CN112508895B - 一种基于曲面配准的螺旋桨叶片质量评估方法 - Google Patents
一种基于曲面配准的螺旋桨叶片质量评估方法 Download PDFInfo
- Publication number
- CN112508895B CN112508895B CN202011370807.6A CN202011370807A CN112508895B CN 112508895 B CN112508895 B CN 112508895B CN 202011370807 A CN202011370807 A CN 202011370807A CN 112508895 B CN112508895 B CN 112508895B
- Authority
- CN
- China
- Prior art keywords
- point
- curved surface
- registration
- propeller
- points
- 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
Links
- 238000001303 quality assessment method Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 65
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000013441 quality evaluation Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 65
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000009466 transformation Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000003754 machining Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种基于曲面配准的螺旋桨叶片质量评估方法,包括:分析螺旋桨叶片曲面,进行曲面参数化;根据曲面参数化进行曲面的测点数目规划;对规划的测点数目进行检测路径规划,确定检测点的位置;对得出的测点位置进行目标测点的数据采集,曲面粗配准;根据粗配准测点位置通过KDTree结构算法查找点云最近点;对最近点进行曲面配准算法迭代,直至收敛;当两个点云集完成整体的的最近点迭代后,对两个点云集进行曲面拟合完成螺旋桨曲面叶片的配准;本发明通过空间坐标将螺旋桨叶片进行参数化,然后进行测点规划,对确定的测点进行数据采集,通过NDT进行粗配准,再通过曲面配准算法进行迭代计算,完成检测数据与源数据的配准,使得质量评估精度更高。
Description
技术领域
本发明涉及螺旋桨叶片质量评估技术领域,具体涉及一种基于曲面配准的螺旋桨叶片质量评估方法。
背景技术
随着现代制造业的不断发展,质量评估在产品制造过程中越发的重要。质量评估主要是确保产品的质量水平符合标准,也是保证能够提前发现加工误差,并采取措施纠正。螺旋桨叶片曲面的精度决定了螺旋桨推进效率,对其检测并完成产品质量评估显得尤为重要。目前,企业对桨叶的精度评估尚需人工完成,导致整个桨叶从制造到应用过程较为缓慢。虽然已有高校在该问题上展开研究,但仍存在问题未解决。
申请号为CN201710268810.9的专利提出“一种基于差分进化算法和Trimmed ICP算法的点云配准方法”,其根据差分进化算法与改进ICP算法进行旋转平移矩阵的初值设定问题,解决了点云重叠率较小的配准问题,该方法通过ICP进行迭代对初值的要求较高,容易陷入局部最优解。申请号为CN201710761847.5的专利提出“改进的最近点迭代点云配准方法”,其提出了两种改进的最近点迭代点云配准方法,都能够有效地提高最近点算法的迭代速度,但该方法更适用于大量点云数据的情况下,且精度难以保证。申请号为CN201611068077.8的专利提出“多功能电动无人机螺旋桨检测平台”,其通过无人机检测技术解决了螺旋桨检测过程繁琐、时间长等问题,且能够同时检测螺旋桨升力、功耗和动平衡,但该方法在叶片精度方面也未提出改进。
发明内容
发明目的:为了克服现有技术的不足,本发明提供一种基于曲面配准的螺旋桨叶片质量评估方法,该方法可以解决在大量点云数据的情况下,评估精度低的问题。
技术方案:本发明所述的基于曲面配准的螺旋桨叶片质量评估方法,包括:
(1)分析螺旋桨当前形态,进行曲面参数化;
(2)根据所述曲面参数化进行曲面的测点数目规划;
(3)对规划的测点数目进行检测路径规划,确定检测点的位置;
(4)对得出的所述测点位置,进行目标测点的数据采集,进行曲面粗配准;
