CN103115601A - 轴类零件圆柱度的超差测定方法 - Google Patents
轴类零件圆柱度的超差测定方法 Download PDFInfo
- Publication number
- CN103115601A CN103115601A CN2013100534771A CN201310053477A CN103115601A CN 103115601 A CN103115601 A CN 103115601A CN 2013100534771 A CN2013100534771 A CN 2013100534771A CN 201310053477 A CN201310053477 A CN 201310053477A CN 103115601 A CN103115601 A CN 103115601A
- Authority
- CN
- China
- Prior art keywords
- deviation
- overbar
- value
- uncertainty
- cylindrical form
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Complex Calculations (AREA)
Abstract
一种轴类零件圆柱度的超差测定方法,该方法首先用三坐标测量机对轴的圆柱面测量四次并分别获取测点坐标,建立了最小区域圆柱度误差评定模型;用粒子群算法分别搜索四次测量轴与坐标平面xoy的交点坐标、轴线方向向量的实际值及最小区域圆柱度误差;构建参数矩阵并求其协方差阵,获取交点坐标及轴线方向向量的不确定度、相关不确定度并计算单个测点测量值的不确定度;执行自适应蒙特卡洛算法获得圆柱度误差不确定度值及其在设定的置信概率下的包含区间。本发明中蒙特卡洛算法次数不断增加,直至所需要的各种结果达到统计意义上的稳定,能够同时计算最小区域圆柱度误差、圆柱度误差不确定度及其包含区间,准确测定圆柱度超差的轴类零件。
Description
技术领域
本发明涉及一种圆柱度的超差测定方法,尤其涉及一种轴类零件圆柱度的超差测定方法,属于精密计量与计算机应用领域。
背景技术
形状误差是评定机械零件的重要指标,其大小对产品质量及其使用寿命至关重要,在生产中要加以测量和控制。评定形状误差有多种方法,以圆柱度误差评定为例,评定方法有最小区域法、最小二乘法、最大内切法和最小外接法,但各种方法得出的结果都不相同,甚至差异很大,导致产品出现误收或误废,直接影响产品的质量和成本,因此国际标准ISO/1101和国家标准GB/T1958-2004都规定,形状误差值用包容实际被测要素且具有最小宽度E或最小直径φE的包容区域来表示(简称最小区域法),并以此为仲裁方法。以最小区域法评定形状误差,能够在不改变硬件设备的前提下,提高测量设备的检测精度。
一个科学完整的测量结果,除了应给出被测量的最佳估计值外,还应同时给出测量结果的不确定度。不确定度必须正确评价,否则会导致工件的误收和误废。因此如何快速精确评定不确定度成为测定零件是否合格的关键。为此,国家计量技术规范JJF1059-1999《测量不确定度评定与表示》(简称GUM)规定了测量不确定度的评定与表示的通用规则,它对科学研究、工程技术、以及商贸中大量存在的测量结果的处理和表示,具有指导意义。由于基于GUM的测量不确定度评定方法容易受到直接测量量相关性的限制,特别是对于非线性模型,在使用GUM计算测量不确定度时计算过程中存在诸多近似,导致计算的精度降低;加之其严格的解析操作在实践中有时缺乏可操作性,给测量不确定度的评定带来不便。针对GUM中测量不确定度评定方法存在的不足,2008年国际标准化组织正式颁布了ISO/IEC导则98-32008(GUM)及其一系列补充标准,使不确定度的应用更加科学合理。
轴类零件是机械产品的重要组成部分,其精度的高低对产品的质量及其使用寿命至关重要,衡量轴类零件形状误差大小的指标有轴线直线度、轴剖面素线直 线度、横截面圆度及轴的圆柱度误差,因为圆柱度误差能够同时反映轴的横截面圆度、轴剖面素线直线度和轴线直线度误差,因此被广泛应用于轴类零件形状误差评定。测量圆柱度误差设备有圆柱度仪、三坐标测量机(CMM)等,虽然圆柱度仪测量精度高,但因价格昂贵,对测量环境要求高而使其应用受到一定限制。目前在实验室、工厂常用CMM测量圆柱度误差,使用CMM测量圆柱度误差时得到的是一系列离散测点值,需要经过数据处理求解圆柱度误差,目前的三坐标测量机只是给出最小二乘拟合的圆柱度误差,既没有给出最小区域法的圆柱度误差(最小区域圆柱度误差),更没有对测量结果的不确定度进行评价。虽然近年来一直有学者致力于最小区域圆柱度误差求解研究,提出了多种计算方法,但是没有对最小区域圆柱度误差的测量不确定度进行评价;仅有极少数学者研究了采用GUM方法通过对圆柱度误差最小二乘评定模型求一阶导数近似计算圆柱度误差不确定度,由于最小二乘法本身提供的仅是形状误差的近似评价结果,并不保证解的最小区域性,按最小二乘法计算的结果比最小区域法求得结果大1.8%~30%,平均过估计为10%。因而不能准确测定轴类零件是否超差。
综合上述分析,当前对相关领域研究工作存在的不足主要是:缺乏能够对轴类零件圆柱度是否超差进行准确测定的方法。
发明内容
本发明提供一种能够提高误差识别精度的轴类零件圆柱度的超差测定方法。
本发明的技术方案为:一种轴类零件圆柱度的超差测定方法,包括如下步骤:
