现清晰暗影，抑制弧光干扰。
• 计算资源：FPGA处理图像+嵌入式CPU运行DQN。通过模型剪枝，将DQN网络压缩到3层、每层64个节点，推理时间<2ms，满足控制周期。
• 多变量耦合：除电流波形外，送丝速度、保护气流量也有影响。未来可扩展为多维动作空间的多智能体协同。

6. 结论

本文证明，将熔滴过渡的高速视觉反馈、非线性主动控制与强化学习自优化相结合，能够从根本上抑制非标焊接件的飞溅问题。这一思路超越了传统的“查表式”参数匹配，实现了焊接工艺对工件不确定性的自适应。随着边缘计算能力的提升，该技术有望集成到智能焊机中，成为非标柔性制造的关键模块。