CN105478976A - 基于动态系统辨识的端接微束等离子焊接成形控制方法 - Google Patents

Abstract

本发明提供了一种基于动态系统辨识的端接微束等离子焊接成形控制方法，属于焊接质量控制技术领域。本发明针对薄壁端接接头脉冲微束等离子焊接过程中能量参数波动和散热条件变化等状况导致的焊接过程不稳定和焊缝成形不均匀难题，采用熔池视觉传感技术提取焊接熔池正面瞬态图像特征，采用Elman动态递归神经网络对薄壁端接脉冲微束等离子焊接动态过程进行离线系统辨识，通过实时调节焊接工艺参数实现端接接头脉冲微束等离子焊接过程的焊菇成形在线控制。本发明能够提高焊接产品的质量可靠性与一次焊接合格率，可应用于航空航天制造等领域薄壁金属精密构件的端接脉冲微束等离子焊接过程中，尤其适用于超薄壁膜盒和波纹管等弹性元件的精密焊接场合。

Description

基于动态系统辨识的端接微束等离子焊接成形控制方法

技术领域

本发明属于焊接质量控制技术领域，涉及一种基于动态系统离线辨识的端接微束等离子焊接成形控制方法，可广泛应用于航空航天制造等领域薄壁金属精密构件的端接微束等离子焊接过程中。

背景技术

薄壁金属精密构件是航空航天、军用武器、核工业、医疗器械和生物医学等高端装备制造领域中一类不可或缺的重要构件，对焊缝质量和接头机械性能要求严格。脉冲微束等离子焊接方法(P-MPAW，PulsedMicro-plasmaArcWelding)因具有能量密度集中、热影响区窄、电弧稳定性高以及能够实现热输入量的精确控制等优点，是耐热薄钢带、不锈钢薄壁管、金属波纹管和膜盒等薄壁金属精密构件的重要焊接成形制造方法。

焊接成形质量控制是维持焊接过程稳定性、保证焊缝质量和接头性能的关键，也是实现智能化焊接的前提。我国现阶段尚未全面实现薄壁金属精密构件的自动化和机器人化焊接生产，目前仍主要依赖于人工辅助的机械化焊接生产方式，存在着焊接过程不稳定、焊缝成形不均匀、焊接质量稳定性难以保障、产品的一次焊接成功率低等严重问题，尤其在航空航天制造领域中，传统的焊接生产方式正面临严峻挑战：以宇航工业中需求量巨大的焊接波纹管、焊接膜盒等薄壁金属壳体类构件为例，其焊缝数量众多(最多时近一百条)，且焊缝质量均需达到航天工业标准I级要求，同时需保证无一漏点并通过液压、气密、氦质谱检漏及疲劳寿命试验。因此，发展以“高精度焊缝控形”为目标的精密焊接在线成形控制技术，是薄壁金属精密构件制造领域亟需重点突破的关键性内容。

由于薄壁金属精密构件焊接具有母材壁薄、焊缝微细和焊接熔池微小等特点，其焊接热过程条件变化对焊缝成形质量的影响显著，给在端接接头精密焊接过程实现焊缝成形质量控制提出极大挑战：一方面由于焊接熔池体积和热容量微小、熔池内部及表面作用力复杂等因素，焊接过程中熔池内的热、力平衡极易因电弧热功率、焊接夹具传热条件、熔池表面张力的细微变化而被破坏，导致产生焊缝氧化夹渣、焊缝根部未熔合、裂纹等成形缺陷；另一方面由于薄壁端接接头焊接过程中热输入量积累大且散热速率低，母材极易出现烧穿致使产品报废。因此，如何在焊接过程时滞、多变量耦合且难以建立精确焊接过程模型的条件下对焊缝成形质量实施精确控制，是是薄壁金属精密构件焊接制造亟需解决的关键问题。