步骤1以测量平台上任意一点o为原点,做三条互相垂直的数轴x轴,y轴和z轴,建立测量空间直角坐标系oxyz,坐标平面xoy位于测量平台上,将被测轴置于测量空间直角坐标系oxyz中且被测轴的轴线L与oz轴平行,轴线L的理想方向向量为(p,q,1),p,q和1分别为轴线L沿x,y和z方向的理想方向向量,轴线L与坐标平面xoy的理想交点为O′(a,b,0),a,b和0分别为理想交点O′在测量空间直角坐标系oxyz下的坐标值,轴线L可以表示为,
步骤2令j=1,j为测量序数
步骤3使用三坐标测量机测得被测轴的圆柱面的测点Pij(xij,yij,zij),Pij为 第j次测量的第i个测点,i为测点序号,i=1,2,…,n,n为测点数目且n为正整数,xij,yij和zij分别为测点Pij在测量空间直角坐标系oxyz下的坐标值,
步骤4建立最小区域圆柱度误差的目标函数,所述目标函数为:
Ej=f(aj,bj,pj,qj)=min(max(Rij)-min(Rij))=min(Rmaxj-Rminj)
其中,
式中aj,bj分别表示第j次测量的轴线L与坐标平面xoy的交点的x坐标值、y坐标值,pj,qj分别表示第j次测量的轴线L沿x和y方向的方向向量,Rij为第j次测量的测点Pij到轴线L的距离,Ej为第j次测量得到被测轴的最小区域圆柱度误差,Rmaxj为第j次测量的n个测点Pij到轴线L的距离Rij中的最大值,所述最大值对应的测点坐标为(xmaxj,ymaxj,zmaxj),Rminj为第j次测量的n个测点Pij到轴线L的距离Rij中的最小值,所述最小值对应的测点坐标为(xminj,yminj,zminj),
步骤5使用粒子群算法求解步骤4所述的目标函数,获得第j次测量的轴线L的aj,bj,pj,qj值及最小区域圆柱度误差Ej,如果j>4,则转入步骤7,否则,进入步骤6,
步骤6令j=j+1,返回步骤3,
步骤8求参数矩阵Ir的协方差阵V,获取轴线L的a,b,p,q估计值的不确定度ua,ub,up,uq及相关不确定度uab,uap,uaq,uba,ubp,ubq,upa,upb,upq,uqa,uqb,uqp,
其中,cov(Ir)表示对参数矩阵Ir求协方差阵,ua,ub,up,uq分别为轴线L的a,b,p,q估计值的不确定度,uab,uap,uaq分别为a估计值与b估计值,p估计值,q估计值之间的相关不确定度,uba,ubp,ubq分别为b估计值与a估计值,p估计值,q估计值之间的相关不确定度,upa,upb,upq分别为p估计值与a估计值,b估计值,q估计值之间的相关不确定度,uqa,uqb,uqp分别为q估计值与a估计值,b估计值,p估计值之间的相关不确定度,其中,
uab=uba,uap=upa,uaq=uqa,ubp=upb,upq=uqp,
步骤9根据三坐标测量机精度、测量条件、环境因素计算单个测点测量值的不确定度u0,
步骤10执行自适应蒙特卡洛算法,求解圆柱度误差不确定度及其设定置信概率下的包含区间,
步骤10.1令指针h=1,
步骤10.2执行蒙特卡洛算法,得到圆柱度误差r为蒙特卡洛算法所产生模拟量组数的序号,r=1,2,...,M,M为所产生模拟量的组数,M=104,并将 按照从小到大顺序排序,如果几个圆柱度误差相等,则相等的圆柱度误差任意排序,得到排序后的圆柱度误差
步骤10.2.1选取任意一次测量获得的测点坐标,分别以步骤4得到的最大值对应的测点坐标xmaxj,ymaxj,zmaxj、步骤4得到的最小值对应的测点坐标xminj,yminj,zminj为均值,以步骤9得到的单个测点测量值的不确定度u0的平方为方差,产生服从正态分布的随机数,表示均值为*、方差为的正态分布,*分别为xmaxj,ymaxj,zmaxj,xminj,yminj和zminj,并从服从正态分布 中产生6×104维模拟阵列X1,每一列表示一组蒙特卡洛算法的模拟量
产生服从多变量正态分布N(μ,V)的随机向量,N(μ,V)表示期望值向量为μ、协方差阵为V的多变量正态分布,其中,
步骤10.2.2由所产生的104组模拟量 由步骤4所述的目标函数计算得到104个圆柱度误差并将得到的104个圆柱度误差按照从小到大顺序排序,如果几个圆柱度误差相等,则相等的圆柱度误差任意排序,得到排序后的圆柱度误差
步骤10.3.1选取任意一次测量获得的测点坐标,分别以步骤4得到的最大值对应的测点坐标xmaxj,ymaxj,zmaxj、步骤4得到的最小值对应的测点坐标xminj,yminj,zminj为均值,以步骤9得到的单个测点测量值的不确定度u0的平方为方差,产生服从正态分布的随机数,表示均值为*、方差为的正态分布,*分别为xmaxj,ymaxj,zmaxj,xminj,yminj和zminj,并从服从正态分布 中产生6×104维模拟阵列X1,每一列表示一组蒙特卡洛算法的模拟量
产生服从多变量正态分布N(μ,V)的随机向量,N(μ,V)表示期望值向量为 μ、协方差阵为V的多变量正态分布,再从服从多变量正态分布N(μ,V)中产生4×104维模拟阵列X2,每一列表示一组蒙特卡洛算法的模拟量
步骤10.3.2由所产生的104组模拟量 由步骤4所述的目标函数计算得到104个圆柱度误差并将得到的104个圆柱度误差按照从小到大顺序排序,如果几个圆柱度误差相等,则相等的圆柱度误差任意排序,得到排序后的圆柱度误差
步骤10.7根据单个测点测量值的不确定度u0计算数值容差δ,
将u0表示为C×10l的形式,C为两位有效十进制整数,l是负整数,l=-6,-5,-4或-3,数值容差δ取为,
步骤11以标准不确定度的平均值为圆柱度误差不确定度u(e),以100d%包含区间的左端点平均值右端点平均值构造包含区间 当被测轴最小区域圆柱度误差Em大于100d%包含区间右端点则被测轴为圆柱度超差的轴类零件。
