CN101403677B - 一种树脂在纤维布内浸渍程度的在线快速检测方法 - Google Patents

Abstract

一种树脂在纤维布内浸渍程度的在线快速检测方法，它涉及一种树脂在纤维布内浸渍程度的检测方法。本发明解决了预浸料加工过程中树脂在纤维布内浸渍程度的检测费时费力以及无法进行现场快速检测的问题。它的方法是：一，分别选择浸渍程度为浸渍不足、最佳浸渍和过浸渍的多个预浸料样品；二，计算每个预浸料样品的浸渍程度；三，使用近红外漫反射光谱仪采集每个预浸料样品的同一区域，获得每个预浸料样品的多个光谱信息；四，建立预浸料样品数据库；五，建立校正样品集；六，建立树脂对纤维布的定量分析模型并对模型优化，获得最佳校正模型；七，利用最佳校正模型预测树脂在纤维布内的浸渍程度。本发明适用于不同增强纤维和树脂基体浸渍程度的检测。

Description

一种树脂在纤维布内浸渍程度的在线快速检测方法

技术领域

本发明涉及一种树脂在纤维布内浸渍程度的检测方法。

背景技术

预浸料又称模塑料，是用树脂在严格控制的条件下浸渍连续纤维，制成树脂基体与增强体的组合物，是制造复合材料的中间材料。复合材料的性能在很大程度上取决于预浸料的性能。因此，预浸料的研究对复合材料的应用和发展具有重要意义。

预浸料加工过程中树脂在纤维布内的浸渍程度是预浸料的一个重要评价指标。如果浸渍的不均匀，导致后续制备成品过程中，产品中树脂分布不均匀，无法满足生产的需要；因此预浸料加工过程中树脂在纤维布内的浸渍程度的检测非常重要。目前对于浸渍程度检测费时费力，无法进行现场快速检测。

发明内容

本发明的目的是为了解决预浸料加工过程中树脂在纤维布内浸渍程度的检测费时费力以及无法进行现场快速检测的问题，从而提供一种树脂在纤维布内浸渍程度的在线快速检测方法。

一种树脂在纤维布内浸渍程度的在线快速检测方法，它的检测方法由以下步骤完成：一，分别选择树脂在纤维布内的浸渍程度为浸渍不足、最佳浸渍和过浸渍的多个预浸料样品；二，使用扫描电子显微镜观察每个预浸料样品中树脂在纤维布内的浸渍深度，根据所述树脂在纤维布内的浸渍深度获得每个预浸料样品中树脂在纤维布内的浸渍程度；三，使用近红外漫反射光谱仪多次采集步骤二中每个预浸料样品的同一区域，获得每个预浸料样品的多个光谱信息，并对得到的多个光谱信息进行优选；四，建立预浸料样品数据库，所述预浸料样品数据库包括每个预浸料样品的浸渍程度及其对应的光谱信息；五，在所述样品数据库中挑选具有代表性的预浸料样品，建立校正样品集；六，建立树脂对纤维布的定量分析模型，将步骤五中获得的校正样品集采用交叉验证的方法逐步优化树脂对纤维布的定量分析模型，直到获得最佳校正模型；七，使用近红外漫反射光谱仪采集待测样品的光谱信息，利用所述最佳校正模型预测待测样品中树脂在纤维布内的浸渍程度。

本发明具有以下有益效果：一，本发明通过近红外光谱仪对待测预浸料进行扫描，并且使用最佳校正模型判断其扫描结果，检测预浸料中树脂在纤维布内的浸渍程度，无需接触待测预浸料，不会破坏预浸料结构，可以保证预浸料的产品质量；二，本方法可以在30秒之内获得检测结果，可以应用在生产线上对预浸料的质量进行检测，能够实现实时检测，方便指导生产，并能对胶液浓度和刮胶辊间距随时进行调节。本发明适用于不同增强纤维和树脂基体形成的预浸料浸渍程度的检测和控制，对于大量预浸料产品的检测省时、省力，节约成本。

