A Review on Robotized Automated Lay-up Technology for Composite Material Manufacturing
-
摘要: 碳纤维增强复合材料(Carbon fiber-reinforced composite, CFRC)因具有轻质高强、耐腐蚀、耐冲击等优越性能, 在生产生活中的应用已越来越广泛, 然而复材产品的生产制造仍是劳动密集性产业, 主要依靠人工. 机械臂自上世纪50年代进入工业生产中以来, 极大提高了生产效率和质量, 然而目前机械臂在复材产品制造中的应用是少见的, 主要集中在机械臂形式的自动铺丝(Automated fiber placement, AFP)中. 复材产品制造工艺繁琐, 将复合材料铺放在模具上是复材产品制造过程中的一个重要环节, 本文称之为“铺层”, 使用机械臂完成复合材料自动铺层将是未来复材产品制造自动化、智能化发展的一个关键方向. 本文将机械臂进行复合材料自动铺层操作分为两种主要形式: 铺片和铺带(丝), 通过案例调研和分析, 归纳总结现有的设计理念和技术方法, 提出未来发展趋势, 以期对机械臂的应用和研究、复材产品的智能化制造和工业4.0的发展形成参考.Abstract: Carbon fiber-reinforced composite (CFRC) has been widely used in production and life because of its superior properties such as light weight and high strength, corrosion resistance and impact resistance. However, the manufacturing of composite products is still a labor-intensive industry, mainly relying on manual labor. Since the robot arm entered the industrial production in the 1950s, it has greatly improved the production efficiency and quality, however, the current application of robot arm in the manufacturing of composite products is rare, mainly focusing on the robot arm form of automated fiber placement (AFP). The manufacturing process of composite products is tedious, and laying the composite material on the mold is an important part of the manufacturing process of composite products, which we call “lay-up”, and the use of robot arm to complete the automated lay-up operation will be a key direction for the future automation and intelligent development of the manufacturing of composite products. This paper offers a thorough examination of automated lay-up operation for robot arm, and categorizes them into two primary types: Lay-up sheets and lay-up tapes (fibers). Through case study and analysis of existing design concepts and technical methods, this paper identifies trend and suggests future development direction. The insights are of significant value for application and research related to robot arm, intelligent manufacturing of composite products, and the progression of Industry 4.0.
-
碳纤维增强复合材料(Carbon fiber-reinforced composite, CFRC)自上世纪五六十年代被开发以来, 因其具有轻质高强、耐腐蚀、耐冲击等优越性能, 逐渐应用到人类生产生活的方方面面. 根据文献[1]的报告, 2021年全球碳纤维市场需求量约为11.8万吨, 预计到2025年将达到20万吨. 其中, 航空航天、风电叶片、压力容器、体育休闲、汽车是主要应用领域[1]. 根据应用场景不同, 复材产品有多种制造方式, 如手糊成型、树脂传递模塑、自动铺带和自动纤维铺放等. 复材产品制造目前仍是劳动密集型产业, 产生了许多不利影响: 制造过程中使用多种化学制剂, 对人体有害; 制造工艺对工人要求高, 需要具备长时间实践经验; 人工制造方式耗时、效率低, 质量难以把控; 人工成本不断增长, 生产效益不断下降等.
自上世纪五六十年代以来, 机械臂被发明并逐渐应用到工业生产、医疗辅助、空间技术等领域. 机械臂的应用发展经历多个阶段, 第一阶段是上世纪五六十年代, 机械臂首次被提出并应用在汽车工业方面, 是基于数控技术的末端工具与机械手臂的结合, 缺乏检测环境信息的工具, 仅能执行点对点的操作任务. 第二阶段是上世纪七十年代, 许多先进的传感设备集成到机械臂中, 如视觉、力、力矩等, 这使机械臂能够对环境做出反应; 此外可编程逻辑控制器被应用到机械臂编程中, 这大大降低了复杂任务的编程难度. 第三阶段是上世纪八九十年代, 机械臂配置专有的控制器并开发新的编程语言, 这使得机械臂能够快速适应不同领域的任务, 大大增强机械臂的通用性. 第四阶段是二十世纪初至今, 人工智能在机械臂领域不断发展, 更强大的计算机使得机械臂不仅能够处理数据, 还可以进行推理和学习, 此外协作机器人也在这一阶段被提出.
机械臂起源于工业应用, 在工业中的应用也最广泛. 根据《中国机器人产业发展报告(2022年)》[2]的统计, 预计2022年中国机器人市场规模为174亿美元, 占全球市场的34%, 其中工业机器人市场87亿美元, 位居中国机器人市场首位. 根据亿欧智库[3]的报告, 工业机器人主要应用在家电、汽车、金属加工和机械、塑料和化学产品、食品等制造业. 在中国工业机器人市场中, 电气电子设备和器材制造、汽车制造业约占机器人应用的“半壁江山”. 复材产品制造属于塑料和化学产品制造业, 全球市场中, 工业机器人在该领域的应用仅占总规模的5%, 中国市场中, 因市场规模太小故未单独统计. 将机械臂引入复材产品制造领域, 不仅能够有效提高生产效率和产品质量, 也将成为机器人市场发展的新增长点.
复材产品制造领域的机械臂应用主要有以下两种形式: 一是使用机械臂的拾取和放置操作铺放复合材料, 因复合材料是以片状形式直接覆盖在模具表面, 再使用按压等操作来使其紧密贴合, 故称其为铺片; 二是在自动铺带(Automated tape laying, ATL)和自动纤维铺放(Automated fiber placement, AFP)中使用机械臂, 因复合材料是以带状或丝状形式连续给进铺放在模具表面, 故称其为铺带(丝). 这两种形式将在第1节复材产品制造工艺中做进一步说明.
在复材产品制造时, 因复合材料一般是柔软且具有粘性的, 同时需要满足制造时加热、制造后无损检测等工艺要求, 使得复材产品制造中的机械臂应用与其他工业场景应用既有相同特点, 又有明显不同. 表1为机械臂在传统工业场景和复材产品制造场景应用特点对比.
表 1 机械臂在传统工业场景和复材产品制造场景应用特点对比Table 1 Comparison of the application characteristics of robot arm in traditional industrial scenario and composite products manufacturing scenario对比 特点 传统工业场景 复材产品制造场景 喷涂 点焊 搬运 装配 铺片 铺带(丝) 相同之处 重复定位精度 高 位置跟踪要求 高 不同之处 操作是否接触 否 是 是 是 是 是 操作材料特性 气体 高温 硬质 硬质 柔软粘性 柔软粘性 是否需要加热 否 是 否 否 是 是 是否有接触力 否 否 是 是 是 是 末端构造 喷嘴 焊钳 夹持 各类工具 夹持悬垂拾取 专有铺放头 机械臂应用广泛, 许多科研工作者对机械臂的应用和研究进行综述, 主要分两方面进行: 一是按照行业类别进行调研, Lei等[4]对视觉伺服焊接机械臂的主要技术进行综述, Sun等[5]对机械臂在数控加工领域的刀具轨迹规划、给进速度规划、关节空间轨迹规划等进行综述, Urhal等[6]综述机械臂在增材制造领域的应用; 二是针对机械臂中应用的单一技术进行调研, 视觉伺服是机械臂增强操作能力的重要基础, Cong等[7]对3D视觉在机械臂的应用进行综述, 技能学习是机械臂获得操作技巧的重要方法, 秦方博等[8]对技能学习的流程、运动、策略和效果预测进行总结, 曾超等[9]对技能学习的方法策略进行总结, 此外还有文献对冗余机械臂的路径规划方法[10]、多机械臂的装配线平衡问题[11]等进行综述, 对机械臂的发展和行业应用前景提供参考.
关于复材产品制造的综述, 大多是从工艺流程的自动化改造视角进行的, 或对单一的制造工艺进行调研. Rajak等[12]介绍常见的复材产品制造工艺, 阐明制造工艺与所使用的材料种类息息相关. Elkington 等[13]、Björnsson等[14]分别总结操作复合材料的机械臂末端结构设计理念与方法, 但不包含机械臂系统的介绍. Lukaszewicz 等[15]、Brasington 等[16]、Zhang等[17]分别对自动纤维铺放技术的历史和应用进行综述, 着重介绍硬件结构, 忽略了其中智能化方法的应用. 根据观察, 目前鲜有讨论机械臂在复材产品制造中应用的综述, 由于复合材料的独特性质、制造工艺的复杂多变、加工条件的精确要求等, 对机械臂的应用提出更高的要求, 本文认为回顾和讨论机械臂在复材产品制造中的应用, 对于机械臂的应用和研究、复材产品的智能化制造和工业4.0的发展都有着积极的意义.
本文的主要架构是: 第1节回顾复材产品制造工艺, 剖析其中机械臂应用的典型环节; 第2节介绍机械臂铺片制造方法, 该方法形式构造繁多, 目前尚未有成熟统一的应用范例, 归纳总结相关的研究案例并进行技术对比; 第3节介绍机械臂铺带(丝)制造方法, 该方法目前应用成熟, 具有较为统一的应用范例, 归纳总结技术要点展开综述; 第4节提出未来发展趋势; 第5节为结论.
1. 复材产品制造工艺
回顾机械臂在复材产品制造中的应用前, 有必要简单了解复材产品制造工艺, 这是机械臂应用和研究的基础. 复合材料自被开发以来, 复材产品的制造一直都是科研人员十分关注的研究领域, 已开发出多种成型工艺, 如手糊成型、树脂传递模塑、自动铺带和自动纤维铺放等. 下面将简单介绍上述制造工艺, 剖析其中涉及机械臂应用的主要环节, 以说明本文的综述重点.
1.1 手糊成型
手糊成型是最早使用的复材产品制造工艺. 工人首先将已预浸渍树脂的纤维材料转移至切割平台, 经切割后运送至操作台, 使用定制的工具进行按压等操作使其紧密贴合在模具表面, 随后将其转移至高压釜内进行高温固化, 形成预制件.
手糊成型是一项劳动密集型工作, 其所有工作均是由人工完成. 经过自动化改造后, 可由机械臂完成复合材料转移至模具表面和按压紧密贴合表面的工序, 这即是本文定义的铺片操作中的一种形式.
1.2 树脂传递模塑
与手糊成型使用预浸料不同, 树脂传递模塑一般使用干纤维. 干纤维经切割后被转移至两个匹配的模具腔内, 达到产品所需厚度后, 即可在高压作用下注入树脂进行固化, 形成预制件. 在生产中使用机械臂取放操作将干纤维堆叠在模具腔内是一种能够提高生产效率的方式, 这即是本文所定义的铺片操作的另一种形式.
1.3 自动铺带和自动纤维铺放
自动纤维铺放是在自动铺带的基础上发展而来的, 自动铺带于上世纪七十年代被提出, 而自动纤维铺放则于上世纪八十年代末进入工业应用. 它们具有一定的相似性, 但也有明显的不同. 它们均使用预浸料作为铺放材料, 预浸料被卷成辊筒形状安装在铺放头上, 经过导向、切割、加热等步骤, 经由压实模块作用铺放在模具上, 切割模块工作以截断预浸料. 铺放完成后再经过高压釜固化形成预制件.
自动铺带和自动纤维铺放的主要区别是: 自动铺带常铺放宽度为75 mm、150 mm和300 mm[18]的带离型纸的单向预浸带, 自动纤维铺放可同时铺放多条宽度为3 ~ 25 mm的窄丝束且每条丝束能够被单独切割、重送. 自动纤维铺放相比自动铺带能够更好适应曲率更大表面的制造[19]. 这即是本文定义的铺带(丝)操作.
图1为上述4种复材产品制造工艺的简易生产流程图, 由虚线所框出的工艺阶段即是本文重点讨论的铺片和铺带(丝)操作.
图 1 复材产品制造工艺的生产流程图Fig. 1 Production flow chart of the manufacturing process of composite products铺片和铺带(丝)的主要区别是: 铺片动作主要由机械臂取放操作完成, 搭配合适的末端工具, 能够铺放双曲率或曲率较大的复杂几何构件且生产成本低, 主要缺点是铺放效率不高; 铺带(丝)操作主要依靠结构严谨的铺放末端完成, 一般用于铺放单曲率或曲率较小的简单几何构件且铺放速率高、产品质量好, 主要缺点是系统造价高, 单位成本随同一产品产量提升而降低, 不适合个性化少量生产[20].
正如Jayasekara等[21]所指出的一样, 目前关于复材产品的自动化制造只是针对单个工艺或生产流程的自动化, 还不能实现整个制造流程的自动化. 虽然如此, 但机械臂在生产过程中已经解决了较为关键的工艺环节, 进一步剖析机械臂所发挥的作用并总结机械臂应用的经验, 能够指导我们构建多机器人系统以协同完成整个复材产品制造流程.
2. 机械臂铺片制造方法
本节介绍机械臂铺片制造方法, 即将预浸渍的或干的编织纤维片无缝隙地直接铺放在模具上, 根据所铺放“片材”占模具表面积大小的比例, 可以划分为以下三类主要形式:
一是铺放大型片材, 即所铺放片材与模具表面积大致相当, 如图2(a)所示. 手糊成型一般采用此种形式, 将手糊成型直接进行自动化改造, 需要使用机械臂取放操作完成片材的转移和悬垂操作[22], 即将片材拾取移动并覆盖到模具上, 对其进行剪切、拉伸和平滑等操作, 使其与模具充分接触, 并且不出现气泡、褶皱等缺陷.
二是铺放中型条状片材, 即每次铺放的片材占模具表面积中等比例, 如图2(b)所示. 操作中型条状片材一般需要双机械臂协作, 根据模具的表面形状, 从卷材上切割出条状片材, 使用两个机械臂夹持以提供张力, 使用一个机械臂进行悬垂操作. 使用条状长片材进行铺放能够提升铺放效率, 达到与ATL、AFP相当的铺放效率且具有低成本的优势, 并能够制造复杂几何构件.
三是铺放小型片材, 即每次铺放的片材仅占模具表面积较小比例, 具体图片参见文献 [23], 这是将纤维短切成小型片材后再进行铺放的工艺. 该工艺最初由EADS Innovation Works与自动化公司Manz于2008年合作发明[24], 专门用于制造具有复杂几何结构的复材产品. 从纤维卷材中切割出贴片, 经过检测、加热等工序, 使用机械臂拾取片材, 并将其按压粘贴在模具表面上. 贴片纤维形状短小, 模具形状复杂多变, 需要通过纤维的拼接组成产品机械性能的基础, 同时由于使用的预浸料具有粘性, 该铺放系统需解决的关键问题是: 合理设计贴片纤维的拼接规划, 并解决末端结构与片材间的粘贴问题.
此外, 定制纤维铺放也是一种能够制造复杂几何构件的工艺, 其利用三维增材构造原理, 纤维以指定路径缝合在基材上[27], 再进行树脂浸渍和固化后形成构件. 可以用于制造三维复杂构件, 也可用于构件的局部加强. 目前工业上常使用缝纫机进行干纤维的缝合, 具有成本昂贵的缺点, 开发一种使用机械臂进行缝制的生产方式能使定制纤维铺放得到进一步推广和应用.
2.1 铺片末端设计
机械臂末端设计是其能否执行相应任务的重要基础, 根据Lindback等[28]所做的技术对比, 使用机械臂取放操作进行复合材料铺放的发展重点应是末端结构的设计. 在机械臂铺片中, 末端主要发挥两个作用: 片材的拾取和铺放.
拾取动作是将片材从存储系统转移至模具表面, 要确保转移过程中片材不掉落、放置时不黏贴在末端上. 铺放动作, 又称为“悬垂”, 是使片材紧密贴合模具表面, 确保无空气、无褶皱等缺陷. 如果所铺放的片材过大, 为了辅助铺放动作, 通常需要额外的夹持末端支撑住预浸料, 使未被压实的部分与模具表面之间具有一定距离, 避免褶皱等缺陷.
因此机械臂铺片操作的末端设计可以分为三类: 拾取末端、铺放末端和夹持末端. 在实际生产中, 为了提高生产效率, 拾取末端往往具有适形功能, 依靠末端变形来适配模具形状, 机械臂运动使末端与模具间产生接触力, 进而实现铺放效能. 此外, 铺片操作的末端设计尤其应当注意复合材料的柔软特性和预浸料的粘性以及操作时避免对材料造成损害, 进而影响产品机械性能.
2.1.1 拾取末端设计
拾取末端是机械臂工业应用中最常见的末端之一, 根据所操作材料的特性选取不同的拾取原理. 根据文献[14]的介绍, 针对复合材料的拾取操作可以考虑如表2所示的拾取原理, 但也应考虑各操作原理的优势和劣势.
表 2 不同拾取原理的优劣对比Table 2 Comparison of the advantages and disadvantages of different pick-up principles拾取原理 对材料的损坏程度 成本 实现难度 易操作性 针刺 高 低 低 高 低温 中 中 中 中 真空吸取 无 高 中 中 亚琛工业大学的Kordi等[29]是较早开展机械臂铺片操作的科研团队, 设计一种将干纤维片材铺放在模具表面的框架结构, 该框架能够进行结构变换以适应模具表面较小的曲率变化, 末端拾取采取低温或针刺方式.
考虑到低温或针刺方式容易对材料造成损伤, 慕尼黑工业大学的Reinhart和Straßer[30]提出基于低真空吸力原理的末端结构, 并应用于项目“CFK-Tex”中, 吸力的调节是通过开关穿孔板上部分孔的方式实现的. 在此基础上, 设计圆柱形的末端结构[31-34], 将拾取、悬垂和加热三个功能集成在一个结构上, 使用真空夹具拾取片材, 使用弹性表面进行悬垂, 在弹性表面集成电阻丝进行加热. 该末端结构可依据片材大小激活真空拾取单元, 同时能根据所制造产品大小调整圆柱形长度, 以增加末端结构的适应能力.
