CN111680821B - 一种面向多检验特征的检测路径规划方法 - Google Patents

一种面向多检验特征的检测路径规划方法 Download PDF

Info

Publication number
CN111680821B
CN111680821B CN202010392268.XA CN202010392268A CN111680821B CN 111680821 B CN111680821 B CN 111680821B CN 202010392268 A CN202010392268 A CN 202010392268A CN 111680821 B CN111680821 B CN 111680821B
Authority
CN
China
Prior art keywords
point
points
measuring
path
matrix
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.)
Active
Application number
CN202010392268.XA
Other languages
English (en)
Other versions
CN111680821A (zh
Inventor
王美清
钟文豪
马天策
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202010392268.XA priority Critical patent/CN111680821B/zh
Publication of CN111680821A publication Critical patent/CN111680821A/zh
Application granted granted Critical
Publication of CN111680821B publication Critical patent/CN111680821B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

本发明公开一种面向多检验特征的检验路径规划方法：步骤一：测点和安全点的布局，记录每个测点的坐标值、方向向量和所属特征的标识号；步骤二：制定相关规则，建立任意测点和安全点间的N×N关联关系布尔矩阵RN；步骤三：根据测点之间是否可有效到达构建基于关联关系布尔矩阵约束的蚁群算法，得出各测点和安全点间可达路径的最优解；步骤四：构建结构体数组，存储最优解测点的有序队列、测点依附的特征名、特征类型及检验几何公差；步骤五：将路径输出成带有依附特征信息数据的检测路径程序，用设备进行检测，并返回测点实测值；最后进行测点的拟合与评价。本发明方法使得规划路径最短，节省测量的时间，提高数字化检测的效率。