(5)根据所述粗配准测点位置通过KDTree结构算法查找点云最近点,采用不同参数查找螺旋桨不同状态的最近点;
(6)对所述最近点进行曲面配准算法迭代,直至收敛;
(7)当两个点云集完成整体的的最近点迭代后,对两个点云集进行曲面拟合,完成螺旋桨曲面叶片的配准。
进一步的,包括:
该方法还包括:
(8)对得到的配准结果通过国际螺旋桨精度检测标准进行判定;
(9)对得到的判定结果进行布尔运算,得到需要加工的区域面积和厚度;
(10)对得到的区域面积和厚度进行可视化显示,并生成检测报告。
进一步的,包括:
步骤(2)根据所述曲面参数化进行曲面的测点数目规划,包括:
(21)通过离散型值点表示螺旋桨叶片曲面的形状,设定共有L×K的测点,L表示横向截面曲线,K表示纵向截面曲线,且保证形状误差满足精度要求的情况下,L与K的值可在m0×n0~mi×nj之间选取,其中,m0和mi为横向截面曲线上的测点数,且mi>m0,n0和nj为纵向截面曲线上的测点数,且nj>n0;
(22)选取固定半径的螺旋桨,随机取不同的测点数目进行实验,得到不同测点下的误差精度d,形状误差精度d表示为:
其中,l,k分别为u,v方向的测点数,Sij为检测得到的测点的向量,T为坐标变换矩阵,Oij为测点在理论曲面上投影点的向量。
进一步的,包括:
步骤(3)对规划的测点数目进行检测路径规划,包括:
(31)建立空间三维坐标系,以工作台的回转中心为坐标原点O,螺旋桨叶片横向截面通过叶梢的截面曲线为Y轴,螺旋桨的轴线为Z轴,以垂直于Y轴并经过原点的线为X轴,并根据该坐标系求出各个测点的空间位置;
(32)对叶片形状进行分析,设定叶梢部位为零点,按照一定的角度划分横向截面曲线,该角度通过不断检测得到,原则是能够遍历所有的检测点,其次保证检测过程所走的路程最短,并且不会发生碰撞。
进一步的,包括:
所述步骤(4)包括:
(41)对得到的测点数据进行点云网格化,将点云数据分配到每个空间大小相等的三维立方体中,使得每个立方体中都包含一定点云数据;
(42)把包含的点云通过高斯分布放置在立方体中,点云的高斯分布参数为:
式中,μ为对称值参数,σ为形状参数,n为点云数目,T为转换矩阵;
(43)当点云位于方格内部后,根据内部的σ和μ对该点进行判定,设定目标函数,进而得到转换矩阵T,目标函数表示为:
(44)通过Hessian矩阵完成点云配准,得到两个点云集的大致位置。
进一步的,包括:
所述步骤(5)包括:
(51)定义2个点云集合:源点云集P和目标点云集Q,pi∈P,qj∈Q,其中i=1,2,…,M,j=1,2,…,N,M和N分别代表点云集P和Q包含的点云数目;
(52)通过K-D Tree进行计算最近距离的点,并通过欧氏距离进行最短距离的求解:
K-D Tree算法先通过K-D Tree搜索,对节点和分裂节点的K值进行比较,再决定对应的搜索路径,顺着搜索路径找到最近邻的相似点,就是与源数据点位于同一个子空间的结点,接着再去回溯搜索路径,并查找在该路径上是否还有距离更近的数据点,直至找到与源数据点最近的测点。
进一步的,包括:
所述步骤(6)包括:
(61)设定初始变换矩阵为Hessian矩阵,将源点云集P通过初始变换矩阵进行变换,获取新点云集P';
(62)通过分析点集P'与Q的点云特性,利用步骤(5)从检测点云集Q中寻找Pi'的空间最近点qj;
(63)采用以下公式来定义约束条件下的最小二乘
(64)求解变换矩阵并得到新的变换矩阵T1:
(65)返回步骤61,重复以上步骤,直到满足收敛条件,完成曲面配准。
进一步的,包括:
所述步骤(7)包括:
首先,当两个点云集完成空间配准后,将配准后的点云集坐标导出,分别通过切片法重构NURBS曲面;
其中,点云切片分割时,确定分割区域的分割方向,构造包围盒,通过构造的包围盒的主轴方向进行区域划分,然后,通过等区间分割法,把点云划分至各等分区间;
设随机三点Pti(xi,yi,zi),i=0.1.2,通过三点构面法,求出分割面法矢:
然后遍历所有点,判定数据点与区域的归属关系;
进行分割面上点集的边界提取,对点集的凸包边界通过转角法进行提取,步骤如下:
(71)首先设定某一坐标轴为参考方向,记作向量V1,寻找该坐标轴上的最小坐标为起点,记作Ps。
(72)在Ps邻域内寻找下一点,遍历该邻域的点,将得到的点与Ps形成向量V2,将产生最大夹角的点加入到边界点集;
(73)设V1=V2,然后按照上述步骤进行搜索,直至找到下一个与Ps相同的边界点;
由上述得到的分割曲面点可直接拟合出各条边界曲线,重新采集点云通过采样或插值的方法,以便形成规则化的点阵,生成NURBS曲线拟合。
进一步的,包括:
所述步骤(9)包括:
采用精确布尔运算对两个实体模型进行求交,即计算出两个实体模型的位置关系,并计算出两个模型的相交部分;
通过相交线进行布尔运算,包括:
