基于自定義特征的飛機結構件智能檢測規劃技術

曾德標， 萬世明， 彭江濤， 李迎光， 鄭國磊

(1. 成都飛機工業(集團)有限責任公司技術裝備公司，四川 成都 610092；2. 南京航空航天大學機電學院，江蘇 南京 210016；3. 北京航空航天大學機械工程及自動化學院，北京 100083)

基于自定義特征的飛機結構件智能檢測規劃技術

曾德標1， 萬世明1， 彭江濤1， 李迎光2， 鄭國磊3

(1. 成都飛機工業(集團)有限責任公司技術裝備公司，四川 成都 610092；2. 南京航空航天大學機電學院，江蘇 南京 210016；3. 北京航空航天大學機械工程及自動化學院，北京 100083)

飛機結構件常用坐標測量機檢測形狀特征的加工質量。為了滿足飛機結構件需要檢測復雜形狀特征以及便于拓展形狀特征檢測范圍的迫切需求，研究了獨立于形狀特征類型的特征定義框架及統一的特征識別算法；提出了檢測知識驅動的測量點智能分布方法；設計了結合聚類和改進模擬退火算法的測量方向優化算法；實現了基于自定義特征及檢測知識的智能檢測規劃。該技術已在多個重大航空產品的研制中得到應用，顯著提升了飛機結構件檢測規劃的效率和智能化水平。

計算機輔助檢測規劃；特征識別；測量點分布；測量方向優化

為了保障飛機壽命和飛行安全，飛機結構件檢測是飛機制造過程中極其重要的環節。坐標測量機以其通用性強、精度高、效率高、性能好和測量范圍大等優點，廣泛地應用于飛機結構件的數字化檢測中。目前已有大量學者對坐標測量機的計算機輔助檢測規劃(computer-aided inspection planning，CAIP)技術進行了深入研究。Zhang等[1]研究了公差特征分析、測量點可達性分析、測量路徑規劃和仿真等技術，并開發了一個由CAD模型直接生成檢測工藝規程的CAIP系統；Zhang等[2-7]對基于公差的CAIP技術進行了全面系統的研究，開發了一個三坐標測量機智能檢測規劃系統；王萬龍等[8-11]研究并開發了一個基于三維CAD的智能三坐標測量機檢測規劃系統。Sathi和Rao[12]提出了一個將CAD 與CAIP集成的自動檢測規劃系統；石靜等[13]開發了一個基于 DXF二維工程圖的計算機輔助產品幾何質量檢測系統；曲學軍等[14]研究了基于三維數模的曲面測量點分布方法；潘金川[15]研究了整體葉輪的CMM測量規劃與仿真技術；李鐵鋼[16]提出了基于PowerINSPECT的結構件在機檢測方法。此外，還有許多成熟的商品化的CAIP系統，如?？怂箍档?PC-DM IS、DELCAM 的 PowerINSPECT、Pro/ENGINEER的 PRO/CMM模塊等。但是上述CAIP系統都是基于傳統的尺寸幾何偏差檢驗模式，開展檢測規劃需要在所有擬檢測的幾何元素上標注或交互輸入尺寸幾何公差，測量完畢還需對測量數據進行擬合、計算等后期處理，才能得出尺寸幾何偏差以評估工件的加工質量。在這種檢測模式下，飛機結構件通常需要檢測的幾何元素及公差項非常多，尺寸幾何公差標注、檢測規劃、測量以及后期數據處理的工作量都非常大。因此這種檢測模式只應用于少數對尺寸幾何偏差有特別要求的工件及其加工部位。飛機結構件加工質量檢測普遍采用按照形狀特征類型進行點位偏差分層抽樣檢驗的模式，檢查每個采樣點(亦稱測量點)的實際坐標與理論坐標之間的偏差是否在公差范圍內，如果都在公差范圍內那么該工件的加工質量按照一定的置信度判定為合格。這種檢測模式需要標注和檢測的公差項很少，而且測量數據的后期處理簡單，測量完畢后只需計算每個測量點的點位偏差，而不用對測量數據進行擬合、分析等處理，并且還能具體知道工件每個形狀特征各個局部的加工質量。在這種檢測模式下，若采用CAIP系統進行檢測規劃，則必須首先識別出需要檢測的形狀特征，然后再進行測量點分布(即采樣)和其他后續檢測規劃操作。目前商業化的CAIP系統基本不具備形狀特征識別的能力，少數學者開發的基于特征的CAIP系統的特征識別能力也比較弱，尚難以應用于飛機結構件形狀特征的自動檢測規劃。