经对现有技术文献和专利检索发现，专利申请号为200910248029.0的中国发明专利《一种超细不锈钢筛网的精密焊接方法》公开了一种超细不锈钢筛网的精密焊接方法，采用微束等离子焊接方法实现Φ0.15mm～Φ0.25mm丝径不锈钢筛网的对接自动焊；专利申请号为201010101229.6的中国发明专利《一种纯钛箔的微束等离子弧焊焊接方法》公开了一种纯钛箔的微束等离子弧焊焊接方法，通过一套焊接工艺流程实现0.05mm厚钛含量99％以上的纯钛箔的微束等离子弧对接焊。以上技术方案均针对对接接头的微束等离子焊接，且并未涉及微束等离子焊接成形在线控制技术。

综上所述，国内外针对微束等离子焊接技术的研究大多仅涉及装配定位方法及工装夹具设计、焊接工艺参数离线优化、焊道自动跟踪技术以及适用于薄板对接接头或针对特定工件的焊接工艺方法，目前尚未见适用于薄壁端接接头微束等离子焊接的焊缝成形在线控制方法。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于动态系统辨识的端接微束等离子焊接成形控制方法，以实现薄壁端接接头微束等离子焊接过程的焊菇成形在线控制。

为了实现上述目的，本发明采取以下技术方案：

一种基于动态系统辨识的端接微束等离子焊接成形控制方法，包括以下步骤：

1)针对薄壁端接接头进行基于正交试验法设计的脉冲微束等离子焊接试验，获得试验数据包括主弧峰值电流主弧基值电流主弧电流脉冲宽度等离子气体流量焊接速度熔池长度熔池宽度熔池尾部轮廓角角度焊菇熔深和焊菇宽度对试验数据进行归一化处理，使各试验数据归一化到[0，1]之间，得到标准化的神经网络学习样本，并将该学习样本分为网络训练数据集和网络验证数据集；

2)采用步骤1)中所述网络训练数据集，根据BP误差反向传播算法对Elman动态递归神经网络进行离线训练，直至网络学习指标函数值满足收敛条件，即实现Elman动态递归神经网络对薄壁端接脉冲微束等离子焊接动态过程的离线系统辨识，其中，所述网络训练数据集采用主弧峰值电流主弧基值电流主弧电流脉冲宽度等离子气体流量焊接速度熔池长度熔池宽度熔池尾部轮廓角角度焊菇熔深和焊菇宽度的当前时刻数据和历史时刻数据作为所述Elman动态递归神经网络的输入参数，采用下一时刻的焊菇熔深和焊菇宽度作为所述Elman动态递归神经网络的输出参数；

3)采用步骤1)中所述网络验证数据集对步骤2)中所述Elman动态递归神经网络进行验证并修正，直至网络的最大误差百分比和平均误差率满足预设精度要求，即得到焊菇成形预测模型；

4)根据薄壁金属精密构件的焊接规范标准对焊菇成形期望指标进行设定，包括焊菇熔深期望指标D_set和焊菇宽度期望指标W_set，并对微束等离子焊接工艺参数进行初始值设定，随后开始焊接；

5)采用安装有复合滤光片组的高速CCD摄像机从微束等离子焊接熔池后上方连续采集熔池正面图像，并依次进行图像预处理、图像分割和熔池边缘检测提取熔池形态特征参数，包括：熔池长度L_poo、熔池宽度W_poo和熔池尾部轮廓角角度α_poo；采用霍尔传感器、气体流量传感器和光电码盘测速传感器采集微束等离子焊接过程参量信号，经信号处理后得到主弧峰值电流I_p、主弧基值电流I_b、主电流脉冲宽度P_i、等离子气流量Q_pla和焊接速度V；

6)根据步骤5)中所述熔池长度L_poo、熔池宽度W_poo、熔池尾部轮廓角角度α_poo、主弧峰值电流I_p、主弧电流脉冲宽度P_i、主弧基值电流I_b、等离子气流量Q_pla和焊接速度V的当前时刻数据和历史时刻数据，采用步骤2)所述焊菇成形预测模型计算得到下一时刻的焊菇成形预测数据，包括焊菇熔深预测值D_pre和焊菇宽度预测值W_pre；