首先进行包围盒检测,通过包围体将模型待测试的区域紧紧的包围起来,得到相交的三角面片,使用快速两两三角形求交算法,求出三角面片的交线;
然后拼接成环,再由环组合成面,使用Delaunay对生成的面进行三角剖分,保留重组模型后表面的区域,舍弃模型内部区域,得到的区域即为需要加工的区域,并对该区域的厚度进行计算。
进一步的,包括:
除了提出一种新型高精度质量评估方法,还能够根据螺旋桨生产阶段的检测需求不同,分析各阶段的状态,设置合理的配准工艺参数,根据这些参数,对螺旋桨配准调用不同的配准方法。
有益效果:本发明通过空间坐标将螺旋桨叶片进行参数化,然后进行测点规划,对确定的测点进行数据采集,通过NDT进行粗配准,再通过曲面配准算法进行迭代计算,完成检测数据与源数据的配准,通过曲面配准算法进行配准迭代,极大地提高检测精度,实现自动化质量评估。通过本发明所述的方法,能够满足复杂曲面的评估需求,可应用于其他船舶零部件表面检测评估。
附图说明
图1为本发明所述的质量评估方法流程图;
图2为本发明所述的螺旋桨测量坐标系;
图3为本发明所述的检测点位置示意图;
图4为本发明所述的配准效果图;
图5为本发明所述的螺旋桨曲面拟合流程图;
图6为本发明所述的布尔运算流程图;
图7为本发明所述的检测报告示意图。
具体实施方式
下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,并不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1所示,本发明提供一种基于曲面配准的螺旋桨叶片质量评估方法。首先,通过空间坐标将螺旋桨叶片进行参数化,然后进行测点规划。对确定的测点进行数据采集,通过NDT进行粗配准,再通过曲面配准算法进行迭代计算,完成检测数据与源数据的配准。最后通过国际检测标准进行判定,得出可视化检测结果。具体步骤如下:
步骤1、分析螺旋桨当前形态,进行曲面参数化;
螺旋桨的整体生产过程包括毛坯、粗加工、半精加工、精加工,进行检测时,要首先分析螺旋桨所处的身产阶段。其次,螺旋桨叶片为复杂自由曲面,具有空间扭曲倾斜、曲率不断变化的特点,对该曲面进行参数化有助于进一步提高整体检测效率。
对于螺旋桨叶片的参数化设计主要对照着叶片的纵向和横向截面曲线等基本参数。
步骤11首先设计叶片的截面曲线,在叶片曲面参数化设计过程中,可通过建立空间三维坐标系,使得截面曲线能够在三维空间中呈现出螺旋桨叶片曲面的姿态;
步骤12通过提取参数,生成在参数化设计中所需要的截面曲线,然后通过NURBS的曲线形式表示出来。
步骤13在将叶片纵向与横向所截取的曲线生成曲面过程中,利用NURBS曲面进行反算,逐步实现上步的螺旋桨叶片曲面的姿态,在该计算过程,设定权因子为1,同时对于所应用到的曲面参数化设计方法,横向和纵向曲面截线可以分别提取m和n次。
最终生成的曲面为:
步骤2、通过步骤(1)中曲面参数化进行曲面的测点数目规划;
测点数目规划的目的是能以尽可能最少数目的点精度保证测量的精度,并同时提高测量效率。测点数目的多少不仅与实验数据处理的误差有关,还与检测物体的精度和面积的大小、检测设备的精度等有关。
具体包括:
步骤21通过离散型值点表示螺旋桨叶片曲面的形状,设定共有L×K的测点,L表示横向截面曲线,K表示纵向截面曲线,且保证形状误差满足精度要求的情况下,L与K的值可在m0×n0~mi×nj之间选取,其中,m0和mi为横向截面曲线上的测点数,且mi>m0,n0和nj为纵向截面曲线上的测点数,且nj>n0;
步骤22选取固定半径的螺旋桨,随机取不同的测点数目进行实验,得到不同测点下的误差精度d,形状误差精度d表示为:
其中,l,k分别为u,v方向的测点数,Sij为检测得到的测点的向量,T为坐标变换矩阵,Oij为测点在理论曲面上投影点的向量。
在本实施例中,通过离散型值点表示螺旋桨叶片曲面的形状,设定共有L×K的测点,其中L表示横向截面曲线,K表示纵向截面曲线。通过L×K的测点已经可以很精确地构造叶片曲面,所以进行叶片检测时,可以通过给定的测点的数目来确定测点的数目。综合考虑螺旋桨叶片检测的效率和精度要求,保证形状误差满足精度要求的情况下,L与K的值可在10×40~15×45之间选取。
步骤3、对于步骤(2)中的测点数目进行检测路径规划,确定检测点的位置,并确定检测点的合理性;
螺旋桨叶片表面的点位于三维空间中,相对应的检测路径也应由三维检测路径构成。但由于三维检测路径的运动问题复杂,采用曲面网格划分整个螺旋桨的页片,把三维空间的问题变成二维空间的检测路径规划问题。
检测路径规划完成后,可通过测点数目在路径上进行规划,通过建立空间三维坐标系,以工作台的回转中心为坐标原点O,螺旋桨叶片横向截面通过叶梢的截面曲线为Y轴,螺旋桨的轴线为Z轴,以垂直于Y轴并经过原点的线为X轴,以此坐标系作为螺旋桨测量坐标系,如图2,并根据该坐标系求出测点的空间位置。
