CN108648153B - 蜂窝芯面形测量数据毛刺去除方法 - Google Patents

Abstract

本发明公开了一种蜂窝芯面形测量数据毛刺去除方法，包括如下步骤：获取蜂窝芯面形的三维数据；对蜂窝芯面形边区域进行划分；将每条蜂窝芯蜂窝面形边测量数据中的平面毛刺去除；将每条蜂窝芯面形蜂窝边测量数据中的空间毛刺去除。本发明采用降维方式，将三维测量数据转化为二维测量数据，降低了毛刺识别的复杂程度；通过在二维空间直线和曲线方式的回归分析，识别空间毛刺，解决了由于拟合平面沿蜂窝壁方向倾斜，毛刺识别误差大的问题，毛刺识别精度高，毛刺是加工后表面质量的反应，对其进一步的分析能够对加工参数的确定提供指导，且毛刺数据的去除是面形加工精度计算的有效保证。

Description

蜂窝芯面形测量数据毛刺去除方法

技术领域

本发明涉及蜂窝芯面形测量数据毛刺去除方法。

背景技术

蜂窝芯作为极佳的高强度和超轻型结构，广泛应用于航空、航天、船舶和高速列车等领域。蜂窝芯是夹层结构的轻质芯材，其上下表面经数控加工形成特定曲面，与上下两层具有相反形状的薄板用胶粘接在一起，构成蜂窝芯夹层结构。蜂窝芯曲面加工质量的好坏和加工精度的高低，决定了其与上下薄板粘接的可靠性、进而影响整个蜂窝夹层结构的性能。因此在加工后粘接前，必须对蜂窝芯复杂曲面的加工精度进行检测，检测合格的构件才能粘接薄板形成蜂窝芯夹层构件。因此需要一种测量方法，用于检测蜂窝芯加工后的复杂曲面形状精度。

蜂窝芯加工表面具有非连续特征。蜂窝芯是一种多孔薄壁结构，蜂窝边厚0.05mm-0.1mm，壁形状多为正六边形，壁边长2-5mm，蜂窝边截面占其总表面积的比例小于10％，这种非连续特征导致蜂窝芯构件复杂曲面形状精度的测量困难。目前，仍缺少一种适用于加工现场的，高精度的，能够实现对加工后的蜂窝芯面形进行量化评估的方法。

目前航空航天制造企业实现对蜂窝芯面形的量化测量主要通过三坐标测量机，将三坐标测量机的测头进行改装，使测头与蜂窝芯的接触面积增大，甚至大于蜂窝芯的一个单元。因此，这种测量方法，由于测量时测头部分与蜂窝芯接触面积过大，不能测量到具体的蜂窝壁高度。并且，这种方法在主要适用于平面和斜面测量，在测量曲面时，由于测头与蜂窝芯接触面为平面，测头接触的蜂窝壁与测量的位置存在高度差，因此曲面测量误差较大。

在专利申请号为201310485345.6，名称为“一种组合框架结构蜂窝芯平面度的测量方法”的专利中，其利用高精度的刀口尺和成套的三等或以上精度等级的量块，结合高度差的计算方法，进行蜂窝芯的平面度测量。该专利提供了整体上测量蜂窝芯平面度的方法，对于蜂窝芯材料的具体面形测量精度有限。

申请号为201610585321.1、201610585419.7的发明专利公开了一种用于蜂窝芯面形测量方法，在待测工件表面覆上一层薄膜，以一定的真空度将薄膜吸附压在蜂窝芯表面。以激光微位移传感器测量覆膜后的工件表面，获得蜂窝芯面形的测量数据。这种方法中的覆膜压在蜂窝边表面，能够将加工中形成的毛刺压倒，避免蜂窝边表面毛刺对测量精度的影响。但是测量前覆膜也使得测量过程复杂、需要增加覆膜和真空吸附装置，不适合加工现场的实时测量。

