CN115183690B - 一种基于3d打印的内型腔直径的测量方法 - Google Patents

Abstract

本发明提出一种基于3D打印的内型腔直径的测量方法，首先将设置有n个测量单元的牵引线放入待测件的内型腔中；旋转牵引线使每个测量单元均从起点移动至终点，得到n组测量数据；所述测量数据包括n个测量单元测量的通道壁与测量头的间距和测量头的旋转角度；然后利用线性拟合算法，将得到n个测量单元的测量值分别模拟为一个圆，分别计算出圆的直径；最后对测量结果进行分析，去除测量曲线中明显的奇异点后，对n个测量值对应的直径进行加权平均处理，将加权处理后的直径作为内型腔直径，实现了对3D打印内型腔直径的快速检测。

Description

一种基于3D打印的内型腔直径的测量方法

技术领域

本发明涉及智能识别检测领域，具体地说，涉及一种基于3D打印的内型腔直径的测量方法。

背景技术

增材制造技术又称“3D打印技术”的概念起源于上世纪八十年代，它的出现对发展了2000多年的等材制造技术和发展了300多年的减材制造技术造成了深远的影响，它引入了一种新的思维制造模式，即：增材制造模式。从人类资源开发的未来发展模式看，增材制造技术的出现是解决未来资源紧缺情况下的一种有效途径。

最近十年，增材制造技术的快速发展已经给传统制造业带来了巨大变革，凭借该技术的任意自由度特点，重塑了设计思维，实现了变不可能为可能，缓解了设计方案向制造技术妥协的窘境。增材制造技术的出现不仅仅解决了传统制造方法不能制造的负责零件的出现，同时也利用该技术实现了对传统昂贵零部件出现缺陷以后的修复再延寿。

增材制造技术快速发展的同时也带来了相关其他行业的发展，如粉末原材料、3D打印设备、医疗生物、检验检测等，但是目前现有的检测手段还未能实现对增材制造内部结构的快速检测，尤其是增材制造模具内流道的检测。

增材制造修复技术又称激光送粉成形修复技术，该技术不受修复尺寸限制，可以实现力学性能与锻件相当的复杂高性能构件的高效率制造和快速修复。该技术以信息技术为支撑，以柔性化的产品制造方式最大限度地满足无限丰富的个性化需求，技术应用前景广阔。

发明内容

针对现有技术中目前的检测手段还未能实现对增材制造内部结构的快速检测，尤其是不能实现对增材制造模具内流道的检测的问题，本发明提出一种基于3D打印的内型腔直径的测量方法，在牵引线上设置n个测量单元，通过旋转牵引线将每个测量单元均从起点移动至终点，得到n个测量单元的测量头与内型腔壁的间距和测量头的旋转角度，将得到的n组测量结果分别模拟为一个圆，分别计算出圆的直径并进行加权平均处理，加权平均处理后的直径即为内型腔直径，实现了对3D打印内型腔直径的快速检测。

本发明具体内容如下：

本发明提出一种基于3D打印的内型腔直径的测量方法，包括以下步骤：

步骤1：将设置有n个测量单元的牵引线放入待测件的内型腔中，旋转牵引线将n个测量单元均从起点移动至终点；

步骤2：采集n个测量值和n个测量值对应的测量头的旋转角度，所述测量值为待测件的内型腔壁上的测量点与测量单元的测量头之间的间距；

步骤3：将得到的n个测量值和n个旋转角度模拟为n个圆，并分别计算出圆的直径；

步骤4：去除测量值与旋转角度中明显的奇异点，将直径进行加权平均处理，将加权平均处理后的直径作为内型腔的直径。

为了更好地实现本发明，进一步地，所述步骤2具体包括以下步骤：

步骤2.1a：采集n个测量单元所有测量点对应的测量值和所有测量值对应的测量头的旋转角度，并按测量点顺序将各个测量单元对应的测量值和旋转角度分别集合成对应的测量线矩阵；

