基于数据驱动的纤维增强复合材料自动铺放速度预测与规划

doi:10.7527/S1000-6893.2023.29313

材料工程与机械制造

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于数据驱动的纤维增强复合材料自动铺放速度预测与规划

杨倩, 王彦哲, 杨迪(), 李泽众, 曲巍崴

浙江大学机械工程学院，杭州 310027

收稿日期:2023-07-12 修回日期:2023-07-27 接受日期:2023-09-20 出版日期:2024-05-25 发布日期:2023-10-08
通讯作者: 杨迪 E-mail:yangdi0518@hotmail.com

Prediction and planning of automatic laying speed for fiber reinforced composite materials based on data⁃driven model

Qian YANG, Yanzhe WANG, Di YANG(), Zezhong LI, Weiwei QU

College of Mechanical Engineering，Zhejiang University，Hangzhou 310027，China

Received:2023-07-12 Revised:2023-07-27 Accepted:2023-09-20 Online:2024-05-25 Published:2023-10-08
Contact: Di YANG E-mail:yangdi0518@hotmail.com

摘要/Abstract

摘要：

复合材料自动铺放（AFP）过程中，铺放速度的突变极易引起丝束翻折、褶皱、滑移等缺陷，从而降低铺放质量和铺放效率。基于铺放速度的预测结果进行优化调整，是提高铺放速度稳定性、保障铺放质量的重要途径。为此，提出一种基于数据驱动的铺丝机速度预测及规划方法。首先，基于随机森林方法，建立了以铺丝机运动轴为子树的铺放速度预测模型，提出以关节标称速度、加速度、关节轨迹夹角为输入特征，以关节实际速度为输出特征的随机森林模型特征参数定义方法；进一步，基于铺放速度预测结果分析，提出了指令速度的分段匀速规划方法；最后，给出了参考指令速度的制造周期预估方法。采用六自由度卧式机床的进气道铺放实验对上述方法进行验证。结果表明，该方法对同训练角度铺层铺放速度的预测准确度达到91%，随着学习数据增加，各角度铺层路径的速度预测精度均有提升。采用基于铺放速度预测结果的指令速度分段规划方法，可显著降低速度突变，有效提升铺放质量。在计算成本方面，通过与神经网络方法相比，证明了随机森林方法具备高效的铺放速度预测水平。

关键词: 复合材料, 自动铺丝, 铺放速度, 速度预测, 数据驱动模型

Abstract:

During the Automated Fiber Placement （AFP） process of composite materials， sudden changes in laying speed can easily cause defects such as tows folding， wrinkles， and slippage， thereby reducing laying quality and efficiency. Optimizing and adjusting laying speed based on predictive results is an important approach to improve laying speed stability and ensure laying quality. Therefore， this paper proposes a data-driven method for predicting and planning the laying speed of fiber placement machines. Firstly， based on the random forest method， a laying speed prediction model with the motion axis of the laying machine as the subtree is established. A method for defining feature parameters of the random forest model is proposed， with joint nominal speed， acceleration， and joint trajectory angle as input features， and actual joint speed as output features. Furthermore， based on the analysis of speed prediction results， a segmented uniform command speed planning method is proposed. Finally， a method for estimating the manufacturing cycle based on command speed is given. The above methods are verified through laying experiments on a six-degree-of-freedom horizontal machine tool. The results show that the accuracy of predicting laying speed for layers laid at the same training angle reaches 91%， and with the increase of learning data， the prediction accuracy of laying paths at various angles is improved. The segmented planning method for command speed based on speed prediction results can significantly reduce speed fluctuations and effectively improve laying quality. In terms of computational cost， compared with neural network methods， the random forest method demonstrates efficient laying speed prediction capabilities.

Key words: composite materials, automated fiber placement, layup speed, speed prediction, data driven model

中图分类号:

V261.97

杨倩, 王彦哲, 杨迪, 李泽众, 曲巍崴. 基于数据驱动的纤维增强复合材料自动铺放速度预测与规划[J]. 航空学报, 2024, 45(10): 429313-429313.

