基于神经网络的接触式测头半径三维补偿

　　0 引言

　　零件的数字化是通过特定的测量设备和测量方法获取零件表面离散点的几何坐标数据，在这基础上进行复杂曲面的建模、评价、改进和制造。因此，高效、高精度地实现零件表面的数据采集是逆向工程实现的基础和关键技术之一[1]。零件表面数据采集方法可分为接触式数据采集和非接触式数据采集两大类。

　　三坐标测量机(CMM)是应用最为广泛的接触式测量设备，它具有噪声低、精度高和重复性好等优点。接触式测量包括点位触发式数据采集和连续式数据采集两种。点位触发式数据采集的速度较低，一般只适合零件表面形状检测或需要较少的表面数字化场合;连续式数据采集的速度较快，可用于采集较大规模的数据。接触式测量方法不足之处是对由较软材料制造的零件产生测量误差，测头半径需进行补偿。

　　接触式和非接触式测量方法各有优缺点，因此一些研究者应用多传感器信息融合的思想开发集成测量系统以发挥不同测量方法的特长。Shen[2]等通过主动视觉系统和接触式CMM的集成，实现了由视觉测量进行曲面识别和粗定位，然后指引CMM进行高精度测量的功能。为使激光测头和接触式测头实现优势互补，已有公司开发出实现激光扫描头和接触扫描头互换的坐标测量系统[3]。

　　尽管非接触式激光三角形法在逆向工程中应用发展较快，但鉴于接触式CMM测量与非接触式激光测量各有特点，它们在逆向工程中的应用各有侧重，相互补充。对于曲面形状复杂，且精度要求也很高的零件，有时用接触式坐标测量机测量是最佳乃至唯一的选择[4]。

　　根据三坐标测量机测头半径补偿时间可以将补偿分为在线自动补偿和离线数据处理补偿。目前的CMM测量中，广泛采用一种二维在线自动补偿方法，即在测量时，将测量点和测头半径的关系都处理成二维情况，在测量时自动完成数据的测头半径补偿。对一些由规则形状组成的表面的测量，如平面、二次曲面，二维补偿是精确的。

　　但对于一些由自由曲面组成的复合曲面，测量方向和测量点的法矢有可能不一致，用二维补偿方法进行补偿会造成补偿误差。在误差不能忽略的情况下，必须考虑对测量进行测头半径的三维补偿。

　　文献[5-11]研究了测头半径的三维补偿，其中有的方法不适用于接触式密集数据采集测头半径补偿;有的方法[7,8]可用于接触式密集数据采集测头半径补偿，但在补偿过程中存在较多中间处理环节，导致补偿处理时间较长和补偿精度不理想。本文拟开展基于自组织特征映射(SOFM)神经网络[12]的接触式密集数据采集测头半径三维智能化补偿研究，以在测头半径补偿效率和补偿精度层面有所推进。