近日，北京工業(yè)大學陳樹君教授團隊的研究成果《A physics-informed and data-driven framework for robotic welding in manufacturing》在《Nature Communications》發(fā)表，這是北工大機械與能源工程學院以第一完成單位在《Nature》子刊發(fā)表的首篇論文，標志著學校在機械工程領域取得重要進展。北京工業(yè)大學為論文第一完成單位，機械與能源工程學院蔣凡教授為本文唯一通訊作者，博士后劉靖博為唯一第一作者，陳樹君教授、大阪大學接合科學研究所田代真一教授和田中學教授為共同作者。

研究背景與挑戰(zhàn)

工業(yè)人工智能驅(qū)動的數(shù)據(jù)模型對制造自動化和數(shù)字化轉(zhuǎn)型意義重大，但構建時受數(shù)據(jù)質(zhì)量、模型準確性和泛化能力等復雜關系制約。數(shù)據(jù)質(zhì)量是基礎，隨著數(shù)據(jù)量增加，模型結構穩(wěn)定性或提升，但要同時提高準確性和泛化能力，需指數(shù)級增長的數(shù)據(jù)資源。在實際工業(yè)場景中，模型不僅要平衡數(shù)據(jù)質(zhì)量與性能，還需滿足低缺陷檢測率、高穩(wěn)健性和強擴展性等多維度要求。

在機器人焊接制造場景中，這些挑戰(zhàn)尤為突出。復雜焊接路徑和操作條件下，自動化焊接困難重重。以商業(yè)航空航天領域為例，航天器燃料箱和空間站密封外殼等結構制造，需兼顧小批量生產(chǎn)與動態(tài)加工場景的復雜性，對焊接精度和響應速度要求極高，當前技術難以滿足先進制造任務的高可靠性需求。

為應對挑戰(zhàn)，研究人員運用數(shù)值模擬分析焊接過程的熱場、質(zhì)量場和力場分布，探索數(shù)據(jù)驅(qū)動模型的實時預測潛力。數(shù)值模擬雖能提供理論支持，但計算成本高且時空尺度跨越受限；深度學習在焊接制造中的應用雖降低實驗成本，但工作流程依賴高質(zhì)量數(shù)據(jù)，對復雜熱流體耦合建模能力不足，限制了泛化能力和穩(wěn)定性。

機器人變極性等離子?。╒PPA）焊接技術是可靠的鋁合金焊接方法，能有效控制焊接缺陷，但因其復雜的多物理場耦合效應和動態(tài)特性，在復雜操作條件下仍面臨挑戰(zhàn)，焊接過程不穩(wěn)定會導致中斷，增加生產(chǎn)周期和成本，因此實現(xiàn)先進的預測能力至關重要。

PHOENIX框架與其在機器人空間曲線等離子弧焊接應用流程圖

PHOENIX 框架的提出

基于上述認識，研究團隊提出焊接高效神經(jīng)智能物理信息混合優(yōu)化框架（PHOENIX）。該框架通過將物理知識嵌入多源數(shù)據(jù)輸入、模型架構設計和優(yōu)化過程，降低對大量高成本數(shù)據(jù)集的依賴，提高在復雜工業(yè)場景中的預測準確性和穩(wěn)健性。

PHOENIX框架通過分層結構嵌入物理信息，涵蓋工程專業(yè)知識、焊接知識、守恒定律和物理模型，使物理約束無縫集成到數(shù)據(jù)驅(qū)動模型的輸入、訓練、推理和優(yōu)化階段，有效解決傳統(tǒng)模型在工業(yè)智能應用中的關鍵瓶頸。以機器人VPPA焊接為例，該框架展現(xiàn)出可靠的預測性能和適應性，在小批量數(shù)據(jù)訓練下，能提前0.05秒實現(xiàn)精確的不穩(wěn)定預警，預測準確率達 98.1%，為焊接和增材制造技術提供通用解決方案。

PHOENIX框架在機器人VPPA焊接中的應用

框架模塊組成

PHOENIX框架由四個關鍵模塊組成：機器視覺模塊用于捕捉熔池動態(tài)和形態(tài)特征；超前預測模塊帶有物理信息輸入，實現(xiàn)早期不穩(wěn)定檢測；數(shù)據(jù)驅(qū)動的物理鞍點建模模塊，結合低成本數(shù)據(jù)與關鍵數(shù)據(jù)預測熔池行為；增量學習模塊通過融合先驗數(shù)據(jù)和新數(shù)據(jù)，動態(tài)調(diào)整模型參數(shù)。

