Abstract

We present a new method for statistical process control (SPC) of a discrete part manufacturing system based on intrinsic geometrical properties of the parts, estimated from three-dimensional sensor data. An intrinsic method has the computational advantage of avoiding the difficult part registration problem, necessary in previous SPC approaches of three-dimensional geometrical data, but inadequate if noncontact sensors are used. The approach estimates the spectrum of the Laplace–Beltrami (LB) operator of the scanned parts and uses a multivariate nonparametric control chart for online process control. Our proposal brings SPC closer to computer vision and computer graphics methods aimed to detect large differences in shape (but not in size). However, the SPC problem differs in that small changes in either shape or size of the parts need to be detected, keeping a controllable false alarm rate and without completely filtering noise. An online or “Phase II” method and a scheme for starting up in the absence of prior data (“Phase I”) are presented. Comparison with earlier approaches that require registration shows the LB spectrum method to be more sensitive to rapidly detect small changes in shape and size, including the practical case when the sequence of part datasets is in the form of large, unequal size meshes. A post-alarm diagnostic method to investigate the location of defects on the surface of a part is also presented. While we focus in this article on surface (triangulation) data, the methods can also be applied to point cloud and voxel metrology data.

摘要

我们提出了一种基于零件的固有几何特性的离散零件制造系统的统计过程控制 (SPC) 的新方法，根据三维传感器数据进行估计。固有方法具有计算优势，可以避免困难的零件配准问题，这在以前的三维几何数据 SPC 方法中是必需的，但如果使用非接触式传感器则不够用。该方法估计扫描零件的拉普拉斯-贝尔特拉米 (LB) 算子的频谱，并使用多变量非参数控制图进行在线过程控制。我们的提议使 SPC 更接近计算机视觉和计算机图形方法，旨在检测形状（但不是大小）的巨大差异。然而，SPC 问题的不同之处在于需要检测零件形状或尺寸的微小变化，保持可控的误报率，并且没有完全过滤噪声。提出了一种在线或“第二阶段”方法以及在没有先前数据的情况下启动的方案（“第一阶段”）。与需要配准的早期方法相比，LB 谱方法对快速检测形状和尺寸的微小变化更加敏感，包括零件数据集序列采用大的、不等尺寸的网格形式的实际情况。还介绍了一种用于调查零件表面缺陷位置的报警后诊断方法。虽然我们在本文中关注表面（三角测量）数据，但这些方法也可以应用于点云和体素计量数据。保持可控的误报率，不完全过滤噪音。提出了一种在线或“第二阶段”方法以及在没有先前数据的情况下启动的方案（“第一阶段”）。与需要配准的早期方法相比，LB 谱方法对快速检测形状和尺寸的微小变化更加敏感，包括零件数据集序列采用大的、不等尺寸的网格形式的实际情况。还介绍了一种用于调查零件表面缺陷位置的报警后诊断方法。虽然我们在本文中关注表面（三角测量）数据，但这些方法也可以应用于点云和体素计量数据。保持可控的误报率，不完全过滤噪音。提出了一种在线或“第二阶段”方法以及在没有先前数据的情况下启动的方案（“第一阶段”）。与需要配准的早期方法相比，LB 谱方法对快速检测形状和尺寸的微小变化更加敏感，包括零件数据集序列采用大的、不等尺寸的网格形式的实际情况。还介绍了一种用于调查零件表面缺陷位置的报警后诊断方法。虽然我们在本文中关注表面（三角测量）数据，但这些方法也可以应用于点云和体素计量数据。提出了一种在线或“第二阶段”方法以及在没有先前数据的情况下启动的方案（“第一阶段”）。与需要配准的早期方法相比，LB 谱方法对快速检测形状和尺寸的微小变化更加敏感，包括零件数据集序列采用大的、不等尺寸的网格形式的实际情况。还介绍了一种用于调查零件表面缺陷位置的报警后诊断方法。虽然我们在本文中关注表面（三角测量）数据，但这些方法也可以应用于点云和体素计量数据。提出了一种在线或“第二阶段”方法以及在没有先前数据的情况下启动的方案（“第一阶段”）。与需要配准的早期方法相比，LB 谱方法对快速检测形状和尺寸的微小变化更加敏感，包括零件数据集序列采用大的、不等尺寸的网格形式的实际情况。还介绍了一种用于调查零件表面缺陷位置的报警后诊断方法。虽然我们在本文中关注表面（三角测量）数据，但这些方法也可以应用于点云和体素计量数据。包括零件数据集序列采用大的、不等尺寸的网格形式的实际情况。还介绍了一种用于调查零件表面缺陷位置的报警后诊断方法。虽然我们在本文中关注表面（三角测量）数据，但这些方法也可以应用于点云和体素计量数据。包括零件数据集序列采用大的、不等尺寸的网格形式的实际情况。还介绍了一种用于调查零件表面缺陷位置的报警后诊断方法。虽然我们在本文中关注表面（三角测量）数据，但这些方法也可以应用于点云和体素计量数据。