英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

第29届柔性自动化和智能制造国际会议(FAIM2019)，2019年6月24日至28日， 爱尔兰利默里克。

人工智能(AI)在焊接中的应用调查：人工智能对技术、经济、教育和社会变化的影响的未来情景

摘要

人工智能(AI)在焊接领域的应用是一个日益重要的研究领域，并发表了大量关于该主题的期刊出版物。在领先的科学期刊数据库Elsevier和Springe中，对人工智能的关键字搜索揭示了3000多篇相关文章。大量的出版物显示了人工智能在焊接中的重要性，以及研究人员利用人工智能方法应对焊接挑战和问题的贡献的广度。这些挑战包括焊接参数控制不善和焊缝几何形状，导致焊缝质量问题。本文综述了人工智能系统在焊接过程控制和焊接机器人控制中的应用,还介绍了在芬兰焊接工业中使用和开发人工智能系统的案例研究。通过对调查结果的分析为预测工业4.0时代人工智能对焊接行业影响的5-10年时间框架的未来情景提供了参照。人工智能带来的变化将促使人们需要新的技术、经济和社会政策以及改革可持续性和生活质量领域的教育课程和技能培训。对趋势和设想方案的审议对学术界和工业界都很重要，在这些领域，人工智能系统的新研究思路和发展趋势将出现，以便实际实施。

关键词：人工智能；数字化；人-机协作；工业4.0；焊接监测；焊缝控制

目录

1. 导言 4

2. 用于焊接过程控制的AI 6

3. 用于焊接机器人控制的AI 8

4. 芬兰焊接行业AI案例研究 10

5. 面试环节 14

6. 结论 18

7. 致谢 18

8. 参考资料 18

导言

焊接操作涉及许多工艺参数和接头几何参数。工艺参数包括电弧电压、电弧电流、焊接速度，而接头几何参数包括基材厚度，接头轮廓（接头角，对角接头或角接头），接头沟槽和间隙，缝纫高度和焊缝熔深。由于焊接的非线性特性，很难建立这些参数与变量之间的关系，使整个焊接过程的控制变得更加复杂，特别是当适应“教学和回放”机器人时。近年来，传感器和监测装置等系统已被应用于机器人，以提供广泛的数据，用来解决焊接过程控制的复杂性。

尽管有更多的数据可用，但由于难以在焊接参数和变量之间建立准确的关系而产生的共同挑战和问题仍然存在。这些挑战包括：热输入过高、热输入过低、电弧不稳定、接头位置误差、变形、焊缝下切、气孔、焊缝不规则、焊缝熔透不足、熔合不足、热影响区(HAZ)软化、组织劣化、裂纹敏感性以及焊缝金属和其他焊缝区的力学性能损失[1-4]。图1，说明了一些常见的焊接接头缺陷。

早期的传感和监测研究有助于通过焊缝跟踪、热轮廓测量和焊接控制[5]减少焊缝缺陷的发生。然而，焊缝缺陷的完全消除还没有完全实现，这就导致了焊接行业的焊缝产品质量问题。由于这些早期系统没有充分利用实时传感和控制，因此有必要探索实时传感器和监测设备的潜力，以及人工智能(AI)等非线性方法，以便有效地调整、监测、预测和控制焊接和接头几何参数。一般来说，人工智能可以被描述为模仿人类或动物自然智能的机器和系统的智能。具有这种智能的机器和系统应该能够在不确定的条件下被教导、学习、推理和计划，解决问题，并记住过去在他们的环境中发生的事情[1-4]。 图2，给出了用于AI控制的焊缝跟踪和焊接参数热轮廓测量的原理图。

人工智能将给焊接行业带来的改变不能小视，特别是在技术、经济、教育和社会政策方面。由于这些原因，人工智能在焊接行业的出现必须被重视考虑。

用于焊接过程控制的AI

最近在焊接领域的研究已经研究了几种具有AI能力的非线性方法，如田口法、响应面法(RSM)、人工神经网络(ANN)、遗传算法(GA)、模糊逻辑系统、自适应神经模糊推理系统(ANFIS)和粒子群优化(PSO)。探索这些办法的主要目的是提供一个平台，建立焊接工艺输入参数和输出变量之间的关系，并在此基础上决定和控制导致所需焊缝质量和焊缝属性的焊接参数。表1参考[6-7]，给出了这些AI方法的关键特征的简单比较。 表2从更广泛的角度介绍了在使用AI进行焊接控制时的系统考虑。

以往的研究大多采用人工智能方法对焊接参数进行静态优化，其中所使用的所有参数都是固定的[8]，即人工智能在焊接中的应用一直是通过实验手段进行预测和评价的领域。 Kim一行人对机器人弧焊中珠高的预测进行了研究,采用人工神经网络对焊接接头焊珠高度进行焊接参数预测(焊接速度、电弧电流、电弧电压[9]和反向传播算法对经验测试得到的数据进行人工智能训练。与回归模型（线性和曲线）相比，ANN模型更准确地预测了焊缝高度，该模型能够用于过程控制目的。

