基于遺傳算法的三坐標(biāo)測(cè)量機(jī)測(cè)量路徑規(guī)劃方法

周開(kāi)俊　肖　軼　周小青

南通職業(yè)大學(xué)，南通，226007

?

基于遺傳算法的三坐標(biāo)測(cè)量機(jī)測(cè)量路徑規(guī)劃方法

周開(kāi)俊肖軼周小青

南通職業(yè)大學(xué)，南通，226007

摘要：針對(duì)現(xiàn)有三坐標(biāo)測(cè)量機(jī)檢測(cè)路徑規(guī)劃方法的不足，提出和構(gòu)建了零件檢測(cè)特征群數(shù)學(xué)模型和求解流程，在此基礎(chǔ)上，根據(jù)檢測(cè)工作平面、檢測(cè)測(cè)頭及檢測(cè)測(cè)針變動(dòng)次數(shù)和檢測(cè)路徑構(gòu)建優(yōu)化目標(biāo)函數(shù)，從宏觀和微觀兩個(gè)層面分別應(yīng)用矩陣交叉遺傳算法和序列規(guī)劃遺傳算法進(jìn)行零件檢測(cè)特征路徑的優(yōu)化求解。最后以Hexagon公司檢測(cè)零件為例，說(shuō)明了零件初始檢測(cè)信息的獲取以及算法的優(yōu)化求解過(guò)程。實(shí)踐證明，該方法快速有效，且具有良好的工程應(yīng)用價(jià)值。

關(guān)鍵詞：三坐標(biāo)測(cè)量機(jī)；測(cè)量路徑規(guī)劃；遺傳算法；矩陣交叉；序列規(guī)劃

0引言

隨著裝備制造業(yè)向智能化、集成化、高端化方向發(fā)展，越來(lái)越多的機(jī)械制造企業(yè)開(kāi)始使用三坐標(biāo)測(cè)量機(jī)進(jìn)行零件質(zhì)量的監(jiān)測(cè)和檢測(cè)。在單件測(cè)量中，測(cè)量路徑往往是靠操作人員的經(jīng)驗(yàn)和檢測(cè)偏好進(jìn)行的，是否是最短路徑、是否是最短時(shí)間往往并不重要。然而在產(chǎn)品批量檢測(cè)時(shí)，測(cè)量機(jī)運(yùn)行的時(shí)間往往對(duì)檢測(cè)成本有比較大的影響，同時(shí)也影響測(cè)量機(jī)的測(cè)量效率和自動(dòng)化水平。因此如何規(guī)劃出高效的測(cè)量機(jī)行走方案，一直是國(guó)內(nèi)外研究人員的研究熱點(diǎn)。

Ainsworth等[1]開(kāi)發(fā)了一種測(cè)量路徑規(guī)劃系統(tǒng)，將CAD模型和采樣點(diǎn)作為輸入因子，利用開(kāi)發(fā)的系統(tǒng)規(guī)劃測(cè)量路徑。Lee等[2]按特征的優(yōu)先等級(jí)對(duì)特征進(jìn)行分組，通過(guò)確定特征組的檢測(cè)順序和組內(nèi)特征的檢測(cè)順序，生成了總體的檢測(cè)規(guī)劃。Albuquerque等[3]設(shè)計(jì)了一種自動(dòng)的放置點(diǎn)和路徑規(guī)劃方法，通過(guò)放置點(diǎn)面的不斷細(xì)分迭代，能夠高效生成復(fù)雜零件的多個(gè)相交特征的無(wú)碰撞檢查路徑。Zhang等[4]開(kāi)發(fā)了一種基于特征的三坐標(biāo)測(cè)量工藝規(guī)劃系統(tǒng)，系統(tǒng)分為公差分析、可達(dá)性檢測(cè)、聚類算法、路徑規(guī)劃、檢測(cè)工藝規(guī)劃5個(gè)模塊。Lu等[5]、紀(jì)曉剛等[6]通過(guò)在被測(cè)特征間引入過(guò)渡點(diǎn)，建立各點(diǎn)之間的關(guān)系矩陣，然后利用遺傳算法求解測(cè)量了最短路徑。王世剛[7]從工藝規(guī)劃的角度，建立了測(cè)量路徑優(yōu)化的數(shù)學(xué)模型，利用遺傳算法和禁忌搜索算法進(jìn)行了優(yōu)化求解。方憶湘等[8-9]以測(cè)點(diǎn)變換次數(shù)最少和路徑最短作為優(yōu)化目標(biāo)，運(yùn)用多色集理論建立了測(cè)頭與待測(cè)特征之間的關(guān)系矩陣，利用現(xiàn)代優(yōu)化算法對(duì)待測(cè)幾何特征進(jìn)行了測(cè)量排序?？偟膩?lái)說(shuō)上述研究大都偏重于求解最短測(cè)量路徑，而在三坐標(biāo)實(shí)際測(cè)量過(guò)程中，某些同類或相近距離的特征互換測(cè)量順序?qū)y(cè)量時(shí)間和測(cè)量路徑影響不大，因此無(wú)需按旅行者算法或其他優(yōu)化算法尋找最短路徑。