因此，飛機結構件的檢測規劃目前仍然需要大量的手工交互操作，自動化和智能化程度很低，由此帶來諸多問題：①由于飛機結構件結構復雜，尺寸大，需要的測量點非常多，測量點手工分布工作非?？菰?、繁瑣，效率很低；②測量點數目和位置的確定依賴于檢測人員的經驗和技術水平，檢測結果的置信度得不到保障；③測量方向選擇也以人工交互為主，很難選出測量必須的最少測量方向，致使在實際測量過程中頻繁的調整測頭的測量角度，嚴重影響檢測效率。由于上述問題的存在，先進的坐標測量機在飛機結構件的檢測方面沒有得到有效充分的利用，飛機結構件檢測已成為制約縮短飛機研制周期、保障飛機質量、降低研制成本的瓶頸之一。為了提高飛機結構件檢測規劃的自動化和智能化程度，加快檢測規劃和實際測量的速度，保障檢測結果置信度，降低檢測成本，本文針對飛機結構件按照形狀特征類型進行點位偏差分層抽樣檢驗的零件檢測模式，研究基于自定義特征的智能檢測規劃技術，允許用戶自行定義任意形狀的特征及其檢測知識，系統可自動識別用戶自定義的形狀特征并引用用戶定義的檢測知識完成采樣點智能分布和測量方向優選等工作，最后生成測量程序。

1 特征定義框架及特征識別

為了使系統更加柔性，能夠方便地擴展可檢測的特征范圍以滿足不同用戶、不同領域和不同零件的形狀特征檢測需求，本文提出了一種獨立于形狀特征類型的特征定義框架和統一的特征識別算法，允許用戶按照框架的規范定義自己的形狀特征，且自定義特征能被統一的特征識別算法識別。

1.1 特征定義框架

特征定義框架采用統一的形式定義構成形狀特征的特征面必須滿足的約束，亦即描述形狀特征的幾何和拓撲特點?？蚣苡梢粋€特征面屬性向量(face attribute vector，FAV)、一個特征面拓撲與幾何關系矩陣(face topologic and geometric relationship matrix，FTGRM)、若干特征截面屬性約束(section attribute constraints，SACs)以及若干特征幾何參數約束(geometric parameter constraints，GPCs)4部分組成，形式如下：

將形狀特征視為由若干特征組件構成，特征組件又由若干特征面構成。特征FAV用于定義特征的構成組件以及組件的排列順序，并規定各個組件中特征面的數目和屬性。特征FAV的形式如下：

式(1)說明特征由n個組件組成，其中元素faci(i = 1, 2, ···, n)定義組成第i個組件的特征面的數目和屬性。

特征FTGRM用于定義各特征組件之間以及組件內各特征面之間必須滿足的拓撲與幾何關系約束，其形式如下：

其中，非對角線上的元素tgri,j(i ＞ j, i = 1, 2, ···, n, j = 1, 2, ···, n?1)用于定義不同組件之間須滿足的拓撲與幾何關系約束；對角線上的元素tgri,i(i = 1, 2, ···, n)用于定義同一個組件內不同特征面之間須滿足的拓撲與幾何關系約束，要求以第i個組件中的特征面為頂點，用邊連接拓撲與幾何關系滿足tgri,i約束的任意兩張特征面得到的無向圖是連通圖。