本发明的有益效果在于:
建立了圆柱度误差最小区域评定模型,采用粒子群算法求解最小区域圆柱度误差,极大地提高了圆柱度误差计算精度和效率;采用自适应蒙特卡洛算法计算轴类零件圆柱度误差不确定度及设定的置信概率下的包含区间,其中蒙特卡洛算法次数不断增加,直至所需要的各种结果达到统计意义上的稳定,克服了对于非线性模型在使用GUM计算测量不确定度时计算过程中存在诸多近似,导致计算的 精度降低和蒙特卡洛方法需要事先设定蒙特卡洛模拟实验次数,不能保证结果是否稳定的不足。该方法能够同时计算圆柱度误差,圆柱度误差不确定度和设定的置信概率下的包含区间,不仅算法可靠,优化效率高,而且能够准确测定被测轴的圆柱度是否超差。
附图说明
图1轴类零件圆柱面测量图。
图2最小区域圆柱度误差示意图。
图3本发明的流程图。
图4用粒子群算法搜索最小区域圆柱度误差进化过程图。
图5自适应蒙特卡洛算法流程图。
图6基于自适应蒙特卡洛算法的圆柱度误差频率分布图。
具体实施方式
一种轴类零件圆柱度的超差测定方法,其步骤如下:
步骤1以测量平台上任意一点o为原点,做三条互相垂直的数轴x轴,y轴和z轴,建立测量空间直角坐标系oxyz,坐标平面xoy位于测量平台上,将被测轴置于测量空间直角坐标系oxyz中且被测轴的轴线L与oz轴平行,轴线L的理想方向向量为(p,q,1),p,q和1分别为轴线L沿x,y和z方向的理想方向向量,轴线L与坐标平面xoy的理想交点为O′(a,b,0),a,b和0分别为理想交点O′在测量空间直角坐标系oxyz下的坐标值,轴线L可以表示为,
步骤2令j=1,j为测量序数
步骤3使用三坐标测量机测得被测轴的圆柱面的测点Pij(xij,yij,zij),Pij为第j次测量的第i个测点,i为测点序号,i=1,2,…,n,n为测点数目且n为正整数,n取等于或大于60的整数,xij,yij和zij分别为测点Pij在测量空间直角坐标系oxyz下的坐标值,
步骤4建立最小区域圆柱度误差的目标函数,所述目标函数为:
Ej=f(aj,bj,pj,qj)=min(max(Rij)-min(Rij))=min(Rmaxj-Rminj)
其中,
式中aj,bj分别表示第j次测量的轴线L与坐标平面xoy的交点的x坐标值、y坐标值,pj,qj分别表示第j次测量的轴线L沿x和y方向的方向向量,Rij为第j次测量的测点Pij到轴线L的距离,Ej为第j次测量得到被测轴的最小区域圆柱度误差,Rmaxj为第j次测量的n个测点Pij到轴线L的距离Rij中的最大值,所述最大值对应的测点坐标为(xmaxj,ymaxj,zmaxj),Rminj为第j次测量的n个测点Pij到轴线L的距离Rij中的最小值,所述最小值对应的测点坐标为(xminj,yminj,zminj),
步骤5使用粒子群算法求解步骤4所述的目标函数,获得第j次测量的轴线L的aj,bj,pj,qj值及最小区域圆柱度误差Ej,如果j>4,则转入步骤7,否则,进入步骤6,
步骤5.1随机产生粒子的初始位置和初始速度
选择粒子大小popsize为20的种群,以1×4维的实数向量为种群中的第k个粒子的位置posk,k=1,2,…,20,第k个粒子的位置表示为posk=(A1k,A2k,A3k,A4k),其中A1k,A2k,A3k,A4k分别为对应aj,bj,pj,qj的可能取值,以另一1×4维的实数向量为种群中的第k个粒子的速度,表示为vk=(B1k,B2k,B3k,B4k),其中B1k,B2k,B3k,B4k分别为对应粒子在aj,bj,pj,qj上的飞行速度,
在[-0.05,0.05]和[-0.05,0.05]数值区域内随机产生20个粒子的aj,bj,pj,qj,为第j次测量所有测点xij坐标的平均值,为第j次测量所有测点yij坐标的平均值,以产生的A1k,A2k,A3k,A4k作为第k个粒子初始位置为第k个粒子在第t代的位置,令t=1,第k个粒子初始位置进入粒子迭代,并根据随机产生的粒子初始位置计算粒子初始位置的目标函数值选取初始位置目标函数值最小的粒子的 位置作为第一代全局最佳粒子位置gbestt,t=1;第k个粒子初始位置作为第k个粒子第一代的局部最佳粒子位置进入粒子迭代,t=1,k=1,2,…,20,在[-0.05,0.05]数值区域内随机产生20个粒子的B1k,B2k,B3k,B4k作为初始速度第k个粒子初始速度进入粒子迭代,
步骤5.2采用浓缩因子法修改粒子速度
第k个粒子在迭代的第t代采用如下浓缩因子法修改速度:
式中分别为第k个粒子在第t代的速度和位置,和分别为在第t代随机产生的1×4维向量,向量中的每一元素在[0,1]区间随机产生,c1,c2为加速因子,分别决定第k个粒子向局部最佳粒子和全局最佳粒子gbestt方向飞行的相对拉力,K为浓缩因子,c1,c2满足 为加速因子的和,加速因子c1,c2和浓缩因子K取值分别为2.05,2.05和0.73,
在迭代的第t代,将第k个粒子位置修改为:
△t是时间步长,设置为1,
步骤5.5更新局部最佳粒子位置
如果位置改变后第k个粒子的目标函数值小于未改变前第k个粒子局部最佳位置的目标函数值则用更新第k个粒子的第t代的局部最佳粒子位置作为第k个粒子的第t+1代的局部最佳粒子位置,否则,第k个粒子的局部最佳粒子位置作为第t+1代的局部最佳粒子位置
步骤5.6更新全局最佳粒子位置
找出位置改变后所有粒子目标函数值最小的粒子mpos,如果粒子mpos的目标函数值Ej(mpos)小于未改变前全局最佳粒子位置的目标函数值Ej(gbestt),则用mpos更新全局最佳粒子位置gbestt,作为第t+1代的全局最佳粒子位置gbestt+1,否则,第t代的全局最佳粒子位置gbestt作为第t+1代的全局最佳粒子位置gbestt+1,
