学术研究报告：基于极限学习机（ELM）的可变极性等离子弧焊（VPPAW）熔透在线监测与无模型自适应控制
第一作者及单位
Di Wu（吴迪）现任职于上海工程技术大学材料工程学院，通讯作者为Huabin Chen（陈华斌）和Shanben Chen（陈善本），均来自上海交通大学材料科学与工程学院。该研究发表于2019年5月的《IEEE Transactions on Industrial Informatics》（第15卷第5期）。
学术背景
研究领域与动机
该研究属于智能制造与焊接工艺控制领域，聚焦于可变极性等离子弧焊（Variable Polarity Plasma Arc Welding, VPPAW）的熔透监测与控制问题。VPPAW因其高能量密度和深熔透能力，广泛应用于航空航天铝合金焊接。然而，焊接过程中的非线性、时滞性和热扰动导致熔透状态难以稳定控制。传统方法依赖声学或电压传感器间接监测熔透，但存在精度不足或适应性差的问题。因此，作者提出结合视觉传感与数据驱动控制，实现熔透的实时预测与闭环调节。
科学目标
1. 开发基于视觉的小孔特征参数（Keyhole Characteristic Parameters）在线监测系统；
2. 利用极限学习机（Extreme Learning Machine, ELM）建立小孔特征与背面焊缝宽度的非线性映射模型；
3. 设计无模型自适应控制（Model-Free Adaptive Control, MFAC）算法，通过调节焊接电流和等离子气体流量实现熔透稳定控制。
研究流程与方法
1. 实验平台搭建与数据采集
- 硬件系统：搭建VPPAW实验平台，包括高精度电源、移动机械臂、背侧CCD视觉传感器（距焊枪260mm）和工业计算机控制器（图1）。
- 关键创新：开发实时图像处理算法，通过椭圆拟合提取小孔边界，量化长度（L）、宽度（W）、面积（A）三个特征参数（图2）。
- 动态实验设计：在恒定焊接速度下，随机调整直流电流（DCEN）和等离子气体流量（0.95–1.15 L/min），采集1780组数据（800组训练，980组测试），采样周期0.1秒（表I、图3）。
2. ELM模型构建与验证
- 模型输入：动态考虑历史数据影响，输入为当前及前两时刻的小孔特征（L/W/A）和背面宽度（Wb），输出为当前Wb预测值（图4）。
- 对比实验：与传统反向传播神经网络（BPNN）对比，ELM结构为11-20-1（11输入节点、20隐藏节点），随机初始化权重并通过Moore-Penrose广义逆求解输出权重（公式1-5）。
- 性能指标：ELM的均绝对偏差误差（MABE）为0.12mm，均方根误差（RMSE）为0.04mm，显著优于BPNN（图5、表II），且计算速度更快。
3. MFAC控制器设计
- 控制逻辑：以ELM预测的Wb为反馈，联合调节DCEN电流和气体流量（双输入单输出系统）。
- 算法核心：基于伪偏导数（PPD）矩阵的在线估计，通过最小化控制输入变化量和跟踪误差（公式11-14），动态更新控制律（图6）。
- 仿真验证：初始参数λ=0.08、ρ=24.5，仿真结果显示控制器能快速跟踪预设Wb（6.5mm）（图7）。
4. 闭环焊接实验验证
- 扰动测试：针对热输入（初始电流差异）和散热条件（梯形/哑铃形工件）设计干扰实验（表IV）。
- 结果1：初始电流170A与190A下，MFAC均能在15秒内稳定Wb至6.5mm，误差±0.45mm（图10-12）。
- 结果2：工件形状变化时，控制器通过协同调节电流与气体流量（如电流从210A升至230A）补偿散热不均，避免烧穿（图13-14）。
主要结果与结论
- 小孔特征与熔透的非线性关系：数据表明L/W/A与Wb呈动态关联，ELM模型可高精度预测Wb（RMSE 0.04mm）。
- MFAC的有效性：无需精确数学模型，通过数据驱动实现双变量协同控制，抗干扰能力强，适用于复杂焊接环境。
- 工业价值：为铝合金VPPAW提供了一种实时监测与自适应控制解决方案，显著提升焊缝一致性和合格率。
研究亮点
- 多模态传感融合：视觉信号与ELM的结合，克服了传统间接监测方法的局限性。
- 算法创新：动态ELM引入历史数据维度，MFAC首次应用于VPPAW熔透控制。
- 工程适用性：实验覆盖多种扰动场景，验证了控制器在工业环境中的鲁棒性。
其他价值
- 方法论推广：ELM-MFAC框架可扩展至其他高能束焊接工艺（如激光焊）。
- 开源潜力：图像处理算法和控制器代码未公开，但技术路线具备可复现性。
（全文约2000字）