Qian YANG, Yanzhe WANG, Di YANG, Zezhong LI, Weiwei QU. Prediction and planning of automatic laying speed for fiber reinforced composite materials based on data⁃driven model[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(10): 429313-429313.

图/表 31

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

图11

表1

使用OOB样本获得的训练数据集拟合优度

随机森林模型	$R R F_O O B 2$
$M o d e l_J X$	0.992 7
$M o d e l_J Y$	0.983 8
$M o d e l_J Z$	0.983 0
$M o d e l_J B$	0.996 7
$M o d e l_J C$	0.994 3
$M o d e l_J D$	0.974 8

表1

表2

同角度路径铺放速度预测结果

铺层	MAE			RMSE			$R 2$
铺层	1号路径	2号路径	3号路径	1号路径	2号路径	3号路径	1号路径	2号路径	3号路径
Ply1_45°	0.86	1.21	1.89	1.78	2.12	1.68	0.98	0.98	0.98
Ply5_45°	2.21	1.63	1.94	3.58	2.82	3.86	0.95	0.97	0.91
Ply9_45°	1.29	2.18	2.21	2.05	3.60	3.95	0.97	0.94	0.92

表2

图12

表3

非训练角度路径预测误差

铺层	MAE	RMSE	$R 2$
Ply2_-45°	9.521	14.029	0.20
Ply3_0°	6.187	10.602	0.29
Ply4_90°	4.659	7.443	0.84

表3

图13

表4

四角度路径铺放速度预测结果

铺层	MAE			RMSE			$R 2$
铺层	1号路径	2号路径	3号路径	1号路径	2号路径	3号路径	1号路径	2号路径	3号路径
Ply3_0°	5.23	5.56	5.53	9.24	9.63	8.89	0.46	0.45	0.47
Ply4_90°	3.81	3.95	4.56	6.83	6.89	8.81	0.86	0.84	0.77
Ply5_45°	2.11	1.60	1.67	3.45	2.54	3.28	0.95	0.97	0.93
Ply6_-45°	2.17	2.30	1.60	3.70	3.92	3.04	0.94	0.94	0.94

表4

图14

图15

图16

图17

图18

图19

图20

图21

表5

图22

图23

表6

表7

神经网络模型与随机森林回归模型预测结果

方法	MAE	RMSE	$R 2$	时间误差/s	训练时间/s
ANNs#1 （9特征）	55.434 9	83.152 3	0.302 3	10.672	126.866
ANNs#1 （42特征）	55.434 4	83.151 6	0.302 5	10.672	129.301
ANNs#2 （9特征）	7.492 1	11.238 1	0.765	3.557	170.167
ANNs#2 （42特征）	5.062 9	7.594 4	0.884	1.678	123.185
随机森林回归模型	2.212	3.583	0.955	0.238	6.977

