摘 要：高度复杂的焊接过程，一直是过程控制界的一项难题。本文就其具有多个变量这一特点，较详细的总结了适合于焊接过程的多变量控制方法，及其目前国内外的一些研究成果，具体介绍了神经网络控制方法，模糊控制方法和预测控制方法。
关键词：焊接 多变量 神经网络 模糊 预测
前言
焊接过程控制的目的在于获得良好的焊缝，焊接过程控制的发展与过程控制理论的发展过程是密不可分的，在当今焊接领域的控制科研与实践中，每一项优秀成果的取得无不体现这控制理论对实践的指导作用，都是控制理论与具体的生产实践相结合的产物。焊接过程是存在高噪声干扰、较大的时滞和动态突变性的复杂过程，在很多情况下，焊接过程的准确的数学模型是无法得到的，而且在弧焊过程中，影响焊接质量的因素并不是唯一的，而是多种因素或多个变量在共同决定焊接过程的稳定性和质量的稳定性。就工艺参数而言，就有焊接电流，焊接电压，焊接速度，送丝速度，预热情况，甚至环境条件。
自六十年代以来，多变量过程控制理论受到了广泛的注意，并且很多研究成果已经成功的应用于实践。目前，这个理论已成为过程控制理论中的一个重要领域，而且，就其内容的深度而言，人们也普遍的认为，它是过程控制理论中最难的理论领域之一。说它高级，是因为能有效的对一些含有多个互相关联的变量的生产过程实现统一的控制，而这种功能常常是不能借助于，一些人为的单变量过程控制系统，来完成的。说它复杂，是因为它比单变量过程控制系统需要一些更复杂的设备，从而使系统的结构变得复杂。
因此，如何用多个操作变量控制焊接过程，以得到良好的焊缝质量，这一问题引起了许多学者的注意[1-6]。
1 常用的多变量控制方法
多变量系统的特殊性在于：(1)输入输出之间彼此响应产生交联；(2)难以得到精确的属性模型；(3)控制部件失效的可能行增大。总体来说多变量控制方法分为解耦和非解耦两大类。传统的解耦控制方法只适用于线性定长多输入多输出（MIMO）系统，而焊接过程由于涉及大量的不确定因素，是典型的复杂过程。对这类复杂过程获取其精确的数学模型是极为困难的，因此传统的解耦控制方法不适用于焊接过程。下面主要介绍一下适用于焊接过程的多变量控制方法：神经网络控制方法，模糊控制方法及预测控制方法。
1.1 神经网络控制方法
一种是非解耦的方法，如利用BP神经网络任意逼近非线性函数的特点，通过采集数据，经训练确定权值后，可以建立过程模型，用同样的方法也可以设计控制器，这是一个逆过程。
另一种是解耦的方法，例如PID神经元网络[7]，其结构原理如图1所示。各个子网络的输入层至隐层是相互独立的，其输入层有两个神经元，分别为比例元、积分元和微分元，它们的输入－输出函数分别为比例、积分和微分函数。各个子网络在隐层至输出层相互交叉相连，输出层完成控制规律的综合，形成多变量对象的控制输入。它的隐层神经元具有PID控制器的输入输出特性。
图1 PID神经网络控制结构图
网络结构简单规范，易于实现，融解耦器与控制器于一体，适用于非线性多变量系统的解耦控制,使解耦后的系统具有良好的动态和静态性能，特别是依PID控制规律确定网络连接权初值，具有参数快速收敛的优点。
1.2 模糊控制方法
多变量模糊控制方法主要有以下两种：
1.2.1 分层多规则集控制
分层多规则集控制的设计思想是：当多个输入量引入模糊控制器时，用其中一个（或多个）量作为辅助输入量，由它的变化来代表不同的过程状态（K）。在不同的过程状态下，再根据被调量的偏差（E）及其变化率（EC）定出控制规则。这种模糊控制器可用下列模糊条件语句描述[8]。
在高层：
if 过程状态K，then 控制规则RK
(K=1,2,……P)
在低层：
if E=Eki and EC=ECkj，then U=Ukij(i=1,2,……m，j=1,2,……n)分层多规则集结构的模糊控制器，实现简单，概念明确。但如何选择合适的层次变量以及为提高系统性能，如何在线修正分层的控制规则集仍是有待解决的问题。
1.2.2 控制器解耦
利用模糊控制器本身的解耦性特点，通过模糊关系方程分解，在控制器结构上实现解耦，将一个多输入多输出的模糊控制器分解成若干个多输入单输出（MISO）的模糊控制器，进而利用单输入单输出（SISO）模糊控制器的设计方法设计[9]。整个解耦过程如图2所示。
图2 多变量模糊控制器的解耦过程
1.3 预测控制方法