步骤5.7令t=t+1,如果t=201,则进入步骤6,否则,重复步骤5.3~5.6,
当算法达到终止条件时,全局最佳粒子位置gbest200对应参数aj,bj,pj,qj的最优值,全局最佳粒子位置gbest200的目标函数值Ej(gbest200)即为搜索到的圆柱度误差最小区域解Ej,
步骤6令j=j+1,返回步骤3,
步骤8求参数矩阵Ir的协方差阵V,获取轴线L的a,b,p,q估计值的不确定度ua,ub,up,uq及相关不确定度uab,uap,uaq,uba,ubp,ubq,upa,upb,upq,uqa,uqb,uqp,其中ua,ub,up,uq分别为轴线L的a,b,p,q估计值的不确定度,uab,uap,uaq分别为a估计值与b估计值,p估计值,q估计值之间的相关不确定度,uba,ubp,ubq分别为b估计值与a估计值,p估计值,q估计值之间的相关不确定度,upa,upb,upq分别为p估计值与a估计值,b估计值,q估计值之间的相关不确定度,uqa,uqb,uqp分别为q估计值与a估计值,b估计值,p估计值之间的相关不确定度,利用Matlab语言提供的函数cov()对参数矩阵Ir求协方差阵V,
其中,uab=uba,uap=upa,uaq=uqa,ubp=upb,upq=uqp,
步骤9根据三坐标测量机精度、测量条件、环境因素计算单个测点测量值的不确定度u0,
采用三坐标测量机对轴的圆柱度误差测量时,影响单个测点测量值的不确定度的主要因素有:
重复性引起的不确定度ure,温度引起的不确定度uT,CMM的漂移和迟滞引起的不确定度upc,
上述不确定度因素彼此独立,单个测点测量值的不确定度为,
步骤10执行自适应蒙特卡洛算法,求解圆柱度误差不确定度及设定置信概率下的包含区间,
步骤10.1令指针h=1,
步骤10.2执行蒙特卡洛算法,得到圆柱度误差r为蒙特卡洛算法所产生模拟量组数的序号,r=1,2,...,104,并将按照从小到大顺序排序,如果几个圆柱度误差相等,则相等的圆柱度误差任意排序,得到排序后的圆柱度误差
步骤10.2.1选取任意一次测量获得的测点坐标,分别以步骤4得到的最大值对应的测点坐标xmaxj,ymaxj,zmaxj、步骤4得到的最小值对应的测点坐标xminj,yminj,zminj为均值,以步骤9得到的单个测点测量值的不确定度u0的平方为方差,产生服从正态分布的随机数,表示均值为*、方差为的正态分布,*分别为xmaxj,ymaxj,zmaxj,xminj,yminj和zminj,并从服从正态分布 中产生6×104维模拟阵列X1,每一列表示一组蒙特卡洛算法的模拟量
产生服从多变量正态分布N(μ,V)的随机向量,N(μ,V)表示期望值向量为μ、协方差阵为V的多变量正态分布,其中,
步骤10.2.2由所产生的104组模拟量 由步骤4所述的目标函数计算得到104个圆柱度误差并将得到的采用Matlab语言提供的函数sort()实现从小到大排序,且相等的圆柱度误差任意排序,得到排序后的圆柱度误差
步骤10.3.1选取任意一次测量获得的测点坐标,分别以步骤4得到的最大值对应的测点坐标xmaxj,ymaxj,zmaxj、步骤4得到的最小值对应的测点坐标xminj,yminj,zminj为均值,以步骤9得到的单个测点测量值的不确定度u0的平方为方差,产生 服从正态分布的随机数,表示均值为*、方差为的正态分布,*分别为xmaxj,ymaxj,zmaxj,xminj,yminj和zminj,并从服从正态分布 中产生6×104维模拟阵列X1,每一列表示一组蒙特卡洛算法的模拟量
产生服从多变量正态分布N(μ,V)的随机向量,N(μ,V)表示期望值向量为μ、协方差阵为V的多变量正态分布,再从服从多变量正态分布N(μ,V)中产生4×104维模拟阵列X2,每一列表示一组蒙特卡洛算法的模拟量
步骤10.3.2由所产生的104组模拟量 由步骤4所述的目标函数计算得到104个圆柱度误差并将得到的采用Matlab语言提供的函数sort()排序实现从小到大排序,且相等的圆柱度误差任意排序,得到排序后的圆柱度误差
步骤10.7根据单个测点测量值的不确定度u0计算数值容差δ,
将u0表示为C×10l的形式,C为两位有效十进制整数,l是负整数,l=-6,-5,-4或-3,数值容差δ取为,
步骤11以标准不确定度的平均值为圆柱度误差不确定度u(e),以100d%包含区间的左端点平均值右端点平均值构造包含区间 当被测轴最小区域圆柱度误差Em大于100d%包含区间右端点则被测轴为圆柱度超差的轴类零件。
以下结合附图对本发明做进一步的说明:
1、在圆柱面上获取测点Pij(xij,yij,zij)(i=1,2,…,n,n为测点数目,n=60,测量序数j=1,2,3,4),见附图1。
为了证实本方法的正确性,采用Miracle NC454三坐标测量机对一直径36.2mm,长90mm,公差为0.012mm轴的圆柱面实测四次,获得四组测量数据。
2、初始化算法参数
加速因子c1,c2和浓缩因子K取值分别为2.05,2.05和0.73。
3、随机产生粒子的初始位置和初始速度
在用粒子群算法求解圆柱度误差时,粒子的种群大小popsize取值为20,目标函数值Ej的大小由aj,bj,pj,qj四个参数决定,粒子k的初始位置posk=(A1k,A2k,A3k,A4k)的四个分量A1k,A2k,A3k,A4k分别在 [-0.05,0.05]和[-0.05,0.05]区间上随机产生;粒子k的初始速度vk=(B1k,B2k,B3k,B4k)的四个分量B1k,B2k,B3k,B4k均在[-0.05,0.05]上随机产生。