步骤2.2a：选择一个测量单元对应的测量线矩阵作为第一样本集合，将其余的n-1个测量单元对应的测量线矩阵分别作为第二样本集合；

步骤2.3a：根据获得的第一样本集合和第二样本集合建立机器学习模型；

步骤2.4a：将第二样本集合中对应的测量值作为机器学习模型的输入数据，将第一样本集合中对应的测量值作为机器学习模型的输出数据，对机器学习模型进行训练，得到训练后的机器学习模型；

步骤2.5a：根据训练后的机器学习模型，预测第二样本集合对应的测量值与第一样本集合对应的测量值的偏差，对第二样本集对应的测量值进行修正，得到n-1个精度更高的测量值。

为了更好地实现本发明，进一步地，所述步骤2具体包括以下步骤：

步骤2.1b：采集n个测量单元所有测量点对应的测量值和所有测量值对应的测量头的旋转角度，并按测量点顺序将n个测量单元对应的测量值和旋转角度分别集合成对应的测量线矩阵；

步骤2.2b：选择一个测量单元对应的测量线矩阵作为第一样本集合，将其余的n-1个测量单元对应的测量线矩阵分别作为第二样本集合；

步骤2.3b：根据获得的第一样本集合和第二样本集合建立机器学习模型；

步骤2.4b：将第二样本集合中对应的测量值作为机器学习模型的输入数据，将第一样本集合中对应的测量值与测量点在第二样本集合中对应的测量值的偏差作为机器学习模型的输出数据，得到训练后的机器学习模型；

步骤2.5b：根据训练后的机器学习模型，预测第二样本集对应的测量值与第一样本集对应的测量值的偏差，对第二样本集对应的测量值进行修正，得到n-1个精度更高的测量值。

为了更好地实现本发明，进一步地，所述步骤1的具体操作为：将n个测量单元串接在牵引线中，360°旋转牵引线将每个测量单元均从起点移动至终点。

为了更好地实现本发明，进一步地，所述步骤3的具体操作为：将步骤2.5a或步骤2.5b得到的n-1个精度更高的测量值和第一样本集合对应的测量值以及n-1个精度更高的测量值对应的旋转角度和第一样本集合对应的测量值的旋转角度，通过线性拟合算法分别拟合为n个圆，分别计算出圆的直径。

为了更好地实现本发明，进一步地，所述步骤2.3a或步骤2.3b的具体操作为：根据获得的第一样本集合和第二样本集合，通过梯度下降法或ADAM算法建立机器学习模型，并通过预设阈值判断机器学习模型的收敛。

为了更好地实现本发明，进一步地，所述作为第一样本集对应的测量单元的测量头精度大于所述作为第二样本集对应的测量单元的测量头精度。

为了更好地实现本发明，进一步地，在使用测量单元进行测量前对各个测量单元进行标定操作。

为了更好地实现本发明，进一步地，在使用测量单元进行测量前在待测件外部设置X光设备对各个测量单元的位置进行监测。

为了更好地实现本发明，进一步地，所述测量单元为点激光测试设备。

本发明具有以下有益效果：

(1)本发明通过在待测件的内腔中设置多个测量单元，实现了对增材制造内部结构尤其是增材制造模具内流道的快速检测；

(2)本发明通过将采集到的测量单元的测量数据作为训练数据建立机器学***均处理，进一步提高了测量精度。

附图说明

图1为本发明实施例中待测件打印出的内型腔的示意图；

其中，1、点激光测试设备。

具体实施方式

为了更清楚地说明本发明实施例的技术方案，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，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作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。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1：

本实施例提出一种基于3D打印的内型腔直径的测量方法，包括以下步骤：

步骤1：将设置有n个测量单元的牵引线放入待测件的内型腔中，旋转牵引线将n个测量单元均从起点移动至终点；

步骤2：采集n个测量值和n个测量值对应的测量头的旋转角度，所述测量值为待测件的内型腔壁上的测量点与测量单元的测量头之间的间距；

步骤3：将得到的n个测量值和n个旋转角度模拟为n个圆，并分别计算出圆的直径；

步骤4：去除测量值与旋转角度中明显的奇异点，将直径进行加权平均处理，将加权平均处理后的直径作为内型腔的直径。

工作原理：在牵引线上设置n个串联的测量单元，通过旋转牵引线将所有测量单元均从起点移动至终点，得到n组测量数据，所述测量数据包括测量值和测量值对应的测量头的旋转角度；所述测量值为此刻测量的内型腔的通道壁与测量头的间距，每个位置可以获得一组测量结果；将得到的n组测量结果模拟为n个圆，得到n个圆的直径；去除测量结果中明显的奇异点经过加权平均处理，加权平均后的结果即为内型腔直径。