检测路径规划首要考虑的问题是能够遍历所有的检测点,其次保证检测过程所走的路程最短,并且不会发生碰撞。经过测点规划后,测点在整个桨叶上具有一定的规律性,由于螺旋桨叶片越靠近轮毂的地方曲率越大,所以在靠近轮毂的测点应该密集一些。对叶片形状进行分析后,设定叶梢部位为零点,按照一定的角度划分横向截面曲线。该方法既能保证曲率大区域的检测精度,又能快速完成检测过程。具体路线如图3。
经由以上步骤获得的测点,涉及到的空间点位方面和激光测量技术已发展较为成熟,并通过较多应用验证了其精度与有效性。因此,对以上确定的测点进行检测是可行的。但在使用激光传感器采集螺旋桨叶片表面的测点时,会受到毛坯螺旋桨叶片上的各种铸造缺陷、检测设备的振动、车间环境等因素的影响,会对检测的测点数据产生一定的影响,因此需进行模拟仿真实验进行测点的数目和位置的细微调整,并根据不同螺旋桨的叶片数完成相对应的调整。
步骤4、对于步骤(3)得出的测点位置,进行目标测点的数据采集,进行曲面粗配准;
检测设备下端安置激光位移传感器,与下位机相连接,能够实时接收传感器各个运动轴的数据,传感器的采集频率为20ms,以20个数据作为一组,以五个小组为一个单位,传输方式以单位为基准向上位机传输,数据格式通过X、Y、Z坐标值进行表示。
根据得到的测点数据,输入到点云空间,通过NDT算法能够快速完成数据点云粗配准,避免寻找重复的对应点进行迭代配准。该算法的主要原理是先进行点云网格化,再将三维网格内的数据转换成概率密度分布函数,最后通过Hessian矩阵完成点云配准,得到两个点云集的大致位置,其主要流程如下:
1)将点云数据分配到每个空间大小相等的三维立方体中,使得每个立方体中都包含一定点云数据。
2)把包含的点云通过高斯分布放置在立方体中,点云的高斯分布参数为:
式中,μ为对称值参数,σ为形状参数,n为点云数目,T为转换矩阵。
3)当点云位于方格内部后,根据内部的σ和μ对该点进行判定,设定目标参数:
4)对上述目标函数进行转换即可得转换矩阵T。
步骤5、对于步骤4得出的粗配准测点位置,通过KDTree结构算法查找点云最近点,采用不同参数查找螺旋桨不同状态的最近点;
首先定义2个点云集合:源点云集P,目标点云集Q,pi∈P,qj∈Q,其中i=1,2,…M,j=1,2,…,N,M和N分别代表点云集P和Q包含的点云数目。
最近点的查找方式通过K-D Tree进行计算最近距离的点。通过欧氏距离进行最短距离的求解。
该算法是先通过K-D Tree搜索,对节点和分裂节点的K值进行比较,再决定对应的搜索路径,顺着“搜索路径”找到最近邻的相似点,就是与源数据点位于同一个子空间的结点,接着再去回溯搜索路径,并查找在该路径上是否还有距离更近的数据点。对不同生产阶段的螺旋桨,要适当的修改K值,以此进行适配。
步骤6、对于步骤5得到的最近点,进行曲面配准算法迭代,直至收敛;
寻找一个变换矩阵T,这个矩阵跟上面矩阵是相似的,只是参数不一样,使得源点云中的点经过T变换,能够与目标点云中的点距离误差最小,目标函数如下式所示,其中,pi∈P,qj为pi在Q点集中找到的配准点,L为合适的配准对的个数。
具体实现步骤如下:
1)获取2个待配准的点云P和Q,变换矩阵为T,设定初始变换矩阵为Hessian矩阵,首先将点云集P'使用变换矩阵T进行变换,得到新的点集P';
2)建立新点集P'和Q的相关性,利用点云关联算法,从Q中寻找Pi的对应最近点Qj;
3)采用以下公式来定义约束条件下的最小二乘
4)求解变换矩阵并得到新的变换矩阵T1:
5)返回步骤(1),重复以上步骤,直到满足收敛条件。
当算法结果收敛过后,得到的螺旋桨配准精度效果较高,已能够达到企业质量评估的要求。具体效果图如图4。
步骤7、对于步骤6中迭代的最近点,进行曲面拟合,完成曲面的配准;
当两个点云集完成整体的的最近点迭代后,对两个点云集进行曲面拟合,完成螺旋桨曲面叶片的配准。非均匀有理B样条比传统的曲面重构方式更好的控制曲面的曲线度,能够拟合出更加符合实物的造型。
NURBS曲面的数学公式为:
式中:P(K)为曲线上的位置向量,ωi为权因子,Pi为控制点,k为节点矢量,Ni,p(K)为p次样条基函数。
基函数有递推公式定义:
输入的点云通过切片法重构NURBS曲面,该方法主要步骤包括点云切片分割、切片边界提取、曲面拟合等,实现从点集到曲线再到曲面模型的过程。处理流程图5所示。
点云切片分割时,确定分割区域的分割方向,然后构造包围盒,通过构造的包围盒的主轴方向进行区域划分。然后,通过等区间分割法,把点云划分至各等分区间。设随机三点Pti(xi,yi,zi),i=0.1.2,通过三点构面法,求出分割面法矢:
然后遍历所有点,判定数据点与区域的归属关系。然后进行分割面上点集的边界提取,对点集的凸包边界通过转角法进行提取,主要步骤如下:
1)首先设定某一坐标轴为参考方向,记作向量V1,寻找该坐标轴上的最小坐标为起点,记作Ps。
