三维扫描测头的一种解耦算法及其应用

《Measurement and Control》：A decoupling algorithm & its application for 3D scanning probes

　　

摘要：三维扫描测头是精密测量仪器的“眼睛”，其各轴间的耦合误差仍是亟待解决的问题；精确解耦对于提升测头数据精度至关重要。本文提出了一种融合粒子群优化（Particle Swarm Optimization, PSO）、拉丁超立方采样（Latin Hypercube Sampling, LHS）及对立学习（Opposition-Based Learning, OBL）策略的改进算法。惯性权重w采用摆线调度方式动态调整，既保证了前期快速收敛，又实现了后期精细化搜索。此外，认知系数与社会系数c₁、c₂线性递减，以降低粒子群陷入局部最优的风险。与标准PSO算法相比，改进算法能够获取全局最优解，而标准算法仅能得到局部最优解，因而无法应用于测头解耦。与最小二乘法（Least Squares Method, LSM）相比，在无异常数据条件下，两种方法所获得的耦合矩阵基本一致。然而，当数据集中存在异常值时，LO-PSO算法相较于LSM表现出更优的鲁棒性和解耦精度。基于原始数据集的测试结果表明，解耦后测试数据在X、Y、Z三个方向上的测量精度均得到提升。与解耦前相比，X组四组数据的第一类误差最大值为0.747%，对应平均增益为8.02%；Y组数据集的第一类误差最大值为?0.956%，对应平均增益为10.82%；Z组数据集的第一类误差最大值为1.658%，对应平均增益为8.86%。结果表明，改进算法显著提升了三维扫描测头的数据精度。在实验室标定测试条件下，LO-PSO算法相较于最小二乘法具有更优的解耦精度和抗异常值鲁棒性，具备集成到精密测量软件中进行现场解耦的工程潜力。

三维扫描测头解耦算法及其应用研究解读

一、研究背景与问题

随着精密加工技术的快速发展，精密测量仪器面临日益严苛的性能要求。接触式扫描测头作为精密仪器的核心部件，具有测量精度高、可连续采样等特点，在精密测量领域发挥着不可或缺的作用。高精度接触式扫描测头能够准确获取复杂结构的表面形貌，为产品质量控制提供可靠的数据支撑。

三维扫描测头的结构本质上类似一台微型化坐标测量机，其测量精度依赖于精密的内部导向与运动机构。在理想状态下，接触式三维扫描测头各传感轴的位移输出应当仅由该轴向施加的力决定，完全独立于其他两个轴向。然而在实际工作中，每个传感轴的位移都会受到其他因素影响，导致非测量轴方向出现明显位移数据变化，即轴间耦合现象。引起这些偏差的主要原因包括以下几个方面：

第一，测头寄生误差。三维扫描测头采用平行板簧挠性结构，这种设计具有无摩擦运动、低质量和高弹性等优点，在精密位移系统中应用广泛。但平行板簧结构也存在不足，例如板簧变形引起的寄生误差。在X和Y模块中，寄生误差会叠加到Z轴测量数据上，而Z模块产生的寄生误差则反映在X轴数据中，寄生误差的存在降低了位移测量的线性度和整体精度。

第二，平行板簧的制造与装配误差。由于制造和装配误差，平行板簧会产生两种误差模式：弹簧长度不等和非平行安装。长度不等时，导向平台的浮板和固定板之间会出现角度，系统在运行过程中同时发生平移和转动分量；非平行安装时，当平台进入测量状态，整个组件可能围绕弹簧延长轴的交点旋转，引入明显误差。

针对三维测头的解耦，目前主要采用两种方法。机械解耦通过优化机械结构来显著降低非线性误差影响，但消除非测量方向变形需要这些方向具有无限刚度，这在实际中难以实现，会大幅增加设计复杂度和制造成本。尽管存在无寄生误差的平行板簧机构以及串联-并联混合三维测头等机械解耦方案，但这类方法需要专用解耦模块，各方向扭转刚度有限。相比之下，算法解耦主要依靠建立有效的数学模型，构造解耦矩阵，在数据采集过程中实时处理测量数据，具有实现简便、处理速度快等优势。

在算法解耦中，最小二乘法因其简单性和计算效率而被广泛应用于线性耦合问题，但数据集中存在异常值时需要预先筛选，且高阶多项式等距采样时方程组矩阵可能病态，导致解耦失败。多项式技术存在截断误差，BP神经网络算法复杂、需要深层架构和大规模训练数据，不适用于车间测量仪器的“开箱即用”需求。启发式算法相比最小二乘具有更强鲁棒性，且不像神经网络那样需要大量计算资源和数据集，因此在工程优化中得到广泛采用。

二、研究方法与关键技术

本研究提出了一种改进的粒子群优化解耦算法，命名为LO-PSO，其关键技术主要包括以下三个方面：

第一，粒子生成策略。采用拉丁超立方采样（LHS）生成初始粒子，确保每个维度均匀覆盖，保证所选粒子在统计上代表整个变量空间；随后引入对立学习（OBL）策略，为每个候选解生成其对立解并择优保留，增强初始种群的多样性和探索能力。

第二，惯性权重更新策略。采用摆线参数方程动态调整惯性权重w，摆线轨迹在初始阶段快速下降，后期逐渐平缓，既保证快速收敛又能进行后期精细化搜索。

第三，加速系数调整策略。认知系数c₁与社会系数c₂采用线性递减策略，随迭代次数增加逐步减小，降低粒子群过早陷入局部最优的风险。

实验平台包括三维扫描测头、线性压电位移台、精密旋转台和标定块等设备。其中测头分辨率为0.02μm，测量范围为±2.5mm；线性压电位移台分辨率为5nm；旋转台分辨率为0.007~27角秒。使用两块不同楔角的标定块，楔角分别为10°±5′和25°±5′。实验中对测头分别沿X、Y、Z三个方向施加单向位移，其他两轴保持静止，采集的数据分为拟合集和验证集。

三、研究结果与分析

（一）解耦分析

基于60组三轴标定数据，以方程(7)为适应度函数，采用LO-PSO算法求解耦合矩阵。为降低单次运行随机误差，同一数据集模拟运行十次，计算耦合矩阵元素的平均值和标准差。结果表明，耦合矩阵九个元素均呈现良好的稳定性，仅c_yy和c_yz的标准差非零。取十次计算结果的平均值作为最终LO-PSO耦合矩阵：

C_LO-PSO=[1.0805 ?0.0173 ?0.0078; ?0.0151 1.1084 ?0.0243; ?0.0015 0.0002 1.0887]

（二）与标准PSO算法对比

标准PSO算法得到的耦合矩阵C_PSO无法准确反映采样数据的特征，矩阵中第三行第一列出现最大值，不符合耦合矩阵中自耦合系数应为主导的特征，表明算法陷入局部最优。从收敛曲线看，PSO到第三次迭代即达到全局最小值，过早停止搜索，探索能力严重不足。相比之下，LO-PSO在前五次迭代内适应度值快速下降，粒子表现出明显的探索行为，到第92次迭代后趋于稳定，适应度值平稳在0.000 490 857，性能显著优于标准PSO。通过TTE、TTS、EC三项技术指标比较，LO-PSO在初始阶段下降速度是标准PSO的13倍，停滞出现晚53个迭代，体现了更强的深度搜索能力和整体性能。

（三）解耦精度评估

利用改进算法获得的耦合矩阵，结合方程(1)计算解耦后的实际位移，得到各方向的第一类误差。经X方向解耦后，最大第一类误差为0.747%，相较于解耦前平均精度提升8.02%；Y方向解耦后，最大第一类误差为?0.956%，平均精度提升10.82%；Z方向解耦后，最大误差为1.658%，平均精度提升8.86%。

（四）与最小二乘法对比及鲁棒性测试

在无异常数据条件下，最小二乘法直接获得给定数据集上的全局最优耦合矩阵，LO-PSO算法与最小二乘法得到的耦合矩阵几乎一致，验证了改进算法能够从测量数据中求解有效解。

为进一步模拟实际测量中可能出现的异常读数，在原始60组样本中加入异常值后重新计算耦合矩阵。结果显示，两种算法的解耦误差呈现明显分化。X方向平均第一类误差LSM达1.587%，而LO-PSO仅为0.662%；Y方向LSM为?5.34%，LO-PSO为?1.091%；Z方向LSM为?10.605%，LO-PSO为3.879%。LO-PSO在三个方向上的鲁棒性和解耦精度均优于最小二乘法。

四、讨论与结论

研究总结指出：第一，LHS嵌入粒子初始化过程，对各维度搜索区间分层以保证均匀覆盖，其低差异特性相比纯随机采样加速了收敛；OBL策略同时生成对立粒子，使算法能够探索原始区域和镜像区域，既可加快收敛又可避免局部最优。第二，摒弃常规参数更新方式，惯性权重w由摆线参数方程控制，前期变化快速、后期逐渐平缓；c₁和c₂线性递减以匹配期望特性。与标准PSO和LSM的对比测试表明，PSO无法对采集数据达到全局最优；LSM虽可求解，但在数据集中加入异常值后，其求解精度和鲁棒性均不及改进的LO-PSO算法。第三，数据分析结果表明，改进PSO算法收敛迅速并给出耦合矩阵C，应用新测试数据后，X方向最大误差为0.747%，平均精度提升8.02%；Y方向最大误差为?0.956%，平均精度提升10.82%；Z方向最大误差为1.658%，平均精度提升8.86%。LO-PSO有效提升了三维扫描测头的数据精度，为测头解耦提供了可靠的技术支持。该算法在实验室标定条件下展现出的优异性能，为其在精密测量软件中的工程化集成与现场解耦应用奠定了基础。该研究发表于《Measurement and Control》期刊。