Description

一种面向多检验特征的检测路径规划方法
技术领域
本发明涉及一种面向多检验特征的检测路径规划方法，尤其是一种在智能制造加工技术领域数字化检测中基于三维模型的测点路径规划方法，它以数字化检测过程路径规划为目标，通过分析布置在多个待检验特征上的测点及安全点之间的位置关系，根据测点可测性和所属几何特征标签等信息，对部署在多检验特征上的测点进行路径规划。适用于数字化检测、检测路径规划、智能制造加工等领域。
背景技术
机械零件检测是零件生产制造过程重要的组成部分。对于零件检测而言，检测路径直接影响检测效率、检测精度、检测准确性等诸多问题。随着企业数字化转型进程的加快，企业中广泛采用三坐标测量机或在机测量方式进行零件加工质量的检测，在这种数字化的检测过程中测点路径的规划是影响测量效率的关键。当前，企业在利用三坐标测量机等数字化检测设备进行机械产品质量检测时，通常采用手工规划测量或面向单一几何特征的自动规划和测量的方式。手工布点和人工路径规划存在测量路径反复重叠、可测性不佳、反复试错等问题；基于单一几何特征的路径规划的检测方式也存在路径无法跨几何特征、路径重复等问题，难以充分发挥三坐标测量机等数字化测量设备的效能，严重影响了检测效率和检测质量，使得检测环节成为影响生产计划按时完成的瓶颈之一。因此，研究基于数字化模型的能够跨几何特征的最优化检测路径规划方法具有重要的理论意义和应用价值。
近年来，随着智能制造技术的快速发展，三维建模软件二次开发的难度大大降低，通过对三维数字化模型中几何特征的解析和提取、对测点坐标值的分析和检测路径的仿真，可以实现基于几何特征的测点优化布局和检测路径规划。采用面向多检验特征的测点路径规划方法，可以解析多个几何特征上的测点坐标和可测性等信息，实现跨几何特征的路径规划，减少重复路径和无效路径，提高检测效率。本发明针对数字化检测中基于三维模型的测点路径规划问题，综合考虑了多检测特征的测点可测性、跨几何特征的检测路径规划、面向测量结果评价的测点数据组织管理等问题，提出了一种面向多检验特征的检验路径规划方法。借助该方法，在检测试验中采集测点及特征数据，经过一系列的分析与处理，能够实现面向多检验特征自动检测的最优化路径规划。
发明内容
在数字化检测过程中，路径规划的结果影响检测效率和检测效果，实现跨几何特征的检验路径规划对于提高检测效率和检测质量十分重要。基于此，本发明的目的在于提供一种面向多检验特征的检验路径规划方法，通过对测点及安全点的关联关系矩阵的建立、蚁群算法的路径规划应用和基于结构体数组的数据存储等，实现跨几何特征的测点全局最优路径规划和面向检测结果评价的测点数据组织管理。
本发明提出了一种面向多检验特征的检验路径规划方法。在分析测点可达性的基础上，提出了基于蚁群算法的测点序列最优化选择策略，实现了跨几何特征的测点路径规划。本发明的具体实施步骤如下：
步骤一：区别于根据工人师傅的经验在模型上手动增加测点和安全点的常规方法，本发明通过分析三维模型上的检验信息，根据几何特征的特点和几何公差的要求进行测点和安全点的布局，并记录每个测点的坐标值、方向向量和所属特征的标识号，设计相应的数据库表存储测点信息。
步骤二：针对测点之间可能存在跨特征相邻不可有效到达的问题，制定相关规则，建立任意测点和安全点之间的一个N×N关联关系布尔矩阵RN，其中N为测点和安全点的总个数，以此约束最终的规划路径。
步骤三：结合步骤二所建立的关联关系布尔矩阵，根据测点之间是否可有效到达构建基于关联关系布尔矩阵约束的蚁群算法，通过蚁群算法的迭代，得出各测点和安全点之间可达路径的最优解。
步骤四：结合步骤三的最优解，构建结构体数组，以结构体数组的形式存储最优解测点的有序队列、测点依附的特征名、特征类型以及检验几何公差等信息。其中，存储测点队列及相关信息的结构体的定义如下：
Figure BDA0002486241180000031
步骤五：结合上述步骤，将路径输出成带有依附特征信息等数据的检测路径程序，用三坐标测量机等设备进行检测，并返回相应的测点实际坐标值(即测点实测值)。获取测点实测值后，以测点所依附的特征ID为线索，抽取与特征相关联的所有测点实测值，结合特征类型和几何公差要求进行测点的拟合与评价。
其中，在步骤一中所述的“所属特征的标识号”，指的是测点依附的特征的唯一标识号，不与其他特征标识号重复，如“面001”等。
其中，在步骤二中所述的“相关规则”，有以下详述：①首先将关联关系布尔矩阵RN的元素均置为1。②当矩阵中任意一个点Ci所属的特征ID与点Cj所属的特征ID不相同时，将关联关系矩阵元素置为0，即RN(i,j)＝0。③根据零件模型实际情况，挑选特殊的点，这些点一般为特征边缘、特征内点或特征面突变点等，凡是涉及这些点的RN(i,j)均置为0。④对于矩阵中所有RN(i,j)＝0的两个关联点Ci和Cj，通过采用虚拟测量的方式，仿真模拟从点Ci运动到点Cj，若未检测到干涉，则将RN(i,j)置为1，否则保持不变。
其中，在步骤二中所述的“关联关系布尔矩阵RN”，指的是任意测点和安全点之间是否可有效到达的关系矩阵。当测头从任选的点Ci到Cj可以有效到达而不会产生干涉时，关联关系矩阵元素RN(i,j)＝1，否则为0。故可建立如下式(1)所示的关联关系矩阵。
Figure BDA0002486241180000041
其中矩阵的行数和列数都为测点和安全点的数量之和，且该矩阵的对角线均为0，因为点到自身的有效性对路径规划没有意义，该矩阵为对称矩阵。
其中，在步骤三所述的“基于关联关系布尔矩阵约束的蚁群算法”，指的是以关联关系矩阵作为约束的改进蚁群算法，详述如下：其中得到起点之后，蚂蚁根据两点之间的信息素和启发式信息(两点之间的距离)以概率Pij选择下一个到达点，其中下标ij表示从第i个点到第j个点的路径，Pij的计算公式如下式(2)所示：