7)根据步骤6)中所述焊菇熔深预测值D_pre与步骤4)中所述焊菇熔深期望指标D_set的差值E_D，微束等离子焊接电源执行等离子气流量Q_pla的实时调整，实现焊菇熔深的实时闭环反馈控制；根据步骤6)中所述焊菇宽度预测值W_pre与步骤4)中所述焊菇宽度期望指标W_set的差值E_W，微束等离子焊接电源执行主弧电流脉冲宽度P_i的在线调整，实现焊菇宽度的实时闭环反馈控制；

8)重复步骤5)至步骤7)，直至焊接结束。

上述技术方案中，步骤1)中所述主弧峰值电流为2.5～4.0A、主弧基值电流为1.2～2.0A、主弧电流脉冲宽度为0～99％、等离子气体流量为200～300mL/min、焊接速度为200～248mm/min。

上述技术方案中，步骤1)中所述微束等离子焊接试验，采用安装有复合滤光片组的高速CCD摄像机从微束等离子焊接熔池后上方连续采集熔池正面图像，并依次进行图像预处理、图像分割和熔池边缘检测提取熔池形态特征参数，包括熔池长度熔池宽度熔池尾部轮廓角角度采用工具显微镜测量并记录焊缝接头熔凝区形状特征尺寸，包括焊菇熔深和焊菇宽度

本发明具有以下优点及突出性的技术效果：本发明采用Elman动态递归神经网络，基于系统的当前数据和历史数据对薄壁端接接头脉冲微束等离子焊接动态过程进行系统离线辨识，能够克服传统静态映射网络在对纯时间延迟动态系统进行辨识时辨识精度和稳定性方面的不足，实现网络对“焊接工艺参数-熔池视觉特征-焊菇几何尺寸”非线性映射的高精度逼近；本发明采用熔池正面视觉与焊接过程多参数同步传感，结合Elman神经网络系统辨识模型感知焊菇成形特征参数，通过实时调节焊接工艺参数实现端接接头脉冲微束等离子焊接过程的焊菇成形在线控制，为解决微束等离子焊接过程中能量参数波动和散热条件变化等状况导致的焊接过程不稳定和焊缝成形不均匀难题提供了有效解决方案；本发明能够提高焊接产品的质量可靠性与一次焊接合格率，可应用于航空航天制造等领域的端接脉冲微束等离子焊接过程中，尤其适用于超薄壁膜盒和波纹管等弹性元件的精密焊接场合。

附图说明

图1是基于动态系统辨识的端接微束等离子焊接成形控制方法流程框图。

图2是实现本发明所述方法的微束等离子焊接成形控制系统结构示意图。

图中：1—单目同轴远心视觉传感系统；2—图像采集卡；3—工业控制计算机；4—等离子焊枪；5—脉冲微束等离子焊接电源；6—数据采集卡；7—精密焊接工作台；8—霍尔电流传感器；9—气体流量传感器；10—光电码盘测速传感器；11—单目同轴远心视觉传感系统主光轴；12—熔池；13—焊件。