此外，為了排除不屬于某類型特征而又滿足該類型特征的FAV和FTGRM約束的特征，引入特征SACs和特征GPCs，分別用于定義特征截面須滿足的約束以及特征幾何參數須滿足的約束。根據框架規范完成的一個具體類型特征的定義稱為該類型特征的特征模板。

1.2 特征識別算法

基于上述特征定義框架，用戶自定義的任意形狀特征可采用統一的算法識別，其過程主要有零件面屬性分析、特征實例構造和特征實例有效性檢查3步。零件面屬性分析的目的在于從所有零件表面中取出各特征組件的潛在構成面，滿足各組件的特征面屬性約束和單張面的幾何參數約束。在特征面屬性分析完成之后，滿足各組件的SACs和GPCs的零件表面分別存放于集合 COMi(i=1,2,···,n)中。特征實例構造就是用集合 COMi(i=1,2,···,n)中的零件面根據FTGRM和GPCs的約束依次構造出對應的特征組件。n個特征組件依次構造完畢，全部特征實例即同時完整地構造完成。第i個特征組件Ci構造完成之后的特征實例表示為：

此時全體特征實例的集合表示為：

初始時，即i = 0時，fea0=＜＞，n0=1，FEAS0={fea0}。第i + 1個特征組件Ci+1的構造過程如圖1所示。其中，符號faci+1.num表示根據特征模板的定義，第i個特征組件Ci必須包含的特征面數目。所有構造完畢的特征實例存放于集合 FEASn中。特征實例構造完成之后，需要檢查各特征實例是否滿足全部SACs，只有符合全部SACs的特征實例才是有效的特征實例。

圖1 特征組件構造流程

2 知識驅動的測量點分布

2.1 測量點分布策略

由于各個形狀特征以及特征的各個部位的許用公差不同，而且加工過程和加工精度也有所差異，如果不對特征及特征部位加以區別，而對整個工件按照統一的標準分布測量點，那么顯然在加工精度高的地方或公差要求低的地方分布的測量點會多于實際所需的測量點，從而浪費檢測資源。因此，測量點分布必須采用分層抽樣策略，即：首先將工件按照檢測特征類型劃分為若干檢測特征組，如加強筋、圓孔、異型孔、槽等；然后將每個檢測特征組劃分為若干檢測特征；檢測特征再劃分為若干檢測面；之后將每張檢測面根據尺寸劃分為若干分區；最后根據公差大小、檢測面類型、局部幾何特點等因素在每個區域內按照不同的標準分別獨立分布測量點。

2.2 檢測知識定義

為了增強測量點分布的智能性和可擴展性，本文提出基于檢測知識庫的測量點分布方法。檢測知識分為全局檢測知識和局部檢測知識。全局檢測知識是指用于指導整個工件測量點分布的知識，主要包括以下幾個方面：

(1) 檢測面內的測量點分布策略，包括隨機分布、均勻分布等。

(2) 檢測面邊緣帶寬度，檢測面邊緣帶加工質量通常較差，在距離檢測面邊界的指定寬度內不分布測量點。

(3) 檢測面分區尺寸，該尺寸決定了每個檢測面分區的最大尺寸。

(4) 各類零件需檢測的特征類型，每種類型的零件一般只有幾種需要檢測的典型形狀特征，通過在檢測知識庫中規定各類型零件需檢測的特征類型，系統可根據零件類型自動查詢需檢測的特征類型，并自動完成特征識別。

局部檢測知識是指用于指導具體類型形狀特征測量點分布的知識，其BNF模型如圖2所示。在局部檢測知識中，“特征”和“特征組件”對應于檢測對象；“檢測面類型”、“幾何約束”和“參數約束”對應于加工精度，面類型、幾何條件或面參數不同，檢測面的加工精度就有所差別；“公差”對應于公差范圍；“單個檢測面分區的布點數量”是根據上述因素給出的經驗值，其和全局檢測知識中的“檢測面分區尺寸”一起決定了每張檢測面的測量點分布密度。

