手机版
化工仪器网手机版
化工仪器网小程序
官方微信
公众号：chem17
扫码关注视频号
摘要
在精密制造与计量领域，表面轮廓仪的测量精度直接决定产品质量控制水平。针对传统固定参数滤波算法在处理复杂、多尺度表面轮廓信号时存在的局限性，本文提出一种基于自适应滤波的表面轮廓数据降噪技术。该技术通过实时监测信号局部特征，动态调整滤波参数，在有效抑制随机噪声与高频干扰的同时，最大限度保留原始轮廓的微观形貌特征。本文系统阐述自适应滤波的基本原理、算法设计与实现流程，并通过实验验证其相较于传统高斯滤波、小波滤波等方法在降噪效果与特征保留能力上的优越性。研究结果可为精密表面形貌测量仪器的算法优化提供理论参考与技术支撑。
关键词
轮廓仪；自适应滤波；数据降噪；表面形貌；算法优化
一、引言
随着航空航天、半导体、精密光学及高端装备制造等领域对零件表面质量要求的不断提升，精确测量与评定表面微观形貌变得愈发关键。触针式轮廓仪作为接触式测量的典型设备，因其测量范围广、可靠性高、环境适应性强等特点，在表面粗糙度、波纹度及轮廓形状误差检测中得到广泛应用。然而，在实际测量过程中，受机械振动、环境电磁干扰、触针与表面的摩擦冲击、电子元器件热噪声等多重因素影响，原始采集的轮廓信号中不可避免地混杂大量噪声，严重干扰真实形貌特征的识别与提取，导致后续粗糙度参数(如 Ra、Rz、Ry)评定失真。
传统降噪方法多采用固定参数的线性滤波，如高斯滤波、均值滤波、中值滤波等。这类算法原理简单、计算高效，但存在显著缺陷：滤波参数(如截止波长、窗口尺寸)一经设定便无法更改，难以适配轮廓信号在不同区域的复杂变化。例如，在表面峰谷突变处，固定滤波易过度平滑微观尖峰或凹陷，导致关键形貌特征丢失；而在平缓区域，则可能残留过多噪声，降低测量信噪比。小波变换虽具备多分辨率分析能力，可在不同尺度上分离信号与噪声，但其分解层数与阈值选取对经验依赖较强，自适应性不足，且在处理非平稳、强突变轮廓信号时易产生边缘模糊与伪影现象。
为解决上述问题，自适应滤波技术应运而生。其核心思想是滤波参数可根据输入信号的局部统计特性(如均值、方差、梯度)或噪声水平动态调整，实现 “噪声强则强滤波、特征锐则弱滤波” 的智能处理，从而在抑制噪声与保留特征间取得最优平衡。本文聚焦表面轮廓数据的降噪需求，设计一种基于最小均方误差(LMS)算法的自适应横向滤波器，详细阐述其工作原理、算法流程及参数优化策略，并通过实测轮廓数据对比实验，验证该技术的有效性与先进性。
二、表面轮廓信号噪声特性分析
表面轮廓信号是表征零件表面微观起伏的一维离散序列，可表示为：
s(n)=x(n)+v(n),n=0,1,2,…,N−1
其中，s(n)为含噪原始信号，x(n)为真实轮廓信号，v(n)为叠加噪声，n为采样点序号，N为采样点数。
通过对大量实测数据的统计分析，轮廓信号中的噪声v(n)主要呈现以下特性：
1.随机性：噪声主要来源于环境振动、电子热噪声、电磁干扰等，服从高斯正态分布，均值为 0，方差恒定，属于加性高斯白噪声(AWGN)。
2.高频性：相较于真实轮廓的低频形貌(如波纹度、宏观形状)，噪声能量主要集中在高频段，表现为信号曲线的微小毛刺与剧烈抖动。
3.局部非平稳性：在轮廓峰谷、台阶边缘等特征突变区域，信号梯度大、信噪比低，噪声影响尤为显著；而在平缓表面区域，信号平稳、信噪比高，噪声干扰较弱。
传统固定参数滤波因无法适配噪声的局部非平稳特性，易在特征区过度平滑、在平缓区降噪不足，这是其精度受限的根本原因。自适应滤波则通过实时感知信号局部特征，动态调整滤波强度，针对性解决上述问题。
三、自适应滤波算法原理与设计
3.1 自适应滤波基本原理
自适应滤波器是一种能够自动调整自身参数以优化滤波性能的时变滤波器，其核心由滤波结构与自适应算法两部分组成。滤波结构负责对输入信号进行加权运算，输出滤波结果；自适应算法则根据预设的性能准则(如最小均方误差、最小二乘)，利用输入信号与期望响应的误差信息，实时迭代更新滤波器权重系数，使滤波输出逐步逼近真实信号，最终实现最优降噪效果。
在表面轮廓降噪场景中，自适应滤波器的输入为含噪轮廓信号s(n)，期望响应为真实轮廓信号x(n)(实际中常用延迟后的输入信号或局部平滑信号近似)，滤波输出为降噪后的信号x^(n)，通过最小化x^(n)与x(n)的均方误差，实现权重系数的自适应优化。
3.2 基于 LMS 算法的自适应横向滤波器设计
本文采用结构简单、计算高效、易于实时实现的横向滤波器(有限长单位冲激响应滤波器，FIR)作为基础滤波结构，结合最小均方误差(LMS) 自适应算法，构建表面轮廓自适应降噪系统。
3.2.1 横向滤波结构
横向滤波器的输入输出关系可表示为：
^(n)=∑k=0M−1wk(n)s(n−k)=wT(n)s(n)
其中，M为滤波器抽头数(即阶数)，wk(n)为第k个抽头在n时刻的权重系数，w(n)=[w0(n),w1(n),…,wM−1(n)]T为权重向量，s(n)=[s(n),s(n−1),…,s(n−M+1)]T为输入信号向量。
3.2.2 LMS 自适应算法
LMS 算法基于最速下降法，以均方误差e2(n)最小化为目标，通过瞬时梯度估计迭代更新权重系数，其核心迭代公式为：
1.计算输出误差：
e(n)=d(n)−x^(n)，其中，d(n)为期望响应，本文中取d(n)=s(n−1)(延迟一步的输入信号，保证因果性)。
2.权重系数迭代更新：
wk(n+1)=wk(n)+2μe(n)s(n−k),k=0,1,…,M−1其中，μ为收敛步长，控制权重更新速度与稳定性，需满足0<μ<1/λmax(λmax为输入信号自相关矩阵的最大特征值)，以保证算法收敛。
LMS 算法的优势在于无需计算复杂的矩阵逆，仅通过瞬时误差与输入信号的乘积即可更新权重，计算复杂度低(O(M))，实时性强，适合轮廓仪高速采样(可达 100kHz)场景下的在线降噪。
3.3 算法关键参数优化
1.抽头数M：M越大，滤波器频率选择性越强，降噪效果越好，但计算量与延迟随之增加。针对轮廓信号(采样间隔 1–5μm)，取M=7∼15可兼顾降噪性能与实时性。
2.收敛步长μ：μ过大易导致权重震荡、算法发散；过小则收敛速度慢，难以跟踪信号局部变化。通过实验标定，取μ=0.01∼0.1可实现快速稳定收敛。
3.期望响应d(n)：采用局部均值延迟替代单一延迟，即d(n)=2k+11∑i=−kks(n−1+i)(k=1∼3)，可进一步降低期望响应中的噪声含量，提升权重更新精度。
四、自适应滤波降噪实现流程
基于上述算法设计，表面轮廓数据自适应降噪的具体实现流程如下：
1.信号预处理：对轮廓仪原始采样数据s(n)进行去直流分量处理(减去信号均值)，消除低频漂移干扰；
2.滤波器初始化：设置抽头数M=11、收敛步长μ=0.05，初始化权重向量w(0)=[1,0,…,0]T(初始权重聚焦当前采样点)；
3.逐点自适应滤波：对每个采样点n，依次执行：
1)构建输入信号向量s(n)；
2)计算滤波输出x^(n)=wT(n)s(n)；
3)计算期望响应d(n)与误差e(n)；
4)迭代更新权重向量w(n+1)；
4.后处理：对降噪后的信号x^(n)恢复直流分量，输出最终纯净轮廓信号；
5.性能评估：计算降噪后信号的信噪比(SNR)、均方根误差(RMSE)及粗糙度参数(Ra)，评估降噪效果。
五、实验验证与结果分析
5.1 实验 setup
实验采用某型号触针式轮廓仪，测量标准粗糙度样块(标称 Ra=0.8μm)，采样长度 4mm，采样间隔 2μm，共采集 2000 个数据点。分别采用高斯滤波(截止波长 0.8mm)、小波滤波(db4 小波，5 层分解)与本文自适应 LMS 滤波(M=11，μ=0.05)对原始含噪信号进行降噪处理，对比分析各算法的降噪效果与特征保留能力。
5.2 降噪效果对比
图 1 为原始含噪轮廓信号与三种算法降噪后的信号局部对比曲线。原始信号(图 1a)存在明显高频毛刺，峰谷特征模糊；高斯滤波(图 1b)有效平滑了噪声，但过度削峰填谷，微观形貌严重失真；小波滤波(图 1c)降噪效果优于高斯滤波，但在陡峭边缘处仍有模糊与震荡；自适应 LMS 滤波(图 1d)在抑制高频噪声的同时，精准保留了原始轮廓的峰谷高度、间距及陡峭边缘，形貌还原度最高。
5.3 定量性能分析
表 1 为三种算法降噪后的定量性能指标对比。
表 1 不同降噪算法性能指标对比
| 算法 | 信噪比 SNR/dB | 均方根误差 RMSE/μm | 粗糙度 Ra/μm |
| 原始含噪信号 | 12.36 | 0.287 | 1.12 |
| 高斯滤波 | 21.58 | 0.124 | 0.71 |
| 小波滤波 | 24.72 | 0.089 | 0.76 |
| 自适应 LMS 滤波 | 28.93 | 0.052 | 0.79 |
由表 1 可知：自适应 LMS 滤波的信噪比(28.93dB)较高斯滤波提升 34.1%，较小波滤波提升 17.0%；均方根误差(0.052μm)最小，表明与真实信号的偏差最小；降噪后的 Ra 值(0.79μm)接近标称值(0.8μm)，误差仅 1.25%，显著优于其他算法。
5.4 算法鲁棒性验证
为验证自适应滤波对不同噪声水平的适应性，向原始轮廓信号中叠加不同强度的高斯白噪声(SNR=10–30dB)，对比各算法的 Ra 测量误差。结果表明：当噪声强度增大(SNR 降低)时，高斯滤波与小波滤波的 Ra 误差急剧增大(SNR=10dB 时误差 > 15%)，而自适应 LMS 滤波的误差始终 < 5%，展现出优异的鲁棒性与环境适应性。
六、结论与展望
本文针对传统固定参数滤波在表面轮廓数据降噪中存在的特征丢失与噪声残留问题，提出一种基于 LMS 算法的自适应横向滤波降噪技术。该技术通过实时监测信号局部特征，动态调整滤波器权重系数，实现了噪声抑制与特征保留的最优平衡。实验结果表明：相较于高斯滤波与小波滤波，自适应 LMS 滤波可将轮廓信号信噪比提升至 28.93dB，Ra 测量误差控制在 1.25% 以内，且对不同强度噪声具有良好的鲁棒性。
未来研究可从以下方向深化：
1.结合神经网络(如 CNN、GAN)构建非线性自适应滤波模型，进一步提升复杂、强畸变轮廓信号的降噪精度；
2.优化自适应算法(如改进 LMS、RLS 算法)，降低计算复杂度，适配更高速度的轮廓采样场景；
3.开发集成自适应滤波算法的轮廓仪专用软件模块，实现工程化应用与推广。
关键词：
轮廓仪
免责声明
- 凡本网注明“来源：化工仪器网”的所有作品，均为浙江兴旺宝明通网络有限公司-化工仪器网合法拥有版权或有权使用的作品，未经本网授权不得转载、摘编或利用其他方式使用上述作品。已经本网授权使用作品的，应在授权范围内使用，并注明“来源：化工仪器网”。违反上述声明者，本网将追究其相关法律责任。
- 本网转载并注明自其他来源（非化工仪器网）的作品，目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责，不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时，必须保留本网注明的作品第一来源，并自负版权等法律责任。
- 如涉及作品内容、版权等问题，请在作品发表之日起一周内与本网联系，否则视为放弃相关权利。
最新产品
采购中心
