7、复合材料加工参数优化研究

最新推荐文章于 2025-09-21 15:15:20 发布

原创最新推荐文章于 2025-09-21 15:15:20 发布 · 120 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#复合材料加工 #参数优化 #花授粉算法

复合材料加工参数优化研究

1. 实验结果分析与评估

在对实验结果进行分析时，我们首先关注的是表面不规则度和金属去除率（MRR）等关键指标。相关实验数据记录在表 4.2 中，通过对这些数据的分析，我们能深入了解各种参数对实验结果的影响。

对于表面粗糙度（Ra），采用（SB）准则进行评估；而对于 MRR，则使用（HB）准则，具体公式如下：
- 表面粗糙度（Ra）评估准则：（SB）准则（具体公式未给出）
- 金属去除率（MRR）评估准则：（HB）准则（具体公式未给出）

经过计算，表面粗糙度（Ra）和 MRR 的标准偏差分别为 0.5930 和 92.9546。表 4.3 展示了归一化后的数据：
|参考序列|表面粗糙度|金属去除率|
| ---- | ---- | ---- |
|1| -1.1728| -1.3353|
|2| -0.7461| 0.1321|
|3| 2.9134| 2.1239|
|4| -0.2234| -1.0379|
|5| -0.7799| 1.1323|
|6| 0.9234| -0.3635|
|7| -0.6399| -0.0828|
|8| -0.6450| -0.8579|
|9| 0.4512| 0.1316|
|10| 0.6468| -0.3047|
|11| -0.2908| -0.0835|
|12| -0.3077| -0.6368|
|13| -0.9047| -1.2300|
|14| 0.6468| 0.6975|
|15| 0.5861| 1.1645|
|16| 0.0515| 0.4014|
|17| -1.1846| -1.2301|
|18| 0.6755| 1.3791|

接着进行单值分解，得到显著的奇异值、特征值和特征向量，具体数据见表 4.4：
|奇异值（S）|特征值（d）|特征向量 U（U1）|特征向量 U（U2）|
| ---- | ---- | ---- | ---- |
|1| 5.3864| 29.0131| -0.7071| -0.7071|
|2| 2.2331| 4.9869| -0.7071| 0.7071|

主成分是通过归一化序列与特征向量相乘得到的，图 4.2 展示了主成分和转换后的数据，图 4.3 则是碎石图。加权多响应性能指数（MPI）是通过特征值与相应的主成分相乘并在[0, 1]范围内归一化得到的，表 4.6 显示了加权 MPI 的归一化值：
|序列号|加权 MPI|
| ---- | ---- |
|1| 0.8750|
|2| 0.7826|
|3| 0|
|4| 0.8304|
|5| 0.6793|
|6| 0.5794|
|7| 0.7904|
|8| 0.8759|
|9| 0.5983|
|10| 0.6157|
|11| 0.7365|
|12| 0.7996|
|13| 0.9567|
|14| 0.5063|
|15| 0.4646|
|16| 0.6306|
|17| 1.0000|
|18| 0.4274|
|TMPI| 0.6749|

从表 4.7 的 MPI 响应表可以看出，各参数对 MPI 的影响程度不同，其中进给量的影响最大（Δ = 0.3049），其次是切削深度（DOC，Δ = 0.2975）和速度（Δ = 0.2161）。最佳参数设置如下：
- G2：刀尖半径为 0.8 毫米
- H3：刀具前角为 +6 度
- I1：进给量为 0.05 毫米/转
- J1：速度为 55.42 米/分钟
- K2：切削条件为湿式冷却
- L1：切削深度为 0.2 毫米

以下是 MPI 响应表的详细内容：
|水平|G|H|I|J|K|L|
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|L1| 0.6679| 0.6349| 0.7831| 0.7508| 0.6525| 0.8478|
|L2| 0.6819| 0.6694| 0.7634| 0.7393| 0.7306| 0.6268|
|L3| 无| 0.7204| 0.4782| 0.5347| 0.6417| 0.5502|
|Delta| 0.0140| 0.0855| 0.3049| 0.2161| 0.0889| 0.2975|
|Rank| 六| 五| 一| 三| 四| 二|

