钢结构的工业机器人智能焊接工作站的设计

Design of industrial robot intelligent welding workstation for steel structures

摘要

探讨智能焊接系统在钢结构焊接领域的应用。通过深入研究系统架构设计、焊缝追踪算法设计、参数优化以及未来发展趋势等关键领域，揭示了智能化技术在提高焊接质量、效率和安全性方面的重要作用。通过案例研究，展示了智能化技术在钢结构焊接实践中的应用，提升了焊接质量、效率和安全性。最后，展望未来发展趋势和挑战，认为智能系统将变得更智能、多样化，并在网络化和数据驱动决策方面取得突破。综合研究智能焊接系统在钢结构焊接中的应用，为相关领域创新和发展提供有益的指导和启示。

Abstract

This paper aims to explore the application of intelligent welding systems in the field of steel structure welding. Through in-depth research on key areas such as system architecture design, weld seam tracking algorithm design, parameter optimization, and future development trends, the important role of intelligent technology in improving welding quality, efficiency, and safety has been revealed. Through case studies, the application of intelligent technology in steel structure welding practice was demonstrated, which improved welding quality, efficiency, and safety. Finally, looking forward to future development trends and challenges, it is believed that intelligent systems will become more intelligent, diverse, and achieve breakthroughs in networking and data-driven decision-making. Comprehensive study of the application of intelligent welding systems in steel structure welding can provide useful guidance and inspiration for innovation and development in related fields.

Graphical abstract

关键词

焊接机器人 / 参数优化 / 焊接参数库 / 钢结构 / 智能焊接系统

Key words

welding robot / parameter optimization / welding parameter library / steel structure / intelligent welding system

随着制造业的蓬勃发展，焊接技术已经成为连接和加工材料的主要方法，广泛应用于汽车、航空航天、能源等各个领域。焊接质量和效率对产品的性能和成本具有重要影响，然而，焊接劳动力成本急剧上升、焊工需求逐年上涨、焊工人才断档严重，优秀焊工培养耗时超过10年^[1]。因此，焊接过程的自动化和智能化成为研究的热点。随着现代工业对生产效率、质量稳定性和人工智能技术的需求不断增加，智能化焊接系统的设计和应用日益受到关注。智能焊接系统不仅可以提高焊接过程的可控性和稳定性，还可以有效减少人工干预，从而提高生产效率和产品质量^[2]。

传统焊接系统需要耗费大量精力进行焊接路径规划、参数调整和焊接质量检查。这种人工操作容易受到操作员技能水平和疲劳程度的影响，导致焊接质量的不稳定性。智能化焊接系统通过引入先进的传感技术、控制算法和人工智能技术，能够实现实时数据采集和分析、自动路径规划、参数优化以及智能决策，从而提高焊接质量、效率和一致性^[3-4]。

本文深入探讨机器人智能焊接系统的设计原理、关键技术和应用案例。通过详细阐述智能化焊接系统的各个组成部分，可以帮助读者更好地理解其在现代制造业中的作用和优势^[5]。本文的研究可为智能化焊接技术的推广和应用提供有益的参考，促进制造业的创新和进步。本文深入探讨了智能焊接系统的概念、技术和应用，通过案例研究验证了其实际效果，并展望了未来智能焊接技术的发展方向。研究揭示了智能焊接系统在推动焊接技术发展中的重要性，为未来的研究和实践提供了指导和启示^[6]。

1 智能焊接系统的概述

智能焊接系统作为现代制造业的创新方向，旨在将先进的传感技术、控制算法和人工智能技术应用于焊接过程，实现自动化、智能化和高效化的焊接操作^[7]。相较于传统焊接系统，智能焊接系统在焊接过程中具备更高的自主性和智能决策能力，能够适应不同的焊接任务和环境变化，从而提高焊接质量和效率。

