CJA
纤维增强树脂基复合材料因其高比刚度、高比强度以及设计与制造一体化等优异性能，在国防、交通、航空航天等领域中得到了广泛应用［1-3］。随着高性能复合材料结构需求的增加，复合材料结构的加工制造方法也在不断发展。然而，传统的手工铺叠成型方法在复合材料结构的加工制造中存在精度低、生产效率差等问题，难以满足复合材料结构高质量制造的要求。为提高生产效率、保证制造精度并提升产品一致性，自动化技术逐渐被引入复合材料结构的制造过程中［4-5］。随着纤维缠绕［6］、拉挤成型［7］、自动铺带（Automated Tape Laying， ATL）［8-9］和自动铺丝（Automated Fiber Placement， AFP）等自动化铺层技术的相继出现，自动化铺层工艺成功克服了传统手工铺叠成型和真空袋压成型方法在加工制造上的局限性。其中，AFP技术自20世纪70年代在航空航天工业中应用以来，结合了纤维缠绕和ATL技术的优点，迅速发展成为现阶段最为高效且广泛应用的复合材料结构全自动制造技术之一［10-11］。
目前，波音B787、空客A350等主流民用飞机的复合材料机身筒段、翼面与翼梁结构已广泛采用自动铺丝技术进行自动化铺层［12］。所使用的设备包括MAG Cincinnati Viper 6000与MTorres TORRESFIBERLAYUP等高端机器人系统，具备七轴联动、16~32根丝束独立控制与变幅铺放能力，能够满足复杂曲面结构的铺层需求。其中，波音公司利用Viper 6000实现B787筒段复合材料整体成型，空客公司则采用AFP技术结合Hexcel M21预浸料构建A350翼盒蒙皮结构。此外，BAE Systems、ATK等企业已将AFP技术应用于F-22的进气道与F-35的上翼面蒙皮等军用复合材料构件制造中［13］。日本川崎重工、GKN Aerospace与Spirit AeroSystems等公司也已在机身段、翼梁等部件生产中广泛部署AFP系统，并推动复合材料构件的规模化制造。尽管AFP技术已在航空制造领域具备实际应用基础，但在复杂曲面铺层精度控制、缺陷抑制能力及多参数智能协同调控等方面仍面临技术挑战，科研成果与工程应用之间尚存在明显差距。为了全面理解AFP技术的应用潜力与面临挑战，需进一步梳理其基本原理与系统组成。
自动铺丝作为一种高精度、高效率的复合材料预成型制造技术，其核心原理是利用可编程的铺丝头将多根预浸料丝束或干纤维排列成带状，并通过数控系统引导其沿预设路径逐层铺设在模具表面。在铺放过程中，丝束经由加热装置加热软化，并在压辊作用下实现压实与粘结，从而形成连续、致密的铺层结构。AFP系统通常配备剪切与重送机制，能够实现对丝束的单独控制，包括任意根丝束的断开与重铺，从而在复杂几何部位实现精细成型［14-15］。该技术支持在多轴联动平台上进行三维路径控制，适用于复杂曲率、大尺寸及高性能复合材料构件的自动化制造。AFP不仅能显著提升铺放效率与成型一致性，还具备较强的路径灵活性与工艺可控性，是当前航空航天等高端制造领域复合材料成型的关键技术之一。图1展示了自动铺丝原理［16］。
尽管AFP技术在理论上具备高精度、高效率和高一致性等显著优势，但在实际工程应用中仍面临诸多挑战。该技术涉及热压控制、丝束张力调节、路径规划等多种复杂工艺参数，若参数配置不合理则可能引发缺陷的产生，难以实现理想的无缺陷成型［17］。然而，在实际铺放过程中，缺陷的形成不仅受到工艺参数的影响，还与材料质量、轨迹控制及设备性能等多重因素密切相关，从而显著影响复合材料结构的几何尺寸精度与服役性能［18-19］。因此，围绕复合材料自动铺丝技术开展的缺陷形成机理研究、性能影响评估，以及铺层缺陷的检测、表征与控制优化，已成为现阶段复合材料成型制造领域亟待突破的关键科学问题。
当前的研究工作虽然在相关方向取得了一定进展（见图2），但尚缺乏对复合材料自动铺丝技术中铺层缺陷的形成机理、性能影响、检测、表征和控制优化等方面的系统性讨论，且不同研究成果之间的关联性仍未得到充分探讨。针对相关研究成果进行系统梳理与整合，如图3所示。首先，简要回顾了复合材料结构在自动铺丝铺放过程中常见的缺陷类型及其成因，并介绍了主要铺层缺陷对复合材料结构力学性能的影响。其次，基于不同的检测原理，归纳了近年来发展出的检测技术与缺陷表征方法。随后，针对铺层缺陷的影响，总结了考虑缺陷因素的工艺参数优化和铺丝路径轨迹优化方法。最后，分析了现阶段自动铺丝技术中复合材料结构铺层缺陷检测、表征和工艺优化方法存在的不足，并展望了自动铺丝技术的未来发展方向。
1 自动铺丝铺层缺陷成因与性能影响
1.1 自动铺丝典型缺陷类型及形成机理
除设备精度与工艺控制因素外，材料体系本身也是影响缺陷形成的重要因素［26］。目前，AFP技术常用的复合材料体系主要包括热固性复合材料和热塑性复合材料。两类材料在成型机制、工艺敏感性等方面存在显著差异，进而直接影响缺陷的表现形式。其中，热塑性复合材料在铺放过程中需要基体熔融黏结，因此对温度和压力控制提出了更高要求。为实现有效压实，通常需施加数百甚至上千牛顿的压力。然而，这种高集中力通过机器人末端施加时，可能在机械臂关节处产生较大扭矩，导致铺丝头实际位置偏离预定轨迹，从而引发间隙、重叠等铺层缺陷，甚至产生纤维波纹等次级缺陷［27］。相比之下，热固性复合材料在铺放过程中则主要通过加热软化实现预铺贴合，压力控制需求较低，但其对加热均匀性更为敏感。一旦局部温度控制不当，易形成贫/富树脂区，进而引发孔隙或纤维波纹等缺陷。
表1 铺层缺陷类型及其形成机理Table 1 Types and formation mechanisms of layup defects |
| 缺陷类型 | 形成机理 | 文献 |
|---|---|---|
| 间隙/重叠 | 轨迹控制精度不足，导致丝束重新送入路径时与预设位置不一致，产生位置偏差 | ［25-26，28］ |
| 缺丝 | 张力过大或压辊压力不足，造成丝束贴合度差，易脱落或无法正常铺放 | ［22，29］ |
| 扭转 | 丝束制造或导入过程控制不当，导向阻塞或设备振动引起轴向扭转 | ［17，29］ |
| 褶皱 | 轨迹曲率大或路径控制精度低，铺放头运行抖动导致丝束折叠变形 | ［17］ |