拾取、悬垂、加热集成在一个末端结构具有开创性, 但圆柱形弹性表面并不能提供足够的形变, 仅能在曲率较小的平面上进行悬垂操作. 布伦瑞克工业大学的Löchte和Kunz等[35-38]提出的末端结构FormHand同样集拾取、悬垂、加热固定为一体, 但能提供非常大的形变, 适应复杂几何结构的需要, 如图3(a)所示, 该结构由底架、缓冲垫、真空连接器、颗粒填充物和加热垫组成. 底架和缓冲垫组成一个柔软的可变形部分, 真空连接器在内部连通气流产生力, 颗粒填充物填充在缓冲垫内, 颗粒物在气流作用下分散聚集使缓冲垫产生刚度变化, 缓冲垫上同时集成多孔区域和热源以提供抓取和加热功能. 该末端结构可以调整缓冲垫大小以适应不同尺寸构件的制造, 但受限于真空吸取在拾取大面积片材时的不稳定性, 无法满足大尺寸构件制造的需要.
复合材料在航空航天行业的应用最为广泛, 空客集团在长期研究复材产品制造过程中, 提出许多解决方案. 2008年, 空客集团将视觉装置、力测量设备等集成在拾取末端上, 以提供可控制的与模具间接触力[39-40], 同时在末端上布置泡沫层以增加弹性压实. 2017年, 空客集团针对金属碳纤维层压板的制造, 提出用于铺放铝层和纤维层的末端, 末端采取真空吸取原理, 框架几何轮廓可变化以适应模具表面曲率, 泡沫层可提供弹性压实[41-43].
德国宇航中心轻量化生产技术中心的Braun等[44] 设计拾取末端并不断进行改进, 其模块化设计和高适形度具有开创性, 主要特点是: 采取真空吸盘原理, 多个吸盘模块通过连接机构形成条状, 模块化设计可以根据需要快速调整吸盘模块数量, 模块间连接机构可调节使末端具有高适形度, 调节可采取手动方式或根据视觉信息自动调整, 使整个末端形成近似模具的形状. 此外, 还提出基于真空吸盘原理使用弹簧从动件的框架拾取结构, 用于移动热塑性预浸料材进行平面叠层[45-46]. 为操作更大表面积的片材, Vistein等[47]将3个桌面机械臂集成在大型机械臂末端, 使用气动吸取取放片材, 重点关注冗余机械臂的抓取路径规划.
末端机构的高适形度使复杂几何结构构件的制造更为便利, 南丹麦大学等研究机构在项目“FlexDraper”中所设计的末端结构同样具有高适形度, 如图3(b)所示. 该末端结构采取真空吸盘原理, 由一系列吸盘组成, 每个吸盘可上下移动, 吸盘末端装有球形接头, 使吸盘可以与模具的曲面法线方向保持垂直, 吸盘之间使用刚性互连, 使整个末端结构能够与复杂曲面保持贴合[48].
真空吸取原理已被广泛应用到机械臂拾取复合材料中, 但真空吸取的稳定性和灵活性有待不断提高. Fleischer等[49]在项目“HyPro”中针对真空吸取原理设计可以主动调节吸力并应对扰动的控制系统, 减少压缩空气的消耗量, 建立夹具参数的校准过程, 为不同材料建立对应参数, 提高了系统的灵活性. 所设计的末端结构由10个可独立控制吸力大小的真空吸取单元组成, 每个单元可在$Z $方向上运动变化, 具有适形度. 此外还可以通过夹持器表面的电极[50]或压差传感器[51-52]估计、测量接触力. 类似地, Brink等[53]设计的抓取末端采用应变计测量接触力, 并通过风扇格栅调节.
根据以上设计案例, 可以将拾取末端的设计特点总结如下:
拾取末端以采取真空吸取原理为最佳, 但应注意真空吸取的稳定性和灵活性;
通过末端的框架结构变换或开关部分真空吸取单元来拾取不同大小的片材;
为更好地在复杂几何结构的表面进行铺放, 末端需要有高适形度.
还有以下设计能够进一步印证上述特点: 瑞典林雪平大学Björnsson等[54] 所设计的多种操作复合材料的末端结构; Michl和Coquel[24]研发的贴片纤维系统的末端; 德国亚琛工业大学的Brinker等[55-57]所设计的集成机器视觉系统、由多个二自由度末端组合而成的操作机构, 该操作机构将复合材料的拾取铺放与在线褶皱修复共同研究[58], 进一步拓宽抓取末端的实用性. 此外, Wang[59]根据人手抓取柔软材料的动作, 开发硅橡胶制成的双软手指和欠驱动结构的软体手指, 该末端结构利用夹捏动作抓取片材, 不能处理具有粘性的预浸料, 具有一定的局限性.
2.1.2 铺放末端设计
铺放末端设计的主要灵感来源于手糊成型中工人所使用的各种工具, 当复合材料放置在模具上时, 使用圆辊滚动压实是最广泛应用的操作, 当遇到曲率急剧变化或平面连接处时, 使用异形辊或楔形工具则是必不可少的. 相关的研究案例有:
布里斯托大学的Elkington等[61]对手糊成型时各种手部动作进行研究, 根据手部动作所发挥的作用设计末端结构[62], 如图4(a)所示, 即常见的圆辊、用于内凹角铺层的凸性辊和用于多平面交汇处铺层的楔形辊. 三种末端集成在一个结构上, 通过切换机械臂末端位姿则可完成末端结构的转换. 在最新的研究中, Elkington等[63]将触觉传感器集成在铺放末端, 在压实的同时可以检测缺陷. 南卡罗莱纳大学的Malhan等[25]使用类似的末端结构, 不同点在于所使用的楔形末端结构具有更长的长度.
上述末端结构仅能满足科学研究的需要, 在实际生产中则需要尺寸更大、形式更为灵活的末端机构. 斯图加特大学的Szcesny等[64] 在项目“LowFlip”中设计压实末端, 如图4(b)所示. 该末端由多个可上下移动的分段气缸组成, 每个气缸引导一对滚轮, 所有滚轮外侧由一条灵活的聚合物皮带包围.
不来梅大学的Richrath等[65]设计具有多个压实圆辊的末端结构, 圆辊与末端间采用弹性连接, 确保圆辊可随模具表面上下移动, 适应不同曲率表面的压实需求. 整个末端借鉴自动铺带的末端结构, 包含材料存储、悬垂和支撑结构等多个单元.
以上末端结构均是从圆辊及其变形方面考虑的, 所提供的形变并不能完全契合模具表面的变化. 流体相比其他材料具有更优异的适形功能, 鲁汶大学的Schouterden等[66]提出水基和磁流变液基的悬垂末端. 汉诺威莱布尼茨大学的Denkena等[67]从形状复制角度考虑, 开发了基于模拟仿真的形状复制悬垂装置, 如图4(c)所示. 所开发的悬垂装置由具有7个支撑点的柔性悬垂元件组成, 根据编织纤维的变形模拟数据, 通过六室流体驱动软致动器, 使悬垂元件成为所需的形状. 实验结果表明整体形状复制与悬垂正面的所需形状非常吻合, 但由于模具压力控制模型不准确, 导致驱动不足和过度. 斯图加特大学的Helber等[68] 也从形状复制出发, 设计了专用于制造欧米伽形预制件的末端结构.
根据以上设计案例, 铺放末端的设计特点可以总结为:
以常见的圆辊为参考, 科学研究可使用圆辊及其变形结构, 制作方便、造价便宜, 工业生产可使用多个圆辊并行压实, 通过圆辊间的高度可调适应曲率变化;
从形状复制的角度出发, 基于对模具表面和材料变形的模拟, 使末端变形为所需表面进行压实, 该方法与模具表面匹配程度高, 但结构复杂、造价昂贵.
2.1.3 夹持末端设计
在多机械臂系统中, 为辅助铺放动作, 通常需要额外的夹持末端支撑住预浸料, 使未被压实的部分与模具表面之间具有一定距离, 避免提前接触形成褶皱. 夹持末端大多采取双指形式的机械夹持, 但由于预浸料的粘性, 应当注意处理材料与末端的粘贴问题.
南卡罗莱纳大学的Malhan等[25]设计一种双指夹持的支撑夹具, 使用特氟龙减少粘贴发生的风险, 同时在内部集成了空气通道, 在发生粘贴时, 使用高速的空气射流将预浸料与夹具分离.
斯图加特大学的Szcesny等[64]在项目“LowFlip”中设计夹持末端, 由于铺放的是条状预浸料, 重点关注预浸料铺放在不规则曲面上的长度补偿问题. 该末端为分段形式, 每个分段均可独立移动, 从而能够剪切纤维带以补偿长度差异.
夹持末端设计简便, 常见的双指夹持即可满足复材产品制造领域的需要. 相关的设计还有: 瑞典林雪平大学的Björnsson等[69]为去除预浸料的背衬纸所设计的末端夹具; 汉诺威莱布尼茨大学的Bruns等[70]设计的复合材料预成型系统中使用的双指夹具.
2.2 单机械臂铺层
由于自动化铺层研究涉及材料特性、工艺参数、系统通信、路径规划、运动控制等多方面内容, 各科研人员的研究核心不尽相同. 通过广泛调研相关案例, 本文分别按单机械臂和多机械臂进行归纳总结, 以期基本还原该领域研究的发展历程.
使用机械臂取放操作进行自动化铺层的简易形式即是单机械臂铺层, 这通常是为科学研究或技术验证目的而进行的, 为后续开展的多机械臂协同铺层提供理论和技术基础. 根据所铺放构件的几何构造, 可以分为平面层压板铺放和不规则平面铺放. 平面层压板铺放相对简单, 不需考虑曲面构造和悬垂变形, 只需确保材料的精确对齐. 不规则平面铺放是研究热门, 材料对齐、曲面构造、悬垂路径和变形等均需要考虑.
平面层压板铺放的研究案例有:
1) 德国宇航中心轻量化生产技术中心的Schuster等[71] 使用碳纤维热塑性材料制造平面层压板, 提出一套完备的自动化流程方案, 如图5(a)所示. 该方案使用具有弹簧从动件的真空吸盘, 结合视觉引导技术进行叠层, 使用超声波焊接技术进行叠层固定, 后续再进行切割塑形. 系统建立了自动化的控制系统, 将各类动作文件转化为系统代码, 通过检测预先定义的事件触发机器人代码的执行, 系统中所使用的机器人控制器是KUKAKRC4[45-46, 71-72].
2) 用于飞机内部的装饰板由蜂窝层和预浸料层组合制造而成. 汉堡科技大学飞机生产技术研究所的Roth等[73]针对内饰板的制造, 设计专用的软夹具, 提出一套自动化工艺链, 使用三个不同的末端结构分别用于灌封、蜂窝层铺放和预浸料铺层, 并使用系统方法对工艺链进行优化[74-76].
不规则平面铺放的研究案例有:
1) 慕尼黑工业大学的Reinhart等[32-34, 77] 主持的“CFK-Tex”项目使用树脂传递模塑工艺, 研究干纤维预制件的自动化成型. 在原型机实验中, 开发支持系统运行的软件架构, 实现机床切割和单机械臂取放操作. 设计相应的末端结构后, 实现干纤维从切割、拾取到悬垂的全过程自动化, 如图5(b)所示. 在铺放过程中, 由人类专家根据模具形状设计铺层路径, 机械臂控制器生成运动轨迹和末端旋转速度, 人类专家根据实验和经验配置加热温度、加热时间和吸附力等参数, 系统运行软件协调各工作流程之间的关系, 实现自动化制造. 该系统较早实现使用机械臂取放操作进行自动化铺层, 但所使用的圆柱辊的弹性表面无法适应几何结构更复杂的部件.
2) 布里斯托大学的Elkington等[62]首次使用自动化方式完成一个复杂几何构件的铺层, 在实验中首先使用冲压机将编织纤维布冲压为模具的近似形状, 再使用单机械臂完成相应的悬垂操作, 整个过程的铺层质量与手动铺层相当, 工艺参数通过反复实验获得. 这项工作提出的针对复杂几何构件的自动化制造和多种压实辊具有开创性意义.
3) 德国宇航中心轻量化生产技术中心的Gerngross和Nieberl[78] 使用树脂传递模塑工艺, 研究一个凹形曲面样式的复材产品的自动化制造. 针对单机械臂铺层, 提出三种适形末端结构, 系统使用光纤传感器评估编织纤维布的放置位置, 减少误差, 并开发数据管理系统, 包括超声波、热成像、环境数据和测量设备等, 用于评估成品的质量. 建造“伞”式覆盖膜放置设备, 用于后续的固化成型. 所开发的软件系统采用面向后向的交互方法, 通过输入专家知识、片材模型、单元的配置参数等, 对铺放过程进行模拟, 并输出机械臂代码[79].
4) 南丹麦大学等研究机构在项目“FlexDraper”中开发一套用于制造复杂几何构件的复材产品的系统, 重点研究基于模拟的末端控制方法和纤维铺层策略[80-81]. 末端控制方法即是控制各吸盘上下运动以适形曲面构造, 纤维铺层策略即是研究吸盘拾取材料后与曲面接触的路径. 奥尔堡大学和马萨诸塞大学主要承担模拟纤维铺层方法的研究, 解决铺层策略问题. 首先搭建模拟悬垂的框架, 包括映射算法的内部实施、简单的运动规划策略和瞬态模型、模拟悬垂执行以及进行虚拟质量评估等[82]. 分别研究基于悬挂电缆模型[60]和基于瞬态非线性有限元[83]的计算方法, 但有限元计算方法具有耗时的缺点, 最终确定使用基于悬挂电缆模型的方法. 具体的路径规划方法是首先建立种子点与模具的接触, 再使用约束算法, 确保仅存在一个接触部分, 向前完成整个铺层, 实验证明该方法满足质量要求[84].
表3为上述研究案例的特点对比, 可以看到, 早期的路径规划一般是由人类专家设计并输入, 最新的研究则根据模具形状和人类专家提供的知识由软件生成. 机械臂的运动规划则根据路径由控制器生成, 或将系统软件生成的运动代码转化为控制器可执行代码. 工艺参数是铺放成功的关键, 但目前的研究专注于流程的自动化, 工艺参数大多是由人类专家设计或根据实验确定. 系统软件为整个工艺流程提供支持, 大多需要独立开发. KUKA机械臂在各类面向工业应用研究中最常见, 而ABB机械臂为实验室研究提供支持.
表 3 单机械臂铺层研究案例对比Table 3 Comparison of single robot arm lay-up study cases研究机构 研究重点 路径规划 运动规划 工艺参数 系统软件 使用的机械臂 相关文献 德国宇航中心 全过程自动化 基于视觉生成 系统生成 未知 独立开发 KUKA [45−46, 71−72] 汉堡科技大学 工艺流程优化 未知 未知 未知 未知 ABB [73−76] 慕尼黑工业大学 全过程自动化 人类专家设计 控制器生成 人类专家设计 CFK-Tex.Office KUKA KR-500 [32−34, 77] 布里斯托大学 铺放自动化 未知 未知 人类专家设计 未知 ABB [62] 德国宇航中心 全过程自动化 系统生成 系统生成 未知 独立开发 KUKA [78−79] 南丹麦大学 铺放自动化 基于模拟方法 系统生成 未知 独立开发 KUKA KR-360 [60, 80−84] 2.3 多机械臂协同铺层
多机械臂协同铺层为自动化铺层任务提供更多发展可能, 如制造更复杂的构件、制造更大型的构件、进一步降低人类的工作量等. 多机械臂协同铺层的研究案例大多是在不规则平面上进行的, 根据研究目的不同, 可以划分为面向工业生产和面向科学技术验证研究的研究案例. 面向工业生产的研究案例以工业中应用的构件为生产对象, 搭建生产系统, 解决关键技术问题; 面向科学技术验证研究的案例将视觉、力控制等技术引入自动化铺层中, 验证有效性, 提升系统的稳定性.
面向工业生产的相关研究案例有:
1) 南卡罗莱纳大学的Malhan等[85-86]研究使用多机器人系统完成自动化铺层, 系统设置包括三个机械臂, 其中一个机械臂负责进行悬垂操作, 配置有相应的末端结构, 两个机械臂负责夹持预浸料, 使其与模具保持一定距离. 重点解决两个问题: 机械臂的布置问题和抓取机械臂的抓取序列规划. 机械臂布置问题即是要解决机器人在何种位置上才能满足预设路径的位置、速度、连续、力和碰撞约束[87-88], 求解时将问题转化为约束违反函数的非线性优化问题, 通过逐步应用约束, 使用基于连续解搜索的方法来解决. 抓取机械臂的抓取序列即是随着悬垂动作的进行, 抓取机器人抓取点及抓取位置的相应变化. Manyar等[89] 针对抓取序列规划提出一种使用状态空间搜索的方法, 使用基于物理变形的方法来模拟片材的变形, 同时集成了一个干预控制器, 通过视觉监测误差大小对抓取计划进行调整[90]. 机械臂的路径规划最初由人类专家设计, 现在使用基于图形的规划器完成[91].
2) 与上述实验设置类似的是斯图加特大学Szcesny等[64] 在项目“LowFlip”中提出的多机械臂系统, 由三台机械臂、材料转移平台、模具放置平台组成. 不同之处在于该项目铺放的是占模具表面积中等的条状预浸料, 并不是与模具表面积相当的预浸料. 该项目的主要目的是能够制造复杂几何结构且铺放速率能够与自动铺带和自动纤维铺放相当. 该系统的布置如图6(a)所示, 一台机械臂负责进行悬垂操作, 末端配备圆柱形压实辊, 另外两台机械臂夹持切割好的条状预浸料以支持悬垂操作. 模具放置平台具备旋转和加热功能, 以适应不同铺层角度的需要. 铺放开始前, 首先对材料进行研究, 建立材料特性(剪切、滑动、摩擦)数据库, 为张紧力设置提供基础. 悬垂模拟和路径规划在软件FlexiCAM中实现, 根据所设定参数计算织物在铺层表面的变形, 同时对出现缺陷的部分进行调整; 对织物的变形进行离散化并生成点云, 依据点云数据设计机械臂工具中心点的移动路径, 即完成悬垂机械臂的路径规划. 此外, 还可以通过图形用户界面(Graphical user interface, GUI)进行设置和调整, 并进行可达性研究和碰撞控制[92]. 使用系统软件将轨迹转化为机械臂执行代码, 实现自动化铺层.