路徑規(guī)劃的目的并不僅僅是為了尋找一條最短的檢測(cè)路徑，而是使測(cè)量機(jī)在測(cè)量時(shí)間、測(cè)量路徑和測(cè)量效益上達(dá)到一個(gè)綜合的優(yōu)化效果。本文以此為目標(biāo)，建立檢測(cè)特征群模型，根據(jù)檢測(cè)工作平面、檢測(cè)測(cè)頭及檢測(cè)測(cè)針變動(dòng)次數(shù)和檢測(cè)路徑分別構(gòu)建優(yōu)化目標(biāo)函數(shù)，從宏觀和微觀兩個(gè)層面應(yīng)用遺傳算法尋找最優(yōu)的檢測(cè)方案。

1檢測(cè)特征群模型的建立

三坐標(biāo)測(cè)量機(jī)主要用來(lái)檢測(cè)零件的尺寸、形狀和位置精度，但是不管是尺寸、形狀，還是位置精度，最終均是由零件上的各種特征綜合形成和作用的結(jié)果，因此檢測(cè)的對(duì)象或信息的收集主要是零件上的相關(guān)檢測(cè)特征。一般來(lái)說(shuō)，零件上的幾何特征不外乎點(diǎn)、線、面、圓、圓柱、圓錐、球這幾類特征。其中圓、圓柱、圓錐、球還有內(nèi)外之分；曲線、曲面一般通過(guò)掃描輪廓點(diǎn)云來(lái)表示；而槽則是面、圓柱、圓錐等特征的復(fù)合體。精度檢測(cè)的本質(zhì)則是根據(jù)檢測(cè)尺寸、形狀和位置精度要求，按照一定的順序和路徑收集相關(guān)特征的信息，將同類檢測(cè)特征放在一起檢測(cè)，以期檢測(cè)時(shí)間最短、坐標(biāo)測(cè)量機(jī)的損耗最小、效益最高。

假設(shè)零件由n個(gè)關(guān)鍵特征組成，表示為F={F1,F2,…,Fn}(如果零件中存在多個(gè)相同的關(guān)鍵特征，在編號(hào)時(shí)以不同的編號(hào)加以標(biāo)注)，被劃分成s個(gè)檢測(cè)群，表示為G={G1,G2,…,Gs}，每個(gè)檢測(cè)群內(nèi)的特征數(shù)量為ki，則有

那么零件檢測(cè)特征群可以用數(shù)學(xué)方法描述成如下形示：

(1)

記為

G=R·F

2檢測(cè)初始信息獲取

為了獲取零件檢測(cè)特征的信息，三坐標(biāo)測(cè)量機(jī)的測(cè)頭必須能無(wú)障礙地抵達(dá)被測(cè)特征表面。通常情況下，為了獲得高質(zhì)量的測(cè)量信息，測(cè)針應(yīng)沿被測(cè)點(diǎn)的法向量方向前進(jìn)，即應(yīng)保證測(cè)針上紅寶石球沿法向量方向與測(cè)點(diǎn)接觸，因此需要預(yù)先定義特征的檢測(cè)工作平面。根據(jù)笛卡兒坐標(biāo)系，檢測(cè)工作平面一般為立方體除底面以外的5個(gè)平面，當(dāng)然也可根據(jù)具體情況，設(shè)置與5個(gè)平面成夾角的斜面。