图3是本发明端接微束等离子焊接的焊菇截面示意图。

图中：14—金属薄片；15—定位夹具；16—焊菇宽度；17—焊菇熔深。

图4是实现本发明所述方法的Elman神经网络结构示意图。

图5是实现本发明所述方法的Elman神经网络学习算法流程图。

具体实施方式

下面结合附图和实施例对本发明原理和工作过程做进一步详细说明。

图2所示为实现本发明所述方法的微束等离子焊接成形控制系统结构示意图，该系统包括单目同轴远心视觉传感系统1、图像采集卡2、工业控制计算机3、等离子焊枪4、脉冲微束等离子焊接电源5、数据采集卡6、精密焊接工作台7、霍尔电流传感器8、气体流量传感器9、光电码盘测速传感器10；所述等离子焊枪4通过焊接电缆连接所述微束等离子焊接电源5的负极，所述脉冲微束等离子焊接电源5的正极通过焊接电缆经所述霍尔电流传感器8与焊件相连接；所述单目同轴远心视觉传感系统1通过信号线连接所述图像采集卡2，所述图像采集卡2通过信号线连接所述工业控制计算机3，所述工业控制计算机3用控制线连接所述脉冲微束等离子焊接电源5；所述数据采集卡6通过信号线连接所述工业控制计算机3，所述数据采集卡6通过信号线经所述气体流量传感器9与所述微束等离子焊接电源5相连接，所述数据采集卡6通过信号线经所述光电码盘测速传感器10与所述精密焊接工作台7相连接；所述单目同轴远心视觉传感系统1包括LED同轴平行远心背光源、复合滤光片组、工业远心镜头和高速CCD摄像机，所述复合滤光片组包括808nm±30nm近红外窄带滤光片、中性减光片和吸热镜片，所述工业远心镜头为光学放大倍数为4倍、工作距离为110.0±2mm的工业远心镜头，所述单目同轴远心视觉传感系统1固定设置在摄像机支架上，所述摄像机支架固定设置在所述精密焊接工作台7的正前方；

图1所示为本发明的基于动态系统辨识的端接微束等离子焊接成形控制方法流程框图，包括以下几个步骤：

1)本实施例中，针对0.12mm厚GH4169镍基合金端接接头进行基于正交试验法设计的脉冲微束等离子焊接试验，采用的主弧峰值电流为2.5～4.0A、主弧基值电流为1.2～2.0A、主弧电流脉冲宽度为0～99％、等离子气体流量为200～300mL/min、焊接速度为200～248mm/min、主弧电流脉冲频率f_pul为50Hz、保护气体流量Q_shi为1200mL/min、焊接伸出量l_m为0.25mm，采用所述单目同轴远心视觉传感系统1从微束等离子焊接熔池后方拍摄熔池，所述单目同轴远心视觉传感系统1的主光轴穿过熔池中心，该远心视觉传感系统的景深d满足d>l·cosθ，其中l为熔池长度，θ为主光轴与熔池平面之间的夹角，通过对熔池图像依次进行图像预处理、图像分割和熔池边缘检测提取并记录熔池形态的特征信息，包括熔池长度熔池宽度熔池尾部轮廓角角度采用工具显微镜测量并记录焊缝接头熔凝区形状特征尺寸，包括焊菇熔深和焊菇宽度端接微束等离子焊接的焊菇截面如图3所示；获得的试验数据包括当前及历史时刻的主弧峰值电流主弧基值电流主弧电流脉冲宽度等离子气体流量焊接速度熔池长度熔池宽度熔池尾部轮廓角角度和下一时刻的焊菇熔深和焊菇宽度采用式(1)对所述试验数据进行归一化处理以消除各试验数据的不同量纲对系统辨识的影响，使各试验数据归一化到[0，1]之间，得到标准化的神经网络学习样本，并将该学习样本以4:1的比例分为网络训练数据集和网络验证数据集；

$x_i^{*}=\frac{x_i-x_{min}}{x_{\max }-x_{min}}---\left(1\right)$

式中：x_max、x_min分别为所述试验数据中的同类型数据中的最大值和最小值，x_i、分别为归一化处理前后的值；

2)采用如图4所示的Elman动态递归神经网络对端接脉冲微束等离子焊接过程进行系统辨识。不同于BP神经网络和RBF神经网络等静态前馈神经网络，Elman动态递归网络采用四层网络结构，包括：输入层、隐含层、输出层和承接层，其中承接层从隐含层接受反馈信号并自联至隐含层的输入，用于延迟与存储前一时刻的隐含层输出值，使网络对于历史状态的数据具有敏感性，提高了对于动态信息的处理能力，能够更直接地反映待辨识系统的动态特性。

Elman神经网络非线性状态空间的表达式为：

$\left\{\begin{array}{c}y\left(k\right)=g\left(w^{3}x\right(k\left)\right)\\ x\left(k\right)=f\left(w^1{x}_c\right(k)+w^2(u\left(k-1\right)\left)\right)\\ x_c\left(k\right)=x(k-1)\end{array}\right.---\left(2\right)$

