复杂零件的曲面加工精度的在线检测方法

摘要

本发明是一种复杂零件的曲面加工精度的在线检测方法。包括如下步骤：1）将接触式触发测头安装在数控铣床的主轴上；2）对被测曲面进行检测路径规划；3）驱动数控铣床，逐一获取测头与待测曲面接触点处的测球中心的坐标；测球是接触式触发测头的一个部件，是一个具有高精度和高硬度的圆球，安装在测头主体上并与被测曲面直接接触；4)对上述测球中心的坐标进行测球半径补偿、测头预行程误差补偿和机床误差补偿，从而获得测点高精度的检测结果；5)将检测结果与零件的理想CAD模型进行对比分析，找到各个测点与CAD模型对应的偏差，从而获得待测曲面的加工精度。本发明使高精度的加工精度检测过程直接在数控铣床上进行，避免了零件多次装夹所带来的定位误差。

主权项

一种复杂零件的曲面加工精度的在线检测方法，其特征在于包括有如下步骤：1)将接触式触发测头(4)安装在数控铣床的主轴上；2)对被测曲面(2)进行检测路径规划；3)驱动数控铣床，逐一获取测头与待测曲面接触点处的测球中心(3)的坐标；测球是接触式触发测头的一个部件，其形状是一个具有高制造精度和高硬度的圆球，安装在测头主体上并与被测曲面直接接触；4)对上述测球中心(3)的坐标进行测球半径补偿、测头预行程误差补偿和机床误差补偿，从而获得测点高精度的检测结果；其中机床误差需采用机床误差检测仪器得到；5)将检测结果与零件的理想CAD模型进行对比分析，找到各个测点与CAD模型对应的偏差，从而获得待测曲面的加工精度；上述测球半径补偿、测头预行程误差补偿需要计算出曲面测点的法矢方向，对于测头预行程误差补偿，还需要计算出测头在各个测点法矢方向的预行程误差，补偿方法是采用基于径向基函数RBF的神经网络进行预测；上述基于径向基函数RBF的神经网络进行预测的方法如下：正则化基于径向基函数RBF的神经网络是一种具有单隐含层的三层前馈局部逼近网络，已经证明，它与BP网络都能以任意精度逼近任意连续函数；并且，相比BP网络，其训练时间更短,并且它同时满足对样本的逼近误差和逼近曲线的平滑性,在实践中，网络的监督训练可以看成是一种曲线拟合的过程,利用正则化RBF算法，通过对网络的训练，实现输入和输出空间之间的非线性映射；正则化基于径向基函数RBF的神经网络的拓扑结构由一个径向基神经元的隐层、一个线性神经元的输出层组成，网络的输入点数量为N，隐节点数量为P个，输出节点数量为l个；网络的隐节点数等于输入样本数，并将所有输入样本设为径向基函数的中心，各径向基函数取统一的扩展常数；基于径向基函数RBF的神经网络的实现由输入X＝(x₁,x₂,…,x_N)^T到输出Y＝(y₁,y₂,…,y_l)^T的映射，采用径向基函数为任一隐节点的激活函数，选用Gauss函数作为径向基函数；W为输出权矩阵，其中w_jk(j＝1,2,…,P；k＝1,2,…,l)为隐层第j个节点到输出层第k个节点间的突触权值；采用线性激活函数作为输出层神经元；其中X_，Y为输入、输出样本，为基函数；根据正则化基于径向基函数RBF的神经网络的原理，基于径向基函数RBF的训练过程为：(1)确定基于径向基函数RBF的神经网络的输入及输出变量，即以检测方向作为网络的输入节点，相应的预行程误差为网络的输出节点；(2)组成训练集对网络进行训练，即从检测到的预行程误差数据中随机选取若干组作为网络的教师数据；(3)输入预测样本，用训练好的网络预测任意检测方向的预行程误差，用剩下的测点数据作为预测样本。