目前，三坐標(biāo)測(cè)量機(jī)上使用的測(cè)頭分為兩類：一類是可旋轉(zhuǎn)式測(cè)頭(自動(dòng)/手動(dòng)，可完成A/B軸旋轉(zhuǎn))；另一類是固定式測(cè)頭，配自動(dòng)更換架。不管是第一類還是第二類，在更換工作平面時(shí)，均需改變測(cè)針的工作角度，差別在于前者移動(dòng)至安全位置完成角度變換，后者必須回更換架，更換相應(yīng)的吸盤(pán)。一般情況下，零件的檢測(cè)特征使用一種探針即可完成，但對(duì)于復(fù)雜零件，由于檢測(cè)精度的要求和檢測(cè)位置的限制，常常需要多根探針，此時(shí)可旋轉(zhuǎn)式測(cè)頭和固定式測(cè)頭都需回更換架更換測(cè)針。

因此，在規(guī)劃特征檢測(cè)路徑時(shí)，首先根據(jù)檢測(cè)零件的幾何結(jié)構(gòu)、檢測(cè)要求及使用三坐標(biāo)測(cè)量機(jī)的特點(diǎn)確定各檢測(cè)特征的工作平面、檢測(cè)角度及使用的測(cè)針要求信息。為了便于表述，現(xiàn)采用數(shù)學(xué)映射關(guān)系進(jìn)行描述，如下所示：

S(Fi)=Φ(Pi,Ai,Mi)

(2)

式中，S(Fi)為Fi特征所處的檢測(cè)狀態(tài)；Φ(Pi,Ai,Mi)為其檢測(cè)狀態(tài)的映射值；Pi為檢測(cè)工作平面，其值為+Z、+X、+Y、-X、-Y5個(gè)檢測(cè)工作平面的一種；Ai為測(cè)針檢測(cè)角度，對(duì)于固定式測(cè)頭其值為直立吸盤(pán)、五方位吸盤(pán)、角度吸盤(pán)當(dāng)中的一種；Mi為使用的測(cè)針型號(hào)，根據(jù)零件的檢測(cè)位置和檢測(cè)精度選用，一般測(cè)針紅寶石球直徑從0.5～10 mm，長(zhǎng)度從20～100 mm不等。

顯然，式(2)的表達(dá)形式可很容易使用計(jì)算機(jī)進(jìn)行表達(dá)，有利于后續(xù)的檢測(cè)路徑自動(dòng)規(guī)劃處理。

3零件特征檢測(cè)路徑規(guī)劃流程

基于三坐標(biāo)測(cè)量機(jī)的零件特征檢測(cè)路徑規(guī)劃問(wèn)題，實(shí)際上就是根據(jù)零件幾何結(jié)構(gòu)、檢測(cè)要求和所用三坐標(biāo)測(cè)量機(jī)的特點(diǎn)確定檢測(cè)特征的先后順序問(wèn)題。該問(wèn)題可以分解為兩個(gè)部分：一是求解劃分檢測(cè)特征群的問(wèn)題(宏觀)，即哪些特征放在一起檢測(cè)可使測(cè)量變換次數(shù)最少，也就是求解式(1)特征群劃分矩陣的問(wèn)題；二是求解所劃分的檢測(cè)特征群內(nèi)特征的先后檢測(cè)順序的問(wèn)題(微觀)，即保證每個(gè)劃分特征群內(nèi)特征檢測(cè)路徑最短的問(wèn)題。由于零件檢測(cè)特征群矩陣R=(rij)s×n只存在0和1兩種元素，且每列具有只有一個(gè)1的特點(diǎn)，互換檢測(cè)特征群矩陣的列不僅可以改變特征群所屬特征的組成和個(gè)數(shù)，而且不會(huì)違反相關(guān)的約束條件，因此可將零件檢測(cè)特征群矩陣整體作為遺傳算法的基因編碼。另外，遺傳算法與傳統(tǒng)的優(yōu)化方法(枚舉、啟發(fā)式等)相比較，在求解復(fù)雜問(wèn)題時(shí)具有收斂性好、計(jì)算時(shí)間短、魯棒性高等優(yōu)點(diǎn)[10]，因此本文選用遺傳算法進(jìn)行求解。