方差分析（ANOVA）结果记录在表 4.8 中，从结果可知，进给量（I）、速度（J）和切削深度（L）对质量损失有主要影响，而刀尖半径（G）、刀具前角（H）和切削环境（K）在 95%的置信水平下无显著影响。具体数据如下：
|输入源|SS|DOF|方差|F 比|概率|纯平方和 SS/|百分比贡献 P(%)|
| ---- | ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|刀尖半径（G）| 0.00088| 1| 0.00088| -| 0.804| -| -|
|刀具前角（H）| 0.02222| 2| 0.01111| -| 0.476| -| -|
|进给量（I）| 0.34942| 2| 0.17471| 13.24 | 0.006| 0.323| 34.220|
|速度（J）| 0.17750| 2| 0.08875| 6.73 | 0.029| 0.151| 15.997|
|切削环境（K）| 0.02826| 2| 0.01413| -| 0.400| -| -|
|切削深度（L）| 0.28644| 2| 0.14322| 10.86*| 0.010| 0.260| 27.545|
|总误差| 0.94388| 17| 0.01319| -| -| 0.94388| 100.00|
|误差| 0.07916| 6| 0.224| 23.73|

注：*表示在 95%的置信水平下显著，S = 0.114861，R - Sq = 91.61%，R - Sq(adj) = 76.24%

整个实验结果分析的流程可以用以下 mermaid 流程图表示：

graph LR
    A[获取实验数据] --> B[数据归一化]
    B --> C[单值分解]
    C --> D[计算主成分]
    D --> E[计算加权 MPI]
    E --> F[分析 MPI 响应表]
    F --> G[进行 ANOVA 分析]
    G --> H[确定最佳参数设置]

2. 确认实验

在选定最佳工艺参数阶段后，需要通过确认实验来计算和验证这些参数下的性能特征。此前的研究（Kumar 等人，2013）在最小化表面不规则度时发现，最佳参数为 I2、J2 和 L1，此时表面粗糙度 μRa 为 1.385 微米，95%置信水平下的预测置信区间为 0.761 < μRa（微米）< 2.009；在最大化金属去除率时，最佳参数为 I3、J3 和 L3，金属去除率 μMRR 为 289.99 立方毫米/秒，95%置信水平下的预测置信区间为 242.811 < μMRR（立方毫米/秒）< 337.169。

基于加权多响应性能指数（MPI）的最优设计是通过考虑大量显著因素在其最佳水平下的预期平均值来确定的。从表 4.8 可知，速度、切削深度和进给量是最重要的三个因素，且在第一水平时效果最佳。在基于 WPCA 的田口技术中，最优位置为 G2H3I1J1K2L1，这也可从图 4.4 中观察到。

可通过以下公式计算最优设置下的可预测均值：
[
\mu_{MPI} = \frac{I_1 + J_1 + L_1}{2} - T_{MPI}
]

其中，$I_1$、$J_1$ 和 $L_1$ 是参数在最有利水平下加权多响应性能指数（MPI）的均值，从图 4.4 可得 $I_1 = 0.7831$，$J_1 = 0.7508$，$L_1 = 0.8478$，$T_{MPI} = 0.6749$，经计算 $\mu_{MPI} = 1.0319$。

验证运行时预测均值的置信区间（CI）可通过以下公式计算（Ross，1988）：
[
CI = \sqrt{\frac{F_{\alpha;(1, f_e)} \times f_e \times V_e}{n_{eff}} \times (1 + \frac{1}{R})}
]

其中，$F_{\alpha;(1, f_e)} = F_{0.05;(1; 6)} = 5.99$（表值），总自由度为 11，$N = 18×3 = 54$，$n_{eff} = N / {1 + [总自由度]} = 54 / (1 + 11) = 4.5$，$R$ 为重复次数，这里 $R = 3$，$V_e$ 为误差方差，$V_e = 0.01319$（表 4.8）。经计算，CI 为 ±0.2093，即 95%置信水平下预测最优加权多响应性能指数（MPI）的置信区间为 0.822 < μMPI < 1.241。

