http://jst.tsinghuajournals.com/article/2023/4340/1693562319036-1569017985.htm

面向大型结构件爬行机器人智能焊接技术

冯消冰1,2fxb@botsing.net, 王建军3, 王永科3, 陈苏云2, 刘爱平2
摘要：大型结构件的焊接在船舶制造、油气化工、核电工程、能源电力、建筑钢构和轨道交通等高端制造领域中应用广泛, 传统手工焊以及轨道小车、龙门吊等半自动焊已无法满足高效、高质量的焊接要求。大型结构件智能化焊接成为发展趋势, 以无轨导全位置爬行焊接机器人为代表的智能化装备正逐步推动解决大型结构件的自动化焊接问题。该文首先系统介绍了国内外面向大型结构件焊接的智能机器人研究现状, 并对有轨和无轨机器人的应用场景及优缺点进行比较, 分析认为无轨爬行机器人的灵活性好、适应性强, 更适用于大型结构件的焊接。其次, 针对大型结构件多层多道焊接时因机械加工、装配、热变形、焊道过多、焊缝堆叠等导致的焊接精度及焊接质量难以保证等问题进行分析, 认为自动打底和多层多道自动排道技术还存在多项难点亟待突破。最后, 从自动打底、焊缝跟踪、多层多道自动排道方面对相关技术的探索进行归纳, 预测了多模态深度学习和多传感器融合技术将成为引领焊接机器人发展的关键技术, 为大型结构件的智能化焊接提供方向性指导。
关键词：大型结构件 全位置焊接爬行机器人 智能化 自动打底焊接 多层多道自动排道
Intelligent welding technology for large structures crawling robot
FENG Xiaobing1,2fxb@botsing.net, WANG Jianjun3, WANG Yongke3, CHEN Suyun2, LIU Aiping2
Abstract: [Significance] Welding has reached a very important position in large structural workpieces. The welding of large structural members also has been covered many fields, including high-end manufacturing fields such as shipbuilding, oil and gas chemical industry, nuclear power engineering, energy and power, building steel structure, and rail transit. The problems of traditional manual welding are instability and low efficiency. Even semi-automatic welding such as gantry welding and rail robot welding, which has not yet to meet the requirements of more efficient and high-quality automation industry. The welding development trend of large structural parts is more intelligent and automatic welding. In this case, the welding robot that has no track and can crawl in all positions has become the representative of intelligent welding equipment, and gradually has promote and solve the automatic intelligent welding of large structural parts. [Progress] In this paper, the research status of intelligent robots for welding large structural parts at home and abroad was systematically introduced, and the welding robots were classified according to the welding robots with and without rails. The application scenarios, advantages and disadvantages of these two types of welding robots were compared. Through these comparisons, it was concluded that the welding robot without rail was more suitable for welding large structural parts because of its better flexibility, adaptability and convenience. There were many problems in the welding process of large structural parts, especially when multi-layer and multi pass thick plates were welded. At the same time, these problems caused low welding process accuracy and low welding quality. Problems included low machining accuracy, inaccurate assembly, metal thermal deformation, many weld passes, weld beads stacked together and many other reasons. In the welding of large structural parts, there were still many difficulties that need to be solved urgently. Automatic backing welding technology and multi-layer and multi-channel automatic routing technology were two very critical and difficult problems that hindered the progress of the welding industry. Until now, the backing welding of large structural parts has mainly depends on manual work, because backing welding was the first weld connecting two welding workpieces, which was very critical in the whole welding process. In the process of automatic backing welding, there were strict requirements on the assembly clearance, unfitness, blunt edge, curling and welding heat input. If these factors were not well controlled, a large number of welding defects such as missing welding and incomplete welding would occur in the process of backing welding. Multi layer and multi pass welding also depended on manual arrangement to cause unstable welding quality. Therefore, it was more and more important to automatically plan the number of welding passes and layers, arrange the welding sequence, determine the position coordinates of each weld pass and adjust the welding parameters. [Conclusions and Prospects] Based on this situation, this paper summarizes the exploration of related technologies from the aspects of automatic backing welding technology, seam tracking technology, multi-layer and multi-channel automatic lane arrangement technology, etc. Multi-modal deep learning and multi-sensor fusion technology are widely used in many fields, and have become a concern in military, industrial and high-tech development. Thus, these two technologies will be the key to developing welding robots and provide guidance for the intelligent welding of large structural parts. In the future, artificial intelligence technology will lead the welding robot to achieve better welding quality.
Key words: large structural parts all-position crawling robot intelligence automatic back welding multi-layer and multi-channel automatic lane arrangement
焊接是一种重要的工艺制造技术，在推动工业发展和产品进步上发挥着重要作用，广泛应用于航天航空、造船、核工业、建筑等领域。焊接环境恶劣，不仅存在焊接烟尘、有害气体，还有弧光辐射、高频电磁波、噪声等，且工作强度大，对工人的身体健康危害大。随着科学技术的发展，焊接机器人的推广使用使焊接生产效率和生产质量产生了质的飞跃，同时也改善了工人的劳动环境。

现有的焊接机器人分为工业机器人[1]、龙门架式机器人、爬行焊接机器人等。车间环境下工业焊接机器人已经广泛应用于汽车、工程机械等行业，这类机器人多为轴关节式固定坐标系的机器人，采用编程示教再现的方式工作，根据焊接规格预先设置行走轨迹、焊枪位姿和焊接参数，但工作范围较小、活动半径受限，导致灵活性不足；另外，对不规则的焊缝，特别是焊接过程中发生形变的焊缝，也很难进行实时调整。

龙门架式焊接机器人在焊前将待焊件划分为不同子区域，由移动传输结构将焊接机器人移送到各焊接子区域进行焊接，各子区域焊接完成后，整个工件即完成焊接。移动传输结构多为二维工作台，在保证焊接精度的情况下，二维工作台和现有固定坐标系焊接机器人集成为一体，扩大了焊接操作范围，但同样受到空间尺寸的限制，且成本相对较高。

移动焊接机器人[2]具有吸附性能稳定、移动性良好和不断优化的智能“大脑”的特点，成为自动化焊接大型结构件的有力工具。尽管自主移动机器人的实用化研究还不够完善，但使用自主移动机器人是解决无轨道、无导向、无范围限制焊接的良好方案。

本文对爬行机器人智能化焊接进行的综述中不仅包含最经典和最新的研究成果，还展望了大型结构件自动化焊接领域未来的研究方向。

1 爬行机器人国内外研究现状

市场经济竞争激烈，企业为更好地保护研发成果，90%以上的企业会通过专利申请使发明创造得到法律保护，因此本文将结合2020年前爬行焊接机器人专利申请情况对行业发展的宏观方面[3]进行分析，主要反映行业整体发展状况，包括行业发展趋势和热点技术及分布。受发明专利申请满18个月公开制度的限制，2019年和2020年的申请的专利尚未完全公开，因此2019、2020年的数据不具有完全的统计学意义。

随着计算机、机器人、自动控制等技术的发展，爬行焊接机器人技术逐渐发展，尤其在高校和研究机构的推动下，不断推出新型爬行移动机器人及有导轨移动焊接机器人。如图 1所示，1968年全球首次出现有关移动焊接机器人的专利申请；2012年之后，该技术的发展进入快速上升期，年专利申请量持续增加；2016年专利申请量首次突破500件，达544件；2019年专利申请量达到693件的历史最高峰值。可预见，随着人力资源红利的消失以及人工智能和网络相关技术的发展，未来几年，爬行焊接机器人专利的数量将呈现快速增加的势头。

点击查看原图
图 1 爬行焊接机器人全球专利申请趋势
图选项

由图 2可知，爬行焊接机器人本体设计的专利申请数量最多，几乎占到总量的70%，其次是机器人控制，约占20%，再次是焊接工艺和焊枪调节，排名最后的是分析算法。自2015年以来，本体设计和机器人控制的专利申请量增幅最大，说明这2项技术是近5年来研究的热点。

点击查看原图
图 2 各主要技术的申请趋势对比
图选项

将爬行焊接机器人专利数据按各技术分支统计后，爬行焊接机器人专利一级技术分布如图 3所示。由图 3可知，爬行焊接机器人专利一级技术主要集中在本体设计，为3 002件，占比62%；其次是机器人控制，为1 100件，占比25%；第3是焊接工艺，为317件，占比7%；第4是焊枪调节，为154件，占比3%；最后是分析算法，为127件，占比3%。

点击查看原图
图 3 爬行焊接机器人专利一级技术分布
图选项

1.1 轨道式焊接机器人

有轨式爬行机器人行走稳定，能较好地完成焊接任务，多种工况场景均有应用，现简要介绍市场上业内较为关注的产品情况。

加拿大古尔科公司(Gullco International)的新款轨道式焊接机器人[4]如图 4所示，控制面板及旋钮设置于车体上，焊接过程中参数调节不便，且控制焊枪的滑动模块均需手动调节，若初始设置参数与实际情况偏差较大，则在焊接过程中无法及时调整，自动化程度较低。

点击查看原图
图 4 轨道式焊接机器人[4]
图选项

成都熊谷加世电器有限公司的产品主要面向大管径长输管线焊接场景，采用如图 5所示的内焊机[5]完成管道组对和内部根焊，再通过有轨式焊接机器人完成后续的热焊、填充、盖面等工序，焊接效率高。但该种作业方式仅适用于长输管线标准直径，即813、1 213、1 413 mm的管道。北京博清科技有限公司的管道焊接机器人则主要解决管径小于800 mm和大于1 500 mm的管道焊接，无需铺设轨道，通过激光跟踪即可实现全位置焊接。该产品已在揭阳长输支线项目实现应用，采用纤维素打底、气保焊填充盖面的自动焊接工艺，填补了国内长输管线支线小管径自动焊接领域的空白。

