CN114089692B - 一种适用于零件复杂细长面的快速数控编程方法 - Google Patents
一种适用于零件复杂细长面的快速数控编程方法 Download PDFInfo
- Publication number
- CN114089692B CN114089692B CN202111368229.7A CN202111368229A CN114089692B CN 114089692 B CN114089692 B CN 114089692B CN 202111368229 A CN202111368229 A CN 202111368229A CN 114089692 B CN114089692 B CN 114089692B
- Authority
- CN
- China
- Prior art keywords
- point
- image
- points
- slender
- algorithm
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012795 verification Methods 0.000 claims abstract description 5
- 239000013598 vector Substances 0.000 claims description 36
- 230000011218 segmentation Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 241000405961 Scomberomorus regalis Species 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012805 post-processing Methods 0.000 abstract description 2
- 238000005520 cutting process Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34248—Machining object comprises a slide, a palet, workpieces, machining, a contour
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
本发明公开了一种适用于零件复杂细长面的快速数控编程方法，包括如下步骤：细长面加工特征的获取、特征视图定向，调整视图大小并导出图像、图像二值化理与空洞区域填充、计算三维特征和二维图像的坐标变换矩阵、利用骨架提取算法提取二值图像中轴轮廓线得到散乱轮廓线点集、点集点云化处理，利用点云排序算法排序、分段曲线拟合算法拟合细长面中轴轮廓线、通过坐标变换矩阵将拟合轮廓线投影至加工特征面，合并投影线得到参考加工轨迹、后处理生成NC代码、仿真验证及优化。通过本发明处理细长面特征可以有效减少冗余刀轨和提高数控编程效率，从而有效提升细长面数控编程自动化水平、降低企业加工成本和加快产品制造周期。
Description
技术领域
本发明涉及数控编程，特别是一种适用于零件复杂细长面的快速数控编程方法。
背景技术
现有的机械零件中存在大量的细长面特征，这种特征的数控编程方法主要有手工编程和CAM软件自动编程两种方法；尽管一些细长面的数控程序可以通过手工编程完成，但是对于一些包含圆弧形状复杂的细长面，手工编程不仅容易出错，而且效率低下；如今，手工编程因对于编程人员的技术水平要求高、编程效率低和工人劳动强度高等原因已慢慢被企业所摒弃。采用CAM自动编程的方法虽然能够完美解决手工编程存在的问题，但是，现有CAM软件平面铣刀轨规划算法不能根据细长面特征特点很好地进行刀轨路径优化，从而造成软件自动生成的刀轨含有大量的非切削刀路。大量的非切削刀路严重影响了零件的加工效率、延长了产品的制造周期以及增加了企业不必要的生产成本。
导致存在的具体问题主要有：
(1)复杂细长面特征手动编程效率低、易出错；CAM软件自动编程刀轨冗余度高、加工效率低；现有方法对加工特征预处理时需要在特定的商业三维CAD/CAM软件中完成，主要通过遍历细长面内大量的特征，然后判断、识别需要处理特征并进行处理工作。这种方式效率不高且可能严重依赖三维软件提供的技术和环境，可能无法在所有三维软件中使用，通用性差。
