基于最邻近点距离损失的叶片型线数据拼接方法及设备
文献发布时间:2023-06-19 16:11:11
技术领域
本发明涉及数据拼接技术领域,特别是涉及一种基于最邻近点距离损失的叶片型线数据拼接方法及设备。
背景技术
在现行的航发叶片型面检测标准中,如图1所示,叶片型面几何精度由几个特定截面高度处型线相关特征参数保证,如图1中的特定截面1至特定截面n,分别对应的高度为L
由于单个视场下不能进行叶片型线的完整测量,且检测系统保存的各视场点云数据是关于线激光器坐标系
发明内容
针对上述问题,本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接方法及设备,能够对多个视场数据进行拼接,以获得完整的叶片型线。
本发明的技术方案是:
第一方面,本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接方法,包括:
获取在线激光器坐标系
将特定截面的型线多视场数据统一到转动平台R
设定从视场0到视场1的运动参数仅为转动平台R
建立最邻近点距离损失函数如下:
将转动平台R
上述技术方案的工作原理如下:
本发明通过获取在线激光器坐标系
在进一步的技术方案中,所述迭代优化
S1、随机初始化:将中心坐标
S2、正向传播:沿着神经网络第一层到最后一层的顺序,依次计算并存储网络的中间变量及输出,具体表示为
S3、建立损失函数:取
S4、反向求导:沿着从网络最后一层到第一层的顺序,根据链式求导法则依次计算并存储损失函数关于中间变量以及可学习参数的梯度;
计算损失函数
计算中间变量
输出变量
最终得到可学习参数
S5、优化算法:随机生成可学习参数的一组初始值,接着对参数进行多次优化,在每次优化中,求得给定数目小批量样本的平均损失有关参数的梯度,然后将所获得的梯度与给定学习率相乘作为可学习参数在本次优化的减小量,此时可学习参数将作如下优化:
在进一步的技术方案中,所述学习率
学习率
在进一步的技术方案中,在步骤S1中,在PyTorch中通过requires_grad函数对所述可学习参数进行求梯度设置。
第二方面,本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接设备,包括计算机存储介质及处理器,所述计算机存储介质存储有计算机可读指令;所述处理器执行所述计算机可读指令时实现如上所述的叶片型线数据拼接方法。
本发明的有益效果是:
本发明通过获取在线激光器坐标系
附图说明
图1为现有技术中叶片型面检测标准示意图;
图2为现有技术中叶片特定截面的多视场型线测量原始数据图;
图3为本发明实施例1中小角度下线激光器采集的某叶片特定截面处型线点云数据对比图;
图4为本发明实施例2中叶片1的型面检测示意图;
图5为本发明实施例2中叶片2的型面检测示意图;
图6为本发明实施例2中叶片3的型面检测示意图;
图7为本发明实施例2中叶片1的Q1截面拼接前后对比图;
图8为本发明实施例2中叶片2的Q1截面拼接前后对比图;
图9为本发明实施例2中叶片3的Q1截面拼接前后对比图。
具体实施方式
下面结合附图对本发明的实施例作进一步说明。
实施例1
迭代最近点算法(Iterative Closest Point, ICP)是当前运用较广泛的点云配准算法,其包括以“距离”最近原则搜索对应点和通过奇异值分解(Singular ValueDecomposition,SVD)进行位姿求解。假设来自两不同视场的点云分别为源点云
第一方面,本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接方法,包括以下步骤。
获取在线激光器坐标系
将特定截面的型线多视场数据统一到转动平台R
设定从视场0到视场1的运动参数仅为转动平台R
将转动平台R
上述技术方案的工作原理如下:
本发明通过获取在线激光器坐标系
在另外的实施例中,所述迭代优化
S1、随机初始化:将中心坐标
S2、正向传播:沿着神经网络第一层到最后一层的顺序,依次计算并存储网络的中间变量及输出,具体表示为
S3、建立损失函数:取
S4、反向求导:沿着从网络最后一层到第一层的顺序,根据链式求导法则依次计算并存储损失函数关于中间变量以及可学习参数的梯度。
计算损失函数
计算中间变量
输出变量
最终得到可学习参数
S5、优化算法:随机生成可学习参数的一组初始值,接着对参数进行多次优化,在每次优化中,求得给定数目小批量样本的平均损失有关参数的梯度,然后将所获得的梯度与给定学习率相乘作为可学习参数在本次优化的减小量,此时可学习参数将作如下优化:
在另外的实施例中,所述学习率
在另外的实施例中,在步骤S1中,在PyTorch中通过requires_grad函数对所述可学习参数进行求梯度设置。
实施例2
如图4、图5、图6所示,在三种不同种类的叶片上进行测量实验,在当前的测量标准中,叶片的型面几何精度是由几个特定的截面型线所保证,它们已经在图中用线条标出,均为Q1、Q2和Q3三个截面,下面以截面Q1为例对叶片1、叶片2和叶片3进行数据拼接。
基于所开发的四轴检测平台,在完成对线激光器和叶片位姿校准及Z向测量基准的建立后,根据特定截面所在高度值,调节检测平台的运动系统中平移轴Z,使线激光器沿着惯性坐标系的ZW轴方向移动相应距离到达特定截面处。结合四轴检测平台中运动系统平移轴X/Y的平移运动及转动平台R
实施例3
第二方面,本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接设备,包括计算机存储介质及处理器,所述计算机存储介质存储有计算机可读指令;所述处理器执行所述计算机可读指令时实现如上所述的叶片型线数据拼接方法。
以上所述实施例仅表达了本发明的具体实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
- 基于最邻近点距离损失的叶片型线数据拼接方法及设备
- 一种基于距离和点密度的变电设备数据异常识别方法