论文部分内容阅读
表面粗糙度是评定零件表面质量的重要指标,直接影响到零件的使用性能、外观和寿命,尤其对于具有特殊功能(密封、相对移动等)的零件更是如此。因此,必须准确测量零件工作表面的表面粗糙度。但对于具有深孔微结构特征的零件表面,由于该类零件测量空间的限制,导致测量的可达性极差,从而常规的粗糙度测量方法难以实现其表面粗糙度的准确测量。因此,研究深孔内微异型面表面粗糙度准确测量的方法,可实现此类零件表面质量的检测与评定,为改进此类零件的表面质量提供检测基础和技术支持。本文以某阀门深孔内微异型面R型面为研究对象开展此类零件表面粗糙度测量方法的研究。综合分析比较现有各种表面粗糙度检测技术的优缺点及适用范围,结合R型面表面粗糙度测量的难点,提出一种基于显微视觉的深孔内微异型面粗糙度测量方法。文中首先详细介绍了阀门R型面显微图像的获取方法以及阀门样件R型面表面粗糙度值的获取方法。以纹理统计分析法中的灰度共生矩阵法对R型面的显微图像进行纹理分析,提取了与表面粗糙度值呈近似单调关系的6个灰度共生矩阵特征参数：角二阶矩、差熵、相关性、逆差距、方差和、最大概率。从而阀门样件显微图像的统计特征参数与样件相应位置的表面粗糙度值构成了表示二者之间关系模型的数据库。基于此数据库,以神经网络建模方法为基础建立了两种表面粗糙度估算模型：单一的BP神经网络模型和遗传算法与神经网络结合的GA-BP模型。以待测阀门对整个系统的精度进行综合测试,结果表明BP模型和GA-BP模型均取得了较高的估算精度,能够满足表面粗糙度测量的精度要求,而GA-BP模型具有更高的测量精度(95.25%)。最后,以Visual Basic和MATLAB软件为平台,设计了深孔阀门R型面表面粗糙度测量的软件。本文提出的基于显微视觉的深孔内微异型面表面粗糙度测量方法可获得较高的测量精度,有效解决了深孔内微异型面表面粗糙度测量难题,为此类零件表面粗糙度的测量提供一种新的思路。现该方法已成功应用于某厂此类零件的表面粗糙度测量,实现了深孔内微异型面表面粗糙度测量的工程应用。