附图说明

图1～图3是树脂在纤维布内的浸渍程度为浸渍不足的示意图，图4为树脂在纤维布内的浸渍程度为最佳浸渍的示意图，图5为树脂在纤维布内的浸渍程度为过浸渍的示意图，图6是本发明的具体实施方式十的树脂在纤维布内浸渍程度的预测值和实际值的关系图。

具体实施方式

具体实施方式一：一种树脂在纤维布内浸渍程度的在线快速检测方法，它的检测方法由以下步骤完成：一，分别选择树脂在纤维布内的浸渍程度为浸渍不足、最佳浸渍和过浸渍的多个预浸料样品；二，使用扫描电子显微镜观察每个预浸料样品中树脂在纤维布内的浸渍深度，根据所述树脂在纤维布内的浸渍深度获得每个预浸料样品中树脂在纤维布内的浸渍程度；三，使用近红外漫反射光谱仪多次采集步骤二中每个预浸料样品的同一区域，获得每个预浸料样品的多个光谱信息，并对得到的多个光谱信息进行优选；四，建立预浸料样品数据库，所述预浸料样品数据库包括每个预浸料样品的浸渍程度及其对应的光谱信息；五，在所述样品数据库中挑选具有代表性的预浸料样品，建立校正样品集；六，建立树脂对纤维布的定量分析模型，将步骤五中获得的校正样品集采用交叉验证的方法逐步优化树脂对纤维布的定量分析模型，直到获得最佳校正模型；七，使用近红外漫反射光谱仪采集待测样品的光谱信息，利用所述最佳校正模型预测待测样品中树脂在纤维布内的浸渍程度。

最佳校正模型评价指标的确定：模型的评价以模型的相关性好坏程度来确定，模型的相关性好坏程度一般用相关系数R或决定系数R²来判断。相关系数R表示模型预测值和标准方法测定的真实值之间的相关程度。相关系数可正可负，以符号来表示正相关或负相关。当R＝1时，

和y呈正线性相关关系，此时所有的观测点全部落在斜率为1的直线上。实验中根据R取值与1的接近程度来判断预测值和真实值的相关程度，以此评价模型的拟合质量。

相关系数通过下式计算：

$R=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(y_i-\stackrel{\‾}{y})({\hat{y}}_i-\stackrel{\‾}{\hat{y}})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\hat{y}}_i-\stackrel{\‾}{\hat{y}})}^2}}$

式中n——校正集样品的数量；

y_i——第i个样品的真实值；

y——真实值的平均值；

——第i个近红外模型对样品的预测值；

——预测值的平均值

近红外模型是指近红外光谱结合化学计量学这种方法建立的模型。样品的预测值是利用近红外方法建立的模型，预测要检测的样品得出的数值.

R²为决定系数，表示校正样品集中样品预测值与理论值的相关程度，R²越接近100％，预测结果越好。因为R²＝100％，

和y呈正线性关系，并且所有的观测点全部落在斜率为1的直线上，

决定系数通过下式计算：

$R^2=\{1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}\}\×100\%$

校正均方差RMSEC是交叉验证中的一个重要参数，用于衡量校正集样品预测结果的准确性。校正均方差RMSEC越小，模型对校正集样品的预测结果越接近理论值。

校正均方差RMSEC通过下式计算：

$\mathrm{RMSEC}=\sqrt{\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{({\hat{y}}_i-y)}^2}{n-1}}$

建立最佳校正模型的过程

校正集样品的选择：建立校正模型的样品浓度或性质范围应涵盖以后要分析样品的范围，同时所选择的校正集样品的光谱特征也要涵盖以后未知样品的光谱特征，以保证校正模型的适用性和测试结果的准确性。因此，必须从大量样品中挑选有代表性样品。

校正集中的光谱预处理：为了减弱以至于消除各种非目标因素对光谱的影响，使光谱数据充分反映变化信息，保证光谱数据和含量值之间很好的相关性，提高校正模型的质量和未知样品预测结果的准确性。因此，对采集到的原始光谱进行预处理。