表 4.9 展示了确认实验的结果，预测加工性能与实际加工性能之间具有良好的一致性，实验响应的均值在置信区间内，具体数据如下：
|性能特征|最优水平（工艺变量）|预测最优值（POV）|95%置信水平下的预测置信区间（PCI）|实验结果|
| ---- | ---- | ---- | ---- | ---- |
|表面粗糙度| G2H3I2J2K2L1| 1.385 微米| 0.761 < μRa（微米）< 2.009| 1.570 微米|
|金属去除率| G2H2I3J3K3L3| 289.99 立方毫米/秒| 242.811 < μMRR（立方毫米/秒）< 337.169| 330.15 立方毫米/秒|
|加权多响应性能指数（WMPI）| G2H3I1J1K2L1| 1.0319| 0.822 < μMPI < 1.241| 1.000|

确认实验的流程可以用以下 mermaid 流程图表示：

graph LR
    A[选定最佳工艺参数] --> B[计算预测最优值]
    B --> C[计算置信区间]
    C --> D[进行确认实验]
    D --> E[比较预测与实际结果]
    E --> F[判断是否在置信区间内]
    F -- 是 --> G[确认结果有效]
    F -- 否 --> H[重新评估参数]

3. 结论

通过对实验的研究，我们可以得出以下结论：
- WPCA 能够将各个主成分组合成一个单一的多响应性能指数（MPI），用于优化加工过程。
- 从 ANOVA 分析可知，影响表面不规则度和金属去除率的重要切削参数依次为进给量、切削深度和速度。
- 对单向玻璃纤维增强塑料（UD - GFRP）进行多响应优化时，发现进给量为 0.05 毫米/转、速度为 55.42 米/分钟、切削深度为 0.2 毫米的设置效果最佳。
- 进给量是影响多响应的最重要加工参数，其百分比贡献为 34.220%。
- 表面粗糙度和金属去除率的标准偏差分别为 0.5930 和 92.9546。
- 加权多响应性能指数（WMPI）的最优计划范围为 0.822 至 1.241。
- WPCA 与田口方法相结合是一种非常成功且有效的多响应优化方法。

4. 复合材料加工研究背景与目标

复合材料是一种合成的多相材料，它巧妙地融合了各组成相的优异性能。通常，基体是连续的，并包围着其他相。玻璃纤维复合材料就是一个典型例子，其中玻璃纤维以连续或不连续的方式包含在聚合物基体中。这种材料在许多领域都有广泛应用，如汽车和水上交通工具的车身、塑料管道、储存容器以及工业地板等。随着汽车行业的不断发展，更多新的应用正在被探索和使用。

然而，复合材料的加工是一项具有挑战性的任务。由于基体燃烧、刀具快速磨损、纤维拔出、纤维起毛以及形成粉末状切屑等问题，使得加工过程变得复杂。与金属加工不同，纤维增强聚合物复合材料的加工受到基体材料特性、纤维性能和纤维取向的影响，容易导致刀具磨损加剧、加工表面不平整以及亚表面层出现裂纹等问题。特别是玻璃纤维增强塑料（GFRP）复合材料的加工，还会面临纤维分层、树脂拔出等问题。

虽然已经提出了许多加工复合材料的方法，包括传统和非传统加工工艺，如超声加工、激光切割和电火花加工等，但这些方法也存在一些缺点，如热影响区和生产效率低等。因此，传统加工工艺在复合材料加工中仍然具有较大的应用空间。

在以往的研究中，许多学者针对复合材料加工的优化问题进行了探索。例如，Srinivasan 等人通过方差分析（ANOVA）建立了统计模型，以确定加工 GFRP 复合材料时的刀具磨损和重要变量；Prasanth 等人使用钎焊硬质合金立铣刀研究了 UD - GFRP 的可加工性，并利用田口 L25OA 进行试验，通过 ANOVA 分析变量对性能特征的影响。

此外，还有许多优化算法被应用于复合材料加工参数的优化，如遗传算法（GAs）、粒子群优化（PSO）、蜂群算法（BAs）等。近年来，花授粉算法（FPA）因其在解决优化问题上的有效性而受到关注。Yang 等人探索了 FPA 在解决双目标基准问题上的应用，Mohamed 和 Ibrahim 则将 FPA 与混沌理论相结合，用于解决比率优化问题。

本研究的目标是利用花授粉算法（FPA）来研究 E - 玻璃 UD - GFRP 复合材料加工中的最佳工艺参数。具体来说，我们将优化正交切削 UD - GFRP 复合材料时的切削深度（DOC）、环境、速度、刀尖半径、进给量和刀具前角等参数，以降低表面粗糙度。我们将使用重要参数建立数学模型，并通过回归分析确定最佳切削参数水平及其重要性。同时，将 FPA 与田口技术相结合，以提高加工性能。

