⚡ electrical engineering

Small Sample Strategies for Measurement of Partial Circles

本文通过使用蒙特卡洛模拟来分析在不同点分布（从三个点到七个点）下半径和中心坐标的不确定性，评估并确定了用于检测四分之一、二分之一和四分之三部分圆的最佳采样策略。

原作者： Dhanish P B

发布于 2026-07-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Dhanish P B

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一名正在试图破解谜题的侦探，但你的线索不是犯罪现场，而是金属片上微小的点。这就是**坐标计量学（coordinate metrology）**的世界，这是一个致力于以极高精度测量物体形状和尺寸的科学分支。把它想象成一场终极的“找不同”游戏，但赌注很高：如果泵壳或锅炉外壳的形状不对，它在现实生活中可能会发生故障。为了判断一个部件是否为完美的圆，工程师们使用机器通过探测或扫描表面来获取一些坐标。但棘手的部分在于：如果物体是破碎或被切断的（比如只有四分之一披萨或半月形），你就无法测量整个圆。你只能得到一个切片。核心问题是：你应该如何布置这些少量的测量点，才能获得最准确的整体形状图像？ 如果你随机选择点，或者像串珠子一样将它们均匀分布，你最终得到的可能是一个模糊且充满不确定性的猜测。这篇论文深入探讨了正是这个谜题，探讨如何排列一小撮点（从三个到七个），以最大限度地减少最终测量结果中的“模糊感”或不确定性。

本研究的作者 Dhanish P B 将这些“部分圆”的测量比作一场寻找完美座位安排的游戏，就像一群朋友为了获得最佳视野而寻找座位。这里的“舞台”是物体的弧形边缘，而“视野”则是计算出的该曲线的圆心和半径。研究人员使用了一种强大的计算机模拟技术——蒙特卡洛模拟（Monte Carlo simulation）——这基本上是向同一个测量实验中加入微小的随机误差并重复运行十万次——以此来观察哪种座次表的效果最好。目标是找到这些点的特定角度，使得半径和圆心的位置的不确定性降到最低。

研究结果令人惊讶，并且绝对打破了许多人可能会直觉猜到的经验法则。最常见的、“天真”的想法是将点均匀分布，就像切开的派一样。论文表明，虽然这种均匀策略还可以，但它并不是最好的方法。事实上，对于许多这类部分圆，将点均匀展开实际上会比某些非常特定的、非均匀的排列方式带来更大的不确定性。

例如，在使用四个点测量一个四分之一圆（90度弧段）时，最佳策略并不是将点间隔15度均匀分布。相反，模拟建议你应该将两个点放在曲线的最两端，并将另外两个点放在弧度的正中心（即0度处）——如果你的目标是最小化半径和水平圆心的不确定性。然而，如果你最关心的是垂直圆心，那么最佳做法实际上是将这两个内侧点放在 30度 处。这听起来有悖常理，将点聚集在中间，但从数学上讲，这能更好地锁定半径和水平圆心的测量值。同样，对于具有五个点的四分之一圆，如果想要测量半径和水平圆心，最佳做法是将两个内侧点放在正中间（0度处），但对于垂直圆心，这些内侧点应该放在 45度 处。

研究还观察了半圆和四分之三圆。对于一个有五个点的半圆，如果你想完美掌握半径和垂直圆心，你应该将两个内侧点放在弧度的两端。但如果你更关心圆心的水平位置，你应该将这两个内侧点放在正中间（0度处）。这就像是一场“选择你自己的冒险”游戏，最好的路径完全取决于你想要精准定位哪一个具体细节。

即使对于只有三个点的四分之三圆，“最佳”角度也会根据你的测量目标而改变。如果你想要最准确的半径，外侧点应位于 120度。但如果你试图精准定位水平圆心，外侧点则需要推向 135度（即极端边缘）。

论文明确排除了“点越多且分布越均匀”总是答案的观点。它还指出，对于这些微小的样本，由于样本量太小，无法可靠地计算“形位误差”（即表面实际的凹凸或波浪程度）。相反，它们专注于研究由测量机器自身微小误差引起的不确定性。

最后，作者得出结论，并没有一种适用于所有情况的“万能钥匙”。测量部分圆的最佳方式取决于你拥有三个、四个、五个、六个还是七个点，以及你最关心的是半径、水平圆心还是垂直圆心。均匀等距策略通常只是“足够好”，但如果你需要最高的精度，你就必须具备策略性，有时需要将点进行聚类或放置在边缘，而不是像一群快乐且均匀的人群那样散开。这篇论文提供了一份详细的最佳排列图谱，为计量从业人员提供了一份规划检查方案的指南，使他们不必再去猜测在哪里探测他们的测量机器。