图 6 面向工业生产的多机械臂协同铺层研究案例Fig. 6 Multi-robot arms collaborative lay-up study cases for industrial production3) 面向工业生产的机械臂取放操作生产复材产品具有前景, 德国宇航中心轻量化生产技术中心对此生产方式进行了长期研究, 设计相应的抓取末端[44], 提出用于系统验证的小型双臂协作铺放系统, 后建造大型龙门架形式的多机械臂铺层系统(The multifunctional cell, MFZ)[93], 由安装在龙门架上的5个机械臂组成. 大型结构运动时产生的形变和振动对末端操作产生影响, 采用基于模型的方法补偿弹性形变[94], 基于逆动力学的滤波器减小残余振动[95], 系统可以在500 mm/s的速度下具有$ \pm0.2 $ mm的精度. 针对以下两种结构的制造进行实验:
一是具有半圆柱曲面形的飞机机身蒙皮. 开展双臂协同铺放工作, 使用双臂机器人抓取干纤维的两端, 将其放置在模具上, 如图6(b)所示. 使用视觉设备扫描干纤维布, 使用CATIA生成取放操作的起始点和结束点. 重点研究使用KUKA机器人ROBOTeam进行双臂的主从操作, 成功避免褶皱、桥接等缺陷[96]. 开发智能制造执行系统(Manufacturing execution system, MES), 将动作执行、片材检测、机器人控制、机器视觉和避碰等多项子任务集成在一个控制系统内, 并进行测试[97].
二是凹形曲面形的飞机机身后部压力舱壁. 首先使用放置在地面线性轴上的双臂进行实验, 所使用末端是基于文献[44]所开发结构的优化, 由5个模块通过球形接头组成, 采用手动调整适应模具形状. 通过Dassault Delmia V5结合CATIAV5完成机械臂离线编程. 文中研究机械臂拾取片材的4种策略, 即从何种位置开始拾取不容易掉落, 通过对比分析确定效果较好的拾取方式[98]. 后续使用MFZ进行实验, 使用仿真数据计算三维铺层下的夹持点、放置点和夹具姿态, 将上述信息存储为一个作业描述文件, 通过MES将其转换为代码, 使用KUKA的控制器发送命令到机械臂执行动作[99]. 最后对末端构型的调整方式进行改进, 使用基于机器视觉的自动化调整, 并集成无碰撞路径规划系统[100]. 通过过程监控和流程优化, 能够提高生产效率, 搭建智能制造执行系统[101].
双臂协作铺放的一个难点是路径规划, 既要协作完成任务, 又要避免碰撞. 德国宇航中心轻量化生产技术中心使用传统方法和智能方法对双机器人间无碰撞路径规划进行了广泛研究[102-103]. 传统方法的路径规划算法, 首先使用悬链函数计算提起阶段的高度, 再使用基于参数化的方法或基于主从的方法(以材料为主计算路径, 再计算机械臂的路径, 最后使用约束过滤多种可能性)计算运输阶段的路径, 最后使用STL文件计算机械臂放置的方向生成路径. 参数化方法的缺点是所求路径不一定最优, 主从方法的缺点是不一定求得有效解或所求路径不够灵活, 原因在于碰撞检测时单元划分不够精细[104]. 在引入机器学习方法后, 可以解决移动轴冗余度问题[105].
智能方法的路径规划算法采用基于采样的算法和遗传算法对机械臂铺放路径进行规划. 基于采样的算法用时短且路径平滑, 但计算的路径较长; 遗传算法求得的路径较短, 但用时较长且路径是锯齿状的. 参数的变化对遗传算法的求解能力有重要影响, 通过对比实验确定合适的计算参数[26].
4) 空客集团在生产金属碳纤维层压板中应用一种多机械臂系统, 由两个机械臂组成, 配备5个可快速更换的铺放末端. 铺放铝层和纤维预浸料使用框架结构的适形末端, 铺放粘合膜使用ATL形式的末端结构, 安装纵梁由两个机械臂协同完成. 通过输入模具的CAD模型和末端执行器的位置、路径及轮廓设置到控制系统, 生成机械臂的执行代码, 并监控铺层过程中的质量、位置、方向、重叠或间隙等进行质量管理. 整个系统的运行误差为$ \pm1 $ mm[41-42, 106].
5) 自动化铺层涉及多项技术, 多机械臂系统的应用为解决铺层中其他辅助性工作提供方案, 瑞典林雪平大学对三个辅助性工作的自动化解决方案进行研究, 分别是预浸料的衬纸剥离技术、干纤维预制件的切割技术和复材制品的粘接技术[107]. 在铺放平面层压板中, 设计两个多机械臂系统, 一个是使用两个单独的机械臂, 另一个是具有同一基座的双臂机器人, 协作完成铺放工作, 重点介绍了系统中末端的设计与开发[108].
6) 与上述铺放大型、中型片材不同, 小型片材的纤维贴片铺放也是目前商业应用比较广泛的一种技术. 慕尼黑工业大学碳纤维复合材料研究所研制第一个可以进行商业化生产的纤维贴片铺放系统[24], 其可以剪裁圆形或矩形贴片, 长度和宽度公差为$ \pm0.2 $ mm, 拾取机器人进行贴片铺放时的沉积速率可以达到每秒一片, 重复定位精度为$ \pm0.3 $ mm. 所提供的软件包括两个模块: 贴片设计模块和离线编程模块, 即, 根据性能需要设计贴片的大小和位置, 规划贴片放置序列, 并生成机械臂执行代码. 2015年, Michl等将该技术进行商业转化并成立Cevotec公司开展推广, 目前主营硬件设备和软件设计等产品. Zhang等[109]提出针对纤维贴片的路径规划, 使用点云分割将模具表面的相似部分划分出并进行切片, 能够减少褶皱的发生, 使用有限元优化方法调整纤维的铺放角度, 增强成型构件的性能.
面向科学技术验证的相关研究案例有:
1) 苏格兰思克莱德大学的Yang等[110]将机器视觉系统引入Co-MRMS协同铺层工作中, 该系统包含一个移动机器人、一个固定底座机械臂和机器视觉系统, 利用视觉系统定位和计算纤维方向, 利用基于粒子的方法模拟片材变形, 以支持机械臂进行抓取和铺层动作, 使用MATLAB进行路径规划, 使用CoppeliaSim进行系统模拟, 并进行物理实验, 结果证明了视觉系统的有效性和进一步系统开发的潜力.
2) 维也纳技术大学的Flixeder等[111]对铺放时的力控制进行研究, 采用基于模型的力控制策略, 在2D曲面上验证铺放的有效性, 系统可以实现片材的精确定位和处理, 能够操作各种长度的纤维材料, 并将其无褶皱地放置在模具上, 随后他们将铺放情况拓展到3D曲面上, 提出基于表面的路径跟踪控制[112].
表4为上述研究案例的特点对比, 可以看到, 相比单机械臂铺层大多以技术验证为目的, 多机械臂铺层的实用性目的更强, 与实际工业生产的差距更小. 多机械臂铺层大多以路径规划和运动规划为主要研究内容, 路径规划多根据模具模型由人类专家设计, 或依据预设的专家知识由算法生成, 在模拟铺层软件的支持下, 可以对路径规划产生的缺陷进行手动调整, 运动规划则根据路径规划由控制器或系统软件生成. 与单机械臂铺层所使用的机械臂一样, 多机械臂铺层仍以使用KUKA机械臂为主.
表 4 多机械臂协同铺层研究案例对比Table 4 Comparison of multi-robot arms collaborative lay-up study cases研究机构 机械臂数量 研究内容 路径规划 运动规划 系统软件 使用的机械臂 相关文献 南卡罗莱纳大学 3 路径规划 运动规划 算法生成 控制器生成 独立开发 KUKA-iiwa [85−87, 89−91] 斯图加特大学 3 系统搭建 路径规划 人类专家设计 系统生成 独立开发 ABB [64, 92] 德国宇航中心 2 系统搭建 路径规划 算法生成 系统生成 独立开发 KUKA-KR270 [93−101] 空客集团 2 系统搭建 末端开发 人类专家设计 系统生成 独立开发 KUKA [41−42, 106] 林雪平大学 2 技术验证 末端开发 未知 未知 未知 KUKA-KR10, ABB [107−108] 慕尼黑工业大学 2 系统搭建 路径规划 算法生成 系统生成 独立开发 Staubli, KUKA [24] 思克莱德大学 1 技术验证 人类专家设计 系统生成 独立开发 KUKA-KR6 [110] 维也纳技术大学 2 技术验证 人类专家设计 系统生成 未知 自制 [111−112] 3. 机械臂铺带(丝)制造方法
本节介绍机械臂铺带(丝)制造方法, 即自动铺带和自动纤维铺放系统, 采用连续给进方式铺放带状预浸料或丝状预浸料, 铺放时机械臂末端带动定制的铺放头进行铺放作业.
自动铺带和自动纤维铺放作业的主要流程是: 自动铺带作业时, 机械臂接收到铺放指令, 铺带头调整到合适位姿, 铺带头中各模块开始工作, 保持铺放作业中预浸带的传输速度、张力、压实力[113]和温度[114-115]的稳定, 铺放结束前, 铺带头内部模块切断复合材料, 机械臂运动到目标点时, 铺带头停止作业, 同时机械臂将铺放头沿模具法向抬升, 并移动到后续铺带起点[116-117]; 自动纤维铺放作业时, 与自动铺带作业流程基本一致, 但应考虑对各路纤维丝束的精确控制, 使其能够合理排布, 满足构件结构设计的要求.
自动铺带最早是为航空航天产业的生产需要提出的, 经改进后成为自动纤维铺放, 自动铺带铺放速率高, 自动纤维铺放可以制造曲率稍大的构件, 目前均得到大范围推广和应用. 由于所制造的航空航天产业部件通常尺寸较大, 故龙门架形式的铺放设备最为常用, 对于筒形体构件, 可使用卧式龙门架. 近年来, 机械臂平台式的铺放设备由于成本低、自由度高且易于更换模块化铺放头等优势, 在工业生产中的应用逐渐增多.
3.1 铺带(丝)头的设计
如同机械臂铺片制造方法一样, 末端设计是机械臂发挥作用的关键基础. 铺带头和铺丝头作为机械臂铺带(丝)制造方式的基础, 经过长期发展, 已具有成熟的结构设计和工作方式. 两者的主要组成部分均有输带模块、切割模块、加热模块、压实模块[118-119], 区别在于铺丝头还有重送模块和导向模块，同时铺丝头的输带模块还具有牵引单路丝束的功能, 如图7为铺带 (丝) 头结构简图.
铺带头一般铺放固定宽度且带有衬纸的预浸带, 面向大平面或小曲率曲面进行铺放作业[120], 铺带头各模块的作用分别是: 输带模块控制预浸带输送过程中的张力和速度并防止预浸带发生横向窜动; 切割模块在铺放结束前的时刻切断预浸带中的复合材料并保证衬纸连续; 加热模块对即将贴附模具表面的复合材料恒温加热到适当的温度, 确保复合材料具有特定的粘性[121]; 压实模块采用被动柔性机构将复合材料以恒定压力压实在模具表面, 同时还具有将衬纸与复合材料分离的功能[115, 122-123].
铺带头中, 输带模块控制预浸带的输送和重送, 一般采用力矩电机、磁粉制动器和直流伺服电机等提供稳定转速和转矩[118]. 切割模块在作业过程中需要保证衬纸的连续, 即控制切割深度, 通常采用激光切割、水喷射切割、超声波切割等方式, 各切割方式对比如表5所示[118-119, 124-125]. 加热模块可采用的加热方式有: 电阻丝加热、激光加热、热风加热、红外加热等[115, 118, 126-127], 各加热方式对比如表6所示. 压实模块中压辊与构件表面形成约束面, 利于贴合紧密, 铺带时模具表面平坦, 一般采用套有橡胶套的普通圆柱形压辊[128].
表 5 铺带(丝)头中采用的切割方式对比Table 5 Comparison of cutting methods used in tape (fiber) lay-up heads切割方式 成本 优点 缺点 机械道具切割 低 结构简单, 切割效率高, 适用于多种复杂环境,
维修更换比较方便难以控制切割深度且切口毛糙, 损伤预浸料,
无法保证切口质量激光切割 较高 切割效率高, 非接触式切割, 产品边缘光滑平整,
激光对位精准, 切割精度高温度较高, 使复合材料发生变质且
切割深度不易控制水喷射切割 低 设备结构简单, 操作容易, 工作机构具有喷头体积小、
后坐力小、移动方便、生产效率高等特点给整个铺带环境带来大量污染液体,
影响复合材料成型, 铺带工作不便超声波切割 较高 切割效率高, 切口平整; 合适的切割速度、
切割深度满足不同工况下的切割易受负载、温度等因素影响, 引起谐振频率、
等效阻抗等参数漂移变化表 6 铺带(丝)头中采用的加热方式对比Table 6 Comparison of heating methods used in tape (fiber) lay-up heads加热方式 成本 优点 缺点 电阻丝加热 低 加热均匀, 实现简单 热损失大, 功率密度低, 使用寿命短 激光加热 高 激光加热效率高, 响应快 温度难以控制, 容易产生局部过热 热风加热 低 温度场均匀, 调节范围广 加热升温时间长, 热效率较低 红外加热 高 热效率高, 加热均匀, 响应速度快 辐射面存在一定限制, 温度场不均匀 铺丝头一般同时铺放多路纤维丝束, 其中每路纤维丝束可自主控制[129], 相比自动铺带可铺放曲率稍大的平面[15, 17, 130]. 铺丝头各模块的作用分别是: 输带模块具有夹紧功能, 在丝束切断时夹紧丝束, 防止在张力影响下出现回弹现象; 重送模块是进行再铺放作业的重要功能部分, 将每路丝束重新并准确地输送到指定位置; 切割模块根据设计的构件对丝束进行部分切断或全部切断; 导向模块对各路丝束起到集成作用, 使纤维可以紧密地铺放在构件表面; 加热模块对集成后的丝束进行恒温加热, 使丝束具有粘性, 紧密贴合构件表面; 压实模块施加一定压力将丝束压紧在构件表面, 消除纤维丝束间的间隙[17, 131-132].
铺丝头中, 夹紧一般采用气缸作为动力源夹紧纤维丝束, 协助完成丝束剪切动作[124]; 重送模块通过电机驱动重送轮转动, 依靠与纤维之间的摩擦力输送纤维丝束; 切割模块无需考虑衬纸的连续, 一般采用机械刀具切割; 导向模块由导轮、带有丝束通道的结构体等组成; 加热模块采用的加热方式与铺带头一致; 由于铺丝时模具表面具有小曲率, 压实模块一般采用气囊式、弹簧碟片式或分段式压辊, 以适应模具表面的曲率变化[128, 133]. 在压实机构的驱动器方面, Liu等[134]研究表明欠驱动压实机构相比传统独立驱动器的压实机构更具优势. 此外, Saboukhi[135]依据铺丝头设计原理, 开发一种小型的铺放末端, 专门用于直角或V形等曲率变化较大的曲面铺放.
3.2 机械臂的路径规划
路径规划是影响加工构件性能和铺放效率的关键因素, 此处所指的路径规划是根据加工构件的几何表面和力学特性计算纤维铺放角度、纤维丝束数量、纤维丝束之间的间隙与重叠面积、纤维层数等, 进行铺放头运动轨迹的规划[136]. 纤维铺放角度是指纤维丝束在铺放点方向与某固定轴线的夹角, 常见的铺放角度有$ 0^{\circ} $、$ 45^{\circ} $、90°[137].
路径规划一般分两步进行, 分别是参考路径生成和路径密化. 参考路径的计算方法有: 自然路径法、定角度路径法、变角度路径法、等距螺旋法. 路径密化是指根据参考路径覆盖整个构件表面的路径规划方法, 常见的密化方法有等距偏置算法、等角度算法.
自然路径规划方法通常包括近网格化算法、测地线数值算法. 近网格化算法是将曲面离散成面片状三角形或矩形网格, 在网格上求取铺放路径. 过大的网格划分导致精度降低, 过小的网格划分又会造成计算缓慢. 近网格化算法最初由Shinno和Shigematsu[138]将其应用到自动铺放路径规划中, 采用的是将曲面离散为矩形网格. 近期的研究则以离散为三角形网格[139-140]为主, 便于路径的设计和性能模拟. Xiao等[141]提出基于三角形网格划分的引导线更新策略路径规划, 降低近网格化算法的复杂度, 提升算法的效率. 测地线数值算法是根据测地线为曲面上两点最短连线的性质来获取铺放路径. Hély等[142]将测地线数值算法应用在Y形构件表面铺放路径规划上, 以减少由于定角度路径法形成的纤维褶皱. Qu 等[143]通过减小测地线方向与理想铺放方向之间的夹角进行路径规划, 以缓解纤维方向偏差与纤维褶皱之间的矛盾. 张鹏等[144]提出近似测地线的路径规划方法, 基于褶皱的产生机制和间隙的演化规律, 调整测地曲率的大小与符号.
定角度路径法获得的参考路径与某固定轴线的夹角保持不变, 通常采用等参线算法、平面−曲面相交算法、线−曲面相交算法确定. 等参线算法根据构件外形求解出与曲面形状变化一致的等参线, 该方法适用于过渡均匀且平面光滑的曲面. 平面−曲面相交算法是求解平面与曲面的交线作为参考路径, 还包括直线在某一方向上投影形成平面与曲面投影, 该方法适用于平坦型的开放轮廓曲面. 线−曲面相交算法适用于闭曲面和回转型结构曲面, 通过在曲面两侧创建直线或曲线进行投影的方法获得参考路径.