Acherjee一行人采用反向传播(BP)算法对热塑性塑料激光透射焊接中的焊缝质量进行了预测[10]。结果表明,人工神经网络能够利用给定的工艺变量估计搭接剪切强度和焊缝宽度。Zhang一行人使用ANN识别以极坐标为特征的熔池的几何参数[11]，且利用神经网络对焊缝熔合区的控制进行了神经模糊模型的估计和预测[12]。Kovacevic一行人利用ANN对熔池几何形貌进行了预测[13]。K.Zhang报道了ANN对于几乎所-有类型的非线性关系都具有更强的非线性映射能力[8]。

遗传算法(GA)已被用于优化工艺参数，如激光频率，焊接速度和送丝率，考虑焊接性和生产因素。Correia一行人采用GA和响应面方法(RS M)对气体金属弧焊的焊接工艺进行了优化[14]。结果表明，GA 是优化焊接工艺参数的有效方法。Sathiya一行人建立了一个ANN模型，确定了三种不同屏蔽气体的激光焊接参数与焊缝熔深、珠宽和拉伸强度响应的关系[15]。结果表明，基于所建立的模型适合于采用GA优化工艺参数。Katherasan一行人利用反向传播神经网络(BPNN)和GA预测AA5182铝合金与AA5356填充丝激光焊接的拉伸强度[16]，采用田口设计，研究了焊剂芯弧焊(FCAW)的焊缝几何形状和输入变量（送丝率、电压、焊接速度、焊枪角度）的影响，确定了ANN和粒子群优化算法[17]。

通过静态优化焊接参数所证明的能力表明，在可以检测和避免焊缝缺陷、位置变化和误差的实时焊接情况下，采用AI方法是可行的。然而，利用人工智能方法以及传感器和监控设备等自适应系统实时动态优化和控制焊接参数和几何参数是罕见的焊接行业的实际实施。在这一领域内进行的少数研究取得了良好的结果,采用遗传算法和神经网络对焊接头进行了自适应填充建模[8],并且利用一组适用于不同接头间隙和错配的焊接参数的经验数据，建立了反向传播神经网络模型。用GA对模型进行了进一步的优化，特别是在BPNN的初始权值和阈值上。以接头间隙，错配，珠宽和加强为输入参数，以激光功率，送丝率和焊接速度为输出参数，建立了六个神经元的隐层，进程设置具有实时功能。使用LevenbergMar quardt学习算法，具有良好的收敛速度。观察到，通过优化BPNN的初始权值和阈值，GA使BPNN能够避免陷入局部最优值，特别是当焊接样本数据相对较少时。

用于焊接机器人控制的AI

目前人工智能在焊接机器人控制方面的发展使人工智能方法在解决运动规划、路径优化和轨迹到达增强等方面的挑战方面具有可行性。模糊逻辑控制、人工神经网络和遗传算法等人工智能方法在焊接研究中日益突出。Chao和Sun进行了基于GA的多个焊接机器人的运动规划和仿真。在实验中，在虚拟电子M功率软件中设计了焊接组件的三维模型和用于焊接仿真的算法。结果表明，机器人之间没有碰撞，机器人能够根据仿真结果找到规划的路径。工作表明，所采用的AI方法不仅缩短了路径规划的时间，而且提高了焊接效率。此外，通过路径模拟，可以实时避免对机器人和设备的损坏。其他研究使用了一种或多种人工智能方法进行焊接机器人控制。Mendes和Neto开发了一种自适应模糊控制方法来控制工业机器人的运动和力。Castillo一行人采用GA处理离线点对点自主移动机器人路径规划问题。Pashkevich等人提出了一种基于拓扑有序神经网络模型的机器人避碰路径规划方法。Panda和Choudhur提出了一种基于GA.Kim等人的机器人在不确定动态环境中动态路径规划问题的方法,进一步讨论了利用GA进行机器人弧焊工艺规划的焊接任务排序。焊接机器人控制AI方法的能力必须在生产环境中进行验证。尽管它最初是一项耗时的任务，但使用AI方法进行实时操作可以为灵活的离线焊接提供途径。使用传感器单独实时指导和控制焊接机器人，遇到了一些缺点，导致实时故障，焊接机器人移出关节极限，与工作空间中的物体碰撞，并由于机器人的配置变化而移动到奇异点。 采用带半导体电荷耦合器件(CCD)摄像机或互补金属氧化物半导体(CMOS)的电弧传感器对机器人进行焊接。激光扫描仪和其他电弧接触传感器，如触觉传感器，也用于指导机器人在焊接。因此，由于大多数焊接机器人都是由传感器控制或引导的，采用AI方法将确保控制的高精度。在AI到位的情况下，焊接机器人可以通过规划其运动和优化其路径和轨迹来远程控制，机器人可以适应变化和不可预见的情况。

