接触式轮廓仪自动标注方法研究

A. 轮廓仪的介绍

轮廓仪采用进口高精度光栅测量系统、高精度研磨导轨、高性能非接触直线电机、音圈电机测力系统、高性能计算机控制系统技术，实现对各种工件表面轮廓进行测量和分析。通过高精度研磨导轨、高性能直线电机保证测量的高稳定性及直线度，采用进口高精度光栅测量系统建立工件表面轮廓的二维坐标，计算机通过修正算法对光栅数据进行修正，最终还原出工件轮廓信息并以曲线图显示出来，通过软件提供的分析工具可对轮廓进行各种参数分析。

轮廓仪为全自动测量设备，操作者只需装好被测工件，在检定软件上设定扫描的开始、结束位置，点击“开始”按钮，测针会自动接触工件表面，并按设定的位置扫描；在进行轮廓扫描的过程中，软件界面会实时描绘轮廓曲线；扫描结束后，操作者可通过轮廓分析工具对生成的轮廓曲线进行分析，得到如直线度、圆度、角度、距离、间距等轮廓参数。

系统软件为简体中文操作系统，操作方便。

轮廓仪主要技术指标：

1. X轴

1) 测量范围：0～200mm；

2) 示值误差：±(1.2+2L/100)μm，其中L为水平测量长度，单位：mm；

3) 分辨率：0.01μm；

4) 直线度：2μm/200mm

5) 测量速度：0.1～5mm/s；

6) 移动速度：0～80mm/s；

2. Z轴

1) 测量范围：0～450mm；

2) 移动速度：0～30mm/s；

3. Z0轴

1) 测量范围：±25mm；

2) 示值误差：±(2+|2H|/40)μm，其中H为垂直测量高度，单位：mm；

3) 分辨率：0.01μm；

4. 测量力：10～150mN；

5. 爬坡能力：上坡77º，下坡83º。

B. 轮廓仪的参数对比

日本Mitutoyo轮廓仪 机型技术参数 CV-1000 CV-2000 CV-3200 CV-4100 CV-3000CNC CV-4000CNC X轴测量范围 50mm 100mm 100mm 100或200mm 200mm 200mm X轴分辨率 0.2μm 0.2μm 0.5μm 0.5μm 0.05μm 0.05μm Z1轴（检测器）测量范围 25mm 40mm ±25mm ±25mm ±25mm ±25mm 检测器分辨率 0.4μm 0.5μm 0.2μm 0.05μm 0.2μm 0.05μm 垂直移动 - 250或320mm 300或500mm 300或500mm 300或500mm 300或500mm 测量力 10-30mN 10-30mN 30mN 30mN 适用标准 评价参数 显示语言 16国语言（日本、英语、简体中文、繁体中文、德语、法语、韩语等） 外观 中型台式 大型台式 打印 可外接打印机

C. 什么是轮廓仪

轮廓仪，顾名思义，是测量产品表面轮廓尺寸的仪器，根据工作原理的不同，可以分为接触式轮廓仪和非接触式轮廓（光学轮廓仪）。

1.接触式轮廓仪

接触式轮廓仪是通过触针在被测物体表面滑过获取表面轮廓参数，如角度处理（坐标角度，与Y坐标的夹角，两直线夹角）、圆处理（圆弧半径，圆心到圆心距离，圆心到直线的距离，交点到圆心的距离，直线到切点的距离）、点线处理（两直线交点，交点到直线距离，交点与交点距离，交点到圆心的距离）、直线度、凸度、对数曲线、槽深、槽宽、沟曲率半径、沟边距、沟心距、轮廓度、水平距离等形状参数。代表型号为SJ57系列。

D. 轮廓仪测量原理

测量原理：

电动轮廓仪是通过仪器的触针与被测表面的滑移进行测量的，是接触测量。其主要优点是可以直接量某些难以测量到的零件表面，如孔、槽等的表面粗糙度，又能直接按某种评定标准读数或是描绘出表面轮廓曲线的形状，且测量速度快、结果可靠、操作方便。但是被测表面容易被触针划伤，为此应在保证可靠接触的前提下尽量减少测量压力。

功能特性：

可测量各种精密机械零件的素线形状，直线度、角度、凸度、对数曲线、槽深、槽宽等参数。

适用范围：

本系列仪器广泛应用于机械加工、电机、汽配、摩配、精密五金、精密工具、刀具、模具、光学元件等行业。适用于科研院所、大专院校、计量机构和企业计量室、车间。可测轴承、滚针、滚子、电机轴、曲轴、圆柱销、活塞销、活塞、气门、阀门、齿轮、油泵油嘴、液压件、气动件、纺机配件等。

主要优点：

传感器的触针由金刚石制成，针尖圆弧半径为2微米，在触针的后端镶有导块，形成一条相对于工件表面宏观起伏的测量的基准，使触针的位移仅相对于传感器壳体上下运动，所以导块能起到消除宏观几何形状误差和减小纹波度对表面粗糙度测量结果的影响。传感器以铰链形式和驱动箱连接，能自由下落，从而保证导块始终与被测表面接触。