(2)现有学者提出的零件细长平面刀轨生成方法是在遍历得到的散乱的骨架点集上直接展开的工作，没有考虑骨架点集可能存在的顺序问题，从而可能造成了部分形状的细长面的刀路在拟合时因为骨架点集的顺序问题拟合出现错误。
(3)现有的方法通过基于图像变换算法确定的坐标变换矩阵，这种方法确定的坐标变换矩阵是二维的，如果要正确的将点坐标投影到三维环境下的细长面还需要确定预定义的细长面包容面坐标原点和三维软件绝对坐标原点的坐标变换矩阵。对于含有大量细平面特征的零件，这种方法首先要定义每一个细长面包容面坐标原点，其次要确定包容面坐标原点到三维软件绝对坐标原点的坐标变换矩阵，使用的时候可能比较繁琐。
(4)现有的方法针对的都是由一些矩形平面组合得到的规则的细长面，对于规则面提取的中心轮廓线简化效果比较好，但可能不适用于由矩形平面、圆弧平面组合的复杂细长面。
发明内容
发明目的：本发明的目的是提供一种适用于零件复杂细长面的快速数控编程方法，从而解决当今企业加工复杂细长面时人工编程编程效率低、强度大以及CAM数控编程刀轨冗余度高导致的资源浪费问题。
技术方案：本发明所述的一种适用于零件复杂细长面的数控刀轨生成方法，包括加工特征处理、骨架散乱点提取、散乱点云排序、散乱点云简化与分段拟合和拟合曲线刀路和NC代码生成与仿真验证优化六个部分。加工特征处理主要包括细长面识别、抽取、补面、摆正、图像导出和计算坐标转换矩阵等内容；骨架散乱点提取主要包括图像二值处理、骨架点提取等内容；散乱点云排序主要包括点云转换、点云排序等内容；分段拟合主要包括分段点识别、分段区域简化和曲线拟合等内容；拟合曲线刀轨生成主要包括分段曲线拟合点坐标变换、曲线合并和NC代码生成等内容；仿真验证优化主要是检查拟合生成的刀轨的可靠性，并根据验证结果进行决策。本发明方法的具体步骤如下：
(1)导入零件MBD模型(Model Based Definition，基于模型定义)，获取加工特征
将零件MBD设计模型导入三维CAD软件中，利用三维CAD/CAM软件的API函数与设计人员编写的算法程序获取MBD模型中PMI(Product Manufacturing Information，产品制造信息)标注的细长面特征。通过抽取面操作将细长面加工特征抽取为片状面特征，便于后面工作的展开。
(2)定位片状面的视图方向，调整视图大小并导出图像
将片状面的法线方向与屏幕法线方向平行，并通过设计人员开发的交互式界面根据用户的需求自动导出视图图像的大小与导出位置。通常，细长面特征越复杂，图像大小比例应越大。
(3)片状面图像二值化处理、二值图像区域填充
将导出图像二值化处理得到细长面二值图像。由于零件的细长面特征中往往会含有孔、槽以及凸台等子特征；当步骤(1)抽取细长面特征后，得到的片状面内就会包含若干个封闭的环，造成导出的片状面二值图像中就会包含一些空洞区域。如果不对空洞区域进行处理就会影响步骤(5)提取的中轴轮廓线的质量。因此本发明采用图像区域填充的方法填充细长面二值图像中的空洞区域。本步骤的具体工作流程如下：
(3.1)对导出的片状面图像进行二值化处理；
(3.2)检测细长面二值图像中是否存在存在空洞区域；
(3.3)判断(3.2)中的结论；如果细长面二值图像中不存在空洞区域，说明不需要对图像进行填充处理；如果发现细长面二值图像中存在空洞区域，使用图像区域填充算法对空洞区域填充处理。并将处理后的图像返回到(3.2)处循环操作直到所有空洞区域均被填充完成后结束循环。
(4)自动计算坐标变换矩阵
通过图像边缘检测算法提取细长面最小包容面外轮廓；读取外轮廓顶点坐标与三维软件中细长面的最小包容面顶点坐标，将坐标信息作为计算机程序语言开发的算法程序的输入量自动计算出细长面二维图像与三维特征的坐标变换矩阵。计算坐标变化矩阵的实现流程如下：
(4.1)利用三维CAD/CAM软件的API函数或设计人员编写的算法程序创建片状面特征的最小矩形包容面；
(4.2)利用三维CAD/CAM软件的API函数或设计人员编写的算法程序读取矩形包容面的四个顶点坐标；
(4.3)导出片状面的最小矩形包容面图像，并将包容面图像二值化处理；
(4.4)通过图像边缘检测算法提取矩形包容面图像的轮廓，遍历图像得到矩形轮廓的四个顶点；
(4.5)利用坐标变换方法计算二维图像和三维特征细长面之间的坐标变换矩阵。