如果能以激光微位移传感器测量加工后蜂窝芯表面的形貌，获得形状精度信息，将会极大简化上述过程。但直接测量过程中，蜂窝芯加工表面的毛刺也同时会被测量、进入到蜂窝芯形状测量数据中来。但毛刺的高度并不反映蜂窝芯真正的面形高度，毛刺的存在会影响蜂窝芯的面形测量精度。是否能从测量数据中将毛刺的测量数据识别并去除，是激光微位移传感器直接测量蜂窝芯形貌方法能否实现的关键之一。

申请号为201711001309.2的发明专利公开了一种从蜂窝芯表面测量数据中识别蜂窝边区域的方法，能够实现对测量后的蜂窝芯面形数据中每条蜂窝边的测量数据进行单独数据处理，为后续毛刺数据的去除及其它精度分析提供基础。申请号为201711002057.5的发明专利公开了一种蜂窝芯面形测量数据毛刺去除方法，其对平面毛刺和空间毛刺的去除，均采用拟合法，其对空间毛刺进行平面拟合，但其未给出具体的实现方法，如果拟合的平面沿蜂窝壁方向倾斜，则会导致毛刺的识别出现较大的误差。并且实际测量的蜂窝边数据波动较大，采用平面拟合去除空间毛刺，精度较低。因此，仍需要一种更加合理的、高精度的毛刺数据去除方法。

发明内容

本发明针对以上问题的提出，而研制的蜂窝芯面形测量数据毛刺去除方法，包括如下步骤：

—测量待测蜂窝芯面形表面，获取蜂窝芯面形的三维数据，使x坐标和y坐标对应蜂窝芯面形的水平位置，z坐标对应该水平位置蜂窝芯面形的高度值；

通过特征识别的方法，对蜂窝芯面形边区域进行划分，实现对每条蜂窝芯面形边数据的单独数据处理；

定义在xoy面内清晰可见的毛刺为平面毛刺；在xoy面内不可见，但其高度值偏离正常蜂窝芯面形边数据的毛刺为空间毛刺；

—将每条蜂窝边测量数据中的平面毛刺去除：

进行降维处理，获取三维测量数据的一个二维空间；

在降维后的二维空间中对平面毛刺进行识别，并在原来的三维测量数据中进行去除；

上述平面毛刺去除过程重复多次进行，逐渐将平面毛刺去除。

—将每条蜂窝芯面形边测量数据中的空间毛刺去除：

对去除平面毛刺后的测量数据，进行降维处理，获取三维测量数据的另一个二维空间；

在降维后的二维空间中对空间毛刺进行识别，并在原来的三维测量数据中进行去除；

上述空间毛刺去除过程重复多次进行，逐渐将空间毛刺去除。

作为优选的实施方式，—所述的平面毛刺去除时降维处理的具体过程为：

将测量数据向投影面Ⅰ中投影，投影面Ⅰ为测量数据的xoy平面，每个测量数据降维后的结果即为其xy坐标。

作为优选的实施方式，—所述的平面毛刺去除时在降维后的二维空间中对平面毛刺进行识别，并在原来的三维测量数据中进行去除的具体过程为：

在降维后的二维空间中，采用一定的回归模型对测量数据进行回归分析，预测出蜂窝芯蜂窝面形边曲线，数据点到该曲线距离大于所设定阈值d的为平面毛刺数据，在原来的三维测量数据中将其去除。

作为优选的实施方式，—所述的空间毛刺去除时降维处理的具体过程为：

将测量数据向投影面Ⅱ中投影，投影面Ⅱ垂直于xoy平面，并经过xoy平面中蜂窝芯面形边的近似直线；

该近似直线是将测量数据的xy坐标拟合得到，得到蜂窝芯面形边的两个端点P₁(x₁,y₁)与P₂(x₂,y₂)，及其倾角α；

以P₁为坐标原点，该近似直线为x'轴建立坐标系o'-x'y'z'，原来的三维测量数据投影后坐标为：

每个测量数据降维后的结果即为其x'y'坐标。

作为优选的实施方式，—所述的空间毛刺去除时在降维后的二维空间中对空间毛刺进行识别，并在原来的三维测量数据中进行去除的具体过程为：

在降维后的二维空间中，采用一定的回归模型对测量数据进行回归分析，预测出蜂窝芯蜂窝面形边曲线，数据点到该曲线距离大于所设定阈值h的为空间毛刺数据，在原来的三维测量数据中将其去除。

