利用声发射信号结合基于人工智能的方法监测碳纤维增强塑料（CFRP）的钻孔质量：评估、预测及形态重建

《Mechanical Systems and Signal Processing》：Utilization of acoustic emission signals for monitoring CFRP drilling quality with AI-based methods: evaluation, prediction, and morphological reconstruction

碳纤维增强聚合物钻孔质量实时监测与预测方法研究。通过声发射信号与先进机器学习模型结合，提出概率钻孔阶段识别、K-means缺陷评估、Transformer实时监测及VAE-Transformer重构模型，有效分析钻孔参数与孔边质量（粗糙度、波纹度等）关系，实现非破坏性缺陷检测，提升航空汽车制造效率。

　　

梁思雨|陈涛|傅坤坤|刘光军

同济大学机械工程学院，中国上海201804

摘要

钻孔碳纤维增强聚合物（CFRP）是复合材料制造中的关键工艺，但确保高精度和质量面临重大挑战。诸如分层、磨损和粗糙孔壁等缺陷会直接影响材料的性能和耐用性。传统的质量控制方法通常涉及后处理检测，这既耗时又无法在制造过程中预防缺陷。因此，需要实时、无损的监测方法来维持高质量标准并提高效率。本研究旨在利用声发射（AE）信号和先进的机器学习模型，开发一种用于实时监测和预测CFRP钻孔质量的先进方法。实验中使用了机器人钻孔系统。钻孔过程中收集了AE信号，并用工业相机拍摄了孔边缘图像。白光共聚焦轮廓仪用于获取孔壁形态数据。分析了钻孔参数与孔质量之间的关系以及AE信号特征。提出了多种先进的AI模型，包括概率钻孔阶段识别模型、基于K-means的缺陷评估模型、基于Transformer的实时缺陷监测模型以及用于从AE信号重建孔壁形态的VAE-Transformer混合模型。这些模型成功表征了钻孔缺陷，并实现了钻孔阶段的精确识别。基于AE信号切片的实时缺陷监测显示出高准确性，而重建模型有效预测了孔壁形态。本研究为钻孔过程中的CFRP质量实时无损监测提供了一种创新方法，显著提高了生产效率，确保了航空航天和汽车应用中的无缺陷制造。

部分摘录

背景

在当代材料科学与工程领域，碳纤维增强聚合物（CFRP）复合材料以其卓越的比刚度和强度而脱颖而出，成为对重量要求严格、高性能结构的首选材料。其低密度与超高的机械效率使其在航空航天、汽车和运动器材等领域得到广泛应用，为实现质量与性能的同时提升提供了可靠途径。

CFRP钻孔测试

本研究使用机器人自动钻孔系统进行钻孔测试，并设计了一种适用于CFRP试样的可调夹具，如图2所示。所用试样为T800类型的单向CFRP层压板，其参数见表1。钻孔参数（进给速率和主轴转速）设置为表2中的数值，每个参数有五个级别。测试中使用的钻孔工具为多晶金刚石钻头。

钻孔参数与孔边缘质量

密度函数用于描述孔边缘缺陷因素的分布（$F_B$$R_A$$F_d$），如图11所示。可以观察到，入口处的缺陷率通常低于出口处，且入口处的数值分布更为集中。

钻孔参数（进给速率$f$）和主轴转速$n$与孔边缘缺陷因素（$F_B$、$R_A$、$F_d$）之间的关系如图12所示。总体而言，

钻孔阶段识别模型

由于不同钻孔阶段对孔入口、出口和壁面的影响不同，因此需要开发一种智能的钻孔阶段识别模型。由于AE信号谱的结构在不同钻孔阶段有所不同，因此可以根据AE信号确定特定时刻的钻孔阶段，具体方法如下：对于AE信号样本的一个频率谱，可以确定样本属于某个阶段的概率。

模型实现与验证

根据第2.1节描述的钻孔测试，准备了25个钻孔样品，对应于表2中的25组钻孔参数。每组参数钻9个孔，其中8个孔用于在不同纤维切割角度下收集孔壁形态数据，1个孔用于收集入口和出口图像。考虑到从第三个孔开始相邻孔之间存在重叠区域，因此

结论

本研究通过粗糙度（$R_{}$）、波度（）、圆度（）和圆柱度（）来描述CFRP孔壁的状态；同时使用毛刺因子（）、损伤面积比（）、分层因子（）和修正后的分层因子（）来评估孔边缘。此外，还利用钻孔过程中AE信号的STFT谱进行钻孔阶段识别、缺陷等级评估和孔壁形态重建。主要结论如下：

(1) 缺陷

CRediT作者贡献声明

梁思雨：撰写——原始草稿、可视化、验证、方法论、数据分析、概念化。陈涛：项目管理、调查、资金筹集。傅坤坤：资金筹集。刘光军：撰写——审稿与编辑、监督、项目管理、资金筹集。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

作者感谢黑龙江省自然科学基金[ZD2024E007]和中央高校基本研究基金的支持。