本发明涉及智能焊接控制，具体涉及一种基于无模型自适应迭代学习控制的tig焊接方法。
背景技术：
1、tig（tungsten inert gas welding）焊接，也称为钨极惰性气体保护焊，其通过在电弧中使用不可熔化的钨电极产生电弧，以高温融化工件金属，同时通过惰性气体（如氩气或氦气）进行保护，以防止焊接过程中氧化或其他气体污染。tig焊接适用于多种金属材料，包括不锈钢、铝、镍合金、钛及其合金等，因其具有焊接质量高、焊缝光滑、无飞溅物等优点，广泛应用于航空航天、汽车制造、压力容器等对焊接质量要求较高的领域。在机械臂自动化焊接中，tig焊接技术也得到了广泛应用。
2、tig焊接受控系统具有非线性、时变性、强耦合、不确定性和高精度要求等特点。传统模型控制算法依赖于精确的数学模型，但由于tig焊接过程的复杂性和非线性，造成精确建模非常困难，导致控制效果容易受工况变化的影响，难以适应不同的焊接任务。
3、pid控制算法适用于线性、时不变系统，但在面对tig焊接过程的非线性和时变性时，其参数调节复杂且对扰动不够敏感，难以实现多变量强耦合条件下的稳定控制，容易引起焊接质量的波动。
4、迭代学习控制（ilc）算法通过逐次优化提高控制精度，适用于周期性任务，但在tig焊接过程中工况经常变化，如材料特性和环境变化，其依赖重复性的特点导致适应性较差，收敛速度较慢。
5、无模型自适应迭代学习控制（mfailc）算法则不依赖于tig焊接受控系统数学模型，能够基于实时数据自适应调节控制器参数，在复杂的tig焊接环境下更具鲁棒性和适应性。mfailc算法结合了自适应控制的动态调整和迭代学习的误差优化，相较于传统的固定增益迭代学习控制，即使工况多变或存在不确定性，也能迅速收敛至高精度控制状态，从而更好地实现焊接质量的高精度控制。
技术实现思路
1、针对现有技术所存在的上述缺点，本发明提供了一种基于无模型自适应迭代学习控制的tig焊接方法，能够有效克服现有技术所存在的难以在复杂的tig焊接环境下保持较高焊接质量的缺陷。
2、为实现以上目的，本发明通过以下技术方案予以实现：
3、一种基于无模型自适应迭代学习控制的tig焊接方法，包括以下步骤：
4、s1、设定初始焊接电流和熔池背面宽度期望值；
5、s2、建立关于tig焊接受控系统的无模型自适应迭代学习控制方案；
6、s3、利用无模型自适应迭代学习控制模型计算得到焊接过程中各时刻的焊接电流，并对工件进行焊接；
7、s4、实时检测焊接过程中各时刻的熔池背面宽度，计算各时刻的熔池背面宽度与熔池背面宽度期望值之间的误差；
8、s5、对计算得到的最大误差绝对值与预设阈值进行比较，若最大误差绝对值大于预设阈值，则返回s3，利用无模型自适应迭代学习控制模型对焊接过程中各时刻的焊接电流进行更新，并对下一个工件进行焊接，否则直接使用当前各时刻的焊接电流对下一个工件进行焊接，并返回s4。
9、优选地，s1中设定初始焊接电流和熔池背面宽度期望值，包括：
10、根据经验值或实验设定初始焊接电流 i0，根据工件的材质、厚度及焊接质量要求设定熔池背面宽度期望值 w d。
11、优选地，s2中建立关于tig焊接受控系统的无模型自适应迭代学习控制方案，包括：
12、s21、考虑未知非重复线性tig焊接受控系统：
13、；
14、其中， w为tig焊接受控系统输出的熔池背面宽度， i为tig焊接受控系统输入的焊接电流， t为采样时刻， k为迭代次数，、分别为熔池背面宽度、焊接电流的阶次；
15、s22、根据s21中的未知非重复线性tig焊接受控系统，建立tig焊接受控系统的动态线性化数据模型：
16、；
17、其中，为第 k次迭代过程中 t+1时刻的熔池背面宽度与 t时刻的熔池背面宽度之差，为第 k次迭代过程中 t时刻的焊接电流与 t－1时刻的焊接电流之差，为第 k次迭代过程中 t时刻的伪偏导数；
18、s23、根据s22中的动态线性化数据模型，建立tig焊接受控系统的无模型自适应迭代学习控制模型：
19、；
20、其中，、分别为第 k次、第 k－1次迭代过程中 t时刻的焊接电流，为第 k－1次迭代过程中 t+1时刻的熔池背面宽度与熔池背面宽度期望值 w d之间的误差，为第一步长因子，，为第一权重因子；
21、s24、建立伪偏导数的估计算法：