式中：y为m维输出层节点向量，x为n维隐含层节点向量，u为r维输入层节点向量，x_c为n维承接层反馈状态向量，w¹、w²、w³分别为承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值，g(·)为输出层神经元传递函数，f(·)为隐含层神经元传递函数，k表示k采样时刻；

本实施例中，隐含层神经元传递函数f(·)采用Sigmoid型双曲正切函数transig，输出层神经元传递函数g(·)采用Sigmoid型对数函数logsig；采用均方误差函数E_MSE作为网络学习指标函数，如下式所示：

$E_{MSE}=\frac{1}{N}\underset{k=1}{\overset{n}{\Σ}}{\[y_k-{\hat{y}}_k\]}^2---\left(3\right)$

式中：N为数据的总长，y_k为网络输出向量，为期望输出向量；

采用步骤1)所述网络训练数据集作为所述Elman动态递归神经网络的输入和输出数据，其中当前及历史时刻的主弧峰值电流主弧基值电流主弧电流脉冲宽度等离子气体流量焊接速度熔池长度熔池宽度和熔池尾部轮廓角角度作为所述Elman动态递归神经网络的输入数据，采用下一时刻的焊菇熔深和焊菇宽度作为步骤2)所述Elman动态递归神经网络的输出数据；

本实施例中，所述Elman动态递归神经网络的网络输入层神经元个数为28，输入向量如下：

$\begin{array}{ccccccc}\{{\hat{L}}_{poo}^k,& {\hat{L}}_{poo}^{k-1},& {\hat{L}}_{poo}^{k-2},& {\hat{L}}_{poo}^{k-3},& {\hat{W}}_{poo}^k,& {\hat{W}}_{poo}^{k-1},& {\hat{W}}_{poo}^{k-2},\\ {\hat{W}}_{poo}^{k-3},& {\widehat{\mathrm{\α}}}_{poo}^k,& {\widehat{\mathrm{\α}}}_{poo}^{k-1},& {\widehat{\mathrm{\α}}}_{poo}^{k-2},& {\widehat{\mathrm{\α}}}_{poo}^{k-3},& {\hat{I}}_p^k,& {\hat{I}}_p^{k-1},\\ {\hat{I}}_p^{k-2},& {\hat{I}}_p^{k-3},& {\hat{I}}_b^k,& {\hat{I}}_b^{k-1},& {\hat{I}}_b^{k-2},& {\hat{I}}_b^{k-3},& {\hat{V}}^k,\\ {\hat{V}}^{k-1},& {\hat{V}}^{k-2},& {\hat{V}}^{k-3},& {\hat{Q}}_{pla}^k,& {\hat{Q}}_{pla}^{k-1},& {\hat{Q}}_{pla}^{k-2},& {\hat{Q}}_{pla}^{k-3}\}\end{array}$

其中，分别为k、k-1、k-2和k-3时刻下的熔池长度， 分别为k、k-1、k-2和k-3时刻下的熔池宽度，分别为k、k-1、k-2和k-3时刻下的熔池尾部轮廓角角度，分别为k、k-1、k-2和k-3时刻下的主弧峰值电流，分别为k、k-1、k-2和k-3时刻下的主弧基值电流，分别为k、k-1、k-2和k-3时刻下的焊接速度，分别为k、k-1、k-2和k-3时刻下的等离子气体流量；输出层的神经元个数为2，输出向量为其中，和分别为k+1时刻下的焊菇熔深和焊菇宽度；将网络隐含层的神经元个数设定为7-15之间的整数，设定网络的收敛条件为E_MSE≤0.001，采用trainlm学习算法对所述焊Elman动态递归神经网络进行离线训练，直至网络学习指标函数值满足收敛条件，网络学习算法流程如图5所示；分别检测所述Elman动态递归神经网络在不同网络隐含层神经元个数条件下的最大误差百分比和平均误差率，并以最大误差百分比和平均误差率均最小为原则，确定最终的Elman动态递归神经网络的拓扑结构，本实施例中Elman动态递归神经网络隐含层的神经元个数为10；