圖1所示為基于三坐標(biāo)測(cè)量機(jī)的零件特征檢測(cè)路徑規(guī)劃流程，檢測(cè)人員首先根據(jù)零件幾何結(jié)構(gòu)、檢測(cè)要求和三坐標(biāo)測(cè)量機(jī)的特點(diǎn)建立零件檢測(cè)特征群矩陣，獲取相關(guān)檢測(cè)初始信息，建立優(yōu)化評(píng)價(jià)目標(biāo)函數(shù)；然后利用矩陣交叉遺傳算法求解劃分檢測(cè)特征群；最后利序列規(guī)劃遺傳算法順序優(yōu)化所獲得的每個(gè)檢測(cè)特征群，從而形成最終的優(yōu)化規(guī)劃?rùn)z測(cè)路徑。

圖1　基于三坐標(biāo)測(cè)量機(jī)的零件特征檢測(cè)路徑規(guī)劃流程

4適應(yīng)度函數(shù)構(gòu)造

為了獲得質(zhì)量比較高的檢測(cè)路徑規(guī)劃，需要構(gòu)造一個(gè)優(yōu)化目標(biāo)函數(shù)來(lái)度量不同檢測(cè)路徑規(guī)劃方案的優(yōu)劣。

4.1檢測(cè)工作平面、更換測(cè)頭及測(cè)針變動(dòng)次數(shù)

對(duì)于某一個(gè)檢測(cè)特征群Gj={…Fm，F(xiàn)m+1…}，j=1,2,…，s，如果Φ(Pm,,)=Φ(Pm+1,,)，則令αi=1，反之則令αi=0；同理，如果Φ(,Am,)=Φ(,Am+1,)，則令βi=1，反之則令βi=0；如果Φ(,,Mm)=Φ(,,Mm+1)，則令γi=1，反之則令γi=0。其中i=1，2，…，ki。則整個(gè)特征群進(jìn)行檢測(cè)時(shí)需要改變檢測(cè)工作平面、更換測(cè)頭及測(cè)針的次數(shù)之和可表示為

n(G)=n(P)+n(A)+n(M)=

(3)

式中,n(P)、n(A)、n(M)分別為所有檢測(cè)特征群改變檢測(cè)工作平面、更換測(cè)頭及測(cè)針的次數(shù)之和。

顯然n(G)越小，完成特征序列檢測(cè)時(shí)需要調(diào)整檢測(cè)角度、更換檢測(cè)測(cè)頭和測(cè)針的次數(shù)越少，三坐標(biāo)測(cè)量機(jī)的損耗越小，檢測(cè)輔助時(shí)間越短。

4.2檢測(cè)特征間行走路徑

為了便于統(tǒng)計(jì)檢測(cè)特征之間的行走路徑，本文根據(jù)自動(dòng)規(guī)劃的要求作如下簡(jiǎn)化約定：①不管檢測(cè)哪一個(gè)的特征，檢測(cè)開(kāi)始點(diǎn)均從該檢測(cè)特征工作平面的設(shè)定安全距離處開(kāi)始；②任一特征檢測(cè)完畢后返回安全距離處再開(kāi)始下一特征檢測(cè)；③檢測(cè)平面特征時(shí)，只計(jì)算安全距離處到達(dá)檢測(cè)平面法向量上行走的距離；④圓柱、圓錐、圓孔、檢測(cè)時(shí)，以其中心軸心與頂面的交點(diǎn)作為檢測(cè)控制點(diǎn)進(jìn)行計(jì)算；⑤球特征以球心作為檢測(cè)控制點(diǎn)進(jìn)行計(jì)算，盡管實(shí)際檢測(cè)時(shí)可能存在干涉；⑥更換工作平面時(shí)，行走距離增加原工作平面及新工作平面的安全距離之和。