作为优选的实施方式，—所述的回归模型具体包括：

线性回归模型和非线性回归模型；

所述的线性回归模型适用于毛刺数据粗略去除时，以及毛刺数据精细去除时蜂窝芯蜂窝面形边的数据分布为直线时；

所述的非线性回归模型适用于毛刺数据精细去除时，蜂窝芯蜂窝面形边的数据分布为曲线时，不同的形状选择其对应的模型。

作为优选的实施方式，—所述的线性回归模型具体为：

一次多项式

f(t)＝α₁+α₂t (2)

其中t为自变量，f(t)为因变量，α₁和α₂是方程的参数，能够根据测量数据估算获得，其它的模型的参数确定也与此相同。

作为优选的实施方式，—所述的非线性回归模型具体包括：

logistic方程

其中t为自变量，f(t)为因变量，L，k和t₀是方程的参数；

高次多项式方程：

f(t)＝β₀+β₁t¹+β₂t²+…+β_ntⁿ (4)

其中t为自变量，f(t)为因变量，β₀，β₁，…，β_n是方程的参数；

以及其它能描述蜂窝芯面形边测量数据分布的方程。

作为优选的实施方式，—所述的logistic回归模型适用于：

蜂窝芯蜂窝面形边测量数据分布呈“S”形的蜂窝芯。

作为优选的实施方式，—所述的高次多项式回归模型适用于：

蜂窝芯蜂窝面形边测量数据分布为曲线，且曲线的方程不明确的蜂窝芯，多项式的次数n取值为5-10。

与现有技术相比，本发明具有以下有益效果：

1.降低毛刺识别复杂性。采用降维方式，将三维测量数据转化为二维测量数据，降低了毛刺识别的复杂程度。

2.毛刺识别精度高。通过在二维空间直线和曲线方式的回归分析，识别空间毛刺，解决了由于拟合平面沿蜂窝壁方向倾斜，毛刺识别误差大的问题。因此，毛刺识别精度高。

3.指导加工参数的确定。毛刺是加工后表面质量的反应，对其进一步的分析能够对加工参数的确定提供指导。

4.加工精度的评价。毛刺数据的去除是面形加工精度计算的有效保证。

附图说明

为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的蜂窝芯面形测量数据毛刺去除方法的流程图。

图2是蜂窝芯面形边区域划分效果图。

图3是毛刺分类示意图。

图4是投影面Ⅰ和投影面Ⅱ示意图。

图5是平面毛刺去除时，线性回归模型示意图。

图6是平面毛刺去除时，线性回归模型示意图。

图7是空间毛刺去除时降维处理示意图。

图8是空间毛刺去除示意图。

图9是实施例中样件一的毛刺去除结果：分别为(a)测量装置实物图；(b)样件俯视图；(c)原始测量数据；(d)平面毛刺去除效果图；(e)空间毛刺去除效果图。

图10是实施例中样件二的毛刺去除结果：分别为(a)测量装置实物图；(b)样件俯视图；(c)原始测量数据；(d)平面毛刺去除效果图；(e)空间毛刺去除效果图。

图11是实施例中样件三的毛刺去除结果：分别为(a)测量装置实物图；(b)样件俯视图；(c)原始测量数据；(d)平面毛刺去除效果图；(e)空间毛刺去除效果图。

具体实施方式

为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1-11所示：本发明采用的技术方案具体实现步骤为：

1.蜂窝芯三维面形数据的蜂窝边识别

测量待测蜂窝芯面形表面，获取蜂窝芯面形的三维数据，使x坐标和y坐标对应蜂窝芯面形的水平位置，z坐标对应该水平位置蜂窝芯面形的高度值；

通过特征识别的方法，对蜂窝芯面形边区域进行划分，实现对每条蜂窝芯面形边数据的单独数据处理，划分的结果如图2；

定义在xoy面内清晰可见的毛刺为平面毛刺；在xoy面内不可见，但其高度值偏离正常蜂窝芯面形边数据的毛刺为空间毛刺，示意图如图3。

2.平面毛刺数据识别和去除

进行降维处理，获取三维测量数据的一个二维空间；

将测量数据向投影面Ⅰ中投影，投影面Ⅰ为测量数据的xoy平面，如图4，每个测量数据降维后的结果即为其xy坐标。

在降维后的二维空间中，采用一定的回归模型对测量数据进行回归分析，预测出蜂窝芯面形边曲线，数据点到该曲线距离大于所设定阈值d的为平面毛刺数据，在原来的三维测量数据中将其去除。

以上过程重复多次，调整回归模型和阈值d，逐渐将平面毛刺去除。

首先选择线性回归模型，粗略地将偏离较远的毛刺去除，如图5；

f(t)＝α₁+α₂t (2)

其中t为自变量，f(t)为因变量，α₁和α₂是方程的参数，能够根据测量数据估算获得，其它的模型的参数确定也与此相同。

再根据蜂窝芯蜂窝面形边的分布形状，选择相符合的非线性回归模型，将蜂窝芯蜂窝面形边附近的毛刺去除，具体包括：

(1)对于分布为直线的蜂窝芯面形边，仍选择线性回归模型

(2)对于分布呈“S”形的蜂窝芯面形边，选择logistic方程

其中t为自变量，f(t)为因变量，L，k和t₀是方程的参数；

(3)对于分布为曲线，曲线方程不确定的蜂窝芯面形边，选择高次多项式方程，如图6：

f(t)＝β₀+β₁t¹+β₂t²+…+β_ntⁿ (4)

其中t为自变量，f(t)为因变量，β₀，β₁，…，β_n是方程的参数；n取值5-10；

以及其它能描述蜂窝芯面形边测量数据分布的方程。

3.空间毛刺数据识别和去除

对去除平面毛刺后的测量数据，首先进行降维处理，获取三维测量数据的另一个二维空间；

将测量数据向投影面Ⅱ中投影，投影面Ⅱ垂直于xoy平面，并经过xoy平面中蜂窝芯面形的近似直线，如图4；

该近似直线是将测量数据的xy坐标拟合得到，得到蜂窝芯面形边的两个端点P₁(x₁,y₁)与P₂(x₂,y₂)，及其倾角α，如图7；

以P₁为坐标原点，该近似直线为x'轴建立坐标系o'-x'y'z'，原来的三维测量数据投影后坐标为：

每个测量数据降维后的结果即为其x'y'坐标。

在降维后的二维空间中，采用一定的回归模型对测量数据进行回归分析，预测出蜂窝芯面形边曲线，数据点到该曲线距离大于所设定阈值h的为空间毛刺数据，在原来的三维测量数据中将其去除，如图8。

以上过程重复多次，调整回归模型和阈值h，逐渐将空间毛刺去除。

首先选择线性回归模型，粗略地将偏离较远的毛刺去除；

f(t)＝α₁+α₂t (2)

再根据蜂窝芯面形边的分布形状，选择相符合的非线性回归模型，将蜂窝芯面形边附近的毛刺去除，具体包括：

(1)对于分布为直线的蜂窝芯面形边，仍选择线性回归模型。

(2)对于分布为曲线，曲线方程不确定的蜂窝芯面形边，选择高次多项式方程，如图8：

f(t)＝β₀+β₁t¹+β₂t²+…+β_ntn (4)

其中t为自变量，f(t)为因变量，β₀，β₁，…，β_n是方程的参数；n取值5-10；

以及其它能描述蜂窝芯面形边测量数据分布的方程。

实施例1

1.蜂窝芯三维面形数据的蜂窝边识别

本实施例所选用的激光微位移传感器为基恩士公司的超高速轮廓测量仪(LJ-V7060)。该测量仪，采用蓝色半导体激光，可以实现稳定和超高速测量，采样间隔可达16μs，其Z轴方向重复测量精度可达0.4μm，测量轮廓数据间隔20μm，测量的激光线长度为15mm。测量时，将轮廓测量仪测头安装在三轴数控机床上，蜂窝芯样件固定在机床工作台，由机床控制轮廓测量仪测头的运动，对蜂窝芯面形表面进行扫描。蜂窝芯进行扫描时，沿蜂窝芯L方向扫描，获得的数据点密度为40点/mm×50点/mm。选用的纸蜂窝芯如图9(a)，图10(a)和图11(a)，其激光微位移传感器测量数据结果如图9(b)，图10(b)和图11(b)。

测量待测蜂窝芯面形表面，获取蜂窝芯面形的三维数据，使x坐标和y坐标对应蜂窝芯面形的水平位置，z坐标对应该水平位置蜂窝芯面形的高度值；

通过特征识别的方法，对蜂窝芯面形边区域进行划分，实现对每条蜂窝芯面形边数据的单独数据处理，划分的结果如图2；

定义在xoy面内清晰可见的毛刺为平面毛刺；在xoy面内不可见，但其高度值偏离正常蜂窝芯面形边数据的毛刺为空间毛刺，示意图如图3。

2.平面毛刺数据识别和去除

首先进行降维处理，获取三维测量数据的一个二维空间；

将测量数据向投影面Ⅰ中投影，投影面Ⅰ为测量数据的xoy平面，如图4，每个测量数据降维后的结果即为其xy坐标。

在降维后的二维空间中，采用一定的回归模型对测量数据进行回归分析，预测出蜂窝芯蜂窝面形边曲线，数据点到该曲线距离大于所设定阈值d的为平面毛刺数据，在原来的三维测量数据中将其去除。

以上过程重复8次，前5次，单层蜂窝芯面形边和双层蜂窝芯面形边均选用线性回归模型；d的取值分别为5d₀,2.5d₀,1.5d₀,d₀,0.75d₀(d₀为蜂窝芯面形边本身的宽度)，粗略地将偏离较远的毛刺去除，如图5；其中回归模型的参数，在回归模型确定后，即可由测量数据拟合得到，本发明采用Matlab中拟合工具求得；

后3次，选用非线性回归模型，单层蜂窝芯面形边选择5次多项式，双层蜂窝边选择线性回归模型；d的取值分别为d₀,0.75d₀,0.5d₀(d₀为蜂窝芯面形边本身的宽度)，将蜂窝芯面形边附近的毛刺去除，非线性回归模型示意图如图6；

3.空间毛刺数据识别和去除

对去除平面毛刺后的测量数据，首先进行降维处理，获取三维测量数据的另一个二维空间；

将测量数据向投影面Ⅱ中投影，投影面Ⅱ垂直于xoy平面，并经过xoy平面中蜂窝芯面形的近似直线，如图4；

该近似直线是将测量数据的xy坐标拟合得到，得到蜂窝芯面形边的两个端点P₁(x₁,y₁)与P₂(x₂,y₂)，及其倾角α，如图7；

以P₁为坐标原点，该近似直线为x'轴建立坐标系o'-x'y'z'，原来的三维测量数据投影后坐标为：

每个测量数据降维后的结果即为其x'y'坐标，如图7。

在降维后的二维空间中，采用一定的回归模型对测量数据进行回归分析，预测出蜂窝芯面形边曲线，数据点到该曲线距离大于所设定阈值h的为空间毛刺数据，在原来的三维测量数据中将其去除，如图8。