智能焊接系统的关键特点如下：

机器人控制器：焊接定制专用控制器，丰富的中厚板焊接工艺包，电流跟踪、激光跟踪、激光寻位、视觉获取。智能焊接系统能够通过传感器实时获取焊接过程中的数据，利用先进的算法进行数据分析和处理。通过学习，系统能够逐步优化焊接参数和路径，实现自动化调整和优化，从而提高焊接的一致性和稳定性。

多传感器数据融合：智能焊接系统使用多种传感器，如视觉传感器、力传感器、温度传感器等，来实时监测焊接过程的各种参数。这些传感器数据能够在系统中进行融合，为焊接路径规划、参数调整和质量检测提供更准确的依据。

自适应性和实时反馈：智能焊接系统可以根据实时传感器数据对焊接参数进行自适应调整，从而应对焊接过程中的不确定性和变化。实时反馈机制能够使系统及时发现焊接质量问题，实现及早干预，避免缺陷的扩散^[8]。

智能决策与优化：支持参数化编程和图形化编程，输入指定参数，或者用鼠标选取焊接位置，即可自动生成程序。系统能够根据历史数据和模型预测，优化焊接参数，从而实现更高的焊接效率和质量^[9]。

人机协同：智能焊接系统可以与人类操作员进行有效的协同工作。操作员可以通过界面监控焊接过程，提供必要的指导和决策，同时系统也能够自主地进行焊接操作，减轻操作员的工作负担。

综上所述，智能焊接系统的设计和应用不仅能够提高焊接的质量和效率，还能够降低人为误差，减少资源浪费。随着人工智能技术的不断进步，智能焊接系统将在制造业中发挥越来越重要的作用，推动焊接技术的创新和发展。

2 焊接系统的传感器分类

焊接系统中使用的传感器多种多样，用于监测焊接过程中的各种参数和条件。传感器的选择取决于具体的焊接应用、焊接类型以及需要监测的参数^[10]。以下是一些常见的焊接系统传感器分类：

视觉传感器：视觉传感器用于捕捉焊接区域的图像，以便进行视觉检测和质量控制。这些传感器可以识别焊缝的位置、形状和质量，确保焊接的准确性和一致性。

力传感器：力传感器测量焊接过程中施加在工件上的力。这对于检测焊接质量、避免过度施加力量或确保合适的焊接压力非常重要。

电流传感器：电流传感器用于监测焊接电源的电流输出。通过监测电流，可以实时调整焊接参数，确保焊接的稳定性和一致性。

弧压跟踪传感器：弧压跟踪传感器是一种用于监测焊接过程中弧压(arc voltage)的传感器。弧压是电弧焊中一个重要的参数，它与焊接电流和电弧长度密切相关。通过监测弧压，焊接系统可以实时调整焊接参数，以确保焊接质量和稳定性。弧压传感器可以应用于不同类型的电弧焊接过程，包括金属惰性气体保护焊（MIG焊）、氩弧焊（TIG焊）、弧焊等。