| 桥接 | 凹面铺放中张力与压力控制不协调，导致丝束抬起，无法紧贴模具表面 | ［9，17，22］ |
| 异物 | 丝束边缘摩擦生成绒毛堆积或生产环境中混入杂质，附着于铺层表面 | ［22，30-31］ |
| 纤维波纹 | 多种缺陷积累引起贫/富树脂区，纤维排列错位，形成局部起伏的厚度不均 | ［17，29］ |
1.2 铺层缺陷对复合材料力学性能的影响
在典型热固性复合材料体系中，间隙和重叠缺陷是AFP铺放过程中最常见的缺陷类型，对复合材料的力学性能具有显著影响［18，45］。已有研究发现，当间隙尺寸达到0.76 mm时，层合板的抗压强度可下降约27%［46］。间隙缺陷会在局部区域引发应力集中，降低载荷传递能力，进而导致结构早期失效［21，47］。与之相比，重叠缺陷由于引起局部厚度增加，可能在一定程度上形成“加强筋”效应，从而对拉伸和屈曲性能具有一定增强效果［33］。例如，在尺寸为2 in×16 in（50.8 mm×406.4 mm）的多向层合板中引入宽度为1/2 in（12.7 mm）、占比约为25%的重叠缺陷时，层合板的最大拉伸强度可提高约20%，而相同重叠缺陷占比的开孔板的极限强度提升可达13%［21，32，48］，如图5（a）所示［48］。然而，重叠也可能引发局部翘曲或内部缺陷，对结构整体完整性构成潜在威胁。进一步研究指出，缺陷的形态、尺寸及其空间分布方式对复合材料力学性能的影响尤为敏感。例如，半间隙/半重叠缺陷在不同排布方式和数量条件下，对复合材料压缩性能产生显著影响。其中，沿45°方向布置4个缺陷可使压缩强度下降约20%，缺陷数量增至10个时，降幅扩大至25%；而在90°方向布置相同数量缺陷时，压缩强度下降幅度不足5%。相比之下，45°与90°混合取向布置的缺陷组合表现出更强的削弱效应，仅引入4个缺陷即可使其压缩强度下降28%，而缺陷数量进一步增加将导致更大幅度的强度退化［49］，如图5（b）所示［49］。此外，随着间隙尺寸增大，层合板的刚度和强度下降趋势明显。在尺寸为2 in×16 in（50.8 mm×406.4 mm）的0°单向层合板中，引入沿0°方向布置的1/2 in（12.7 mm）宽、占比约为25%的间隙缺陷时，其最大拉伸刚度与拉伸强度分别下降约60%和55%［31，48］。相比之下，宽度为1/16 in（1.587 5 mm，占比为12.5%）和1/32 in（0.793 75 mm，占比为6.25%）的间隙对层合板的拉伸性能则无明显影响。相关统计分析结果也表明，间隙与重叠缺陷的体积与拉伸强度之间存在高度负相关性（相关系数为-0.98）［50］，揭示了其在复合材料早期失效中的关键作用。
除了间隙与重叠缺陷，面外纤维波纹是另一类显著影响复合材料力学性能的成型缺陷［23，51-57］。该类缺陷主要导致纤维排列方向发生偏离，使应力在纤维波纹顶点区域集中，进而诱发基体开裂及层间分层等失效模式［58-59］，如图5（c）所示［59］。此类缺陷通常通过模具预设形成，在试样长度方向呈周期性波纹形貌，贯穿整个铺层厚度，在样本体积中占据一定比例，具有高度结构连续性，进而对整体强度与刚度产生系统性影响。已有研究表明，随着纤维波纹幅度的增加，其对应的压缩强度和拉伸强度显著下降，并表现出明显的非线性退化特征［59］。其中，波形比（振幅与波长之比）被认为是衡量面外纤维波纹严重程度的重要指标，其对力学性能的影响尤为敏感。进一步研究指出，当波形比为0.043时，压缩强度可下降至初始值的25%，拉伸强度则下降约70%；而波形比为0.02时，压缩强度下降约50%，拉伸强度则退化较弱［60-62］，如图5（d）所示［60］。此外，面外纤维波纹对不同铺层角的力学性能影响存在差异：其中对0°铺层削弱作用最为显著，而90°铺层影响较小。该缺陷还会引发失效模式的转变，压缩载荷下易诱导局部屈曲，拉伸载荷下则促进层间分层扩展［62］。同时，该缺陷还可能会诱发非线性剪切响应，使局部失效机制更加复杂。已有研究指出，在波形比为0.037时，层合板抗压强度下降33%，但抗冲击性能却略有提升，说明面外纤维波纹在一定程度上会增强复合材料的能量吸收能力［63］。
2 自动铺丝铺层缺陷检测与表征方法
随着AFP技术的广泛应用，尽管其显著提高了复合材料结构的制造效率和精度，但在铺放过程中仍难以避免各类缺陷的产生。因此，为了实现高质量、低损伤复合材料结构制造［17］，在明确铺层缺陷的成因及其对力学性能的影响机制后，准确检测和表征铺层缺陷成为保障复合材料制造质量和性能的关键环节。
2.1 自动铺丝铺层缺陷检测方法
2.1.1 基于点云分析和图像分割的缺陷检测方法
随着计算机视觉与人工智能技术的快速发展，点云分析与图像智能分割技术在AFP缺陷检测中得到了广泛应用。通过结合三维数据获取与深度学习算法，学者们开发出多种高效、智能的检测手段，显著提升了对铺层缺陷的识别能力与检测效率。
在基于点云分析的检测方法中，有研究采用结构光相机扫描捕获铺层表面的三维点云轮廓数据，并通过自开发的卷积神经网络（PointNet++）利用逆距离插值法对点云数据进行高精度分割［88］。该方法能够在亚秒级时间内完成对三维点云轮廓数据的分割，并快速识别与判断桥接和褶皱等面外铺层缺陷，其检测原理如图6（a）所示［88］。相比于传统的激光轮廓仪或红外热像仪检测设备，结构光相机在硬件成本和操作便捷性方面具有显著优势，同时该方法还具备较高的准确率与实时性。然而，由于点云数据规模庞大，对计算资源和模型推理能力提出了较高要求，限制了其在部分场景中的应用与推广。此外，其他基于激光轮廓仪的检测方法也被提出，通过采集轮廓图像数据并训练卷积神经网络模型，实现了对铺层缺陷的快速分类与定位［89-90］。同时，结合红外热像仪与深度卷积神经网络的方式，也表现出较高的检测准确率和自动化水平［91］，进一步提升了检测系统的智能化和实用性。