预测控制系统大致包括参考轨迹，滚动优化，预测模型和在线校正。以动态矩阵控制为例，可以将预测控制算法扩展到多输入多输出系统。除了将方程中的矩阵与矢量扩展外，基本方程保持不变。预测模型为
其中Yo(k+1)和△UL(k)分别为模型初始值和控制增量序列，控制增量序列有效长度为L，建模时域为N，且L<N。
设系统预测长度为M，控制有效长度为L，且L<M<N。由二次型滚动优化目标
求得控制增量序列的最优值
设k+1时刻预测值和系统实际输出y(k+1)间的误差为：
则修正后的预测值为
预测控制能根据系统的历史信息及选定的未来的输入，预测其未来输出，没有传统控制中对模型结构严格要求；采用滚动式的有限时域优化策略，反复在线优化局部目标；能方便的处理各种约束条件；对具有相互耦合的多变量受控系统，无须解耦和输入、输出对应问题。
2 多变量控制方法在焊接过程中的应用
正是由于焊接过程高度复杂性，许多学者对其进行研究，希望通过调节多个变量来控制表征焊接质量的多个参数。
2.1 神经网络控制方法的应用
George E. Cook等[1]运用人工神经网络建立了焊接过程模型和控制方法，其原理图如图3所示。该文将焊接过程的参数分为两类：直接参数和间接参数。直接参数从几何特征上讲，如焊缝宽度，熔深等，这些参数反映了焊接质量；间接参数如电流，电压等。通过调节间接参数来控制直接参数，使其达到期望的值。该文通过神经网络实现这一目的，用三层BP网络建立焊接过程模型，输入是间接参数，输出是直接参数；控制器仍采用同样的方法，只是此时网络的输入是直接参数，输出是间接参数。
图3 神经网络控制原理图
该方法的不足之处是：(1)训练数据过少，不足以覆盖整个焊接过程特征状态空间；(2)该方法为开环控制，没能利用实际输出值的反馈信息。
2.2 预测控制方法的应用
Yu M. Zhang等[2]提出了神经模糊模型的预测控制方法在焊接过程中的应用，是一个双输入双输出控制过程。模型是一个被广泛应用于工业过程的脉冲响应函数。该文对焊接过程从理论上分析了模型中，参数和控制变量间的耦合作用，找出了其中的主要因素，简化了过程模型。控制器作者采用的是基于模糊模型的预测控制。该方法不足之处是：(1)凭经验和多次比较来划分模糊几何；(2)所采用的模型未考虑历史时刻的输出，对当前时刻的输出的影响。
Charalabos Doumanidis等[4]提出了多变量自适应预测控制方法在焊接过程中的应用。作者首先通过实验建立了焊接过程的双输入双输出状态空间方程，在此基础上先设计了多输入多输出自适应预测控制器，通过测试设备实现了闭环控制，并且用Smith估计器补偿了输出测量中的时滞问题。而该方法的不足之处为：(1)建立的过程模型是线性模型；(2)未考虑焊接过程的动态效应。
2.3 模糊控制方法的应用
张广军博士和陈善本教授[3]，在变间隙填丝脉冲GTAW平板对接焊中，提出了自适应双输入双输出模糊控制器。仿真原理图如图4所示。
图4 变间隙填丝脉冲GTAW仿真原理图
建立仿真系统，就必须先建立以占空比和送丝速度为输入，以熔池背面宽度和正面高度为输出的焊接过程模型。而作者将这一过程分两步来做，主要做了以下考虑。其一，作者经分析认为熔池背面宽度和正面高度不仅和间接参数电流，速度等有关，还和熔池正面形状参数和间隙有关，因此建立了两个模型。一个模型以电流、速度和间隙为输入，以正面参数为输出(TDNNM)；另一个以电流、速度、间隙及正面形状参数为输入，以背面宽度和正面高度为输出(BWHDNNM)。其二，测取实验数据时，正反面同时有摄像机，可测得背面宽度；但实际焊接时，只有正面的摄像机，背面宽度不可测，因此可以将第二个模型作为预测模型运用到实际焊接过程。
控制器是用解耦的模糊控制来实现的，模糊规则用带有调整因子的解析表达式来描述，定义关于误差的目标函数，通过寻优算法确定规则中的调整因子。且作者注意到模糊控制器中量化因子和比例因子对系统性能的影响，因此设计了调节比例因子和量化因子的规则，进行在线调整，使系统达到快速、准确的响应。该方法不足之处是凭经验和多次比较来划分模糊集合，而且虽然量化因子和比例因子可在线调整，但模糊控制器的查询表是固定不变的。
3 结束语
虽然已有不少学者对焊接过程的多变量控制方法进行了研究，但显然还存在一些尚需解决的问题，这些问题已在文中指出。而且要取得焊接控制技术的进展，要加大对智能控制在该过程中应用的研究，同时要提高控制器的在线学习能力。