22、；
23、其中，、分别为第 k次、第 k－1次迭代过程中 t时刻的伪偏导数的估计值，为第 k－1次迭代过程中 t+1时刻的熔池背面宽度与 t时刻的熔池背面宽度之差，为第 k－1次迭代过程中 t时刻的焊接电流与 t－1时刻的焊接电流之差，为第二步长因子，，为第二权重因子；
24、s25、建立伪偏导数的重置算法：
25、；
26、其中，为第1次迭代过程中 t时刻的伪偏导数的估计值，为符号函数。
27、优选地，s3中利用无模型自适应迭代学习控制模型计算得到焊接过程中各时刻的焊接电流，并对工件进行焊接，包括：
28、对第 k个工件进行焊接时，利用tig焊接受控系统的无模型自适应迭代学习控制模型：
29、，
30、计算得到焊接过程中各时刻的焊接电流。
31、优选地，s4中实时检测焊接过程中各时刻的熔池背面宽度，计算各时刻的熔池背面宽度与熔池背面宽度期望值之间的误差，包括：
32、s41、在焊接过程中，利用视觉系统实时检测焊接时间 t内各时刻的熔池背面宽度 w k( t)，并存储采集数据；
33、s42、待工件焊接结束后，计算检测到的各时刻的熔池背面宽度 w k( t)与熔池背面宽度期望值 w d之间的误差 e k( t)：
34、；
35、其中， e k( t)为第 k个工件焊接过程中 t时刻检测得到的熔池背面宽度 w k( t)与熔池背面宽度期望值 w d之间的误差，；
36、s43、对s42中计算得到的多个误差 e k( t)进行排序，并获取最大误差绝对值。
37、优选地，s5对将计算得到的最大误差绝对值与预设阈值进行比较，若最大误差绝对值大于预设阈值，则返回s3，利用无模型自适应迭代学习控制模型对焊接过程中各时刻的焊接电流进行更新，并对下一个工件进行焊接，否则直接使用当前各时刻的焊接电流对下一个工件进行焊接，并返回s4，包括：
38、对最大误差绝对值与预设阈值 e进行比较，若，则返回s3，利用无模型自适应迭代学习控制模型对焊接过程中各时刻的焊接电流进行更新，并对下一个工件进行焊接；
39、若，则直接使用当前各时刻的焊接电流对下一个工件进行焊接，并返回s4。
40、与现有技术相比，本发明所提供的一种基于无模型自适应迭代学习控制的tig焊接方法，无需依赖tig焊接受控系统数学模型，能够直接根据tig焊接过程中的实时数据调节控制器参数，高效适应不同材料、形状等环境条件下的tig焊接任务；利用mfailc算法，本发明在批量焊接任务中显著提高了焊接质量的稳定性和一致性，尤其是在机械臂自动化焊接应用中，能够有效减少因工况变化引起的焊接质量波动；与传统的迭代学习控制算法相比，mfailc算法结合了无模型自适应控制的特点，能够根据tig焊接过程中的误差趋势进行动态调整，即使焊接过程中存在复杂的外界干扰和工况变化，仍能保持较高的焊接精度，这对于复杂形状工件的自动化焊接尤为重要，能够使得焊接过程更加高效，并且能够降低废品率，同时减少返工时间。
1.一种基于无模型自适应迭代学习控制的tig焊接方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于无模型自适应迭代学习控制的tig焊接方法，其特征在于：s1中设定初始焊接电流和熔池背面宽度期望值，包括：
3.根据权利要求2所述的基于无模型自适应迭代学习控制的tig焊接方法，其特征在于：s2中建立关于tig焊接受控系统的无模型自适应迭代学习控制方案，包括：
4.根据权利要求3所述的基于无模型自适应迭代学习控制的tig焊接方法，其特征在于：s3中利用无模型自适应迭代学习控制模型计算得到焊接过程中各时刻的焊接电流，并对工件进行焊接，包括：
5.根据权利要求4所述的基于无模型自适应迭代学习控制的tig焊接方法，其特征在于：s4中实时检测焊接过程中各时刻的熔池背面宽度，计算各时刻的熔池背面宽度与熔池背面宽度期望值之间的误差，包括：
6.根据权利要求5所述的基于无模型自适应迭代学习控制的tig焊接方法，其特征在于：s5对将计算得到的最大误差绝对值与预设阈值进行比较，若最大误差绝对值大于预设阈值，则返回s3，利用无模型自适应迭代学习控制模型对焊接过程中各时刻的焊接电流进行更新，并对下一个工件进行焊接，否则直接使用当前各时刻的焊接电流对下一个工件进行焊接，并返回s4，包括：