变角度路径法是基于构件载荷和应力分布选择合适的纤维铺放角度, 该角度随铺放作业的进行不断发生变化. 变角度路径法对优化应力分布和构件形状、高效利用材料强度[145]具有十分有益的帮助. Parnas等[146]是较早研究变角度路径法的科研人员, 实现应力约束下最小化平面层压板质量. IJsselmuiden等[147]采用变角度路径法提升平面层压板的弯曲载荷. 变角度路径法有效提升平面层压板的性能, 吸引科研人员将其应用到异形构件的路径规划上. Blom等[148]首次将变角度路径法应用在三维锥体表面上. 李玥华等[149-150]在锥壳零件、非可展回转外壳类零件和非可展变截面接头类零件上应用变角度路径法.
等距螺旋法适用于回转构件, 借鉴缠绕工艺以环向缠绕的规划方式获取铺放路径, 主要在纤维缠绕工艺中广泛应用.
在路径密化方法中, 等距偏置算法是较为常用的算法, 将生成的参考路径在构件表面上沿与基准路径垂直的方向平移纤维束宽度的距离, 生成能够覆满整个模具表面的铺放路径. Shirinzadeh等[151]是较早提出等距偏置算法的科研人员.
等角度算法是将生成的参考路径在构件表面上沿与纤维铺放路径中任意一点的切向量成一定角度的方向平移, 能够有效继承参考路径的优良性能. Schueler等[152]使用铺放过程中的几何约束对初始曲线进行平移, 实现路径密化.
路径规划的设计方法经过多年发展已较为成熟, 表7为各方法的优劣对比. 由于路径规划的目的是覆盖整个模具表面, 选择合适的参考路径生成与路径密化组合方法尤为重要, 此外如有纤维褶皱等缺陷发生时, 还应注意对路径进行调整.
表 7 路径规划方法对比Table 7 Comparison of path planning methods分类 方法 优点 缺点 参考路径生成 自然路径法 可以避免纤维起皱, 轨迹可铺放性良好 计算量大, 仅适用于低曲率表面 定角度路径法 原理及计算过程简单 仅适用于整体曲率波动较小的曲面 变角度路径法 能够自适应芯模曲面不规则情况 算法计算量大 路径密化 等距偏置算法 算法简单, 能够覆盖整个芯模表面 在复杂表面上可能存在间隙和重叠 等角度算法 算法实现简单, 适应各种复杂构件 易存在间隙和重叠 以下为一些组合方法案例:
1) 近网格化算法与定角度路径法结合生成参考路径: Zhu和Yao[153]将STL模型文件中的三角形网格重构为易于编程的点、面矩阵数据, 改进定角度路径法的参考轴计算方法. Li等[154]使用基于曲面网格化的定角度路径法, 在开放轮廓表面进行路径规划.
2) 近网格化算法与等距偏置算法结合生成平面路径规划: 王小平等[155]利用三角网格曲面进行规划, 以局部测地线为补充, 提出改进的定角度路径法, 使用等距偏置算法密化路径. Bruyneel和Zein[156]使用基于曲面网格化离散的方法进行等距偏置算法的计算. 刘志强等[157]针对变截面大曲率的碳纤维船用螺旋桨铺层, 提出拉普拉斯算法对曲面网格划分进行优化, 使用B样条曲线拟合生成参考路径, 使用等距偏置算法密化路径.
3) 定角度路径法与等距偏置算法结合生成平面路径规划: 赵安安等[158]使用等参线算法确定参考路径, 使用等距偏置算法进行密化, 并实时评价局部方向偏差和转弯半径形成褶皱的可能性, 进行局部优化. Yan等[159]使用平面−曲面相交算法确定参考路径, 使用等距偏置算法进行密化, 对路径末端无法到达曲面边界的情况再进行修补.
4) 变角度路径法与等距偏置算法结合生成平面路径规划: Wang等[160]采用变角度路径法构建初始路径, 使用等距偏置算法进行密化. Qu等[161]采用可调比例的固定角度与测地线方向组合构建初始路径, 在考虑设计和制造约束下使用等距偏置算法进行密化.
5) 变角度路径法与等角度算法结合生成平面路径规划: Lu等[162]考虑边界约束, 在椭圆外壳上进行变角度路径规划, 通过旋转初始路径的方法实现密化.
最近, 一些基于传统路径规划思想的方法被提出, 但通过其他形式来实现. Scheirer等[163]基于三角网格, 通过有限元分析寻找应变能最小的近似测地线路径, 沿所得路径铺放时能有效减少缺陷的产生. Xu等[164]提出基于数字图像反卷积算法的路径密化方法, 路径通过标量场表达, 通过在结构化数字图像域中全局优化寻找标量场. Wang等[165]提出基于点云数据的初始路径生成和路径密化方法, 可以看作是将基于参数曲面的方法转移至点云数据上, 这是首次将点云数据与路径规划结合起来的方法.
3.3 机械臂的运动控制
机械臂的运动控制是指通过控制机器人的运动参数, 使机器人能够按照预定的路径和姿态完成纤维的自动铺放. 运动控制的目标是保证机器人的运动轨迹符合铺放要求, 避免铺放偏差和缺陷的产生. 运动控制的过程是通过软件来实现的, 主要有轨迹规划及仿真软件和运动控制类软件[166].
轨迹规划及仿真软件的功能是: 创建构件的三维数学模型, 并利用计算机仿真与分析技术预测和优化自动丝束/带铺放的轨迹和参数, 最终生成NC指令源代码, 即, 设定机器人运动参数及铺放工艺参数, 包括机械臂坐标、速度、位姿、铺放温度、压力等参数[167]. 合适的工艺参数是决定铺层质量的关键[168], 表8给出轨迹规划及仿真软件的主要功能. 目前常用的轨迹规划及仿真软件有德国西门子的FiberSIM、法国Coriolis Composites的CADFiber、西班牙MTorres的TORFIBER、比利时MATERIAL的CADWIND、美国CGTECH的VERICUT等.
运动控制类软件的功能是: 接收生成的NC指令并转换成机械臂运动控制信号, 同时兼顾材料部件的机械性能和铺放速度要求[169], 使机器人在规定区域内按照预定路径进行自优化运动, 完成铺放过程中的剪裁、定位、铺叠、辊压等动作[170]. 同时, 运动控制类软件还可以实现自适应路径控制、局部补铺、过程参数在线监测等特殊功能, 保证铺放工艺的质量和稳定性. 运动控制类软件一般为机械臂厂商提供的控制器, 还可以通过厂商提供的模拟器进行编程和测试. 由于铺放作业中一般存在冗余机械臂、多机械臂协同作业等情况, 需要进行针对性研究. 如Gao等[171]针对机械臂和夹持器的运动提出基于离散形式的冗余优化解决方法. FarzanehKaloorazi等[172]采用粒子群优化算法, 求解一个具有13自由度系统进行“Y”型构件纤维缠绕的冗余运动问题. Zhang等[173]提出一个半离线轨迹同步算法, 基于视觉测量不断优化机械臂轨迹和夹持器位姿, 以避免奇点和关节限制. Hassan等[174]提出一个两阶段规划器, 为多机械臂协同分配作业区域和进行路径规划. 运动控制类软件应继续集成冗余规划、协同作业规划等模块, 提升控制软件的通用性和实用性.
关键技术 研究内容 研究目标 轨迹规划 根据构件3D表面设计相应路径规划算法, 自适应生成铺放轨迹 满足构件结构的方向性、铺放顺序和铺叠层数要求 铺放路径覆盖 根据曲面上相邻路径的间距, 对铺丝路径的覆盖性进行检验与优化 实现对模具的满覆盖、不重叠, 满足空隙容差 边界处理 根据构件的边界轮廓信息, 设计边界处理算法, 控制边缘和角部的铺放方式与形态 确保铺放边界质量和表面光洁度 后置处理 数控代码生成、代码优化与合成、加工仿真技术等 机器人能够识别执行的指令 工艺参数的控制对构件的成型质量和制造效率有重要影响, 运动控制类软件主要对铺放头位姿、铺放压力进行控制以满足工艺要求[175-177]. 铺放作业中, 铺放头与压辊部分需要与构件表面保持垂直, 通过求解铺放路径所在表面的法向量, 调整铺放头位姿使压辊的法向量与铺放路径所在表面的法向量重合, 即可确保纤维可以准确地贴合在构件表面的相对位置[177-178]. 同时铺放压力不足或过大也会影响纤维铺放的成型精度[177, 180-181], 一般通过对材料特性的研究获取合适的铺放压力, 铺放过程中通过传感器实时监测压辊与构件表面的接触力, 达到控制铺放压力的要求. 工艺参数作为数据流, 非常适合与人工智能技术进行结合, Druiff等[182]整合铺层过程中的多个数据流, 建立机器学习模型, 成功预测构件的质量指标. Wanigasekara等[183]则采用反向思维, 所建立的机器学习模型通过输入所需的构件性能, 输出相应的加工参数. Zimmerling等[184]采用强化学习方法估计变刚度构件的制造工艺参数, 但目前可预测的构件形状较少.
目前机械臂厂商提供的编程和模拟软件面向各类应用场景, 虽然集成轨迹规划和模拟仿真功能, 但不一定满足自动铺带和自动纤维铺放的高精度要求. 铺放设备厂商生产的机械臂式铺带(丝)机提供配套的编程设备, 但一般受机械臂型号限制且读取数据格式有限. 针对冗余、受限等问题, 还需单独设计算法进行编程. 大部分铺放软件从轨迹规划及仿真入手, 专注于轨迹规划算法的鲁棒性研究, 缺乏与机械臂编程的交互.
3.4 缺陷检测方法
复合材料自动化铺放过程中, 难免出现一些缺陷, 缺陷对于复材产品结构性能有重大影响, 同时也会导致非常高的修复成本[185], 因缺陷检测和返工维修造成的成本已成为复材生产成本的重要组成部分. 据统计, 波音747飞机复材构件生产中, 缺陷检测和维修时间占总生产时间的63%[186], 是铺放过程用时的2.6倍. 这是由于采用目视检测的传统缺陷检测方法主要依靠人工经验, 没有实现自动化和智能化.
传统的目视检测方法流程是: 铺放完一层后, 暂停设备, 由有经验的工人进行目视检测, 寻找缺陷. 由于复合材料整体呈黑色且表面易反光, 使得表面缺陷难以判断. 工业上也常使用成像设备扫描构件表面, 获得的图像能更好展示缺陷位置. 但这总归还是需要依靠人工判断缺陷位置, 无法满足工业生产中实时、动态监测的要求.
将机械臂与缺陷检测结合起来进行原位检测, 或对成型构件进行整体检测, 有利于提高生产效率. 机械臂与缺陷检测结合的主要方法是: 将缺陷检测设备安装在铺放头上, 在铺放过程中采集构件表面数据, 进行处理后以识别缺陷; 或在铺放结束后, 将缺陷检测设备安装在机械臂末端, 根据机械臂预设路径对构件表面扫描、采集数据, 以识别缺陷.
铺放过程中容易出现的缺陷[187-188]有间隙与重叠、褶皱、褶痕、桥接、边界覆盖、角度偏移、扭转、异物碎片(Foreign object debris, FOD)等, 目前可采取的自动化缺陷检测方法有激光辅助检测、红外热成像检测、基于轮廓数据检测及机器视觉检测等. 需要根据各种方法所使用设备的检测原理和检测方式选择特定的安装方式.
激光辅助检测是利用激光投影仪标记铺放边界, 获取零件精确的三维位置, 辅以人工肉眼检查或其他视觉系统, 具体图片参见文献[189]. 该方法在铺放边界定位上应用成熟且准确度高, 但受投影角度限制, 模具表面曲率越大则投影误差越大. 激光辅助检测是通过与预设定位进行对比来指导铺放或检测缺陷的, 故激光投影仪一般安装在固定支架上, 不依靠机械臂来检测. Rudberg等[190-191]将激光检测系统引入自动纤维铺放中, 用于边界检测和铺放路径跟踪, 提出改进激光在模具表面投射角度以提升收集数据的准确性, 并将不可避免的缺陷情况投影到模具上, 以便于工人快速查找缺陷位置. Shadmehri等[189]建立基于激光扫描的缺陷检测系统, 将构建的边界位置、纤维角度、纤维重叠等缺陷的几何特征投影到模具表面, 通过与铺放情况对比来识别缺陷.
红外热成像检测是基于红外热辐射原理记录感兴趣区域(Region of interest, ROI)的红外辐射图像, 通过检测缺陷区域与周围材料的温度差识别缺陷, 如图8所示, 该方法原理简单且成本低, 但检测效果易受热扩散影响, 不够稳定. 红外热成像检测高度依赖温度数据, 故热成像仪一般集成在铺放头上. Juarez等[192]提出基于温度差异的热成像检测系统, 通过安装在铺放头上的红外摄像机对加热压实后的纤维铺放进行热成像, 根据温度差异特征识别缺陷, 在实验室测试中显示良好检测效果. Denkena等[193]提出的基于温度差异的热成像检测系统除了能够识别间隙、重叠缺陷外, 还可以检测扭曲、拼接、异物等缺陷. Yadav等[194]对在线热成像检测、成型后热成像检测和超声波检测三种方式进行定量和定性分析对比, 指出在线热成像检测具备发现缺陷的能力, 并相比于其他两种方式能够立即定位并纠正, 有助于提高生产效率. Chen等[195]建立反射式和透射式热成像检测系统, 通过检测表面温度变化对缺陷进行特征表达, 并使用线激光检测判断缺陷深度, 在SVM算法中进行缺陷深度分类.
基于轮廓数据检测可以在实时性较高的情况下获取物体表面的深度轮廓数据, 根据轮廓变化识别缺陷, 或将轮廓数据转化为点云信息或深度图后, 再采取数字图像处理方法进行缺陷检测. 该方法实时性高, 结果不受环境影响, 但检测过程计算量大, 对计算机性能要求高. 基于轮廓数据检测主要根据构件表面轮廓数据进行, 故激光轮廓仪可以集成在铺放头上, 也可安装在机械臂末端. Cemenska等[196]使用激光投影仪、相机和激光轮廓仪, 集成在一个用户操作界面中, 利用激光轮廓仪测量得到激光线到点的距离, 相邻点的数据急剧变化表征缺陷出现, 由此可识别并测量重叠或间隙宽度. 马少博[197]利用轮廓测量仪获取表面轮廓数据, 以点云形式输出并对数据进行处理, 转化为灰度图后, 使用ResNet网络模型进行训练和检测. Tang等[198]提出针对激光轮廓仪所获点云数据的截面线处理算法, 该算法针对单条激光线数据进行处理, 合并后能够分割和识别缺陷. 在最新的研究中, 提出一种两阶段点云分割算法, 首先将点云数据输入语义分割网络获得语义标签, 随后使用聚类算法识别缺陷[199]. 缺陷的实时检测与修复仍是亟待深耕的领域, Nguyen等[200]提出使用激光轮廓仪实时检测粘合缺陷, 进而通过调整压实力来修复缺陷, 该技术的不足之处在于目前只能检测和修复一种缺陷, 仍有待拓展到其他缺陷类型.
机器视觉是广泛应用的一项技术, 传统的机器视觉方法利用数字图像处理技术对图像预处理后, 采取图像分割、特征提取等方法进行检测. 机器学习、深度学习等以数据驱动的机器视觉方法近年来发展迅速, 已成为机器视觉领域的研究重点. 该类方法检测效果好、自动化程度高, 但可迁移性不高, 环境适应性仍然较差. 机器视觉方法主要采用工业相机来完成, 常集成在铺放头上进行检测, 但需要注意周围环境对成像效果的影响. Tao等[201]提出基于传统机器视觉方法的间隙缺陷检测及测量方法, 采用多光源照明系统和CCD摄像机获取铺放表面图像, 使用图像增强、ROI提取、边缘检测、霍夫变换等数字图像处理方法, 实验效果表明能快速准确定位间隙位置并获取间隙宽度. Chen等[202]使用红外相机获取铺放图像, 设计两个CNN, 分别对铺放质量进行分类和对质量不通过的类别进行缺陷检测. 蔡志强[203]针对所采集图像提出“灰度补偿+中值滤波”预处理方法, 采用差影分割算法对缺陷进行分割, 设计10个特征参数作为RBF神经网络的输入进行缺陷分类. Sacco等[204-205]使用轮廓测量仪获取铺放图像, 使用基于ResNet网络进行缺陷检测, 在足够多人工标注缺陷标签训练集情况下实现15种不同缺陷的识别. Zambal等[206]将缺陷检测转化为图像分割问题, 利用激光三角测量传感器提取深度信息, 使用概率模型扩充训练数据集以进行网络离线训练, 在真实数据集上的检测效果略低于概率模型扩充的数据集, 原因在于概率模型并不能完全准确描述真实数据的生成过程. 数据集是进行深度学习的基础, 针对复合材料缺陷检测数据集稀少问题, Meister等[207]提出使用条件深度卷积生成对抗网络和几何变换技术, 能够从少于50个图像的数据集中生成大型真实数据集. Manyar等[208]采用基于有限元的片材模拟和用于纹理生成的图形技术扩充缺陷数据集, 训练“两阶段”深度神经网络来检测缺陷. Szarski和Chauhan[209]提出一种无监督的缺陷检测方法, 仅需少量正常样本训练网络, 取得良好的检测效果, 避免大规模数据集的收集与生成. Schmidt等[210]将多种检测设备集成起来进行检测, 采用激光三角测量传感器检测纤维送入过程中的缺陷, 使用CNN检测热成像图片中的缺陷, 以期实现整个制造过程的缺陷检测. Zhang等[211]提出一种基于YOLOv5的多尺度缺陷检测方法, 采取空间金字塔扩张卷积融合不同视野的特征图, 使用通道注意力机制提高网络的表示能力, 在缺陷数据集上的测试结果证明了该方法的有效性. 柯岩等[212]提出基于Transformer的复合材料多源图像实例分割网络, 空间域上采用CNN+Transformer作为基础主干网络, 通道域上采用红外与可见光联合的检测方式, 能够在最大铺放速度1.2 m/s下实时检测分割缺陷.