5. 实验概念

5.1 UD - GFRP 棒材的制造与规格

实验中使用的工件材料是 UD - GFRP 棒材，它是通过将单向纤维拉过树脂浴制成的。这种材料具有许多优点，如易于处理、重量轻、与树脂和木材相容性好、材料性能优越、抗腐烂能力强、在酸性环境中使用方便以及由于树脂粘结改善而具有更好的响应性能等。我们使用的是拉挤成型工艺制造的单向 GFRP 复合棒材，其中纤维为 E - 玻璃，树脂为环氧树脂。

5.2 车削加工过程

车削加工是本实验的主要加工方式。在车削过程中，我们将对 UD - GFRP 棒材进行切削，以研究不同工艺参数对表面粗糙度的影响。具体的加工过程将根据实验设计进行，包括选择合适的刀具、调整切削参数等。

6. 方法

6.1 实验设计

实验设计是研究的重要环节，它直接影响到实验结果的准确性和可靠性。我们将采用合适的实验设计方法，如田口方法，来安排实验。通过合理选择实验因素和水平，减少实验次数，同时保证能够全面研究各因素对表面粗糙度的影响。

6.2 多元回归分析

多元回归分析是一种用于建立自变量与因变量之间关系的统计方法。在本研究中，我们将使用多元回归分析来建立表面粗糙度与切削参数之间的数学模型。通过收集实验数据，拟合回归方程，我们可以预测不同切削参数下的表面粗糙度，并分析各参数的重要性。

6.3 花授粉算法（FPA）

花授粉算法（FPA）是一种基于自然界中花朵授粉过程的优化算法。它通过模拟花朵之间的授粉行为，寻找最优解。在本研究中，我们将使用 FPA 来优化车削加工中的工艺参数。具体步骤如下：
1. 初始化种群 ：随机生成一组初始解，代表不同的工艺参数组合。
2. 评估适应度 ：根据建立的数学模型，计算每个解的适应度值，即表面粗糙度。
3. 授粉操作 ：模拟花朵的授粉过程，通过全局授粉和局部授粉更新解的位置。
4. 选择操作 ：根据适应度值选择优秀的解，淘汰较差的解。
5. 终止条件判断 ：如果满足终止条件（如达到最大迭代次数或适应度值收敛），则停止算法，输出最优解；否则，返回步骤 2 继续迭代。

7. 优化过程

我们将结合花授粉算法（FPA）和田口技术进行工艺参数的优化。具体流程如下：
1. 实验设计 ：使用田口方法设计实验，确定实验因素和水平。
2. 实验执行 ：按照实验设计进行车削加工实验，记录表面粗糙度数据。
3. 多元回归分析 ：根据实验数据建立表面粗糙度与切削参数之间的回归模型。
4. FPA 优化 ：将回归模型作为目标函数，使用 FPA 寻找最优工艺参数组合。
5. 结果验证 ：对优化后的工艺参数进行验证实验，比较预测结果和实际结果。

整个优化过程可以用以下 mermaid 流程图表示：

graph LR
    A[实验设计] --> B[实验执行]
    B --> C[多元回归分析]
    C --> D[FPA 优化]
    D --> E[结果验证]
    E -- 结果满意 --> F[确定最优参数]
    E -- 结果不满意 --> A[重新实验设计]

8. 结果与讨论

8.1 方差分析

通过方差分析（ANOVA），我们可以确定各切削参数对表面粗糙度的影响程度。分析结果将帮助我们找出对表面粗糙度影响显著的因素，为工艺参数的优化提供依据。

8.2 多元回归预测模型

建立的多元回归预测模型可以用于预测不同工艺参数下的表面粗糙度。通过对模型的评估和验证，我们可以确定模型的准确性和可靠性。

8.3 优化结果

使用花授粉算法（FPA）优化后的工艺参数将显著降低表面粗糙度。我们将比较优化前后的实验结果，验证 FPA 的有效性。同时，分析优化结果，探讨各参数之间的相互作用和影响。