2)在Ps邻域内寻找下一点,遍历该邻域的点,将得到的点与Ps形成向量V2,将产生最大夹角的点加入到边界点集。
3)设V1=V2,然后按照上述步骤进行搜索,直至找到下一个与Ps相同的边界点。
由上述得到的分割曲面点可直接拟合出各条边界曲线,重新采集点云通过采样或插值的方法,以便形成规则化的点阵,生成NURBS曲线拟合。
除此完成精加工之后的检测之外,还需对螺旋桨的其他生产阶段时的形态进行检测,根据毛坯、粗加工、半精加工、精加工的精度标准,完成螺旋桨生产阶段的总体检测。
螺旋桨毛坯状态的检测主要是为了能够满足螺旋桨的尺寸,进行毛坯的和整体外观检测,不得有裂纹、缺口以及明显的毛刺和气孔等缺陷,避免因毛坯的不合格对后续生产过程产生影响。
螺旋桨粗加工后的检测是为了检测毛坯余量是否足够,确保能够在短时间内切除尽可能多的切屑,减少精加工加工量,降低成本,提高经济效益。
螺旋桨半精加工和精加工后的检测过程是为了保证尺寸精度,提高螺旋桨的加工精度和表面质量,判断是否达到螺旋桨制造精度的合格范围。
步骤8、对于步骤7中的配准结果通过国际螺旋桨精度检测标准进行判定;
所谓质量评估是指在叶片检测完成之后,根据得到的检测数据,进行螺旋桨叶片表面的几何尺寸参数和误差的评估。
根据GBT 12916-2010船用金属螺旋桨技术条件取得判定标准,精度为最高级大型螺旋桨检测时,截面厚度误差在±4.5%或0.5mm至-3.5%或-0.5mm,检测范围在0.3R、0.4R、0.6R、0.8R及0.95R(或0.9R)等五个截面测定。
具体判定过程为:在检测完一个叶片的表面后,根据检测得到的测量数据对检测完的叶片进行质量评估,根据截面厚度误差的检测判定标准,判定该叶片的表面加工区域是否符合精度要求。
步骤9、对于步骤8中得到的判定结果进行布尔运算,得到需要加工的区域面积和厚度;
三维实体模型的布尔运算方法分为近似与精确布尔运算两种方法。本方法采用的是精确布尔运算求交并确定生成最终的实体的模型结果。对两个实体模型进行布尔运算,主要在于计算出两个实体模型的位置关系,并计算出两个模型的相交部分。由于通过上述步骤完成曲面的配准,所以可以跳过预处理步骤,节省运算的时间。
通过相交线进行布尔运算的主要步骤流程图如图6所示。首先进行包围盒检测,通过包围体将模型待测试的区域紧紧的包围起来,得到相交的三角面片,使用快速两两三角形求交算法,求出三角面片的交线,然后拼接成环,再由环组合成面,使用Delaunay对生成的面进行三角剖分,保留重组模型后表面的区域,舍弃模型内部区域,得到的区域即为需要加工的区域,并对该区域的厚度进行计算。
步骤10、对于步骤9中得到的区域面积和厚度进行可视化显示,并生成检测报告;
将上述重组的模型导入三维模型软件中,保留模型内部的区域,仅通过模型软件渲染器对重组的模型进行渲染,通过可视化和形象化渲染生成光照和颜色效果,以及逼真的渲染照片,完成螺旋桨整体检测后,生成螺旋桨检测报告。如图7所示。
除了提出上述评估方法,还能够根据螺旋桨生产阶段的检测需求不同,分析各阶段的状态,设置合理的配准工艺参数,根据这些参数,对螺旋桨配准调用不同的配准方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于曲面配准的螺旋桨叶片质量评估方法,其特征在于,该方法包括以下步骤:
(1)分析螺旋桨当前形态,进行曲面参数化;
(2)根据所述曲面参数化进行曲面的测点数目规划;
(3)对规划的测点数目进行检测路径规划,确定测点的位置;
(4)对得出的所述测点位置,进行目标测点的数据采集,进而实现曲面粗配准;
(5)根据所述粗配准测点位置通过KDTree结构算法查找点云最近点,采用不同参数查找螺旋桨不同状态的最近点;包括:
(51)定义2个点云集合:源点云集P和目标点云集Q,pi∈P,qj∈Q,其中i=1,2,···,M,j=1,2,···,N,M和N分别代表点云集P和Q包含的点云数目;
(52)通过K-D Tree进行计算最近距离的点,并通过欧氏距离进行最短距离的求解:
K-D Tree算法先通过K-D Tree搜索,对节点和分裂节点的K值进行比较,再决定对应的搜索路径,顺着搜索路径找到最近邻的相似点,就是与源数据点位于同一个子空间的结点,接着再去回溯搜索路径,并查找在该路径上是否还有距离更近的数据点,直至找到与源数据点最近的测点;
(6)对所述最近点进行曲面配准算法迭代,直至收敛;
(7)当两个点云集完成整体的最近点迭代后,对两个点云集进行曲面拟合,完成螺旋桨曲面叶片的配准。
2.根据权利要求1所述的基于曲面配准的螺旋桨叶片质量评估方法,其特征在于,该方法还包括:
(8)对得到的配准结果通过国际螺旋桨精度检测标准进行判定;
(9)对得到的判定结果进行布尔运算,得到需要加工的区域面积和厚度;
