基于参考点云配准的机器人磨削涡轮叶片热障涂层装夹误差在线自动补偿方法

《Algorithms》：Online Automated Clamping Error Compensation for Robotic Grinding of Turbine Blade Thermal Barrier Coatings via Reference Point Cloud Registration

　　

本文提出了一种用于涡轮叶片热障涂层（thermal barrier coatings，TBCs）机器人磨削的装夹误差自动补偿方法。在眼在手外（eye-to-hand）机器人磨削单元中，固定式线激光扫描仪在每次叶片拾取后获取点云。核心创新在于参考扫描策略：批次中的首件叶片通过人工辅助方式标定一次，其扫描点云被存储为参考点云，后续每次拾取的叶片均通过Trimmed-ICP精配准与该参考点云进行定位。由于装夹误差受机械约束而具有有界性，且位于ICP收敛域之内，因此可完全跳过粗配准，从而实现全自动批量生产。误差传播模型表明，所提出的补偿方法将每次拾取产生的随机装夹误差与系统性误差预算解耦。在四种叶片类型共530次拾取试验中，平均补偿率达到91%，补偿后残差低于0.2 mm，有效配准率为98.5%（538条记录中530条有效），且无求解器失败。在118片T1叶片上的批量验证确认了均匀的涂层去除量（35.97 ± 4.30 μm），表面粗糙度从Ra 7.92 μm降至2.57 μm，六个测量位置中有五个满足Ra ≤ 3.0 μm的限值要求。

论文解读文章

一、研究背景与问题提出

涡轮叶片在燃气轮机发动机中承受极端热-机械载荷条件。热障涂层（thermal barrier coatings，TBCs）作为应用于航空发动机热端部件（包括涡轮叶片、燃烧室和热防护系统）的关键纳米材料技术之一，在延长部件使用寿命和提升可靠性方面发挥着日益重要的作用[1]。为保护叶片基体免受高温氧化和热疲劳损伤，通过大气等离子喷涂（atmospheric plasma spraying，APS）或电子束物理气相沉积（electron-beam physical vapor deposition，EB-PVD）等热喷涂工艺将TBC沉积于叶片表面。然而，喷涂态涂层表面粗糙且几何形状偏离名义叶片轮廓，因此需采用机器人砂带磨削或砂轮磨削作为后处理工序，以恢复所需的气动外形和表面光洁度[2-4]。机器人磨削精度关键取决于机器人末端执行器、磨削工具与工件之间的精确空间关系，工件定位的任何偏差都会直接转化为叶片表面的轨迹误差，可能导致涂层去除不均匀、欠磨或过磨，进而损害热障性能[5,6]。

在典型的涡轮叶片机器人磨削单元中，线激光轮廓仪以固定位置（眼在手外构型）集成作为主要计量传感器。整体标定流程包括三个阶段：（a）手眼标定，确定线激光坐标系与机器人基坐标系之间的刚体变换[7]；（b）叶片位姿标定，通过点云与叶片CAD模型的配准在机器人基坐标系中定位叶片工件；（c）轨迹生成、重映射与执行[5,6,8]。尽管这些标定技术已较为成熟，批量生产中仍存在关键的实际瓶颈：在工业实践中，涡轮叶片装入专用夹具并放置于料箱中，机器人末端安装的气动夹爪依次拾取叶片-夹具组件。由于夹具机械间隙、夹爪定位重复性限制以及抓取姿态的微小变化，每次拾取都会引入不可忽略的装夹误差，其大小由夹具和夹爪的公差决定，并随磨损而增大。传统解决方法是每次拾取后对每片叶片重复完整标定流程（粗配准和精配准），这需要人工干预粗配准，因为全自动粗配准在光滑自由曲面叶片上仍不可靠，导致生产线无法全自动运行。

现有误差补偿方法均未完全解决这一瓶颈：运动学标定[24,25]通过外部测量识别并补偿机器人几何参数误差，但通常离线执行且未考虑与工件相关的变化；力控补偿[26,27]虽能维持磨削过程中的恒定接触力，但无法直接纠正与接触状态无关的几何失准；基于视觉的补偿方法[28,29]或需昂贵附加硬件，或针对与涡轮叶片自由曲面磨削根本不同的加工场景。此外，手眼标定与叶片位姿标定作为独立问题虽已被充分研究，但其集成到无需人工干预的全自动批量生产流程中尚未得到解决。利用已集成的线激光扫描仪实现涡轮叶片TBC磨削自动化的具体挑战仍是空白。

二、研究内容与核心贡献

本文填补了这一空白，提出一种利用现有线激光扫描仪且无需附加硬件的装夹误差自动补偿方法。核心洞察在于：装夹误差受机械约束（夹具间隙、夹爪重复性）固有有界，因此完全位于ICP精配准算法的收敛域内。若在初始（人工辅助）标定期间获取参考点云，后续叶片仅需通过ICP精配准与该参考点云配准即可完成定位，完全绕过粗配准。基于此洞察，初始标定后对每片叶片执行三步自动补偿流程：重扫描——线激光扫描新拾取的叶片，在扫描仪坐标系{L}中获取当前点云P_i；精配准——在P_i与参考点云P_ref（均在{L}中）之间执行ICP，估计装夹误差ΔT；轨迹重映射——执行前将磨削轨迹按ΔT变换。由于两片点云由同一传感器从相同扫描视角获取，具有一致的噪声特性和采样密度，进一步增强了ICP收敛稳定性。

本文的贡献与新颖性体现在三个方面。第一，自动装夹误差补偿框架——参考扫描策略利用装夹误差的有界性将人工粗配准步骤转化为全自动精配准，每批次仅需一次人工辅助，此后每次扫描均与参考扫描而非网格模型配准。第二，误差传播建模——推导了连接手眼标定误差、初始位姿标定误差和装夹误差至最终磨削轨迹的完整误差传播链，定量证明所提补偿有效将装夹误差从轨迹误差预算中解耦。第三，实验验证——不同于实验室中对单个工件的演示，该方法在工业单元上经四种叶片类型530次拾取试验及118片生产叶片批量验证，确立了方法的可重复性而非单一最优结果。

三、关键技术方法

研究人员采用的主要关键技术方法包括：（1）基于标准球的眼在手外手眼标定方法，利用半径已知的标定球刚性地安装在机器人末端执行器上，通过M≥3个非共线位姿下的非线性最小二乘优化求解扫描仪坐标系与机器人基坐标系之间的变换矩阵；（2）初始叶片位姿标定，对批次首件叶片进行人工辅助粗配准（操作员在扫描点云与网格模型上选择K≥4个对应点对，通过最小二乘刚体变换计算粗对齐），随后采用Trimmed-ICP（截断迭代最近点）精配准细化对齐，该算法在标准ICP框架中引入最小截断平方（least trimmed squares，LTS）估计器以抑制离群点和部分重叠区域的影响；（3）在线装夹误差补偿，利用参考点云策略，将每次新拾取叶片的扫描点云直接与参考点云进行Trimmed-ICP精配准，以恒等矩阵作为初始化，估计装夹误差后对磨削轨迹进行重映射。实验平台包括ABB IRB4600六自由度工业机器人（额定负载60 kg，定位重复性±0.06 mm）、LMI Gocator线激光轮廓仪（深度分辨率13 μm）、砂带磨削站及专用叶片-夹具系统，四种叶片类型T1、T2、T3、T4的特征半径范围100至200 mm，参考扫描包含1.26×10⁵至1.82×10⁵个点。

四、研究结果

手眼标定验证。 采用10个球体位姿执行手眼标定，通过闭环一致性检验验证标定链的内部一致性。标定结果为T_L^B = 1027.43, 0.46, 1624.81, 0.11°, 0.17°, 89.37°。在12个月实验周期内未观察到可检测漂移，确认了固定眼在手外构型的长期稳定性。

初始叶片位姿标定。 每种叶片类型执行一次初始位姿标定以建立T_W^E和P_ref。操作员在扫描点云与网格模型上手动选择K=4个对应点对（位于叶片平台边缘、前缘后缘端点及根部-夹具界面等几何特征显著位置），通过SVD方法计算最小二乘刚体变换获得粗对齐。随后执行Trimmed-ICP精配准，配准参数包括截断比τ=0.90和能量比0.90。配准适应度分数（ICP收敛时对齐点云与网格模型之间的RMS点对点距离）在T1为0.2468 mm、T2为0.2108 mm、T3为0.1435 mm、T4为0.1490 mm，表明所有叶片类型均达到亚毫米级一致性。闭环一致性验证中，最大综合平移偏差为0.0323 mm，最大旋转矢量偏差为0.0057°，平均综合平移偏差仅0.0144 mm，确认了整个标定链的运动学一致性。配准策略对比显示，在恒等初始化条件下，所部署的Trimmed-ICP在全部四种叶片类型上成功，而标准ICP、点到平面ICP、GICP和LM-ICP分别在四种中的三种、两种、两种和三种上成功；基于特征的两类粗配准方法在所有叶片类型和所有大偏移情况下均失败，且计算时间高出一至两个数量级。

装夹误差补偿验证。 装夹误差ΔT_i的平移分量范围1.30至3.38 mm，旋转分量范围0.66°至0.90°，与气动夹爪和叶片-夹具系统的机械公差分析一致，且完全位于ICP收敛域内。点云位移与工件装夹误差的比值总体均值为0.84 ± 0.33，T3和T4叶片比值接近或略高于1（1.07 ± 0.07和1.15 ± 0.19），而T1和T2叶片比值系统性较小（均值0.54和0.61），表明工件坐标系原点偏离叶片质心时旋转分量会部分抵消平移位移；旋转分量在所有试验中完全一致（|θ_W ? θ_C| ≤ 10^?6），确认旋转角在相似变换下不变。趋势分析显示，点云位移范数对所有叶片类型均呈现统计显著的递增趋势：T1（ρ=+0.56）、T2（ρ=+0.53）、T3（ρ=+0.31）、T4（ρ=+0.70），与夹具和夹爪磨损逐步降低夹持操作重复性一致。计算时间分析显示，ICP配准时间在528条完整计时记录中保持稳定，T1约2.5~7.0 s、T2约4.0~7.0 s、T3约4.0~7.0 s、T4约4.5~10.0 s，补偿不增加独立工艺步骤。

涂层磨削质量。 六片叶片在56个预定义采样点（分布于凹凸表面）的手动测量显示，凹面平均喷涂态涂层厚度322.90 ± 8.99 μm磨后降至290.24 ± 7.86 μm，平均材料去除量32.66 ± 6.03 μm；凸面从364.19 ± 27.11 μm降至326.37 ± 22.18 μm，平均去除量37.81 ± 8.83 μm，两侧去除量仅差约5 μm，在几何不对称表面上高度均匀。118片T1叶片的自动测量显示，平均涂层厚度去除量为35.97 ± 4.30 μm，与手动测量结果吻合；表面粗糙度Ra从喷涂态的7.92 ± 0.20 μm降至磨后2.57 ± 0.42 μm，平均降低5.35 ± 0.27 μm。工业验收标准要求每个测量位置Ra低于3.0 μm，六个位置中五个达标，第六个凸面位置平均3.45 μm超标。整个批次未观察到涂层分层、过度减薄或覆盖不完全。

五、讨论与结论

误差传播模型将轨迹误差分为三个层级：定位误差（估计工件位姿的误差）、轨迹指令误差（定位误差传递至路径后工具上剩余的误差）和表面工具误差（由工艺本身通过叶片偏离名义形状及磨具几何和磨损状态贡献）。模型识别出四个定位误差来源，源于物理上不同的子系统并通过独立测量通道识别，因此视为不相关；其中仅装夹误差ΔT_clamp随每次叶片拾取变化，其余三项在批次内近似恒定。总补偿后轨迹误差由三个系统性来源主导，公式(15)为保守界而非方差和，因三项为有界系统性偏移而非零均值随机变量。补偿后位置误差受ICP收敛残差ε_fit（均匀影响所有航路点）和残余旋转角θ_res随距原点距离放大的贡献（r·sin(θ_res)）共同界定。四种叶片类型530次有效试验中，平均补偿率超过89%：T1为94.7%（140次）、T2为89.0%（125次）、T3为89.6%（145次）、T4为90.1%（120次），总体均值91%。补偿后残差e_comp在四种叶片类型中位于0.135 mm至0.223 mm之间。补偿率与试验序号无相关性，表明补偿性能未随夹具磨损而退化——e_uncomp反映机械界面并随磨损增长，而e_comp受配准精度约束，与所校正的幅度无关。

研究结论：本文提出了涡轮叶片热障涂层机器人磨削的装夹误差自动补偿方法，解决了批量生产中人工粗配准的瓶颈。核心创新为基于参考扫描的配准策略：每批次首件叶片经一次人工辅助标定，所得参考点云用于后续每次拾取的Trimmed-ICP精配准定位。由于装夹误差受夹爪和夹具系统机械约束有界且位于ICP收敛域内，粗配准不再需要，将人工操作员依赖步骤转化为全自动流程。三项主要贡献为：基于参考的ICP框架消除粗配准瓶颈并实现批量生产全自动化；误差传播模型定量证明补偿将随机逐次拾取装夹误差与系统性标定误差预算解耦；530次拾取试验验证平均补偿率91%、补偿后残差低于0.2 mm、有效配准率98.5%且无求解器失败。方法存在三项局限：每批次需一次人工粗配准、参考扫描与补偿扫描之间叶片几何必须保持不变、参考扫描须提供足够几何覆盖以约束全部六个自由度。未来工作将研究基于深度学习的方法实现全自动初始粗配准，将框架扩展至磨削过程中的在机重扫描，以及开发信息论度量用于最优参考扫描路径选择。