织物增强材料在半球形结构形成过程中的全局对称性、球形度与圆度：与局部纤维变形的关联以及基于“黑箱”模型的质量预测

《Polymer Composites》：Global Symmetry, Sphericity, and Roundness in Hemisphere Forming of Fabric Reinforcements: Associations With Local Fiber Distortions and a Black-Box Quality Prediction

半球成型中设计变量对全球几何质量指标的影响分析及机器学习预测研究。通过30种冲压成型配置，发现均匀夹紧压力与高圆度（>90%）显著相关，对称性随夹子数量增加而提升，球形度整体稳定（约80%±4%）。质量评分与纤维扭曲缺陷高度相关，对称性指标与夹紧压力分布呈强负相关。决策树模型对质量分类预测准确率达95%，为复合件成型优化提供新方法

　　在现代复合材料制造中，织物增强材料因其轻质、高强度和良好的可设计性而被广泛应用于交通运输、建筑和其他工业领域。然而，在成型过程中，纤维变形和织物缺陷是常见的挑战，它们不仅影响最终产品的性能，还可能影响后续加工和装配的质量。为了更好地理解和优化这些成型过程，本研究通过实验分析探讨了设计变量对全球几何质量指标的影响，这些指标包括球形度、圆度和对称性。与常见的局部纤维变形指标（如纤维波浪度和滑移）不同，这些全球性指标在实际应用中具有重要价值，特别是在成形后的加工和部件装配阶段。

本研究设计并测试了30种不同的冲压成形配置，通过调整工艺控制参数，如织物方向、层数、空白夹持器上的夹具数量以及夹具上的压力分布，分析这些参数如何影响最终产品的几何质量。实验结果表明，当夹具压力分布均匀且平均压力足够高时，大部分样本的圆度值可以达到90%以上。此外，夹具数量的增加（尤其是在等距位置上）显著提高了成形部件的对称性，这通过测量样本的重心偏移量来识别。尽管所有测试配置的球形度值均相似（约80%±4%），但最理想情况下的完美半球球形度值可达84%。这表明，球形度主要受冲压几何形状的影响，而由于所有样本使用相同的冲压工具，因此其球形度具有一定的稳定性。

为了进一步评估成形质量，本研究引入了一个简单的“质量分数”作为局部质量的函数，并通过机器学习模型预测了成形质量类别。质量分数基于纤维变形区域的最大高度和面积进行定义，其中质量类别A（良好）对应分数80%至100%，类别B（中等）为60%至80%，类别C（较差）为45%至60%，类别D（拒收）则低于45%。这些质量分数的定义基于观察结果，但它们的设定通常取决于具体应用所需的制造公差和结构完整性要求。

在研究过程中，我们发现某些设计变量对质量分数的影响较为显著。例如，夹具数量与质量分数呈强正相关（相关系数ρ=0.71，p<0.01），而夹具扭矩范围与质量分数呈显著负相关（ρ=-0.84，p<0.01）。这表明，夹具数量的增加有助于减少局部变形，从而提高整体质量。同时，平均夹具扭矩的增加也有助于改善成形质量，但过高的压力可能导致纤维断裂或过度滑移，因此其上限需要根据具体成形要求进行优化。相比之下，纤维方向和层数对质量分数的影响较弱，这可能是因为所研究的成形模具形状对称，且层数范围较小。

此外，本研究还分析了全球几何质量指标与局部纤维变形指标之间的关系。其中，对称性（通过重心偏移度衡量）与局部纤维变形因素（如最大变形高度和面积）之间的相关性最强，其次是圆度。这表明，对称性在一定程度上可以反映纤维变形的整体趋势，而圆度和球形度则更多地受到局部变形和摩擦条件的影响。因此，在实际应用中，对称性可以作为评估成形质量的一个重要辅助指标，尤其在减少机器学习模型训练成本和提高自动化评估效率方面具有潜力。

通过建立机器学习模型，我们还尝试预测不同成形配置下的质量类别。实验结果表明，决策树模型在该任务中表现出较高的准确性（95.0%），而支持向量机和k近邻算法的性能稍逊。这说明，基于简单的设计变量和成形参数，可以较为有效地进行质量分类预测。模型的准确性和稳定性为实现智能成形系统提供了理论依据，未来可以进一步探索如何将这些模型集成到实时监测和控制中，以提高成形过程的效率和产品质量。

在实际应用中，这些研究结果对高质量复合材料制造具有重要意义。例如，在汽车、航空航天和建筑等行业，产品几何形状的精确性不仅关系到装配过程的顺利进行，还直接影响最终产品的结构性能和使用寿命。因此，优化成形工艺参数，如夹具布置和压力分布，对于确保产品符合设计要求至关重要。此外，研究还指出，某些因素如摩擦条件和层间相互作用在成形过程中可能对局部和全球质量指标产生重要影响，这为进一步研究成形过程中的材料行为提供了新的视角。

从技术角度来看，本研究通过图像处理和相机测量技术，实现了对成形部件几何质量的精确评估。这种方法不仅减少了对复杂设备的需求，还提高了数据采集的效率和准确性。同时，通过分析不同成形条件下的质量数据，研究人员能够识别出哪些参数对成形质量有显著影响，从而为工艺优化提供依据。例如，研究发现，夹具数量和均匀的压力分布对对称性有显著促进作用，而较高的平均压力有助于减少局部变形，提高圆度和球形度。

未来的研究方向可能包括开发更先进的成形监测系统，如在线成像技术，以实时提取全球几何质量指标。此外，还可以探索如何将这些质量指标与材料的微观结构变化（如纤维变形历史、老化和环境因素）相结合，以建立更全面的成形质量评估模型。通过引入反馈控制机制和预测模拟，可以进一步提高成形过程的可控性和效率。最终，结合数字孪生技术，有望实现更智能化的复合材料制造系统，从而推动该领域的快速发展。

综上所述，本研究为理解织物增强复合材料的成形过程提供了新的视角，并通过实验和数据分析揭示了设计变量与几何质量指标之间的关系。这些发现不仅有助于优化现有的成形工艺，还为未来智能化制造系统的设计和实施提供了理论支持和技术参考。通过持续改进工艺参数和监测方法，可以进一步提升复合材料制造的质量和效率，满足工业领域对高性能、高精度产品的需求。