表7

图24

参考文献 34

1	牛春匀. 实用飞机复合材料结构设计与制造［M］. 程小全，张纪奎，译. 北京：航空工业出版社， 2010： 20-25.
	NIU C Y. Design and manufacturing of practical aircraft composite structure［M］. CHENG X Q， ZHANG J K， translated. Beijing： Aviation Industry Press， 2010： 20-25 （in Chinese）.
2	古托夫斯基 T G. 先进复合材料制造技术［M］. 李宏运，译. 北京：化工工业出版社， 2004： 30-36.
	GUTOWSKI T G. Advanced composite material manufacturing technology［M］. LI H Y， translated. Beijing： Chemical Industry Press， 2004： 30-36 （in Chinese）.
3	杜善义. 先进复合材料与航空航天［J］. 复合材料学报， 2007， 24（1）： 1-12.
	DU S Y. Advanced composite materials and aerospace engineering［J］. Acta Materiae Compositae Sinica， 2007， 24（1）： 1-12 （in Chinese）.
4	FREEMAN W T. The use of composites in aircraft primary structure［J］. Composites Engineering， 1993， 3（7-8）： 767-775.
5	贾振元，肖军，湛利华，等. 大型航空复合材料承力构件制造关键技术［J］. 中国基础科学， 2019， 21（2）： 20-27.
	JIA Z Y， XIAO J， ZHAN L H， et al. Research of large aviation and loading-bearing composite components manufacturing［J］. China Basic Science， 2019， 21（2）： 20-27 （in Chinese）.
6	杜善义，关志东. 我国大型客机先进复合材料技术应对策略思考［J］. 复合材料学报， 2008， 25（1）： 1-10.
	DU S Y， GUAN Z D. Strategic considerations for development of advanced composite technology for large commercial aircraft in China［J］. Acta Materiae Compositae Sinica， 2008， 25（1）： 1-10 （in Chinese）.
7	DHINAKARAN V， SURENDAR K V， HASUNFUR RIYAZ M S， et al. Review on study of thermosetting and thermoplastic materials in the automated fiber placement process［J］. Materials Today： Proceedings， 2020， 27： 812-815.
8	肖军，李勇，文立伟，等. 树脂基复合材料自动铺放技术进展［J］. 中国材料进展， 2009， 28（6）： 28-32.
	XIAO J， LI Y， WEN L W， et al. Progress of automated placement technology for polymer composites［J］. Materials China， 2009， 28（6）： 28-32 （in Chinese）.
9	FRKETIC J， DICKENS T， RAMAKRISHNAN S. Automated manufacturing and processing of fiber-reinforced polymer （FRP） composites： An additive review of contemporary and modern techniques for advanced materials manufacturing［J］. Additive Manufacturing， 2017， 14： 69-86.
10	KOZACZUK K. Automated fiber placement systems overview［J］. Transactionsofthe Institute of Aviation， 2016， 245（4）： 52-59.
11	方宜武. 基于测地线算法的复合材料翼梁自动铺丝技术研究［D］. 南京：南京航空航天大学， 2014： 15-20.
	FANG Y W. Research on automated fiber placement technology of composite wing spar based on geodesic algorithm［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2014： 15-20 （in Chinese）.
12	文立伟，肖军，王显峰，等. 中国复合材料自动铺放技术研究进展［J］. 南京航空航天大学学报， 2015， 47（5）： 637-649.
	WEN L W， XIAO J， WANG X F， et al. Progress of automated placement technology for composites in China［J］. Journal of Nanjing University of Aeronautics & Astronautics， 2015， 47（5）： 637-649 （in Chinese）.
13	张建宝，赵文宇，王俊锋，等. 复合材料自动铺放工艺技术研究现状［J］. 航空制造技术， 2014， 57（16）： 80-83， 94.
	ZHANG J B， ZHAO W Y， WANG J F， et al. Research status of automated placement processing technology of composites［J］. Aeronautical Manufacturing Technology， 2014， 57（16）： 80-83， 94 （in Chinese）.
14	DENKENA B， SCHMIDT C， WEBER P. Automated fiber placement head for manufacturing of innovative aerospace stiffening structures［J］. Procedia Manufacturing， 2016， 6： 96-104.
15	肖海涛. 面向五轴数控加工的刀具位姿优化及线性插补算法研究［D］. 杭州：浙江大学， 2019： 83-117.
	XIAO H T. Research on optimization and linear interpolation of CL data for five-axis CNC machining［D］. Hangzhou： Zhejiang University， 2019： 83-117 （in Chinese）.
16	ERKORKMAZ K， YEUNG C H， ALTINTAS Y. Virtual CNC system. Part II. High speed contouring application［J］. International Journal of Machine Tools and Manufacture， 2006， 46（10）： 1124-1138.