由于质量管理和控制的迫切需求, 缺陷检测获得了很大发展, 特别是深度学习自2012年的突破性发展后, 为自动铺层领域的缺陷检测提供了技术支持. 表9为现有自动化缺陷检测技术的设备安装方式和优劣对比, 通过技术调研和对比可以发现, 传统的激光辅助检测、热成像检测、基于轮廓数据检测等方法在特定工作条件下均具有良好的效果且激光辅助检测、基于轮廓数据检测等还可以获得缺陷大小数据, 便于区分是否为可容忍的缺陷类型. 基于深度学习的机器视觉方法相比传统方法更具智能化发展优势, 重点需要解决数据集太小、依赖人工标注、可迁移性等问题, 此外还应解决测量缺陷大小的问题, 可以考虑从算法角度或从增加新的测量设备方面解决.
表 9 现有自动化缺陷检测技术优劣对比Table 9 Comparison of the advantages and disadvantages of existing automated defect detection technologies4. 未来发展趋势
根据上述调研情况, 本文认为机械臂及其智能化应用在复材制造领域还有许多可以发展的空间, 主要集中在以下方面:
1)机械臂应用场景的进一步扩展. 复材产品制造是一个多工序工作, 目前针对该工序的自动化改造仅是针对其中一个环节进行研究的[21], 没有形成整体的自动化制造场景. 本文只对机械臂在复合材料铺放场景中的应用做调研和回顾. 分析复材产品制造的工序, 可以找到多个潜在的机械臂应用场景, 如机械臂铺片制造方法中, 使用机械臂清洗模具、袋装密封、搬运预制件、脱模等; 在机械臂铺带(丝)制造方法中, 使用带有视觉设备的机械臂扫描构件进行缺陷检测等. 将机械臂应用引入上述场景中, 对于一些简单的工作, 如模具清洗、搬运、扫描等, 可以考虑直接应用机械臂, 对于复杂度较高的工作, 如袋装密封需要操作柔软材料、脱模需要考虑多机协作和力控应用, 则应从人机协作角度考虑, 先减少人类的工作负担, 进而实现全自动化. 此外, 对于检测发现的缺陷进行处理, 目前常采用人工介入处理方式, 自动化缺陷处理技术研究仍比较空白, 使用一些较为简单的缺陷处理操作, 如铺片制造中对气泡进行再次悬垂、铺带(丝)制造中对间隙进行补充铺放等, 也是未来的发展和应用方向之一. 在复材产品制造工序之外, Rath等[213]基于多机械臂协同配合操作提出无模具成型方法, 也是未来简化复材产品制造工序、提升机械臂应用潜力的发展方向之一.
2)机械臂控制软件的进一步发展. 如同第3.3节介绍的机械臂运动控制软件中存在的各类问题, 目前复材产品制造领域的控制软件问题主要集中在仿真与控制之间的过渡、不同品牌之间的转化等, 即, 进行轨迹规划和仿真后如何快速转化为机器人控制代码, 如何在不同机械臂品牌之间转换控制代码等. 此外, 远期还应考虑复材产品制造多工序场景下各工序协作的控制软件或系统. 控制软件的进一步发展有以下几个方面: 优化轨迹规划算法, 能够更便捷地生成针对大曲率构件的铺放轨迹以及能够自动生成机械臂取放操作中的悬垂轨迹; 机械臂生产商提供的编程软件中, 应考虑集成面向复材产品制造领域的轨迹规划及仿真模块, 提高机械臂编程软件在仿真和模拟中的精度; 同时由于各机械臂制造商已形成独特的控制编程语言, 有必要应用ROS操作系统实现运动控制的转化.
3)多机械臂的协同作业研究. 机械臂铺片制造方法由于需要操作片材, 多机械臂协同是必要的, 如机械臂铺片制造方法中德国宇航中心的双臂协作铺放系统、斯图加特大学“LowFlip”项目实现与自动纤维铺放相当的铺放效率等. 机械臂铺带(丝)制造方法中, 实现多机同时铺放、铺放与检测同步进行等也有助于提高生产效率. 此外, 引入机械臂以实现复材产品制造的全流程自动化铺放也是多机械臂协同作业的场景之一. 多机械臂协同作业的研究可以从机械臂功能多样化和多机械臂并行工作研究着手. 机械臂功能多样化, 即, 对机械臂铺片制造方法进行任务分配, 进一步优化机械臂拾取、悬垂、夹持功能, 实现大曲率构件的快速制造, 同时支持小批量、多品种快速制造. 多机械臂并行工作, 即, 在机械臂铺带(丝)制造方法中, 对于铺放作业量大的工作, 划分工作区域, 并行铺放, 同时支持构件的局部加强、不同复合材料的使用, 实现构件的机械性能和铺放效率同步提升.
4)智能化方法的进一步应用. 虽然复材产品制造领域仍然处于自动化或半自动化阶段, 但智能化方法在其中应用前景广泛[214], 在一些自动化比较成熟的工序中应用智能化方法能够进一步推动科学研究、提高生产质量. 目前智能化方法应用的主要表现为缺陷检测中使用计算机视觉方法, 这方面的发展方向是使用工艺参数实时监控, 建立铺放参数与故障类型之间的关系模型, 提前预测缺陷形成并调整工艺进行消除[215]. 其他方面的智能化方法应用还可以从以下几个方面考虑: 将计算机视觉技术拓展应用到复材产品制造场景, 如采取基于3D视觉的位姿估计方法进行片材与模具的位置匹配和路径规划[216-217], 基于计算机视觉建立数字孪生系统预测构件性能[218]; 将人机技能传递、智能规划等技术引入以提升系统智能水平, 如使用规划领域定义语言进行系统规划和调度[219], 使用模仿学习、强化学习[220-221] 等方法将人类铺层技能传递给机器人.
5. 结论
机械臂在复材产品制造领域的应用前景广阔, 本文全面回顾现有的应用案例, 归纳总结为两个主要场景: 铺片和铺带(丝). 铺片制造方法以机械臂取放操作为基础, 重点分析拾取、铺放、夹持末端的设计特点, 分单机械臂和多机械臂场景总结研究案例, 展现铺片制造方法的研究和应用发展历程. 铺带(丝)制造方法已在工业生产中成熟应用, 以配置专门的铺带(丝)头为基础, 重点分析铺带(丝)头的组成特点, 梳理铺放的路径规划方法和运动控制软件, 对缺陷检测中应用的计算机视觉方法进行总结. 最后针对机械臂在复材产品制造领域的未来发展趋势提出展望: 机械臂应用场景的进一步扩展, 能够完成复材产品制造中的其他工序任务; 机械臂控制软件的进一步发展, 不断简化设计、仿真到控制实现的过程; 多机械臂协同作业研究, 进一步提高生产效率和生产质量; 智能化方法的进一步应用, 加快实现复材产品制造领域自动化到智能化进程.
-
图 1 复材产品制造工艺的生产流程图
Fig. 1 Production flow chart of the manufacturing process of composite products
图 6 面向工业生产的多机械臂协同铺层研究案例
Fig. 6 Multi-robot arms collaborative lay-up study cases for industrial production
表 1 机械臂在传统工业场景和复材产品制造场景应用特点对比
Table 1 Comparison of the application characteristics of robot arm in traditional industrial scenario and composite products manufacturing scenario
对比 特点 传统工业场景 复材产品制造场景 喷涂 点焊 搬运 装配 铺片 铺带(丝) 相同之处 重复定位精度 高 位置跟踪要求 高 不同之处 操作是否接触 否 是 是 是 是 是 操作材料特性 气体 高温 硬质 硬质 柔软粘性 柔软粘性 是否需要加热 否 是 否 否 是 是 是否有接触力 否 否 是 是 是 是 末端构造 喷嘴 焊钳 夹持 各类工具 夹持悬垂拾取 专有铺放头 
下载: 导出CSV
表 2 不同拾取原理的优劣对比
Table 2 Comparison of the advantages and disadvantages of different pick-up principles
拾取原理 对材料的损坏程度 成本 实现难度 易操作性 针刺 高 低 低 高 低温 中 中 中 中 真空吸取 无 高 中 中
下载: 导出CSV
表 3 单机械臂铺层研究案例对比
Table 3 Comparison of single robot arm lay-up study cases
研究机构 研究重点 路径规划 运动规划 工艺参数 系统软件 使用的机械臂 相关文献 德国宇航中心 全过程自动化 基于视觉生成 系统生成 未知 独立开发 KUKA [45−46, 71−72] 汉堡科技大学 工艺流程优化 未知 未知 未知 未知 ABB [73−76] 慕尼黑工业大学 全过程自动化 人类专家设计 控制器生成 人类专家设计 CFK-Tex.Office KUKA KR-500 [32−34, 77] 布里斯托大学 铺放自动化 未知 未知 人类专家设计 未知 ABB [62] 德国宇航中心 全过程自动化 系统生成 系统生成 未知 独立开发 KUKA [78−79] 南丹麦大学 铺放自动化 基于模拟方法 系统生成 未知 独立开发 KUKA KR-360 [60, 80−84]
下载: 导出CSV
表 4 多机械臂协同铺层研究案例对比
Table 4 Comparison of multi-robot arms collaborative lay-up study cases
研究机构 机械臂数量 研究内容 路径规划 运动规划 系统软件 使用的机械臂 相关文献 南卡罗莱纳大学 3 路径规划 运动规划 算法生成 控制器生成 独立开发 KUKA-iiwa [85−87, 89−91] 斯图加特大学 3 系统搭建 路径规划 人类专家设计 系统生成 独立开发 ABB [64, 92] 德国宇航中心 2 系统搭建 路径规划 算法生成 系统生成 独立开发 KUKA-KR270 [93−101] 空客集团 2 系统搭建 末端开发 人类专家设计 系统生成 独立开发 KUKA [41−42, 106] 林雪平大学 2 技术验证 末端开发 未知 未知 未知 KUKA-KR10, ABB [107−108] 慕尼黑工业大学 2 系统搭建 路径规划 算法生成 系统生成 独立开发 Staubli, KUKA [24] 思克莱德大学 1 技术验证 人类专家设计 系统生成 独立开发 KUKA-KR6 [110] 维也纳技术大学 2 技术验证 人类专家设计 系统生成 未知 自制 [111−112]
下载: 导出CSV
表 5 铺带(丝)头中采用的切割方式对比
Table 5 Comparison of cutting methods used in tape (fiber) lay-up heads
切割方式 成本 优点 缺点 机械道具切割 低 结构简单, 切割效率高, 适用于多种复杂环境,
维修更换比较方便难以控制切割深度且切口毛糙, 损伤预浸料,
无法保证切口质量激光切割 较高 切割效率高, 非接触式切割, 产品边缘光滑平整,
激光对位精准, 切割精度高温度较高, 使复合材料发生变质且
切割深度不易控制水喷射切割 低 设备结构简单, 操作容易, 工作机构具有喷头体积小、
后坐力小、移动方便、生产效率高等特点给整个铺带环境带来大量污染液体,
影响复合材料成型, 铺带工作不便超声波切割 较高 切割效率高, 切口平整; 合适的切割速度、
切割深度满足不同工况下的切割易受负载、温度等因素影响, 引起谐振频率、
等效阻抗等参数漂移变化
下载: 导出CSV
表 6 铺带(丝)头中采用的加热方式对比
Table 6 Comparison of heating methods used in tape (fiber) lay-up heads
加热方式 成本 优点 缺点 电阻丝加热 低 加热均匀, 实现简单 热损失大, 功率密度低, 使用寿命短 激光加热 高 激光加热效率高, 响应快 温度难以控制, 容易产生局部过热 热风加热 低 温度场均匀, 调节范围广 加热升温时间长, 热效率较低 红外加热 高 热效率高, 加热均匀, 响应速度快 辐射面存在一定限制, 温度场不均匀
下载: 导出CSV
表 7 路径规划方法对比
Table 7 Comparison of path planning methods
分类 方法 优点 缺点 参考路径生成 自然路径法 可以避免纤维起皱, 轨迹可铺放性良好 计算量大, 仅适用于低曲率表面 定角度路径法 原理及计算过程简单 仅适用于整体曲率波动较小的曲面 变角度路径法 能够自适应芯模曲面不规则情况 算法计算量大 路径密化 等距偏置算法 算法简单, 能够覆盖整个芯模表面 在复杂表面上可能存在间隙和重叠 等角度算法 算法实现简单, 适应各种复杂构件 易存在间隙和重叠
下载: 导出CSV
关键技术 研究内容 研究目标 轨迹规划 根据构件3D表面设计相应路径规划算法, 自适应生成铺放轨迹 满足构件结构的方向性、铺放顺序和铺叠层数要求 铺放路径覆盖 根据曲面上相邻路径的间距, 对铺丝路径的覆盖性进行检验与优化 实现对模具的满覆盖、不重叠, 满足空隙容差 边界处理 根据构件的边界轮廓信息, 设计边界处理算法, 控制边缘和角部的铺放方式与形态 确保铺放边界质量和表面光洁度 后置处理 数控代码生成、代码优化与合成、加工仿真技术等 机器人能够识别执行的指令
下载: 导出CSV
表 9 现有自动化缺陷检测技术优劣对比
Table 9 Comparison of the advantages and disadvantages of existing automated defect detection technologies
下载: 导出CSV
-
[1] 林刚, CINTE21. 构建“硬科技”优势——2021全球碳纤维复合材料市场报告. 纺织科学研究, 2022, 33(5): 46−66Lin Gang, CINTE21. Building a “hard technology” advantage-global carbon fibre composites market report 2021. Textile Science Research, 2022, 33(5): 46−66 [2] 中国电子学会. 中国机器人产业发展报告(2022年), 世界机器人大会, 中国, 2022.Chinese Institute of Electronics. China Robotics Industry Development Report (2022), World Robot Conference, China, 2022. [3] 亿欧智库. 2022中国工业机器人市场研究报告. 机器人产业, 2022, (4): 83−95 doi: 10.3969/j.issn.2096-0182.2022.04.014EqualOcean. 2022 China industrial robotics market research report. Robot Industry, 2022, (4): 83−95 doi: 10.3969/j.issn.2096-0182.2022.04.014 [4] Lei T, Rong Y M, Wang H, Huang Y, Li M. A review of vision-aided robotic welding. Computers in Industry, 2020, 123: Article No. 103326 doi: 10.1016/j.compind.2020.103326 [5] Sun Y W, Jia J J, Xu J T, Chen M S, Niu J B. Path, feedrate and trajectory planning for free-form surface machining: A state-of-the-art review. Chinese Journal of Aeronautics, 2022, 35(8): 12−29 doi: 10.1016/j.cja.2021.06.011 [6] Urhal P, Weightman A, Diver C, Bartolo P. Robot assisted additive manufacturing: A review. Robotics and Computer-Integrated Manufacturing, 2019, 59: 335−345 doi: 10.1016/j.rcim.2019.05.005 [7] Cong Y, Chen R H, Ma B T, Liu H S, Hou D D, Yang C G. A comprehensive study of 3-D vision-based robot manipulation. IEEE Transactions on Cybernetics, 2023, 53(3): 1682−1698 doi: 10.1109/TCYB.2021.3108165 [8] 秦方博, 徐德. 机器人操作技能模型综述. 自动化学报, 2019, 45(8): 1401−1418Qin Fang-Bo, Xu De. Review of robot manipulation skill models. Acta Automatica Sinica, 2019, 45(8): 1401−1418 [9] 曾超, 杨辰光, 李强, 戴诗陆. 人−机器人技能传递研究进展. 自动化学报, 2019, 45(10): 1813−1828Zeng Chao, Yang Chen-Guang, Li Qiang, Dai Shi-Lu. Research progress on human-robot skill transfer. Acta Automatica Sinica, 2019, 45(10): 1813−1828 [10] 齐志刚, 黄攀峰, 刘正雄, 韩冬. 空间冗余机械臂路径规划方法研究. 自动化学报, 2019, 45(6): 1103−1110Qi Zhi-Gang, Huang Pan-Feng, Liu Zheng-Xiong, Han Dong. Research on path planning method of spatial redundant manipulator. Acta Automatica Sinica, 2019, 45(6): 1103−1110 [11] Chutima P. A comprehensive review of robotic assembly line balancing problem. Journal of Intelligent Manufacturing, 2022, 33(1): 1−34 doi: 10.1007/s10845-020-01641-7 [12] Rajak D K, Pagar D D, Menezes P L, Linul E. Fiber-reinforced polymer composites: Manufacturing, properties, and applications. Polymers, 2019, 11(10): Article No. 1667 doi: 10.3390/polym11101667 [13] Elkington M, Ward C, Sarkytbayev A. Automated composite draping: A review. In: Proceedings of the SAMPE Seattle 2017. Seattle, USA: SAMPE North America, 2017. [14] Björnsson A, Jonsson M, Johansen K. Automated material handling in composite manufacturing using pick-and-place systems——A review. Robotics and Computer-Integrated Manufacturing, 2018, 51: 222−229 doi: 10.1016/j.rcim.2017.12.003 [15] Lukaszewicz D H J A, Ward C, Potter K D. The engineering aspects of automated prepreg layup: History, present and future. Composites Part B: Engineering, 2012, 43(3): 997−1009 doi: 10.1016/j.compositesb.2011.12.003 [16] Brasington A, Sacco C, Halbritter J, Wehbe R, Harik R. Automated fiber placement: A review of history, current technologies, and future paths forward. Composites Part C: Open Access, 2021, 6: Article No. 100182 doi: 10.1016/j.jcomc.2021.100182 [17] Zhang W X, Liu F, Jiang T, Yi M H, Chen W Q, Ding X L. Overview of current design and analysis of potential theories for automated fibre placement mechanisms. Chinese Journal of Aeronautics, 2022, 35(4): 1−13 doi: 10.1016/j.cja.2021.04.018 [18] Chen J P, Fu K K, Li Y. Understanding processing parameter effects for carbon fibre reinforced thermoplastic composites manufactured by laser-assisted automated fibre placement (AFP). Composites Part A: Applied Science and Manufacturing, 2021, 140: Article No. 106160 doi: 10.1016/j.compositesa.2020.106160 [19] de Campos A A, Henriques E, Magee C L. Technological improvement rates and recent innovation trajectories in automated advanced composites manufacturing technologies: A patent-based analysis. Composites Part B: Engineering, 2022, 238: Article No. 109888 doi: 10.1016/j.compositesb.2022.109888 [20] Soares B A R, Henriques E, Ribeiro I, Freitas M. Cost analysis of alternative automated technologies for composite parts production. International Journal of Production Research, 2019, 57(6): 1797−1810 doi: 10.1080/00207543.2018.1508903 [21] Jayasekara D, Lai N Y G, Wong K H, Pawar K, Zhu Y D. Level of automation (LOA) in aerospace composite manufacturing: Present status and future directions towards industry 4.0. Journal of Manufacturing Systems, 2022, 62: 44−61 doi: 10.1016/j.jmsy.2021.10.015 [22] Potter K, Ward C. Draping processes for composites manufacture. Advances in Composites Manufacturing and Process Design. Amsterdam: Woodhead Publishing, 2015. 93−109 [23] Cevotec. Composite tank reinforcements [Online], available: https://www.cevotec.com/industries-applications/fpp-composite-tanks/, July 29, 2023 [24] Michl F, Coquel M. Fully-automated production of complex CFRP parts using fibre-patch-preforming technology. JEC Com posites Magazine, 2014, 87: 108−110 [25] Malhan R K, Shembekar A V, Kabir A M, Bhatt P M, Shah B, Zanio S, et al. Automated planning for robotic layup of composite prepreg. Robotics and Computer-Integrated Manufacturing, 2021, 67: Article No. 102020 doi: 10.1016/j.rcim.2020.102020 [26] Larsen L, Kim J. Path planning of cooperating industrial robots using evolutionary algorithms. Robotics and Computer-Integrated Manufacturing, 2021, 67: Article No. 102053 doi: 10.1016/j.rcim.2020.102053 [27] Khodunov A A, Bogachev V V, Borodulin A S. Advances in tailored fiber placement technology. Journal of Physics: Conference Series, 2021, 1990: Article No. 012041 [28] Lindback J E, Björnsson A, Johansen K. New automated composite manufacturing process: Is it possible to find a cost effective manufacturing method with the use of robotic equipment? In: Proceedings of the 5th International Swedish Production Symposium. Linkoping, Sweden: 2012. 523−531 [29] Kordi M T, Husing M, Corves B. Development of a multifunctional robot end-effector system for automated manufacture of textile preforms. In: Proceedings of the IEEE/ASME International Conference on Advanced Intelligent Mechatronics. Zurich, Switzerland: IEEE, 2007. 1−6 [30] Reinhart G, Straßer G. Flexible gripping technology for the automated handling of limp technical textiles in composites industry. Production Engineering, 2011, 5(3): 301−306 doi: 10.1007/s11740-011-0306-1 [31] Reinhart G, Strassr G, Ehinger C. Highly flexible automated manufacturing of composite structures consisting of limp carbon fibre textiles. SAE International Journal of Aerospace, 2010, 2(1): 181−187 [32] Angerer A, Ehinger C, Hoffmann A, Reif W, Reinhart G. Design of an automation system for preforming processes in aerospace industries. In: Proceedings of the IEEE International Conference on Automation Science and Engineering. Trieste, Italy: IEEE, 2011. 557−562 [33] Ehinger C, Reinhart G. Robot-based automation system for the flexible preforming of single-layer cut-outs in composite industry. Production Engineering, 2014, 8(5): 559−565 doi: 10.1007/s11740-014-0546-y [34] Reinhart G, Ehinger C. Novel robot-based end-effector design for an automated preforming of limb carbon fiber textiles. In: Proceedings of the 1st Conference of the German Academic Society for Production Engineering (WGP). Berlin, Germany: Springer, 2013. 