本发明涉及复合材料构件性能预测，具体涉及一种编织针刺复合材料构件性能预测方法。
背景技术：
1、预制体作为先进复合材料的增强体，其性能直接决定构件的力学性能。三维结构预制体复合材料相较二维层合复合材料具有更加优异的层间力学性能，应用越来越广泛。现有三维预制体成形技术主要包括三维机织、三维编织、三维缝合、柔性导向三维织造、三维针刺等。
2、其中三维针刺技术可通过在织物层间引入z向纤维实现多层织物层间互联，与其它三维结构预制体成形技术相比，其成形效率及成本方面具有显著优势，受到了极大关注。为进一步提升三维针刺技术自动化水平，单忠德等人发明了一种编织针刺一体化预制体成形方法及预制体成形装置，记载于zl202211120616.3号中国专利中，该方法将编织与针刺技术进行了有机结合，通过往复编织、网胎自动铺放解决了传统针刺过程织物铺放依赖人工的问题。
3、但是，现有技术中的预制体构件的三维编织与针刺技术虽然提供了相关硬件设施与工艺的技术方案，如何在构件编织之前可以先通过计算机算法模拟并预测预制体构件的力学性能以对相关编织、针刺工艺提供调整依据，仍未有有效的实现方案。
技术实现思路
1、本发明针对现有技术中的不足，提出了一种编织针刺复合材料构件性能预测方法，以实现面向编织针刺织造过程的复合材料构件性能在线预测，助力编织针刺预制体数字化、智能化成形。
2、为实现上述技术目的，本发明采用如下技术方案：
3、一种编织针刺复合材料构件性能预测方法，包括以下步骤：
4、(1)获取多组工艺参数下编织针刺预制体构件力学性能数据集；
5、(2)构筑内置拉丁超立方采样与机器学习混合预测模型的编织针刺织造工艺宏；
6、(3)采集编织、针刺织造工艺参数，并计算编织针刺预制体结构参数；
7、(4)将结构参数导入工艺宏文件，预测构件最终力学性能。
8、进一步的，步骤(1)中复合材料构件力学性能预设的试验因素包括：编织针刺预制体的编织角a、织造过程中针刺机器人针刺密度d以及针刺深度dp，每个试验因素设计的水平数l＞3，每组编织针刺工艺参数下试验样品平行样数量p≥5。
9、进一步的，步骤(2)中拉丁超立方采样区间通过每组工艺参数试样的标准差确定，采样区间计算过程如下：
10、
11、
12、
13、
14、样本点邻近区域的采样值表示为：
15、
16、
17、
18、式中和为实验样本基于平行样得到的标准差，表示第i组样本的第j个平行样，n为平行样数量，(a,d,dp)为采样区域，为样本点采样区域内的采样值，fk为均匀分布累积概率分布函数，n为采样规模。
19、进一步的，步骤(2)中机器学习模型为误差反向传播神经网络，网络构建所需的训练、验证以及测试数据集由所述步骤(1)的原始数据以及所述步骤(2)中拉丁超立方采样所得数据组成。
20、进一步的，反向神经网络包括输入层、隐藏层以及输出层，其中输入层参数包括编织针刺预制体的编织角a、织造过程中针刺机器人针刺密度d以及针刺深度dp，对应3个输入节点，输出层输出编织针刺复合材料构件力学性能。
21、进一步的，所述神经网络以编织针刺复材构件的力学性能作为输出节点，输出节点有q个；隐藏层数选1，且采用levenberg-marquardt算法作为梯度下降算法，传递函数采用单极性sigmoid函数和线性函数，隐藏层节点数依赖经验公式确定其取值：
22、
23、式中，q为隐藏节点数，p为输入节点数，q为输出节点数，q0为取值为[1,10]的常数；本工作选取的隐层节点数为10个。
24、进一步的，所述步骤(3)中传感器需要采集的编织针刺织造参数具体包括编织机角轮旋转角速度w、编织机牵引机构牵引速度v、针刺机器人针刺密度d以及针刺深度dp，编织针刺织物的编织角a通过以下公式计算得到：
25、
26、式中d为芯模直径，n是编织机所搭载的纱锭数量。
27、进一步的，所述步骤(2)工艺宏中拉丁超立方采样与机器学习的混合预测模型通过离线试验数据提前训练好，步骤(3)和步骤(4)在编织针刺实际织造过程中完成。
28、本发明还提供一种装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述所述方法的步骤。
29、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
1.一种编织针刺复合材料构件性能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的编织针刺复合材料构件性能预测方法，其特征在于，步骤(1)中复合材料构件力学性能预设的试验因素包括：编织针刺预制体的编织角a、织造过程中针刺机器人针刺密度d以及针刺深度dp，每个试验因素设计的水平数l＞3，每组编织针刺工艺参数下试验样品平行样数量p≥5。
3.根据权利要求1所述的编织针刺复合材料构件性能预测方法，其特征在于，步骤(2)中拉丁超立方采样区间通过每组工艺参数试样的标准差确定，采样区间计算过程如下：
4.根据权利要求3所述的编织针刺复合材料构件性能预测方法，其特征在于，步骤(2)中机器学习模型为误差反向传播神经网络，网络构建所需的训练、验证以及测试数据集由所述步骤(1)的原始数据以及所述步骤(2)中拉丁超立方采样所得数据组成。
5.根据权利要求4所述的编织针刺复合材料构件性能预测方法，其特征在于，反向神经网络包括输入层、隐藏层以及输出层，其中输入层参数包括编织针刺预制体的编织角a、织造过程中针刺机器人针刺密度d以及针刺深度dp，对应3个输入节点，输出层输出编织针刺复合材料构件力学性能。
6.根据权利要求4所述的编织针刺复合材料构件性能预测方法，其特征在于，所述神经网络以编织针刺复材构件的力学性能作为输出节点，输出节点有q个；隐藏层数选1，且采用levenberg-marquardt算法作为梯度下降算法，传递函数采用单极性sigmoid函数和线性函数，隐藏层节点数依赖经验公式确定其取值：
7.根据权利要求1的编织针刺复合材料构件性能预测方法，其特征在于，所述步骤(3)中传感器需要采集的编织针刺织造参数具体包括编织机角轮旋转角速度w、编织机牵引机构牵引速度v、针刺机器人针刺密度d以及针刺深度dp，编织针刺织物的编织角a通过以下公式计算得到：
8.根据权利要求1的编织针刺复合材料构件性能预测方法，其特征在于，所述步骤(2)工艺宏中拉丁超立方采样与机器学习的混合预测模型通过离线试验数据提前训练好，步骤(3)和步骤(4)在编织针刺实际织造过程中完成。
9.一种装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