技术摘要：部分圆测量的小样本策略

问题陈述
在坐标计量学中，对部分圆特征（常见于泵壳和锅炉壳体等工程部件）的检测提出了特定的采样策略问题。当只能测量圆的一部分时，计量员必须确定最优的采样点数量（本研究范围为 3 到 7 个点）及其角度分布，以最小化测量不确定度。虽然圆度仪可以捕捉数千个点，但手动坐标测量机 (CMM)、投影仪和测量显微镜通常依赖于有限的样本。较小的样本量会缩短检测时间，但会增加导出参数（半径和圆心坐标）的不确定度。挑战在于如何确定一种既能获得可接受的不确定度水平，又不会产生过高计算或时间成本的采样策略。

方法论
本研究系统地评估了针对三种类型部分圆（四分之一圆、半圆和四分之三圆）的采样策略。研究假设标准半径为 100 mm，并将 x 和 y 坐标测量的误差建模为标准不确定度为 1 µm 的独立正态分布。文中未明确模拟形位误差，因为作者认为对于小样本而言，其影响会对所有策略均匀地增加不确定度，且由形位误差引起的角度变化可以忽略不计。

核心方法采用符合 GUM 补充文件 1 标准的蒙特卡洛模拟（100,000 次试验）来传播不确定度。针对每种部分圆类型和样本量（3 到 7 个点），测试了各种角度分布。通过使用最小二乘圆（Least Squares Circle）准则确定“最佳拟合”。研究计算了每种配置下半径 ( $r_0$ ) 以及 x 和 y 坐标中心 ( $x_0$ 和 $y_0$ ) 的标准不确定度。这些结果与“天真”的等间距均匀采样策略进行了对比，以识别更优的排列方式。

主要贡献与结果
论文指出，“最佳”采样策略并非普适的；它在很大程度上取决于被优化的特定参数（半径、x 中心或 y 中心）以及部分圆的几何形状。与直觉预期相反，均匀分布通常并不能产生最小不确定度。

四分之一圆：
- 3 个点： 最优策略是将外侧点置于弧线的两端，并将中间点对称地置于中心 ( $\alpha=0^\circ, \delta=45^\circ$ )，这与均匀分布一致。
- 4 到 7 个点： 结果变得违反直觉。为了最小化半径 ( $r_0$ ) 和 x 坐标 ( $x_0$ ) 的不确定度，最优策略通常涉及将内侧点聚集在弧线中心 ( $\alpha=0^\circ$ )，同时保持外侧点位于极端位置。相反，为了最小化 y 坐标 ( $y_0$ ) 的不确定度，通常需要将内侧点移离中心（例如移至 $30^\circ$ 或 $45^\circ$ ）。均匀采样产生的不确定度始终高于这些优化策略。
半圆：
- 3 个点： 与四分之一圆类似，最优策略是将外侧点置于极端位置，并将中间点置于中心 ( $\alpha=0^\circ, \delta=90^\circ$ )。
- 4 到 7 个点： 对于 $r_0$ 和 $x_0$ ，最佳策略是将外侧点和中间点置于弧线的两端，而将最内侧点置于中心。对于 $y_0$ ，最内侧点应位于特定角度（例如 6 个点时为 $75^\circ$ ）而非中心。均匀采样同样表现出次优性。
四分之三圆：
- 随着弧线趋向于全圆，最优策略发生变化。对于 3 个点，最佳半径不确定度是在 $\delta=120^\circ$ 时达到，而非在极端端。
- 对于 4 到 7 个点，针对 $r_0$ 和 $x_0$ 的最优策略通常涉及将点沿对称轴放置或在特定角度（例如 $120^\circ$ 或 $135^\circ$ ）放置，而非严格位于弧线的物理极端位置。均匀采样提供了一个“大致令人满意”但并非最优的结果。

意义与主张
本文声称为计量从业人员提供了具体的、预先计算的数据，以便在样本量有限（3–7 个点）时规划部分圆的检测策略。其主要意义在于证明了直觉上的等间距均匀采样法通常劣于旨在最小化特定参数不确定度的非均匀优化分布。

作者强调，“最佳”策略并不显而易见，并且会根据目标参数的变化而显著不同。因此，他们认为采样策略必须基于所测特定特征所需的不确定度进行预先规划。所提供的数据可作为参考，帮助从业人员在无需进行过度采样的情况下满足特定的不确定度要求，特别是在四分之一圆这种偏离均匀策略最为显著的复杂情况下。该研究并未涉及形位误差的计算，指出小样本通常不足以用于此目的。

类似论文