那么，對(duì)于某一個(gè)檢測(cè)特征群序列Gj={…Fm，F(xiàn)m+1…}，記特征Fm的檢測(cè)來(lái)回距離為d(Fm)，工作平面的安全距離為ds(假定每個(gè)工作平面的安全距離一致，實(shí)際檢測(cè)時(shí)按零件幾何結(jié)構(gòu)設(shè)置)。更換測(cè)頭的距離比較遠(yuǎn)，一般也是因?yàn)楣に嚭蜋z測(cè)要求需要，是必須行走的距離，因此不計(jì)入統(tǒng)計(jì)之中。則該特征群序列的總的檢測(cè)行走距離為

(4)

顯然，d(Gj)越小，遍列檢測(cè)特征群Gj行走距離最短，檢測(cè)過(guò)程中浪費(fèi)的時(shí)間就最少。

4.3評(píng)價(jià)優(yōu)化目標(biāo)函數(shù)

根據(jù)第3節(jié)所述思路，在評(píng)價(jià)檢測(cè)路徑規(guī)劃質(zhì)量的過(guò)程中，當(dāng)優(yōu)化求解檢測(cè)特征群劃分問(wèn)題(宏觀)時(shí)，采用式(3)作為優(yōu)化目標(biāo)函數(shù)。為了使特征群的劃分更接近工程實(shí)際，劃分時(shí)要防止兩種傾向，一是所有檢測(cè)特征抱成一團(tuán)，不作任何劃分，全部放在一個(gè)群中；二是防止過(guò)度劃分，一個(gè)檢測(cè)特征單獨(dú)劃分為一個(gè)群。這兩種現(xiàn)象，均失去了劃分的意義，因此在劃分時(shí)，對(duì)這兩種現(xiàn)象均應(yīng)作適當(dāng)懲罰。即當(dāng)s=1和s=n時(shí)，n(G)=n(G)+ζ，ζ為懲罰系數(shù)，一般取劃分特征總數(shù)的2～3倍，這里取ζ=50。

當(dāng)優(yōu)化求解每個(gè)檢測(cè)特征群內(nèi)的特征的檢測(cè)先后順序的問(wèn)題(微觀)時(shí)，采用式(4)作為優(yōu)化目標(biāo)函數(shù)。在輸出最終檢測(cè)路徑時(shí)應(yīng)注意相鄰兩劃分特征群的先后順序，必需綜合考慮前一檢測(cè)群內(nèi)最后一個(gè)特征的坐標(biāo)位置和后一檢測(cè)群內(nèi)第一個(gè)特征的坐標(biāo)位置，選擇路徑距離較短的檢測(cè)群作為后續(xù)檢測(cè)序列。

5遺傳算法操作

5.1矩陣交叉遺傳算法

(2)交叉重組[11]。為了保證種群的交叉效果，采用兩點(diǎn)部分列交叉并移位重組方法。隨機(jī)在兩交叉的染色體中選擇一個(gè)交配區(qū)域，如兩父代染色體及交配區(qū)域選定為A、B，然后將B的交配區(qū)域加到A的前面，A交配區(qū)域加到B的前面，再順次后移即得到兩子代染色體A′和B′，具體過(guò)程如圖2所示。這種方法的優(yōu)點(diǎn)是無(wú)需考慮父代染色體情況，獲得的子代均會(huì)有一定程度的變異效果，有利于保持種群的多樣化。

圖2　兩點(diǎn)部分列交叉并移位重組方法示意圖

(3)變異技術(shù)。在設(shè)定的變異概率Pm下進(jìn)行變異操作，一旦發(fā)生變異，即隨機(jī)產(chǎn)生兩個(gè)互換列的位置，對(duì)染色體的該兩列進(jìn)行互換，互換次數(shù)也隨機(jī)產(chǎn)生。

5.2序列規(guī)劃遺傳算法

(1)編碼。以檢測(cè)特征群中檢測(cè)特征的序號(hào)作為種群染色體的基因編碼，種群的初始生成、交叉及變異操作保證檢測(cè)特征群中各檢測(cè)特征的序號(hào)只能出現(xiàn)一次，不得重復(fù)出現(xiàn)。