Figure BDA0002486241180000042
其中τij—从点i到点j的信息素；ηij—测点j相对于i的可见度；J(i)—允许蚂蚁下一步选择的点；dij—测点i与测点j之间的距离；α、β—信息素浓度和控制可见度的权值；
其中，τij信息素的更新公式如下式(3)所示，它反映了蚂蚁在解决问题中的经验积累和向其他蚂蚁学习的能力：
Figure BDA0002486241180000051
其中，τij(t+n)—更新后的从i点到j点的信息素；(1-ρ)—在时刻t和t+n之间信息素消逝的程度；
Figure BDA0002486241180000052
—第k只蚂蚁在该条路径留下的信息素增量；m—蚂蚁的数量；Δτij—所有蚂蚁在该条路径留下的信息素增量之和；Q—常量；Lk—第k只蚂蚁在本次寻路中走过的路径长度。
其中最重要的一点：J(i)允许蚂蚁下一步选择点的集合由步骤二的RN(i,j)是否等于1产生，等于1则加入集合，否则舍去。
其中，在步骤四所述的“结构体数组”，指的是以多个队列的数据结构形式，按照先后顺序分别存储路径上的点的坐标值、方向向量和所属特征的标识号。
其中，在步骤五中所述的“输出成带有依附特征信息的检测路径程序”，指的是以三坐标测量机为例，测量程序的编写过程中，需要对待测点定义一个所属特征标识，将该特征标识与路径队列中的所属几何特征标识一一对应，即完成编码的过程；在测点实测值返回时，通过解码完成测点对应所属特征的归类，并可进行评价。
本发明一种面向多检验特征的检测路径规划方法，优点在于：
①本发明是一种能够跨几何特征的面向三维数字化模型的测点路径规划方法，面向的对象是机械零件质量检测中的多检验特征路径规划的测点可测性、规划路径最短和数据存储形式问题，采用改进蚁群算法进行优化学习，使得规划路径最短，节省测量的时间，采用结构体数组存储测点队列和相关信息，有助于测点实测值的记录和最终检验结果的评价，从而提高数字化检测的效率。
②针对跨检验特征的路径规划问题，通过建立表征测点间可达性的关联关系布尔矩阵，明确测头是否在测点之间可达，并借助于安全点的建立，使得路径规划可打破几何特征的界限，在保证测点可达的前提下达到测量路径最短的最优规划效果。
附图说明
结合附图以及下面的详细描述，可更容易理解本发明的前述特征，其中：
图1示出了本发明面向多检验特征的检测路径规划方法的工作流程；
图2示出了本发明实施案例中Creo2.0中的测试三维模型以及模型上的几何公差标注、测点和安全点；
图3示出了本发明实施案例中经过跨检验特征的检测路径规划方法后，得到的检测路径；
图4示出了本发明实施案例中路径的俯视图；
具体实施方式
本发明的一个实施案例中，利用Creo2.0的二次开发技术提供了一种面向多检验特征的检测路径规划方法。在数字化检测过程中，为了获取特征上的测点，需要对三维模型上的检测信息进行解析，并提取出相应的几何特征后，在特征上布置相应的测点。
实施例
一种面向多检验特征的检测路径规划方法，如图1所示，具体步骤如下：
步骤一：区别于根据工人师傅的经验在模型上手动增加测点和安全点的常规方法，本发明通过分析三维模型上的检验信息，根据几何特征的特点和几何公差的要求进行检测测点和安全点的布局，并记录每个测点的坐标值、方向向量和所属特征的标识号，设计相应的数据库表存储测点信息。针对所关注的跨特征检测路径规划问题，以在Creo2.0软件中的三维模型TEST_MODEL为案例，对模型上的标注进行解析，从而在三维模型的相关特征上进行测点的规划(见图2)，其中待测特征为平面、凹槽面和内圆柱面等四个特征，平面、凹槽面和圆柱面均采用随机布点方式进行测点规划，测点和安全点的总和为53个，并记录测点信息。
步骤二：针对测点之间可能存在跨几何特征相邻不可有效到达的问题，制定相关规则，建立任意测点和安全点之间的一个N×N关联关系布尔矩阵RN，其中N为测点和安全点的总个数，以此约束最终的规划路径。根据制定的相关规则，针对所有测点和安全点的可达性判断需要(该示例中共有53个测点和安全点)，构建了一个53×53关联关系布尔矩阵R53。其中的行和列均为测点和安全点的总和，且该矩阵为对称矩阵。
步骤三：结合步骤二所建立的关联关系布尔矩阵R53，根据测点之间是否可有效达到构建基于关系矩阵约束的蚁群算法，通过蚁群算法的迭代，迭代出各测点和安全点之间路径最短的最优解。针对蚁群算法的构建，确定参数(1-ρ)＝0.8，Q＝200，dij根据两点之间的坐标值进行计算，蚂蚁数量为50，并设置迭代次数为100，从而在迭代次数达到100次后，得到检测规划路径的全局最优解，并获得多检验特征的检测规划路径(见图3、图4)和其点的排序。
步骤四：结合步骤三的全局最优解，构建结构体数组，以结构体数组的形式存储最优解测点的有序队列、测点依附的特征名、特征类型以及检验几何公差等信息。获取最优解测点Ci的存储信息如：坐标值：x＝55.98，y＝206.78，z＝-43.33；默认测点实测值：x＝0，y＝0，z＝0，处于待更新状态；测点方向向量坐标：i＝1.50，j＝1.86，k＝0.00；测点依附特征名称：圆柱面；依附特征ID：216；特征依附类型：面；该点所属检测标注ID：43；故可由结构体数组表示为Point[i]{55.98,206.78,-43.33,0.00,0.00,0.00,0.50,0.86,0.00,‘圆柱面’，216，‘面’，43}。
步骤五：以三坐标测量机为测量设备，结合上述步骤，将路径输出成带有依附特征等信息的DMIS格式的测量程序。测量程序驱动三坐标测量机进行待测特征的测量，得到相应测点的实际坐标值(即测点实测值)；接着以依附特征ID：216为线索，抽取与“216特征”相关的测点，进行测点的拟合与几何尺寸和公差的评定。