機器人 VPPA 焊接數(shù)據(jù)集構建

在機器人VPPA焊接制造中，多種因素會導致熔池不穩(wěn)定，中斷焊接過程，增加成本。為應對挑戰(zhàn)并推動PHOENIX框架發(fā)展，研究人員收集低成本數(shù)據(jù)（工業(yè)相機數(shù)據(jù)）和關鍵數(shù)據(jù)（原位高速X射線采集系統(tǒng)數(shù)據(jù)），并對數(shù)據(jù)進行標注，將熔池狀態(tài)分為準穩(wěn)定、非穩(wěn)定和不穩(wěn)定三類。

采用VGG16+U-Net模型作為機器視覺模塊的輸入數(shù)據(jù)預處理單元，提取熔池的動態(tài)和形態(tài)特征，并進行量化。基于滑動窗口方法開發(fā)LSTM-MLP模型優(yōu)化超前預測模塊，該模塊集成多源信息，能從時間序列圖像中提取時間和空間特征，對焊接穩(wěn)定性進行預測。實驗表明，LSTM-MLP模型在捕捉機器人VPPA焊接的非穩(wěn)定行為方面具有更高的預測精度，且不同預測時間跨度和數(shù)據(jù)積累方式下，預測準確率有所不同。

數(shù)據(jù)驅(qū)動的物理鞍點建模

由于原位X射線成像成本高且應用受限，研究團隊采用粒子追蹤技術分析熔池金屬流動行為，提出雙鞍點流動模型，發(fā)現(xiàn)離子氣流量和電流等對鞍點位置和流動通道面積有顯著影響。將準靜態(tài)焊接特征作為物理約束條件，構建數(shù)據(jù)驅(qū)動的物理鞍點模型，實現(xiàn)用低成本數(shù)據(jù)預測關鍵特征。

研究團隊提出基于條件的神經(jīng)調(diào)節(jié)（CBN）-反向傳播神經(jīng)網(wǎng)絡（BPNN）方法，將物理信息注入數(shù)據(jù)驅(qū)動模型，增強模型泛化能力，降低對大規(guī)模數(shù)據(jù)集的依賴。實驗表明，CBN-BPNN（MIMO）模型在多個指標上優(yōu)于其他方法，具有更穩(wěn)定可靠的性能。

基于先驗數(shù)據(jù)與新數(shù)據(jù)融合的動態(tài)模型參數(shù)調(diào)整

深度學習模型的泛化能力和實時性能是其在實際工業(yè)部署中的關鍵限制因素。為應對這一問題，研究團隊提出基于 PHOENIX 框架的動態(tài)模型參數(shù)調(diào)整方法，通過增量學習融合先驗知識與新經(jīng)驗，使模型自主優(yōu)化參數(shù)。

利用分布式雙邊緣計算系統(tǒng)與云技術，對預測模塊進行微調(diào)。通過凍結模型某些層、重新平衡數(shù)據(jù)比例、樣本重放策略等，增強模型適應性和泛化能力。同時，利用陀螺儀和機器視覺模塊輔助場景感知和焊縫狀態(tài)監(jiān)測，對數(shù)據(jù)進行校正，提高數(shù)據(jù)處理效率和模型穩(wěn)健性。實驗表明，該方法能使超前感知模塊在類似復雜場景中的準確率保持在約 96%。

研究討論

PHOENIX 框架將物理信息與數(shù)據(jù)驅(qū)動模型結合，在機器人 VPPA 焊接應用中取得顯著成效，實現(xiàn)了高準確率檢測、降低數(shù)據(jù)依賴和增強自適應能力等目標，為智能制造系統(tǒng)提供新視角和可行途徑。

研究進一步分析了熔池失穩(wěn)機制，發(fā)現(xiàn) VPPA 焊接熔池內(nèi)熔融金屬定向流動和鞍點行為的動態(tài)穩(wěn)定性對焊接過程穩(wěn)定性至關重要。將熔池動態(tài)特征納入模型構建和優(yōu)化，可提升模型性能和焊接質(zhì)量預測能力。

然而，研究仍面臨一些挑戰(zhàn)。如如何在物理信息與 AI 模型黑箱特性間找到平衡，如何減少歷史數(shù)據(jù)對當前模型的影響以實現(xiàn)自適應學習，以及如何增強對不同生產(chǎn)規(guī)模的適應性并降低部署成本等，這些問題有待進一步研究。

本研究實現(xiàn)了物理信息與數(shù)據(jù)驅(qū)動模型在機器人焊接場景中的融合，為智能焊接技術奠定基礎。PHOENIX 框架具有高度泛化能力，在更廣泛的制造領域和檢測監(jiān)測目標中具有巨大應用潛力。

該項研究得到了國家自然科學基金等多個項目的支持和資助。