СТРУКТУРНО-ФУНКЦИОНАЛЬНАЯ МОДЕЛЬ ЦИФРОВОГО ПРОЕКТИРОВАНИЯ АДАПТИВНОЙ ОДЕЖДЫ

АННОТАЦИЯ

В статье предложена структурно-функциональная модель цифрового проектирования адаптивной одежды, включающая интеграцию интеллектуальных компонентов и виртуальную верификацию изделий. Исследование основано на функциональной декомпозиции процесса проектирования на этапы A1–A5 с реализацией цифровой петли обратной связи. Применены методы функционального моделирования, CAD-проектирования, виртуального тестирования. Разработанная модель демонстрирует возможность самообучения платформы и повышения точности проектных решений. Представленный подход способствует повышению надёжности, персонализации и ресурсосбережению в производстве адаптивной одежды.

ABSTRACT

The article proposes a structural-functional model for digital design of adaptive garments, including the integration of smart components and virtual verification. The study is based on functional decomposition of the design process into A1–A5 stages with a digital feedback loop. Methods of functional modeling, CAD design, and virtual testing are applied. The developed model demonstrates the potential for self-learning and improved design accuracy. The approach contributes to improved reliability, personalization, and resource efficiency in the production of adaptive clothing.

Ключевые слова: адаптивная одежда, цифровая платформа, проектирование, сенсоры, виртуальное тестирование, параметризация, база знаний

Keywords: adaptive clothing, digital platform, design, sensors, virtual testing, parametrization, knowledge base

Введение

Современное производство одежды сталкивается с необходимостью оперативного реагирования на индивидуальные запросы потребителей [1,2], в том числе в контексте создания адаптивных изделий с интегрированными интеллектуальными компонентами [3-5]. Параметрическое проектирование и цифровые платформы создают предпосылки для внедрения самообучающихся систем [6,7], способных формировать и корректировать изделия в соответствии с реальными условиями эксплуатации [8,9].

Целью исследования является разработка структурно-функциональной модели параметрической системы проектирования адаптивной одежды, обеспечивающей интеграцию умных компонентов и возможность виртуальной верификации изделий с последующей корректировкой параметров.
Задачи исследования включают:

• формализацию этапов цифрового проектирования изделий на базе модели A0 → A1–A5;
• реализацию этапа A4 (встраивание компонентов) и A5 (виртуальная проверка);
• описание механизма цифрового самообучения проектной платформы.

Материалы и методы

Методологической основой исследования является структурно-функциональный подход, основанный на декомпозиции общей контекстной функции проектирования адаптивной одежды (A0) на пять подфункций (A1–A5), каждая из которых соответствует конкретному этапу жизненного цикла изделия. Визуализация архитектуры платформы и логики взаимодействия между подфункциями выполнена с применением методов функционального моделирования на основе нотации IDEF0 [10].

Результаты и обсуждение

На рисунке 1 представлена обобщённая структура параметрической системы проектирования адаптивной одежды, реализованная в виде последовательной декомпозиции контекстной функции A0 на подфункции A1–A5. Каждая из этих подфункций соответствует отдельному этапу разработки: от анализа требований (A1) до формирования финального параметрического решения, готового к производству (A5). Логика взаимодействия между этапами организована по каскадному принципу с встроенными механизмами итерации: реализованы обратные связи, обеспечивающие возврат к предшествующим стадиям при выявлении несоответствий, отклонений от требований или необходимости доработки конструкции и технологии. Так, например, при нарушении условий теплового комфорта, зафиксированного в ходе верификации (A5), может быть инициирован возврат к этапу A3 (для изменения лекал) или A4 (для пересмотра размещения компонентов и сборки).

Правая часть диаграммы иллюстрирует выходы каждой подфункции в виде цифровых объектов, накапливаемых в единой цифровой инфраструктуре, включающей как базу данных параметров, так и базу знаний, содержащую правила, зависимости и проверенные решения. Особое значение имеет цифровая петля обучения (knowledge-based loop), замыкающая цикл: информация, полученная при верификации (A5), автоматически уточняет требования этапа A1, обеспечивая самообучение системы [11-13]. Таким образом, представленная структура формирует замкнутую цифровую платформу, поддерживающую повторное использование, адаптацию и интеллектуальное сопровождение процессов проектирования адаптивной одежды [14-16].

Рисунок 1. Структура параметрической системы проектирования адаптивной одежды с формированием цифровой базы данных и базы знаний

На рисунке 2 представлена визуализация этапа A4, в рамках которого осуществляется интеграция умных компонентов в конструктивную модель изделия и технологическая проработка его сборки. Этот этап направлен на переход от параметрически сформированной конструкции к изделию, готовому к реальному изготовлению с встраиваемыми электронными модулями. Входными данными служат цифровые лекала и спецификация материалов, полученные на предыдущем этапе (A3), а также информация о зонировании функциональных элементов, сформированная на стадии эскизирования (A2).

