《Engineering Applications of Artificial Intelligence》：Revisiting surface tearing extrusion flow instabilities through machine learning
编辑推荐：
通过机器学习分析木纤维聚丙烯共混物挤出过程中表面不稳定现象，发现监督和无监督学习模型（如VGG16）能有效分类表面缺陷，揭示传统傅里叶频谱分析难以捕捉的局部特征，为实时监控和预测提供新方法。
Sajjad Pashazadeh|Valentina Matovic|Tobias Moberg|Anders Brolin|Roland Kádár
查尔姆斯理工大学，机械工程系，哥德堡，SE 412 96，瑞典
摘要
聚合物挤出过程中的不稳定性现象，如鲨鱼皮状表面、粘滑现象、熔体断裂以及填充复合材料的表面撕裂，是主要的制造缺陷。这些缺陷会降低表面质量、减少机械性能，并增加废料率，因此对其检测对于保证产品质量和工艺效率至关重要。在本文中，我们利用机器学习算法分析了通过在线光学可视化系统捕捉到的木纤维聚丙烯复合材料的挤出表面图案。在单螺杆挤出机中，我们在受控的螺杆速度变化条件下处理了两种具有不同表面特性的材料，以观察多种挤出状态。监督学习和无监督学习方法对表面不稳定性进行了分类，生成的聚类图与传统傅里叶变换分析结果一致，同时提供了关于表面变化的详细空间信息。即使在没有明显的频率或波数变化的情况下，机器学习也能检测到细微的局部特征，如表面撕裂的微小变化和气泡形成模式。空间自适应的图像分类技术能够揭示传统平均光谱方法无法发现的流动变化，从而改进聚合物加工的分析和自动化程度。
引言
挤出熔体流动不稳定性是聚合物加工中最关键的现象之一，因为它们会显著影响产品质量和工艺产量。在传统塑料中，熔体流动不稳定性已被广泛研究（Agassant等人，2006年；Denn，2001年；Vergnes，2015年）。这些不稳定性表现为多种表面不规则现象，包括线性聚合物中的鲨鱼皮状表面（Naue等人，2015年；Palza等人，2010年）以及长链支化聚合物中的表面波动（Kádár等人，2016年；Ratzsch等人，2013年；Kádár，2017年）。不稳定性还可能表现为严重的体积变形，例如粘滑现象和严重的熔体断裂（Denn，2008年）。
近年来，木塑复合材料（WPCs）作为传统塑料的可持续替代品重新受到关注。由于填充量大，这些材料的熔体流动行为与纯聚合物有显著差异。特别是高填充度的WPCs，表现出具有独特外观和动态特性的表面撕裂不稳定性。Hristov、Tákacs和Vlachopoulos之前的研究系统地探讨了木粉粒度和含量、基体分子量、剪切速率以及润滑剂对这些现象的影响（Hristov等人，2006年；Hristov和Vlachopoulos，2007年；Hristov和Vlachopoulos，2008年；Hristov，2009年）。最近，Pashazadeh等人结合二维傅里叶变换分析和在线可视化技术对木纤维复合材料的挤出不稳定性进行了研究（Pashazadeh等人，2023b）。他们发现纤维含量、水分和剪切速率显著影响表面撕裂的发生，而干燥处理和较高的螺杆速度有助于提高流动稳定性。基于这些观察结果，提出了一种稳定性判据，用于预测稳定和不稳定挤出状态之间的转变（Pashazadeh，2025年）。
挤出不稳定性会导致表面和体积缺陷，从而影响材料的机械完整性和尺寸精度，通常需要昂贵的后处理或报废。对于大规模生产木塑复合材料和包装材料的制造商来说，这些不稳定性会导致大量材料损失和生产停机时间，因此迫切需要实时检测和预测控制策略。机器学习（ML）的进步，尤其是在计算机视觉领域，为直接从在线成像数据中自动识别流动不稳定性提供了新的机会。自动化识别技术已经在医学诊断、农业和质量控制等领域取得了显著成果，表明其在挤出监测中也具有类似潜力。大多数材料科学中的ML应用依赖于监督学习，其中标记过的图像用于指导分类（Schmidt等人，2019年；Kotsiantis等人，2007年）。然而，定义和标记不稳定性模式并非易事：即使在传统上归为同一类别的图案之间，也可能存在细微的视觉差异，而这些差异会随聚合物分子特性和加工条件而变化。
因此，无监督学习尤其具有吸引力，因为它可以从未标记的数据中发现潜在的关系，并根据内在相似性对特征进行聚类（Ghahramani，2003年）。目前很少有研究将此类方法应用于聚合物挤出过程。据我们所知，只有一项先前的研究探讨了熔体不稳定性的无监督聚类，将聚乙烯的分子特性与粘滑现象和鲨鱼皮状表面相关联（Gansen等人，2023年）。然而，该研究的局限性在于分类是在离线环境下进行的，与实时工艺数据流分离。