131−142 [35] Löchte C, Kunz H, Schnurr R, Dietrich F, Raatz A, Dilger K, et al. Form-flexible handling technology for automated preforming. In: Proceedings of the 19th International Conference on Composite Materials. Montreal, Canada: Concordia University, 2013. [36] Löchte C, Kunz H, Schnurr R, Langhorst S, Dietrich F, Raatz A, et al. Form-flexible handling and joining technology (FormHand) for the forming and assembly of limp materials. Procedia CIRP, 2014, 23: 206−211 doi: 10.1016/j.procir.2014.10.086 [37] Kunz H, Löchte C, Dietrich F, Raatz A, Fischer F, Dröder K, et al. Novel form-flexible handling and joining tool for automated preforming. Science and Engineering of Composite Materials, 2015, 22(2): 199−213 doi: 10.1515/secm-2013-0326 [38] Dröder K, Dietrich F, Löchte C, Hesselbach J. Model based design of process-specific handling tools for workpieces with many variants in shape and material. CIRP Annals, 2016, 65(1): 53−56 doi: 10.1016/j.cirp.2016.04.109 [39] Apmann H. Automatic Handling of CFRP-material for Frame and Stringer Production, SAE Technical Paper 2008-01-2289, SAE, USA, 2008. [40] Apmann H, Hemmen A, Herkt M. Automatic Handling of Carbon Fiber Preforms for CFRP Parts in Aerospace, SAE Technical Paper 2012-01-1864, SAE, USA, 2012. [41] Apmann H, Busse M, Du J Y, Köhnke P. Automated manufacture of fibre metal laminates to achieve high rate of production. Lightweight Design Worldwide, 2017, 10(4): 28−33 [42] Ucan H, Apmann H, Graßl G, Krombholz C, Fortkamp K, Nieberl D, et al. Production technologies for lightweight structures made from fibre-metal laminates in aircraft fuselages. CEAS Aeronautical Journal, 2019, 10(2): 479−489 doi: 10.1007/s13272-018-0330-3 [43] Ucan H, Scheller J, Nguyen C, Nieberl D, Beumler T, Haschenburger A, et al. Automated, quality assured and high volume oriented production of fiber metal laminates (FML) for the next generation of passenger aircraft fuselage shells. Science and Engineering of Composite Materials, 2019, 26(1): 502−508 doi: 10.1515/secm-2019-0031 [44] Braun G, Buchheim A, Fischer F, Gerngross T. Handgeführter Endeffektor Für Die Automatisierte Handhabung von Textilen Zuschnitten, DLR-IB 435-2013/88, Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR), Germany, 2013. [45] Kuehnel M, Schuster A, Buchheim A, Gergross T, Kupke M. Automated near-net-shape preforming of carbon fiber reinforced thermoplastics (CFRTP). In: Proceedings of the Paper for the I.C.S of the JEC Europe 2014. Paris, France: 2014. [46] Kuhnel M, Schuster A, Rähtz C, Kupke M. Near net shape thermoplastic preforming with continuously automated cutting and robotic pick and place processes. In: Proceedings of the International Conference and Exhibition on Thermoplastic Composites. Bremen, Germany: 2016. [47] Vistein M, Faber J, Schmidt-Eisenlohr C, Reiter D. Automated handling of auxiliary materials using a multi-kinematic gripping system. Procedia Manufacturing, 2019, 38: 1276−1283 doi: 10.1016/j.promfg.2020.01.220 [48] Gunnarsson G G, Nielsen O W, Schlette C, Petersen H G. Fast and simple interacting models of drape tool and ply material for handling free hanging, pre-impregnated carbon fibre material. In: Proceedings of the 15th Informatics in Control, Automation and Robotics. Porto, Portugal: Springer, 2018. 1−25 [49] Fleischer J, Förster F, Crispieri N V. Intelligent gripper technology for the handling of carbon fiber material. Production Engineering, 2014, 8(6): 691−700 doi: 10.1007/s11740-014-0549-8 [50] Förster F, Ballier F, Coutandin S, Defranceski A, Fleischer J. Manufacturing of textile preforms with an intelligent draping and gripping system. Procedia CIRP, 2017, 66: 39−44 doi: 10.1016/j.procir.2017.03.370 [51] Wirth B, Coutandin S, Fleischer J. Disturbance force estimation for a low pressure suction gripper based on differential pressure analysis. In: Proceedings of the Annals of Scientific Society for Assembly, Handling and Industrial Robotics. Berlin, Germany: Springer, 2020. 263−273 [52] Wirth B, Schwind T, Friedmann M, Fleischer J. Automated stack singulation for technical textiles using sensor supervised low pressure suction grippers. In: Proceedings of the Annals of Scientific Society for Assembly, Handling and Industrial Robotics 2022. Cham, Germany: Springer, 2022. 329−340 [53] Brink M, Ohlendorf J H, Thoben K D. Development of a handling system with integrated sensors for textile preforms using additive manufacturing. Procedia Manufacturing, 2018, 24: 114−119 doi: 10.1016/j.promfg.2018.06.016 [54] Björnsson A, Jonsson M, Eklund D, Lindbäck J E, Björkman M. Getting to grips with automated prepreg handling. Production Engineering, 2017, 11: 445−453 doi: 10.1007/s11740-017-0763-2 [55] Brinker J, Prause I, Kosse P, Früh H C, Printz S, Henke C, et al. Automated handling and draping of reinforcing textiles-challenges and developments. New Advances in Mechanisms, Mechanical Transmissions and Robotics. Cham, Germany: Springer, 2017. 485−493 [56] Brinker J, Paris J, Müller M, Hüsing M, Corves B. Mechanism type synthesis approach for automated handling and multiaxial draping of reinforcing textiles. New Trends in Mechanism and Machine Science: Theory and Industrial Applications. Cham, Germany: Springer, 2017. 523−532 [57] Brinker J, Müller M, Paris J, Husing M, Corves B. Mechanism design for automated handling and multiaxial draping of reinforcing textiles. In: Proceedings of the ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference. Charlotte, USA: ASME, 2016. Article No. V05BT07A040 [58] Corves B, Brinker J, Prause I, Hüsing M, Abbas B, Krieger H, et al. AutoHD——Automated handling and draping of reinforcing textiles. In: Proceedings of the Conference on Mechanisms, Transmissions and Applications. Cham, Germany: Springer, 2015. 301−309 [59] Wang B W. Design and Development of a Soft Robotic Gripper for Fabric Material Handling [Master thesis], University of Windsor, Canada, 2020. [60] Krogh C, Jakobsen J, Sherwood J A. Development of a computationally efficient fabric model for optimization of gripper trajectories in automated composite draping. arXiv preprint arXiv: 1810.07619, 2018. [61] Elkington M, Bloom D, Ward C, Chatzimichali A, Potter K. Hand layup: Understanding the manual process. Advanced Manufacturing: Polymer & Composites Science, 2015, 1(3): 138−151 [62] Elkington M, Ward C, Potter K D. Automated layup of sheet prepregs on complex moulds. Journal of Advanced Materials, 2016, 3 : 70−84 [63] Elkington M, Almas E, Ward-Cherrier B, Pestell N, Lloyd J, Ward C, et al. Real time defect detection during composite layup via tactile shape sensing. Science and Engineering of Composite Materials, 2021, 28(1): 1−10 doi: 10.1515/secm-2021-0001 [64] Szcesny M, Heieck F, Carosella S, Middendorf P, Sehrschön H, Schneiderbauer M. The advanced ply placement process——An innovative direct 3D placement technology for plies and tapes. Advanced Manufacturing: Polymer & Composites Science, 2017, 3(1): 2−9 [65] Richrath M, Franke J, Ohlendorf J H, Thoben K D. Effector for automated direct textile placement in rotor blade production. Lightweight Design Worldwide, 2017, 10(5): 42−47 doi: 10.1007/s41777-017-0039-8 [66] Schouterden G, Cramer J, Demeester E, Kellens K. Development of a membrane-shaped MR-based composite draping tool. Procedia CIRP, 2019, 86: 167−172 doi: 10.1016/j.procir.2020.01.048 [67] Denkena B, Schmidt C, Werner S, Schwittay D. Development of a shape replicating draping unit for continuous layup of unidirectional non-crimp fabrics on complex surface geometries. Journal of Composites Science, 2021, 5(4): Article No. 93 doi: 10.3390/jcs5040093 [68] Helber F, Amann A, Carosella S, Middendorf P. Intrinsic fibre heating: A novel approach for automated dry fibre placement. IOP Conference Series: Materials Science and Engineering, 2018, 460: Article No. 012064 [69] Björnsson A, Lindback J E, Johansen K. Automated removal of prepreg backing paper——A sticky problem. In: Proceedings of the SAE 2013 AeroTech Congress & Exhibition. New York, USA: SAE International, 2013. [70] Bruns C, Micke-Camuz M, Bohne F, Raatz A. Process design and modelling methods for automated handling and draping strategies for composite components. CIRP Annals, 2018, 67(1): 1−4 doi: 10.1016/j.cirp.2018.04.014 [71] Schuster A, Larsen L, Fischer F, Glück R, Schneyer S, Kühnel M, et al. Smart manufacturing of thermoplastic CFRP skins. Procedia Manufacturing, 2018, 17: 935−943 doi: 10.1016/j.promfg.2018.10.147 [72] Beyrle M, Endraß M, Kühnel M, Schuster A, Stefani T, Glück R, et al. Automated production and joining of high performance structures out of carbon fiber reinforced thermoplastics. In: Proceedings of the Composites and Advanced Materials Expo. Orlando, USA: 2017. [73] Roth F, Eschen H, Schüppstuhl T. The loop gripper: A soft gripper for honeycomb materials. Procedia Manufacturing, 2021, 55: 160−167 doi: 10.1016/j.promfg.2021.10.023 [74] Eschen H, Harnisch M, Schuppstühl T. Flexible and automated production of sandwich panels for aircraft interior. Procedia Manufacturing, 2018, 18: 35−42 doi: 10.1016/j.promfg.2018.11.005 [75] Eschen H, Kalscheuer F, Schüppstuhl T. Optimized process chain for flexible and automated aircraft interior production. Procedia Manufacturing, 2020, 51: 535−542 doi: 10.1016/j.promfg.2020.10.075 [76] Kalscheuer F, Eschen H, Schüppstuhl T. Towards semi automated pre-assembly for aircraft interior production. In: Proceedings of the Annals of Scientific Society for Assembly, Handling and Industrial Robotics 2021. Cham, Germany: Springer, 2022. 203−213 [77] Angerer A, Ehinger C, Hoffmann A, Reif W, Reinhart G, Strasser G. Automated cutting and handling of carbon fiber fabrics in aerospace industries. In: Proceedings of the IEEE International Conference on Automation Science and Engineering. Toronto, Canada: IEEE, 2010. 861−866 [78] Gerngross T, Nieberl D. Automated manufacturing of large, three-dimensional CFRP parts from dry textiles. CEAS Aeronautical Journal, 2016, 7(2): 241−257 doi: 10.1007/s13272-016-0184-5 [79] Nägele L, Macho M, Angerer A, Hoffmann A, Vistein M, Schönheits M, et al. A backward-oriented approach for offline programming of complex manufacturing tasks. In: Proceedings of the 6th International Conference on Automation, Robotics and Applications (ICARA). Queenstown, New Zealand: IEEE, 2015. 124−130 [80] Ellekilde L P, Wilm J, Nielsen O W, Krogh C, Kristiansen E, Gunnarsson G G, et al. Design of automated robotic system for draping prepreg composite fabrics. Robotica, 2021, 39(1): 72−87 doi: 10.1017/S0263574720000193 [81] Serpina G G G, Petersen H G. Mathematical modeling of a highly underactuated tool for draping fiber plies on double curved molds. In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA). Xi'an, China: IEEE, 2021. 1666−1672 [82] Krogh C, Glud J A, Jakobsen J. Modeling of prepregs during automated draping sequences. AIP Conference Proceedings, 2017, 1896: Article No. 030036 [83] Krogh C, Glud J A, Jakobsen J. Modeling the robotic manipulation of woven carbon fiber prepreg plies onto double curved molds: A path-dependent problem. Journal of Composite Materials, 2019, 53(15): 2149−2164 doi: 10.1177/0021998318822722 [84] Krogh C, Sherwood J A, Jakobsen J. Generation of feasible gripper trajectories in automated composite draping by means of optimization. Advanced Manufacturing: Polymer & Composites Science, 2019, 5(4): 234−249 [85] Malhan R K, Kabir A M, Shembekar A V, Shah B, Gupta S K, Centea T. Hybrid cells for multi-layer prepreg composite sheet layup. In: Proceedings of the IEEE 14th International Conference on Automation Science and Engineering (CASE). Munich, Germany: IEEE, 2018. 1466−1472 [86] Malhan R K, Kabir A M, Shah B, Centea T, Gupta S K. Automated prepreg sheet placement using collaborative robotics. In: Proceedings of the North America Society for the Advancement of Material and Process Engineering (SAMPE) Long Beach Conference. Long Beach, USA: SAMPE, 2018. [87] Malhan R K, Kabir A M, Shah B, Gupta S K. Identifying feasible workpiece placement with respect to redundant manipulator for complex manufacturing tasks. In: Proceedings of the International Conference on Robotics and Automation (ICRA). Montreal, Canada: IEEE, 2019. 5585−5591 [88] Malhan R K, Kabir A M, Shah B, Centea T, Gupta S K. Determining feasible robot placements in robotic cells for composite prepreg sheet layup. In: Proceedings of the ASME 14th International Manufacturing Science and Engineering Conference. Erie, USA: ASME, 2019. Article No. V001T02A025 [89] Manyar O M, Desai J, Deogaonkar N, Joesph R J, Malhan R, McNulty Z, et al. A simulation-based grasp planner for enabling robotic grasping during composite sheet layup. In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA). Xi'an, China: IEEE, 2021. 930−937 [90] Malhan R K, Joseph R J, Shembekar A V, Kabir A M, Bhatt P M, Gupta S K. Online grasp plan refinement for reducing defects during robotic layup of composite prepreg sheets. In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA). Paris, France: IEEE, 2020. 11500−11507 [91] Malhan R K, Thakar S, Kabir A M, Rajendran P, Bhatt P M, Gupta S K. Generation of configuration space trajectories over semi-constrained cartesian paths for robotic manipulators. IEEE Transactions on Automation Science and Engineering, 2023, 20(1): 193−205 doi: 10.1109/TASE.2022.3144673 [92] Helber F, Carosella S, Middendorf P. Multi-robotic composite production of complex and large-scaled components for the automotive industry. In: Proceedings of the Advances in Automotive Production Technology——Theory and Application. Berlin, Germany: Springer, 2021. 369−376 [93] Krebs F, Larsen L, Braun G, Dudenhausen W. Design of a multifunctional cell for aerospace CFRP production. The International Journal of Advanced Manufacturing Technology, 2016, 85: 17−24 doi: 10.1007/s00170-014-6022-1 [94] Tekles N, Reiner M, Krebs F. Model-based elastic deformation compensation for a multi-robot work cell. In: Proceedings of the IEEE 15th International Conference on Control and Automation (ICCA). Edinburgh, UK: IEEE, 2019. 530−536 [95] Tekles N, Krebs F, Reiner M. Inverse model command shaper for a flexible gantry robot. In: Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Vancouver, Canada: IEEE, 2017. 1636−1642 [96] Eckardt M, Buchheim A, Gerngross T. Investigation of an automated dry fiber preforming process for an aircraft fuselage demonstrator using collaborating robots. CEAS Aeronautical Journal, 2016, 7(3): 429−440 doi: 10.1007/s13272-016-0199-y [97] Schuster A, Kupke M, Larsen L. Autonomous manufacturing of composite parts by a multi-robot system. Procedia Manufacturing, 2017, 11: 249−255 doi: 10.1016/j.promfg.2017.07.238 [98] Brandt L, Eckardt M. Automated handling and positioning of large dry carbon fibre cut-pieces with cooperating robots in rear pressure bulkhead production. In: Proceedings of the CEAS Conference. Bucharest, Romania: CEAS, 2017. [99] Schuster A, Frommel C, Deden D, Brandt L, Eckardt M, Glück R, et al. Simulation based draping of dry carbon fibre textiles with cooperating robots. Procedia Manufacturing, 2019, 38: 505−512 doi: 10.1016/j.promfg.2020.01.064 [100] Deden D, Frommel C, Glück R, Larsen L, Malecha M, Schuster A. Towards a fully automated process chain for the lay-up of large carbon dry-fibre cut pieces using cooperating robots. In: Proceedings of the SAMPE Europe Conference. Nantes, France: SAMPE, 2019. [101] Frommel C, Krebs F, Haase T, Vistein M, Schuster A, Larsen L, et al. Automated manufacturing of large composites utilizing a process orchestration system. Procedia Manufacturing, 2020, 51: 470−477 doi: 10.1016/j.promfg.2020.10.066 [102] Larsen L, Kim J, Kupke M. Intelligent path panning towards collision-free cooperating industrial robots. In: Proceedings of the 11th International Conference on Informatics in Control. Vienna, Austria: SciTePress, 2014. [103] Angerer A, Hoffmann A, Larsen L, Vistein M, Kim J, Kupke M, et al. Planning and execution of collision-free multi-robot trajectories in industrial applications. In: Proceedings of the 47th International Symposium on Robotics. Munich, Germany: VDE, 2016. 