В ходе подэтапа A4.1 анализируются ключевые зоны изделия, наиболее подходящие для размещения сенсоров, микросхем, актуаторов и других компонентов с учётом эргономики, точности съёма показаний и удобства обслуживания. Далее на подэтапе A4.2 осуществляется проектирование размещения сенсоров и соединений — прокладываются маршруты гибких проводников, печатных токопроводящих дорожек, определяются места подключения и типы разъёмов. Особое внимание уделяется адаптивности решения: обеспечивается гибкость и растяжимость соединений, их влагозащита и совместимость с динамикой деформаций текстильных материалов.

На подэтапе A4.3 разрабатываются конструктивные элементы для крепления и защиты встроенной электроники — клапаны, карманы, 3D-печатные корпуса и туннели, герметизирующие оболочки. Выбираются оптимальные методы фиксации: съёмные или несъёмные, термоклеевые или швейные. Финальным этапом A4.4 становится выбор маршрута сборки и технологических операций: определяется последовательность процессов, тип используемого оборудования (швейные машины, термопрессы, ультразвуковые установки), параметры швов и требования к фурнитуре.

Результатом A4 является комплексное проектное решение, включающее цифровую модель изделия с размещёнными электронными компонентами и детализированное описание технологии изготовления, позволяющее перейти к этапу тестирования и опытной сборки.

Рисунок 2. Структурно-графическая модель этапа A4: размещение сенсоров и формирование маршрутной технологии сборки адаптивной одежды

На рисунке 3 представлена визуализация заключительного этапа A5, направленного на верификацию цифровой модели изделия и коррекцию параметров перед её внедрением в производство. Этап начинается с подготовки тестовой среды (A5.1), в которую загружается итоговая цифровая модель изделия, разработанная на этапе A4, а также технологическая информация о сборке и конструкции. В программной среде симуляции настраиваются модели движений тела, температурных режимов и взаимодействия текстильного материала с телом потребителя.

Затем проводится виртуальное испытание (A5.2), в рамках которого осуществляется моделирование поведения изделия в различных условиях эксплуатации: физическая активность, повседневная носка, экстремальные погодные условия. Анализируются напряжённо-деформированное состояние материалов, контакт встроенных сенсоров с телом, распределение температурных потоков и динамика прилегания. Результаты испытаний представлены в виде цветовых карт, графиков и числовых значений, отражающих зоны перегрузок, потери чувствительности или деформационные сбои.

На этапе A5.3 осуществляется сопоставление полученных характеристик с исходными требованиями, зафиксированными в техническом задании A1. При обнаружении отклонений от допустимых значений (например, нарушение посадки, ухудшение сигнала, перегрузка материалов) запускается процесс корректировки. Подэтап A5.4 реализует итеративный цикл доработки: параметры возвращаются в A2, A3 или A4 в зависимости от характера проблемы, после чего повторно проходит виртуальное тестирование.

Завершающим результатом этапа A5 становится утверждённое финальное параметрическое решение изделия, соответствующее всем исходным ограничениям и требованиям. В рамках цифровой платформы проект сохраняется с возможностью переноса накопленных коэффициентов, допусков и конструктивных решений в базу знаний, что повышает эффективность следующих проектных итераций и позволяет сформировать универсальный шаблон адаптивной одежды.

Рисунок 3. Структурно-графическая модель этапа A5: виртуальные испытания цифровой модели и формирование итогового параметрического решения адаптивной одежды

Заключение

Разработана и апробирована структурно-функциональная модель параметрического проектирования адаптивной одежды, реализующая полный цифровой цикл от формирования конструкции до верификации изделия в виртуальной среде. Особое внимание уделено этапам A4 и A5, где обеспечена интеграция сенсорных систем и цифровое тестирование конструкции.

Внедрение каскадной схемы с цифровой обратной связью и базой знаний обеспечивает самообучение платформы, позволяет ускорить итерации проектирования и повысить надёжность изделий [17]. Предложенный подход имеет высокий потенциал масштабирования на производство с учётом кастомизации и ресурсосбережения [18]. В дальнейшем планируется расширение базы знаний, автоматизация обратной связи и физическая апробация цифровых прототипов.