(10)对得到的区域面积和厚度进行可视化显示,并生成检测报告。
3.根据权利要求1所述的基于曲面配准的螺旋桨叶片质量评估方法,其特征在于,除了提出上述评估方法,还能够根据螺旋桨生产阶段的检测需求不同,分析各阶段的状态,设置合理的配准工艺参数,根据这些参数,对螺旋桨配准调用不同的配准方法。
4.根据权利要求1-3任一项所述的基于曲面配准的螺旋桨叶片质量评估方法,其特征在于,步骤(2)根据所述曲面参数化进行曲面的测点数目规划,包括:
(21)通过离散型值点表示螺旋桨叶片曲面的形状,设定共有L×K的测点,L表示横向截面曲线,K表示纵向截面曲线,且保证形状误差满足精度要求的情况下,L与K的值可在m0×n0~mi×nj之间选取,其中,m0和mi为横向截面曲线上的测点数,且mi>m0,n0和nj为纵向截面曲线上的测点数,且nj>n0;
(22)选取固定半径的螺旋桨,随机取不同的测点数目进行实验,得到不同测点下的误差精度d,形状误差精度d表示为:
其中,l,k分别为u,v方向的测点数,Sij为检测得到的测点的向量,T为坐标变换矩阵,Oij为测点在理论曲面上投影点的向量。
5.根据权利要求1-3任一项所述的基于曲面配准的螺旋桨叶片质量评估方法,其特征在于,步骤(3)对规划的测点数目进行检测路径规划,包括:
(31)建立空间三维坐标系,以工作台的回转中心为坐标原点O,螺旋桨叶片横向截面通过叶梢的截面曲线为Y轴,螺旋桨的轴线为Z轴,以垂直于Y轴并经过原点的线为X轴,并根据该坐标系求出各个测点的空间位置;
(32)对叶片形状进行分析,设定叶梢部位为零点,按照一定的角度划分横向截面曲线,该角度通过不断检测得到,原则是能够遍历所有的测点,其次保证检测过程所走的路程最短,并且不会发生碰撞。
6.根据权利要求1-3任一项所述的基于曲面配准的螺旋桨叶片质量评估方法,其特征在于,所述步骤(4)包括:
(41)对得到的测点数据进行点云网格化,将点云数据分配到每个空间大小相等的三维立方体中,使得每个立方体中都包含一定点云数据;
(42)把包含的点云通过高斯分布放置在立方体中,点云的高斯分布参数为:
式中,μ为对称值参数,σ为形状参数,n为点云数目,T为转换矩阵;
(43)当点云位于方格内部后,根据内部的σ和μ对该点进行判定,设定目标函数,进而得到转换矩阵T,目标函数表示为:
(44)通过Hessian矩阵完成点云配准,得到两个点云集的大致位置。
7.根据权利要求1-3任一项所述的基于曲面配准的螺旋桨叶片质量评估方法,其特征在于,所述步骤(6)包括:
(61)设定初始变换矩阵为Hessian矩阵,将源点云集P通过初始变换矩阵进行变换,获取新点云集P';
(62)通过分析点集P'与Q的点云特性,利用步骤(5)从目标点云集Q中寻找Pi'的空间最近点qj;
(63)采用以下公式来定义约束条件下的最小二乘
(64)求解变换矩阵并得到新的变换矩阵T1:
(65)返回步骤61,重复以上步骤,直到满足收敛条件,完成曲面配准。
8.根据权利要求1或2所述的基于曲面配准的螺旋桨叶片质量评估方法,其特征在于,所述步骤(7)包括:
首先,当两个点云集完成空间配准后,将配准后的点云集坐标导出,分别通过切片法重构NURBS曲面;
其中,点云切片分割时,确定分割区域的分割方向,构造包围盒,通过构造的包围盒的主轴方向进行区域划分,然后,通过等区间分割法,把点云划分至各等分区间;
设随机三点Pti(xi,yi,zi),i=0.1.2,通过三点构面法,求出分割面法矢:
然后遍历所有点,判定数据点与区域的归属关系;
进行分割面上点集的边界提取,对点集的凸包边界通过转角法进行提取,步骤如下:
(71)首先设定某一坐标轴为参考方向,记作向量V1,寻找该坐标轴上的最小坐标为起点,记作Ps;
(72)在Ps邻域内寻找下一点,遍历该邻域的点,将得到的点与Ps形成向量V2,将产生最大夹角的点加入到边界点集;
(73)设V1=V2,然后按照上述步骤进行搜索,直至找到下一个与Ps相同的边界点;
由上述得到的分割曲面点可直接拟合出各条边界曲线,重新采集点云通过采样或插值的方法,以便形成规则化的点阵,生成NURBS曲线拟合。
9.根据权利要求2所述的基于曲面配准的螺旋桨叶片质量评估方法,其特征在于,所述步骤(9)包括:
采用精确布尔运算对两个实体模型进行求交,即计算出两个实体模型的位置关系,并计算出两个模型的相交部分;
通过相交线进行布尔运算,包括:
首先进行包围盒检测,通过包围体将模型待测试的区域紧紧的包围起来,得到相交的三角面片,使用快速两两三角形求交算法,求出三角面片的交线;
