融合自注意力与残差神经网络的3D打印激光在机测量误差修正方法

激光测量能够实现高效地非接触实时测量,被广泛应用于3D打印领域,但激光测量容易受测量条件、外部环境等多种因素的干扰,这些因素错综复杂,难以量化分析。为此,结合直射式激光三角测量原理,在分析测量精度影响因素的基础上,提出了一种基于融合自注意力和残差神经网络的3D打印在机测量误差修正方法。首先,将影响测量精度的因素作为输入变量,采集激光测量值,得到样本数据集;然后利用残差网络提取出样本数据的深层次特征,并引入自注意力机制建立影响因素之间的联系,得到带权重的提取特征;再通过全连接网络对带权重特征进行学习,得到测量误差的预测值,基于该预测值完成对测量误差的修正。自主搭建了一套激光在机测量系统,采用红、绿、紫3种同材质彩色卡纸进行实验验证。结果表明,所提的方法与卷积神经网络和自注意力神经网络相比,均方误差、均方根误差和平均绝对误差均最小,稳定性最好,修正结果最接近真实值;对激光测量结果进行校正后,使其误差由原来的±28μm减小到±9μm以下,显著提高了3D打印激光在机测量的精度和稳定性。

阶梯轴类零件激光在机测量误差补偿研究

轴类零件主要用来传递转矩和承受载荷,常通过数控车床加工而成其精度要求高,可用激光位移传感器对其轮廓信息进行采集,但由于机床存在位置及运动误差等,使得在机测量精度较低。因此为提高测量精度,提出面向阶梯轴类零件激光测量的实时误差补偿算法,并分别对补偿前后台阶测量点云进行模型重构,对比分析其测量误差。对比分析结果验证了补偿算法的有效性。台阶面测量表明,经几何关系修正后,其平面测量误差与三坐标测量结果差值为0.002 mm,证明测量拟合精度高。

复杂曲面激光在机测量精度分析与路径优化研究

基于激光三角法测量原理,分析了激光在机测量精度的影响因素;采用共形映射算法转换复杂曲面三维模型到二维平面,并规划了激光在机测量路径;结合有向包围盒算法控制了传感器的扫描姿态,提高了测量精度与测量效率,实现了对激光在机测量路径的优化。开展了线激光在机测量复杂曲面实验,结果表明,与现有的测量策略相比,优化后的激光在机测量精度与效率明显提升。

整体七级叶轮五轴加工工艺设计与研究

以涡轮分子泵的七级叶轮作为研究对象,分析七级叶轮的结构特点及加工难点,制定整体七级叶轮五轴加工工艺方案。研究整体七级叶轮粗、精加工的加工路径及五轴机床后处理。在SurfMill软件中生成各加工阶段加工路径,并运用数字孪生编程技术进行加工路径仿真优化,以避免实际加工过程中出现过切或者碰撞,节约加工时间。利用在机激光测量进行实际加工,所得产品达到了目标加工质量。