Список литературы:

1. McCann, J., Hurford, R., & Martin, A. (2005). A Design Process for the Development of Innovative Smart Clothing that Addresses End-User Needs from Technical, Functional, Aesthetic and Cultural View Points. Ninth IEEE International Symposium on Wearable Computers (ISWC’05), 70–77. https://doi.org/10.1109/iswc.2005.3
2. Тюрин И.Н., Гетманцева В.В., Андреева Е.Г., Ташпулатов С.Ш. Электронный текстиль: обзор основных направлений исследований // Известия высших учебных заведений. Технология текстильной промышленности. – 2024. – № 1 (409). – С. 5–12.
3. Yi, L., Aihua, M., Ruomei, W., Xiaonan, L., Zhong, W., Wenbang, H., Liya, Z., & Yubei, L. (2006). P-smart—a virtual system for clothing thermal functional design. Computer-Aided Design, 38(7), 726–739. https://doi.org/10.1016/j.cad.2006.03.003
4. Lin, A., Kao, C., & Park, H. (2024). Development and evaluation of a modular smart garment framework. International Journal of Clothing Science and Technology, 36(4), 708–721. https://doi.org/10.1108/ijcst-10-2023-0158
5. Scataglini, S., Danckaers, F., Huysmans, T., Sijbers, J., & Andreoni, G. (2019). Design smart clothing using digital human models. In DHM and Posturography (pp. 683–698). Elsevier. https://doi.org/10.1016/b978-0-12-816713-7.00053-2
6. Donmezer, S., Demircioglu, P., Bogrekci, I., Bas, G., & Durakbasa, M. N. (2023). Revolutionizing the Garment Industry 5.0: Embracing Closed-Loop Design, E-Libraries, and Digital Twins. Sustainability, 15(22), 15839. https://doi.org/10.3390/su152215839
7. Gozde Goncu-Berk. (2019). Smart Textiles and Clothing: An Opportunity or a Threat for Sustainability? Loughborough University. https://doi.org/10.17028/RD.LBORO.9724619.V1
8. Olaru, S., Filipescu, E., & Salistean, A. (2014). on Intelligent Manufacturing and Automation , 2013 Virtual Fitting – Innovative Technology for Customize Clothing Design.
9. Sharma, S., Koehl, L., Bruniaux, P., Zeng, X., & Wang, Z. (2021). Development of an Intelligent Data-Driven System to Recommend Personalized Fashion Design Solutions. Sensors, 21(12), 4239. https://doi.org/10.3390/s21124239
10. KULINSKA, M., BRUNIAUX, P., AINAMO, A., ZENG, X., & CHEN, Y. (2016). VIRTUAL MANNEQUINS AND GARMENT PARAMETRIZATION. Uncertainty Modelling in Knowledge Engineering and Decision Making, 984–989. https://doi.org/10.1142/9789813146976_0152
11. Park, S., & Jayaraman, S. (2003). Smart Textiles: Wearable Electronic Systems. MRS Bulletin, 28(8), 585–591. https://doi.org/10.1557/mrs2003.170
12. Fontana, M., Rizzi, C., & Cugini, U. (2005). 3D virtual apparel design for industrial applications. Computer-Aided Design, 37(6), 609–622. https://doi.org/10.1016/j.cad.2004.09.004
13. Muhammad Sayem, A. S., Hon Teay, S., Shahariar, H., Luise Fink, P., & Albarbar, A. (2020). Review on Smart Electro-Clothing Systems (SeCSs). Sensors, 20(3), 587. https://doi.org/10.3390/s20030587
14. Harms, H., Amft, O., & Troester, G. (2012). Does loose fitting matter? Predicting sensor performance in smart garments. Proceedings of the 7th International Conference on Body Area Networks. 7th International Conference on Body Area Networks. https://doi.org/10.4108/icst.bodynets.2012.249968
15. Scataglini, S., Danckaers, F., Haelterman, R., Huysmans, T., Sijbers, J., & Andreoni, G. (2018). Using 3D Statistical Shape Models for Designing Smart Clothing. In Advances in Intelligent Systems and Computing (pp. 18–27). Springer International Publishing. https://doi.org/10.1007/978-3-319-96077-7_3
16. Fernández-Caramés, T., & Fraga-Lamas, P. (2018). Towards The Internet of Smart Clothing: A Review on IoT Wearables and Garments for Creating Intelligent Connected E-Textiles. Electronics, 7(12), 405. https://doi.org/10.3390/electronics7120405
17. Тюрин И.Н., Елкина А.П., Ташпулатов С.Ш., Киселева М.В., Гетманцева В.В., Савченко Д.О. Моделирование конструктивных эффектов одежды с использованием термохромных текстильных материалов // Известия высших учебных заведений. Технология текстильной промышленности. – 2024. – № 6 (414). – С. 208–215.
18. Шашкова О.Д., Тюрин И.Н., Гусева М.А., Гетманцева В.В., Савченко Д.О., Ткач Д.Г. Исследование взаимодействия светоотражающего текстиля с искусственным светом для цифровой симуляции эффектов // Дизайн и технологии. – 2024. – № 103 (145). – С. 30–38.