(5)图像骨架提取算法提取细长面图像中轴轮廓线
通过形态学中骨架提取的方法提取出二值图像的中轴轮廓线；
(6)中轴轮廓线点云排序
由于遍历中轴轮廓线得到的点集的常常属于散乱状态，本实例将遍历得到中轴轮廓线点集点云化处理，借助混乱点云排序算法将骨架点云进行排序。混乱点云排序算法具体的主要步骤如下：
(6.1)提取骨架图像，遍历图像得到散乱点集M，将混乱点集转化为混乱点云S＝{Pi＝(xi,yi)|i＝1,…,N}；
(6.2)随机选取一点Pt为K-近邻算法的搜索起始点，选择Pt邻近点Pq计算向量Vec1，Vec1＝Pq-Pt为初始搜索方向，指定正整数K(K值不固定，一般选取为50)为搜索半径，得到包含初始点Pt的点集S1；
(6.3)循环遍历点集S1中每一点与初始点Pt的矢量Vectemp，并计算Vectemp与Vec1的矢量积，保留矢量积大于零的点，存储到点集S′ 1中，计算S′ 1中每一点与Pt的距离，按照距离大小升序排序得到点集S2。
(6.4)取出S2中倒数第二点为下一个搜索初始点，以最后两个点确定搜索方向Vec2，重复(6.3)操作，判断矢量积的正负。若存在正值则继续循环，若所有的矢量积均为负值，结束循环。这时说明，已经搜索到散乱点的尾点。
(6.5)遍历(6.2)中矢量积为负值的点与Pt点的距离，按照距离的大小降序排列得到点集inv_S2。
(6.6)取inv_S2的第二个点作为下一个搜索点，以前两个点作为搜索方向。遍历K个临近点与搜索点的矢量与搜索方向的矢量积，保留矢量积为正的点得到点集inv_S2 ′，计算inv_S2 ′中每一点至搜索点的距离，按照距离大小对这些点降序排列得到点集inv_S3。
(6.7)重复(6.6)操作，判断矢量积的正负。若存在正值则继续循环，若所有的矢量积均为负值，结束循环。这时说明，已经搜索到散乱点另一方向的尾点。
(6.8)合并这些点集得到排序后的点集Srange。
(7)曲线分段拟合算法拟合曲线；
由于排序后的中轴轮廓线点集数量比较多，直接使用曲线拟合方法拟合速度慢；此外，细长面样式多，难以确定拟合曲线的具体参数。细长面提取的中轴轮廓线的几何形状可以看作由一条条线段组合而成，所以本方法采用分段曲线拟合算法来拟合中轴轮廓线。分段曲线拟合算法最核心的部分就是确定线段的分段点。确定分段点具体工作流程如下：
(7.1)从排序的第一个点按照顺序选取K个点，(K值不固定，可由实际测试最佳值确定)由K个点坐标构建黑白二值图。
(7.2)采用Hough变换图像中的直线段，并计算直线段的长度L1；
(7.3)增加二值图像中点的个数；选取K＝K+1，重新构建二值图像、提取直线和计算直线长度L2；
(7.4)判断L2和L1的大小关系。如果L2>L1，说明当前点不是分段点，重复步骤(7.3)。如果L2＝L1，说明第K个点为分段点，找到了分段点。
(7.5)记录分段点的序号，保存霍夫变换提取直线得到的点坐标信息。
从找到的第一个分段点开始继续寻找下一分段点直至找到所有的分段点。得到所有的分段点以及其对应分段线段的坐标信息后，分段拟合各线段。
(8)将拟合后的各个线段利用步骤(4)计算的坐标变换矩阵投影至细长面中，合并生成细长面中轴轮廓线，然后根据合并后的轮廓线作为刀具运动轨迹生成刀轨。
(9)通过后处理器将刀轨后处理为NC代码，通过几何切削仿真平台进行切削仿真。
(10)如果仿真结果达不到预期要求，返回至步骤(2)并增大图像大小；如果仿真结果达到预期要求则结束。
有益效果：与现有技术相比，本发明具有如下优点：
1、本发明应用三维CAD/CAM软件二次开发技术、图像处理算法、散乱点云排序算法以及曲线分段拟合算法解决了目前零件细长面特征人工编程效率低下、易出错和CAM软件自动编程数控刀轨冗余度高等问题；
2、本发明解决了现有技术处理含有大量细长特征时需要重复计算坐标变换矩阵问题，利用点云排序算法和分段曲线拟合算法使得编程结果的准确性大大提高；
3、本发明通过对散乱骨架点云的进行排序，然后对排序后的点云进行简化处理，然后通过分段拟合的方法对简化后的点云进行分段拟合处理，最后再合并分段拟合后的曲线拟合生成细长面加工刀路并生成NC代码，本发明的主要实现步骤独立于三维CAD/CAM软件，易于配合各种主流的CAD/CAM软件使用以提高复杂细长面数控编程的自动化水平。
附图说明