Claims (4)

1.一种面向多检验特征的检验路径规划方法，其特征在于：该方法步骤如下：
步骤一：通过分析三维模型上的检验信息，根据几何特征的特点和几何公差的要求进行测点和安全点的布局，并记录每个测点的坐标值、方向向量和所属特征ID，设计相应的数据库表存储测点信息；
步骤二：针对测点之间可能存在跨特征相邻不可有效到达的问题，制定相关规则，建立任意测点和安全点之间的一个N×N关联关系布尔矩阵RN，其中N为测点和安全点的总个数，以此约束最终的规划路径；
步骤三：结合步骤二所建立的关联关系布尔矩阵，根据测点之间是否可有效到达构建基于关联关系布尔矩阵约束的蚁群算法，通过蚁群算法的迭代，得出各测点和安全点之间可达路径的最优解；
步骤四：结合步骤三的最优解，构建结构体数组，以结构体数组的形式存储最优解测点的有序队列、测点依附的特征名、特征类型以及检验几何公差信息；
步骤五：将路径输出成带有依附特征信息数据的检测路径程序，用设备进行检测，并返回相应的测点实际坐标值即测点实测值；获取测点实测值后，以测点所依附的特征ID为线索，抽取与特征相关联的所有测点实测值，结合特征类型和几何公差要求进行测点的拟合与评价；
步骤二中所述的相关规则，具体为：①首先将关联关系布尔矩阵RN的元素均置为1；②当矩阵中任意一个点Ci所属的特征ID与点Cj所属的特征ID不相同时，将关联关系矩阵元素置为0，即RN(i,j)＝0；③根据零件模型，挑选特殊点， 即特征边缘、特征内点或特征面突变点，凡涉及这些特殊点的RN(i,j)均置为0；④对于矩阵中所有RN(i,j)＝0的两个关联点Ci和Cj，通过采用虚拟测量的方式，仿真模拟从点Ci运动到点Cj，若未检测到干涉，则将RN(i,j)置为1，否则保持不变。
2.根据权利要求1所述的一种面向多检验特征的检验路径规划方法，其特征在于：步骤二中所述的关联关系布尔矩阵RN，是任意测点和安全点之间是否可有效到达的关系矩阵；当测头从任选的点Ci到Cj可以有效到达而不会产生干涉时，关联关系矩阵元素RN(i,j)＝1，否则为0；故可建立如下式(1)所示的关联关系矩阵；
Figure FDA0003570159590000021
其中
Figure FDA0003570159590000022
其中矩阵的行数和列数都为测点和安全点的数量之和，且该矩阵的对角线均为0，因为点到自身的有效性对路径规划没有意义，该矩阵为对称矩阵。
3.根据权利要求1所述的一种面向多检验特征的检验路径规划方法，其特征在于：步骤三所述的基于关联关系布尔矩阵约束的蚁群算法，是以关联关系矩阵作为约束的改进蚁群算法，具体如下：其中得到起点之后，蚂蚁根据两点之间的信息素和启发式信息，以概率Pij选择下一个到达点，其中下标ij表示从第i个点到第j个点的路径，Pij的计算公式如下式(2)所示：
Figure FDA0003570159590000023
其中τij—从点i到点j的信息素；ηij—测点j相对于i的可见度；J(i)—允许蚂蚁下一步选择的点；dij—测点i与测点j之间的距离；α、β—信息素浓度和控制可见度的权值；
其中，τij信息素的更新公式如下式(3)所示，它反映了蚂蚁在解决问题中的经验积累和向其他蚂蚁学习的能力：
Figure FDA0003570159590000024
其中，τij(t+n)—更新后的从i点到j点的信息素；(1-ρ)—在时刻t和t+n之间信息素消逝的程度；
Figure FDA0003570159590000025
—第k只蚂蚁在该条路径留下的信息素增量；m—蚂蚁的数量；Δτij—所有蚂蚁在该条路径留下的信息素增量之和；Q—常量；Lk—第k只蚂蚁在本次寻路中走过的路径长度；
其中：J(i)允许蚂蚁下一步选择点的集合由步骤二的RN(i,j)是否等于1产生，等于1则加入集合，否则舍去。
4.根据权利要求1所述的一种面向多检验特征的检验路径规划方法，其特征在于：在步骤四所述的结构体数组，是以多个队列的数据结构形式，按照先后顺序分别存储路径上的点的坐标值、方向向量和所属特征ID。
CN202010392268.XA 2020-05-11 2020-05-11 一种面向多检验特征的检测路径规划方法 Active CN111680821B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010392268.XA CN111680821B (zh) 2020-05-11 2020-05-11 一种面向多检验特征的检测路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010392268.XA CN111680821B (zh) 2020-05-11 2020-05-11 一种面向多检验特征的检测路径规划方法