然后拼接成环,再由环组合成面,使用Delaunay对生成的面进行三角剖分,保留重组模型后表面的区域,舍弃模型内部区域,得到的区域即为需要加工的区域,并对该区域的厚度进行计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370807.6A CN112508895B (zh) | 2020-11-30 | 2020-11-30 | 一种基于曲面配准的螺旋桨叶片质量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011370807.6A CN112508895B (zh) | 2020-11-30 | 2020-11-30 | 一种基于曲面配准的螺旋桨叶片质量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508895A CN112508895A (zh) | 2021-03-16 |
CN112508895B true CN112508895B (zh) | 2023-11-21 |
Family
ID=74967655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011370807.6A Active CN112508895B (zh) | 2020-11-30 | 2020-11-30 | 一种基于曲面配准的螺旋桨叶片质量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508895B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991402B (zh) * | 2021-03-19 | 2023-06-13 | 西北大学 | 一种基于改进差分进化算法的文物点云配准方法及系统 |
CN114035586B (zh) * | 2021-11-22 | 2024-03-29 | 江苏科技大学 | 改进蚁群算法和动态窗口的车间agv小车路径规划方法 |
CN114511498A (zh) * | 2021-12-27 | 2022-05-17 | 中国航天空气动力技术研究院 | 基于单目视觉的螺旋桨振动测量方法 |
CN115861266B (zh) * | 2022-12-20 | 2023-06-13 | 中国航发贵州黎阳航空动力有限公司 | 压气机叶片智能检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008013719A1 (de) * | 2007-03-06 | 2008-09-11 | General Electric Co. | Verfahren und Vorrichtung zur Verfolgung von Punkten in einem Ultraschallbild |
CN104697462A (zh) * | 2015-03-24 | 2015-06-10 | 武汉克诺德智能科技有限公司 | 一种基于中轴线的航空叶片型面特征参数提取方法 |
CN105427317A (zh) * | 2015-11-25 | 2016-03-23 | 武汉大学 | 一种适用于多视角自动化配准多站地面激光点云数据的方法 |
CN107702651A (zh) * | 2017-09-15 | 2018-02-16 | 黑龙江科技大学 | 基于测距传感器的四轴测量系统坐标系与被测叶片模型坐标系的配准方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160379366A1 (en) * | 2015-06-25 | 2016-12-29 | Microsoft Technology Licensing, Llc | Aligning 3d point clouds using loop closures |
-
2020
- 2020-11-30 CN CN202011370807.6A patent/CN112508895B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102008013719A1 (de) * | 2007-03-06 | 2008-09-11 | General Electric Co. | Verfahren und Vorrichtung zur Verfolgung von Punkten in einem Ultraschallbild |
CN104697462A (zh) * | 2015-03-24 | 2015-06-10 | 武汉克诺德智能科技有限公司 | 一种基于中轴线的航空叶片型面特征参数提取方法 |
CN105427317A (zh) * | 2015-11-25 | 2016-03-23 | 武汉大学 | 一种适用于多视角自动化配准多站地面激光点云数据的方法 |
CN107702651A (zh) * | 2017-09-15 | 2018-02-16 | 黑龙江科技大学 | 基于测距传感器的四轴测量系统坐标系与被测叶片模型坐标系的配准方法 |