确定谱区的范围及谱区范围对模型质量的影响：在建立模型之前对建立模型的光谱信息进行选择，对减少噪音信号的影响、提高运算速率和模型的稳定性是有益的。因为当采用全谱区计算时，不仅计算量大，而且在某些光谱区域，样品的光谱信息很弱，或与样品的组成、性质间缺乏相关关系，引入这样波长的光谱信息会造成模型的精度降低甚至错误，所以在光谱分析中，需对波长点进行选择，删除一些对建模无用的干扰波长。

确定主成分数：确定主成分数也是确定因子数，是建立模型质量的关键。选择主成分太少会出现拟合不足的结果，模型不能解释全部特性，主成分不足会导致光谱数据重复性不好，因此模型将不能识别光谱特性的变化。另一方面用太多的主成分会导致过拟合且只增加光谱噪声，并不能增加有用的信息，降低模型质量。因此，合理确定主成分数可以充分利用光谱信息和滤除噪音。

建立最佳校正模型：应用交叉验证方法，对定量分析模型逐步优化，直至获得最佳的校正模型。

具体实施方式二：本具体实施方式与具体实施方式一的区别在于步骤二中根据所述树脂在纤维布内的浸渍深度获得树脂在纤维布内的浸渍程度的方法为：由公式：

I％＝(h₁-h)×h^-1×100％

获得树脂在纤维布内浸渍程度I％，式中h表示最佳浸渍的浸渍深度，h₁表示预浸料样品的实际浸渍深度。

如果I％>0，则表示预浸料浸渍胶液的量多，上下表面有多余的胶液，此时预浸料的浸渍程度为过浸渍；如果I％＝0，则表示树脂完全浸渍到纤维中，并且上下表面没有多余的胶液，此时预浸料的浸渍程度为最佳浸渍；如果I％<0，则表示纤维布浸渍的胶液的量少，浸渍的不均匀，树脂没有完全浸渍到纤维中，此时预浸料的浸渍程度为浸渍不足。

具体实施方式三：本具体实施方式与具体实施方式一的区别在于，步骤五中所述挑选具有代表性的样品的依据是：样品光谱的积累和样品光谱的性质。

具体实施方式四：本具体实施方式与具体实施方式一的区别在于，步骤五中所述挑选具有代表性的样品的依据是：样品光谱组成数据的分布。

具体实施方式五：本具体实施方式与具体实施方式一的区别在于，步骤五中所述挑选具有代表性的样品的依据是：样品的近红外光谱特征。

具体实施方式六：本具体实施方式与具体实施方式一的区别在于，步骤六中所述建立树脂对纤维布的定量分析模型的方法是化学计量学方法。

具体实施方式七：本具体实施方式与具体实施方式一的区别在于，在步骤六所述优化树脂对纤维布的定量分析模型的过程中，对校正样品集中的每个预浸料样品光谱进行预处理。

具体实施方式八：本具体实施方式与具体实施方式七的区别在于，所述预处理的方法选自一阶导数法、二阶导数法、直线差减法、一阶导数和多元散射校正的线性组合、一阶导数和矢量归一化的线性组合或一阶导数和最大最小归一化的线性组合的一种。

具体实施方式九：本具体实施方式与具体实施方式一的区别在于，在步骤六所述优化树脂对纤维布的定量分析模型的过程中，根据定量分析模型的评价指标确定谱区的范围和主成份数。