据说,大多数工业机器人都使用CAR（计算机辅助机器人）软件进行操作，该软件能够在CAD环境中对机器人操作进行建模、仿真和编程。为了确保具有AI方法的实时传感器的最佳性能，必须在CAR虚拟操作环境中创建和实现真实传感器的虚拟传感器模型，如图3所示,虚拟传感器必须通过静态和动态方法进行验证。静态方法通过过程设置中的测量将虚拟传感器与真实传感器匹配，动态方法是通过比较在真实和虚拟工作单元中执行的焊接应用程序来完成的。

因此，基于虚拟/实时传感器在实时中提供的信息,对实时机器人和工作环境上的特征等对象进行了更新。反馈回路通过静态和动态的方法,充分利用传感器信息（用于将机器人任务定义为运动集的特定指令）,并将其集成到世界模型和应用过程模型中。实时传感器反馈给世界模型意味着来自传感器的信息将更新世界模型，包括根据需要实时更新对象位置或创建事先不包括的对象。通过这种机制，传感器的使用可以在CAR环境中进行验证，因为类似的测试应该在真实的物理设置中进行。控制器单元将摄像机头保持在其最佳操作点，图像处理算法用于标准接头，并且可以识别焊缝接头，并从焊缝轮廓中提取特征并与预定义的模板匹配。

芬兰焊接行业AI案例研究

芬兰工业的特点是其业务跨越不同的行业的大公司，如图4所示. 焊接业务是这些芬兰工业价值链中的一个突出的制造活动，芬兰焊接行业的中小企业被分包给这些大公司提供焊接服务。焊接中小企业芬兰，甚至大公司面临挑战，仍然具有竞争力，并提供所需的焊接质量，这是由于承包商提供的产品的变化，小的产品批次大小，快速的产品变化，尺寸变化和新材料，紧密的公差，设备设置，车间人机工程学和严格的环境立法。即使遵守焊接标准，与焊接数据管理系统有关的其他方面也构成挑战。随着智能制造和工业4.0的趋势，当务之急是确定芬兰焊接工业打算如何释放人工智能在焊接机器人方面的潜力，并考虑向工业4.0过渡将带来的技术、经济、教育和社会变革。为了应对工业转型带来的挑战，芬兰焊接行业需要人工智能平台，这些平台是专门为焊接提供具体解决方案的。 一些为焊接解决方案提供AI平台的公司利用开放架构，需要定制以适应焊接公司的运营。Delfoi Oy和Visual Components Oy在人工智能领域的焊接机器人操作方面处于领先地位。Delfoi在VC平台上运行，具有AI离线功能，解决机器人碰撞挑战、机械手和末端执行器可达性问题以及焊接接头极限问题。这种平台能够提供不同的机器人手臂配置，并支持大多数焊接类型(水平直焊缝、垂直直焊缝、斜直焊缝、U形焊缝和尖角附近的焊接)。尽管它们具有开放的体系结构，但在开发此类平台时使用的实际人工智能仍然是机密和专有信息。为了概述芬兰焊接行业的人工智能，一些公司被介绍为案例研究。

案例公司Ⅰ（SME welding firm）

该公司计划安装一个ABB机器人焊接单元，可以焊接10米直焊缝。这种对新焊接设备的投资是由于焊接质量问题，并为未来制造设想的变化做好准备。公司希望保证焊缝质量的一致性和平等。然而，实施焊接机器人系统也旨在减少焊接作业中的焊工人数。这些变化是对芬兰劳动力市场和税收政策变化的回应，这些变化导致公司认为他们不能再根据合同雇用自由焊工。焊接公司宁愿雇用更多的板钳(EN1090)，他们将准备材料和设置焊接接头由机器人。然而，该公司的目标是为可能失去工作的焊工找到其他合适的任务。使用机器人焊接长缝的一个公认的挑战是焊缝变形的可能性；必须将接头钉在一起，以避免大尺寸的焊缝变形。然而，钉接接头造成了一些焊接质量问题，因为机器人必须在这些钉接接头上焊接，并且在这些位置很可能缺乏穿透。因此，机器人应该接受训练，使钉接接头的热输入足够高，以确保完全熔化。此外，该公司计划为焊接机器人使用离线编程，因为有必要使他们的焊接制造和生产自动化。离线焊接产品的CAD模型的需要是一个必不可少的组成部分。例如，如果无法获得这些数据，因为承包商不愿意分发这样的3D模型，公司就必须设计他们所承包的工作的3D模型。该公司正试图为这一可能的挑战找到解决办法。

案例公司Ⅱ（Visual components Oy）

视觉组件(VC)通过建模、编程、仿真和控制为焊接机器人的构建提供了平台。具体步骤概述如下：在对机器人进行建

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[606217]，资料为PDF文档或Word文档，PDF文档可免费转换为Word