随着我国工业生产模式的不断发展,作为“工业裁缝”的焊接技术也在逐渐向柔性化、精细化、智能化方向转型。焊接机器人也越来越多的应用于包括航天航空、船舶制造、铁路交通和汽车生产等行业中。然而现有焊接机器人在智能化方面尚有所欠缺,需要人工进行离线编程或示教,缺乏类似焊工在线焊接的适应性,并且在某些焊接工况下,机器人因无法感知在线焊接过程而不具备作业能力,必须由熟练焊工进行操作。本文从焊工智能角度入手,对机器人在线焊接过程进行了研究。借鉴焊接过程和生物特征两个方面的科学研究成果,对焊工智能进行了理论分析,提出了一种基于焊工智能(Welder’s Intelligence,WI)的连续动态控制模型,应用于焊接机器人实施在线焊接作业。以焊工智能为基础,从全局层面考虑机器人对焊接状态的感知、定义了全局奖励函数,用于进行多参数抽象行为模式选择,避免了机器人受困于当前或短期的最优状态。定义了焊工智能序列的驱动模式,将焊工复杂的识别、决策与行为过程抽象为序贯决策过程(Sequential Decision Process,SDP)模型,提炼了稳定性、周期性与全局性的特点,以用于指导机器人实现类似焊工的基于动态熔池的行为控制。焊接机器人轨迹是WI-SDP模型的重要组成部分,其决定的焊速与施加位置也是直接影响焊接质量的工艺参数(Welding Parameters,WP)。针对WI-SDP模型中行为动作设计问题,考虑机器人较焊工存在运动稳定的优势,提出一种基于三次样条曲线插值的解决方案,在机器人关节空间内生成多点连续平顺焊接轨迹,综合考虑了多点连续情况下机器人的运动约束,以机器人运行效率最高为目标,设计了机器人轨迹优化的运筹模型。提出一种连续两阶段并多步搜寻的混合遗传算法(Hybrid Genetic Algorithm,HGA)实现高效精确求解,克服了传统遗传算法在计算时出现的收敛效果差、精度不理想等问题。保证WI-SDP模型中机器人运动平顺稳定且工作效率最高,从机械运动理论的角度设计了机器人近似最优的焊接动作。动态熔池的在线观测、识别与分析,是焊工对熔池进行调节的基础,也是进行WI-SDP建模的前提条件。针对动态熔池监测过程中存在实时性强弧光干扰的问题,提出了一种监测信号的优化前处理方法,优化了 WI-SDP中的识别过程。以一种基于主动视觉的GTAW焊动态熔池测量实验为基础,设计类似焊工的滤波处理方法,对其动态熔池特征信号(Characteristic Performance,CP)和焊接工艺信号进行改善。其中CP采用野值检测与Kalman滤除,而WP直接采用Kalman滤波处理。使得机器人可以模拟焊工识别信号并处理眨眼、分神的影响,改善了信号接受质量,也为后续WI-SDP建模奠定了基础。动态熔池知识库形成,是焊工多年训练与学习能力的体现,也是WI-SDP动作模型设计的依据。针对现有焊接模型精度较低的问题,结合信号的优化前处理方法,提出了一种基于高斯过程回归(Gaussian Process Regression,GPR)的动态熔池建模方法,使机器人在接受适度焊接训练后,可以通过回忆与分析的方式将训练模型应用于新的动态焊接场景中,在训练中与动态焊接场景中均可达到较高的模型精度,使机器人具备类似焊工的形成知识库的能力,有效避免了使机器人准确掌握动态焊接极其复杂的物理模型的问题。当前焊接训练可达到95%以上的建模正确率,验证实验中,误差率不超过5%的样本比例也达到95%以上,得到了较高的模型精度。高精度模型的形成类似于高级焊工的知识库,也是WI-SDP模型中动作行为模式选择的前提。焊接工艺参数预测与动态熔池的实时预测与控制,是机器人焊接能力的体现,也是WI-SDP模型的核心部分。针对预测工艺信号不准确,在线控制效果不理想等问题,结合贝叶斯优化(Bayesian Optimazation Algorithm,BOA)理论,设计了 一种基于 GPR-BOA的WI-SDP动作预测方法。使机器人在焊接训练后,形成经验并可以通过调用模型的方式将训练经验应用于新的动态焊接作业中,预测记忆存在条件下的SDP动作序列,实现WP全局连续预测控制的目标。BOA方法的优势在于充分考虑了估计值的置信区间,并根据参数特点进行预测。设计了变焊速条件和变电流变焊速条件下的动态熔池连续控制实验,持续控制液态金属熔池的流动,进而实现对动态熔池的连续控制,获得受控的连续均匀的焊缝形貌,体现了 WI-SDP模型的有效性和实用性,为提升焊接机器人对复杂变工况的适应能力,提供了理论基础与技术支持。