圖2 局部檢測知識BNF模型

2.3 測量點分布算法

檢測知識驅動的測量點智能分布流程如下：

步驟 1. 用戶交互輸入零件類型和特征識別所需的一些零件信息。

步驟 2. 系統根據輸入零件類型查詢檢測知識庫中的全局檢測知識，自動確定需檢測的特征類型，如果需要，用戶可交互修改需檢測的特征類型并輸入各類型特征公差。

步驟3. 用戶啟動自動特征識別。

步驟4. 系統自動完成所有需檢測的特征類型的識別，如果需要，用戶可交互修改特征識別結果。

步驟5. 用戶啟動測量點智能分布。

步驟6. 系統查詢檢測知識庫中的全局檢測知識，確定檢測面內的測量點分布策略、檢測面邊緣帶寬度和檢測面分區尺寸。

步驟7. 取出特征識別得到的一個特征實例Fi。

步驟 8. 取出特征實例Fi的一個特征組件Fi.Cj。

步驟9. 取出特征組件 Fi.Cj中的一張檢測面Fi.Cj.fk。

步驟10. 根據特征實例Fi的類型、特征組件Fi.Cj的ID以及檢測面Fi.Cj.fk的類型、幾何條件、參數條件和公差，查詢檢測知識庫中的局部檢測知識，確定檢測面Fi.Cj.fk單個分區內的布點數量n。

步驟11. 計算檢測面Fi.Cj.fk的尺寸，并根據檢測面分區尺寸和單個檢測面分區的布點數量n計算該檢測面的布點總數，再根據測量點分布策略在該檢測面上分布規定數目的測量點，且測量點至檢測面邊界的距離須大于檢測面邊緣帶寬度。

步驟12. 重復步驟9～11，直到特征組件Fi.Cj中的所有特征面均完成布點為止。

步驟13. 重復步驟8～12，直到特征實例Fi中的所有特征組件均完成布點為止。

步驟14. 重復步驟7～13，直到所有特征實例均完成布點為止。

2.4 檢測結果置信度校驗

由于檢測知識庫中的測量點分布數量是經驗值，在所有測量點的位置偏差均合格的條件下不能確保整個工件表面所有點都不會超出公差。因此在檢測完成之后需要對檢測結果的置信度進行校驗。假設檢測面在某個區域內的點位偏差服從正態分布，并且加工設備在加工該區域時的加工能力是足夠的，即工序能力指數k ＞ 1，那么在給定的置信度下，檢測該區域所需的測量點數目可以用Yau[17]給出的計算公式確定：

其中，zγ為標準正態分布的γ分位數。工序能力指數k由Kane[18]給出的公式計算：

其中，TU為上極限偏差，TL為下極限偏差，μ為加工誤差均值。按照式(5)確定測量點數，若沒有測量點超差則以(1 ? γ)的置信度判定檢測面在該區域內的加工質量合格。在測量完成后，根據式(5)和(6)計算檢測工件各區域實際所需的測量點數目n。若某個區域實際所需測量點比已測點多，說明該區域的加工精度低，已測點數不能保證檢測結果的置信度，該區域存在某個子區域超差的可能性較大，因此在該區域補充測量差額測量點以保障檢測結果置信度。

3 基于聚類和模擬退火的測量方向優化

測量方向優化的目的在于為每個測量點確定一個可達的測量方向，使得總的測量方向數最少，以減少實際測量時測頭更換測量角度的次數，從而縮短測量時間。本文結合聚類算法與改進的模擬退火算法解決測量方向優化選擇問題。首先通過聚類算法合并具有相同可測方向的測量點以大幅減小問題規模，然后再采用改進的模擬退火算法尋找測量必需的最少測量方向。

3.1 聚類算法縮減問題規模

通過測量點的可達性分析可以得到零件上每個測量點的全部可測方向，如果某個測量點沒有可測方向，則在測量方向優化選擇時不考慮該測量點。設可測方向集D≠φ，測量點集P≠φ，序偶T =＜D, P＞表示：?d?D，?p?P，d是p的可測方向。合并具有相同可測方向測量點的聚類算法如下：