图1是本发明的适用于零件复杂细长面的快速数控编程方法的流程图；
图2是加工特征图像特征预处理的流程图；
图3是自动获取图像与三维CAD软件坐标变换矩阵的流程图；
图4是曲线分段拟合算法中拟合曲线求取分段点的流程图；
图5是本发明的适用于零件复杂细长面的快速数控编程方法的实际应用展示图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。应理解这些实施例仅用于说明本发明而不是用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均属于本申请所附权要求所限定的范围。
如图1所示，本发明所述的一种适用于零件复杂细长面的快速数控编程方法包括如下步骤：
(1)导入零件MBD模型，获取加工特征
将零件MBD设计模型导入三维CAD软件NX中，利用NX二次开发技术自动获取模型中PMI定位的细长面特征。通过NX抽取面的功能将细长面加工特征抽取为片状面特征。
(2)定位片状面的视图方向，调整视图大小并导出图像
利用NX二次开发技术将片状面的法线方向设置与屏幕法线方向平行，并通过NX二次开发与C++语言开发的交互式界面根据用户的使用需求自动导出视图图像的大小与导出位置。通常，如果细长面特征越复杂，图像比例应越大。
(3)片状面图像二值化处理、二值图像区域填充
将导出图像二值化处理得到细长面二值图像。由于零件的细长面特征中往往会含有孔、槽以及凸台等子特征；当步骤一抽取细长面特征后，得到的片状面内就会包含若干个封闭的环，造成导出的片状面二值图像中就会包含一些空洞区域。如果不对空洞区域进行处理就会影响步骤五提取的中轴轮廓线的质量。因此本发明采用图像区域填充的方法填充细长面二值图像中的空洞区域。如图2所示，本步骤的具体工作流程如下：
(3.1)对导出的片状面图像进行二值化处理；
(3.2)检测细长面二值图像中是否存在存在空洞区域；
(3.3)判断(3.2)中的结论；如果细长面二值图像中不存在空洞区域，说明不需要对图像进行填充处理；如果发现细长面二值图像中存在空洞区域，使用图像区域填充算法对空洞区域填充处理。并将处理后的图像返回到(3.2)处循环操作直到所有空洞区域均被填充完成后结束循环。
(4)自动计算坐标变换矩阵
通过图像边缘检测算法提取细长面最小包容面外轮廓；读取外轮廓顶点坐标与三维软件中细长面的最小包容面顶点坐标，利用MATLAB语言开发的程序自动计算出细长面二维图像与三维特征的坐标变换矩阵。如图3所示，计算坐标变化矩阵的实现流程如下：
(4.1)通过NX二次开发的程序创建片状面的最小矩形包容面；
(4.2)利用NX二次开发的程序读取矩形包容面的四个顶点坐标；
(4.3)导出片状面的最小矩形包容面图像，并将图像二值化处理；
(4.4)通过图像边缘检测算法，提取矩形包容面图像的轮廓，遍历得到矩形轮廓的四个顶点。
(4.5)利用坐标变换方法计算二维图像和三维NX细长面之间的坐标变换矩阵。
(5)图像骨架提取算法提取细长面图像中轴轮廓线。
通过形态学中骨架提取的方法提取出二值图像的中轴轮廓线；
(6)中轴轮廓线点云排序
由于遍历中轴轮廓线得到的点集的常常属于散乱状态，本实例将遍历得到中轴轮廓线点集点云化处理，借助混乱点云排序算法将骨架点云进行排序。混乱点云排序算法具体的主要步骤如下：
(6.1)提取骨架图像，得到散乱点集M，将混乱点集转化为混乱点云S＝{Pi＝(xi,yi)|i＝1,…,N}；
(6.2)随机选取一点Pt为K-近邻算法的搜索起始点，选择Pt邻近点Pq计算向量Vec1，Vec1＝Pq-Pt为初始搜索方向，指定整数K为搜索半径，得到包含初始点Pt的点集S1；
(6.3)循环遍历点集S1中每一点与初始点Pt的矢量Vectemp，并计算Vectemp与Vec1的矢量积，保留矢量积大于零的点，存储到点集S′ 1中，计算S′ 1中每一点与Pt的距离，按照距离大小升序排序得到点集S2。
(6.4)取出S2中倒数第二点为下一个搜索初始点，以最后两个点确定搜索方向Vec2，重复(6.3)操作，判断矢量积的正负。若存在正值则继续循环，若所有的矢量积均为负值，结束循环。这时说明，已经搜索到散乱点的尾点。
(6.5)遍历(6.2)中矢量积为负值的点与Pt点的距离，按照距离的大小降序排列得到点集inv_S2。