位移传感器：位移传感器用于监测焊接机器人的运动，确保其在焊接过程中准确移动到目标位置。

实际应用中可能会使用多种传感器的组合，以满足具体的焊接需求。传感器的集成使得焊接系统能够实现实时监测、控制，从而保障质量。

3 智能焊接系统的软硬件设计

机器人智能焊接系统的架构包含硬件和软件两个方面，它们共同构成了实现自动化、智能化焊接的系统。

3.1 硬件架构

机器人智能焊接系统硬件核心部件架构见图1。

核心部件如下：

焊接机器人：焊接机器人是系统的核心组件，负责根据预定的路径和参数执行焊接任务。可以是多关节的工业机械臂，具备高精度和高自由度的运动能力。

焊接电源：焊接电源提供所需的电能以产生焊接弧或电弧。不同类型的焊接，如电弧焊、激光焊、等离子焊等，可能需要不同类型的焊接电源。

传感器系统：传感器系统用于实时监测焊接过程中的各种参数，包括焊接温度、焊接速度、焊接电流等。常见的传感器包括视觉传感器、力传感器、温度传感器等。

焊接工具和末端执行器：包括焊枪、电极、夹具等，用于焊接材料。末端执行器，如夹爪，用于在焊接过程中持有工件。

控制系统：控制系统负责管理和监控焊接过程，包括硬件控制器和软件控制器（例如运动控制器），用于实时控制焊接机器人的运动和参数。

电气系统：电气系统包括电缆、连接器、断路器等组件，用于提供电力和连接各个设备。

工作台或工作夹具：焊接过程中支撑工件的平台或夹具。它们通常设计成可以固定工件并提供良好的工作环境的装置。

安全系统：安全系统包括传感器、急停按钮、光幕等，用于监测和保护焊接系统的安全性。可防止事故发生，确保操作员和设备的安全。

通信模块：在某些情况下，焊接系统可能需要使用通信模块与其他系统或上级控制系统进行通信，以实现更高级的生产流程集成。

3.2 软件架构

机器人智能焊接系统软件控制架构见图2。

软件控制主要如下：

路径规划与轨迹生成：路径规划算法负责根据焊接任务和工件几何形状，生成适合的焊接路径。轨迹生成将规划的路径转化为机器人能够实际执行的轨迹。

运动控制：运动控制算法将生成的轨迹转化为机器人的具体动作指令，控制机器人的关节运动以实现精准的焊接路径跟踪。

实时数据处理：传感器采集到的焊接过程数据需要进行实时处理和分析，包括焊接参数的调整、质量检测等。

自适应控制：基于传感器数据和反馈，自适应控制算法可以实时调整焊接参数，以适应焊接过程中的变化和材料特性的变化。

环境仿真：基于先进的人工智能技术，系统可以做出智能决策，根据实时数据调整焊接策略，实现优化的焊接质量和效率。

用户界面：用户界面允许操作员与系统进行交互，监控焊接过程，进行参数调整以及接收系统状态和报警信息。

总体而言，机器人智能焊接系统的架构涵盖了从路径规划到控制算法、传感器数据处理、决策和用户界面的多个关键组件。这些组件协同工作，实现了自动化、智能化的焊接过程^[11]。不同的应用和需求可能会导致架构的细微差异，但上述组件通常是一个典型系统的重要部分。

4 焊缝跟踪算法实现

4.1 焊缝跟踪算法分类

焊缝跟踪算法是指用于自动检测和跟踪焊缝的计算机算法。通常应用于焊接过程中，以确保焊缝的质量和准确性。常见的焊缝跟踪算法和技术如下：

图像处理算法：使用计算机视觉技术，对焊缝区域进行图像处理和分析。常见的图像处理算法包括边缘检测、阈值处理、轮廓提取等，以识别焊缝的几何形状。

机器学习算法：利用机器学习技术，通过对已标注的焊接图像进行训练，使算法能够自动识别和跟踪焊缝。常见的机器学习算法包括支持向量机(SVM)、卷积神经网络(CNN)等。