(2)交叉重組。采用如下的部分交叉重組方法[12]：①隨機(jī)在種群染色體中選擇一個(gè)交配區(qū)域，如兩父染色體及交配區(qū)域選定為

A=1 2 | 3 4 5 6 | 7 8 9

B=9 8 | 7 6 5 4 | 3 2 1

②將B的交配區(qū)域加到A的前面或后面，A的交配區(qū)域加到B的前面或后面得

A′=7 6 5 4 | 1 2 3 4 5 6 7 8 9

B′=3 4 5 6 | 9 8 7 6 5 4 3 2 1

③在A′中自交配區(qū)域后依次刪除與交配區(qū)相同的零部件編碼，得到最終的兩子染色體為

A″=7 6 5 4 1 2 3 8 9

B″=3 4 5 6 9 8 7 2 1

與其他方法相比，這種方法在兩父染色體相同的情況下仍能產(chǎn)生一定程度的變異效果，這對(duì)維持群體內(nèi)的多樣化有一定的作用。交叉概率定為Pc。

(3)變異技術(shù)。每一代種群以變異概率Pm進(jìn)行變異，一旦變異操作發(fā)生，則用隨機(jī)方法產(chǎn)生交換次數(shù)K，對(duì)所需變異操作的染色體基因進(jìn)行K次對(duì)換(對(duì)換的兩基因位也是隨機(jī)產(chǎn)生的)。

6應(yīng)用實(shí)例分析

為盡可能多地體現(xiàn)各類測(cè)量特征，以Hexagon公司提供的測(cè)量零件為例，說(shuō)明特征檢測(cè)的路徑規(guī)劃過(guò)程。使用的三坐標(biāo)測(cè)量機(jī)為Hexagon Global Classic SR 071007，配德國(guó)Leize公司LSP-X1C固定式掃描測(cè)頭，裝有三工位吸盤(pán)更換架，可裝有90°、五方位、60°斜角吸盤(pán)，使用測(cè)針均為φ3 mm測(cè)針，如圖3所示。圖4為零件三維結(jié)構(gòu)圖，其特征信息如表1所示。該零件有外圓柱、外圓錐、外球、曲面、內(nèi)圓柱、內(nèi)圓錐、內(nèi)球，覆蓋+Z、+X、-X、+Y、-Y5個(gè)工作面，為了減少測(cè)頭更換次數(shù)，主檢測(cè)測(cè)頭使用五方位吸盤(pán)，次檢測(cè)測(cè)頭使用60°斜角吸盤(pán)，根據(jù)測(cè)量要求一次性裝好。

(a)使用儀器

(b)LSP-X1C固定式掃描測(cè)頭圖3　零件檢測(cè)現(xiàn)場(chǎng)

圖4　零件三維結(jié)構(gòu)圖(各特征信息見(jiàn)表1)

表1為檢測(cè)初始信息表，各工作面的安全距離均設(shè)為40 mm，測(cè)針直徑均為3 mm;零件三維輪廓尺寸分別為：lx=256 mm，ly=108 mm，lz=60 mm。根據(jù)第5節(jié)所述的遺傳算法操作方案，采用Borland C++編寫(xiě)了算法原型程序。在種群大小為100，交叉概率為0.85，變異概率為0.15時(shí)，矩陣交叉遺傳算法于214代收斂，獲得最佳特征群劃分結(jié)果(因?yàn)槭琼樞蚪馕?，所以特征群?nèi)特征的順序不代表檢測(cè)順序)：

(1 2 3 4 6 7 8 9 10 12 14 15 17 18 19 20)，

(16)，(11)，(5)，(13)

表1　零件初始信息表

再將特征群劃分結(jié)果輸入序列規(guī)劃遺傳算法，在種群大小為100，交叉概率為0.55，變異概率為0.45時(shí)，算法于360代收斂，獲得最優(yōu)檢測(cè)順序如下：