步驟2. 序偶Oi按照Oi.P中的可測點數目由多到少排列成一個有序數組L1。

步驟3. 令i = 1，序偶集合L2=φ。

步驟4. 取出L1中的元素，若?，使得，則令，轉步驟5；若，使得，則令，轉步驟5。

步驟5. 令i = i + 1。

3.2 改進模擬退火算法搜索最小覆蓋

為了加快模擬退火算法的收斂速度，并盡可能跳出局部極小值，本文采取多種策略對傳統的模擬退火算法進行了改進。

策略 1. 基于禁忌的多解并行搜索。傳統的模擬退火算法采用單個解在解空間中獨立搜索最優解，對解空間的覆蓋面小，容易陷入局部極小值。本文采用一組解在解空間中并行搜索，并輔以禁忌策略，盡量避免狀態產生函數生成與當前解集中的解相同的候選解。

策略 2. 依概率進行啟發式搜索。啟發式搜索是指狀態產生函數按照一定的啟發式規則由當前解生成一個不次于當前解的候選解。隨機搜索是指狀態產生函數完全按照隨機的方式由當前解生成一個候選解。為了兼顧解的全空間分散性和局部區域性，在加快算法收斂速度的同時提高找到全局最優解的概率，本文采取依概率確定搜索方式的策略。在迭代搜索的初期，采用隨機搜索的概率要大于采用啟發式搜索，以便候選解盡可能覆蓋全解空間，避免陷入局部極小值；在迭代搜索的后期，采用啟發式搜索的概率要大于采用隨機搜索，以便使算法盡快收斂，并且不會破壞優質解的編碼結構，從而更容易找到全局最優解。

策略 3. 接受趨近解集平均值的劣化解。真實的物理退火在等溫過程中一個區域的能量會受到周邊區域的影響，而且在達到熱平衡后各個區域的能量會趨近于平均值。受此啟發，在多解并行搜索模擬退火算法中，如果候選解優于產生候選解的當前解或者優于當前解集平均值，則接受候選解；若次于產生候選解的當前解和平均值中的最差的一個，則按照一定概率接受候選解。

策略 4. 迭代末期反復重升溫。在多解并行搜索模擬退火算法中，當溫度趨近于0的時候，采用啟發式搜索的概率趨近于1，接受劣化解的概率趨近于0，如果此時陷入局部極小值則很難再跳出來。因此，本文采取在迭代末期反復重升溫的策略，當溫度低于一個閾值的時候重新升溫以增大采用隨機搜索和接受劣化解的概率，從而有助于跳出局部極小值，找到全局最優解。整個模擬退火算法結束的準則是重升溫的次數達到了設定的最大升溫次數。

策略 5. 用歷史最優解替換當前解集中的最差解。模擬退火算法運行過程中產生的歷史最優解擁有非常好的編碼結構，如果用歷史最優解替換當前解集中的最差解，那么歷史最優解就會直接參與后續的搜索過程。相較于解集中的一般解，歷史最優解經狀態產生函數最有可能搜索到全局最優解。

4 系統開發及應用

基于本文提出的各項技術方法開發了一個面向坐標測量機應用的飛機結構件智能檢測規劃原型系統(FixCAI系統)。系統輸入為stp格式的工件和夾具CAD模型。系統工作流程如圖3所示。用圖4所示渦輪盤的榫槽特征檢測規劃對系統進行了測試。系統起初在檢測特征庫里沒有榫槽的特征模板及檢測知識，因此需要用戶對榫槽特征的形狀進行定義，并將定義完畢后的特征模板存入檢測特征庫，然后再定義檢測榫槽的測量點分布知識。如果特征庫和知識庫中已有榫槽的特征模板及檢測知識，則無需再定義。檢測特征庫和檢測知識庫分別有了榫槽的特征模板和測量點分布知識后，就可以啟動測量點智能分布了。系統完成特征識別后可自動根據特征類型引用檢測知識庫中的測量點分布知識，在特征的合適位置分布檢測知識規定數目的測量點。圖5所示為一個榫槽的測量點自動分布結果。