4、根据已建立最小区域圆柱度误差评定模型及测量数据,计算粒子初始位置的目标函数值,选取粒子初始位置目标函数值最小的粒子作为第一代全局最佳粒子位置gbestt,t=1;第k(k=1,2,…,popsize)个粒子初始位置作为粒子k第一代局部最佳粒子位置进入粒子迭代,t=1。
5、采用浓缩因子法修改粒子速度、改变粒子的位置
粒子k在迭代的第t代采用如下浓缩因子法修改速度:
粒子k的位置根据来改变,△t取值为1。
6、计算改变位置后所有粒子的目标函数值
7、更新局部最佳粒子位置
8、更新全局最佳粒子位置
9、进化代数t大于200时,算法终止
用上述算法搜索该实例四组测量数据最小区域圆柱度误差的优化过程见附图4,由图可见,在约140代时就已搜索到最小区域圆柱度误差,aj,bj,pj,qj的优化结果见表1,由表1求得被测轴的最小区域圆柱度误差
表1参数及圆柱度误差的优化结果
由表1可见对用粒子群算法计算得到的最小区域圆柱度误差明显小于最小二乘法得到的圆柱度误差,提高了圆柱度误差评定精度;另外对同一圆柱面进行四 次测量求出轴线的aj,bj,pj,qj值及最小区域圆柱度误差明显不同,说明圆柱度误差测量过程中确实存在不确定度,对圆柱度误差不确定度测定是非常必要的。
10、根据三坐标测量机精度、测量条件、环境因素计算单个测点测量值的不确定度值u0
采用Miracle NC454三坐标测量机对轴实测时,影响单个测点测量值的不确定度的因素有:
(1)重复性引起的不确定度ure:在Miracle NC454三坐标测量机上对某一点重复测量30次,求30次测量值的平均值及标准差,得到重复性引起的不确定度ure为1.48μm。
(2)温度引起的不确定度uT:
测量过程中经观察温度偏离标准温度(20℃)的最大值为1℃,工件的温度膨胀系数为1.1μm/(100mm×℃),由温度引起的不确定度极限值αT为:
该不确定服从均匀分布,由温度引起的不确定度uT:
(3)CMM的漂移和迟滞引起的不确定度upc
由CMM的漂移和迟滞引起的不确定度为0.10μm。
上述不确定度因素彼此独立,单点测量的不确定度为
11、执行自适应蒙特卡洛算法,求解圆柱度误差不确定度值及包含区间11.1指针h=1,首次执行蒙特卡洛算法,得到圆柱度误差Er (1),r=1,2,...,104,用三坐标测量机测量圆柱面求解圆柱度误差Ej时,其目标函数值由aj,bj,pj,qj四个输入量通过步骤4所述函数关系f来确定,以步骤4得到的最大值对应的测点坐标xmaxj,ymaxj,zmaxj,最小值对应的测点坐标为xminj,yminj,zminj,采用Matlab语言提供的函数randn(ξ,η)产生ξ×η维均值为0,方差为1的标准正态分布阵列,用Matlab语言编写X1=(xmaxj,ymaxj,zmaxj,xminj,yminj,zminj)′+u0*randn(6,104) 产生服从正态分布的6×104维模拟阵列X1,*分别为xmaxj,ymaxj,zmaxj,xminj,yminj和zminj,阵列X1的第一行到第六行分别表示服从正态分布 的随机数,阵列X1的每一列表示一组蒙特卡洛算法的模拟量
由表1求得参数矩阵:
求参数矩阵Ir的协方差阵V:
多变量正态分布随机数由下述方法产生:
(1)对矩阵V进行乔里斯基(Cholesky)因子分解V=RRT,得到下三角阵R
(2)由randn(4,104)函数产生4×104维标准正态阵列Z,
11.5将单个测点测量值的不确定度u0表示为u0=15×10-4,则数值容差δ为:
即δ等于0.00005,
11.6当h=156时,及中的任何一个值都不大于δ/5=0.00001,则得到圆柱度误差的不确定度为0.0045mm及95%置信概率的包含区间[0.0096,0.0185],由156×104组模拟量获得的圆柱度误差频率分布见图6。
12.因被测轴的圆柱度公差为0.012mm,而求得的最小区域圆柱度误差为0.0146mm,误差大于公差,如果不考虑测量不确定度及置信概率下的包含区间,则认为该轴超差,判断该轴为不合格零件。事实上测量过程中存在不确定度,圆柱度误差0.0146落在95%置信概率包含区间[0.0096,0.0185]中,不能判定该零件不合格,需由供需双方协商决定该零件是否合格,只有当被测轴最小区域圆柱度 误差大于包含区间右端点0.0185mm则认为该轴圆柱度超差,判断该轴为不合格零件。由此可见能否准确测定圆柱度是否超差将直接关系到产品的质量和性能。
Claims (1)
1.一种轴类零件圆柱度的超差测定方法,其特征在于,具体步骤如下:
步骤1以测量平台上任意一点o为原点,做三条互相垂直的数轴x轴,y轴和z轴,建立测量空间直角坐标系oxyz,坐标平面xoy位于测量平台上,将被测轴置于测量空间直角坐标系oxyz中且被测轴的轴线L与oz轴平行,轴线L的理想方向向量为(p,q,1),p,q和1分别为轴线L沿x,y和z方向的理想方向向量,轴线L与坐标平面xoy的理想交点为O′(a,b,0),a,b和0分别为理想交点O′在测量空间直角坐标系oxyz下的坐标值,轴线L可以表示为,
步骤2令j=1,j为测量序数
步骤3使用三坐标测量机测得被测轴的圆柱面的测点Pij(xij,yij,zij),Pij为第j次测量的第i个测点,i为测点序号,i=1,2,…,n,n为测点数目且n为正整数,xij,yij和zij分别为测点Pij在测量空间直角坐标系oxyz下的坐标值,