Publications (2)

Publication Number Publication Date
CN111680821A CN111680821A (zh) 2020-09-18
CN111680821B true CN111680821B (zh) 2022-07-15

Family

ID=72452470

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010392268.XA Active CN111680821B (zh) 2020-05-11 2020-05-11 一种面向多检验特征的检测路径规划方法

Country Status (1)

Country Link
CN (1) CN111680821B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112817308B (zh) * 2020-12-30 2022-10-11 北京航空航天大学 一种在机测量的无碰撞全局路径规划方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598705A (zh) * 2018-11-19 2019-04-09 江苏科技大学 一种基于检测特征的检验规程自动生成方法
CN109682336A (zh) * 2018-12-28 2019-04-26 上海理工大学 用于车身精度检测的三坐标测量路径自动规划与优化方法
CN110095122A (zh) * 2019-05-10 2019-08-06 安徽工程大学 一种基于改进蚁群算法的移动机器人路径规划方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102591888B (zh) * 2011-01-18 2016-08-24 赛恩倍吉科技顾问（深圳）有限公司 量测路径优化系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598705A (zh) * 2018-11-19 2019-04-09 江苏科技大学 一种基于检测特征的检验规程自动生成方法
CN109682336A (zh) * 2018-12-28 2019-04-26 上海理工大学 用于车身精度检测的三坐标测量路径自动规划与优化方法
CN110095122A (zh) * 2019-05-10 2019-08-06 安徽工程大学 一种基于改进蚁群算法的移动机器人路径规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
飞机复合材料构件超声C扫描检测轨迹规划系统研究;黄光胜 等;《制造业自动化》;20150531;第37卷(第5期);132-135 *

Also Published As

Publication number Publication date
CN111680821A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN106682350B (zh) 一种基于三维模型的多属性决策质量检测方法
CN102566424B (zh) 对数控机械加工设备的模态分析测点执行布置优化的方法
CN112132400B (zh) 一种工序时间规划方法、存储介质及系统
CN109828578B (zh) 一种基于YOLOv3的仪表巡检机器人最优路线规划方法
CN111680821B (zh) 一种面向多检验特征的检测路径规划方法
CN112926152B (zh) 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法
CN115229117A (zh) 一种基于数字孪生的壁板铆接变形控制方法
Chen FE model validation for structural dynamics
CN109034483A (zh) 一种基于质量功能配置的检测规划方法
CN115470672A (zh) 一种空间残余应力重构方法
CN114979951A (zh) 一种nlos环境下针对未知干扰的三维定位方法
CN114548494A (zh) 一种可视化造价数据预测智能分析系统
CN108563201B (zh) 一种dmaic驱动的小批量零件加工工艺过程质量改进方法
Lidell et al. The current and future challenges for virtual commissioning and digital twins of production lines
CN113733295B (zh) 一种混凝土3d打印的路径优化方法
CN110515354A (zh) 一种基于智能化技术的复杂曲面数字化闭环精密加工方法
CN105160065A (zh) 基于拓扑关系的遥感信息相似度评价方法
CN112732773A (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
CN112784435A (zh) 一种基于性能事件计数和温度的gpu实时功率建模方法
Alshameri et al. Multi-Objective Approach to Automated Fixture Synthesis Incorporating Deep Neural Network for Deformation Evaluation
CN109615308A (zh) 产出统计方法、装置、设备及可读存储介质
CN108846260A (zh) 遗传分离群体的遗传图谱构建方法及装置
CN115719196B (zh) 一种基于大数据的物流仓储仓库选址分析评判方法
CN110972118B (zh) 一种双工模式的社会互动关系数据采集平台及方法
CN115638795B (zh) 一种室内多源泛在定位指纹数据库的生成与定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant