因焊接过程的复杂性，近几十年关于焊接机器人的应用依旧停留在示教解说方面，先提前设置好所需的焊接路径和加工数据，严格控制机器人焊接作业条件，忽略了焊接机器人对外部环境的反馈及及时调整功能 [11]。一般地，这种焊接条件是过于理想化，在实际加工环境中，焊接机器人所处环境更加复杂多变，例如，焊接过程中焊缝间隙的控制，工件热变形的控制，加工接头方向的改变，焊缝尺寸的差异以及焊接过程中裂纹等缺陷的产生等 [12]。使用传感技术及信息反馈系统可充分避免焊接过程中焊接环境与条件的变化对焊接质量的不良影响，提高焊接机器人的自动化效率和对环境的快速适应性，使得焊接机器人可识别开始焊接位置，并进行独立引导，对焊缝实行实时监控，提取熔池变化的动态信息，从而完成实行机器人焊接的全自动化过程和智能人工控制 [13]。

1、电信号采集

在焊接机器人工作时，对焊接电弧进行信息采集与分析是及其重要且有重要意义的。其中最重要最直观的两组数据：焊接电流和焊接电压信息，是焊接过程中必采集的数据，且较容易获取，通过对不同电压与电流进行分析，可得到焊接过程中所需的最佳电压与最佳电流，从而获得质量较好的焊接结构，因此，对机器人焊接过程中电压与电流两组数据的采集与分析是及其重要的。其中，一般使用霍尔电流传感器进行焊接电流的采集，而采集焊接电压主要有两种方法，一种是采用分压器进行电压数据的采集，一种是同样采用霍尔电压传感器，对焊接电压进行记录[14-15]。

在我国，对于机器人焊接的焊接电压与焊接电流信息的采集与分析已有深入的研究。其中，南昌大学的熊震宇、张华等同学根据因子设计方法，重点探究了焊接电压 U、焊接电流I和混合气体配比 P 等因素对焊接结构质量的影响，建立出焊缝宽度 B、焊缝熔深 H和余高 a 的数学建模，如下，并通过该数学模型实现了对焊缝几何形状的提前分析[16]。

但是，我国关于焊接机器人在焊接质量上的准确分析还处于初级阶段。目前，关于此方面走在较前端的为MJ Kang和SRHEE，其为韩国顶尖研究科学家，两人突破传统研究分析手段，创造性地发明了一种定量评价算法，该算法以多元回归模型作为基础，可通过计算机检测在焊接过程中金属颗粒飞溅量的大小。蔡艳将神经网络输入量定为在焊接过程中获得的六个数据，将其输出量定为质量评估数据作，从而初步建立了关于两者的关系网络。虽然我国对焊接机器人的研究已有一定的进展，但还是无法对焊接过程中的具体实际情况有全方位的检测，因此，未来对于这方向的研究将有巨大的前景[17-18]。

在传统的焊接过程中，虽也有相似的信号检测系统，但因为信号的不稳定性与环境的复杂性，系统在接受光信号，电信号，声音信号时，会有所失真造成所取信号的不真实性，引起对焊接质量的误判现象。对于信号失真现象，可采用小波去噪技术得以避免，从而加强信号的真实性。当获得实际工作情况的具体数据后，可利用专业数据处理模型，将人工神经网络系统与模糊数学模型技术相结合，得到该环境下的焊接模型，从而依据该模型来控制工件质量，以便获得高质量高水平的焊接金属工件 [19]。小波去噪技术被广泛应用于电弧光信号、声信号和电信号的处理中。比如，马跃洲等将该项技术应用于声音信号中，发现声音信号可从侧面反映焊接工件质量情况,薛家祥等人将该项技术用于电流信号，对其使用了小波滤波运算技术，从而获得了高准确率的电流信号 [20]；。