3)采用步骤1)所述网络验证数据集对步骤2)所述Elman动态递归神经网络进行验证并修正：采用步骤1)所述网络验证数据集作为步骤2)所述Elman动态递归神经网络的输入和输出参数，其中，当前及历史时刻的主弧峰值电流主弧基值电流主弧电流脉冲宽度等离子气体流量焊接速度熔池长度熔池宽度和熔池尾部轮廓角角度作为所述Elman动态递归神经网络的输入数据，采用下一时刻的焊菇熔深和焊菇宽度作为步骤2)所述Elman动态递归神经网络的输出数据，通过计算该网络的最大误差百分比和平均误差率判断预设精度要求，当网络的最大误差百分比或平均误差率不满足预设精度要求时，采用步骤1)所述网络验证数据集对步骤2)所述Elman动态递归神经网络进行再次训练，直至网络的最大误差百分比和平均误差率满足预设精度要求，即得到焊菇成形预测模型；

4)根据薄壁金属精密构件的焊接规范标准对焊菇成形期望指标进行设定，包括焊菇熔深期望指标D_set和焊菇宽度期望指标W_set，并对微束等离子焊接工艺参数进行初始值设定，随后开始焊接；

5)本实施例中，采用所述单目同轴远心视觉传感系统1从微束等离子焊接熔池后方连续采集微束等离子焊接熔池图像，通过对熔池图像依次进行图像预处理、图像分割和熔池边缘检测步骤提取池形态特征参数，包括：熔池长度L_poo、熔池宽度W_poo和熔池尾部轮廓角角度α_poo；采用霍尔传感器8、气体流量传感器9和光电码盘测速传感器10采集微束等离子焊接过程参量信号，经信号处理后得到主弧峰值电流I_p、主弧基值电流I_b、主电流脉冲宽度P_i、等离子气流量Q_pla和焊接速度V；

6)所述工业控制计算机3根据步骤5)中所述熔池长度L_poo、熔池宽度W_poo、熔池尾部轮廓角角度α_poo、主弧峰值电流I_p、主弧电流脉冲宽度P_i、主弧基值电流I_b、等离子气流量Q_pla和焊接速度V的当前时刻数据和历史时刻数据，采用步骤2)所述焊菇成形预测模型计算得到下一时刻的焊菇成形预测数据，包括焊菇熔深预测值D_pre和焊菇宽度预测值W_pre；

7)本实施例中，根据步骤6)中所述焊菇熔深预测值D_pre与步骤4)中所述焊菇熔深期望指标D_set的差值E_D，脉冲微束等离子焊接电源5执行等离子气流量Q_pla的实时调整，采用PID控制算法计算得到微束等离子焊接主弧峰值电流I_p的参数补偿调整量ΔI_p，并根据ΔI_p对I_p执行在线调整，实现焊菇熔深的实时闭环反馈控制；根据步骤6)中所述焊菇宽度预测值W_pre与步骤4)中所述焊菇宽度期望指标W_set的差值E_W，采用PID控制算法计算得到微束等离子焊接电流脉冲宽度P_i的参数补偿调整量ΔP_i，并根据ΔP_i对P_i执行在线调整，脉冲微束等离子焊接电源5执行主弧电流脉冲宽度P_i的在线调整，实现焊菇宽度的实时闭环反馈控制；

8)重复步骤5)至步骤7)，直至焊接结束。

Claims (3)

1.一种基于动态系统辨识的端接微束等离子焊接成形控制方法，其特征在于所述方法包括如下步骤：

1)针对薄壁端接接头进行基于正交试验法设计的脉冲微束等离子焊接试验，获得试验数据包括主弧峰值电流主弧基值电流主弧电流脉冲宽度等离子气体流量焊接速度熔池长度熔池宽度熔池尾部轮廓角角度焊菇熔深和焊菇宽度对试验数据进行归一化处理，使各试验数据归一化到[0，1]之间，得到标准化的神经网络学习样本，并将该学习样本分为网络训练数据集和网络验证数据集；

