全文速递

该研究开发了智能质量检测工具原型，旨在监控复合材料成形过程中的纤维变形。研究人员对典型的混合玻璃纤维/聚丙烯斜纹织物进行了半球形铺设试验，并利用视觉技术对成形部件的缺陷（包括平面内和平面外）进行了检查。通过对大约 30 个样本以及来自不同成形区域的 1200 多张图像进行分析，训练并验证了多种机器学习算法。

在智能工厂的应用场景中，该工具可协助操作员或机器人扫描成形部件，并判断其是否存在缺陷。研究结果表明，在当前案例研究中，k 近邻和支持向量机模型能够在忽略图像噪声的情况下，以低于 5% 的错误率准确识别缺陷。

流年似水，莫负光阴！

如专业相关性低，阅读至此即可！

一、引言

随着工业4.0时代的到来，智能制造技术正在逐渐改变各个行业的生产方式。复合材料制造领域也面临着向智能化转型的挑战，尤其是在织物复合材料成型过程中，纤维变形缺陷（如皱纹、错位等）会严重影响最终产品的性能。目前，人工智能技术在复合材料制造领域已有广泛应用，例如复合材料结构健康监测、损伤检测、设计优化等。然而，针对织物复合材料成型过程中纤维变形缺陷的智能监测工具仍处于发展阶段，缺乏有效的方法来实时检测和识别这些缺陷。

近日，国际知名期刊《Engineering Applications of Artificial Intelligence》发表了一篇由加拿大不列颠哥伦比亚大学复合材料研究网络Okanagan实验室的研究团队完成的基于人工智能的织物复合材料成型过程纤维变形监测工具开发的研究成果。该研究开发了基于人工智能的纤维变形监测工具，用于织物复合材料成型过程的质量控制。该工具能够实时检测成型织物样品中的纤维变形（如皱纹），并识别“缺陷”和“无缺陷”区域，从而提高成型过程的质量和效率。论文标题为“A preliminary step toward intelligent forming of fabric composites: Artificial intelligence-based fiber distortions monitoring”。

二、内容简介

研究使用了一个用于制造半球形纤维增强复合材料的实验装置。该装置由万能拉伸试验机、两个压板、C形夹具和一个冲头组成。实验材料为玻璃纤维/聚丙烯平纹织物，通过控制C形夹具的数量、层数、方向和扭矩，制造出不同形状和缺陷的复合材料样品。

图1（a） 成型装置示意图；（b）用于悬垂织物样品的万能拉伸试验机。

文章描述了复合材料样品的成型过程和数据收集方法，通过冲头将织物拉伸成半球形，并用热风枪将样品部分固化，以保持形状。实验中，通过改变C形夹具的数量、层数、方向和扭矩，制造出具有不同缺陷的样品。通过相机拍摄样品图像，并利用Matlab软件进行图像处理和特征提取，为后续的机器学习模型训练提供数据。

图2（a）（b）和（c）示出了单层成形采用的不同取向；（d）、（e）和（f）示出了在两层设置中采用的不同取向；角度是相对于坯料夹持器的边缘。

图3 在不同成型设置下测试的纤维变形（缺陷）状态。在第一个成形样品（a）中，缺陷区域的最大高度为3.2cm，占半球面积的27%。第二个（b）样品的受影响高度为1.9厘米，纤维变形占半球面积的24%。在第三个样品（c）中，受影响的高度为0.8cm，缺陷面积为半球的10%。

该方法可用于判断样品是否存在缺陷，并将合格样品继续加工，将不合格样品进行报废处理。

图4 智能工厂中假设的织物成型质量检查点示例。

文章描述了使用相机跟踪样品并检查其成型质量的过程。在制造现场，相机可以安装在机器人的末端执行器上，或者由操作员手动操作，并将图像进行标记，区分出“缺陷”和“无缺陷”区域。为了提高模型的鲁棒性，在数据集中故意包含了噪声图像，例如样品上的标记、外部物体和模糊图像等。这些噪声图像可以帮助模型学习识别真实环境中的缺陷，即使存在干扰因素也能准确判断。

图5 在成型零件的在线质量监测过程中拍摄的标有“无缺陷”标签的图像集样本。

研究采用了三种不同的机器学习模型，包括k-最近邻（KNN）、支持向量机（SVM）和决策树，使用随机选择的80%-20%数据分割进行训练和验证，对图像数据进行分类，判断样品是否存在缺陷。通过比较不同算法的性能指标，发现KNN和SVM模型在识别缺陷方面具有更高的准确率，而决策树模型的准确率相对较低。

三、小结

研究表明，基于人工智能的纤维变形检测工具可以有效识别复合材料成型过程中的缺陷，例如皱褶等。该工具的开发为智能成型系统的实现奠定了基础，有望提高复合材料制品的质量和加工效率。未来，该工具可以进一步改进，例如识别不同类型的缺陷，并将其集成到多目标决策系统中，为复合材料成型工艺的优化提供更全面的支持。

原始文献：

Kazemi, S., & Milani, A. S. (2024). A preliminary step toward intelligent forming of fabric composites: Artificial intelligence-based fiber distortions monitoring. Engineering Applications of Artificial Intelligence, 133, 108262.

原文链接：

https://doi.org/10.1016/j.engappai.2024.108262

推荐阅读：

【剑桥与诺丁汉大学复材顶刊】基于深度学习快速预测模具几何形状对织物褶皱的影响