新一代信息技术与先进制造技术的交叉融合是智能制造发展的前提，也是我国工业软件发展的趋势。在机测量（On-Machine Measurement, OMM）作为一种新兴的高性能测量方式，其集成化、智能化程度对智能制造的实施具有重要意义。然而，英、德、意等国家的OMM软硬件技术处于垄断地位，国内相关厂商在OMM核心技术上仍有差距。尤其是针对内部几何形状和外部加工测量过程均较为复杂的曲面而言，基于经验和假设的数理方法所构建的测量与补偿方案，其性能难以满足高效的、智能化的复杂曲面轮廓误差补偿需求。只有从复杂曲面的加工-测量一体智能化方向进行研究，才能迎来我国自主化OMM工业软件的赶超机遇。因此，本文针对复杂曲面数控加工、在机测量的特点，主要从测点自适应分布、测点数量估算、轮廓误差评定与补偿三个方面，对OMM场景下复杂曲面测点规划及轮廓误差局域补偿方法展开探索与研究，主要研究内容如下：
（1）分析了OMM场景下复杂曲面测点规划及轮廓误差局域补偿方法的技术路线。以复杂曲面加工-测量一体化过程中存在测点分布形式单一、测点数量难以估算、轮廓误差补偿效率低的问题为导向，分析了本课题研究的整体技术路线、核心研究点和实验验证方案，为全文研究内容的展开奠定了基础。
（2）研究了基于拟高斯曲率（quasi-Gaussian Curvature, quasi-GC）网格的复杂曲面测点分布方法。该方法通过结合质心Voronoi图及共形映射理论，在考虑复杂曲面高斯曲率几何特性的基础上，借助布谷鸟搜索算法和四叉树算法，构建了基于优化质心Voronoi图的quasi-GC网格，并基于该网格定义出曲面测量特征点，实现了复杂曲面测点的自适应分布。实验结果表明，该方法在复杂曲面零件上的测量结果与真实轮廓误差仅相差0.4 μm，能有效提高测点分布的合理性。
（3）构建了复杂曲面所需测点数量的估算模型。依据离散点测量的特点，分析了影响复杂曲面所需测点数量的因素，在基于图像的曲面形状复杂性量化公式的基础上，提出了用于变量表达的曲面3D测量描述符概念；并通过改进粒子群优化（Improved Particle Swarm Optimization, IPSO）算法对自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference system, ANFIS）进行参数优化，构建了复杂曲面所需测点数量的IPSO-ANFIS估算模型。实验结果表明，所建模型使得复杂曲面零件测点数量预测值的均方根误差低至2.396，具有良好的预测精度。
（4）研究了基于OMM数据的复杂曲面轮廓误差评定与局域补偿方法。依据复杂曲面的OMM结果，以quasi-GC网格为T样条原像，实现了基于T样条理论的实际加工曲面的高精度重构与轮廓误差评定；并基于模糊聚类区域生长方法和镜像补偿原理求解局部补偿区域及补偿刀位点，经曲线拟合生成新的补偿刀轨，实现了复杂曲面轮廓误差的局域补偿。实验结果表明，所提方法使得复杂曲面零件的被补偿区域轮廓误差降低了61.7 %，能够显著提高其加工精度。
（5）开发了复杂曲面轮廓误差的在机测量-局域补偿软件OMM-offsetting。以某模具制造企业的实际需求为基础，完成了复杂曲面测点规划、轮廓误差评定与补偿方法在OMM-offsetting软件中的集成开发，并结合复杂曲面测试零件与叶轮实例对OMM-offsetting软件的方案设计、主要功能和应用效果进行了相关展示和验证。
本文的研究工作为复杂曲面轮廓误差的在机测量-局域补偿集成研究提供了一定的理论基础和技术支持，也将积极推动OMM-offsetting软件的推广和自主化进程。
谷歌
火狐