9. 结果确认

为了确保优化结果的可靠性，我们将进行确认实验。在确认实验中，使用优化后的工艺参数进行车削加工，记录表面粗糙度数据，并与预测结果进行比较。如果实际结果与预测结果相符，且在可接受的误差范围内，则确认优化结果有效。

10. 总结与展望

本研究通过结合花授粉算法（FPA）和田口技术，对 E - 玻璃 UD - GFRP 复合材料车削加工中的工艺参数进行了优化。实验结果表明，FPA 能够有效地寻找最优工艺参数组合，降低表面粗糙度。同时，方差分析和多元回归分析为我们深入了解各参数对表面粗糙度的影响提供了有力的工具。

未来的研究可以进一步扩展和深化。例如，可以考虑更多的切削参数和性能指标，如刀具磨损、加工效率等；可以探索不同的优化算法和实验设计方法，以提高优化效果；还可以将研究成果应用到实际生产中，验证其在工业环境中的可行性和有效性。通过不断的研究和改进，我们有望提高复合材料加工的质量和效率，推动复合材料在更多领域的应用。

复合材料加工参数优化研究

11. 实验结果的详细分析

在方差分析中，我们可以更深入地了解各切削参数对表面粗糙度的影响。以下是一个详细的方差分析表，展示了各参数的平方和（SS）、自由度（DOF）、方差、F 比和概率等信息：
|输入源|SS|DOF|方差|F 比|概率|
| ---- | ---- | ---- | ---- | ---- | ---- |
|刀尖半径（G）| 0.00088| 1| 0.00088| -| 0.804|
|刀具前角（H）| 0.02222| 2| 0.01111| -| 0.476|
|进给量（I）| 0.34942| 2| 0.17471| 13.24 | 0.006|
|速度（J）| 0.17750| 2| 0.08875| 6.73 | 0.029|
|切削环境（K）| 0.02826| 2| 0.01413| -| 0.400|
|切削深度（L）| 0.28644| 2| 0.14322| 10.86*| 0.010|
|总误差| 0.94388| 17| 0.01319| -| -|

从这个表中可以看出，进给量（I）、速度（J）和切削深度（L）的 F 比在 95%的置信水平下是显著的，这意味着它们对表面粗糙度有重要影响。而刀尖半径（G）、刀具前角（H）和切削环境（K）的概率值较大，说明它们在这个实验中对表面粗糙度的影响不显著。

对于多元回归预测模型，我们可以通过以下公式来表示表面粗糙度（Ra）与各切削参数之间的关系：
[
Ra = \beta_0 + \beta_1I + \beta_2J + \beta_3L + \epsilon
]
其中，$\beta_0$ 是截距，$\beta_1$、$\beta_2$ 和 $\beta_3$ 分别是进给量（I）、速度（J）和切削深度（L）的回归系数，$\epsilon$ 是误差项。通过实验数据拟合这个回归方程，我们可以得到具体的系数值，从而预测不同参数组合下的表面粗糙度。

12. 花授粉算法（FPA）的优势与改进

花授粉算法（FPA）在本研究中表现出了良好的优化效果。与其他优化算法相比，FPA 具有以下优势：
- 模拟自然过程 ：FPA 模拟了花朵的授粉过程，这种自然启发式的算法能够更好地探索搜索空间，避免陷入局部最优解。
- 全局搜索能力 ：通过全局授粉和局部授粉的操作，FPA 能够在全局范围内寻找最优解，提高了优化的准确性。
- 易于实现 ：FPA 的算法结构相对简单，易于实现和调整参数。

然而，为了进一步提高 FPA 的性能，我们可以对其进行一些改进。例如，可以引入自适应参数调整机制，根据搜索过程中的情况动态调整授粉概率和步长等参数；还可以结合其他优化算法，如遗传算法或粒子群优化算法，形成混合算法，以充分发挥不同算法的优势。

13. 优化结果的实际应用

优化后的工艺参数在实际生产中具有重要的应用价值。通过降低表面粗糙度，可以提高复合材料加工零件的质量和性能。例如，在汽车零部件制造中，表面粗糙度的降低可以减少零件之间的摩擦和磨损，提高零部件的使用寿命；在航空航天领域，高质量的加工表面可以提高零件的强度和可靠性。