1−7 [104] Larsen L, Pham V L, Kim J, Kupke M. Collision-free path planning of industrial cooperating robots for aircraft fuselage production. In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA). Seattle, USA: IEEE, 2015. 2042−2047 [105] Larsen L, Kaspar M, Schuster A, Vistein M, Kim J, Kupke M. Full automatic path planning of cooperating robots in industrial applications. In: Proceedings of the 13th IEEE Conference on Automation Science and Engineering (CASE). Xi'an, China: IEEE, 2017. 523−530 [106] Vistein M, Deden D, Glück R, Schneyer S. Automated production of large fibre metal laminate aircraft structure parts. Procedia Manufacturing, 2019, 38: 1300−1307 doi: 10.1016/j.promfg.2020.01.160 [107] Björnsson A, Jonsson M, Johansen K. Automation of composite manufacturing using off-the-shelf solutions, three cases from the aerospace industry. In: Proceedings of the 20th International Conference on Composite Materials. Copenhagen, Denmark: Aalborg University, 2015. [108] Björnsson A, Lindback J E, Eklund D, Jonsson M. Low-cost automation for prepreg handling-two cases from the aerospace industry. SAE International Journal of Materials and Manufacturing, 2016, 9(1): 68−74 [109] Zhang X W, Chi X F, Ji C C. Discrete path planning of carbon fiber patch placement with complex surface. Textile Research Journal, 2023, 93(17−18): 4010−4022 doi: 10.1177/00405175231169045 [110] Yang M M, Yu L J, Wong C B, Mineo C, Yang E F, Bomphray I, et al. A cooperative mobile robot and manipulator system (Co-MRMS) for transport and lay-up of fibre plies in modern composite material manufacture. The International Journal of Advanced Manufacturing Technology, 2022, 119: 1249−1265 doi: 10.1007/s00170-021-08342-2 [111] Flixeder S, Glück T, Kugi A. Force-based cooperative handling and lay-up of deformable materials: Mechatronic design, modeling, and control of a demonstrator. Mechatronics, 2017, 47: 246−261 doi: 10.1016/j.mechatronics.2016.10.003 [112] Hartl-Nesic C, Glück T, Kugi A. Surface-based path following control: Application of curved tapes on 3-D objects. IEEE Transactions on Robotics, 2021, 37(2): 615−626 doi: 10.1109/TRO.2020.3033721 [113] Belhaj M, Dodangeh A, Hojjati M. Experimental investigation of prepreg tackiness in automated fiber placement. Composite Structures, 2021, 262: Article No. 113602 doi: 10.1016/j.compstruct.2021.113602 [114] Zhao F H, Liu Z Q, Chen R F, Hao Y, Ma Z H. The effect of temperature field on the characteristics of carbon fiber reinforced thermoplastic composites in the laying and shaping process. The International Journal of Advanced Manufacturing Technology, 2022, 121: 7569−7589 doi: 10.1007/s00170-022-09795-9 [115] de Sá Rodrigues J, Gonçalves P T, Pina L, Gomes de Almeida F. Modelling the heating process in the transient and steady state of an in situ tape-laying machine head. Journal of Manufacturing and Materials Processing, 2022, 6(1): Article No. 8 doi: 10.3390/jmmp6010008 [116] Zhang P, Sun R L, Zhao X Y, Hu L J. Placement suitability criteria of composite tape for mould surface in automated tape placement. Chinese Journal of Aeronautics, 2015, 28(5): 1574−1581 doi: 10.1016/j.cja.2015.06.002 [117] 赵尧旭. 热塑性复合材料机器人铺放设备及工艺研究 [硕士学位论文], 哈尔滨工业大学, 中国, 2019.Zhao Yao-Xu. Research on Robotic Placement Machine and Placement Process of Thermoplastic Composite [Master thesis], Harbin Institute of Technology, China, 2019. [118] 解五一. 复合材料自动铺带机器人设计及铺带过程控制 [硕士学位论文], 武汉大学, 中国, 2019.Xie Wu-Yi. Design of Automatic Composite Tape Laying Robot and Process Control of Taping [Master thesis], Wuhan University, China, 2019. [119] Han Z Y, Hu F C, Lu H, Fu H Y. Design of ultrasonic cutting bench for automatic tape laying machine. Applied Mechanics and Materials, 2014, 552: 80−85 doi: 10.4028/www.scientific.net/AMM.552.80 [120] Grimshaw M N, Grant C M C G, Diaz C M J M L. Advanced technology tape laying for affordable manufacturing of large composite structures. In: Proceedings of the 46th International SAMPE Symposium. Long Beach, USA: SAMPE, 2001. 2484−2494 [121] Budelmann D, Detampel H, Schmidt C, Meiners D. Interaction of process parameters and material properties with regard to prepreg tack in automated lay-up and draping processes. Composites Part A: Applied Science and Manufacturing, 2019, 117: 308−316 doi: 10.1016/j.compositesa.2018.12.001 [122] Ren S L, Lu H, Wang Y Z, Fu H Y. Development of PLC-based tension control system. Chinese Journal of Aeronautics, 2007, 20(3): 266−271 doi: 10.1016/S1000-9361(07)60043-0 [123] Izco L, Isturiz J, Motilva M. High Speed Tow Placement System for Complex Surfaces with Cut/Clamp/ & Restart Capabilities at 85 m/min (3350 IPM), SAE Technical Paper 2006-01-3138, Aerospace Manufacturing and Automated Fastening Conference and Exhibition, USA, 2006. [124] Denkena B, Schmidt C, Weber P. Automated fiber placement head for manufacturing of innovative aerospace stiffening structures. Procedia Manufacturing, 2016, 6: 96−104 doi: 10.1016/j.promfg.2016.11.013 [125] Singh Y, Singh J, Sharma S, Sharma A, Singh Chohan J. Process parameter optimization in laser cutting of coir fiber reinforced epoxy composite——A review. Materials Today: Proceedings, 2022, 48: 1021−1027 doi: 10.1016/j.matpr.2021.06.344 [126] Liu X L, Han Z Y, Zhao Z Y, Sun S Z. Thermal analysis of cylindrical molds using thermoplastic composite during robotic fiber placement. Journal of Physics: Conference Series, 2021, 1765: Article No. 012023 [127] 蒋威, 周悦, 杨飞, 黄志高, 陈诚, 周华民. 红外辅助自动纤维铺放工艺对连续玻璃纤维增强聚丙烯复合材料结构与性能影响. 复合材料学报, 2023, 40(4): 2015−2025Jiang Wei, Zhou Yue, Yang Fei, Huang Zhi-Gao, Chen Cheng, Zhou Hua-Min. Infrared-assisted automated fiber placement process on the structure and properties of continuous glass fiber reinforced polypropylene composites. Acta Materiae Compositae Sinica, 2023, 40(4): 2015−2025 [128] 杨宇. 门式六通道纤维铺放系统的研究与装备实现 [硕士学位论文], 武汉理工大学, 中国, 2019.Yang Yu. Research and Equipment Realization of Gantry Type Six-channel Fiber Laying System [Master thesis], Wuhan University of Technology, China, 2019. [129] Sabido A M. Development of an Automated Fiber Placement Process for the Fabrication of Thermoplastic Composite Laminates [Master thesis], University of South Carolina, USA, 2019. [130] Zhang W X, Liu F, Lv Y X, Ding X L. Modelling and layout design for an automated fibre placement mechanism. Mechanism and Machine Theory, 2020, 144: Article No. 103651 doi: 10.1016/j.mechmachtheory.2019.103651 [131] Hauber D E, Langone R J, Martin J P, Miller S F, Pasanen M J. Composite Tape Laying Apparatus and Method, U.S. Patent 7063118, June 2006 [132] Mischler P L, Tingley M C, Hoffmann K. Compaction Roller for A Fiber Placement Machine, U.S. Patent 7810539, October 2010 [133] 王磊. 纱架与铺丝头一体化纤维铺放系统研究 [硕士学位论文], 哈尔滨工业大学, 中国, 2015.Wang Lei. Research on Integration Technique of Creels and Fiber Placment Head for Automated Fiber Placement Machine [Master thesis], Harbin Institute of Technology, China, 2015. [134] Liu F, Zhang W X, Shang J F, Yi M H, Wang S R, Ding X L. A planar underactuated compaction mechanism with self-adaptability for automated fiber placement heads. Aerospace, 2022, 9(10): Article No. 586 doi: 10.3390/aerospace9100586 [135] Saboukhi A. Designing and Implementing a Small-size Automated Fiber Placement (AFP) Head Capable of Depositing Thermoset Layers on V-shape Structures [Master thesis], Concordia University, Canada, 2023. [136] Li L N, Xu D, Wang X G, Tan M. A survey on path planning algorithms in robotic fibre placement. In: Proceedings of the 27th Chinese Control and Decision Conference (CCDC). Qingdao, China: IEEE, 2015. 4704−4709 [137] Rousseau G, Wehbe R, Halbritter J, Harik R. Automated fiber placement path planning: A state-of-the-art review. Computer-Aided Design & Applications, 2018, 16(2): 172−203 [138] Shinno N, Shigematsu T. Method for Controlling Tape Affixing Direction of Automatic Tape Affixing Apparatus, U.S. Patent 5041179, August 1991 [139] 尹书云. 自由型面自动铺丝线型规划约束研究 [硕士学位论文], 武汉理工大学, 中国, 2013.Yin Shu-Yun. Research on Constraint for Fibers Arrangement Pattern Planning in Auto Fiber Placement on Free-surface [Master thesis], Wuhan University of Technology, China, 2013. [140] Zhang J F, Xu D L, Wang Z H. Modeling approach for fiber placement routes on complex surface. Applied Mechanics and Materials, 2014, 686: 560−566 doi: 10.4028/www.scientific.net/AMM.686.560 [141] Xiao H, Han W, Tang W B, Duan Y G. An efficient and adaptable path planning algorithm for automated fiber placement based on meshing and multi guidelines. Materials, 2020, 13(18): Article No. 4209 doi: 10.3390/ma13184209 [142] Hély C, Birglen L, Xie W F. Feasibility study of robotic fibre placement on intersecting multi-axial revolution surfaces. Robotics and Computer-Integrated Manufacturing, 2017, 48: 73−79 doi: 10.1016/j.rcim.2017.02.005 [143] Qu W W, Gao J X, Yang D, He R M, Yang Q, Cheng L, et al. Automated fiber placement path generation method based on prospective analysis of path performance under multiple constraints. Composite Structures, 2021, 255: Article No. 112940 doi: 10.1016/j.compstruct.2020.112940 [144] 张鹏, 尹来容, 周振华, 黄龙. 基于近似测地线的分层次自动铺带轨迹规划方法. 机械工程学报, 2020, 56(23): 226−238 doi: 10.3901/JME.2020.23.226Zhang Peng, Yin Lai-Rong, Zhou Zhen-Hua, Huang Long. A multi-level trajectory planning method based on quasi-geodesic for automated tape placement. Journal of Mechanical Engineering, 2020, 56(23): 226−238 doi: 10.3901/JME.2020.23.226 [145] Punera D, Mukherjee P. Recent developments in manufacturing, mechanics, and design optimization of variable stiffness composites. Journal of Reinforced Plastics and Composites, 2022, 41(23−24): 917−945 doi: 10.1177/07316844221082999 [146] Parnas L, Oral S, Ceyhan Ü. Optimum design of composite structures with curved fiber courses. Composites Science and Technology, 2003, 63(7): 1071−1082 doi: 10.1016/S0266-3538(02)00312-3 [147] IJsselmuiden S T, Abdalla M M, Gurdal Z. Optimization of variable-stiffness panels for maximum buckling load using lamination parameters. AIAA Journal, 2010, 48(1): 134−143 doi: 10.2514/1.42490 [148] Blom A W, Tatting B F, Hol J M A M, Gürdal Z. Fiber path definitions for elastically tailored conical shells. Composites Part B: Engineering, 2009, 40(1): 77−84 doi: 10.1016/j.compositesb.2008.03.011 [149] 李玥华, 富宏亚, 韩振宇, 韩德东. 两类非可展曲面零件自动纤维铺放变角度轨迹规划算法. 计算机辅助设计与图形学学报, 2013, 25(10): 1523−1529Li Yue-Hua, Fu Hong-Ya, Han Zhen-Yu, Han De-Dong. Variable-angle trajectory planning algorithm for automated fiber placement of two non-developable surfaces. Journal of Computer-Aided Design & Computer Graphics, 2013, 25(10): 1523−1529 [150] 李玥华. 热塑性预浸丝变角度铺放及其轨迹规划的研究 [博士学位论文], 哈尔滨工业大学, 中国, 2013.Li Yue-Hua. Research on Thermoplastic Towpreg Variable Angle Placement and Trajectory Planning [Ph.D. dissertation], Harbin Institute of Technology, China, 2013. [151] Shirinzadeh B, Cassidy G, Oetomo D, Alici G, Ang Jr M H. Trajectory generation for open-contoured structures in robotic fibre placement. Robotics and Computer-Integrated Manufacturing, 2007, 23(4): 380−394 doi: 10.1016/j.rcim.2006.04.006 [152] Schueler K, Miller J, Hale R. Approximate geometric methods in application to the modeling of fiber placed composite structures. Journal of Computing and Information Science in Engineering, 2004, 4(3): 251−256 doi: 10.1115/1.1736685 [153] Zhu Y J, Yao K Z. Optimization path planning algorithm based on STL file reconstruction for automated fiber placement. In: Proceedings of the Chinese Intelligent Systems Conference. Singapore: Springer, 2019. 379−387 [154] Li L, Wang X G, Xu D, Tan M. A placement path planning algorithm based on meshed triangles for carbon fiber reinforce composite component with revolved shape. International Journal on Control Systems and Applications, 2014, 1(1): 23−32 [155] 王小平, 周宇, 刘付国. 三角网格面自动铺丝定角度路径规划算法. 南京航空航天大学学报, 2020, 52(3): 378−387Wang Xiao-Ping, Zhou Yu, Liu Fu-Guo. Fixed-angle method for automatic fiber placement on triangular mesh surface. Journal of Nanjing University of Aeronautics & Astronautics, 2020, 52(3): 378−387 [156] Bruyneel M, Zein S. A modified fast marching method for defining fiber placement trajectories over meshes. Computers & Structures, 2013, 125: 45−52 [157] 刘志强, 顾献安, 郭昊, 奚浩, 王明强, 李军利. 碳纤维螺旋桨自动铺放成形轨迹规划方法. 中国机械工程, 2020, 31(17): 2079−2084 doi: 10.3969/j.issn.1004-132X.2020.17.010Liu Zhi-Qiang, Gu Xian-An, Guo Hao, Xi Hao, Wang Ming-Qiang, Li Jun-Li. A trajectory planning method for automatic placement of carbon n fiber screw propellers. China Mechanical Engineering, 2020, 31(17): 2079−2084 doi: 10.3969/j.issn.1004-132X.2020.17.010 [158] 赵安安, 何大亮, 王晗, 郭俊刚, 柯映林. 复杂曲面上的自动铺放路径规划方法. 北京航空航天大学学报, 2022, 48(4): 595−601Zhao An-An, He Da-Liang, Wang Han, Guo Jun-Gang, Ke Ying-Lin. Automatic paving path planning method on complex surfaces. Journal of Beijing University of Aeronautics and Astronautics, 2022, 48(4): 595−601 [159] Yan L, Chen Z C, Shi Y Y, Mo R. An accurate approach to roller path generation for robotic fibre placement of free-form surface composites. Robotics and Computer-Integrated Manufacturing, 2014, 30(3): 277−286 doi: 10.1016/j.rcim.2013.10.007 [160] Wang P Y, Li Y, Wang X F, Xiao J. Research on fiber placement trajectory design algorithm for the free-form surface with given ply orientation information. Polymers and Polymer Composites, 2011, 19(2−3): 203−208 doi: 10.1177/0967391111019002-323 [161] Qu W W, He R M, Wang Q, Cheng L, Yang D, Gao J X, et al. Algorithms for constructing initial and offset path of automated fiber placement for complex double-curved surfaces. Applied Composite Materials, 2021, 28(3): 855−875 doi: 10.1007/s10443-021-09901-2 [162] Lu J R, Xu H J, Jiang Z H, Li K M, Hu J. Design of a composite truncated elliptical rotary shell based on variable-angle trajectories. Composite Structures, 2022, 294: Article No. 115772 doi: 10.1016/j.compstruct.2022.115772 [163] Scheirer N, Holland S D, Krishnamurthy A. Fiber layup generation on curved composite structures. Computer-Aided Design, 2021, 136: Article No. 103031 doi: 10.1016/j.cad.2021.103031 [164] Xu K, Hao X Z, Lin J M. Automated fibre placement path generation for complex surfaces via digital image deconvolution algorithm. Composites Part A: Applied Science and Manufacturing, 2022, 163: Article No. 107246 doi: 10.1016/j.compositesa.2022.107246 [165] Wang K, Wang X P, Gan J Q, Jiang S K. A general method of trajectory generation based on point-cloud structures in automatic fibre placement. Composite Structures, 2023, 314: Article No. 116976 doi: 10.1016/j.compstruct.2023.116976 [166] 张洋, 钟翔屿, 包建文. 