(6.6)取inv_S2的第二个点作为下一个搜索点，以前两个点作为搜索方向。遍历K个临近点与搜索点的矢量与搜索方向的矢量积，保留矢量积为正的点得到点集inv_S2 ′，计算inv_S2 ′中每一点至搜索点的距离，按照距离大小对这些点降序排列得到点集inv_S3。
(6.7)重复(6.6)操作，判断矢量积的正负。若存在正值则继续循环，若所有的矢量积均为负值，结束循环。这时说明，已经搜索到散乱点另一方向的尾点。
(6.8)合并这些点集得到排序后的点集Srange。
(7)曲线分段拟合算法拟合曲线；
由于排序后的中轴轮廓线点集数量比较多，直接使用曲线拟合方法拟合速度慢；此外，细长面样式多，难以确定拟合曲线的具体参数。细长面提取的中轴轮廓线的几何形状可以看作由一条条线段组合而成，所以本方法采用分段曲线拟合算法来拟合中轴轮廓线。分段曲线拟合算法最核心的部分就是确定线段的分段点。图4介绍了确定分段点的流程，确定分段点具体工作流程如下：
(7.1)从排序的第一个点按照顺序选取K个点，由K个点坐标构建黑白二值图。
(7.2)采用Hough变换图像中的直线段，并计算直线段的长度L1；
(7.3)增加二值图像中点的个数；选取K＝K+1，重新构建二值图像、提取直线和计算直线长度L2；
(7.4)判断L2和L1的大小关系。如果L2>L1，说明当前点不是分段点，重复步骤(7.3)。如果L2＝L1，说明第K个点为分段点，找到了分段点。
(7.5)记录分段点的序号，保存Hough变换提取直线得到的点坐标信息。
从找到的第一个分段点开始继续寻找下一分段点直至找到所有的分段点。得到所有的分段点以及其对应分段线段的坐标信息后，分段拟合各线段。
(8)将拟合后的各个线段利用步骤(4)计算的坐标变换矩阵投影至细长面中，合并生成细长面中轴轮廓线，然后根据合并后的轮廓线作为刀具运动轨迹生成刀轨。
(9)通过后处理器将刀轨后处理为NC代码，通过Vericut等几何切削仿真平台进行切削仿真，主要是检查工件与刀具的过切、欠切、干涉碰撞等情况以判定该方法生成刀轨的合理性。
(10)如果仿真结果达不到预期要求，原因为输入图像像素数目过少，应返回至步骤(2)并增大图像大小；如果仿真结果达到预期要求则结束。
为了验证本方法的效果，本实施例采用上述方法进行实验，具体以船用柴油机关键件为例，共对船用柴油机机架的17组细长面利用本方法进行刀轨生成，有效性为95％。下面用其中的一个细长面特征的部分操作案例说明本方法的效果，如图5所示。
Claims (6)
1.一种适用于零件复杂细长面的快速数控编程方法，其特征在于，包括以下步骤：
(1)将零件MBD设计模型导入三维CAD或CAM软件中，通过PMI定位细长面特征、将细长面抽取为片状面特征；
(2)定位片状面的法线方向与屏幕法线方向平行，调整片状面视图大小并导出图像；
(3)片状面图像二值化处理、二值图像区域填充；
(4)自动计算三维细长面特征和细长面图像的坐标变换矩阵；
(5)利用图像骨架提取算法提取细长面二值图像中轴轮廓线，得到散乱中轴轮廓线点集；
(6)将散乱中轴线轮廓点集进行点云化处理，使用点云排序算法排序；
(6.1)提取骨架图像，遍历图像得到散乱点集M，将散乱点集转化为混乱点云S＝{Pi＝(xi,yi)|i＝1,…,N}；
(6.2)随机选取一点Pt为K-近邻算法的搜索起始点，选择Pt邻近点Pq计算向量Vec1，Vec1＝Pq-Pt为初始搜索方向，指定正整数K为搜索半径，得到包含初始点Pt的点集S1；
(6.3)循环遍历点集S1中每一点与初始点Pt的矢量Vectemp，并计算Vectemp与Vec1的矢量积，保留矢量积大于零的点，存储到点集S′ 1中，计算S′ 1中每一点与Pt的距离，按照距离大小升序排序得到点集S2；
(6.4)取出S2中倒数第二点为下一个搜索初始点，以最后两个点确定搜索方向Vec2，重复(6.3)操作，判断矢量积的正负；若存在正值则继续循环，若所有的矢量积均为负值，结束循环；
(6.5)遍历(6.2)中矢量积为负值的点与Pt点的距离，按照距离的大小降序排列得到点集inv_S2；
(6.6)取inv_S2的第二个点作为下一个搜索点，以前两个点作为搜索方向；遍历K个临近点与搜索点的矢量与搜索方向的矢量积，保留矢量积为正的点得到点集inv_S2 ′，计算inv_S2 ′中每一点至搜索点的距离，按照距离大小对这些点降序排列得到点集inv_S3；
(6.7)重复(6.6)操作，判断矢量积的正负；若存在正值则继续循环，若所有的矢量积均为负值，结束循环；