以上过程重复8次，前5次，单层蜂窝芯面形边和双层蜂窝芯面形边均选用线性回归模型；h的取值分别为5h₀,2.5h₀,1.5h₀,h₀,0.75h₀(h₀为蜂窝芯面形边本身的高度波动范围)，粗略地将偏离较远的毛刺去除；其中回归模型的参数，在回归模型确定后，即可由测量数据拟合得到；

后3次，选用非线性回归模型，单层蜂窝芯面形边和双层蜂窝芯面形边均选用5次多项式；h的取值分别为h₀,0.75h₀,0.5h₀(h₀为蜂窝芯面形边本身的高度波动范围)，将蜂窝芯面形边附近的毛刺去除，非线性回归模型示意图如图8。

本发明选取三个样件进行以上方法的验证。

样件一为蜂窝芯面形为平面的纸蜂窝芯；样件二为蜂窝芯面形为斜面的纸蜂窝芯；样件三为蜂窝芯面形为曲面的纸蜂窝芯。

其结果分别如图9、10、11所示，其中图9(a)、10(a)、11(a)为测量装置实物图；图9(b)、10(b)、11(b)为样件俯视图；图9(c)、10(c)、11(c)原始测量数据，云图中颜色代表数据的高度；图9(d)、10(d)、11(d)平面毛刺去除效果图；图9(e)、10(e)、11(e)空间毛刺去除效果图。从图9(d)、10(d)、11(d)中可以看出在蜂窝芯面形边附近不再有明显的毛刺，平面毛刺被去除，并且没有明显的蜂窝芯面形边被删的情况。从图9(e)中，测量数据的总的高度范围缩小，能够看到每条蜂窝芯面形边上测量数据的颜色变化，体现了空间毛刺被去除的效果。从图10(e)和图11(e)中，能够从测量数据的颜色变化看出蜂窝芯面形，没有了空间毛刺对测量数据的影响。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种蜂窝芯面形测量数据毛刺去除方法，其特征在于包括如下步骤：

—测量待测蜂窝芯面形表面，获取蜂窝芯面形的三维数据，使x坐标和y坐标对应蜂窝芯面形的水平位置，z坐标对应该水平位置蜂窝芯面形的高度值；

通过特征识别的方法，对蜂窝芯面形边区域进行划分，实现对每条蜂窝芯面形边数据的单独数据处理；

定义在xoy面内清晰可见的毛刺为平面毛刺；在xoy面内不可见，但其高度值偏离正常蜂窝芯面形边数据的毛刺为空间毛刺；

—将每条蜂窝芯面形边数据中的平面毛刺去除：

进行降维处理，获取三维测量数据的一个二维空间；

在降维后的二维空间中对平面毛刺进行识别，并在原来的三维测量数据中进行去除；

上述平面毛刺去除过程重复多次进行，逐渐将平面毛刺去除；

—将每条蜂窝芯面形边数据中的空间毛刺去除：

对去除平面毛刺后的测量数据，进行降维处理，获取三维测量数据的另一个二维空间；

在降维后的二维空间中对空间毛刺进行识别，并在原来的三维测量数据中进行去除；

上述空间毛刺去除过程重复多次进行，逐渐将空间毛刺去除。

2.根据权利要求1所述的蜂窝芯面形测量数据毛刺去除方法，其特征还在于：所述的平面毛刺去除时降维处理的具体过程为：

将测量数据向投影面Ⅰ中投影，投影面Ⅰ为测量数据的xoy平面，每个测量数据降维后的结果即为其xy坐标。

3.根据权利要求1所述的蜂窝芯面形测量数据毛刺去除方法，其特征还在于：所述的平面毛刺去除时在降维后的二维空间中对平面毛刺进行识别，并在原来的三维测量数据中进行去除的具体过程为：

