[发明专利]一种基于神经网络的点激光测头测量值的标定方法

说明书

本发明涉及一种基于神经网络的点激光测头测量值的标定方法，包括：S1：获取训练数据；S2：建立BP神经网络；S3：训练BP神经网络：S4：BP神经网络的模型验证：S41：输入新的所采集的温度值T'、温度值T'下测量值m'，经过BP神经网络的模型后，获取对应的偏差值ΔE'；S42：获取修正后的测量值；S43：当修正后的测量值与对应测量值m'的标定值C'之间的误差在允许范围内时，标定成功，否则转至S1。本发明能够通过对点激光测头的测量值进行标定，修正测量值，提高测量准确度。

技术领域

本发明涉及三坐标测量机的技术领域，具体涉及一种基于神经网络的点激光测头测量值的标定方法。

背景技术

三坐标测量机（简称CMM）搭配非接触式光学测头正在成为一种趋势，非接触式测头具有与接触式扫描测头相当的测量精度和可靠性，更高的扫描速度，更大的测量范围和非接触式测量的普遍光学优势。当测量速度很重要且零件难以通过接触式测头进入或者触发测量可能变形时，它是高精度接触式测量的完美替代方案，尤其适合检测航空发动机的叶盘和叶片，以及回转体类的齿轮、花键和凸轮轴等。

基于三角法原理的点激光测量是非接触式检测的一个重要方向，利用具有规则几何形状的激光束沿工件表面连续扫描被测工件，被测表面形成的漫反射光点在光路中放置的图像传感器中成像，按照三角形原理就可以获取被测点的空间坐标。三角法点激光具有高精度、高重复性和高速度的特点。不过三角法激光传感器光学系统的固有特点，决定了物体表面距离H与成像传感器上像点位置S的对应关系不是线性的（即，具有非线性误差），具体如公式所示：

其中l0和l0'分别是接收光学系统的物距和像距，S是目标光点在成像传感器上的像点位置，H是物体上的目标光点与基准面的距离，其他参数在光学系统的设计阶段已经明确。这种非线性的外在表现就是激光传感器在不同测量位置移动相同距离时，传感器输出的距离值并不是相同会影响到整体的测量准确度。在传感器测量范围较大的时候，这种非线性带来的测量误差尤其明显。

另外，在点激光传感器的使用中，温度也是一个不容忽视的测量精度的影响因素。一般的三角法点激光传感器的温度特性都在0.02%F.S./℃，其中F.S.表示传感器的测量范围，传感器的测量范围越大，温度变化越剧烈，带来的测量误差也会越大。一般航空叶片和齿轮等回转体的精度要求很高，需要超高精度的CMM搭配非接触式测头进行测量，超高精度的CMM使用温度范围一般在18℃-22℃。

因此，在实际测量使用中，整体系统精度的影响因素主要有两个：测头本身非线性特性带来的精度损失；和测量环境温度变化带来的精度影响。亟需一种点激光测头测量值的标定方法，完成对实际使用环境下的测头测量值的修正处理。

发明内容

为了解决如上技术问题，本发明的实施例在于提供一种基于神经网络的点激光测头测量值的标定方法，通过对点激光测头的测量值进行标定，修正测量值，提高测量准确度。

为实现上述发明，本发明提出如下技术方案予以解决：

本申请涉及一种基于神经网络的点激光测头测量值的标定方法，其特征在于，包括：

S1：获取训练数据：在点激光测头的使用温度范围内、且M个不同温度中每个温度下，分别获取点激光测头在其测量范围内的N个不同测量值、N个对应标定值、和各标定值及对应测量值之间的N个偏差值，形成训练数据，其中M和N均大于1且为正整数；

S2：建立BP神经网络：建立三层BP神经网络，输入层具有两个结点，输出层具有一个结点，隐藏层具有若干个结点；

S3：训练BP神经网络：

S31：对训练数据进行归一化处理，其中温度和测量值作为BP神经网络的输入信号，偏差值作为BP神经网络的输出信号；

S32：对BP神经网络进行训练，使网络收敛；

S4：BP神经网络的模型验证：

S41：输入新的所采集的温度值T'、温度值T'下测量值m'，经过BP神经网络的模型后，获取对应的偏差值ΔE'；