(6.8)合并这些点集得到排序后的点集Srange；
(7)通过分段曲线拟合算法拟合细长面中轴轮廓线；
(7.1)从排序的第一个点按照顺序选取K个点，由K个点坐标构建黑白二值图；
(7.2)采用Hough变换图像中的直线段，并计算直线段的长度L1；
(7.3)增加二值图像中点的个数；选取K＝K+1，重新构建二值图像、提取直线和计算直线长度L2；
(7.4)判断L2和L1的大小关系：如果L2>L1，说明当前点不是分段点，重复步骤(7.3)；如果L2＝L1，说明第K个点为分段点，找到了分段点；
(7.5)记录分段点的序号，保存霍夫变换提取直线得到的点坐标信息；从找到的第一个分段点开始继续寻找下一分段点直至找到所有的分段点；得到所有的分段点以及其对应分段线段的坐标信息后，分段拟合各线段；
(8)拟合后的中轴轮廓线通过步骤(4)得到的坐标变换矩阵投影至细长面，合并中轴轮廓线得到刀轨路径；
(9)通过定制的后处理器将刀轨后处理为NC代码，通过几何仿真平台进行几何仿真验证；
(10)判断仿真仿真结果；如果仿真结果显示NC代码不符合预期，返回至步骤(2)增大导出图像大小；如果仿真结果达到预期要求，则结束。
2.根据权利要求1所述的一种适用于零件复杂细长面的快速数控编程方法，其特征在于，所述步骤(3)具体为：
(3.1)对导出的片状面图像进行二值化处理；
(3.2)检测细长面二值图像中是否存在空洞区域；
(3.3)判断(3.2)中的结论；如果细长面二值图像中不存在空洞区域，则不需要对图像进行填充处理；如果细长面二值图像中存在空洞区域，则使用图像区域填充算法对空洞区域填充处理，并将处理后的图像返回到(3.2)处循环操作直到所有空洞区域均被填充完成后结束循环。
3.根据权利要求1所述的一种适用于零件复杂细长面的快速数控编程方法，其特征在于，所述步骤(4)具体为：
(4.1)创建片状面特征的最小矩形包容面；
(4.2)利用三维CAD/CAM软件的API函数或设计人员编写的算法程序获取矩形包容面的四个顶点坐标；
(4.3)导出片状面的最小矩形包容面图像，并将图像二值化处理；
(4.4)通过图像边缘检测算法，提取矩形包容面图像的轮廓，遍历得到矩形轮廓的四个顶点；
(4.5)利用坐标变换方法计算细长面二维图像和三维CAD/CAM软件细长面之间的坐标变换矩阵。
4.根据权利要求1所述的一种适用于零件复杂细长面的快速数控编程方法，其特征在于，步骤(1)所述的三维CAD或CAM软件包括NX、Cero、Solidworks。
5.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-4中任一项所述的一种适用于零件复杂细长面的快速数控编程方法。
6.一种计算机设备，包括储存器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的一种适用于零件复杂细长面的快速数控编程方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111368229.7A CN114089692B (zh) | 2021-11-18 | 2021-11-18 | 一种适用于零件复杂细长面的快速数控编程方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111368229.7A CN114089692B (zh) | 2021-11-18 | 2021-11-18 | 一种适用于零件复杂细长面的快速数控编程方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114089692A CN114089692A (zh) | 2022-02-25 |
| CN114089692B true CN114089692B (zh) | 2024-04-19 |
Family