除三维点云数据分析外，基于图像分割的人工智能方法同样在AFP缺陷检测中展现出优越性能。早在2019年就有学者提出采用图像分割技术并构建深度神经网络，以端到端的形式来解决AFP铺放过程中缺陷检测问题［92-93］。最新研究基于自动图像处理的SiamMask人工神经网络，精准分割铺层图像［45］，其网络框架组成如图6（b）所示［45］。与已有的图像分割技术相比，SiamMask创建了二进制分割掩码，能够识别并计算丝束之间的间距和角度，显著提高了缺陷识别的空间解析度。该方法在交并比（Intersection of Union， IoU）评估指标中表现出色，其检测精度可达98%以上，最小测量尺寸为0.017 2 mm。同时，SiamMask网络在处理含缺陷测量结果时平均每帧耗时0.9 s，处理速度相比于传统的高斯方法提升了80%，有效兼顾了准确性和效率。此外，进一步优化的图像处理方法还引入了基于Gabor滤波的自适应阈值调整算法［94］。该算法利用视觉系统获取RGB图像的局部纹理特征，从而增强系统对复杂纹理背景和图像噪声的鲁棒性，使其具备良好的实时检测能力。上述图像智能分割技术不仅可以对缺陷区域进行识别，还能辅助完成质量评估与数据统计，具有较强的实用性。
综上所述，基于点云和图像智能分割的AFP缺陷检测方法融合了深度学习、三维数据处理与高效视觉算法，提升了缺陷识别的准确性和自动化水平。然而，该类方法对图像质量、设备精度及计算性能依赖较大，仍需在算法优化与硬件适配方面持续改进，以实现更广泛的工业应用。
2.1.2 基于物理特性的缺陷检测方法
除计算机视觉方法外，基于材料物理特性的检测方法也在不断发展。例如，Ji等［95］提出了一种基于热塑性预浸料导电性的原位实时缺陷检测方法，通过监测不同铺层之间的电阻变化，来精确判断各层间缺陷的数量、位置和大小，其检测原理如图6（c）所示［95］。相比于传统的图像检测方法，该方法在采样频率7 Hz、铺放速度小于20 mm/s时，能够实时并准确识别铺层过程中出现的缺陷，有助于及时进行人工修复，从而有效减少生产成本。研究还表明，铺丝头端激光加热器功率过高（>3 000 W）可能导致预浸料表面树脂烧蚀，从而影响电阻读数的准确性。尽管该方法具备较高的检测灵敏度，但也存在对不同材料电导率基础数据依赖性强、设备校准频繁、采样频率限制检测精度等问题，制约了其在复杂结构铺层过程中的应用范围。
2.1.3 基于红外热成像和时空数据的缺陷检测
方法
红外热成像作为一种非接触式检测技术，已被广泛应用于AFP铺放过程中的缺陷检测。该检测技术的原理是基于铺层过程中的热传导和辐射变化，通过红外热像仪实时获取丝束区域的热图信息，并结合热像处理算法对缺陷区域进行识别分析。最新研究中提出了一种结合空间和时间重构算法的新型原位热成像检测方法［96］，如图6（d）所示［96］。该方法通过空间和时间重构算法对热成像数据进行归一化处理，并使用自行开发的数据处理程序提取单点热信号，可将带宽为6.35 mm的丝束上识别到的缺陷尺寸与实际缺陷尺寸之间的偏差控制在0.762 mm以内。与传统的热成像检测方法相比，该方法提高了对微小缺陷的识别精度，同时克服了热扩散过程带来的缺陷信号衰减问题，但其受限于热像仪的帧率而影响铺放速度，进而影响到检测效率。
2.1.4 基于深度学习目标检测算法的在线缺陷检测方法
尽管上述缺陷检测方法在部分场景下可实现实时检测，但面向复杂工况与智能化生产需求时，以上方法的缺陷检出率均存在波动且鲁棒性不足，而基于深度学习的在线检测方法，因其特征提取能力强、适应性高与可端到端训练的特性，正成为研究的主要方向。随着目标检测算法的不断发展，越来越多的先进检测模型被引入至AFP缺陷检测中。其中，研究人员在改进型YOLOv7模型中引入BiFormer注意力机制与优化的AFPN特征融合结构［99］，提升了对微小缺陷的识别能力与模型的泛化性能。改进后YOLOv7模型的检测精度提高至95%以上，平均精度（mean Average Precision， mAP）相较于原始YOLOv7提升了10.5%，帧速率提高了14 fps，最大检测速度可达35 m/min，基本满足了在线检测的应用需求。此外，结合空间金字塔特征融合和通道注意力机制的YOLOv5改进模型［100］，通过空间金字塔扩张卷积整合多尺度特征，并引入网络剪枝技术，在降低缺陷检测误检率的同时，也显著提升了运行效率。该方法能够有效捕捉不同类型和尺寸的缺陷特征，适用于复杂铺层路径、多层构件和大尺寸结构件的检测需求［100-101］。
另一方面，针对AFP铺放过程中缺陷形态细长且尺度差异大的问题，相关研究提出了基于改进深度学习网络的在线缺陷检测方法［102］。该方法集成了图像采集模块和缺陷检测算法，并构建了AFP多类别铺层缺陷数据集。为提升细长缺陷的特征提取能力，该类深度学习网络模型引入了多核初始块的跨阶段部分网络结构；同时，结合深度可分离卷积的空间金字塔模块，实现了多尺度特征融合。此外，为进一步提高小目标和多尺度缺陷的检测精度，该方法设计了结合强交并比和归一化高斯Wasserstein距离的损失函数。实际应用结果表明，该方法的平均精度指标mAP@0.5和mAP@0.5∶0.95分别比基线模型提高了8.2%和13.7%。因此，该方法在兼顾检测精度与实时性的同时，整体性能优于当前主流检测算法，展现出良好的工业应用潜力。
表3 AFP缺陷检测方法的分类与对比分析Table 3 Classification and comparative analysis of AFP defect detection methods |
| 方法类别 | 检测方法 | 优势 | 局限性 | 文献 |
|---|---|---|---|---|
| 基于点云分析和 图像分割的方法 | 结构光点云分析与PointNet++ | 精度高，实时性强，成本低 | 点云数据量大，算力要求高 | ［88］ |
| SiamMask图像分割 | 精度高，处理速度快 | 对图像清晰度与角度敏感 | ［45］ | |
| 图像滤波与自适应阈值 | 抗干扰能力强，适应 复杂纹理 | 通用性较弱 | ［94］ | |
| 基于物理特性的方法 | 电阻变化检测 | 原位检测，适合层间 缺陷监测 | 依赖电导率数据库，设备 需频繁校准 | ［95］ |
| 基于红外热成像与 时空数据的方法 | 空间-时间热成像重建 | 精度高，抗热扩散影响 | 依赖热像仪性能，速度 受帧率影响 | ［96］ |
