[发明专利]基于高斯过程模型的圆形轮廓误差监控方法

说明书

本发明提供了一种基于高斯过程模型的圆形轮廓误差监控方法，包括：测量圆柱表面，利用三坐标测量机测量采样以得到三维坐标数据；数据处理，建立不同特征组合的高斯过程模型；估计模型参数；建立控制图监控圆形轮廓误差；比较检出率，确定最优监控模型。本发明提出的基于高斯过程模型的圆形轮廓误差监控方法，可以更好地描述圆形轮廓形状的变化，提高异常圆形轮廓的检出率。该方法为非参数回归方法，具有较好的适应性，改善了一般方法无法很好地描述圆形误差复杂特征的缺陷。

技术领域

本发明涉及圆形零件的质量监控，具体地，涉及一种基于高斯过程模型的圆形轮廓误差监控方法。

背景技术

在现代制造中，几何规格(如形位公差)是机械零件的重要控制对象，会影响机械产品的功能。形位公差包括形状误差与位置误差，对于具有圆柱面的机械零件而言，圆形形状误差为一项重要的指标。圆度描述了实际圆相对标准圆的波动变化，较好地衡量了圆形形状误差的精度。圆度的测量方法有很多，主要包括坐标法、三点法、两点法、投影法及直接利用数据采集仪连接百分表法。圆度的评定方法主要有四种，分别为最小包容区域法、最小二乘法、最小外接圆法及最大内切圆法。作为衡量圆形形状误差的精度指标，圆度限制了实际圆对于标准圆的波动，但无法更好地描述圆形轮廓的形状变化。

圆形轮廓误差描述了实际形状与理想形状的偏差值，在一定程度上可以表征圆形轮廓的形状变化。圆形轮廓误差具有非线性等复杂的特征，对其建立数学模型分析，可以更好地表示圆形轮廓的形状变化，提高检测异常轮廓的检出率，对零件的实际生产加工过程有重要的意义。

已有技术中，张珂、张玮、阎卫增、侯怀书在论文“圆度误差的神经网络评定及测量不确定度研究”(《机械科学与技术》2019年第38卷第3期，428-432页)中提出应用BP神经网络算法优化求解圆度误差，并结合蒙特卡洛法评定不确定度，可以更便捷、准确地评定圆度误差。但该方法仅仅定量地评定了圆度误差及其不确定度，不能体现圆形轮廓的形状信息，更无法检测出异常圆形轮廓的变化。

Colosimo B M,Cicorella P,Pacella M等在论文“From Profile to SurfaceMonitoring:SPC for Cylindrical Surfaces Via Gaussian Processes”(《Journal ofQuality Technology》2014年第46卷第2期，95-113页)中提出基于高斯过程模型的方法表示其形状变化，该方法可以检测出异常轮廓，但圆柱形轮廓误差值具有非线性等复杂的特征，单一的核函数无法很好地描述其形状的变化，检测异常轮廓的性能并不好。

发明内容

1、本发明的目的

针对现有技术中的缺陷，本发明提出了一种基于高斯过程模型的圆形轮廓误差监控方法。本方法是基于高斯过程模型，分析圆形轮廓的误差，目的是提高异常轮廓的检出率。

2、本发明所采用的技术方案

本发明公开了一种基于高斯过程模型的圆形轮廓误差监控方法，包括以下步骤：

步骤1：测量圆柱表面，得到每个测量点的三维坐标数据；

步骤2：根据测量所述三维坐标数据，与标准值比对，得到真实值与理想值的误差；

步骤3：基于高斯过程模型建立圆形误差模型；

步骤4：确定模型中的均值函数及协方差函数

对于圆形轮廓而言，其误差项包含多种特征；因此，用常数项表示均值函数，用不同特征的组合表示协方差函数；

步骤5：估计模型参数；

对不同特征的协方差函数进行组合，可以得到多种高斯过程模型，分别对其进行参数估计；

步骤6：监控圆形轮廓误差