先进树脂基复合材料自动丝束铺放技术研究现状及发展方向. 航空制造技术, 2013, 56(23): 131−136 doi: 10.3969/j.issn.1671-833X.2013.23.026Zhang Yang, Zhong Xiang-Yu, Bao Jian-Wen. Research status and future trend of automated fiber placement technology for advanced polymer matrix composites. Aeronautical Manufacturing Technology, 2013, 56(23): 131−136 doi: 10.3969/j.issn.1671-833X.2013.23.026 [167] Oromiehie E, Prusty B G, Compston P, Rajan G. The influence of consolidation force on the performance of AFP manufactured laminates. In: Proceedings of the 21st International Conference on Composite Materials. Xi'an, China: Chinese Society for Composite Materials, 2017. 1−11 [168] 徐志明. 复合材料自动铺放技术的研究进展及其工艺特点分析. 电气自动化, 2018, 40(1): 88−91Xu Zhi-Ming. Research progress of automatic placement of composite materials and analysis of its technological characters. Electrical Automation, 2018, 40(1): 88−91 [169] Khan M A, Mitschang P, Schledjewski R. Parametric study on processing parameters and resulting part quality through thermoplastic tape placement process. Journal of Composite Materials, 2013, 47(4): 485−499 doi: 10.1177/0021998312441810 [170] 刘林, 文立伟, 李勇, 肖军. 基于PMAC随动控制模式下自动铺带切割的研究. 宇航材料工艺, 2007, 37(5): 46−49 doi: 10.3969/j.issn.1007-2330.2007.05.012Liu Lin, Wen Li-Wei, Li Yong, Xiao Jun. Research on tape-cutting for automated tape laying based on tracking control mode of PMAC. Aerospace Materials & Technology, 2007, 37(5): 46−49 doi: 10.3969/j.issn.1007-2330.2007.05.012 [171] Gao J C, Pashkevich A, Caro S. Optimization of the robot and positioner motion in a redundant fiber placement workcell. Mechanism and Machine Theory, 2017, 114: 170−189 doi: 10.1016/j.mechmachtheory.2017.04.009 [172] FarzanehKaloorazi M, Bonev I A, Birglen L. Simultaneous path placement and trajectory planning optimization for a redundant coordinated robotic workcell. Mechanism and Machine Theory, 2018, 130: 346−362 doi: 10.1016/j.mechmachtheory.2018.08.022 [173] Zhang X M, Xie W F, Hoa S V. Semi-offline trajectory synchronized algorithm of the cooperative automated fiber placement system. Robotics and Computer-Integrated Manufacturing, 2018, 51: 53−62 doi: 10.1016/j.rcim.2017.11.015 [174] Hassan M, Liu D K, Xu D L. A two-stage approach to collaborative fiber placement through coordination of multiple autonomous industrial robots. Journal of Intelligent & Robotic Systems, 2019, 95: 915−933 [175] He K, Nie H P, Yan C. The intelligent composite panels manufacturing technology based on tape-laying automatic system. Procedia CIRP, 2016, 56: 610−613 doi: 10.1016/j.procir.2016.10.120 [176] Yao Y X. Adaptive Position/Force Control and Calibration of Robotic Manipulators as Applied to Automated Composite Tape-laying [Ph.D. dissertation], The University of Wisconsin-Madison, USA, 1988. [177] Jiang J X, He Y X, Wang H, Ke Y L. Modeling and experimental validation of compaction pressure distribution for automated fiber placement. Composite Structures, 2021, 256: Article No. 113101 doi: 10.1016/j.compstruct.2020.113101 [178] Shirinzadeh B, Hui Tan B, Tronche D. Planning and simulation for robotic fibre placement. In: Proceedings of the 30th International Symposium on Robotics. Tokyo, Japan: International Federation of Robotics, 1999. 161−168 [179] 朱珮旗, 樊红日, 钱波. 复合材料自动铺丝软件技术研究与应用综述. 软件工程与应用, 2022, 11(6): 1521−1533 doi: 10.12677/SEA.2022.116157Zhu Pei-Qi, Fan Hong-Ri, Qian Bo. Review of research and application about composite automated fibre placement software technology. Software Engineering and Applications, 2022, 11(6): 1521−1533 doi: 10.12677/SEA.2022.116157 [180] Shirinzadeh B, Alici G, Foong C W, Cassidy G. Fabrication process of open surfaces by robotic fibre placement. Robotics and Computer-Integrated Manufacturing, 2004, 20(1): 17−28 doi: 10.1016/S0736-5845(03)00050-4 [181] Shirinzadeh B, Wei Foong C, Hui Tan B. Robotic fibre placement process planning and control. Assembly Automation, 2000, 20(4): 313−320 doi: 10.1108/01445150010353242 [182] Druiff P P, Ma K, Visrolia A, Arruda M, Palardy-Sim M, Bolduc S, et al. A smart interface for machine learning based data-driven automated fibre placement. In: Proceedings of the Composites and Advanced Materials Expo. Dallas, USA: 2021. [183] Wanigasekara C, Oromiehie E, Swain A, Prusty B G, Nguang S K. Machine learning-based inverse predictive model for AFP based thermoplastic composites. Journal of Industrial Information Integration, 2021, 22: Article No. 100197 doi: 10.1016/j.jii.2020.100197 [184] Zimmerling C, Poppe C, Stein O, Kärger L. Optimisation of manufacturing process parameters for variable component geometries using reinforcement learning. Materials & Design, 2022, 214: Article No. 110423 [185] Croft K, Lessard L, Pasini D, Hojjati M, Chen J H, Yousefpour A. Experimental study of the effect of automated fiber placement induced defects on performance of composite laminates. Composites Part A: Applied Science and Manufacturing, 2011, 42(5): 484−491 doi: 10.1016/j.compositesa.2011.01.007 [186] Halbritter A, Harper R. Big parts demand big changes to the fiber placement status quo. In: Proceedings of the SME Composites Manufacturing. Mesa, USA: 2012. [187] Juarez P D, Gregory E D. In situ thermal inspection of automated fiber placement for manufacturing induced defects. Composites Part B: Engineering, 2021, 220 : Article No. 109002 [188] Harik R, Saidy C, Williams S J, Gurdal Z, Grimsley B. Automated fiber placement defect identity cards: Cause, anticipation, existence, significance, and progression. In: Proceedings of the SAMPE 2018 Technical Conference and Exhibition. Long Beach, USA: SAMPE, 2018. [189] Shadmehri F, Ioachim O, Pahud O, Brunel J E, Landry A, Hoa S V, et al. Laser-vision inspection system for automated fiber placement (AFP) process. In: Proceedings of the 20th International Conference on Composite Materials. Copenhagen, Denmark: Aalborg University, 2015. [190] Rudberg T, Cemenska J. Incorporation of laser projectors in machine cell controller reduces ply boundary inspection time, on-part course identification and part probing. SAE International Journal of Aerospace, 2012, 5(1): 74−78 doi: 10.4271/2012-01-1886 [191] Rudberg T, Nielson J, Henscheid M, Cemenska J. Improving AFP cell performance. SAE International Journal of Aerospace, 2014, 7(2): 317−321 doi: 10.4271/2014-01-2272 [192] Juarez P D, Cramer K E, Seebo J P. Advances in in situ inspection of automated fiber placement systems. In: Proceedings of the SPIE 9861, Thermosense: Thermal Infrared Applications XXXVIII. Baltimore, USA: SPIE, 2016. Article No. 986109 [193] Denkena B, Schmidt C, Völtzer K, Hocke T. Thermographic online monitoring system for automated fiber placement processes. Composites Part B: Engineering, 2016, 97: 239−243 doi: 10.1016/j.compositesb.2016.04.076 [194] Yadav N, Oswald-Tranta B, Gürocak M, Galic A, Adam R, Schledjewski R. In-line and off-line NDT defect monitoring for thermoplastic automated tape layup. NDT & E International, 2023, 137: Article No. 102839 [195] Chen H Z, Zhang Z J, Yin W L, Wang Q, Li Y F, Zhao C Y. Surface defect characterization and depth identification of CFRP material by laser line scanning. NDT & E International, 2022, 130: Article No. 102657 [196] Cemenska J, Rudberg T, Henscheid M. Automated in-process inspection system for AFP machines. SAE International Journal of Aerospace, 2015, 8(2): 303−309 doi: 10.4271/2015-01-2608 [197] 马少博. 复合材料自动铺放过程表层缺陷检测与识别方法研究 [硕士学位论文], 南京航空航天大学, 中国, 2020.Ma Shao-Bo. Surface Defect Inspection Technology of Automated Fiber Placement Manufacturing Process [Master thesis], Nanjing University of Aeronautics and Astronautics, China, 2020. [198] Tang Y P, Wang Q, Wang H, Li J X, Ke Y L. A novel 3D laser scanning defect detection and measurement approach for automated fibre placement. Measurement Science and Technology, 2021, 32(7): Article No. 075201 [199] Tang Y P, Wang Q, Cheng L, Li J X, Ke Y L. An in-process inspection method integrating deep learning and classical algorithm for automated fiber placement. Composite Structures, 2022, 300: Article No. 116051 doi: 10.1016/j.compstruct.2022.116051 [200] Nguyen D H, Sun X C, Tretiak I, Valverde M A, Kratz J. Automatic process control of an automated fibre placement machine. Composites Part A: Applied Science and Manufacturing, 2023, 168: Article No. 107465 doi: 10.1016/j.compositesa.2023.107465 [201] Tao Y C, Jia S H, Duan Y G, Zhang X H. An online detection method for composite fibre tow placement accuracy. Proceedings of the Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, 2016, 230(9): 1614−1621 doi: 10.1177/0954405416640189 [202] Chen M J, Jiang M, Liu X L, Wu B L. Intelligent inspection system based on infrared vision for automated fiber placement. In: Proceedings of the IEEE International Conference on Mechatronics and Automation (ICMA). Changchun, China: IEEE, 2018. 918−923 [203] 蔡志强. 基于图像处理的纤维铺放缺陷检测研究 [硕士学位论文], 南京航空航天大学, 中国, 2017.Cai Zhi-Qiang. Research on Defect Detection Based on Image Processing for AFP [Master thesis], Nanjing University of Aeronautics and Astronautics, China, 2017. [204] Sacco C, Radwan A B, Harik R, Van Tooren M. Automated fiber placement defects: Automated inspection and characterization. In: Proceedings of the SAMPE 2018 Technical Conference and Exhibition. Long Beach, USA: SAMPE, 2018. [205] Sacco C. Machine Learning Methods for Rapid Inspection of Automated Fiber Placement Manufactured Composite Structures [Master thesis], University of South Carolina, USA, 2019. [206] Zambal S, Heindl C, Eitzinger C, Scharinger J. End-to-end defect detection in automated fiber placement based on Artificially generated data. In: Proceedings of the SPIE 11172, Fourteenth International Conference on Quality Control by Artificial Vision. Mulhouse, France: SPIE, 2019. 371−378 [207] Meister S, Möller N, Stüve J, Groves R M. Synthetic image data augmentation for fibre layup inspection processes: Techniques to enhance the data set. Journal of Intelligent Manufacturing, 2021, 32(6): 1767−1789 doi: 10.1007/s10845-021-01738-7 [208] Manyar O M, Cheng J Y, Levine R, Krishnan V, Barbič J, Gupta S K. Physics informed synthetic image generation for deep learning-based detection of wrinkles and folds. Journal of Computing and Information Science in Engineering, 2023, 23(3): Article No. 030903 [209] Szarski M, Chauhan S. An unsupervised defect detection model for a dry carbon fiber textile. Journal of Intelligent Manufacturing, 2022, 33(7): 2075−2092 doi: 10.1007/s10845-022-01964-7 [210] Schmidt C, Hocke T, Denkena B. Artificial intelligence for non-destructive testing of CFRP prepreg materials. Production Engineering, 2019, 13(5): 617−626 doi: 10.1007/s11740-019-00913-3 [211] Zhang Y D, Wang W, Liu Q, Guo Z H, Ji Y C. Research on defect detection in automated fiber placement processes based on a multi-scale detector. Electronics, 2022, 11(22): Article No. 3757 doi: 10.3390/electronics11223757 [212] 柯岩, 傅云, 周玮珠, 朱伟东. 基于Transformer的复合材料多源图像实例分割网络. 红外与激光工程, 2023, 52(2): Article No. 20220338Ke Yan, Fu Yun, Zhou Wei-Zhu, Zhu Wei-Dong. Transformer-based multi-source images instance segmentation network for composite materials. Infrared and Laser Engineering, 2023, 52(2): Article No. 20220338 [213] Rath J E, Graupner R, Schüppstuhl T. Processing strategies for dieless forming of fiber-reinforced plastic composites. Machines, 2023, 11(3): Article No. 365 doi: 10.3390/machines11030365 [214] Priyadharshini M, Balaji D, Bhuvaneswari V, Rajeshkumar L, Sanjay M R, Siengchin S. Fiber reinforced composite manufacturing with the aid of artificial intelligence——A state-of-the-art review. Archives of Computational Methods in Engineering, 2022, 29(7): 5511−5524 doi: 10.1007/s11831-022-09775-y [215] Yadav N, Schledjewski R. Review of in-process defect monitoring for automated tape laying. Composites Part A: Applied Science and Manufacturing, 2023, 173: Article No. 107654 doi: 10.1016/j.compositesa.2023.107654 [216] Cong Y, Tian D Y, Feng Y, Fan B J, Yu H B. Speedup 3-D texture-less object recognition against self-occlusion for intelligent manufacturing. IEEE Transactions on Cybernetics, 2019, 49(11): 3887−3897 doi: 10.1109/TCYB.2018.2851666 [217] Manyar O M, Kanyuck A, Deshkulkarni B, Gupta S K. Visual servo based trajectory planning for fast and accurate sheet pick and place operations. In: Proceedings of the ASME 17th International Manufacturing Science and Engineering Conference. West Lafayette, USA: ASME, 2022. Article No. V001T04A019 [218] Döbrich O, Brauner C. Machine vision system for digital twin modeling of composite structures. Frontiers in Materials, 2023, 10: Article No. 1154655 doi: 10.3389/fmats.2023.1154655 [219] Glück R, Korber M. Automated control and simulation of dynamic robot teams in the domain of CFK production. arXiv: 2210.11213, 2022. [220] Manyar O M, McNulty Z, Nikolaidis S, Gupta S K. Inverse reinforcement learning framework for transferring task sequencing policies from humans to robots in manufacturing applications. In: Proceedings of the IEEE International Conference on Robotics and Automation (ICRA). London, UK: IEEE, 2023. 849−856 [221] Si W Y, Wang N, Li Q C, Yang C G. A framework for composite layup skill learning and generalizing through teleoperation. Frontiers in Neurorobotics, 2022, 16: Article No. 840240 doi: 10.3389/fnbot.2022.840240 期刊类型引用(0)
其他类型引用(2)
-
下载:
计量
- 文章访问数: 789
- HTML全文浏览量: 693
- PDF下载量: 375
- 被引次数: 2