步骤4建立最小区域圆柱度误差的目标函数,所述目标函数为:
Ej=f(aj,bj,pj,qj)=min(max(Rij)-min(Rij))=min(Rmaxj-Rminj)
其中,
式中aj,bj分别表示第j次测量的轴线L与坐标平面xoy的交点的x坐标值、y坐标值,pj,qj分别表示第j次测量的轴线L沿x和y方向的方向向量,Rij为第j次测量的测点Pij到轴线L的距离,Ej为第j次测量得到被测轴的最小区域圆柱度误差,Rmaxj为第j次测量的n个测点Pij到轴线L的距离Rij中的最大值,所述最大值对应的测点坐标为(xmaxj,ymaxj,zmaxj),Rminj为第j次测量的n个测点Pij到轴线L的距离Rij中的最小值,所述最小值对应的测点坐标为(xminj,yminj,zminj),
步骤5使用粒子群算法求解步骤4所述的目标函数,获得第j次测量的轴线L的aj,bj,pj,qj值及最小区域圆柱度误差Ej,如果j>4,则转入步骤7,否则,进入步骤6,
步骤6令j=j+1,返回步骤3,
步骤8求参数矩阵Ir的协方差阵V,获取轴线L的a,b,p,q估计值的不确定度ua,ub,up,uq及相关不确定度uab,uap,uaq,uba,ubp,ubq,upa,upb,upq,uqa,uqb,uqp,
其中,cov(Ir)表示对参数矩阵Ir求协方差阵,ua,ub,up,uq分别为轴线L的a,b,p,q估计值的不确定度,uab,uap,uaq分别为a估计值与b估计值,p估计值,q估计值之间的相关不确定度,uba,ubp,ubq分别为b估计值与a估计值,p估计值,q估计值之间的相关不确定度,upa,upb,upq分别为p估计值与a估计值,b估计值,q估计值之间的相关不确定度,uqa,uqb,uqp分别为q估计值与a估计值,b估计值,p估计值之间的相关不确定度,其中,
uab=uba,uap=upa,uaq=uqa,ubp=upb,upq=uqp,
步骤9根据三坐标测量机精度、测量条件、环境因素计算单个测点测量值的不确定度u0,
步骤10执行自适应蒙特卡洛算法,求解圆柱度误差不确定度及其设定置信概率下的包含区间,
步骤10.1令指针h=1,
步骤10.2执行蒙特卡洛算法,得到圆柱度误差r为蒙特卡洛算法所产生模拟量组数的序号,r=1,2,...,M,M为所产生模拟量的组数,M=104,并将按照从小到大顺序排序,如果几个圆柱度误差相等,则相等的圆柱度误差任意排序,得到排序后的圆柱度误差
步骤10.2.1选取任意一次测量获得的测点坐标,分别以步骤4得到的最大值对应的测点坐标xmaxj,ymaxj,zmaxj、步骤4得到的最小值对应的测点坐标xminj,yminj,zminj为均值,以步骤9得到的单个测点测量值的不确定度u0的平方为方差,产生服从正态分布的随机数,表示均值为*、方差为的正态分布,*分别为xmaxj,ymaxj,zmaxj,xminj,yminj和zminj,并从服从正态分布 中产生6×104维模拟阵列X1,每一列表示一组蒙特卡洛算法的模拟量
产生服从多变量正态分布N(μ,V)的随机向量,N(μ,V)表示期望值向量为μ、协方差阵为V的多变量正态分布,其中,
再从服从多变量正态分布N(μ,V)中产生4×104维模拟阵列X2,每一列表示一组蒙特卡洛算法的模拟量
步骤10.2.2由所产生的104组模拟量 由步骤4所述的目标函数计算得到104个圆柱度误差并将得到的104个圆柱度误差按照从小到大顺序排序,如果几个圆柱度误差相等,则相等的圆柱度误差任意排序,得到排序后的圆柱度误差
步骤10.3.1选取任意一次测量获得的测点坐标,分别以步骤4得到的最大值对应的测点坐标xmaxj,ymaxj,zmaxj、步骤4得到的最小值对应的测点坐标xminj,yminj,zminj为均值,以步骤9得到的单个测点测量值的不确定度u0的平方为方差,产生服从正态分布的随机数,表示均值为*、方差为的正态分布,*分别为xmaxj,ymaxj,zmaxj,xminj,yminj和zminj,并从服从正态分布 中产生6×104维模拟阵列X1,每一列表示一组蒙特卡洛算法的模拟量
产生服从多变量正态分布N(μ,V)的随机向量,N(μ,V)表示期望值向量为μ、协方差阵为V的多变量正态分布,再从服从多变量正态分布N(μ,V)中产生4×104维模拟阵列X2,每一列表示一组蒙特卡洛算法的模拟量
步骤10.3.2由所产生的104组模拟量 由步骤4所述的目标函数计算得到104个圆柱度误差并将得到的104个圆柱度误差按照从小到大顺序排序,如果几个圆柱度误差相等,则相等的圆柱度误差任意排序,得到排序后的圆柱度误差
步骤10.7根据单个测点测量值的不确定度u0计算数值容差δ,
将u0表示为C×10l的形式,C为两位有效十进制整数,l是负整数,l=-6,-5,-4或-3,数值容差δ取为,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310053477.1A CN103115601B (zh) | 2013-02-19 | 2013-02-19 | 轴类零件圆柱度的超差测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310053477.1A CN103115601B (zh) | 2013-02-19 | 2013-02-19 | 轴类零件圆柱度的超差测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103115601A true CN103115601A (zh) | 2013-05-22 |