圖3 系統工作流程

圖4 渦輪盤

圖5 測量點分布結果

測量點分布完成后創建如圖6所示的虛擬檢測環境，然后啟動測量點的可達性分析和測量方向優化選擇。在圖6所示的渦輪盤安裝方位下，經過嚴格計算，完成單個榫槽上的測量點的測量最少需要4個測量方向。由于位于不同榫槽上的部分測量點可以共用測量方向，因此完成全部 60個榫槽的檢測并不需要240個測量方向。經過多次測試，FixCAI系統優化選擇測量方向的最佳結果是 66個測量方向，最差結果是69個，平均68個。

圖6 虛擬檢測環境

圖7所示是一個機翼肋板，肋板與蒙皮貼合的輪廓面、肋板的端面、加強筋和圓孔是需要檢測的形狀特征。首先由用戶對上述特征的特征模板和檢測知識進行定義，然后由系統根據用戶定義的特征模板和檢測知識自動完成特征識別和測量點分布，測量點自動分布結果如圖7所示。經過測量點的可達性分析和測量方向優化選擇，測量輪廓面、端面和肋板正面的加強筋上的全部測量點需要3個測量方向，測量圓孔和肋板背面的加強筋上的全部測量點只需1個測量方向。

圖7 機翼肋板(測量點、法線和孔軸線在圖中沒有消隱；法線由零件體外指向體內)

FixCAI系統自2009年開始逐步投入生產實際應用，截止 2015年，應用對象涵蓋多種機型，共完成飛機結構件檢測規劃任務上萬項，平均每人每月完成的任務量從未應用系統前的平均16.69項提高到全面應用系統后的93.86項，工作效率提高了4.6倍，應用效益非常顯著。

5 結 論

為了提升飛機結構件檢測規劃的效率，并縮短實際測量時間，保障檢測結果置信度，本文提出了基于自定義特征的智能檢測規劃技術。首先研究了獨立于形狀特征類型的特征定義框架和統一的特征識別算法，并提出了檢測知識驅動的測量點智能分布方法。用戶可分別按照特征定義框架以及檢測知識模型的規范定義自己的形狀特征及其檢測知識，并將其存儲在特征庫和檢測知識庫中，系統采用統一的特征識別算法自動識別用戶自定義的形狀特征，并采用統一的測量點分布算法根據用戶定義的檢測知識在識別出的形狀特征上智能分布測量點。系統的智能化程度高，可擴展性強。在測量點智能分布的基礎上進一步研究了基于聚類和模擬退火算法的測量方向優化技術?；诒疚奶岢龅母黜椉夹g方法開發的FixCAI系統已在飛機結構件檢測規劃中得到實際應用，各項技術方法的有效性和系統的實用性得到了驗證。但是在以下3個方面仍然有待改進：①形狀特征自定義要求用戶具備一定的專業知識和經驗，以后需要研究開發圖形化的特征定義方法和機器自學習的方法以簡化特征定義；②目前尚不能在工件檢測完成以后自動校驗檢測結果的置信度，以后需要研究置信度自動校驗技術；③需要進一步研究各類幾何公差的檢測規劃技術，以拓展系統的應用范圍。

[1] Zhang S G, A jmal A, Wootton J, et al. A feature-based inspection process planning system for co-ordinate measuring machine (CMM) [J]. Journal of Materials Processing Technology, 2000, 107(1-3): 111-118.

[2] Zhang G X, Liu S G, Ma X H, et al. Towards the intelligent CMM [J]. CIRP Annals-Manufacturing Technology, 2002, 51(1): 437-442.

[3] 吳永清, 劉書桂, 張國雄. 智能三坐標測量機檢測規劃問題的研究綜述[J]. 中國機械工程, 2001, 12(7): 828-831.