光学传感器：使用光学传感器来获取焊接区域的信息，如激光传感器、视觉传感器等。这些传感器可以提供高分辨率的图像，用于检测焊缝的位置和形状。

热成像技术：利用热成像相机来检测焊缝区域的温度变化。焊接过程中，焊缝通常会有不同的温度分布，可以通过热成像技术来跟踪焊缝位置。

声学传感器：使用声学传感器监测焊接过程中产生的声音信号。焊缝的形状和质量与产生的声音信号相关，因此可以利用声学传感器进行焊缝跟踪。

PID控制系统：结合机械设备和运动控制系统，通过实时调整焊接头的位置和姿态来跟踪焊缝。通常涉及对焊接设备的自动控制。

深度学习算法：深度学习技术如循环神经网络(RNN)或长短时记忆网络(LSTM)可以用于处理序列数据，例如焊接过程中的图像序列，从而更准确地进行焊缝跟踪。

在设计过程中，主要采用了图像视觉和基本PID控制系统相结合的方法。

4.2 焊缝跟踪的实现

焊缝跟踪算法是机器人焊接系统中的关键部分，用于确保焊接枪或焊头能够准确地沿着焊缝进行移动，以保证焊接的质量和稳定性。

图像视觉处理算法实现如下：

图像采集：使用视觉传感器（例如摄像头）采集焊接区域的图像。

图像预处理：对采集到的图像进行预处理，包括去噪、图像增强、边缘检测等操作，以提取焊缝的轮廓和特征。

焊缝检测：根据预处理后的图像，使用边缘检测算法或其他图像处理方法，检测焊缝的位置。

特征提取：特征提取是计算机视觉和图像处理领域中的一个关键步骤，用于从原始数据中提取关键信息或特征。在焊缝跟踪或其他图像处理应用中，特征提取有助于识别和描述感兴趣的目标，如焊缝的形状、位置、方向等，从检测到的焊缝轮廓中提取特征，如焊缝的起始点、终止点、中心点等。

跟踪算法：根据提取的特征，设计跟踪算法，使焊枪或焊头能够沿着焊缝轨迹移动。以下是使用了PID控制的跟踪算法：

1) 设定目标点：将焊枪或焊头的当前位置与焊缝起始点进行比较，设定一个目标点作为焊枪的目标位置。

2) 计算偏差：根据目标点和当前位置计算出偏差，即焊枪需要调整的距离。

3) PID控制：控制的跟踪算法是一种常见的控制方法，用于实现系统对目标轨迹或目标值的准确跟踪。在机器控制、自动化和机械系统中，PID控制经常被用于实现位置、速度或其他物理量的跟踪。在跟踪算法中，PID控制的目标是使误差最小化，使系统的输出能够快速、稳定地追踪给定的目标值或轨迹。对于一个典型的跟踪问题，比如机器人在平面上的位置控制，可以将PID控制用于横向位置（X轴）、纵向位置（Y轴）以及可能的角度控制。根据偏差计算出控制信号，控制焊枪的移动。

4) 循环迭代：在每个控制周期内，根据当前位置和目标点重新计算偏差并进行PID控制，使焊枪持续地沿着焊缝轨迹移动。

实时更新：在焊接过程中，不断地采集图像、提取特征并进行跟踪算法的计算，以确保焊枪始终跟随焊缝。

4.3 防碰撞预检测

碰撞检测算法是用于判断物体是否相交或可能发生碰撞的一类算法。在机器人、虚拟现实、计算机图形学等领域，碰撞检测算法被广泛应用。常见的碰撞检测算法如下：

包围盒检测(bounding box detection，BBD)：包围盒是一个简单的几何形状，通常是一个矩形或立方体，用来包围物体。碰撞检测首先检查包围盒之间的相交关系，然后再对实际几何模型进行更精确的检测。这种方法速度较快，特别适用于大型场景。

包围球检测(bounding sphere detection，BSD)：与包围盒类似，包围球是一个包围物体的简单几何形状，通常是一个球。包围球检测同样用于快速相交检测，特别适用于不规则形状的物体。

分层包围体(bounding volume hierarchy，BVH)：BVH是一种层次结构，通过递归地将场景划分为包含越来越小的包围体，从而加速碰撞检测。这种方法在大规模场景中非常有效，例如在计算机图形学中用于实时渲染。

几何模型间的直接相交检测：对于简单的几何模型，可以直接计算其相交关系。例如，对于球、三角形、多边形等几何形状，有一些专门的相交检测算法。

分离轴定理(separating axis theorem，SAT)：SAT是一种用于检测凸多边形相交的算法。它基于一种观点：如果两个凸多边形不相交，那么一条直线（分离轴）必然可以将它们分开。