| 综合热成像框架 | 多功能集成，定量分析 能力强 | 对设备帧率与空间分辨率 依赖强 | ［97-98］ | |
| 基于深度学习 目标检测的方法 | 改进YOLOv7（BiFormer+AFPN） | 精度高，识别小缺陷能力强 | 模型复杂，部署成本高 | ［99］ |
| 改进YOLOv5与空间金字塔扩张卷积 | 运行快，多尺度适应性强 | 数据集依赖高，剪枝敏感 | ［100］ | |
| 深度学习网络SMSDDNet | 精度高，适应复杂目标形态 | 网络结构复杂，算力要求高 | ［102］ |
2.2 自动铺丝铺层缺陷表征方法
在自动铺丝技术中，缺陷表征作为质量控制与力学性能评估的关键环节，其核心目标在于对间隙、重叠、孔隙等铺层缺陷进行精确、可量化的几何描述，从而为后续的性能模拟、结构分析与工艺优化提供基础数据支撑。相比于强调缺陷有无与位置识别的检测方法，表征方法更侧重于缺陷的几何特征、分布形态及其对材料行为影响机制的深入分析。目前，AFP缺陷表征技术已从早期的超声无损检测、差示扫描量热法和声发射等基于成型构件样品的二维观测手段［103］，逐步发展为融合高分辨成像技术与多物理场数据重建的多元化路径。其中，X射线计算机断层扫描（X-Ray Computed Tomography， XCT）技术作为目前应用最为广泛的无损成像技术之一，不仅能够实现对AFP层合板内缺陷的三维可视化，还具备良好的定量分析能力，尤其在分析成型过程中的孔隙演化与空间分布方面展现出显著优势。一方面，XCT可用于揭示铺层过程和固化过程中层间与层内孔隙的形成与变化［104］，如图7（a）所示［104］；另一方面，XCT还能够用于分析静载作用下AFP构件的变形诱导缺陷，实现对裂纹、脱层和孔隙的三维定位与纤维取向演变的统计分析［105］，图7（b）展示了XCT断层扫描工作流程［105］。为进一步提升检测能力，部分研究也引入了中子成像技术这一新型无损检测方法，以识别AFP构件的内部缺陷，从而弥补XCT在热塑性复合材料结构检测中的穿透能力限制。以澳大利亚核科学技术组织（ANSTO）DINGO装置为例［106］，其在不同中子源到针孔距离与针孔直径的比值（L/D约为500和1 000）下，分别实现了热中子通量为5.3×10⁷ n/cm²·s和1.15×10⁷ n/cm²·s的成像能力，对应的标准中子射线成像和断层扫描可提供14~100 μm的像素分辨率。相比于传统的光学显微和XCT方法，中子对孔隙缺陷具有高敏感性，利用中子断层扫描可以更准确地识别结构中孔隙的特征和分布状态，提升对结构的致密性与内部完整性的综合评估能力，图7（c）展示了中子断层扫描后重构的含孔隙缺陷样品［106］。此外，超声无损检测作为常用的二维缺陷表征手段，通过分析声波在材料中的传播与衰减特性，也可以实现对热塑性复合材料AFP构件中孔隙缺陷的定量表征［107］。最新研究提出了一种基于脉冲回波衰减法的2.5维超声扫描方法［108］，该方法无需依赖校准样本，即可实现孔隙缺陷的局部与整体定量分析，在工程应用中展现出良好的准确性和便利性。相较于XCT方法，虽然其具备更高的空间分辨率和三维可视化能力，但超声无损检测在识别效率、设备便携性及对大尺寸构件的适应性方面更具工程实用优势。
随着检测技术的深入发展，AFP缺陷表征方法逐步向结构数字化建模与力学耦合分析方向拓展［19］。例如，针对AFP铺放过程中常见的间隙缺陷，有研究利用AFP铺层过程中分层点云扫描数据，提出了一种三维间隙缺陷重构建模方法。该方法通过点云预处理、元素分类及有限元网格划分，将缺陷几何特征保留在结构建模过程中［109］，并对间隙尺寸变化下的拉伸性能进行仿真分析，如图7（d）所示［109］。该建模方法不仅可以实现缺陷的非破坏性表征，还可进一步用于不同工况下的性能预测。此外，为提升AFP缺陷重构建模在曲面结构上的适用性，学者们针对弯曲复合材料层合板间隙缺陷的表征问题，提出了一种基于压实和扫掠成形（Consolidation and Sweeping Formation， CASF）的三维几何重建方法。该方法考虑了预浸料铺放过程中的压实行为与几何过渡效应，真实还原缺陷演化特征（见图7（e）［110］），并结合黏结层力学模型，准确预测了含间隙弯曲层合板的承载能力与失效模式［110］。除几何建模外，业界对微观层级的结构重建技术也得到快速发展。已有研究通过引入高分辨率显微XCT扫描技术，开发了基于实际扫描图像自动生成中尺度有限元模型的方法。研究中采用了澳大利亚国立大学CTLab的HeliScan™显微XCT设备，其配置包括3 040×3 040像素的平板探测器和60 kV的微焦X射线源，可实现约150 mm×10 mm×2 mm范围的图像捕获，分辨体素尺寸为6.87 μm。研究人员基于该设备获取的高精度图像，对层合板的CT数据进行了分层分割，并构建六面体网格模型，将纤维波纹、层厚变化与缺陷形貌真实置入数值模型中，实现了AFP缺陷结构的数字孪生建模与力学仿真［111］，如图7（f）所示［111］。
表4 AFP缺陷表征方法的分类与对比分析Table 4 Classification and comparative analysis of AFP defect characterization methods |
| 表征方法 | 关键技术特征 | 优势 | 局限性 | 文献 |
|---|---|---|---|---|
| X射线计算机 断层扫描 | 无损三维成像，孔隙定量可视 | 分辨率高，三维结构信息完整 | 穿透深度有限，热塑性复材存在盲区 | ［104-105］ |
| 中子成像技术 | 中子对孔隙敏感，穿透性强 | 穿透深、对轻质缺陷识别 能力强 | 成本高，设备少，分辨率较低 | ［106］ |
| 超声无损检测 | 脉冲回波与衰减分析 | 非接触，成本低，识别效率高 | 空间分辨率低，易误判 | ［107-108］ |
| 点云数据三维建模 | 分层点云重构真实 间隙缺陷形貌 | 可用于有限元仿真 | 点云噪声大，建模流程复杂 | ［109］ |
| CASF三维几何重建 | 基于铺放压实行为与 几何轨迹重建缺陷形貌 | 缺陷形貌真实、预测性能准确 | 未考虑树脂流动，建模复杂，对厚度依赖大 | ［110］ |