具体实施方式十：本实施方式与具体实施方式一～九的区别在于，在步骤三中使用分辨率为16的近红外漫反射光谱仪对每个预浸料样品的同一区域进行8次采集，并对获得到的8个光谱信息进行优选；在步骤五中挑选预浸料样品数据库中的具有代表性的样品，建立校正样品集；采用二阶导数对校正样品集进行光谱预处理；模型的评价参数R²＝0.78，RMSEC＝1.23，线形相关系数R＝0.883。确定光谱范围为：700nm—2500nm；通过主成分因子法挑选有代表性标准样品212个。在步骤六中，利用偏最小二乘法建立树脂对纤维布的定量分析模型，应用交叉验证方法，对模型逐步优化，直至获得最佳的校正模型，通过扫描电子显微镜观察的方法得到的实际值对该定量分析模型进行检验。本实施方式建立模型的结果如图6所示(横坐标是用扫描电子显微镜观察方法获得的实际值，纵坐标是近红外方法得到的预测值)。使用最佳校正模型判断待测树脂在纤维布内的浸渍程度。如果分析产品的结果为浸渍不足，则增大胶液浓度和/或增大刮胶辊间距；如果分析产品的结果为过浸渍，则减小胶液浓度和/或减小刮胶辊间距。

Claims (8)

1.一种树脂在纤布内浸渍程度的在线快速检测方法，其特征是它的检测方法由以下步骤完成：一，分别选择树脂在纤维布内的浸渍程度为浸渍不足、最佳浸渍和过浸渍的多个预浸料样品；二，使用扫描电子显微镜观察每个预浸料样品中树脂在纤维布内的浸渍深度，根据所述树脂在纤维布内的浸渍深度获得每个预浸料样品中树脂在纤维布内的浸渍程度；三，使用近红外漫反射光谱仪多次采集步骤二中每个预浸料样品的同一区域，获得每个预浸料样品的多个光谱信息，并对得到的多个光谱信息进行优选；四，建立预浸料样品数据库，所述预浸料样品数据库包括每个预浸料样品的浸渍程度及其对应的光谱信息；五，在所述样品数据库中挑选具有代表性的预浸料样品，建立校正样品集；六，建立树脂对纤维布的定量分析模型，将步骤五中获得的校正样品集采用交叉验证的方法逐步优化树脂对纤维布的定量分析模型，直到获得最佳校正模型；七，使用近红外漫反射光谱仪采集待测样品的光谱信息，利用所述最佳校正模型预测待测样品中树脂在纤维布内的浸渍程度。

2.根据权利要求1所述的一种树脂在纤维布内浸渍程度的在线快速检测方法，其特征在于步骤二中根据所述树脂在纤维布内的浸渍深度获得树脂内纤维布内的浸渍程度的方法为：由公式：

I％＝(h₁-h)×h^-1×100％

获得树脂在纤维布内浸渍程度I％，式中h表示最佳浸渍的浸渍深度，h₁表示树脂在纤维布内的实际浸渍深度。

3.根据权利要求1所述的一种树脂在纤维布内浸渍程度的在线快速检测方法，其特征在于步骤五中所述挑选具有代表性的样品的依据是：样品光谱的积累和样品光谱的性质。

4.根据权利要求1所述的一种树脂在纤维布内浸渍程度的在线快速检测方法，其特征在于步骤五中所述挑选具有代表性的样品的依据是：样品光谱组成数据的分布。

5.根据权利要求1所述的一种树脂在纤维布内浸渍程度的在线快速检测方法，其特征在于步骤五中所述挑选具有代表性的样品的依据是：样品的近红外光谱特征。

6.根据权利要求1所述的一种树脂在纤维布内浸渍程度的在线快速检测 方法，其特征在于步骤六中所述建立树脂对纤维布的定量分析模型的方法是化学计量学方法。

7.根据权利要求1所述的一种树脂在纤维布内浸渍程度的在线快速检测方法，其特征在于在步骤六优化树脂对纤维布的定量分析模型的过程中，对校正样品集中的每个预浸料样品光谱进行预处理。

8.根据权利要求7所述的一种树脂在纤维布内浸渍程度的在线快速检测方法，其特征在于所述预处理的方法选自一阶导数法、二阶导数法、直线差减法、一阶导数和多元散射校正的线性组合、一阶导数和矢量归一化的线性组合或一阶导数和最大最小归一化的线性组合的一种。 

Images