20→1→19→18→17→15→14→12→10→8→

9→7→6→4→3→2→5→11→16→13

表2為優(yōu)化路徑與幾種典型檢測(cè)路徑的對(duì)比分析表。三坐標(biāo)測(cè)機(jī)開(kāi)機(jī)后需要進(jìn)行測(cè)頭校準(zhǔn)，角度吸盤(pán)需在+Z方向校核完成的基礎(chǔ)上再進(jìn)行校核，另外在進(jìn)行特征檢測(cè)之前需要建立手工和DCC坐標(biāo)系，必須由帶有+Z方向測(cè)針的吸盤(pán)完成，因此在完成上述過(guò)程后正式進(jìn)行特征檢測(cè)時(shí)，三坐標(biāo)上的吸盤(pán)是帶有+Z方向的吸盤(pán)，本例中即為五方位吸盤(pán)，此時(shí)直接進(jìn)行角度特征檢測(cè)，會(huì)增加吸盤(pán)更換的次數(shù)。由表2可看出，本文算法優(yōu)化獲得的結(jié)果在更換吸盤(pán)次數(shù)、檢測(cè)工作平面變動(dòng)次數(shù)及測(cè)頭行走距離上均具有較大的優(yōu)勢(shì)，說(shuō)明本文優(yōu)化結(jié)果與工程實(shí)際情況基本吻合，算法具有較好的普適性和工程應(yīng)用價(jià)值。

7結(jié)語(yǔ)

零件檢測(cè)特征群模型和求解流程揭示了零件特征檢測(cè)路徑規(guī)劃的本質(zhì)，規(guī)劃人員可根據(jù)檢測(cè)批量和檢測(cè)要求，結(jié)合使用三坐標(biāo)儀器現(xiàn)狀，有側(cè)

表2　優(yōu)化檢測(cè)路徑與幾種典型路徑的對(duì)比分析

重地提取零件檢測(cè)初始信息，如檢測(cè)角度變化對(duì)檢測(cè)精度影響大，更換檢測(cè)測(cè)頭效率低時(shí)，應(yīng)偏重于檢測(cè)特征群的合理劃分，否則應(yīng)偏重于檢測(cè)路徑的距離，在難以取舍時(shí)應(yīng)兩者并重，利用矩陣交叉遺傳算法求解零件檢測(cè)特征群，再利用序列規(guī)劃遺傳算法求解群內(nèi)特征的檢測(cè)順序。實(shí)踐證明該方法快速有效，且具有較高的工程應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1]AinsworthI，RisticM,BrujicD.CAD-basedMeasurementPathPlanningforFreeformShapesUsingContactProbes[J].InternationalJournalofAdvancedManufacturingTechnology, 2000, 16:23-31.

[2]LeeHonghee,Myeong-WooC,Gil-SangY,etal.AComputer-aidedInspectionPlanningSystemforOn-machineMeasurement-PartI:GlobalInspectionPlanning[J].KSMEInternationalJournal, 2004, 18(8):1349-1357.

[3]AlbuquerqueVA,LiouFW,MitchellOR.InspectionPointPlacementandPathPlanningAlgorithmsforAutomaticCMMInspection[J].InternationalJournalofComputerIntegratedManufacturing, 2000, 13(2):107-120.

[4]ZhangSG,AjmalA,WoottonJ,etal.AFeature-basedInspectionProcessPlanningSystemforCo-ordinateMeasuringMachine(CMM)[J].JournalofMaterialsProcessingTechnology, 2000, 107:111-118.

[5]LuCG,MortonD,WuMH,etal.GeneticAlgorithmModelingandSolutionofInspectionPathPlanningonaCoordinateMeasuringMachine(CMM)[J].TheInternationalJournalofAdvancedManufacturingTechnology, 1999, 15:409-416.

[6]紀(jì)小剛，龔光容. 三坐標(biāo)測(cè)量機(jī)中基于遺傳算法的多特征測(cè)量路徑規(guī)劃研究[J]. 兵工學(xué)報(bào), 2005,26(3):392-396.

JiXiaogang,GongGuangrong.GeneticAlgorithmBasedMulti-characterInspectionPathPlanninginCoordinateMeasuringMachines[J].AcatArmamentarii, 2005, 26(3):392-396.

