K-means聚类精简点云驱动PointNet++的行星齿轮故障诊断

复杂装备的三维模型点云数据具有非结构化、无序性、离散性的特点，数据精简策略和深度神经网络模型构建被视为点云数据驱动的机械设备故障诊断关键技术难点。提出了一种K-means聚类(K均值聚类算法)精简点云驱动PointNet++的行星齿轮故障诊断方法。首先，提出了基于K-means的点云数据精简策略实现了在充分保留细节特征的前提下，精简84%的冗余数据；其次，构建了简度、速度、精度的精简效果三维评价指标体系并对精简算法进行评价；最后，构建了能够提取局部特征的PointNet++故障诊断模型。实验结果表明，相比于点云数据直接驱动PointNet++,K-means聚类精简点云驱动PointNet++的行星齿轮故障诊断的准确率提升了6.9%,表明了所提方法的有效性。     

基于八叉树编码的铸件点云融合简化方法北大核心

高精度三维扫描设备扫描后会产生高密度的点云,对存储容量要求高,处理算法耗时长。为了减少这两方面的需求,通常采用表面简化算法作为预处理阶段。针对铸件浇冒口切割的点云简化要求,提出了一种新的点云特征融合简化方法。首先通过八叉树编码将原始点云数据分成多个边长指定的子立方体,并保留离子立方体重心最近的点;其次,使用k-邻域法来得到点云的特征向量,从而计算出点云的曲率特征,根据可调曲率阈值将点云数据划分为多个区域;最后,将随机采样方法与基于区域重心的简化方法相结合,对铸件点云数据进行简化。结果表明,所提出的铸件点云简化方法与区域重心法和包围盒法相比,速度分别提高29.9%和33.8%,而且保留的特征点分别提高15.1%、19.2%;与随机采样法相比保留的特征点提高20%,简化率基本相同。因此,此方法能够获得有效准确的铸件点云简化数据,可用于提升自动化工业生产中铸件切割的准确度和工作效率。     

基于3D视觉的机械零件位姿分析

针对工业制造领域中存在的弱纹理或无纹理的机械零件位姿估计问题，以DenseFusion网络为基础，提出了一种基于3D视觉的机械零件位姿估计方法。首先，依照工业制造场景构建了用于网络训练和测试的机械零件仿真数据集；其次，使用目标零件分割出的深度图像构建点云，对其进行曲率下采样处理，提高关键点的质量；最后，将颜色特征、点云特征和法线特征融合，使用融合特征回归目标零件的6D位姿。在构建的机械零件仿真数据集和LineMod公共数据集进行了实验和比较，其结果表明了所提出的方法相较于同类其他方法具有更高的准确率，更好的收敛性能，对于弱纹理或无纹理的机械零件有较好的位姿估计效果。     

基于双边滤波的三维曲面重构技术在钢轨检测中的应用

钢轨廓形的测量对指导钢轨打磨、提高列车运行安全、延长钢轨寿命具有重要的意义。采用三维激光扫描重建技术,获取钢轨廓形点云数据;分别采用迭代最近邻算法、双边滤波法以及曲率精简法对钢轨点云数据进行拼接、降噪和精简处理;对比在不同高斯滤波参数下,该技术对钢轨点云数据的滤波效果。结合UM动力学软件和有限元分析软件对三维重构后的钢轨模型进行仿真对比分析。结果表明:采用该三维重构技术可以快速地对钢轨的型面进行重构;高斯滤波参数σ_c为20时,对钢轨点云数据的滤波效果较好,能够使钢轨轨顶保持良好的细节特征。     

锥台工件点云拟合算法研究

针对不完整锥面工件模型拟合问题背景，为了解决大量点云数据的标准几何模型拟合问题，提出一种基于遗传算法的锥面点云数据拟合算法：通过随机选取拟合模型采样点，用点云数据点-标准模型采样点的距离计算替代点云数据点-标准曲面模型的距离运算，提高计算效率同时保留点云细节特征；通过对点云数据建立Kd-tree索引提升标准模型采样点距离检测效率；通过遗传算法迭代搜索拟合模型参数，并通过变数据量、变拟合精度等方法改进遗传算法的搜索效率。经实验验证：采用该算法可有效提升部分锥面工件拟合的匹配精度，误差范围±0.5 mm,且对于大量点云数据的处理效果良好。     