Non-Patent Citations (5)
Title |
---|
一种基于BFGS修正的正态分布变换点云配准方法;袁志聪;鲁铁定;刘瑞;;测绘通报(10);全文 * |
基于法矢夹角的改进ICP算法;杨秋翔;王程远;杨剑;杨小青;;计算机工程与设计(08);2082-2085页 * |
航空叶片非接触光学测量的转轴精密标定方法;何万涛;马鹤瑶;郭延艳;孟祥林;;黑龙江科技大学学报(第02期);全文 * |
逆向工程辅助零部件再制造关键技术及应用;李聪波;顾小进;李玲玲;肖卫洪;;计算机集成制造系统(第01期);全文 * |
面向自适应加工的精锻叶片前后缘模型重构;蔺小军;陈悦;王志伟;郭研;高源;张新鸽;;航空学报(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508895A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508895B (zh) | 一种基于曲面配准的螺旋桨叶片质量评估方法 | |
CN110458174B (zh) | 一种无序点云关键特征点精确提取方法 | |
CN110097588B (zh) | 一种航发叶片陶瓷型芯点云模型的修型边缘提取方法 | |
CN111179321B (zh) | 一种基于模板匹配的点云配准方法 | |
CN111581776B (zh) | 一种基于几何重建模型的等几何分析方法 | |
CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及系统 | |
CN113516695B (zh) | 激光轮廓仪平面度测量中的点云配准策略 | |
CN113536488B (zh) | 基于配准算法的毛坯质量包容性分析和余量优化方法 | |
CN115032648B (zh) | 一种基于激光雷达密集点云的三维目标识别与定位方法 | |
Li et al. | A novel path generation method of onsite 5-axis surface inspection using the dual-cubic NURBS representation | |
CN113587807A (zh) | 一种飞机壁板加工特征面的扫描路径生成方法 | |
Zhang et al. | 3D curvature grinding path planning based on point cloud data | |
CN114581681A (zh) | 一种面向飞机整机测量数据的机身轮廓度分析方法 | |
CN117162098B (zh) | 一种狭小空间机器人姿态自主规划系统及方法 | |
CN113406658A (zh) | 一种基于点线特征扫描匹配的移动机器人定位方法 | |
Xu et al. | A new welding path planning method based on point cloud and deep learning | |
CN115578534A (zh) | 用于焊缝的3d模型重构方法 | |
Filaretov et al. | Method of combination of three-dimensional models of details with their CAD-models at the presence of deformations | |
CN116604212A (zh) | 一种基于面阵结构光的机器人焊缝识别方法和系统 | |
CN115971004A (zh) | 一种针对车厢的智能腻子喷涂方法及系统 | |
CN115797414A (zh) | 一种考虑测头半径的复杂曲面测量点云数据配准方法 | |
CN112347585B (zh) | 一种球头铣刀与工件接触区域解析计算方法 | |
Li et al. | An allowance optimal distribution method based on improved iterative closest point algorithm | |
Kong et al. | A trajectory planning algorithm of spray robot for workpieces with complex geometric features based on 3D point cloud | |
CN113112417A (zh) | 基于三维点云的喷涂工件建模方法 |
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 |