焊接电弧多模态信息融合与智能控制方法

引言

随着高端制造领域对焊接质量要求不断提升，传统基于经验的电弧控制方式面临瓶颈。焊接过程中电弧状态易受电流波动、坡口变化、环境干扰等多因素影响，单一传感信息难以全面反映动态特性。现有控制方法在实时性、适应性上不足，常导致焊缝缺陷。亟需通过多模态信息融合与智能算法突破制约，实现电弧精准调控。

1 焊接电弧多模态信息采集与预处理

焊接电弧多模态信息采集与预处理是实现智能控制的基础环节。针对电弧动态特性，需构建多源传感系统，包括高速摄像采集电弧形态图像、红外传感器捕捉温度场分布、电流电压传感器记录电信号变化，以及声波传感器采集电弧声频信息。采集过程中需同步触发各设备，确保数据时间对齐。预处理阶段需对原始数据进行降噪处理，采用小波变换去除电信号噪声，通过高斯滤波优化图像质量，利用异常值检测算法剔除环境干扰数据。同时，对图像信息进行灰度化、边缘检测等特征增强操作，对时序信号进行平滑与标准化处理，最终构建统一格式的多模态数据库，为后续特征提取提供高质量数据支撑。

2 多模态信息特征提取与融合策略

为充分挖掘电弧物理本质，本文构建了“传感 - 特征 - 决策”三级递进式融合框架，分别对应数据层、特征层与决策层，实现从异构原始信号到统一控制指令的精准映射。

在数据层，首先通过基于 PTP（Precision Time Protocol）的硬件触发机制保证高速相机、红外热像仪、霍尔电流传感器、MEMS 麦克风四路数据的时间误差 <1ms ；随后采用时空配准算法将图像像素坐标、热像温度矩阵、电流- 电压序列、声频帧序列统一到同一时空网格，生成四维张量 X∈R⋅{T×H×W×C} ，其中 T 为时间窗长度，H、W 对应图像分辨率，C 为模态通道数。

在特征层，针对不同模态的物理属性设计差异化提取路径： ① 视觉模态采用轻量级CNN（MobileNet-V3）提取电弧轮廓几何特征 Φ_-^v∈R^γ{256} ，并以灰度共生矩阵获取纹理熵、对比度等统计特征； ② 热学模态通过伪彩色编码将温度场转为 256 级灰度图，经 ResNet-18 提取峰值温度、温度梯度、热影响区面积 Φ_-t∈R^γ{128} ； ③ 电信号模态先利用STFT 获得时频图，再由2-D CNN 提取频谱能量分布 Φ_-e∈R^γ{128} ； ④ 声学模态计算梅尔频率倒谱系数（MFCC）并结合一维空洞卷积提取电弧声纹特征 Φ_-a∈R^γ{64} 。随后引入跨模态注意力机制：以视觉特征为Query，其余模态特征为 Key-Value，计算注意力权重矩阵A=Softmax（QK^∘T/ΩVd ），实现关键特征的自适应加权，抑制冗余信息。再经过 PCA 将融合后的640 维特征降至128 维，在保留 95% 方差的同时降低后续计算负荷。

在决策层，构建双路融合模型： ① 基于贝叶斯网络的因果推理模型，用于估计电弧状态与缺陷的先验概率； ② 基于 3 层全连接神经网络的数据驱动模型，用于后验概率修正。两路输出通过动态权重 λ∈[0，1] 线性融合，λ 由实时不确定性估计自适应更新，当传感器噪声>20 dB 或红外温漂 >±3% 时自动增大贝叶斯路径权重，以确保系统在复杂工况下的鲁棒性。实验表明，该策略在特征冗余度降低 42% 的同时，电弧状态识别准确率提升至 98.7% ，为后续闭环控制提供了高置信度的决策依据。

3 焊接电弧智能控制方法设计

3.1 焊接过程建模与状态识别

焊接过程建模与状态识别是智能控制方法设计的基础支撑。基于多模态融合特征，构建焊接电弧动态过程模型，综合考虑电弧物理特性、材料熔化规律与能量传递机制。采用数据驱动与机理分析相结合的建模方法，通过收集大量典型工况下的多模态特征数据与焊缝质量参数，建立输入特征与焊接状态的映射关系；同时引入电弧等离子体动力学方程，增强模型对复杂物理过程的解释性。状态识别环节重点实现电弧稳定性、熔池形态与焊缝缺陷的实时判别，采用深度置信网络对融合特征进行分层学习，提取高维抽象特征；结合支持向量机构建多分类器，对电弧正常、飞溅过大、弧长异常等状态进行精准识别。通过滑动窗口技术实现时序特征的动态捕捉，设计特征重要性评估机制优化识别精度，为后续控制策略的动态调整提供可靠的状态依据。