Imageware逆向建模中特征边界线的构建方法

Imageware是当前应用最为广泛的逆向建模系统之一,它是一个非参数化的交互式建模工具.在这个工具下,如何从复杂点云数据中有效提取特征边界曲线决定着逆向建模的进程.本文提出了针对于Imageware逆向建模系统的逆向特征分类思想,在此基础上,总结并提出了三种构建特征边界的方法:基于点云曲率彩图的尖角特征法、基于截面特征曲线元的特征点提取法和特征边界线的直接交互构造法.     

逆向工程中带孔洞的曲面对象三角剖分法研究

在分析现有的一些三角剖分方法的基础上，提出一种新的基于边界扩展的3D三角剖分方法，该方法首先采用一种空间栅格装点法来进行初始点云数据精简；再构造种子三角形，通过连接已剖分网格区域的边界边与最优扩展点来形成三角形网格从而向外扩展。该法可以对带有内孔等其他非凸壳的复杂曲面对象点云直接进行三角剖分，无需人工分区。实际应用表明采用该法可以快速、有效地从三维数据点集建立几何模型。     

基于点云数据驱动的中厚板机器人焊接路径规划

为实现中厚板多层多道自动化焊接的需求,提出一种基于点云数据驱动的机器人焊接路径自适应规划算法。以V形焊缝为例,首先通过线结构光扫描焊缝表面采集点云数据,对点云数据进行滤波预处理,在精简数据量的同时也去除噪声点,据此采用点云分割和边缘提取算法成功提取焊缝特征点。最终通过焊接实验验证算法的准确性和可行性,结果表明,提出的算法处理得到的焊缝特征点坐标与人工示教得到的实际坐标偏差小于0.17 mm,能够满足实际应用需求。     

大型复杂锻铸件三维扫描点云数据去噪及光顺研究

逆向工程,对锻铸件的三维点云数据处理是获得复杂零件外形尺寸的关键环节。如何从散乱的、多噪点的点云数据中得到无噪点、光滑的三维点云是人们一直研究的重点。依据散乱点云中的噪声点的特征进行分类,并提出一种分步去噪及光顺方法。首先用格网阀值法去除第一类噪点,用格网法去除第二类噪点,最后用双边滤波法对数据进行光顺处理。结果表明该方法不仅有效去除了锻铸件的三维点云数据的噪声点,同时获得了光滑的测量表面,保留了尖锐特征。     

基于平面曲率提取产品特征线的散乱数据建模

提出了一种基于平面曲率从散乱数据中提取特征线的方法,它包括三个主要步骤：首先对散乱数据截取平面点云,利用平面曲率法提取特,正点;然后,把取得的特征点作为NURBS曲线的节点,求出NURBS曲线,用能量法光顺,生成产品特征线;最后,利用生成的特征线分割测量数据,然后分块拟合。该方法把复杂的三维散乱数据的产品特征线提取问题变为简单的二维计算,降低了运算复杂度。     

基于边界划分的逆向非特征建模

非特征建模方法是逆向工程中的重要研究内容。通过对目前应用比较广泛的基于探测轮廓线和基于探测曲率的逆向非特征建模的方法分别进行了总结和分析,在此基础上提出了一种基于边界划分的逆向非特征建模,并详细介绍了该方法的一般流程及优势。以逆向建模软件Geomagic Studio为平台,通过对复杂特征的模型进行逆向建模及误差分析,验证了该建模方法的优势,为逆向非特征建模提供了一种新的建模方法。     

航空发动机叶片数字化再制造方法研究

叶片作为航空发动机的关键部件,其数字化三维模型等核心技术资料一直由国外发动机厂商垄断。为获取航空发动机叶片的三维数字化模型,提出一种基于海量点云数据的叶片数字化模型重建方法。利用激光扫描仪获取的叶片点云数据;在点云数据预处理部分,进行点云对齐并合理精简;将点云数据截面转化为含有噪声的时域信号进行滤波,引入单树小波包分析方法,并通过坐标变换将其分割为叶盆面和叶背面;依据叶片的型面特点,采用不同方法对叶片截面边界进行拟合。反复上述过程,采用蒙面曲面的方法建立叶片数字化三维模型。实验结果表明,利用该方法建立的发动机叶片模型具有良好的光顺性和几何精度,明显提升了建模效率。     