CN103115601B CN103115601B (zh) | 2015-06-03 |
Family
ID=48414021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310053477.1A Active CN103115601B (zh) | 2013-02-19 | 2013-02-19 | 轴类零件圆柱度的超差测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103115601B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292769A (zh) * | 2013-06-19 | 2013-09-11 | 陈磊磊 | 一种基于最小区域的平面倾斜度误差评定方法 |
CN105987676A (zh) * | 2016-03-17 | 2016-10-05 | 合肥工业大学 | 一种三坐标测量机机构误差引入的测量不确定度评定方法 |
CN110245395A (zh) * | 2019-05-29 | 2019-09-17 | 上海交通大学 | 具有空间相关性的圆柱形状误差的监控方法、系统及介质 |
CN110531699A (zh) * | 2019-08-22 | 2019-12-03 | 成都飞机工业(集团)有限责任公司 | 一种机床测头自动测量设定工件平面的方法 |
CN114046756A (zh) * | 2021-10-27 | 2022-02-15 | 成都飞机工业(集团)有限责任公司 | 一种多边测量标定方法、装置、设备及介质 |
CN114858302A (zh) * | 2022-06-02 | 2022-08-05 | 四川大学 | 一种圆形温度场声学测量拓扑结构重建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236070A (zh) * | 2008-03-04 | 2008-08-06 | 中原工学院 | 圆柱体直径与形位误差综合测量仪 |
JP2010286313A (ja) * | 2009-06-10 | 2010-12-24 | Mitsutoyo Corp | 真円度測定装置 |
EP2341311A1 (en) * | 2009-12-16 | 2011-07-06 | Mitutoyo Corporation | Surface texture measuring device |
CN102519400A (zh) * | 2011-12-15 | 2012-06-27 | 东南大学 | 基于机器视觉的大长径比轴类零件直线度误差检测方法 |
-
2013
- 2013-02-19 CN CN201310053477.1A patent/CN103115601B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101236070A (zh) * | 2008-03-04 | 2008-08-06 | 中原工学院 | 圆柱体直径与形位误差综合测量仪 |
JP2010286313A (ja) * | 2009-06-10 | 2010-12-24 | Mitsutoyo Corp | 真円度測定装置 |
EP2341311A1 (en) * | 2009-12-16 | 2011-07-06 | Mitutoyo Corporation | Surface texture measuring device |
CN102519400A (zh) * | 2011-12-15 | 2012-06-27 | 东南大学 | 基于机器视觉的大长径比轴类零件直线度误差检测方法 |
Non-Patent Citations (2)
Title |
---|
温秀兰等: "基于改进遗传算法评定圆柱度误差", 《计量学报》, vol. 25, no. 2, 30 April 2004 (2004-04-30) * |
赵茜: "圆柱度误差及其评定方法综述", 《计量与测试技术》, vol. 33, no. 12, 31 December 2006 (2006-12-31) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292769A (zh) * | 2013-06-19 | 2013-09-11 | 陈磊磊 | 一种基于最小区域的平面倾斜度误差评定方法 |
CN103292769B (zh) * | 2013-06-19 | 2015-11-25 | 桂林电子科技大学 | 一种基于最小区域的平面倾斜度误差检测方法 |
CN105987676A (zh) * | 2016-03-17 | 2016-10-05 | 合肥工业大学 | 一种三坐标测量机机构误差引入的测量不确定度评定方法 |
CN110245395A (zh) * | 2019-05-29 | 2019-09-17 | 上海交通大学 | 具有空间相关性的圆柱形状误差的监控方法、系统及介质 |
CN110531699A (zh) * | 2019-08-22 | 2019-12-03 | 成都飞机工业(集团)有限责任公司 | 一种机床测头自动测量设定工件平面的方法 |
CN110531699B (zh) * | 2019-08-22 | 2022-05-06 | 成都飞机工业(集团)有限责任公司 | 一种机床测头自动测量设定工件平面的方法 |
