近日，北京工業(ye) 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》發表，這是北工大機械與(yu) 能源工程學院以第一完成單位在《Nature》子刊發表的首篇論文，標誌著學校在機械工程領域取得重要進展。北京工業(ye) 大學為(wei) 論文第一完成單位，機械與(yu) 能源工程學院蔣凡教授為(wei) 本文唯一通訊作者，博士後劉靖博為(wei) 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(wei) 共同作者。

研究背景與(yu) 挑戰

工業(ye) 人工智能驅動的數據模型對製造自動化和數字化轉型意義(yi) 重大，但構建時受數據質量、模型準確性和泛化能力等複雜關(guan) 係製約。數據質量是基礎，隨著數據量增加，模型結構穩定性或提升，但要同時提高準確性和泛化能力，需指數級增長的數據資源。在實際工業(ye) 場景中，模型不僅(jin) 要平衡數據質量與(yu) 性能，還需滿足低缺陷檢測率、高穩健性和強擴展性等多維度要求。

在機器人焊接製造場景中，這些挑戰尤為(wei) 突出。複雜焊接路徑和操作條件下，自動化焊接困難重重。以商業(ye) 航空航天領域為(wei) 例，航天器燃料箱和空間站密封外殼等結構製造，需兼顧小批量生產(chan) 與(yu) 動態加工場景的複雜性，對焊接精度和響應速度要求極高，當前技術難以滿足先進製造任務的高可靠性需求。

為(wei) 應對挑戰，研究人員運用數值模擬分析焊接過程的熱場、質量場和力場分布，探索數據驅動模型的實時預測潛力。數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(xi) 在焊接製造中的應用雖降低實驗成本，但工作流程依賴高質量數據，對複雜熱流體(ti) 耦合建模能力不足，限製了泛化能力和穩定性。

機器人變極性等離子弧（VPPA）焊接技術是可靠的鋁合金焊接方法，能有效控製焊接缺陷，但因其複雜的多物理場耦合效應和動態特性，在複雜操作條件下仍麵臨(lin) 挑戰，焊接過程不穩定會(hui) 導致中斷，增加生產(chan) 周期和成本，因此實現先進的預測能力至關(guan) 重要。

PHOENIX框架與(yu) 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

基於(yu) 上述認識，研究團隊提出焊接高效神經智能物理信息混合優(you) 化框架（PHOENIX）。該框架通過將物理知識嵌入多源數據輸入、模型架構設計和優(you) 化過程，降低對大量高成本數據集的依賴，提高在複雜工業(ye) 場景中的預測準確性和穩健性。

PHOENIX框架通過分層結構嵌入物理信息，涵蓋工程專(zhuan) 業(ye) 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據驅動模型的輸入、訓練、推理和優(you) 化階段，有效解決(jue) 傳(chuan) 統模型在工業(ye) 智能應用中的關(guan) 鍵瓶頸。以機器人VPPA焊接為(wei) 例，該框架展現出可靠的預測性能和適應性，在小批量數據訓練下，能提前0.05秒實現精確的不穩定預警，預測準確率達 98.1%，為(wei) 焊接和增材製造技術提供通用解決(jue) 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(ge) 關(guan) 鍵模塊組成：機器視覺模塊用於(yu) 捕捉熔池動態和形態特征；超前預測模塊帶有物理信息輸入，實現早期不穩定檢測；數據驅動的物理鞍點建模模塊，結合低成本數據與(yu) 關(guan) 鍵數據預測熔池行為(wei) ；增量學習(xi) 模塊通過融合先驗數據和新數據，動態調整模型參數。

機器人 VPPA 焊接數據集構建

在機器人VPPA焊接製造中，多種因素會(hui) 導致熔池不穩定，中斷焊接過程，增加成本。為(wei) 應對挑戰並推動PHOENIX框架發展，研究人員收集低成本數據（工業(ye) 相機數據）和關(guan) 鍵數據（原位高速X射線采集係統數據），並對數據進行標注，將熔池狀態分為(wei) 準穩定、非穩定和不穩定三類。

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

數據驅動的物理鞍點建模

由於(yu) 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(wei) ，提出雙鞍點流動模型，發現離子氣流量和電流等對鞍點位置和流動通道麵積有顯著影響。將準靜態焊接特征作為(wei) 物理約束條件，構建數據驅動的物理鞍點模型，實現用低成本數據預測關(guan) 鍵特征。

研究團隊提出基於(yu) 條件的神經調節（CBN）-反向傳(chuan) 播神經網絡（BPNN）方法，將物理信息注入數據驅動模型，增強模型泛化能力，降低對大規模數據集的依賴。實驗表明，CBN-BPNN（MIMO）模型在多個(ge) 指標上優(you) 於(yu) 其他方法，具有更穩定可靠的性能。

基於先驗數據與新數據融合的動態模型參數調整

深度學習(xi) 模型的泛化能力和實時性能是其在實際工業(ye) 部署中的關(guan) 鍵限製因素。為(wei) 應對這一問題，研究團隊提出基於(yu) PHOENIX 框架的動態模型參數調整方法，通過增量學習(xi) 融合先驗知識與(yu) 新經驗，使模型自主優(you) 化參數。

利用分布式雙邊緣計算係統與(yu) 雲(yun) 技術，對預測模塊進行微調。通過凍結模型某些層、重新平衡數據比例、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(yi) 和機器視覺模塊輔助場景感知和焊縫狀態監測，對數據進行校正，提高數據處理效率和模型穩健性。實驗表明，該方法能使超前感知模塊在類似複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(yu) 數據驅動模型結合，在機器人 VPPA 焊接應用中取得顯著成效，實現了高準確率檢測、降低數據依賴和增強自適應能力等目標，為(wei) 智能製造係統提供新視角和可行途徑。

研究進一步分析了熔池失穩機製，發現 VPPA 焊接熔池內(nei) 熔融金屬定向流動和鞍點行為(wei) 的動態穩定性對焊接過程穩定性至關(guan) 重要。將熔池動態特征納入模型構建和優(you) 化，可提升模型性能和焊接質量預測能力。

然而，研究仍麵臨(lin) 一些挑戰。如如何在物理信息與(yu) AI 模型黑箱特性間找到平衡，如何減少曆史數據對當前模型的影響以實現自適應學習(xi) ，以及如何增強對不同生產(chan) 規模的適應性並降低部署成本等，這些問題有待進一步研究。

本研究實現了物理信息與(yu) 數據驅動模型在機器人焊接場景中的融合，為(wei) 智能焊接技術奠定基礎。PHOENIX 框架具有高度泛化能力，在更廣泛的製造領域和檢測監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(ge) 項目的支持和資助。