3.2 基于模糊控制的电弧稳定性调节

基于模糊控制的电弧稳定性调节是应对焊接过程非线性与不确定性的有效手段。针对电弧电压波动、电流畸变及弧长漂移等关键扰动因素，构建以多模态特征提取的稳定性评价指标为输入，以焊接电流、电压及送丝速度为输出的模糊控制系统。通过专家经验与实验数据建立模糊规则库，将输入量划分为“稳定”“较稳定”“不稳定”等模糊子集，输出量对应“微调”“中调”“大调”等调节等级。采用三角形隶属度函数实现精确量到模糊量的转换，运用最大隶属度法进行模糊决策与清晰化处理。设计动态修正因子实时优化规则权重，结合状态识别结果自适应调整控制参数，在弧长突变、坡口变化等工况下快速抑制电弧震荡。通过仿真与实验验证，该方法可将电弧稳定性指标提升 30% 以上，显著降低飞溅与气孔等缺陷发生率。

3.3 基于深度强化学习的自适应控制策略

基于深度强化学习的自适应控制策略旨在解决焊接电弧强耦合、时变特性带来的控制难题。该策略以多模态融合特征与焊接状态评估结果为状态空间，以电流、电压、送丝速度的调节量为动作空间，构建“状态 - 动作 - 奖励”强化学习框架。采用深度 Q 网络（DQN）作为决策模型（图 1），通过经验回放机制存储电弧状态转移样本，利用目标网络与评估网络双网络结构提升训练稳定性。设计动态奖励函数，将电弧稳定性指标、焊缝质量参数及调节能耗纳入评价体系，实现控制效果与经济性的平衡。针对电弧状态突变场景，引入优先经验回放机制加速关键样本学习，结合双延迟深度确定性策略梯度算法优化连续动作输出。通过离线仿真预训练与在线微调相结合的方式，模型可快速适配不同焊接材料与工艺参数，在坡口不规则、工件晃动等复杂工况下实现自适应调节，显著提升控制精度与环境适应性。

3.4 多模态融合驱动的闭环控制系统

多模态融合驱动的闭环控制系统是实现焊接电弧精准调控的核心架构。该系统构建“感知 - 决策 - 执行 - 反馈”完整闭环，以多模态融合特征为感知输入，智能控制算法为决策核心，执行机构为调节终端，形成动态响应机制。系统前端通过实时调用多模态特征融合模块，将图像、电信号、温度等多维信息转化为统一状态向量；决策层集成模糊控制与深度强化学习模型，根据当前电弧状态输出最优控制参数，包括电流给定值、电压调节量及送丝速度指令。执行机构采用高精度伺服系统实现参数动态调整，同时将调节后的电弧状态通过传感网络实时反馈至融合模块，形成闭环迭代。设计分布式控制架构提升响应速度，采用边缘计算技术减少数据传输延迟，结合模型预测控制优化调节超前量。通过动态阈值触发机制，在电弧状态偏离阈值范围时自动启动快速调节模式，确保系统在负载波动、材料变化等工况下始终保持稳定控制精度。

3.5 控制方法的实时性与鲁棒性分析

控制方法的实时性与鲁棒性分析是验证智能控制体系实用价值的关键环节。实时性优化通过分布式计算架构实现多模态数据并行处理，边缘计算节点就近部署特征提取与决策算法，将数据传输与处理延迟控制在 50ms 以内。采用模型轻量化技术对深度强化学习网络剪枝量化，在精度损失小于 2% 的前提下降低 60% 计算量，使控制指令更新频率提升至1kHz 以上，满足电弧动态响应需求。鲁棒性验证针对多源干扰场景，通过蒙特卡洛仿真模拟电流电压波动、传感器噪声及工件定位误差等扰动。设计自适应阈值调节机制，依据干扰强度动态调整模糊控制规则与强化学习奖励权重。实验数据显示，在 ±15% 负载波动与20dB 噪声干扰下，系统电弧稳定性指标偏差小于 3% ，焊缝合格率超 95%_< 。结合故障注入测试，验证了对传感器失效、执行机构延迟的容错能力，保障复杂工况下的稳定运行。

表 1 系统鲁棒性测试结果