| 显微XCT自动建模 | 高分辨显微CT图像和 分层网格自动生成 | 建模精度高，适用于中尺度仿真 | 计算量大，耗时长 | ［111］ |
3 自动铺丝技术的工艺优化方法
自动铺丝在实际铺放过程中，不可避免地会产生各类缺陷。这不仅影响铺层质量，还可能降低复合材料结构的力学性能，甚至导致结构过早失效。缺陷检测与表征虽为工艺优化提供了数据支撑，但针对性的工艺改进才是从根本上减少缺陷、提升铺层质量的有效途径。因此，优化铺丝工艺以减少缺陷并提升铺层质量，已成为当前研究的重点之一。影响自动铺丝缺陷形成和铺层质量的关键因素主要包括工艺参数和路径轨迹［21］。其中，工艺参数的优化旨在通过调整关键参数，确保丝束在铺放过程中均匀粘结、减少缺陷生成，从而提高整体成型质量。而路径轨迹的优化则侧重于通过合理的铺丝顺序和轨迹设计，优化铺放路径，以降低复杂几何曲面上的缺陷风险，提升结构铺层与力学性能一致性。本节将围绕工艺参数优化与路径轨迹优化两方面展开综述，分析其对铺层质量的影响，并归纳总结现有研究提出的优化方法。
3.1 自动铺丝工艺参数对铺层质量的影响及其优化方法
自动铺丝技术的核心目标是实现高质量、高效率的铺层，而工艺参数的合理选择对于减少铺层缺陷、提高复合材料结构性能至关重要。铺放速度、铺放压力、铺放温度及丝束张力是影响铺层质量的关键工艺参数［112］。过快的铺放速度可能导致丝束无法充分贴合基材，增加间隙和脱粘的风险，而铺放压力不足或过大则可能引发丝束未充分贴合或纤维失稳等问题。此外，铺放温度影响树脂流动性和界面粘结质量，而丝束张力则影响送丝稳定性和铺丝精度。针对上述问题，研究人员采用试验分析、数值模拟和数据驱动等方法，对关键工艺参数进行了优化，并提出了最优工艺参数组合。因此，本节将围绕铺放速度、铺放压力、铺放温度和丝束张力四种关键工艺参数，归纳和总结其影响机理与优化方法。
3.1.1 铺放速度
在实际应用中，铺放速度的优化往往需要结合其他工艺参数进行综合调控。通过多尺度优化方法，将铺放速度与铺放温度和铺放压力协同考虑，能够在高速铺放条件下有效抑制缺陷的产生。例如，已有研究采用反序分层的多尺度协同优化方法，对复合材料的宏/微观力学性能进行分析，并基于分析结果采用响应面法获得的特定参数组合（铺放速度36.25 m/min、铺放温度77.49 ℃、铺放压力150.28 kPa；或铺放速度27.31 m/min、铺放温度61.97 ℃、铺放压力304.76 kPa）可在提升生产效率的同时，显著提高铺层的一致性和力学性能［11］。进一步研究还通过响应面方法对铺放速度、加热功率和铺放压力之间的交互效应进行了分析，并以剪切粘力表征褶皱缺陷。通过分析剪切黏力的变化趋势，确定最优工艺参数组合［115］，如图8（a）所示［115］。结果表明，铺放速度会显著影响剪切黏力的大小，当铺放速度为30 mm/s、铺放压力为1 500 N、加热功率为675 W时，剪切黏力达到最大，其褶皱缺陷的形成概率最低。然而，若要完全避免褶皱缺陷的形成，必须降低铺层效率，从而在缺陷控制与生产效率之间权衡优化。此外，通过将响应面法与多尺度协同优化策略相结合，还可以进一步挖掘不同参数对缺陷与力学性能的综合影响。已有研究基于此方法，获得了铺放速度为19.385 mm/s、铺放压力为0.5 MPa、铺放温度为30.001 ℃的一组最佳工艺参数组合，实现了高质量、高性能的铺层效果，展示了工艺参数协同优化的巨大潜力［116］。
3.1.2 铺放压力
铺放压力决定了纤维丝束与基材之间的贴合程度，直接影响界面结合质量、缺陷生成及成型后复合材料的力学性能。合理的铺放压力可以确保丝束与基材之间充分接触，提升结合强度，减少间隙、脱粘和褶皱等铺层缺陷。
除了铺放压力的直接优化，压辊作为压力施加的关键组件，其结构设计、材料选择及施压方式亦显著影响压力分布的均匀性和最终作用效果。浙江大学的研究团队针对压辊优化设计进行过大量的研究工作［120-122］：相关研究通过采用压敏薄膜试验结合数值模拟，提出了一种压力均匀性计算方法，并通过改进压辊的设计参数，使其更好地适应不同曲率结构，提高压力施加的均匀性［120］。在参数研究中，研究人员依次改变压辊的硬度、长度和直径，探讨各参数对压力均匀性指标的影响，最终确定了一组最优参数组合：压辊硬度为20 HA，长度为110 mm，外径为80 mm。该参数组合能够显著提升压辊在曲率变化区域的压力分布均匀性，从而提高铺层质量与工艺稳定性。基于此，研究人员进一步结合慢速时变递归识别算法和自整定PID控制算法进行铺放压力的伺服控制，实现了铺层过程中的自适应调压［123］。与传统的恒压控制方式相比，该方法在复杂曲面铺放过程中表现出更高的压力控制精度，最大接触压力误差降低了68%，平均误差减少了81%。这不仅显著改善了复杂曲面上的铺层效果，也有效减少了褶皱及搭接缺陷的发生。此外，该团队的最新研究综合分析了机器人系统多源误差对铺放压力的影响机理，构建了压辊与预浸料的本构模型及广义工具端误差（Generalized Tool-tip Error， GTE），并通过扩展雅可比矩阵建立了关节误差与末端误差的映射关系。在此基础上，提出了一种基于虚拟目标点的机器人姿态优化方法，有效提升了铺放压力的均匀性与精度，显著降低了铺层缺陷率［124］，图8（b）展示了AFP机器人的不同姿态和压力测试［124］。同时，该研究还提出了基于气缸动态特性的压力实时控制策略，为铺放压力波动的抑制和成型质量的提升提供了新的思路。
3.1.3 铺放温度
铺放温度是影响AFP技术中预浸料丝束铺层质量的关键因素。适宜的铺放温度不仅可提高丝束的黏附性，优化界面结合质量，还能有效降低残余应力，并减少各类铺层缺陷［125］。然而，铺放温度过高或过低则均会破坏树脂的流动性，导致丝束的黏结力下降，从而诱发滑移和层间分离等问题［28，126］。现有研究表明，丝束黏结力随铺放温度呈非线性特征变化：在一定范围内升高温度有助于增强黏结力并抑制缺陷生成；但超过临界点后，树脂将会出现过度软化或流动失控，易引发褶皱、富树脂区或纤维损伤等缺陷［113］。此外，铺放温度还会对成型后层合板的几何尺寸产生影响，过高温度可能导致厚度减小、宽度增加，从而影响结构装配精度与稳定性［127］。