点击查看原图
图 5 内焊机[5]
图选项

BUG-O Systems公司的Piper-Plus[6]是一款独立的、数字控制的机械化管道焊接系统。车体质量为27 kg，尺寸为50 cm×21 cm×25 cm，具有高熔敷率和较好的焊接质量，降低了管道焊接成本，增加的占空比和引弧时间显著提高了生产率。所有焊接参数，包括电压、送丝速度、电流、行程和振荡都可通过编程和数字控制进行调整，如图 6所示。

点击查看原图
图 6 Piper-Plus[6]
图选项

瑞典ESAB公司的Railtrac系列机器人[7]如图 7所示。该系统可控性较强、控制精度较高，可在焊接中实现低热量输入，提供均匀的熔深，操作人员可更好地控制焊接速度，但由于其轨道设计，无法实现多种场景的全位置焊接。

点击查看原图
图 7 Railtrac系列焊接机器人[7]
图选项

加拿大SERVO-ROBOT公司生产的MWR-100/350型是一种移动式焊接机器人，如图 8所示。可用于各种焊缝类型及焊接材料的全位置焊接，通过激光视觉传感器实现焊缝跟踪，配备了彩色视频摄像头，不仅能实现过程监控，还可远程编程示教，适用于球罐、储罐等大型焊接件的焊接工作[8]。

点击查看原图
图 8 MWR-100/350焊接机器人[8]
图选项

北京石油化工学院研制的一款管道焊接机器人[9]如图 9所示，采用内焊机与轨道式焊接机器人结合的方式进行管道焊接，适用于管径250~400 mm的管道，由内焊机进行打底焊，轨道式焊接机器人通过在轨道上移动完成焊接。该管道焊接机器人未配置激光模块，无法进行初始化定位及焊接过程中的跟踪调节。

点击查看原图
图 9 管道焊接机器人[9]
图选项

1.2 无轨爬行焊接机器人

有轨式爬行机器人行走稳定，能较好地完成焊接任务，但前期搭设脚手架、铺设轨道的工序复杂、耗时久，焊接完成后需拆卸回收工装，仅适用于有足够空间铺设轨道的直焊缝，且轨道多为刚性结构，柔性范围及跟踪方向有限，无法适应各类形式焊缝的变换，因此无法大范围推广，因此业内对无需铺设轨道的爬行机器人也进行了较多的探索。张轲等[10]研制的自寻迹舰船甲板焊接移动机器人如图 10所示，采用磁性轮式移动机构，搭载位置敏感探测器(posit sensitive detector, PSD) 外加扫描机构，实时获得焊缝偏差信息，实现自动寻迹功能，然而仅可用于舰船甲板平面横向大范围的移动焊接，作业场景受限，无法用于横立焊缝焊接。

点击查看原图
图 10 自寻迹舰船甲板焊接移动机器人[10]
图选项

中国东方电气集团有限公司开发了大型钢结构用爬行焊接机器人[11]工程样机，如图 11所示，该机器人采用接触式磁轮吸附和非接触式间隙吸附的复合结构，通过视觉传感器自主跟踪识别焊缝，遥控器远程实时调整焊接参数，最终实现双丝焊接作业。然而文[11]中“采用熔池监控传感器实现双丝焊枪的姿态调整”没有指出具体的技术路径，目前在工程中也没有实施案例。

点击查看原图
图 11 爬行焊接机器人[11]
图选项

美国田纳西机器人公司(Robotic Technologies of Tennessee)研发的爬行焊接机器人工程样机[12]如图 12所示，采用永磁履带机构，加拿大SERVO ROBOT或英国Meta公司传感器，具备焊缝跟踪功能，由于焊缝跟踪传感器非自主研发，在面对造船等复杂工况时，将无法针对关键核心技术或产品进行优化。

点击查看原图
图 12 焊接机器人[12]
图选项

Kermorgant[13]介绍了一种磁履带移动机器人的机械和控制设计，该机器人能承载包括自身重量在内共计100 kg的有效载荷，机器人可在垂直钢制船体上保持有效吸附并进行焊接，结合2D激光传感器，可实现长距离自主焊接，同时Kermorgant比较了激光传感器和焊枪分别位于车体中心时对焊接跟踪精度的影响。如图 13a所示，激光传感器在车体中心时感应焊缝偏差的能力不足，同时焊枪设置于车体尾部，当调节车体时焊枪角度与焊缝位置偏差大；如图 13b所示，当激光传感器前置，焊枪设置于车体中心时，焊接时车体中心温度过高，焊接飞溅和烟尘对焊接的影响较大，对磁吸附单元的稳定吸附性能及车体寿命影响很大。

点击查看原图
图 13 磁履带移动机器人[13]
图选项

北京博清科技有限公司研制的BOT-WTA20-322款无轨导全位置爬行焊接机器人如图 14所示，外形小巧紧凑，磁吸附履带与车架柔性连接，焊枪和激光跟踪传感器侧置于车体一侧，采用球铰仿形定位，更适于曲面爬行，最小曲率直径为3.5 m，根据作业环境设有局部防风罩，可抵御速度为8 m/s风的影响，对储罐的横立焊缝、角焊缝的焊接更具有针对性，查阅已有的文献与报道[14-30]，截至2022年，该机器人是目前世界范围内唯一一款实现中小型储罐自动化焊接工程化应用的产品，该产品已陆续应用于2018年中科炼化一体化湛江项目及2022年的茂名港产业集群焊接项目中。由于自动打底和多层多道排道技术的限制，该产品在部分复杂工况下仍需人工干预。

点击查看原图
图 14 BOT-WTA20-322款机器人项目应用图
图选项

无轨爬行机器人[31-34]无需预先铺设轨道，可在待焊接壁面移动，既能解决吸附的可靠稳定性，又能兼具移动的灵活性，适应性强，搭载焊接模块和图像处理模块，能够完成焊接工作。通过无轨爬行机器人实现大型结构件的自动化焊接是业内认可的一种解决方案，科研人员对爬行机器人自动化焊接应用开展了探索和研究，并且在爬行机构、机器人控制等方面取得一定的成果。但大型结构件装配一致性较差，如装配间隙参差不齐、间隙过大、错边超差等情况，增加了自动打底的难度。焊接是熔融金属不断结晶的过程，结晶过程中产生的焊接应力会导致试板的变形，其变形会贯穿整个焊接过程，不利于焊接自动排道。另外焊接过程的电弧稳定性、焊接质量等无法实时反馈，焊接过程的实时调整难度很大。因此有必要对涉及的焊接打底、自动排道技术的最新进展进行总结，通过分析现有方法存在的问题，预测技术发展趋势。

2 关键性技术

目前，大型结构件焊接应用广泛，焊接结构向高参数、大型化和重型化方向发展，也要求焊接方法更加高效，主要包括埋弧焊、熔化极惰性气体保护焊(metal inert-gas welding，MIGW)、熔化极活性气体保护电弧焊(metal active gas arc welding，MAGW)、非熔化极惰性气体保护电弧焊(tungsten inert gas welding，TIGW)、等离子弧焊、激光焊等各种高效堆焊方法。焊接自动化、智能化的最终目标是无人焊接，在各种复杂环境的工程项目中都能通过计算机智能控制代替人工操作，因此，焊接智能化发展需求推动了各类传感器技术的发展，尤其是视觉传感器，对捕获焊缝信息、实时监控、自适应调整焊接参数和闭环控制焊接成形及质量等至关重要。自动打底及多层多道自动排道是大型结构件自动化焊接技术中最为关键的部分，这2项技术存在很多难点需要突破，以下着重从其发展现状、难点以及试验阶段的探索性研究进行分析总结。

2.1 焊接打底技术

焊接打底在多层焊接时非常关键，是第一道承接连接的焊缝，因此必须是最可靠的焊接方法才能用于焊接打底。

2.1.1 焊接打底现状
大型结构件中，针对长输管线主干线大口径和超大口径管道的打底焊接，已可实现部分自动化，即通过开双V坡口，采用固定口径的内焊机加外焊机的方式实现。但焊接的自动打底对制管、组对间隙、钝边和错边有严格的要求, 如组对间隙必须在±0.5 mm以内，否则需要采用专用设备重新加工直至符合焊接条件。针对大型结构件的复杂工况，焊缝火焰切割下料和人工打磨经常存在打磨反光、缺肉、形状不规则、错边、过T口和钉点等情况，以及焊缝跟踪过程中的弧光、烟尘等外界因素的干扰，这些都会导致焊接打底的不确定性，影响自动打底阶段的焊接稳定性和焊接质量。目前其他大型结构件焊接场景的打底焊接多由经验丰富的焊工手工焊接完成，效率较低。

2.1.2 焊接打底的难点
焊接打底对组对间隙、错边量、钝边量、卷边和焊接热输入量都有严格的控制要求。针对单面焊双面成形的打底焊接，在保证熔透根部的同时还要确保成形或不被烧穿，以及避免由背部余高过高导致的焊瘤等外观缺陷等，对于没有背部清根工序的焊接，保证打底焊接质量的难度很大，可能存在返修频率较高的情况，而返修频率过高又会带来其他隐患。