一个更深的挑战是：尽管已知挤出流动稳定性很大程度上取决于聚合物分子特性，但分子变化如何表现为视觉上可区分的不稳定性模式，或者这些模式如何反映分子特性，目前尚未得到系统研究。解决这一问题需要能够详细分析视觉特征并将其与加工条件和材料特性关联起来的方法。卷积神经网络（CNNs）为图像数据中的特征提取和模式识别提供了强大的框架。预先训练的CNN架构，如VGGNet、ResNet、DenseNet、MobileNet和EfficientNet，最初是为大型图像数据集（如ImageNet）开发的，可以通过迁移学习重新用于材料表征（Shin等人，2016年），即利用在ImageNet上预训练的卷积层作为挤出图像的通用特征检测器，无需从头开始训练深度网络。这种策略即使在数据集有限的情况下也能实现稳健的特征提取，这在实验性聚合物加工中很常见。降维技术（如主成分分析（PCA）可以进一步简化提取的特征，便于对复杂模式关系进行聚类和可视化。结合卷积特征提取与传统的聚类或降维算法（如PCA和K-means）的混合策略，在计算机视觉和信号分析中越来越受欢迎（Qian等人，2024年；Malik和Waheed，2021年；Cheng等人，2021年；Zhang等人，2022年）。这些方法在科学和工业成像应用中已被证明在特征压缩和无监督分组方面有效。然而，它们在物理实验的数据驱动分析中的应用仍较为有限。
在本研究中，我们通过比较传统的光谱分析和基于机器学习的图像分类方法，重新研究了高填充度木塑复合材料的挤出熔体流动不稳定性。利用在线光学可视化系统录制的视频，我们应用了监督学习和无监督学习来检测和聚类单螺杆挤出过程中的表面图案。这种结合框架将CNN提取的特征与流变学相关的表面形态和流动状态联系起来。这种物理上可解释的实现方法将传统的混合学习方法扩展到了实时工艺监控和材料表征领域。通过这种比较，我们评估了数据驱动的特征提取如何补充傅里叶光谱分析在解析表面形态的微妙时空变化方面的能力。虽然我们的研究重点是木纤维复合材料（因其作为传统塑料的可持续替代品而具有相关性），但该方法适用于广泛的聚合物加工不稳定性。通过直接从详细的挤出物表面图案特征定义挤出流动状态，该方法不仅再现了已知的转变边界，还揭示了它们之间之前未发现的渐进式转变。结果表明，结合在线成像和机器学习可以显著提升聚合物挤出领域的科学理解和质量控制实践。
材料
根据我们之前的研究，选择了两个测试样品，以展示挤出过程中不同类型的不规则性，并支持基于机器学习的图像分析的概念验证、效果验证和探索。所研究的材料是由Stora Enso（芬兰赫尔辛基）提供的两种聚丙烯（PP）-木纤维复合材料：(i) 含有40 wt%干燥木纤维的复合材料；(ii) 含有5 wt%未经预干燥处理的木纤维的复合材料。
机器学习
机器学习分析使用Python和开源库进行，以确保不同卷积神经网络（CNN）架构之间的可重复性和可比性。图像归一化和预处理使用Scikit-image库完成（Van der Walt等人，2014年）。所有CNN模型（如VGG16、VGG19、ResNet、DenseNet、MobileNet和EfficientNet）均通过Keras接口实现（Chollet等人，2018年），并使用预训练的ImageNet权重（Russakovsky等人）。
结果与讨论
本节首先进行傅里叶变换分析，然后探讨了监督学习的结果。随后，我们分析了无监督学习的结果。最后，将5 wt%和40 wt%样品的无监督机器学习结果与傅里叶变换分析结果进行了比较。
结论
在本研究中，我们探讨了利用机器学习算法检测木塑复合材料挤出过程中的表面不稳定性。结果表明，将在线光学成像与机器学习相结合，可以定量表征高填充度木塑复合材料的挤出熔体流动不稳定性，以及任何表现出表面熔体流动不稳定性的材料。基于VGG16的监督和无监督模型均能够识别出不同的
CRediT作者贡献声明
Sajjad Pashazadeh：撰写——审稿与编辑、初稿撰写、可视化、验证、软件开发、项目管理、方法论设计、数据分析、概念构建。Valentina Matovic：撰写——审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论设计、数据分析、概念构建。Tobias Moberg：撰写——审稿与编辑、监督工作、资源协调。Anders Brolin：撰写——
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：Sajjad Pashazadeh表示设备、药品或耗材由Stora Enso集团提供。如果还有其他作者，他们声明没有已知的可能影响本文研究的财务利益或个人关系。
致谢
本工作是在Knut和Alice Wallenberg基金会（项目编号：KAW 2018.0451）慷慨资助的“Biocomposite”项目下完成的。SP和RK感谢Stora Enso Oyj对该项目的财务支持。