2)采用步骤1)中所述网络训练数据集，根据BP误差反向传播算法对Elman动态递归神经网络进行离线训练，直至网络学习指标函数值满足收敛条件，即实现Elman动态递归神经网络对薄壁端接脉冲微束等离子焊接动态过程的离线系统辨识，其中，所述网络训练数据集采用主弧峰值电流主弧基值电流主弧电流脉冲宽度等离子气体流量焊接速度熔池长度熔池宽度熔池尾部轮廓角角度焊菇熔深和焊菇宽度的当前时刻数据和历史时刻数据作为所述Elman动态递归神经网络的输入参数，采用下一时刻的焊菇熔深和焊菇宽度作为所述Elman动态递归神经网络的输出参数；

3)采用步骤1)中所述网络验证数据集对步骤2)中所述Elman动态递归神经网络进行验证并修正，直至网络的最大误差百分比和平均误差率满足预设精度要求，即得到焊菇成形预测模型；

4)根据薄壁金属精密构件的焊接规范标准对焊菇成形期望指标进行设定，包括焊菇熔深期望指标D_set和焊菇宽度期望指标W_set，并对微束等离子焊接工艺参数进行初始值设定，随后开始焊接；

5)采用安装有复合滤光片组的高速CCD摄像机从微束等离子焊接熔池后上方连续采集熔池正面图像，并依次进行图像预处理、图像分割和熔池边缘检测提取熔池形态特征参数，包括：熔池长度L_poo、熔池宽度W_poo和熔池尾部轮廓角角度α_poo；采用霍尔传感器、气体流量传感器和光电码盘测速传感器采集微束等离子焊接过程参量信号，经信号处理后得到主弧峰值电流I_p、主弧基值电流I_b、主电流脉冲宽度P_i、等离子气流量Q_pla和焊接速度V；

6)根据步骤5)中所述熔池长度L_poo、熔池宽度W_poo、熔池尾部轮廓角角度α_poo、主弧峰值电流I_p、主弧电流脉冲宽度P_i、主弧基值电流I_b、等离子气流量Q_pla和焊接速度V的当前时刻数据和历史时刻数据，采用步骤2)所述焊菇成形预测模型计算得到下一时刻的焊菇成形预测数据，包括焊菇熔深预测值D_pre和焊菇宽度预测值W_pre；

7)根据步骤6)中所述焊菇熔深预测值D_pre与步骤4)中所述焊菇熔深期望指标D_set的差值E_D，微束等离子焊接电源执行等离子气流量Q_pla的实时调整，实现焊菇熔深的实时闭环反馈控制；根据步骤6)中所述焊菇宽度预测值W_pre与步骤4)中所述焊菇宽度期望指标W_set的差值E_W，微束等离子焊接电源执行主弧电流脉冲宽度P_i的在线调整，实现焊菇宽度的实时闭环反馈控制；

8)重复步骤5)至步骤7)，直至焊接结束。

2.根据权利要求1所述一种基于动态系统辨识的端接微束等离子焊接成形控制方法，其特征在于：步骤1)中所述主弧峰值电流为2.5～4.0A、主弧基值电流为1.2～2.0A、主弧电流脉冲宽度为0～99％、等离子气体流量为200～300mL/min、焊接速度为200～248mm/min。

3.根据权利要求1所述一种基于动态系统辨识的端接微束等离子焊接成形控制方法，其特征在于：步骤1)中所述微束等离子焊接试验，采用安装有复合滤光片组的高速CCD摄像机从微束等离子焊接熔池后上方连续采集熔池正面图像，并依次进行图像预处理、图像分割和熔池边缘检测提取熔池形态特征参数，包括熔池长度熔池宽度熔池尾部轮廓角角度采用工具显微镜测量并记录焊缝接头熔凝区形状特征尺寸，包括焊菇熔深和焊菇宽度