坡口根部组对间隙会直接影响背面焊缝的成形效果。当其他焊接参数恒定时，随着根部组对间隙的增大，背面焊道变宽，则向熔池填充的金属量增加，同时燃弧时间增加，造成电弧总作用力大于熔池的表面张力，会发生烧穿甚至背部余高过高或产生焊瘤[35]等问题；根部组对间隙减小时，背面焊道变窄，当间隙过小时会产生背部余高过低或未焊透的问题。根部组对间隙不均匀、工艺参数调整不及时，将直接造成焊接缺陷、影响焊接质量。钝边大小可直接影响根部的熔透深度。当其他参数不变时，钝边越大，越不容易焊透，必须通过增加焊接电流保证钝边被穿透，然而当焊接电流增加时会引起坡口金属填充量增多，造成打底焊接的焊道过于饱满，因此钝边不宜过大。钝边小或无钝边时容易焊透，但装配间隙大时，容易烧穿，因此要根据实际间隙大小、焊接电流大小选择钝边。错边是由坡口底部尖端未对中引起的，错边会造成坡口尖端间的距离大于预留的实际间隙，导致焊接热源作用位置偏移，焊缝左右两侧的熔深和熔宽不均匀，有限厚度减少、强度降低，形成应力集中，使焊缝应力不良，引起焊缝咬边或出现未焊透等焊接缺陷，直接影响焊接质量[36-37]。坡口角度也会对打底焊接有重要影响。通常坡口角度过大，散热面积变小，焊道金属填充量的增加将直接增加焊接成本；而坡口角度过小，虽然散热面积增大，当焊接电流较小时，电弧穿透力减小，易产生未焊透现象等。因此，要实现自动焊接打底需考虑各种因素的影响。尤其针对大型结构件的实际焊接应用场景，由于机械加工、装配造成的工件坡口尺寸偏差、工件夹紧时的变形以及焊接热变形都会影响焊接打底的精度和工艺参数的确定，造成焊接质量不能达到预期标准，因此需要配备检验员对焊接质量进行监控并完成补焊工作。这是目前焊接机器人或自动化焊接设备都没有解决的难题，也是手工焊难以被替代的原因。面对这种情况，高级焊工通过观测间隙变化、观测熔池动态情况，判断和控制熔孔的闭合和尺寸就能控制熔透和焊缝成形。

2.1.3 探索性研究
打底焊接过程中，正面熔池的信息可反映背面熔透的状态，焊接工人可通过视觉获取熔池信息判断熔透状态。因此，通过机器人搭载视觉传感器系统对动态焊接环境中的重要信号进行感知、采集和分析，是解决自动打底焊接的有效方法。通过视觉传感器采集熔池图像，采用熔池图像实时处理技术提取熔池形状、宽度等形貌特征，以及热对流、液态金属动态变化等信息，建立熔池形貌特征与熔透信息的关系，结合控制理论建立一个闭环控制系统，实现打底弧焊过程中的熔透控制，以保障焊接质量。目前，自动打底过程中熔透与否的判别方式主要采用基于熔池区域特征分析的自动打底试验和基于熔孔检测及熔孔动态分析的试验进行分析。

目前相关探索主要集中于熔池图像特征与熔透关系的试验分析和熔孔检测及熔孔动态分析与熔透关系的试验分析。近年来，许多学者对熔池图像处理方法和特征参数的提取方法等方面进行了一系列研究，主要包括边缘检测、阈值分割、形态学分析、主动轮廓模型、分形维数分割和混沌理论的图像分割等算法，拓宽了熔池图像处理的思路。罗祥等[38]提出了极坐标系下的灰度局部极小值与梯度局部极大值相结合的边缘候选点检测方法，该方法具有对初始轮廓不敏感的特性，可识别熔池弱边缘，定位精度准确、漏检率低，可获得光滑封闭的熔池轮廓，如图 15所示，该方法适用于钨极电弧焊的熔池图像处理，在焊接过程中具有良好的稳定性，易于获得质量优良的熔池图像。

点击查看原图
图 15 熔池轮廓分割结果[38]
图选项

高飞等[39]采用基于多尺度分形维数的图像分割方法，分析了弧焊熔池图像中的浮渣与熔池的分形维数和多尺度分形维数的特征，能同时分割浮渣和熔池尾部信息，因此认为能够将熔池区域的分割结果用于控制焊缝成形质量。姜天胜等[40]建立了熔化极气体保护焊(gas metal arc welding, GMAW) 的视觉传感打底焊试验系统，通过分析熔池图像，提取熔池面积与长宽比参数，并通过实验分析了不同焊接电流下的熔池面积、长宽比与熔透状态的对应关系。黄军芬等[41]开发了熔池的图像处理算法，提取熔池边缘轮廓，并计算熔池的特征参数，主要包括熔池面积、熔池最大长度、熔池最大宽度、熔池半长、熔池最大长宽比以及熔池前进角等信息。图 16为熔池图像形状特征提取过程，通过GMAW打底焊试验验证熔透状态的预测模型，其中图 16a为熔池原始图像，图 16b为阈值分割后结果，图 16c中内部的水滴形状区域为熔池区域，方框为水滴形状的最小外接矩形，2个图形交点为M、E、N、U。

点击查看原图
图 16 熔池图像形状特征提取过程[40]
图选项

熔孔是坡口边缘熔化后同熔池前壁所围成的贯穿工件的孔洞，间隙两侧母材都充分熔化才会出现熔孔。焊接过程中熔孔状态主要有熔孔出现过程、熔孔长大过程、熔孔稳定过程、熔孔渐缩过程和熔孔塌陷过程5种。熔孔状态是识别打底熔透效果的有效手段，保证打底焊接质量的重要因素，通过熔孔视觉检测与分析可推动自动打底焊接的工程化应用。文[42]通过对5种状态的分析，认为熔孔的出现、长大、稳定达到平衡是实现打底焊的基础，而要使熔孔状态连续稳定则需要焊接电流、焊接速度、送丝速度达到平衡状态。一旦平衡破坏，会导致熔孔出现渐缩现象或塌陷现象，熔孔塌陷会造成严重的焊接缺陷。李传宗[43]采用正面和背面熔孔图像处理来共同获取熔孔区域的特征，主要思路是通过图像增强、边缘提取、伪边缘去除的方法提取背面熔孔图像，并通过参数的优化增强图像处理算法的适应性。经过试验数据分析可知正面熔孔宽度表征能力较弱，而正面熔孔内弧焰长度可较强地表征熔透能力，同时背面图像的熔孔面积也能较好地表征熔透程度的结论。文[44]通过熔池温度、流动场以及匙孔行为的模拟，分析熔融金属的流动性，进而抑制焊接缺陷。文[45]认为液态金属的表面张力与温度直接相关，因此通过控制打底焊接时熔池温度及液态金属的动态性，保证焊接成形。周彦彬[46]分析了熔池液态金属的受力情况及焊缝成形的典型形貌，通过焊接熔池前端底部液态金属流动行为、温度分布及凝固行为，分析了打底稳定成形机制，及双电弧热源打底焊接单面焊双面成形时熔透均匀、熔池稳定性增加的原因，并对双电弧热源打底单面焊双面成形机制进行分析和试验验证。熔池图像分析建立在信息丰富的熔池图像获取的基础上，北京博清科技有限公司研发的熔池观测产品，不仅能够获取熔池区域形状、纹理空间关系等特征种类丰富的信息，同时还可观测焊缝周边信息，实现GMAW焊接的远程操作，如图 17所示。操作员无需在焊接区域直接监视焊接进程，而依靠熔池观测系统观察间隙变化、焊枪偏移或者焊丝位置等情况，通过远程界面操作及时做出调整，以保证自动化焊接机器人的正常运行。随着智能算法的发展和机器学习技术的进步，可应用于打底焊接熔池区域图像分割、特征提取及熔孔动态特性检测分析等方面，为提高打底焊接的成形质量提供基础。

点击查看原图
图 17 北京博清科技有限公司焊接打底熔池[46]
图选项

2.2 多层多道自动排道技术

2.2.1 自动排道现状
大型结构件焊接涵盖长输管线重点工程、大型石化工程、核电设施和大型船舶制造等领域，尤其随着基建及新基建的投入加大，建设步伐不断加快，对焊接设备的技术等均提出了更高的要求。大型结构件焊接具有板件厚、坡口大、组对困难、焊接质量要求高等特点，采用机器人进行多层多道焊接可降低热输入量、减少变形量，并保证焊接的强稳定性和高效性，因而广泛应用于大型结构件的焊接中。

目前在实际工程应用中，尤其是大型结构件V形或U形坡口的多层多道焊接中，各层的熔敷道数不同，多层多道排道还需依靠人工排列，焊接自动化程度不高，且人工排道会造成焊接质量不稳定。因此，能够自动规划焊接道数及焊接层数、编排焊接次序、确定每个焊道位置坐标及调整焊接参数的多层多道自动排道技术日趋重要。多层多道焊接轨迹规划是保证各层焊接平整、均匀的关键，对焊接质量、焊接连续性、成形美观和焊接效率等有重要意义。目前针对多层多道焊接，在焊接参数规划、焊缝填充策略和焊接专家系统等方面进行了大量的研究及试验工作。