光线投射法：在虚拟现实和计算机图形学中，使用光线投射法进行碰撞检测。这种方法模拟光线从观察者位置射出，检查光线是否与场景中的物体相交。

快速近似碰撞检测：一种用于快速近似碰撞检测的算法，特别适用于高度动态的环境，例如机器人在移动时的碰撞检测。

深度学习方法：使用卷积神经网络(CNN)等深度学习技术，可以学习复杂物体的碰撞关系。

碰撞检测算法取决于应用场景的特点、要求的准确性和计算资源的可用性。在实际应用中，通常会结合多种算法以提高性能和精确性。碰撞实际发生时，物体会变为红色，用以警示，见图3。

5 焊接参数库和焊接参数的优化

焊缝提取、焊接参数库的设计、焊接参数优化和轨迹调整在机器人焊接系统中起重要作用，有助于提高焊接质量、效率和一致性^[12]。

5.1 焊缝提取

焊缝提取是指从焊接区域的图像中提取出焊缝的形状、位置和方向等关键信息。这是焊缝跟踪和焊接质量控制中的重要步骤。常见的焊缝提取方法和技术如下：

边缘检测：使用边缘检测算法，如Canny算法、Sobel算法等，可以帮助识别焊缝区域的边缘。焊缝通常在图像中形成亮度变化明显的区域，边缘检测有助于定位这些变化。

霍夫变换：霍夫变换是一种常用于检测图像中直线的方法，对于焊缝这样的线状结构非常有效。通过霍夫变换，可以从图像中提取出焊缝的直线特征。

轮廓提取：使用轮廓提取算法，例如OpenCV中的轮廓查找功能，可以找到焊缝区域的外部边界。轮廓提取对于焊缝形状的描述非常有用。

形态学运算：利用形态学运算，如腐蚀和膨胀，可以对图像进行形态学处理，从而强调焊缝的结构特征。形态学运算也有助于消除图像中的噪声。

纹理特征提取：对于焊缝区域的纹理特征，可以使用灰度共生矩阵(GLCM)等方法进行提取。这些特征能够描述焊缝表面的细节和纹理。

模型拟合：使用数学模型（直线、曲线等）拟合焊缝的形状。这种方法适用于焊缝边界清晰、形状规则的情况。

深度学习方法：利用深度学习技术，特别是卷积神经网络(CNN)，可以端到端地学习和提取焊缝的特征。需要大量标注好的数据集和相应的深度学习模型。

颜色信息利用：如果焊缝区域在图像中具有特殊的颜色，可以利用颜色信息来提取焊缝，在彩色图像处理时特别有用。

选择哪种焊缝提取方法通常取决于焊接工艺、图像质量、焊缝形状和应用需求，通常情况下，结合多种方法以增强鲁棒性是常见做法。

5.2 焊接参数库设计

图4为焊接参数库设计软件界面。

参数分类：将焊接参数按照焊接过程的不同方面进行分类，例如电流、电压、速度、焊接角度等。

材料与焊缝类型：基于不同的焊缝类型和焊接材料，建立针对不同情况的参数库，以确保参数的合理性和适应性。

参数命名和标识：设计清晰的参数命名和标识规范，使参数易于辨识和管理。使用有意义的缩写或名称，以便操作员能够快速理解参数的含义。

默认值设定：为每个参数设定默认值，以便在缺乏明确参数设定时使用。

参数说明文档：为每个参数提供详细的说明文档，包括其作用、适用范围、影响等信息，以便操作员理解和选择合适的参数。

参数版本控制：当系统升级或焊接要求变化时，及时更新参数库，并确保操作员能够选择正确的参数版本。

5.3 焊接参数优化

图5为焊接参数优化界面。

参数优化流程：包括数据采集、分析、优化、验证等步骤，以确保优化过程的科学性和可追溯性。

数据采集与分析：使用传感器监测焊接过程中的关键参数，如焊接电流、电压、温度等，采集大量数据用于分析。

统计分析：对采集到的数据进行统计分析，识别焊接过程中的关键影响因素以及参数的优化空间。

设计实验：根据统计分析的结果，设计一系列实验来测试不同参数组合下的焊接效果，以获取实验数据用于优化。

优化算法：使用优化算法（如遗传算法、粒子群优化等），根据实验数据，自动地找到最优的参数组合。

验证与调整：将优化后的参数应用到实际焊接过程中，验证其效果，并根据实际情况进行调整。

持续优化：定期进行参数库和参数优化的审核和更新，以适应焊接材料和焊接要求的变化。

焊接参数库的设计和参数优化需要综合考虑焊接材料、焊缝类型、焊接设备和实际要求等多个因素。通过科学设计和持续优化，可以提高焊接质量和效率，减少焊接缺陷的产生^[13]。