实施例2：

本实施例在上述实施例1的基础上，如图1所示，通过一个具有一定刚性的牵引线将多个测量单元串接，并置于内腔中。

工作原理：牵引线带动多个测量单元向一个方向运动；并且牵引线可以传输每个测量单元得到的检测结果，因为每个测量单元均只能检测部分图像区域的结果，由于拍摄范围有限，因此设置了多个拍摄单元。

为了获知各个测量单元的位置，可以进行标定，比如每个单元的间距是10mm。也可以在外部布置X光设备，实时监测测量单元所处的位置。

每个测量单元是一个点激光测量设备1，点激光测量设备1是基于发出点激光的散射得出物体据测量头的位置，属于一种不常规的现有技术。

本实施例的其他部分与上述实施例1相同，故不再赘述。

实施例3：

本实施例在上述实施例1-2任一项的基础上，为达到更好的测量效果，在测量头中选择测量头A作为精度更高的测量头，并用这个高精度的测量头对其他4个测量头进行校正。

工作原理：本实施例通过设置五个测量单元：测量单元A、测量单元B、测量单元C、测量单元D、测量单元E，将测量单元A的测量头A精度设置为0.05mm，测量单元B的测量头B、测量单元C的测量头C、测量单元D的测量头D、测量单元E的测量头E精度设置为0.2mm。将每个测量头在每一位置旋转360°间隙地获得此刻测量的通道壁与测量头的间距，每个位置可以获得一组测量结果，其中，每组测量结果中还包含有每一测量值对应的测量头旋转的角度；并按矩阵存储。例如：[1.2，36°]

基于线性拟合算法，将得到的一组测量结果模拟为一个圆，得到圆的直径。

一个测量头可以对整个通道获得一个测量曲线。

多个测量头可以对整个通道获得多个测量曲线。

对测量结果进行分析，获取最终的测量结果，比如对同一点去除奇异点后求平均等方式，具体包括以下步骤：

步骤1：测量头A测量通道，得到这一通道的测量曲线。

步骤2：根据步骤1获得的数据建立样本集合。得到训练样本矩阵。由测量头A获得的集合可称作第一样本集合。

步骤3：测量头B测量同一通道，建立第二样本集合。

步骤4：基于第一样本集合和第二样本集合，获取机器学习模型。

具体地，对同一根通道，获取第一测量值和第二测量值。第一测量值对应于测量头A的测量结果；第二测量值对应测量头B的测量结果，显然，由于测量头测量精度不同，第二测量值的精度低于第一测量值。将第二测量值作为输入数据，将第一测量值或第一测量值与第二测量值的偏差作为输出数据或参考标准，来训练初始机器学习模型。机器学习模型可以梯度下降法或者ADAM算法得到，基于预设阈值判断模型收敛即可。

步骤5：基于步骤4获得的机器学习模型；预测第二测量值与第一测量值的偏差，对第二测量值进行修正，得到精度更高的第二测量值。

步骤6：基于更新后的四个探头和一个高精度探头A，去除曲线中明显的奇异点后，对5个测量数据加权求平均，得到最终的测量结果。

本实施例的其他部分与上述实施例1-2任一项相同，故不再赘述。

实施例4：

本实施例在上述实施例1-3任一项的基础上，如图1所示，将设置有五个测量单元，编号依次为A-E的牵引线放入待测件的内腔，起点记为M，终点记为N，旋转牵引线使每个测量单元均从起点M移动至终点N。

