论文部分内容阅读
在机检测将数控机床的数控加工功能与三坐标测量装置的质量检测功能形成一个有机整体,提高了效率和精度。在零件加工的整个技术路线中,高效、高精度地获取测量数据是基础,而数据预处理是保证后期模型重建质量的关键。在接触式测量中,测量所得数据非常庞大且不可避免地存在噪声,同时采集到的数据为测头球心点的坐标而不是零件表面坐标,需要进行测头半径补偿。因此必须对其进行一定的预处理。目前数据预处理技术或多或少都存在一些不足,针对接触式扫描测头测量所得密集散乱数据点云,基于自组织特征映射SOFM神经网络提出了一种自适应性强、精度高、效率高的数据预处理若干问题研究方法,为后续的CAD模型重建打下良好的基础。利用SOFM神经网络将测量所得的散乱点数据形成子区域集,子区域的分类核心即神经元连接权矢量重构曲面样本点的内在拓扑关系,实现曲面密集三维散乱数据点云的自组织压缩工程近似化;同时按矩形阵列侧抑制邻域训练调整,生成测量点集压缩后具有一定平滑能力的拓扑矩形网格。根据数据点信息可以通过平均矢量积直接计算某一确定点的法矢,同时边缘点数据缺少的点可从神经元感受野中寻得,完成矩形网格法矢的求解即可实现测头半径补偿及对矩形网格数据平滑能力的验证。此外,由于测量数据量庞大导致训练效率下降,对测量数据进行简单分块训练并整合,在保证精度条件下提高数据处理效率。通过计算机仿真实验对矩形网格的数据平滑能力进行了有效验证,以及较好地实现了大规模数据的处理。应用MATLAB软件分别构建了球面、一般复杂曲面、双三次B样条曲面复杂程度由低到高的曲面模型加以验证。经过多次的仿真实验对比分析,数据预处理精度均可达微米级,完全能够满足工程需要,并初步构建了算法的软件模块,以期能够应用到数控加工在机检测数据处理软件中。