为提升铺放温度控制的准确性，数据驱动方法逐渐成为研究热点。其中，前馈神经网络模型（Feedforward Neural Network， FNN）利用实际测量的温度数据进行训练，可高效预测温度场分布并辅助工艺优化。相较于传统数值方法，FNN具有毫秒级的预测速度，显著提升了实时性与计算效率。在插值场景下，该模型对未参与训练的新数据依然具备较强的泛化能力，展现出优越的在线预测性能，适用于在线铺放控制［128-129］。然而，该模型受限于训练范围内的数据点，对工艺参数变化较大的情况适应性不足，易造成预测精度下降，难以满足复杂工况下的铺放控制需求。为此，研究人员进一步发展出理论引导神经网络模型（Theory-guided Neural Network， TgNN），该模型通过前层变换增强物理信息的嵌入，提高了模型的泛化能力。在温度预测中，TgNN在插值范围内的最大误差不超过±9 ℃，展现出较强的预测精度与稳定性。在相同的训练数据集缩减条件下，TgNN的平均预测误差为1.02 ℃，最大误差为11.5 ℃，均显著优于FNN，后者对应的误差分别为1.53 ℃和23.3 ℃［130］。TgNN模型不仅能够降低对大规模试验数据的依赖，还能在拓展预测范围的同时保持较高精度，从而更适用于实时在线控制与优化铺放温度。此外，还有研究团队通过激光辅助热塑性复合材料自动铺丝机，采用模块化设计的自动铺丝头结合激光角度控制技术，实现了激光能量在预浸带与基体间的精确分配，提高了加热的可控性和铺放质量［131］。该系统采用半导体激光器，激光斑点尺寸为17 mm×10 mm，焦距为300 mm，通过设置凹面镜面板将激光聚焦至预浸带与基体界面，并将激光能量以1∶1的比例均匀分布至两者之间；同时，激光入射角可在12°~30°范围内调节，从而显著增强了加热过程的均匀性与热效率。
在实际应用中，铺放温度的优化通常需要与铺放速度、铺放压力、丝束张力等工艺参数协同调整，以实现整体成型性能的最佳化。例如，当铺放速度为76 mm/s时，适当提高铺放温度与铺放压力可提升层间剪切强度，但若温度过高，则可能导致树脂过度流动，进而引发结构局部失效［127］。在此基础上，已有研究采用响应面法对铺放温度、铺放压力、铺放速度与丝束张力4个关键工艺参数进行了联合优化设计，获得了一组在力学性能、几何精度与生产效率之间实现平衡的最优参数组合（铺放温度90.25 ℃、铺放压力367.94 N、铺放速度55.54 mm/s、丝束张力5.38 N）［132］，如图8（c）所示［132］。研究结果表明，4个参数之间存在显著的交互耦合作用，其协同效应对铺层质量和缺陷抑制具有系统性影响，进一步验证了多参数优化在AFP工艺质量控制中的重要作用。其中，铺放温度和铺放压力是影响铺层质量的主要因素，铺放温度和铺放速度之间的交互作用最为显著；相比之下，丝束张力对铺层质量的影响相对较小。然而，在实际生产中，这一最优组合需根据具体结构、工艺要求和应用场景灵活调整，以确保铺层质量与工程适用性的统一。
3.1.4 丝束张力
针对丝束张力对铺层质量的影响，已有研究建立了张力变化的理论模型，用以准确描述铺丝过程中丝束张力的动态变化［136］。结果表明，丝束张力在铺丝过程中的波动会直接影响铺层质量，其中幂律流体的摩擦系数对丝束张力影响最为显著，而弯曲刚度和可延展性的影响则较小。同时，该研究还确定了最佳丝束张力（T）为3 N，此时铺丝过程中缺陷数量最少，如图8（d）所示［136］。此外，在优化丝束张力的过程中，有研究发现当丝束张力控制在2~8 N范围内时，其对丝束黏结力的影响呈正相关关系，而与缺陷数量呈负相关关系。若张力过小，丝束与压辊接触不充分，摩擦力不足，容易导致轨迹偏离，进而形成间隙或重叠缺陷。反之，张力过大则可能使径向分力超出界面抗剪强度，引发丝束滑移或脱粘，降低铺层精度［113］。
为提升丝束张力控制的响应性与精度，部分研究提出了基于模糊自适应PID的张力控制方法［137］。该方法融合了模糊逻辑对外部扰动的快速响应能力与自适应PID对参数动态调整的能力，实现了对丝束张力的高精度实时控制。试验结果表明：该控制方法在应对张力波动时具备良好的稳定性和快速响应性能，能够在100 ms内将张力调节至稳定状态，有效提升了铺层精度与复合材料结构的一致性。
总体而言，尽管丝束张力是影响铺层质量的重要因素之一，但相较于铺放速度、铺放压力和铺放温度，其优化研究仍相对有限。未来的研究可进一步结合数据驱动建模、智能算法优化与高精度在线监测技术，以实现对丝束张力更精准的实时控制，从而提升自动铺丝技术的稳定性和铺层质量。
本节总结了近年来铺放速度、铺放压力、铺放温度和丝束张力4种关键工艺参数的部分优化方法、关键技术特征及其适用场景，结果如表5所示。
表5 关键工艺参数的优化方法及其技术特征Table 5 Optimization methods and technical characteristics of key process parameters |
| 工艺参 数类型 | 优化方法类型 | 关键技术特征 | 适用场景 | 文献 |
|---|---|---|---|---|
| 铺放速度 | 经验参数设定法 | 通过人工试验确定经验范围 | 平面/低曲率结构 | ［113-114］ |
| 响应面法 | 统计设计多因素交互作用 | 典型平面结构 | ［115］ | |
| 响应面与多尺度协同优化组合法 | 集成响应面与多尺度模型，构建复杂目标函数 | 高性能曲面结构 | ［11，116］ | |
| 铺放压力 | 经验参数设定法 | 通过人工试验确定经验范围 | 平面/低曲率结构 | ［113］ |
| 压辊结构优化法 | 采用多自由度结构设计/结合压敏薄膜 试验与仿真，迭代改进压辊设计参数 | 大曲率/异形曲面结构 | ［106，120-122］ | |
| 传感器实时反馈控制法 | 利用轮廓测量或触感传感器实现压力 实时检测与闭环调节 | 平/曲面结构 | ［119］ | |
| 伺服控制与智能算法调压法 | 结合慢时变递归识别算法与自整定PID 实现实时闭环调压 | 多曲率变化结构 | ［123］ | |