工作原理：旋转牵引线使每个测量单元均从起点M移动至终点N，则一个测量单元在各个测量点的测量值对应测量点矩阵

所有测量点的测量值对应的测量点矩阵xi的集合记为测量线矩阵X；

即X={x1，x2，……，xi}；

所以测量单元A、测量单元B、测量单元C、测量单元D、测量单元E对应的测量线矩阵X分别记为测量线矩阵XA、测量线矩阵XB、测量线矩阵XC、测量线矩阵XD、测量线矩阵XE；其在各个测量点对应的测量点矩阵xi分别记为测量点矩阵xAi、测量点矩阵xBi、测量点矩阵xCi、测量点矩阵xDi、测量点矩阵xEi。

测量过程具体包括以下步骤：

步骤1：分别采集测量单元A、测量单元B、测量单元C、测量单元D、测量单元E五个测量单元经过测量通道后采集到的各个测量点对应的测量点矩阵xi，并按测量点顺序将各个测量单元对应的测量点矩阵xi分别集合成对应的测量线矩阵X；

其中，测量点的编号为i；

测量单元A对应的测量点矩阵记为测量点矩阵xAi，测量单元A对应的测量线矩阵记为测量线矩阵XA；测量单元B对应的测量点矩阵记为测量点矩阵xBi，测量单元B对应的测量线矩阵记为测量线矩阵XB；测量单元C对应的测量点矩阵记为测量点矩阵xCi，测量单元C对应的测量线矩阵记为测量线矩阵XC；测量单元D对应的测量点矩阵记为测量点矩阵xDi，测量单元D对应的测量线矩阵记为测量线矩阵XD；测量单元E对应的测量点矩阵记为测量点矩阵xEi，测量单元E对应的测量线矩阵记为测量线矩阵XE；

步骤2：先将测量线矩阵XA作为第一样本集合；再将测量单元B或测量单元C或测量单元D或测量单元E对应的测量线矩阵XB或测量线矩阵XC或测量线矩阵XD或测量线矩阵XE作为第二样本集合；

步骤3：基于第一样本集合和第二样本集合，训练机器学习模型；

1）基于预设阈值判断模型收敛，通过梯度下降法或者ADAM算法构建机器学习模型。

2）训练机器学习模型，可采用以下方案中的任意一种方案：

方案A：将测量点i在第二样本集合中对应的测量点矩阵xBi作为输入数据，将测量点i在第一样本集合中对应的测量点矩阵xAi作为输出数据，来训练机器学习模型；

测量单元A在测量点i测量的为第一测量值，测量单元B在测量点i测量的为第二测量值；第二测量值输入、第一测量值输出；

方案B：将测量点i在第二样本集合中对应的测量点矩阵xBi作为输入数据，将测量点i在第一样本集合中对应的测量点矩阵xAi0与测量点i在第二样本集合中对应的测量点矩阵xBi的偏差作为输出数据，来训练机器学习模型；

测量单元A在测量点i测量的为第一测量值，测量单元B在测量点i测量的为第二测量值；第二测量值输入、二者差值输出；

步骤4：基于步骤3训练的机器学习模型，预测第二测量值与第一测量值的偏差，对第二测量值进行修正，得到精度更高的第二测量值；

步骤5：基于更新后的四个第二测量值和一个第一测量值，去除曲线中明显的奇异点后，对5个测量数据加权求平均，得到最终的测量结果。

本实施例的其他部分与上述实施例1-3任一项相同，故不再赘述。

实施例5：

本实施例在上述实施例1-4任一项的基础上，如图1所示，提出一种基于3D打印的内型腔直径的测量方法，包括以下步骤：

步骤1：将设置有n个测量单元的牵引线放入待测件的内型腔中，旋转牵引线将n个测量单元均从起点移动至终点；

所述步骤1的具体操作为：将n个测量单元串接在牵引线中，360°旋转牵引线将每个测量单元均从起点移动至终点。

步骤2：采集n个测量值和n个测量值对应的测量头的旋转角度，所述测量值为待测件的内型腔壁上的测量点与测量单元的测量头之间的间距；

步骤3：将得到的n个测量值和n个旋转角度模拟为n个圆，并分别计算出圆的直径；

所述步骤3的具体操作为：将步骤2.5a或步骤2.5b得到的n-1个精度更高的测量值和第一样本集合对应的测量值以及n-1个精度更高的测量值对应的旋转角度和第一样本集合对应的测量值的旋转角度，通过线性拟合算法分别拟合为n个圆，分别计算出圆的直径。