ID=80301566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111368229.7A Active CN114089692B (zh) | 2021-11-18 | 2021-11-18 | 一种适用于零件复杂细长面的快速数控编程方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114089692B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115841581B (zh) * | 2023-02-20 | 2023-05-16 | 宜科(天津)电子有限公司 | 一种门板骨架的特征点提取方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4918611A (en) * | 1988-07-21 | 1990-04-17 | Industrial Technology Research Institute | Method and apparatus for controlling laser cutting by image processing |
| CN107516098A (zh) * | 2017-07-30 | 2017-12-26 | 华南理工大学 | 一种基于边缘曲率角的目标轮廓三维信息提取方法 |
| CN107562015A (zh) * | 2017-08-29 | 2018-01-09 | 沈阳航空航天大学 | 一种基于数控加工编程的工序几何模型构建方法 |
| CN109683552A (zh) * | 2018-11-27 | 2019-04-26 | 大连理工大学 | 一种基面曲线导向的复杂点云模型上的数控加工路径生成方法 |
-
2021
- 2021-11-18 CN CN202111368229.7A patent/CN114089692B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4918611A (en) * | 1988-07-21 | 1990-04-17 | Industrial Technology Research Institute | Method and apparatus for controlling laser cutting by image processing |
| CN107516098A (zh) * | 2017-07-30 | 2017-12-26 | 华南理工大学 | 一种基于边缘曲率角的目标轮廓三维信息提取方法 |
| CN107562015A (zh) * | 2017-08-29 | 2018-01-09 | 沈阳航空航天大学 | 一种基于数控加工编程的工序几何模型构建方法 |
| CN109683552A (zh) * | 2018-11-27 | 2019-04-26 | 大连理工大学 | 一种基面曲线导向的复杂点云模型上的数控加工路径生成方法 |
Non-Patent Citations (6)
| Title |
|---|
| 二值图像骨架抽取算法在细长面数控加工刀路优化中的应用;王哲;王华昌;李建军;;模具工业(06);全文 * |
| 基于图像数据的数控自动编程系统研究与开发;吴凤和, 施法中;中国机械工程(17);全文 * |
| 基于图像的计算机辅助数控编程软件研究;瞿彬, 傅建中, 李建华;机电工程(03);全文 * |
| 点云特征型面的边界曲线拟合及曲面裁剪算法;陈华伟;袁小翠;伍权;徐卫平;;机械设计与制造(01);全文 * |
| 王哲 ; 王华昌 ; 李建军 ; .二值图像骨架抽取算法在细长面数控加工刀路优化中的应用.模具工业.2020,(06),全文. * |
| 陈华伟 ; 袁小翠 ; 伍权 ; 徐卫平 ; .点云特征型面的边界曲线拟合及曲面裁剪算法.机械设计与制造.2020,(01),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114089692A (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241997A (zh) | 基于多尺度点云上采样的三维模型建立、修复方法及系统 | |
| CN107622530B (zh) | 一种高效鲁棒的三角网切割方法 | |
| CN114089692B (zh) | 一种适用于零件复杂细长面的快速数控编程方法 | |