[7]王世剛. 基于CMM測(cè)量路徑優(yōu)化算法的研究[J]. 機(jī)械科學(xué)與技術(shù), 2005，24(5):606-608.

WangShigang.ResearchonCMM-basedAlgorithmofMeasurementPathOptimization[J].MechanicalScienceandTechnology, 2005, 24(5):606-608.

[8]方憶湘，楊克強(qiáng)，黃風(fēng)山.CMM測(cè)量中復(fù)雜零件的路徑規(guī)劃研究[J]. 制造業(yè)自動(dòng)化, 2013，35(3):36-40.

FangYixiang,YangKeqiang,HuangFengshan.ResearchaboutComplexPartsMeasuringPathPlanningofCMM[J].ManufacturingAutomation, 2013, 35(3):36-48.

[9]黃風(fēng)山，方憶湘，姜騰，等. 規(guī)則約束和蟻群算法三坐標(biāo)測(cè)量路徑規(guī)劃研究[J]. 機(jī)械設(shè)計(jì)與制造, 2014(9):201-204.

HuangFengshan,FangYixiang,JiangTeng,etal.InspectionPathPlanningBasedonRulesandAntColonyAlgorithmforCoordinateMeasuringMachine[J].MachineryDesignandManufacture, 2014(9):201-204.

[10]邢文訓(xùn)，謝金星. 現(xiàn)代優(yōu)化計(jì)算方法[M]. 北京：清華大學(xué)出版社，2001.

[11]周開(kāi)俊，貢智兵，童一飛. 面向再設(shè)計(jì)的產(chǎn)品模塊劃分方法[J]. 中國(guó)機(jī)械工程， 2015，26(15):2096-2102.

ZhouKaijun,GongZhibing,TongYifei.AModulePartitionMethodforProductRedesign[J].ChinaMechanicalEngineering,2015,26(15):2096-2102.

[12]周開(kāi)俊，李東波，黃希. 基于遺傳算法的裝配序列規(guī)劃方法[J]. 機(jī)械設(shè)計(jì)，2006，23(2)：30-32.

ZhouKaijun,LiDongbo,HuangXi.AssemblySequencePlanningBasedonGeneticAlgorithm[J].JournalofMachineDesign, 2006，23(2)：30-32.

(編輯袁興玲)

收稿日期：2015-08-25

基金項(xiàng)目：江蘇省青藍(lán)工程資助項(xiàng)目(2014)；南通市科技計(jì)劃資助項(xiàng)目(CP22013002，BK2014027)

中圖分類號(hào)：TP391

DOI：10.3969/j.issn.1004-132X.2016.12.012

作者簡(jiǎn)介：周開(kāi)俊，男，1974年生。南通職業(yè)大學(xué)機(jī)械工程學(xué)院副教授、博士。主要研究方向?yàn)橄冗M(jìn)制造技術(shù)等。獲省部級(jí)科技進(jìn)步二等獎(jiǎng)1項(xiàng)。發(fā)表論文20余篇。肖軼，男，1980年生。南通職業(yè)大學(xué)機(jī)械工程學(xué)院副教授，博士。周小青，男，1974年生。南通職業(yè)大學(xué)機(jī)械工程學(xué)院副教授，博士。

AMethodforCMMInspectionPathPlanningBasedonGA

ZhouKaijunXiaoYiZhouXiaoqing

NantongVocationalUniversity,Nantong，Jiangsu，226007

Abstract:In order to improve the defects in present methods of CMM inspection path planning, a part measuring feature group model and solution processes were proposed. Then according to the characteristics of the mathematical model, a fitness function module was constructed based on the changing times of working planes, inspection angles, checking probe and the distance of detection paths. From macro and micro angles, the matrix crossover GA and sequence planning optimization GA were applied for solving optimization of inspection path planning. Finally, taking testing part of Hexagon Company for an example, the part initial checking data was acquired as well as the optimization algorithm for solving process was described. Practice proved that this method is fast and effective with good engineering application values.

Key words:coordinate measuring machine(CMM); inspection path planning; genetic algorithm(GA); matrix-cross; sequence planning