5.4 轨迹调整

图6为自动生成轨迹调整界面。

智能焊接轨迹调整是指利用先进的智能化技术，通过实时感知、分析和控制，使焊接系统能够智能地适应不同工况和工件形状的变化，提高焊接的精度和稳定性。常用的技术和方法如下：

机器学习和深度学习：利用机器学习和深度学习技术，通过大量的焊接数据进行训练，使系统能够学习和识别不同焊接情况下的最佳轨迹。深度学习模型如卷积神经网络可以用于图像识别和特征学习，为智能轨迹调整提供基础。

视觉传感器和实时图像处理：使用高分辨率的视觉传感器，结合实时图像处理技术，能够对焊接区域进行高精度的监测和分析。视觉信息可以用于检测焊缝、工件表面的变化，并为轨迹调整提供实时反馈。

传感器融合：结合多种传感器信息，如视觉、激光、力传感器等，通过融合数据来生成更全面的焊接轨迹调整策略。有助于应对复杂的焊接场景。

自适应控制算法：系统能够根据实时获取的焊接区域信息和工件表面的变化情况，自动调整焊接轨迹，以确保焊接的质量和一致性^[14]。

实时轨迹规划：利用实时测量的焊接区域信息，进行实时轨迹规划。通过调整焊接路径、速度和焊接参数，系统可以适应工件表面的变化和形状的不规则性。

力控制和力反馈：使用力传感器监测焊接过程中的力信息，系统可以根据力的变化调整焊接轨迹。有助于适应不同工件的变化和材料性质。

实时反馈和闭环控制：在焊接系统中使用闭环控制，通过实时反馈的误差信息，自动调整焊接轨迹，以确保焊接的准确性和一致性。

模型预测控制：通过对焊接过程的建模和预测，实现对轨迹的智能调整。

远程监控和调整：利用云端技术，实现远程监控和调整焊接系统。通过集中管理和分析数据，实现对多个焊接设备的智能协同控制^[15]。

通过整合智能技术，焊接系统可以在实时、自适应的基础上进行轨迹调整，提高焊接质量、效率和适应性，降低废品率。

6 实验案例分析

本机器人智能焊接系统在安徽鸿路钢结构（集团）股份有限公司进行了验证，实际场景如图7所示。该系统用于钢结构的焊接生产，由机器人控制器、机器人示教器、焊接设备、传感器、控制系统、直线滑轨等组成，系统硬件布局见图8。

在焊接过程中，机器人根据预先设定的焊接路径和参数，自动完成钢结构的焊接工作。传感器实时监测焊接过程中的焊接轨迹，进行自动纠偏，确保焊接质量。控制系统则对机器人和焊接设备进行精确控制，实现自动化生产。通过引进机器人智能焊接系统，该钢结构制造公司实现了焊接生产的自动化和智能化，大大提高了生产效率和产品质量。焊接前展示见图9，焊接后效果见图10，满足了生产的需要，同时，由于减少了人工操作，也降低了生产成本和安全隐患。

智能焊接系统在钢结构领域的应用具有巨大的潜力和前景。未来智能焊接系统将更加智能化，引入更先进的人工智能、深度学习和机器视觉技术。这将使系统更具自主性和学习能力，从而实现更高精度的焊接和更强的适应能力。同时随着物联网的发展，智能焊接系统可能实现网络化管理和远程控制，使工程师可以远程监控和管理焊接过程，进一步提高效率。另外，大数据和数据分析技术将在智能焊接中发挥更大作用，实时采集的数据可以用于预测维护、质量分析和决策制定。