17	TULSYAN S. Prediction and reduction of cycle time for five-axis CNC machine tools［D］. Vancouver： University of British Columbia， 2014： 63-110.
18	LIN M T， TSAI M S， YAU H T. Development of a dynamics-based NURBS interpolator with real-time look-ahead algorithm［J］. International Journal of Machine Tools and Manufacture， 2007， 47（15）： 2246-2262.
19	BEUDAERT X， LAVERNHE S， TOURNIER C. Feedrate interpolation with axis jerk constraints on 5-axis NURBS and G1 tool path［J］. International Journal of Machine Tools and Manufacture， 2012， 57： 73-82.
20	张盼盼，吴凤彪，张子英. 高精度数控机床非均匀有理B样条曲线插补控制研究［J］. 机械制造， 2020， 58（3）： 59-61， 70.
	ZHANG P P， WU F B， ZHANG Z Y. Research on interpolation control of non-uniform rational B-spline curve of high precision CNC machine tool［J］. Machinery， 2020， 58（3）： 59-61， 70 （in Chinese）.
21	何文杰. 五轴双NURBS刀具路径拟合及其插补算法研究［D］. 合肥：合肥工业大学， 2018： 23-104.
	HE W J. Study on five-axis dual NURBS tool path fitting and its interpolation algorithm［D］. Hefei： Hefei University of Technology， 2018： 23-104 （in Chinese）.
22	宁志豪，周璐雨，陈豪文. 浅谈机器学习与深度学习的概要及应用［J］. 科技风， 2019（15）： 19.
	NING Z H， ZHOU L Y， CHEN H W. Brief introduction and application of machine learning and deep learning［J］. Technology Wind， 2019（15）： 19 （in Chinese）.
23	HORNIK K. Approximation capabilities of multilayer feedforward networks［J］. Neural Networks， 1991， 4（2）： 251-257.
24	CHEN S， BILLINGS S A. Neural networks for nonlinear dynamic system modelling and identification［J］. International Journal of Control， 1992， 56（2）： 319-346.
25	SUN C， DOMINGUEZ-CABALLERO J， WARD R， et al. Machining cycle time prediction： Data-driven modelling of machine tool feedrate behavior with neural networks［J］. Robotics and Computer-Integrated Manufacturing， 2022， 75： 102293.
26	张煜东，吴乐南，吴含前. 工程优化问题中神经网络与进化算法的比较［J］. 计算机工程与应用， 2009， 45（3）： 1-6.
	ZHANG Y D， WU L N， WU H Q. Comparison of neural network and evolutionary algorithm on engineering optimization［J］. Computer Engineering and Applications， 2009， 45（3）： 1-6 （in Chinese）.
27	LOH W Y. Classification and regression trees［J］. WIREs Data Mining and Knowledge Discovery， 2011， 1（1）： 14-23.
28	ALPAYDIN E. Introduction to machine learning［M］. 3rd ed. Boston： MIT Press， 2014： 21-63.
29	BREIMAN L. Bagging predictors［J］. Machine Learning， 1996， 24（2）： 123-140.
30	LIAW A， WIENER M. Classification and regression by randomForest［J］. R news， 2002， 2（3）： 18-22.
31	PETERS J， DE BAETS B， VERHOEST N E C， et al. Random forests as a tool for ecohydrological distribution modelling［J］. Ecological Modelling， 2007， 207（2-4）： 304-318.
32	李艳，李英浩，高峰，等. 基于互信息法和改进模糊聚类的温度测点优化［J］. 仪器仪表学报， 2015， 36（11）： 2466-2472.
	LI Y， LI Y H， GAO F， et al. Investigation on optimization of temperature measurement key points based on mutual information and improved fuzzy clustering analysis［J］. Chinese Journal of Scientific Instrument， 2015， 36（11）： 2466-2472 （in Chinese）.
33	CRAIG J J. 机器人学导论［M］. 贠超，译. 北京：机械工业出版社， 2018： 55-120
	CRAIG J J. Introduction to robotics［M］. YUN C， translated.Beijing： China Machine Press， 2018： 55-120 （in Chinese）.
34	LI L N， WANG X G， XU D， et al. A placement path planning algorithm based on meshed triangles for carbon fiber reinforce composite component with revolved shape［J］. International Journal on Control Systems and Applications， 2014， 1（1）： 23-32.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