| 多源误差建模与机器人姿态优化法 | 构建误差模型，结合虚拟目标点进行姿态控制 | 大曲率/异形曲面结构 | ［124］ | |
| 铺放温度 | 经验参数设定法 | 通过人工试验确定经验范围 | 平面/低曲率结构 | ［28，113，125-126］ |
| 响应面法 | 统计设计多因素交互作用 | 典型平面结构 | ［127，132］ | |
| 数据驱动法 | FNN/TgNN预测温度场分布，实时在线控制 | 多曲率变化结构 | ［128-130］ | |
| 加热器角度控制法 | 利用可编程逻辑控制器控制激光加热器 角度，实现能量精确分布 | 热塑性复合材料结构/ 大曲率曲面结构 | ［131］ | |
| 丝束张力 | 经验参数设定法 | 通过人工试验确定经验范围 | 平面/低曲率结构 | ［113］ |
| 理论模型法 | 建立张力动态变化模型 | 平面/低曲率结构 | ［136］ | |
| 模糊自适应PID控制法 | 融合模糊逻辑与自适应PID，实现张力实时控制 | 多曲率变化结构 | ［137］ |
3.2 自动铺丝路径轨迹优化方法
在优化工艺参数的同时，路径轨迹规划作为AFP铺放过程中面向构件全局的控制维度，是进一步提升铺层质量与成型精度的关键环节。路径轨迹的优化不仅关系到铺层缺陷的有效抑制，还直接影响材料利用率和结构服役性能。由于铺丝过程涉及复杂的曲面几何、纤维变形及铺层约束，传统的铺丝路径规划方法往往难以满足高精度、高效率的铺放要求。
3.2.1 基于几何优化方程的路径轨迹优化方法
早期的自动铺丝路径轨迹优化研究多聚焦于曲面几何与铺层角度之间的协调关系，试图通过构建几何模型方程来指导铺放路径的设计。该类方法在铺设规则曲面结构时具有较高的适应性与可计算性，因而成为基础路径规划研究的重要方向。
近年来，为了提升铺丝路径精度，学者们提出了基于STL模型文件重构优化的方法。该方法通过将STL模型文件的几何信息转换为可计算的点和面矩阵进行数据重构，并建立相应的优化数学模型，结合铺设面几何特征信息自动求解铺丝路径，从而减少人为干预，提高了路径规划的适应性和计算效率［140-141］。然而，由于该方法主要针对固定角度铺放路径的优化，在处理复杂曲面和变角度铺放时，可能存在路径偏差或局部应力集中问题，限制了其在大曲率结构中的应用。为进一步提高路径精度，并适应大曲率结构的铺放需求，有研究将曲面无褶皱铺设轨迹设计准则与圆顶壳体表面曲线方程相结合，开发了适用于复合材料压力容器的无褶皱铺放轨迹方程［142］。该方程结合微分几何原理优化铺放路径，有效避免了褶皱和重叠缺陷，减少了试错成本，同时也拓展了复合材料压力容器的设计空间，但其在适应不同复杂曲面形态时仍面临计算复杂度高和适用性受限的问题。
3.2.2 基于自适应和多参考路径的路径轨迹优化方法
基于开放轮廓的网格表面路径优化方法成为重要研究方向之一，该方法通过载荷特性划分铺放区域，并在不同区域内设计差异化的铺丝路径，以提高铺层适应性和构件强度。相比传统单一参考路径的方法，该方法采用多参考路径规划，更精准地反映局部铺层方向信息的分布特征，适用于复杂受载条件下的多层铺放［145］。然而，该类网格表面路径优化方法主要适用于平面或曲率变化较小的曲面，对复杂曲率变化的结构适应性较弱。因此，为进一步提升复杂曲面结构上的路径适应性并减少缺陷形成，研究人员提出了基于网格动态表示（Mesh Dynamic Representation， MDR）的自适应路径规划方法。该方法将数值模拟与2D-3D跟踪算法相结合，构建最优参考路径，并基于自适应算法，实现等距铺设路径的自适应规划，确保纤维方向符合结构设计要求［146］，图9（a）展示了不同曲面结构上纤维铺放路径规划结果［146］。此外，基于网格划分和多参考线优化基准方向向量的路径规划方法，通过将曲面离散化为三角形网格，并结合子表面边界拼接和拓扑重构算法，也可以提升复杂曲面结构上的路径适应性和路径规划效率［147］，图9（b）展示了平面和曲面模型的单参考线与多参考线生成的路径［147］。在此基础上，为了提高参考线分析和生成效率，研究人员进一步提出了一种自动预分析和优化生成参考线的方法，如图9（c）所示［148］。该方法结合预分析算法与遗传算法，对路径的转向半径和角度偏差进行分析与优化，有效消除了转向半径超限区域，降低了褶皱缺陷的生成，并将角度偏差控制在10°以内，从而提高了多参考线路径规划的整体效率和成型后质量［148］。其中，角度偏差分析基于Rosette映射规则与切平面投影方法，结合微分几何高效求解表面法向量，实现了对纤维方向偏差的快速评估与优化。相比于传统分析方法，该方法的评估效率提升了约156倍，其在处理大型面板构件的参考曲线设计时，能够在秒级时间内完成曲率与角度偏差的计算，而传统方法通常需耗时数分钟。
3.2.3 基于智能优化算法的路径轨迹优化方法
随着工业4.0的快速发展，机器学习和深度优化算法为自动铺丝路径规划提供了新的解决思路，并推动路径轨迹优化从传统的几何计算模式逐步向数据驱动和智能学习方向发展。
例如，基于改进的路径离散化算法，通过将离散误差分解为法向误差和副法向误差，并结合铺放过程中的压力控制与路径调整优化，显著减少了复杂双曲面结构上离散路径点数量，从而降低了重叠缺陷生成概率，提高了铺放效率和铺放精度［149］。而采用高斯过程回归构建贝叶斯优化模型的方法，通过采样、模型拟合及优化目标函数，同样显著降低了双曲面结构的缺陷发生率，并成功应用于间隙/重叠、角度偏差及综合缺陷的优化策略［150］，如图9（d）所示［150］。还有研究基于数字图像反卷积算法（Digital Image Deconvolution Algorithm， DIDA）的全局优化方法，以同时兼顾纤维对齐度与铺层厚度变化的最小化。该方法将路径规划问题转化为线性偏微分方程，并在数字图像参数域中进行离散求解，借助傅里叶变换实现高效的图像反卷积处理。相比传统几何偏移法，该方法能够生成全局最优的路径等值线场，显著提升其对复杂曲面铺层的质量与一致性［151］。
3.2.4 基于其他优化技术的路径轨迹优化方法