7 结论

随着现代制造业的发展和科技的进步，智能焊接系统在钢结构领域的应用正逐步展现出巨大的潜力和价值。本文深入探讨了智能焊接系统在钢结构制造中的关键作用，从系统架构、路径规划、控制算法、焊接参数优化等多方面进行了综合分析和验证。

通过案例研究，可以看到智能焊接系统的应用不仅可以显著提高焊接质量和效率，还能够降低人为误差、提高操作安全性，并为钢结构领域的发展注入新的动力。智能化技术的引入使焊接过程更加精准、稳定，同时也为工程师提供了更多的数据支持，以便进行数据驱动的决策和优化。

然而，在智能焊接系统的推广和应用过程中仍然存在一些挑战，如技术集成、人员培训、安全问题等。应对这些挑战需要行业各方的共同努力和不断创新^[16]。同时，未来智能焊接系统将更加智能化、多样化，引入更多的先进技术和算法，为钢结构制造领域带来更大的变革。

综上所述，智能焊接系统在钢结构领域的应用是一个不断发展的领域，它不仅推动了焊接工艺的升级，也为钢结构制造提供了更高质量、更高效率的解决方案。

参考文献

[1] 范俊峰, 景奉水, 方灶军. 基于视觉传感的焊缝跟踪技术研究现状和发展趋势[J]. 热加工工艺, 2017, 46(5): 6-10, 14.

[2] 唐新华, DREWS P. 机器人三维可视化离线编程和仿真系统[J]. 焊接学报, 2005, 26(2): 64-68.

[3] 陈善本, 林涛, 陈文杰, 等. 智能化焊接制造工程的概念与技术[J]. 焊接学报, 2004, 25(6): 124-128.

[4] 王伟, 张亮, 李明. 基于视觉传感器的机器人焊接路径规划研究[J]. 机械工程学报, 2020, 56(4): 174-182.

[5] 王建国, 李华, 张涛. 基于深度学习的焊接缺陷智能检测与分类[J]. 焊接技术学报, 2022, 59(3): 87-93.

[6] 陈志, 张文, 李明. 智能化焊接参数优化的研究与应用[J]. 焊接学报, 2019, 38(5): 15-21.

[7] 李强, 刘涛, 赵晓阳. 机器人焊接过程中的自适应控制策略研究[J]. 自动化学报, 2018, 44(12): 2185-2194.

[8] 张琦, 王建国, 周明. 智能化焊接质量控制技术研究与应用[J]. 制造业自动化, 2019, 41(4): 39-45.

[9] 刘华, 王明, 张红. 基于遗传算法的焊接参数优化研究[J]. 焊接技术, 2020, 49(2): 18-23.

[10] 陈新, 吴斯文, 卢伟. 机器人焊接基于视觉的自适应焊缝跟踪技术综述[J]. 机器人与计算机集成制造, 2017, 46(1): 1-12.

[11] 曹静, 余亮, 范阳. 钢结构自动化焊接系统的研究与开发[J]. 工程结构, 2018, 158(4): 428-441.

[12] 李明, 张晓东, 刘伟. 多传感器融合的智能焊接过程监测与质量控制[J]. 制造工程, 2021, 66(2): 199-212.

[13] 裴志刚, 黄科辉. 基于人工智能下的视觉识别焊接机器人的研究展望[J]. 能源研究与管理, 2019(3): 17-18, 23.

[14] SMITH J D, JOHNSON R W. Intelligent welding systems: a review of current research and future trends[J]. Journal of Manufacturing Processes, 2019, 36: 439-459.

[15] SMITH J, ZHANG Y, WANG K. Application of machine learning in welding process monitoring and control[J]. Advanced Materials Research, 2021, 12(2): 67-78.

[16] 王艳. 浅析焊接机器人技术及其发展[J]. 科技经济导刊, 2019, 27(24): 62.