CN114046756A (zh) * | 2021-10-27 | 2022-02-15 | 成都飞机工业(集团)有限责任公司 | 一种多边测量标定方法、装置、设备及介质 |
CN114858302A (zh) * | 2022-06-02 | 2022-08-05 | 四川大学 | 一种圆形温度场声学测量拓扑结构重建方法 |
CN114858302B (zh) * | 2022-06-02 | 2023-04-07 | 四川大学 | 一种圆形温度场声学测量拓扑结构重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103115601B (zh) | 2015-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103115601B (zh) | 轴类零件圆柱度的超差测定方法 | |
Huterer | Weak lensing and dark energy | |
Ahn et al. | Orthogonal distance fitting of implicit curves and surfaces | |
CN104853435B (zh) | 一种基于概率的室内定位方法和装置 | |
CN110285781B (zh) | 一种相对于基准面的平面平行度快速评定方法 | |
US20100063784A1 (en) | System and method for fitting feature elements using a point-cloud of an object | |
Wu et al. | Counting triangles in large graphs by random sampling | |
Jiang et al. | Multidimensional fitness function DPSO algorithm for analog test point selection | |
CN102445174B (zh) | 一种基于支持向量回归的多测点平面度评定方法 | |
CN102446354A (zh) | 一种高精度多源地面激光点云的整体配准方法 | |
CN102506805B (zh) | 一种基于支持向量分类的多测点平面度评定方法 | |
Schmidt et al. | Shape matching by variational computation of geodesics on a manifold | |
CN101364245B (zh) | 多极子数据库的电磁环境预测系统 | |
CN109508482A (zh) | 一种用于复杂曲面表面轮廓度误差不确定度的计算方法 | |
CN115752243A (zh) | 一种测量数据融合方法 | |
RU2020127362A (ru) | Способ и компьютерный программный продукт для определения мер по разработке, проектированию и/или развертыванию сложных встраиваемых или киберфизических систем, в частности, используемых в них сложных программных архитектур, из разных технических областей | |
CN103310106B (zh) | 一种零件孔系作用尺寸的计算方法 | |
CN114781056A (zh) | 一种基于特征匹配的飞机整机外形测量方法 | |
CN110729024B (zh) | 一种基于拓扑结构相似性的蛋白质结构模型质量评估方法 | |
CN110175357B (zh) | 一种基于基准化分析的门级敏感性电路单元定位方法 | |
CN112233733A (zh) | 分子力场质量控制系统及其控制方法 | |
Harmening et al. | Terrestrial laserscanning-modeling of correlations and surface deformations | |
CN103135004B (zh) | 一种试验表构造的方法、一种测量电磁特性的方法及其装置 | |
CN116384257B (zh) | 一种空分整装冷箱装配误差预测与公差优化方法 | |
CN103837772A (zh) | 一种基于加速寿命试验的低功耗采集系统寿命评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220408 Address after: 214400 No. 39, Gangcheng Avenue, Jiangyin City, Wuxi City, Jiangsu Province Patentee after: Jiangyin Jingqi CNC Co.,Ltd. Address before: 1 No. 211167 Jiangsu city of Nanjing province Jiangning Science Park Hongjing Road Patentee before: NANJING INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |