由于菲涅耳结构存在较大倾角且离线测量会引入原点误差，为实现菲涅耳微结构的超精密在位测量，构建了基于点自动对焦传感器的在位测量系统，并研究开发了配套的位置标定与温度补偿算法。首先，对于测量结果的核心影响因素——温度进行相关性分析，并通过高斯过程对其进行补偿，使得测头测量误差下降至未补偿前的39%；其次，为保证测头扫描路径通过所测微结构中心，以避免曲面重构过程中引入对齐误差，在测量前利用标准球面对测头的位姿进行预标定；最后，利用该套设备对菲涅耳微结构进行测量并分析了测量结果。实验结果表明，所组建的系统相比基于光谱共聚焦的在位测量系统能够更有效地评估菲涅耳结构形貌，相比离线白光干涉测量系统可获得更精准的结果。

针对目前航空叶片接触式测量中存在的效率低、表面易损伤等问题，设计并搭建了集航空叶片检测与加工于一体的线激光在机测量实验平台。在进行激光非接触测量中，点云数据容易出现误差。为了提高激光在机测量的精度，对在测量过程中的主要影响因素进行了探讨和分析。分别建立了基于径向基函数神经网络和支持向量回归机的误差预测模型，并对两种预测模型的性能进行了比较。提出自由曲面检测的误差补偿策略完成了点云数据的补偿和校正。最后以某型号航空叶片为例进行实验，实验结果表明，所提方法能将点云数据的精度提高39.86%，验证了误差补偿模型和补偿策略的可行性。

针对生产现场中工件精确测量和寻位问题,基于计算机数字控制机床(CNC)平台和线激光搭建了一套在机测量系统,并对工件一面两孔特征的快速寻位方法进行研究。利用球面的各向同性,通过标准球实现线激光在机测量系统的全局标定。将平面和孔作为找正特征,基于线激光传感器获取的测量数据,设计拟合算法并对相关特征的尺寸位置信息进行计算,最后利用试验件进行快速寻位实验。实验结果表明,该在机测量系统具有较高的精度和稳定性,能够满足生产加工中的工件寻位找正要求。

大口径非球面光学元件具有优越的光学特性,在激光聚变、空间技术和大型光学望远镜等领域有着越来越广泛的应用。然而大口径非球面元件的大批量生产需要高精度和高效率的数控磨削、抛光技术,同时超精密大中型非球面光学元件大批量制造所面临的巨大挑战推动了现代光学测量技术朝着更高的效率、更高的精度和更高的自动化水平方向发展。根据非球面光学元件的加工工艺,系统总结了磨削阶段测量技术的研究现状,并详细说明了以上技术的原理,最后展望了大口径非球面元件磨削阶段测量技术的发展趋势。

针对非球面光学元件加工对圆弧金刚石砂轮形状误差测量的需求，提出了砂轮三维几何形貌在位检测与误差评价方法。建立了砂轮外圆面螺旋扫描轨迹测量数学模型，利用位移传感器获取了砂轮表面轮廓数据；对得到的数据匀滑滤波后沿圆周展开并进行插值处理，得到砂轮三维几何形貌。然后，根据非球面平行磨削加工特点，提出评价圆弧砂轮形状精度的指标。通过提取三维几何形貌轴截面轮廓，进行最小二乘圆弧拟合得到不同相位处的圆弧半径与圆心坐标，并由误差分离获得砂轮表面圆弧的圆度误差、圆周跳动误差及轮廓圆心轴向偏差。最后，对非球面加工圆弧金刚石砂轮进行检测，获得了砂轮的三维几何形貌以及多个关键尺寸及其误差数据： 即圆弧金刚石砂轮的平均圆弧半径为55.442 3 mm，半径波动极差为0.16 mm，中央±8 mm环带内圆弧的圆度误差约为5 μm，圆周跳动误差约为2 μm，截面轮廓圆心轴向位置相对偏差为0.008 mm。根据检测结果，进行了大口径复杂非球面磨削实验，得到的元件面形P-V值为4.62 μm，RMS值优于0.7 μm，满足工程的实际需求。

为了能在加工航空发动机关键零部件(如叶片)等复杂曲面零件的过程中实现快速在机测量, 研制了非接触式激光在机测量系统。分别介绍了测量系统的工作原理, 机械结构和电控系统。该系统主要由激光测头、无线传输电路、可充电锂电池、转接基座、刀柄和外壳等部分组成。为了实现机床的加工模式与测量模式之间的快速切换, 其采用刀柄式的安装方式, 从加工叶片切换到在机测量时, 机床只要运行换刀程序, 即可实现叶片加工到叶片测量的转换。此外文中还针对在机测量系统的电控部分研制了通过无线传输的数据采集系统。为了验证所研制的在机测量系统的实用性和有效性, 在五轴叶片加工中心上进行了叶片截面测量实验, 结果显示其测量精度为20 μm, 测量时间为10 min。验证结果表明所研制的激光在机测量系统能够高效精确地完成叶片型面的测量任务。

考虑五轴机床中的旋转轴误差会影响加工精度和在机测量结果, 本文研究了旋转轴误差的在机测量与建模方法。介绍了基于标准球和机床在机测量系统的旋转轴综合误差测量方法, 采用随机Hammersely序列分组规划旋转轴的测量角位置, 通过自由安放策略确定标准球初始安装位置。然后, 引入模糊减法聚类和模糊C-均值聚类(Fuzzy C-means, FCM)建立旋转轴误差的径向基(Radial basis function, RBF)神经网络预测模型。 最后, 进行数学透明解析, 从而为误差的精确解析建模提供新途径。利用曲面的在机测量实例验证了提出的旋转轴误差测量与建模方法。结果表明: 利用所建模型计算的预测位置与实测位置的距离偏差平均值为9.6 μm, 最大值不超过15 μm; 利用所建模型补偿工件的在机测量结果后, 其平均值由32.5 μm减小到13.6 μm, 最大误差也由62.3 μm减小到18.6 μm。结果显示, 提出的测量方法操作简单, 自动化程度高; 模糊RBF神经网络的学习速度快、适应能力强、鲁棒性好, 能满足高度非线性、强耦合的旋转轴误差建模要求。

针对在机激光扫描测量中激光测头安装位置和姿态引起的测量误差, 提出了一种适用于在机激光测量的测头标定方法。构造了在机激光扫描测量原型系统, 建立了激光测头随机床运动的测量模型; 通过多角度扫描标准球球面拟合球心, 给出了一种线性求解测头安装位姿参数的算法, 避免了非线性优化求解中的大量计算和不稳定问题。分析了测量过程中机床各个轴的运动误差对测量结果的影响, 建立了误差模型, 并给出补偿机床系统误差的方法。实验显示, 对直径已知的标准球进行测量时, 测头在不同摆角测得的标准球直径误差小于0.05 mm, 误差补偿后球心位置误差减小了83%。实验结果验证了该标定方法的可行性, 以及机床误差对测量精度影响的模型及补偿方法的正确性。