步骤4：去除测量值与旋转角度中明显的奇异点，将直径进行加权平均处理，将加权平均处理后的直径作为内型腔的直径。

将第二样本集合中对应的测量值作为机器学习模型的输入数据，将第一样本集合中对应的测量值作为机器学习模型的输出数据时，所述步骤2具体包括以下步骤：

步骤2.1a：采集n个测量单元所有测量点对应的测量值和所有测量值对应的测量头的旋转角度，并按测量点顺序将各个测量单元对应的测量值和旋转角度分别集合成对应的测量线矩阵；

步骤2.2a：选择一个测量单元对应的测量线矩阵作为第一样本集合，将其余的n-1个测量单元对应的测量线矩阵分别作为第二样本集合；

步骤2.3a：根据获得的第一样本集合和第二样本集合建立机器学习模型；

所述步骤2.3a的具体操作为：根据获得的第一样本集合和第二样本集合，通过梯度下降法或ADAM算法建立机器学习模型，并通过预设阈值判断机器学习模型的收敛；

步骤2.4a：将第二样本集合中对应的测量值作为机器学习模型的输入数据，将第一样本集合中对应的测量值作为机器学习模型的输出数据，对机器学习模型进行训练，得到训练后的机器学习模型；

步骤2.5a：根据训练后的机器学习模型，预测第二样本集合对应的测量值与第一样本集合对应的测量值的偏差，对第二样本集对应的测量值进行修正，得到n-1个精度更高的测量值；

所述作为第一样本集对应的测量单元的测量头精度大于所述作为第二样本集对应的测量单元的测量头精度。

将第二样本集合中对应的测量值作为机器学习模型的输入数据，将第一样本集合中对应的测量值与测量点在第二样本集合中对应的测量值的偏差作为机器学习模型的输出数据时，所述步骤2具体包括以下步骤：

步骤2.1b：采集n个测量单元所有测量点对应的测量值和所有测量值对应的测量头的旋转角度，并按测量点顺序将n个测量单元对应的测量值和旋转角度分别集合成对应的测量线矩阵；

步骤2.2b：选择一个测量单元对应的测量线矩阵作为第一样本集合，将其余的n-1个测量单元对应的测量线矩阵分别作为第二样本集合；

步骤2.3b：根据获得的第一样本集合和第二样本集合建立机器学习模型；

所述步骤2.3b的具体操作为：根据获得的第一样本集合和第二样本集合，通过梯度下降法或ADAM算法建立机器学习模型，并通过预设阈值判断机器学习模型的收敛；

步骤2.4b：将第二样本集合中对应的测量值作为机器学习模型的输入数据，将第一样本集合中对应的测量值与测量点在第二样本集合中对应的测量值的偏差作为机器学习模型的输出数据，得到训练后的机器学习模型；

步骤2.5b：根据训练后的机器学习模型，预测第二样本集对应的测量值与第一样本集对应的测量值的偏差，对第二样本集对应的测量值进行修正，得到n-1个精度更高的测量值；

所述作为第一样本集对应的测量单元的测量头精度大于所述作为第二样本集对应的测量单元的测量头精度。

进一步地，在使用测量单元进行测量前对各个测量单元进行标定操作。

进一步地，在使用测量单元进行测量前在待测件外部设置X光设备对各个测量单元的位置进行监测。

本实施例的其他部分与上述实施例1-4任一项相同，故不再赘述。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (8)

1.一种基于3D打印的内型腔直径的测量方法，其特征在于，包括以下步骤：

步骤1：将设置有n个测量单元的牵引线放入待测件的内型腔中，旋转牵引线将n个测量单元均从起点移动至终点；

步骤2：采集n个测量值和n个测量值对应的测量头的旋转角度，所述测量值为待测件的内型腔壁上的测量点与测量单元的测量头之间的距离；

步骤3：将得到的n个测量值和n个旋转角度模拟为n个圆，并分别计算出圆的直径；

步骤4：去除测量值与旋转角度中明显的奇异点，将直径进行加权平均处理，将加权平均处理后的直径作为内型腔的直径；

所述步骤2具体包括以下步骤：

步骤2.1a：采集n个测量单元所有测量点对应的测量值和所有测量值对应的测量头的旋转角度，并按测量点顺序将n个测量单元对应的测量值和旋转角度分别集合成对应的测量线矩阵；