在降维后的二维空间中，采用一定的回归模型对测量数据进行回归分析，预测出蜂窝芯蜂窝面形边曲线，数据点到该曲线距离大于所设定阈值d的为平面毛刺数据，在原来的三维测量数据中将其去除；

所述的回归模型具体包括：

线性回归模型和非线性回归模型；

所述的线性回归模型适用于毛刺数据粗略去除时，以及毛刺数据精细去除时蜂窝芯蜂窝面形边的数据分布为直线时；

所述的非线性回归模型适用于毛刺数据精细去除时，蜂窝芯蜂窝面形边的数据分布为曲线时，不同的形状选择其对应的模型；

所述的非线性回归模型具体包括：

logistic方程

其中t为自变量，f(t)为因变量，L，k和t₀是方程的参数；

高次多项式方程：

f(t)＝β₀+β₁t¹+β₂t²+…+β_ntⁿ (4)

其中t为自变量，f(t)为因变量，β₀，β₁，…，β_n是方程的参数；

所述的logistic回归模型适用于：

蜂窝芯蜂窝面形边测量数据分布呈“S”形的蜂窝芯；

所述的高次多项式回归模型适用于：

蜂窝芯蜂窝面形边测量数据分布为曲线，且曲线的方程不明确的蜂窝芯，多项式的次数n取值为5-10。

4.根据权利要求1所述的蜂窝芯面形测量数据毛刺去除方法，其特征还在于：所述的空间毛刺去除时降维处理的具体过程为：

将测量数据向投影面Ⅱ中投影，投影面Ⅱ垂直于xoy平面，并经过xoy平面中蜂窝芯面形边的近似直线；

该近似直线是将测量数据的xy坐标拟合得到，得到蜂窝芯面形边的两个端点P₁(x₁,y₁)与P₂(x₂,y₂)，及其倾角α；

以P₁为坐标原点，该近似直线为x'轴建立坐标系o'-x'y'z'，原来的三维测量数据投影后坐标为：

每个测量数据降维后的结果即为其x'y'坐标。

5.根据权利要求1所述的蜂窝芯面形测量数据毛刺去除方法，其特征还在于所述的空间毛刺去除时在降维后的二维空间中对空间毛刺进行识别，并在原来的三维测量数据中进行去除的具体过程为：

在降维后的二维空间中，采用一定的回归模型对测量数据进行回归分析，预测出蜂窝芯蜂窝面形边曲线，数据点到该曲线距离大于所设定阈值h的为空间毛刺数据，在原来的三维测量数据中将其去除；

所述的回归模型具体包括：

线性回归模型和非线性回归模型；

所述的线性回归模型适用于毛刺数据粗略去除时，以及毛刺数据精细去除时蜂窝芯蜂窝面形边的数据分布为直线时；

所述的非线性回归模型适用于毛刺数据精细去除时，蜂窝芯蜂窝面形边的数据分布为曲线时，

所述的非线性回归模型具体包括：

logistic方程

其中t为自变量，f(t)为因变量，L，k和t₀是方程的参数；

高次多项式方程：

f(t)＝β₀+β₁t¹+β₂t²+…+β_ntⁿ (4)

其中t为自变量，f(t)为因变量，β₀，β₁，…，β_n是方程的参数；

所述的logistic回归模型适用于：

蜂窝芯蜂窝面形边测量数据分布呈“S”形的蜂窝芯；

所述的高次多项式回归模型适用于：

蜂窝芯蜂窝面形边测量数据分布为曲线，且曲线的方程不明确的蜂窝芯，多项式的次数n取值为5-10。

6.根据权利要求3或5所述的蜂窝芯面形测量数据毛刺去除方法，其特征还在于：所述的线性回归模型具体为：

一次多项式

f(t)＝α₁+α₂t (2)

其中t为自变量，f(t)为因变量，α₁和α₂是方程的参数，能够根据测量数据计算得到，其它的模型的参数确定也与此相同。

Images