在焊接参数规划方面，通常采用熔敷面积进行焊接参数规划[47]。假设焊丝直径d为固定值时，焊道的填充截面积S可由送丝速度F和焊接速度V定义为

S=πd2Fa4V.
(1)
其中a为熔敷系数。

但是，此种方法有一定的局限性，针对多层多道堆焊焊缝的不规则性，未考虑焊缝熔宽、堆高和熔深的关系，未能实现焊接参数的全面规划[48]。基于此，很多学者开展了研究，文[49]通过大量的焊接模拟试验数据，引入神经网络的方法，建立了输入参数(焊接电压、电流、送丝速度和焊接速度等)和输出参数(焊缝横截面积、焊缝熔宽、堆高和熔深等)的网络模型。通过试验验证说明使用该神经网络方法是有效可行的。

多层多道焊接轨迹规划应实现不同坡口形状和焊接参数下多层多道焊接的焊道排布，确定每个焊道的起止位置及焊枪的姿态，避免焊枪与工件的碰撞等问题。针对大型结构件焊接过程中的焊道截面形状不规则难以进行轨迹计算的问题，通常将焊道近似为三角形、菱形、梯形和平行四边形，根据坡口形状规划焊道的层数以及各层的道数信息，并确定多层多道焊接起止位置。以V形坡口为例实现焊道的形状简化，图 18为焊缝填充截面图，其中图 18a为实际填充截面图，图 18b为焊道排布的简化图。其中A焊道为填充层第1层，采用梯形进行简化；B焊道为填充层其他层的第1个焊道，采用平行四边形进行简化，C焊道为填充层其他层的最后一个焊道，采用梯形焊道进行简化。

点击查看原图
图 18 焊缝填充截面
图选项

对于焊道截面的规划, 主要有等高策略、等面积策略和自定义策略3种方法。等高策略, 规划所有焊道熔高一致, 则每层的熔敷面积不同。设焊缝填充层数为n
层, 第i
层共有mi
道焊道, i∈(0
, n)
, 该层焊道j
满足j∈(0,mi),H
为坡口的总填充高度, 根据等高策略计算每一层填充的平均高度h
为

h=h1=h2=⋯=hn=Hn.
(2)
建立坐标系, 原点为坡口底部中心的位置, 横坐标y
轴为道次编排顺序的方向, 纵坐标z
轴为垂直坡口方向，则第i
层j
焊道的横坐标yi,j
为:

yi,j=yi,0+∑l=0jSi,lh,
(3)
yi,0=yi−1,0−htanβ2.
(4)
其中: β
为V
形坡口角度, Si,l
为第i
层l
道的截面积, yi,0
为第i
层初始焊道的横坐标, yi−1,0
为i−1
层的初始焊道横坐标。

zi,0
为第i
层焊道的起始纵坐标, 则下一层焊道的纵坐标zi+1,0
为

zi+1,0=zi,0+h.
(5)
自定义类型的填充策略, 需选择不同的焊接参数、焊枪起止点和高度值等计算出每道截面积Si,j
, 实现多层多道排道, 填充到i
层焊缝总高度Δhi
为:

Δhi=g2+4tanβ2∑0i∑0mkSk,l√−g2tanβ2,
(6)
hi=Δhi−∑k=0i−1hk.
(7)
其中: hi
为第i
层的填充高度hk
为第k
层的高度; g
为底部间隙; ∑0i∑0mkSk,l
为第1层到第i
层的所有焊道的面积和; Sk,l
为k
层l
道的截面积, 其中k∈(0,i)
, 第k
层的焊道l
满足l∈(0,mk)
; mk
为第k
层填充层的总道数。

第i
层j
道的横坐标和纵坐标分别为:

yi,j=yi,0+∑l=0jSi,lhi,
(8)
zi,j=z0,0+Δhi.
(9)
其中: z0,0
为纵坐标原点, zi,j
为第i
层j
道的纵坐标。

等面积填充策略，每一道的熔敷面积相同，通过自定义型的公式得出第i
层j
焊道的坐标位置。

由式(1)可知，等面积填充策略的优势是填充过程的焊接参数基本不变。大部分多层多道排道方式都是在简化焊缝坡口的方式及规划相应的填充策略的基础上实现的，可最终保证良好的焊接质量和表面成形。文[47]为保证每层焊接面的平直度，将截面简化为菱形、三角形、平行四边形和梯形焊道，前3种形式采用非摆动、对称焊接方式，截面为梯形的焊道采用摆动、对称焊接方式，对称型焊接减少了工件形变量，并提出多种焊道填充的策略。杨光远[50]在等面积填充的基础上，规划了随着层数增加道数也增加的策略，有效避免了焊接参数频繁变化引起的质量不稳定问题。章锐等[51]提出了等高填充及自定义填充策略。吴海宏等[52]提出由于全位置焊接中熔滴自重，对全位置焊接进行多个分区并设置相应的焊接参数，保证最后的成形高度一致。黄继强等[53]针对坡口间隙不一致、坡口角度偏差和错边等不确定的情况下较难确定层数道数的问题，给出相应的应对措施。通过摆动参数补偿间隙不一致的问题；根据坡口角度变化情况，采用调整焊接参数和摆动参数进行修正；以焊道数量调整和焊接电流周期变化补偿坡口组对错边情况。潘海鸿等[54]结合等高度焊道填充策略，引入焊枪行走角对焊道中的焊枪姿态进行规划，为防止焊枪在焊接过程中与工件产生碰撞，使焊道按照梯形或平行四边形简化焊道填充策略，实现机器人坐标系对焊枪姿态的规划。

焊接工艺参数很大程度上会影响焊接结构件的最终质量，但是焊接本身的复杂及多因素性等导致工艺参数设计复杂、烦琐，对焊接技师的经验依赖性强。随着科技发展、数据积累，使自动化焊接中焊接参数开发的周期加快，将焊接机器人与焊接专家系统结合，通过交互界面输入参数，从而制定出适合相应工况场景的焊接工艺规程，该工艺规程将焊接专家系统作为焊接机器人的一部分。德国学者针对薄板焊接研发了工艺参数的专家系统，并作为焊接机器人系统组成部分[55]。国内清华大学[56]、哈尔滨工业大学[57]等高等院校研究的焊接工艺设计软件在企业中得到了初步应用。焊接专家系统能够根据坡口形式、参数和母材材质等要求匹配合适的焊接方法、焊材和焊接工艺参数，为焊接的自动化、智能化提供了可能[58]。

2.2.2 自动排道的难点
目前对多层多道自动焊接技术相关方面的研究还存在多项关键性难点需要突破。大型结构件坡口尺寸、形状多样，多层多道焊接时，填丝焊接形成填充金属，会造成焊缝形状不规则，使焊接过程中焊缝的几何形状预测困难；实现层数、道数和保护气体成分及纯度等参数规划的同时，又需要在焊接过程中根据焊缝的变化情况对焊机速度、焊枪姿态和摆宽等进行调整，即便是有专家数据库支持或者是经验丰富的焊工也无法做到精确的设定。

尤其是多层多道的焊缝跟踪技术，某种程度上将直接决定焊接的自动化水平。只有准确检测焊接过程中的焊缝的位置信息以及熔宽、熔深和每个焊道的形状信息，才能及时调整焊接参数，确保焊接质量。基于激光的焊缝跟踪技术，一般采用安装在焊枪之前的主动视觉传感器来避开弧光直射的干扰，同时依然会有焊接本身的强弧光、飞溅、打磨反光、烟尘、高温、强电磁环境、振动以及工件焊接热变形等多种因素的影响，这些因素都会增加焊缝跟踪的难度。多层多道焊缝跟踪比多层单道焊缝的跟踪更加困难，不仅要实现焊缝的顶部拐点跟踪和焊缝对中技术，还需要精确识别道与道的压接轮廓。李永哲[59]通过焊接试验发现，层道数较多时，随着层数的增加，焊接的实际效果与预测状况的偏差逐渐增大，存在层内各熔敷道之间的相互作用，如某一熔道变宽会导致其相邻熔道被增高。熔敷道高度与堆积速度之间的关系很难建立准确有效的模型进行描述，只有精确跟踪识别焊缝的变化，才能规划适应焊缝变化的焊接参数，保证焊道层高的一致和稳定，自适应的变化又必然增加了多层多道自动排道的难度。

大型结构件多层多道自动排道焊接时，自动排道方法主要依据工件形状建立坡口模型，在此基础上建立焊道的简化模型、填充策略和焊道路径起止点坐标计算，这种提前规划好的方式难以适应焊件本身因机械加工、装配造成的间隙变化，尤其是焊接过程中还存在热变形、焊道过多和焊缝堆叠造成焊接轨迹难以与规划好的标准起止点坐标匹配等问题，使累计误差增大、焊接质量难以保证，故很难在工程中实际应用；同时，很难评估焊接工艺参数间的相互关系及其对焊缝成形尺寸的影响并预测焊道的剖面形状。焊接工艺参数众多且设定复杂，包括焊接电流、焊接电压、焊接速度、焊丝直径、焊丝干伸长度、保护气体成分及气体流量、送丝速度和摆宽设置等。多层多道自动排道中焊枪姿态的调整、轨迹规划也非常重要，根据截面形状预测焊枪的最优空间位置及姿态，可防止工件与焊枪碰撞、未焊透等情况发生。

如果把多层多道自动化智能化焊接程度分为初级自动焊接、自适应控制自动焊接、智能化自动焊接3个层级，目前大型结构件多层多道的焊接工程中的焊接程度尚处于初级自动焊接阶段，全自动的排道焊接技术还需继续攻克关键性难点。

2.2.3 探索性研究
为实现多层多道自动排道技术，应先根据传感器系统获取坡口的信息，确定坡口和填充焊缝的几何尺寸，规划焊接参数、层道数及填充顺序，以此来计算焊枪与激光交点的坐标值，然后结合传感器对焊接轨迹进行跟踪，实时纠正焊接轨迹，保证焊接质量。

激光视觉焊缝跟踪系统具有抗电磁场干扰能力较强、不需要与工件直接接触就能够提供丰富的信息量等优点，是最常用的焊缝跟踪技术。激光视觉焊缝跟踪系统包括标定系统和焊缝图像处理。其中，标定系统包括相机参数标定和激光平面标定以及手眼标定。激光视觉传感器标定建立相机成像的几何模型，获取相机的内外参数，并对透镜畸变进行矫正；激光平面标定可计算激光线上像素点的深度值，获取焊缝的三维结构信息。通过手眼标定可知相机与焊枪之间位置关系的信息。激光视觉焊缝跟踪系统的标定系统很重要，标定精度直接影响激光跟踪精度[60]。焊缝图像处理是自动跟踪系统的核心技术，通过图像处理分析方法识别焊缝位置和形状等信息，将提取出的焊缝特征信息作为焊缝跟踪的依据，并具备抗弧光飞溅性能。快速精确的图像处理算法是实现爬行焊接机器人快速准确地识别焊缝坡口、规划焊接路径、实时调整焊接规范而获取高质量焊缝的保证。同时，爬行焊接机器人对激光视觉传感器的便携性和空间利用率的要求更高，应尽量使激光视觉传感器结构小型化、轻量化，减少末端负载，减少激光视觉传感器的占用体积，提高焊缝图像的采集质量、简化图像处理的流程及难度。应综合考虑相机和激光视觉传感器的位置距离、角度信息，主要涉及前置距离、相机安装的高度和相机与激光视觉传感器夹角等参数。

很多学者在激光视觉焊缝跟踪系统方面进行了探索性研究，并设计了多种类型的激光视觉传感器系统以及多层多道焊缝识别算法。蔡志勇等[61]提出利用小波变换和模板匹配融合的方法实现多层多道焊缝信息以及特征点的提取。陈祺等[62]利用激光条纹图像的几何分布和灰度特征，采用直线重投影、图像滤波和连通域分析等图像预处理操作，通过加权灰度重心法得到激光条纹的中心线，实现了中心线拟合方法，以获取对接焊缝特征点，提取结果如图 19所示。

点击查看原图
图 19 中心线提取结果[62]
图选项

邹怡蓉等[63]针对机器人多平面钻具加工以及电子束自由成形加工，设计了一套结合方向光和激光的焊缝识别方法，采用不同的光照图像进行融合，获取焊缝位置。张华军等[64]设计了基于线激光的多层多道焊缝自动跟踪系统, 图像处理算法采用图像平滑、激光条纹中心线提取、双斜率平滑以及多峰搜索等流程，实现了多层多道焊缝特征的提取。曹学鹏等[65]通过组合滤波算法，运用限幅滤波和Gauss滤波处理数据以平滑噪声，采用导数法初步定位特征点，分段拟合坡口轮廓信息，计算各拟合线段的交点进而获得精确定位的特征点，实现焊缝的有效跟踪。蒋宝等[66]从焊缝识别及焊缝特征提取技术、图像去噪处理技术中归纳了焊缝跟踪识别技术的现状，并提出焊缝特征提取的可靠性是跟踪控制系统实现的保证，指出多层次特征提取是该技术发展的方向。

以上视觉传感器系统主要适于室内应用，很难应对更加复杂恶劣的户外施工环境。北京博清科技有限公司开发的激光视觉传感器系统，不仅需要考虑隔绝弧光、飞溅、焊接烟尘等干扰因素，还需要应对户外环境中的风沙、太阳光直射、湿度等各种恶劣因素。该激光视觉传感器系统结构小巧、紧凑，并设置了顺时针、逆时针、上、下、左、右等多个自由度的安装方式，如图 20所示，图中橙色的轴为自由度旋转轴。结合软件的防飞溅、去噪、滤波等预处理算法可获取清晰的焊缝图像，采用水冷降温，使激光模块可连续长时间工作，大幅提高了工程效率。该激光视觉传感器系统的焊缝识别精度达0.1 mm，整机跟踪精度控制在0.5 mm以内，实现了激光中心线、内部特征点的提取，防飞溅预处理的效果及内部特征点提取效果如图 21所示。该激光视觉传感器系统可更加精确地指导工艺参数调整，为多层多道自动排道焊接轨迹规划及焊缝成像质量预测提供基础。

点击查看原图
图 20 北京博清科技有限公司的视觉传感器系统
图选项

点击查看原图
图 21 防飞溅预处理的效果和中心线内部特征点提取效果
图选项

北京博清科技有限公司的激光视觉传感器系统在茂名港项目中投入使用，如图 22所示，即使在焊缝打磨出现反光的情况下，依然可准确识别打底、填充和盖面不同焊接阶段图像的焊缝信息，探伤拍片合格率达98%以上，自动打底和多层排道探索性研究技术也正在该项目的数据集上进行验证。

点击查看原图
图 22 茂名港项目2号罐体立缝焊接
图选项

多层多道焊接过程中，为获得良好的焊接效果，应避免焊枪与工件之间的干涉，需计算每条焊道对应的焊枪姿态，焊枪姿态的调整对于焊缝的成形质量具有非常重要的影响[67]。控制多层多道焊缝形状还需依据坡口角度，调整焊枪的瞄准角度和每一道焊缝焊枪的偏移量[68]。张天一等[69]通过视觉与重力融合传感的多源传感器，建立了检测数学模型，实现了焊枪空间位置和姿态以及待焊接头所处空间姿态的实时检测，并验证了焊枪空间姿态的实时反馈控制可实现在电弧焊接过程中焊枪空间姿态的实时调控和位置实时纠偏。温永策等[70]在完成焊接工艺参数设计的基础上，对厚板的双边、单边V形坡口进行了焊枪轨迹规划。利用等高型填充策略，结合材料力学模型分析与实时监测2种方式，充分考虑焊接变形因素，最终确定了多层多道焊接中每一道的枪姿位置。何涛[71]为更方便地操作，在焊接过程中将焊缝与焊枪的坐标系原点进行统一设置，根据焊缝几何特征信息规划焊枪的姿态。Kanti等[72]为防止焊枪与工件碰撞，规划了焊枪在焊接点与坡口角平分线上的方法，实现焊枪姿态的调整，如图 23所示，在此基础上推导出多层多道焊枪的最佳位置和最佳姿态的预测模型。

点击查看原图
图 23 焊枪姿态规划[72]
图选项

设Pi,j
为第i
层第j
道的焊枪搭接点位置, 该点具体坐标为(yi,j,zi,j)
, 如图 23所示(同式(2)一(9)坐标系)。

坡口深度D
、坡口角度θ
、焊枪偏转角度Δα
以及调整后的焊枪与坡口的角度γ
的关系为:

tan(γ−Δα)=Dtanθ2+yi,jD−zi,j,
(10)
tan(γ+Δα)=Dtanθ2−yi,jD−zi,j.
(11)
由式(10)和(11)可计算焊枪偏转角度Δα
，表示如下：

Δα=12[arctan(Dtanθ2−yi,jD−zi,j)−arctan(Dtanθ2+yi,jD−zi,j)].
(12)
在大型结构件工程项目施工过程中，还要考虑现场高耗电设备、电网电压的变化、强磁场环境和相机与焊枪距离产生的干扰等因素，这些都会对机器人精确识别焊缝造成影响，多层多道焊接自动化技术还需持续研究与突破。

3 总结与展望

经过几十年的发展，国内外涌现出很多具有特色的焊接机器人，解决了一部分实际问题，但在大型结构件的焊接中还未能实现全自动化，自动打底、多层多道自动排道依旧是大型结构件焊接的难点。

本文系统介绍了国内外面向大型结构件焊接智能机器人的研究现状，并认为无轨导爬行机器人的灵活性好、适应性强，更符合未来大型结构件焊接的发展需求。同时，详细阐述了自动打底、多层多道自动排道这2项关键性技术的现状、难点及探索性研究。

在焊接打底领域，通过熔池观测、算法优化，进一步提升识别的鲁棒性和准确性，对于不同坡口形式也有更好的解决方案。在焊接过程中，通过对熔池以及焊道进行视觉图像分析，得到焊道高度、焊缝表面形状、环境参数等信息，帮助进行焊接参数的优化，逐步提高直至爬行焊接机器人具备完全自适应焊接能力。快速精确的图像处理算法是实现爬行焊接机器人快速准确识别焊缝坡口、规划焊接路径、实时调整焊接规范以获取高质量焊缝的保证；多层多道焊接的轨迹规划对焊接质量、焊接连续性、美观性均有重要影响。爬行机器人通过视觉传感器自主感知焊缝的变化并相应做出调整，可更好地推进爬行焊接机器人在大型结构件多层多道自动化、智能化焊接的步伐。

爬行机器人要向智能化和自动化发展，能自主精准跟踪识别焊缝、自主规划焊接路径、实时在线闭环检测及焊接参数调整是急需攻关的重点问题。未来可向融合多模态深度学习方法及多传感器策略方向发展，分述如下：

1) 多模态深度学习。深度学习是当前人工智能的核心技术，多模态深度学习较基于单一模态的技术方案在识别性能上存在明显优势，发展多模态深度学习技术并将其应用于熔池影像分析，在提高焊接质量监控方向具有很大的需求和应用潜力。

2) 多传感器策略。面对大型结构件工况复杂交替、多信息耦合多变的复杂焊接场景，单一传感手段很难准确和全面评估焊接状态，而影响焊接质量的因素有很多，例如坡口形状、焊缝位置、焊接电流、焊接速度以及焊接材料熔化速率等。在焊接过程中，为实现更精准地检测和控制焊接质量，通常需同时参考不同类型的焊接信息进行综合分析和判断，以在焊接过程中自适应调整焊接参数、控制焊缝成形、提高焊接质量。

参考文献
[1]
计时鸣, 黄希欢. 工业机器人技术的发展与应用综述[J]. 机电工程, 2015, 32(1): 1-13.
JI S M, HUANG X H. Review of development and application of industrial robot technology[J]. Journal of Mechanical & Electrical Engineering, 2015, 32(1): 1-13. (in Chinese)
[2]
张轲, 吕学勤, 吴毅雄, 等. 移动焊接机器人的研究现状及发展趋势[J]. 焊接, 2004(8): 5-9.
ZHANG K, LÜ X Q, WU Y X, et al. Research status and development trend about mobile welding robots[J]. Welding & Joining, 2004(8): 5-9. (in Chinese)
[3]
宁静. 基于专利分析的企业技术竞争情报挖掘研究[D]. 郑州: 郑州航空工业管理学院, 2017.
NING J. The competitive intelligence mining of enterprise technology based on patent analysis[D]. Zhengzhou: Zhengzhou University of Aeronautics, 2017. (in Chinese)
[4]
Gullco International. KAT 300 welding and cutting auto-mation carriage[Z/OL]. [2022-06-09]. https://catalog.gullco.com/product/weld-automation/welding-cutting-automation-carriage.
[5]
成都熊谷加世电器有限公司. 管道全自动焊机[Z/OL]. [2022-06-09]. https://www.xionggu.com/h-pd-56.html#_pp=3_13.
Chengdu Xionggu Jiashi Co., Ltd. . Full automatic pipeline welding machine[Z/OL]. [2022-06-09]. https://www.xionggu.com/h-pd-56.html#_pp=3_13. (in Chinese)
[6]
BUG-O Systems. The advanced pipe welding system-integrated with Lincoln power wave or Miller PipeWorx to utilize the latest in advanced digital weld process control[Z/OL]. [2022-06-09]. https://bugo.com/mechanized-welding/track-welding/piper-plus/.
[7]
ESAB Corporation. Railtrac B42V[Z/OL]. [2022-06-09]. https://esab.com/sa/mea_en/productssolutions/product/welding-automation-and-robotics/gas-metal-arc-welding-gmaw/carriersm-anipulators-and-robotics/welding-tractors/railtrac-b42v/.
[8]
焦向东, 朱加雷. 石油化工行业特种焊接机器人技术现状及发展[N/OL]. (2016-08-19)[2022-06-09]. https://www.renrendoc.com/paper/164763799.html.
JIAO X D, ZHU J L. Present situation and development of special welding robot technology in petrochemical industry[N/OL]. (2016-08-19)[2022-06-09]. https://www.renrendoc.com/paper/164763799.html. (in Chinese)
[9]
北京石油化工学院能源工程先进连接技术研究中心. 焊接自动化技术实验室[Z/OL]. [2022-06-09]. http://www.bipt.edu.cn/pub/lab/sysygzs/kylhsys/index.htm.
Advanced Connection Technology Research Center for Energy Engineering of Beijing Institute of Petrochemical Technology. Automatic Welding Technology Lab[Z/OL]. [2022-06-09]. http://www.bipt.edu.cn/pub/lab/sysygzs/kylhsys/index.htm. (in Chinese)
[10]
张轲, 吕学勤, 吴毅雄, 等. 自寻迹舰船甲板焊接移动机器人[J]. 焊接学报, 2005, 26(4): 55-59.
ZHANG K, LÜ X Q, WU Y X, et al. Mobile robot for welding ship decks with function of auto-searching weld line[J]. Transactions of the China Welding Institution, 2005, 26(4): 55-59. (in Chinese)
[11]
中国东方电气集团有限公司. 一种用于中厚板焊接的自主移动式双丝焊机器人系统: 201210185605.3[P]. 2015-08-26.
Dongfang Electric Corporation. Autonomous mobile robot tandem welding system for welding plate: 201210185605.3[P]. 2015-08-26. (in Chinese)
[12]
桂仲成. 爬壁机器人能源工业应用与发展[J]. 机器人技术与应用, 2015(1): 25-32.
GUI Z C. Application and development of wall-climbing robot energy industry[J]. Robot Technique and Application, 2015(1): 25-32. (in Chinese)
[13]
KERMORGANT O. A magnetic climbing robot to perform autonomous welding in the shipbuilding industry[J]. Robotics and Computer-Integrated Manufacturing, 2018, 53: 178-186. DOI:10.1016/j.rcim.2018.04.008
[14]
梁瑛, 刘邦涛. 无轨导焊接机器人首次工业化应用试验成功[N/OL]. (2018-07-11)[2022-06-09]. http://www.cinic.org.cn/zgzz/cx/441418.html.
LIANG Y, LIU B T. The first industrial application test of the trackless welding robot was successful[N/OL]. (2018-07-11)[2022-06-09]. http://www.cinic.org.cn/zgzz/cx/441418.html. (in Chinese)
[15]
王雪琪, 高仙菊, 康晓宁, 等. “无轨导全位置爬行焊接机器人”项目通过评审[Z/OL]. (2021-05-19)[2022-06-09]. http://www.sinopectv.cn/index.php?option=wap,newsdetail&id=212716.
WANG X Q, GAO X J, KANG X N, et al. The project of “trackless guide all position crawling welding robot” passed the review[Z/OL]. (2021-05-19)[2022-06-09]. http://www.sinopectv.cn/index.php?option=wap,newsdetail&id=212716. (in Chinese)
[16]
中国石化新闻网. 中国石化五建公司无轨导爬行焊接机器人投入实体化运用[N/OL]. (2018-12-05)[2022-06-09]. http://www.oilsns.com/article/365559.
Sinopec News. The trackless crawling welding robot of Sinopec Fifth Construction Company was put into practical application[N/OL]. (2018-12-05)[2022-06-09]. http://www.oilsns.com/article/365559. (in Chinese)
[17]
张紫赟. 潘际銮院士焊接机器人技术落地清华启迪科技城[N/OL]. (2017-09-28)[2022-06-09]. http://m.xinhuanet.com/ah/2017-09/28/c_1121740729.htm.
ZHANG Z Y. Academician Pan Jiluan’s welding robot technology landed in Hefei[N/OL]. (2017-09-28)[2022-06-09]. http://m.xinhuanet.com/ah/2017-09/28/c_1121740729.htm.
[18]
中国日报网. 博清科技: 填补国际焊接自动化领域的空白, 新一代焊接机器人的拓疆者[N/OL]. (2020-04-20)[2022-06-09]. https://baijiahao.baidu.com/s?id=1664468428145332038&wfr=spider&for=pc.
China Daily. Beijing Botsing Technology Co., Ltd. : Filling the gap in the field of international welding automation, the pioneer of a new generation of welding robots[N/OL]. (2020-04-20)[2022-06-09]. https://baijiahao.baidu.com/s?id=1664468428145332038&wfr=spider&for=pc. (in Chinese)
[19]
田艳军. 一次技术交易撬动多项成果转化[N/OL]. (2019-03-22)[2022-06-09]. https://finance.ifeng.com/c/7lFQWS4tqoL.
TIAN Y J. One technology transaction leverages the transformation of multiple achievements[N/OL]. (2019-03-22)[2022-06-09]. https://finance.ifeng.com/c/7lFQWS4tqoL. (in Chinese)
[20]
冯消冰, 潘际銮, 高力生, 等. 爬行焊接机器人在球罐自动焊接中的应用[J]. 清华大学学报(自然科学版), 2021, 61(10): 1132-1143.
FENG X B, PAN J L, GAO L S, et al. Wall climbing welding robot for automatic welding of spherical tanks[J]. Journal of Tsinghua University (Science and Technology), 2021, 61(10): 1132-1143. (in Chinese)
[21]
韩晓余. 从”全人工”到”无轨导”: 这个焊接机器人有”独门绝技”[N/OL]. (2021-06-18)[2022-06-09]. http://www.cnr.cn/shanghai/tt/20210618/t20210618_525515935.shtml.
HAN X Y. From “full manual” to “trackless guide” : This welding robot has “unique skills” [N/OL]. (2021-06-18)[2022-06-09]. http://www.cnr.cn/shanghai/tt/20210618/t20210618_525515935.shtml. (in Chinese)
[22]
精工钢构集团. 智造的力量!无轨导全位置爬行焊接机器人亮相广州白云站项目[Z/OL]. (2021-11-01)[2022-06-09]. https://mp.weixin.qq.com/s?_biz=MzA5MDM2ODQwMQ==&chksm=8be6bde8bc9134fe0ea4d954e2497c23e68014b982f50d27b64af03cb9e7c58356bf5ac4b6ac&idx=1&mid=2652810518&sn=30defca6e31bc19018e573eccab3a867.
Seiko Steel Structure Official Micro. The power of intelligent manufacturing!Rail-guided all-position crawling welding robot debuts in Guangzhou Baiyun Station Project[Z/OL]. (2021-11-01)[2022-06-09]. https://mp.weixin.qq.com/s?__biz=MzA5MDM2ODQwMQ==&chksm=8be6bde8bc9134fe0ea4d954e2497c23e68014b982f50d27b64af03cb9e7c58356bf5ac4b6ac&idx=1&mid=2652810518&sn=30defca6e31bc19018e573eccab3a867. (in Chinese)
[23]
张晓鸣. 上海地铁5号线6号线部分区段停运整治, 确保节后运行更加安全畅通如虎添翼, 智能焊接机器人助力隧道维修[N/OL]. (2022-02-04)[2022-06-09]. http://culture.yunnan.cn/system/2022/02/04/031904863.shtml.
ZHANG X M. Some sections of Shanghai Metro Line 5 and Line 6 have been closed for renovation to ensure more safe and smooth operation after the festival, and intelligent welding robots help tunnel maintenance[N/OL]. (2022-02-04)[2022-06-09]. http://culture.yunnan.cn/system/2022/02/04/031904863.shtml. (in Chinese)
[24]
袁莲. 工程建设公司: 储罐机器人”焊工””上岗”新疆吉木萨尔页岩油田[N/OL]. (2020-05-19)[2022-06-09]. http://news.cnpc.com.cn/system/2020/05/19/001775385.shtml.
YUAN L. Engineering construction company: Tank robot “welder” and “post” in Jimsar Shale Oilfield, Xinjiang[N/OL]. (2020-05-19)[2022-06-09]. http://news.cnpc.com.cn/system/2020/05/19/001775385.shtml. (in Chinese)
[25]
高聪. 以前沿科技助力项目高质量建设茂名地区首例!茂名港博贺新港区东区化工仓储项目使用无轨道爬行机器人焊接技术[Z/OL]. (2022-05-13)[2022-06-09]. http://static.nfapp.southcn.com/content/202205/13/c6491999.html.
GAO C. Supporting high-quality construction of projects with cutting-edge technologyThe first case in Maoming!The chemical storage project in the East District of Bohe Xingang District, Maoming Port uses trackless crawling robot welding technology[Z/OL]. (2022-05-13)[2022-06-09]. http://static.nfapp.southcn.com/content/202205/13/c6491999.html. (in Chinese)
[26]
长风合睿空间. 博清科技爬行焊接机器人在大型储罐自动化焊接成功应用[Z/OL]. (2020-06-02)[2022-06-09]. https://www.shangyexinzhi.com/article/1933334.html.
Changfeng Herui Space. Successful application of Beijing Botsing Technology Co., Ltd. crawling welding robot in automatic welding of large storage tanks[Z/OL]. (2020-06-02)[2022-06-09]. https://www.shangyexinzhi.com/article/1933334.html. (in Chinese)
[27]
长风合睿空间. 博清科技进入新加坡市场, 助力新加坡CFE海工建造工程公司行业智能升级[Z/OL]. (2022-01-26)[2022-06-09]. https://www.shangyexinzhi.com/article/4555595.html.
Changfeng Herui Space. Beijing Botsing Technology Co. Ltd. entered the Singapore market and helped Singapore CFE Offshore Construction Engineering Company to upgrade its industry intelligence[Z/OL]. (2022-01-26)[2022-06-09]. https://www.shangyexinzhi.com/article/4555595.html. (in Chinese)
[28]
焊接之家. 博清科技无轨导全位置爬行焊接机器人亮相第25届埃森展[Z/OL]. (2021-06-24)[2022-06-09]. https://www.sohu.com/a/473589982_694777.
Weldhome. Beijing Botsing Technology’s Co., Ltd. trackless guide all-position crawling welding robot appeared at the 25th Essen Exhibition[Z/OL]. (2021-06-24)[2022-06-09]. https://www.sohu.com/a/473589982_694777. (in Chinese)
[29]
程龙根, 高仙菊. 中石化五建公司”牵手”中科院潘际銮院士团队[Z/OL]. (2018-01-19)[2022-06-09]. https://www.sohu.com/a/217643874_119778.
CHENG L G, GAO X J. Sinopec Fifth Construction Company “hold hands” the Team of Academician Pan Jiluan, Chinese Academy of Sciences[Z/OL]. (2018-01-19)[2022-06-09]. https://www.sohu.com/a/217643874_119778. (in Chinese)
[30]
魏星, 王司琦, 辛亮仪. 约4000吨钢结构花瓣拼装完成广州白云火车站”木棉花开”雏形显现[N/OL]. (2022-06-06)[2022-06-09]. http://news.cnhubei.com/content/2022-06/06/content_14814832.html.
WEI X, WANG S Q, XIN L Y. About 4000 t of steel structure petals were assembled. The prototype of “kapok blooming” in Guangzhou Baiyun Railway Station appeared[N/OL]. (2022-06-06)[2022-06-09]. http://news.cnhubei.com/content/2022-06/06/content_14814832.html. (in Chinese)
[31]
FENG X B, TIAN W, WEI R, et al. Application of a wall-climbing, welding robot in ship automatic welding[J]. Journal of Coastal Research, 2020, 106(S1): 609-613.
[32]
FENG X B, GAO L S, TIAN W, et al. Application of wall climbing welding robot in automatic welding of island spherical tank[J]. Journal of Coastal Research, 2020, 107(S1): 1-4.
[33]
周勇, 刘晓光, 蒋晓明, 等. 面向大型结构件智能焊接的爬壁机器人系统[J]. 自动化与信息工程, 2019, 40(3): 1-5.
ZHOU Y, LIU X G, JIANG X M, et al. Wall climbing robot system for large component intelligent welding[J]. Automation & Information Engineering, 2019, 40(3): 1-5. (in Chinese)
[34]
周依霖. 轮腿复合爬壁焊接机器人研制与动力学特性研究[D]. 南昌: 南昌大学, 2019.
ZHOU Y L. Development of wheel-legged wall climbing robot for welding and dynamic characteristic research[D]. Nanchang: Nanchang University, 2019. (in Chinese)
[35]
王悦森. 机器人MAG焊单面焊双面成形技术研究[D]. 镇江: 江苏科技大学, 2011.
WANG Y S. Study on one-side welding with back formation technique of robot MAG welding[D]. Zhenjiang: Jiangsu University of Science and Technology, 2021. (in Chinese)
[36]
杨东青. 高强钢厚板双面双TIG打底焊缝成形影响因素研究[D]. 哈尔滨: 哈尔滨工业大学, 2013.
YANG D Q. Research on influencing factors of backing wled formation using double-sided double TIG for the thick plates of high-strength steel[D]. Harbin: Harbin Institute of Technology, 2013. (in Chinese)
[37]
王伟, 周传昆, 陈浩. 错边量对不锈钢中厚板K-TIG焊接头性能的影响[J]. 热加工工艺, 2021, 50(5): 160-162.
WANG W, ZHOU C K, CHEN H. Effect of misalignment on properties of thick stainless steel plate K-TIG welding joint[J]. Hot Working Technology, 2021, 50(5): 160-162. (in Chinese)
[38]
罗祥, 王宗义, 褚慧慧, 等. 基于形状先验活动轮廓的焊接图像熔池分割方法[J]. 焊接学报, 2017, 38(11): 113-118.
LUO X, WANG Z Y, CHU H H, et al. Weld pool image segmentation method based on active contour using shape priori[J]. Transactions of the China Welding Institution, 2017, 38(11): 113-118. (in Chinese)
[39]
高飞, 王克鸿, 梁永顺, 等. 一种多尺度分形的弧焊熔池图像分割方法[J]. 焊接学报, 2011, 32(11): 33-36.
GAO F, WANG K H, LIANG Y S, et al. A multi-scale fractal image segmentation method for arc welding pool[J]. Transactions of the China Welding Institution, 2011, 32(11): 33-36. (in Chinese)
[40]
姜天胜, 薛龙, 黄军芬, 等. 焊接电流作用下熔池形状特征与熔透状态的关系[J]. 焊接技术, 2017, 46(11): 14-18.
JIANG T S, XUE L, HUANG J F, et al. Relationship between weld pool shape features and penetration state at different currents[J]. Welding Technology, 2017, 46(11): 14-18. (in Chinese)
[41]
黄军芬, 薛龙, 黄继强, 等. 基于视觉传感的GMAW熔透状态预测[J]. 机械工程学报, 2019, 55(17): 41-47.
HUANG J F, XUE L, HUANG J Q, et al. GMAW penetration state prediction based on visual sensing[J]. Journal of Mechanical Engineering, 2019, 55(17): 41-47. (in Chinese)
[42]
燕旭. 熔孔型TIG单面焊双面成形视觉检测及控制技术研究[D]. 济南: 山东大学, 2021.
YAN X. Study on visual inspection and control technology of fusion hole TIG single side welding with back formation[D]. Ji’nan: Shandong University, 2021. (in Chinese)
[43]
李传宗. 预留间隙TIG薄板焊接熔孔视觉检测和熔透状态预测[D]. 济南: 山东大学, 2020.
LI C Z. Visual sensing of fusion hole and penetration state prediction in TIG thin plate welding with reserved gaps[D]. Ji’nan: Shandong University, 2020. (in Chinese)
[44]
AN F P, GONG Q L, XU G X, et al. Simulation study on weld formation in full penetration laser+MIG hybrid welding of copper alloy[J]. Materials, 2020, 13(23): 5307.
[45]
WU D S, HUA X M, YE D J, et al. Understanding of the weld pool convection in twin-wire GMAW process[J]. The International Journal of Advanced Manufacturing Technology, 2017, 88(1-4): 219-227.
[46]
周彦彬. MAG-TIG双电弧热源中厚板打底单面焊双面成形研究[D]. 大连: 大连理工大学, 2018.
ZHOU Y B. Study on one-side welding with back formation of medium or heavy plates by the MAG-TIG twin arc welding[D]. Dalian: Dalian University of Technology, 2018. (in Chinese)
[47]
胡啸, 崔川, 陈纬, 等. 厚板大坡口多层多道焊接轨迹规划算法[J]. 热加工工艺, 2022, 51(15): 102-106.
HU X, CUI C, CHEN W, et al. Trajectory planning algorithm for thick plate multi-layer multi-pass welding with large groove[J]. Hot Working Technology, 2022, 51(15): 102-106. (in Chinese)
[48]
施浩. 厚板窄间隙多层多道自动化激光填丝焊接及焊缝跟踪[D]. 上海: 上海交通大学, 2015.
SHI H. Automatic multi-pass narrow-gap laser welding with filler wire and seam tracking[D]. Shanghai: Shanghai Jiao Tong University, 2015. (in Chinese)
[49]
CASALINO G, MINUTOLO F M C. A model for evaluation of laser welding efficiency and quality using an artificial neural network and fuzzy logic[J]. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 2004, 218(6): 641-646.
[50]
杨光远. 多层多道焊路径自动规划及双机器人协调研究[D]. 哈尔滨: 哈尔滨工业大学, 2008.
YANG G Y. Automatic path planning of multipass welding and research on doublerobotic coordination[D]. Harbin: Harbin Institute of Technology, 2008. (in Chinese)
[51]
章锐, 汪选国, 刘伟, 等. 基于自定义填充策略的机器人中厚板多层多道焊离线编程与仿真[J]. 焊接技术, 2019, 48(12): 69-73.
ZHANG R, WANG X G, LIU W, et al. Off-line programming and simulation of multilayer-multipass welding for robot based on custom filling strategy[J]. Welding Technology, 2019, 48(12): 69-73. (in Chinese)
[52]
吴海宏, 周忠明. 超大直径钢管单面焊双面成形全位置自动焊接技术试验[J]. 广东水利水电, 2019(2): 44-47.
WU H H, ZHOU Z M. Test of all position automatic welding technology for super large diameter steel pipe with one-sided welding and double face forming[J]. Guangdong Water Resources and Hydropower, 2019(2): 44-47. (in Chinese)
[53]
黄继强, 盖守新, 薛龙, 等. 坡口偏差厚板机器人多道焊接方法[J]. 焊接学报, 2020, 41(6): 60-66.
HUANG J Q, GAI S X, XUE L, et al. Multi-pass welding strategy for thick plate with mismatched groove by robot[J]. Transactions of the China Welding Institution, 2020, 41(6): 60-66. (in Chinese)
[54]
潘海鸿, 李睿亮, 刘冠良, 等. 基于激光视觉系统的多层多道焊接路径规划[J]. 组合机床与自动化加工技术, 2021(11): 23-26, 30.
PAN H H, LI R L, LIU G L, et al. Multilayer and multichannel welding path planning based on laser vision system[J]. Modular Machine Tool & Automatic Manufacturing Technique, 2021(11): 23-26, 30. (in Chinese)
[55]
CARY H B. Summary of computer programs for welding engineering[J]. Welding Journal, 1991, 70(1): 40-45.
[56]
彭金宁, 陈丙森. 通用型弧焊工艺专家系统[J]. 焊接, 1995(11): 2-5.
PENG J N, CHEN B S. An expert system of arc welding procedure for general use[J]. Welding & Joining, 1995(11): 2-5. (in Chinese)
[57]
武传松, 徐健, 吴林. 制定铝合金焊接工艺方案的专家系统[J]. 焊接学报, 1991, 12(2): 116-120.
WU C S, XU J, WU L. Expert system for aluminum-alloy welding procedure specification[J]. Transactions of the China Welding Institution, 1991, 12(2): 116-120. (in Chinese)
[58]
魏艳红, 张玉莲. 焊接工艺智能设计研究进展[J]. 电焊机, 2020, 50(9): 213-220.
WEI Y H, ZHANG Y L. Research progress on intelligent design of welding process[J]. Electric Welding Machine, 2020, 50(9): 213-220. (in Chinese)
[59]
李永哲. GMA增材制造多层多道熔敷成形特性及尺寸控制[D]. 哈尔滨: 哈尔滨工业大学, 2019.
LI Y Z. Forming characteristics and dimensional control of multi-layer multi-bead deposition using gas metal arc additive manufacturing[D]. Harbin: Harbin Institute of Technology, 2019. (in Chinese)
[60]
朱传辉, 朱志明, 柯挚捷, 等. 基于组合激光结构光的视觉传感器内参一体化标定方法[J]. 清华大学学报(自然科学版), 2022, 62(9): 1516-1523.
ZHU C H, ZHU Z M, KE Z J, et al. Integrated calibration of internal visual sensor parameters based on combined laser structured lights[J]. Journal of Tsinghua University (Science and Technology), 2022, 62(9): 1516-1523. (in Chinese)
[61]
蔡志勇, 陈荣, 余伏章, 等. 小波变换的多层多道焊接拐角跟踪点的识别研究[J]. 中国图象图形学报, 2008, 13(12): 2344-2350.
CAI Z Y, CHEN R, YU F Z, et al. Study on multipass welding seam recognition based on wavelet transform[J]. Journal of Image and Graphics, 2008, 13(12): 2344-2350. (in Chinese)
[62]
陈祺, 闫海宁, 陆安进, 等. 基于线结构光的铝合金对接焊缝特征提取方法研究[J]. 焊接技术, 2022, 51(4): 13-18.
CHEN Q, YAN H N, LU A J, et al. Research on feature extraction method of butt weld of aluminum alloy based on line structured light[J]. Welding Technology, 2022, 51(4): 13-18. (in Chinese)
[63]
邹怡蓉, 都东, 曾锦乐, 等. 基于多视觉特征获取与信息融合的焊道识别方法[J]. 焊接学报, 2013, 34(5): 33-36.
ZOU Y R, DU D, ZENG J L, et al. Visual method for weld seam recognition based on multi-feature extraction and information fusion[J]. Transactions of the China Welding Institution, 2013, 34(5): 33-36. (in Chinese)
[64]
张华军, 张广军, 蔡春波, 等. 机器人多层多道焊缝激光视觉焊道的识别[J]. 焊接学报, 2009, 30(4): 105-108.
ZHANG H J, ZHANG G J, CAI C B, et al. Laser-based visual recognition of multi-pass seam in robot arc welding[J]. Transactions of the China Welding Institution, 2009, 30(4): 105-108. (in Chinese)
[65]
曹学鹏, 脱帅华, 张弓, 等. 焊接机器人焊缝跟踪方法及路径规划研究[J]. 工程科学与技术, 2022, 54(2): 196-204.
CAO X P, TUO S H, ZHANG G, et al. Research on welding seam tracking method and path planning of welding robot[J]. Advanced Engineering Sciences, 2022, 54(2): 196-204. (in Chinese)
[66]
蒋宝, 徐冬至, 黄瑞生, 等. 基于视觉传感的焊接机器人焊缝识别跟踪技术研究现状[J]. 金属加工(热加工), 2022(1): 10-17, 21.
JIANG B, XU D Z, HUANG R S, et al. Research status of welding robot weld recognition and tracking technology based on visual sensing[J]. MW Metal Forming, 2022(1): 10-17, 21. (in Chinese)
[67]
周律, 蔡锦达, 钱炜, 等. 弧焊机器人焊枪姿态的简便示教[J]. 机械工程学报, 2010, 46(8): 73-77.
ZHOU L, CAI J D, QIAN W, et al. Simple and convenient teaching of welding torch orientations for arc welding robot[J]. Journal of Mechanical Engineering, 2010, 46(8): 73-77. (in Chinese)
[68]
袁海龙. 中厚板焊接机器人焊接工艺专家系统设计[D]. 厦门: 厦门理工学院, 2015.
YUAN H L. The design of robot welding procedure expert system for thick plate[D]. Xiamen: Xiamen University of Technology, 2015. (in Chinese)
[69]
张天一, 朱志明, 朱传辉. 基于视觉与重力融合传感的焊枪位姿反馈控制[J]. 焊接学报, 2021, 42(11): 1-7.
ZHANG T Y, ZHU Z M, ZHU C H. Position and pose feedback control of welding torch based on the fusion of vision and gravity sensing[J]. Transactions of the China Welding Institution, 2021, 42(11): 1-7. (in Chinese)
[70]
温永策, 卢庆亮, 曹永华, 等. 厚板V形坡口焊接路径规划[J]. 矿山机械, 2020, 48(3): 61-65.
WEN Y C, LU Q L, CAO Y H, et al. Planning of thick plate V-shaped groove welding path[J]. Mining & Processing Equipment, 2020, 48(3): 61-65. (in Chinese)
[71]
何涛. 球罐多层多道自动焊接工艺参数及路径规划试验研究[D]. 重庆: 重庆科技学院, 2019.
HE T. Experimental research on process parameters and path planning of multi-layer and multi-channel automatic welding for spherical tank[D]. Chongqing: Chongqing University of Science and Technology, 2019. (in Chinese)
[72]
KANTI K M, RAO P S. Prediction of bead geometry in pulsed GMA welding using back propagation neural network[J]. Journal of Materials Processing Technology, 2008, 200(1-3): 300-305.

版权所有 © 《清华大学学报（自然科学版）》编辑部
技术支持：北京仁和汇智信息技术有限公司