基于激光散射的在线检测表面特性参数的理论分析和实验研究

论文摘要

现代制造行业中,工件表面质量是决定产品质量的关键性因素之一。如果能够在加工过程中实时检测工件表面的质量情况,并及时反馈给控制系统,通过闭环系统完全控制整个加工过程,则能够极大地提高生产率,保证产品质量。光电技术、激光技术和计算机技术的发展与广泛应用,为表面质量的在线检测提供了新的理论与技术。然而,加工过程中冷却液的使用,使得工件表面的光学实时检测变得非常困难。本文针对这一问题,提出了激光在线检测工件表面特性参数的新理论和新方法。选择表面粗糙度作为表面质量的衡量参数,在对基于各种原理的表面粗糙度测量方法进行综述的基础上,结合机械加工表面的光学散射特性和机器视觉技术的特点,以及在线测量的要求,提出了在线检测工件表面特性参数的光学方法。借助特制的“透明窗”装置,在被测工件表面上方创造出一块透明测量区域,使得测量光束通过透明介质层到达工件表面实现测量。“透明窗”方法的使用,使得被测表面上方出现了由玻璃层和流体层组成的透明附加层。针对该问题,以Beckmann散射理论为基础,分析激光束通过多层透明介质的反射、折射等光学现象,建立起透明介质层存在时的表面散射模型,推导出透明流体层中的流体处于静止状态时,光散射强度和表面粗糙度测量间的定量关系。在流体层中的流体流动时,研究激光束通过各种形态流体的传播特性,发现流体处于层流状态时,流体流动引起的光束偏移为10-5μm数量级,得到了流体的流动对光学检测的影响可以忽略的结论。基于上述的理论分析,提出了表面特性参数光学在线检测的单一参数评定方案。该方案采集透明附加层存在时的表面散射图像,从中提取垂直于散射光带主方向的比值参数,通过拟合确定其和表面粗糙度之间的关系。为了更精确地评定表面特性参数,本文还提出了多项参数评定方案,依据表面散射图像和流态特征参数来预测表面粗糙度。应用图像处理技术,从透明介质层存在时的表面散射图像中提取了能表征表面粗糙度的三个特征,包括散射光带主方向上的散射特征参数、散射光带短轴上灰度值分布的标准差和整幅散射图像的灰度特征。从流态模拟装置中提取了能反映透明附加层流体状态的特征参数,包括流体层高度和流体流量。使用基于BP算法的多层前馈神经网络模型预测表面粗糙度,网络的输入特征由上述特征参数组成,输出层是表面粗糙度数值,得到了平均误差为1.395%的预测结果。针对神经网络模型自身的不足,改用核函数为径向基函数的支持向量回归机模型进行预测,可达到平均误差为0.6145%的预测结果。建立了一套激光在线测量工件表面特性参数的实验系统,包括表面粗糙度光学检测装置和“透明窗”模拟装置两部分。利用该实验系统,验证了本文提出的新的散射模型和激光束通过流体的传播特性的理论分析,实现了表面特性参数在线测量的单一参数和多项参数评定方案。本文的研究为冷却液加工条件下机械加工工件表面质量的光学在线测量提供了依据,将其应用于加工状态的实时监控,可提高产品合格率,获得巨大的经济效益。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.2 研究现状
• 1.2.1 接触式测量方法
• 1.2.2 非接触式测量方法
• 1.2.3 在线测量方法
• 1.2.4 文献综述小结
• 1.3 论文的主要目标与研究内容
• 1.3.1 研究目标
• 1.3.2 研究内容
• 1.3.3 论文内容安排
• 1.4 本章小结
• 第二章 激光在线检测表面特性参数的理论研究
• 2.1 “透明窗”的概念
• 2.2 光学测量方案的分析和选择
• 2.3 激光束通过静态流体层的传输
• 2.3.1 光散射理论的发展
• 2.3.2 Beckmann散射模型
• 2.3.3 修改的Beckmann散射模型
• 2.3.4 理论模拟
• 2.4 激光束通过动态流体层的传输
• 2.4.1 流态分析基础
• 2.4.2 动态流体层对测量结果的影响
• 2.5 本章小结
• 第三章 激光在线检测表面特性参数实验系统
• 3.1 表面特性参数检测子系统
• 3.1.1 光路设计分析
• 3.1.2 硬件结构
• 3.2 "透明窗"模拟装置子系统
• 3.2.1 模拟装置设计分析
• 3.2.2 硬件结构
• 3.3 测量系统
• 3.4 本章小结
• 第四章 表面特性参数在线检测单一参数评定方案
• 4.1 特征参数
• 4.2 实验验证
• 4.2.1 激光束通过静态流体层传输研究的实验验证
• 4.2.2 激光束通过动态流体层传输研究的实验验证
• 4.3 表面特性参数在线测量的单一参数评定方案
• 4.4 单一参数评定方案的不足
• 4.5 本章小结
• 第五章 表面特性参数在线检测多项参数评定方案
• 5.1 特征提取
• 5.1.1 散射图像特征参数提取
• 5.1.2 流态模拟装置特征参数提取
• 5.2 基于BP算法的多层前馈神经网络模型预测表面特性参数
• 5.2.1 基于BP算法的多层前馈神经网络
• 5.2.2 基于BP算法的表面参数预测模型的设计
• 5.3 支持向量机预测表面特性参数
• 5.3.1 支持向量机基础
• 5.3.2 支持向量机预测表面特性参数
• 5.4 神经网络模型和支持向量机预测表面特性参数的性能比较
• 5.5 单一参数评定方案和多项参数评定方案的性能比较
• 5.6 本章小结
• 第六章 全文总结
• 6.1 主要结论
• 6.2 研究展望
• 参考文献
• 攻读博士学位期间取得的学术成果
• 攻读博士学位期间参与的科研项目
• 攻读博士学位期间获得的奖励
• 致谢