[4] 吳永清. 智能三坐標測量機檢測規劃中若干關鍵技術的研究[D]. 天津: 天津大學, 2001.

[5] 馬新輝. 智能三坐標測量機的研究[D]. 天津: 天津大學, 2002.

[6] 趙金才. 坐標測量系統零件信息提取與位姿自動識別的研究[D]. 天津: 天津大學, 2005.

[7] Wu Y, Liu S, Zhang G. Improvement of coordinate measuring machine probing accessibility [J]. Precision Engineering, 2004, 28(1): 89-94.

[8] 王萬龍, 王勇勤. 計算機輔助三維檢測技術[M]. 北京: 機械工業出版社, 2010: 1-257.

[9] 劉達新. 基于三維 CAD的智能三坐標測量機檢測規劃系統的研究與開發[D]. 合肥: 合肥工業大學, 2009.

[10] 趙 韓, 劉達新, 董玉德, 等. 基于CAD的三坐標測量機檢測規劃系統的開發[J]. 儀器儀表學報, 2009, 30(9): 1846-1853.

[11] 汪玉璽, 王萬龍, 董玉德, 等. 基于三坐標測量機的測量軟件 MworksCAD[J]. 計算機輔助工程, 2007, 16(2): 28-31, 37.

[12] Sathi S V B, Rao P V M. STEP to DM IS: automated generation of inspection plans from CAD data [C]//5th Annual IEEE Conference on Automation Science and Engineering. New York: IEEE Press, 2009: 519-524.

[13] 石 靜, 袁春華, 陳亞瓊. 基于DXF格式的計算機輔助產品幾何質量檢測系統的研究與開發[J]. 工程圖學學報, 2008, (6): 160-165.

[14] 曲學軍, 李海固, 樊龍欣, 等. CATIA V5環境下基于產品數模的三坐標測量機測點自動采樣[J]. 計算機測量與控制, 2014, 22(11): 3504-3507.

[15] 潘金川. 整體葉輪的 CMM 測量規劃與仿真技術研究[D]. 南京: 南京航空航天大學, 2014.

[16] 李鐵鋼. 基于 PowerINSPECT的結構件在機檢測技術[J]. 制造業自動化, 2013, 35(12): 24-26.

[17] Yau H. The development of an intelligent dimensional inspection environment using coordinate measuring machines [D]. Columbus: The Ohio State University, 1991.

[18] Kane V E. Process capability indices [J]. Journal of Quality Technology, 1986, 18(1): 41-52.

A User-Defined Feature Based Technique for Intelligent Inspection Planning of Aircraft Structural Parts

Zeng Debiao1, Wan Shim ing1, Peng Jiangtao1, Li Yingguang2, Zheng Guolei3

(1. Chengdu Aircraft Industry (Group) Co. Ltd, Chengdu Sichuan 610092, China; 2. College of Mechanical and Electrical Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing Jiangsu 210016, China; 3. School of Mechanical Engineering and Automation, Beihang University , Beijing 100083, China)

Form features of aircraft structural parts are usually inspected by coordinate measuring machines. In order to inspect complex form features of aircraft structural parts and extend the scope of form features which can be inspected, a neutral framework for form feature definition and a generic algorithm for feature recognition based on the framework were studied. Then an intelligent measuring point distribution algorithm driven by inspection know ledge was proposed. Finally an algorithm combining clustering and improved simulated annealing algorithm was designed for optimizing measuring orientations. Thus intelligent inspection planning based on user-defined feature and inspection know ledge was realized. This technique has been applied in the manufacturing process of several major aviation products, and significantly improved the efficiency and intelligent level of aircraft structural part inspection planning.

computer-aided inspection planning; feature recognition; measuring point distribution; measuring orientation optim ization

TP 391

10.11996/JG.j.2095-302X.2016030386

A

2095-302X(2016)03-0386-08

2015-10-20；定稿日期：2015-12-01

曾德標(1985–)，男，四川達州人，博士后。主要研究方向為計算機輔助檢測規劃。E-mail：debiaozeng@126.com