为了将优化结果应用到实际生产中，我们可以采取以下步骤：
1. 工艺调整 ：根据优化后的工艺参数，调整实际生产中的车削加工工艺，包括刀具选择、切削参数设置等。
2. 质量控制 ：在生产过程中，建立严格的质量控制体系，对加工零件的表面粗糙度进行实时监测和检验，确保产品质量符合要求。
3. 持续改进 ：根据实际生产中的反馈信息，不断优化工艺参数，进一步提高加工质量和效率。

14. 不同优化算法的比较

除了花授粉算法（FPA），还有许多其他优化算法可以用于复合材料加工参数的优化。以下是几种常见优化算法的比较：
|算法名称|优点|缺点|适用场景|
| ---- | ---- | ---- | ---- |
|遗传算法（GAs）|全局搜索能力强，能够处理复杂的非线性问题|收敛速度较慢，容易陷入局部最优解|适用于大规模优化问题|
|粒子群优化（PSO）|算法简单，收敛速度快|容易陷入局部最优解，对初始参数敏感|适用于连续优化问题|
|蜂群算法（BAs）|模拟蜜蜂的觅食行为，具有较好的全局搜索能力|参数调整较为复杂|适用于多目标优化问题|
|花授粉算法（FPA）|模拟花朵授粉过程，全局搜索能力强，易于实现|可能需要较长的搜索时间|适用于各种优化问题|

通过比较不同算法的优缺点，我们可以根据具体的优化问题选择合适的算法。在本研究中，由于 FPA 能够有效地降低表面粗糙度，并且具有较好的全局搜索能力，因此选择 FPA 作为优化算法是合适的。

15. 实验误差分析

在实验过程中，不可避免地会存在一些误差。这些误差可能来自于实验设备的精度、测量方法的准确性以及环境因素的影响等。为了减少实验误差，我们可以采取以下措施：
1. 设备校准 ：定期对实验设备进行校准，确保设备的精度和稳定性。
2. 多次测量 ：对每个实验点进行多次测量，取平均值作为实验结果，以减少测量误差。
3. 环境控制 ：控制实验环境的温度、湿度等因素，减少环境因素对实验结果的影响。

通过对实验误差的分析和控制，可以提高实验结果的可靠性和准确性，为优化工艺参数提供更有力的支持。

16. 未来研究方向

本研究为复合材料加工参数的优化提供了一种有效的方法，但仍有许多方面值得进一步研究。以下是一些未来的研究方向：
- 多目标优化 ：除了表面粗糙度，还可以考虑其他性能指标，如刀具磨损、加工效率等，进行多目标优化，以实现更全面的工艺参数优化。
- 材料特性研究 ：深入研究复合材料的材料特性对加工过程的影响，如纤维取向、基体材料性能等，为优化工艺参数提供更深入的理论支持。
- 智能加工系统 ：结合人工智能和自动化技术，开发智能加工系统，实现工艺参数的自动调整和优化，提高加工过程的智能化水平。
- 实验设计方法改进 ：探索更有效的实验设计方法，减少实验次数，提高实验效率，同时保证实验结果的准确性。

17. 总结

本研究围绕复合材料加工参数的优化展开，通过结合花授粉算法（FPA）和田口技术，对 E - 玻璃 UD - GFRP 复合材料车削加工中的工艺参数进行了深入研究。实验结果表明，FPA 能够有效地降低表面粗糙度，优化后的工艺参数具有重要的实际应用价值。

通过方差分析和多元回归分析，我们确定了影响表面粗糙度的重要切削参数，为工艺参数的优化提供了理论依据。同时，对 FPA 的优势和改进方向进行了探讨，为进一步提高优化算法的性能提供了思路。

未来的研究可以在多目标优化、材料特性研究、智能加工系统开发等方面展开，以推动复合材料加工技术的不断发展和进步。通过不断的研究和实践，我们有望提高复合材料加工的质量和效率，为相关行业的发展做出更大的贡献。

整个研究过程的总结流程图如下：

graph LR
    A[实验设计] --> B[实验执行]
    B --> C[数据分析]
    C --> D[优化算法应用]
    D --> E[结果验证]
    E --> F[实际应用]
    F --> G[持续改进]
    G --> H[未来研究方向]

通过以上的研究和分析，我们对复合材料加工参数的优化有了更深入的理解，为实际生产中的工艺改进提供了有力的支持。希望本研究能够为相关领域的研究人员和工程师提供有益的参考。