| Tanase et al. | Polygon decomposition based on the straight line skeleton | |
| Xú et al. | STEP-NC based reverse engineering of in-process model of NC simulation | |
| Li et al. | Tool-path generation for sheet metal incremental forming based on STL model with defects | |
| KR102476800B1 (ko) | 3d 모델링 객체의 3d 프린터 출력을 위한 3d cad 데이터 변환 방법, 프로그램 및 이를 위한 장치 | |
| Sharma et al. | Point cloud upsampling and normal estimation using deep learning for robust surface reconstruction | |
| Von Dziegielewski et al. | High precision conservative surface mesh generation for swept volumes | |
| Zhang et al. | RI-Fusion: 3D object detection using enhanced point features with range-image fusion for autonomous driving | |
| Fu et al. | Improved dexel representation: A 3-d cnn geometry descriptor for manufacturing cad | |
| CN112906215B (zh) | 一种基于SolidWorks二次开发的管材刀路生成方法 | |
| CN110826122A (zh) | 一种核电三维布置设计模型体素化方法及系统 | |
| CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
| US10762699B2 (en) | Machining parameter automatic generation system | |
| Takashima et al. | Recognition of free-form features for finite element meshing using deep learning | |
| Ali et al. | Reverse engineering for manufacturing approach: Based on the combination of 3D and knowledge information | |
| Chansri et al. | Automatic single-line drawing creation from a paper-based overtraced freehand sketch | |
| CN106447781A (zh) | 一种基于Minkowski和面向自动装配的碰撞检测方法 | |
| CN105955191A (zh) | 一种基于图像特征数据进行路径规划的方法 | |
| CN115661218A (zh) | 一种基于虚拟超点的激光点云配准方法和系统 | |
| CN111199086A (zh) | 三维几何离散化处理系统 | |
| Su et al. | SLIBO-Net: Floorplan Reconstruction via Slicing Box Representation with Local Geometry Regularization | |
| Lipson et al. | An interface for 3D conceptual design based on freehand sketching | |
| CN112035976B (zh) | 一种轴类机加工零件三维工序模型自动生成方法 |
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 |