除几何建模与智能算法外，控制与系统集成技术也被用于路径轨迹优化，旨在提升铺丝系统的执行精度、路径可制造性以及整体稳定性。
表6 AFP路径轨迹优化方法的分类与对比分析Table 6 Classification and comparative analysis of AFP path optimization methods |
| 优化方法类别 | 方法描述 | 优势 | 局限性 | 适用场景 | 文献 |
|---|---|---|---|---|---|
| 几何优化方程类 | STL模型文件重构优化数学模型 | 自动化程度高，人为干预少 | 曲面适应性差，路径 精度有限 | 规则结构、定角度 铺放 | ［140-141］ |
| 曲面方程与微分几何 | 避免褶皱和重叠，拓展设计空间 | 适应性差，计算复杂 | 压力容器、穹顶类 结构 | ［142］ | |
| 自适应与多参考路径类 | 分区域多参考路径设计 | 适应性强，适合多层铺放 | 适应性差 | 中低曲率结构 | ［143-145］ |
| 网格动态表示与自适应算法 | 高度自适应，路径等距、纤维方向一致 | 实施复杂，计算量大 | 大曲率曲面结构 | ［146］ | |
| 网格划分与多参考线方向向量优化 | 路径规划效率高，适应性强 | 精度受限于网格划分 质量 | 连续曲面大型结构 | ［150］ | |
| 自动预分析与遗传算法优化 | 误差小，褶皱少 | 算法参数依赖性强， 耗时长 | 变刚度曲面结构 | ［148］ | |
| 智能优化算法类 | 基于路径离散误差分解的优化 | 离散点少，精度高 | 高精度算法依赖性强 | 双曲面结构 | ［149］ |
| 基于高斯过程回归的贝叶斯优化 | 缺陷率低，适用于多种缺陷优化 | 初始采样与模型训练 依赖性强 | 双曲面结构 | ［150］ | |
| 基于数字图像反卷积 算法 | 全局优化，考虑纤维对齐度和厚度一致性 | 高质量网格化建模 依赖性强 | 高复杂度曲面结构 | ［151］ | |
| 基于点云结构的定向投影算子算法 | 精度高，通用性强，避免表面重构误差 | 点云质量要求高 | 非参数化、自由 曲面结构 | ［152］ | |
| 其他优化技术类 | 快速局部曲率校正 | 误差小，厚度均匀 | 曲率控制精度高，计算量大 | 变刚度结构 | ［153-154］ |
| 基于纤维方向聚类与 B样条拟合 | 保留有限元最优设计信息，路径平滑且制造约束友好 | 聚类划分依赖参数选择 | 变刚度结构 | ［155］ | |
| 主从控制系统视觉测量与轨迹补偿 | 定位精度高，稳定性好 | 硬件复杂，需高精度 协同 | 复杂曲面结构 | ［156-159］ |
4 总结与展望
自动铺丝技术作为先进复合材料成型的核心工艺，其铺层质量直接影响结构性能与服役安全。在实际应用中，常见铺层缺陷类型包括间隙、重叠、褶皱、纤维波纹等。这些缺陷往往由初期微小工艺偏差累积所致，受设备精度、轨迹控制、温度与压力协调等因素共同影响，严重时将导致应力集中、力学性能退化甚至结构失效。为提升缺陷识别与控制能力，业界在缺陷检测与三维表征方面提出了多种创新方法，有效提升了缺陷检测的精度与效率，并推动了数字模型和力学仿真融合的发展。同时，围绕铺放速度、压力、温度及张力等工艺参数的优化研究也取得了进展，采用数值模拟与智能控制等方法逐步实现了多参数协同调控，抑制了缺陷生成。在路径设计方面，从传统的几何规划向智能化路径生成转变，逐步引入了多参考线、自适应路径、高斯回归与深度学习模型等方法，显著提升了复杂曲面上的路径适应性、铺放精度与制造效率。
尽管近年来在复合材料自动铺丝技术的缺陷检测、表征与工艺优化方法方面已取得显著进展，但在工程实践中仍存在诸多技术瓶颈。因此，梳理、归纳了当前面临的关键技术挑战，并据此提出了未来的发展方向：
1） 现有缺陷检测技术在实时性与精度之间存在矛盾，当前高精度检测方法依赖于复杂计算与高性能硬件，不足以满足高速铺放环境下的低延迟响应需求，且在复杂工况下鲁棒性不强。未来可通过融合多源传感信息与轻量化智能算法，构建高效、低功耗、具有边缘计算能力的实时在线检测系统，提升系统适应性与抗干扰能力。具体可结合热成像、激光位移和超声传感等数据源，开发基于自注意力机制的小型融合网络结构，搭配FPGA/SoC平台实现边缘端部署，并通过动态特征筛选机制抑制噪声，提升缺陷检测精度与系统响应速度。
2） 现有缺陷表征方法仍存在尺度融合不一致的问题，不足以反映微观与宏观缺陷间的交互与累积效应。未来可发展三维多尺度表征方法，构建覆盖从微观界面到宏观构件的高保真数字模型，结合数字孪生与有限元仿真，提升缺陷演化建模与性能预测的准确性。具体可基于XCT或显微图像数据开发统一体素分辨率的多尺度重建算法，引入图神经网络建立缺陷跨尺度传播路径的结构化描述模型，并结合物理驱动建模实现微观缺陷到宏观结构响应间的关联映射。
3） 自动铺丝过程中的多参数耦合效应增加了实时控制难度，传统经验型方法不足以适应多变工况。未来发展可聚焦于多目标自适应控制与闭环反馈优化，通过实时感知铺放速度、铺放压力、铺放温度和丝束张力等关键工艺参数，引入强化学习与模型预测控制等先进智能控制策略，构建具备高响应、高鲁棒性的智能调控系统，保障铺层质量与工艺一致性。具体可引入基于模型预测控制嵌套深度强化学习的协同策略，建立工艺参数-缺陷生成-性能指标的映射模型，在铺放过程中实时反馈速度/压力/温度/张力异常，并动态调整进给速度、压辊压力和加热功率，实现质量与效率的多目标最优调控。
4） 现有路径优化方法不足以应对大曲率复杂结构及在线误差补偿，且多机器人系统中路径协调与干涉避免尚不成熟，路径规划与执行的智能化水平仍有待提升。未来可推动面向复杂构件的多目标智能路径生成技术发展，支持缺陷规避、应力控制与成型效率等多约束需求。同时，推动多机器人协同铺丝与在线路径可制造性评估技术的融合，进一步降低铺层缺陷发生概率，提升制造质量。具体可基于CAD几何模型构建面向应力控制与缺陷敏感性抑制的多目标路径生成算法，结合蒙特卡洛树搜索和强化学习，在仿真环境中训练机器人间的动态避障与任务分配策略，并集成视觉或激光测头实现路径误差在线补偿与运动规划快速重构。