步骤2.2a：选择一个测量单元对应的测量线矩阵作为第一样本集合，将其余的n-1个测量单元对应的测量线矩阵分别作为第二样本集合；所述第一样本集合对应的测量单元的测量精度比其余的n-1个测量单元的测量精度高；

步骤2.3a：根据获得的第一样本集合和第二样本集合建立机器学习模型；

步骤2.4a：将第二样本集合中对应的测量值作为机器学习模型的输入数据，将第一样本集合中对应的测量值作为机器学习模型的输出数据，对机器学习模型进行训练，得到训练后的机器学习模型；

步骤2.5a：根据训练后的机器学习模型，预测第二样本集合对应的测量值与第一样本集合对应的测量值的偏差，对第二样本集对应的测量值进行修正，得到n-1个精度更高的测量值；

或所述步骤2具体包括以下步骤：

步骤2.1b：采集n个测量单元所有测量点对应的测量值和所有测量值对应的测量头的旋转角度，并按测量点顺序将n个测量单元对应的测量值和旋转角度分别集合成对应的测量线矩阵；

步骤2.2b：选择一个测量单元对应的测量线矩阵作为第一样本集合，将其余的n-1个测量单元对应的测量线矩阵分别作为第二样本集合；所述第一样本集合对应的测量单元的测量精度比其余的n-1个测量单元的测量精度高；

步骤2.3b：根据获得的第一样本集合和第二样本集合建立机器学习模型；

步骤2.4b：将第二样本集合中对应的测量值作为机器学习模型的输入数据，将第一样本集合中对应的测量值与测量点在第二样本集合中对应的测量值的偏差作为机器学习模型的输出数据，得到训练后的机器学习模型；

步骤2.5b：根据训练后的机器学习模型，预测第二样本集对应的测量值与第一样本集对应的测量值的偏差，对第二样本集对应的测量值进行修正，得到n-1个精度更高的测量值。

2.如权利要求1所述的一种基于3D打印的内型腔直径的测量方法，其特征在于，所述步骤1的具体操作为：将n个测量单元串接在牵引线中，360°旋转牵引线将每个测量单元均从起点移动至终点。

3.如权利要求1所述的一种基于3D打印的内型腔直径的测量方法，其特征在于，所述步骤3的具体操作为：将步骤2.5a或步骤2.5b得到的n-1个精度更高的测量值和第一样本集合对应的测量值以及n-1个精度更高的测量值对应的旋转角度和第一样本集合对应的测量值的旋转角度，通过线性拟合算法分别拟合为n个圆，分别计算出圆的直径。

4.如权利要求1所述的一种基于3D打印的内型腔直径的测量方法，其特征在于，所述步骤2.3a或步骤2.3b的具体操作为：根据获得的第一样本集合和第二样本集合，通过梯度下降法或ADAM算法建立机器学习模型，并通过预设阈值判断机器学习模型的收敛。

5.如权利要求1所述的一种基于3D打印的内型腔直径的测量方法，其特征在于，所述作为第一样本集对应的测量单元的测量头精度大于所述作为第二样本集对应的测量单元的测量头精度。

6.如权利要求1-2任一项所述的一种基于3D打印的内型腔直径的测量方法，其特征在于，在使用测量单元进行测量前对各个测量单元进行标定操作。

7.如权利要求1-2任一项所述的一种基于3D打印的内型腔直径的测量方法，其特征在于，在使用测量单元进行测量前在待测件外部设置X光设备对各个测量单元的位置进行监测。

8.如权利要求1-2任一项所述的一种基于3D打印的内型腔直径的测量方法，其特征在于，所述测量单元为点激光测试设备（1）。