状态	褶皱数量	褶皱平均长度/mm	褶皱平均高度/mm	位置偏差均值/mm
优化前	22	5.71	0.94	1.87
优化后	4	2.12	0.33	0.24

状态	褶皱数量	褶皱平均长度/mm	褶皱平均高度/mm	位置偏差均值/mm
优化前	27	8.75	0.88	1.85
优化后	9	2.26	0.31	0.40

[1]	龚煜廉, 张建国, 吴志刚, 褚光远, 范晓铎, 黄赢. 主动学习基自适应PC⁃Kriging模型的复合材料结构可靠度算法[J]. 航空学报, 2024, 45(8): 228982-228982.
[2]	贾文斌, 方磊, 张根, 史剑, 何泽侃, 宣海军. CNT树脂基复合材料断裂韧性的优化设计[J]. 航空学报, 2024, 45(7): 428971-428971.
[3]	张春云, 陈雄斌, 刘健, 崔苗. 酚醛树脂气凝胶复合材料热物性参数预测方法[J]. 航空学报, 2024, 45(6): 428848-428848.
[4]	黄领才. 纤维增强聚合物复合材料无损检测方法进展[J]. 航空学报, 2024, 45(5): 529697-529697.
[5]	高志廷, 马壮, 柳彦博. CVD-SiC阵列结构对ZrB₂/SiC涂层抗烧蚀性影响[J]. 航空学报, 2024, 45(3): 428842-428842.
[6]	张超, 曹勇, 赵振强, 张海洋, 孙建波, 王志华, 蔚夺魁. 树脂基复合材料在民用航空发动机中的应用与关键技术研究进展[J]. 航空学报, 2024, 45(2): 28556-028556.
[7]	马莹, 陈奡, 邓聪颖, 陈翔, 禄盛, 曾宪君. 纺织复合材料多尺度网格划分方法[J]. 航空学报, 2024, 45(10): 429180-429180.
[8]	甘纪强, 王小平. 基于虚拟样本生成的铺丝表面缺陷检测[J]. 航空学报, 2024, 45(1): 428624-428624.
[9]	王宏越, 王兵, 方国东, 孟松鹤. 2.5D机织浅交弯联复合材料数字单元建模分析[J]. 航空学报, 2023, 44(9): 227478-227478.
[10]	韩剑, 孙士勇, 牛斌, 杨睿, 吴东江. 树脂基复合材料点阵结构的制造技术研究进展[J]. 航空学报, 2023, 44(9): 628255-628255.
[11]	刘礼平, 齐雨阳, 蔺越国, 鲍蕊, 徐建新, 冯振宇, 卿光辉. 碳纤维复合材料胶铆混合修理结构静载拉伸失效[J]. 航空学报, 2023, 44(24): 428676-428676.
[12]	刘瑞峰, 孙晓哲, 李文辉, 王显, 闫杰. 高频脉冲电流改性SiC/Al复合材料微裂纹愈合机制及组织性能[J]. 航空学报, 2023, 44(22): 428598-428598.
[13]	张得礼, 秦峥, 刘哲, 李明, 何凯. 航空发动机复合材料叶片切削加工智能装夹系统[J]. 航空学报, 2023, 44(20): 428987-428987.
[14]	杨钧超, 王雪明, 陈向明, 邹鹏, 王喆. 低速冲击损伤对复材加筋板压缩性能的影响[J]. 航空学报, 2023, 44(20): 228498-228498.
[15]	孙洋, 黄建, 韩晨晨, 赵振强, 周海丽, 孙方方, 李超, 张超, 张立泉. 二维与三维机织复合材料面内力学性能对比[J]. 航空学报, 2023, 44(18): 428267-428267.

基于数据驱动的纤维增强复合材料自动铺放速度预测与规划

Prediction and planning of automatic laying speed for fiber reinforced composite materials based on data⁃driven model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 31

参考文献 34

相关文章 15

编辑推荐

Metrics

本文评价