大型空腔叶片的三维逆向造型研究

研究了大型空腔定子叶片逆向造型的若干关键技术:数字化测量方法、数据处理和三维模型重构.定子叶片的型面非常复杂,具有空间大曲率翼型结构,其造型设计对于对流体的流动特性影响很大.并且叶片具有空腔结构,常规的数字化测量方法很难简便地测得完整的点云数据.针对该空腔叶片的特殊结构,设计了一种合理的测量方案和数据精简方案,并进行了模型重构,最终得到了叶片的三维模型.大型空腔叶片的逆向三维造型研究可以缩短定子叶片的改进和创新设计周期,为叶片的铸模设计及后续加工提供依据.     

直接基于点云数据的刀具轨迹生成

直接基于测量数据来获得刀具轨迹的方法操作简单、计算稳定、加工效率高,适应快速制造的发展趋势。论文利用ATOSII光学扫描系统获取模型点云数据,并对点云数据处理,采取直接对点云数据分层,研究了轮廓数据提取,加工区域识别以及刀具轨迹规划等关键问题。     

基于NV-SEC的复杂箱体特征尺寸提取方法及应用

为了实现导弹发射箱的自动化打磨工序,必须提取复杂箱体的特征尺寸。通过三维激光扫描技术得到发射箱的点云数据后,对其进行分析,提出了一种基于法向量和排序欧式聚类(Normal Vector and Sorted Euclidean Clustering,NV-SEC)的箱体类零件特征尺寸快速提取方法。该方法首先以箱体点云模型中各点法向量的不同为判断依据,将箱体所有的环筋边缘信息提取出来,并采用改进的排序欧式聚类分割算法,得到有序的单根环筋的边缘信息,从而进一步求得箱体的宽度尺寸。实验结果表明,该方法可以满足箱体自动化打磨的要求,可以大幅度提高箱体环筋与纵筋装配质量,提高箱体加工效率。     

An adaptive slicing approach to modelling cloud data for rapid prototyping

In this paper, an adaptive slicing method for modelling point cloud data is presented. A layer-based rapid prototyping (RP) model is directly constructed from arbitrarily scattered cloud data and fed to RP machines for fabrication. The emphasis is on how to control the thickness of each layer so that a user-specified shape error is met. Given a set of unorganised point cloud acquired by scanning a part, the first step is to segment the cloud data into a number of layers by slicing the point cloud along the part building direction (user-specified). Taking the first layer, the data points are projected onto a plane. These projected data points are then compressed and sorted to keep only the key feature points (FPs) using a reduction method based on linear correlation. The FPs are then used to construct a polygon approximation of the points. The maximum deviation of the points in the layer is then compared to the given shape error to decide whether to reduce or increase the layer thickness. This process is repeated until the maximum deviation is just below the given shape error and the first layer thus obtained. Subsequently, the remaining layers are obtained in the same manner. The algorithm has been implemented using VC++ and OpenGL. Testing results are very much satisfactory. Compared with traditional modelling methods, this method is highly automated and the generated layer-based model is highly efficient for RP manufacturing.     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

三维模型重建中点云ICP拼接算法的改进

提出一种以不同视野下的点云为处理对象,自动进行点云配准的拼接算法.该算法首先利用点云的曲率、法矢量等几何信息,计算出初次拼接变换,并用几何哈希的方法筛选出最优的变换,完成初次拼接.然后改进最近点迭代法(iterative closest point,ICP)中最近点的选取方法:对点云A中的测点,先求出另一点云B中与其最近的3个点,并由这3个点构成一个三角形,把测点到三角形的垂足作为测点的最近点.并用该算法对点云进行再次拼接.最后基于该算法实现了对车头模型的配准.结果表明,该算法具有较高的配准精度.