济南扬文商贸有限公司公司产品轮廓仪采用非接触、光学相移干涉测量方法，测量时不损伤工件表面，能快速测得各种工件表面微观形貌的立体图形，并分析计算出测量结果。适用于测量各种量块、光学零件表面的粗糙度；标尺、度盘的刻线深度；光栅的槽形结构镀层厚度和镀层边界处的结构形貌；磁（光）盘、磁头表面结构测量；硅片表面粗糙度及其上图形结构测量等等。

E. 谁有机电专业，尤其是数控机床方面的实习报告(论文形式)啊需要参考文献等内容。大家帮帮忙忙了。

毕业论文
一，我国数控系统的发展史
1.我国从1958年起，由一批科研院所，高等学校和少数机床厂起步进行数控系统的研制和开发。由于受到当时国产电子元器件水平低，部门经济等的制约，未能取得较大的发展。
2.在改革开放后，我国数控技术才逐步取得实质性的发展。经过“六五"(81----85年)的引进国外技术，“七五”(86------90年)的消化吸收和“八五”(91~一-95年)国家组织的科技攻关，才使得我国的数控技术有了质的飞跃，当时通过国家攻关验收和鉴定的产品包括北京珠峰公司的中华I型，华中数控公司的华中I型和沈阳高档数控国家工程研究中心的蓝天I型，以及其他通过“国家机床质量监督测试中心”测试合格的国产数控系统如南京四开公司的产品。
3.我国数控机床制造业在80年代曾有过高速发展的阶段，许多机床厂从传统产品实现向数控化产品的转型。但总的来说，技术水平不高，质量不佳，所以在90年代初期面临国家经济由计划性经济向市场经济转移调整，经历了几年最困难的萧条时期，那时生产能力降到50%，库存超过4个月。从1 9 9 5年“九五”以后国家从扩大内需启动机床市场，加强限制进口数控设备的审批，投资重点支持关键数控系统、设备、技术攻关，对数控设备生产起到了很大的促进作用，尤其是在1 9 9 9年以后，国家向国防工业及关键民用工业部门投入大量技改资金，使数控设备制造市场一派繁荣。

三，数控车的工艺与工装削
阅读：133

数控车床加工的工艺与普通车床的加工工艺类似，但由于数控车床是一次装夹，连续自动加工完成所有车削工序，因而应注意以下几个方面。

1. 合理选择切削用量

对于高效率的金属切削加工来说，被加工材料、切削工具、切削条件是三大要素。这些决定着加工时间、刀具寿命和加工质量。经济有效的加工方式必然是合理的选择了切削条件。

切削条件的三要素：切削速度、进给量和切深直接引起刀具的损伤。伴随着切削速度的提高，刀尖温度会上升，会产生机械的、化学的、热的磨损。切削速度提高20%，刀具寿命会减少1/2。

进给条件与刀具后面磨损关系在极小的范围内产生。但进给量大，切削温度上升，后面磨损大。它比切削速度对刀具的影响小。切深对刀具的影响虽然没有切削速度和进给量大，但在微小切深切削时，被切削材料产生硬化层，同样会影响刀具的寿命。

用户要根据被加工的材料、硬度、切削状态、材料种类、进给量、切深等选择使用的切削速度。

最适合的加工条件的选定是在这些因素的基础上选定的。有规则的、稳定的磨损达到寿命才是理想的条件。

然而，在实际作业中，刀具寿命的选择与刀具磨损、被加工尺寸变化、表面质量、切削噪声、加工热量等有关。在确定加工条件时，需要根据实际情况进行研究。对于不锈钢和耐热合金等难加工材料来说，可以采用冷却剂或选用刚性好的刀刃。

2. 合理选择刀具

1) 粗车时，要选强度高、耐用度好的刀具，以便满足粗车时大背吃刀量、大进给量的要求。

2) 精车时，要选精度高、耐用度好的刀具，以保证加工精度的要求。

3) 为减少换刀时间和方便对刀，应尽量采用机夹刀和机夹刀片。

3. 合理选择夹具

1) 尽量选用通用夹具装夹工件，避免采用专用夹具；

2) 零件定位基准重合，以减少定位误差。

4. 确定加工路线

加工路线是指数控机床加工过程中，刀具相对零件的运动轨迹和方向。

1) 应能保证加工精度和表面粗糙要求；

2) 应尽量缩短加工路线，减少刀具空行程时间。

5. 加工路线与加工余量的联系

目前，在数控车床还未达到普及使用的条件下，一般应把毛坯上过多的余量，特别是含有锻、铸硬皮层的余量安排在普通车床上加工。如必须用数控车床加工时，则需注意程序的灵活安排。

6. 夹具安装要点

目前液压卡盘和液压夹紧油缸的连接是靠拉杆实现的，如图1。液压卡盘夹紧要点如下：首先用搬手卸下液压油缸上的螺帽，卸下拉管，并从主轴后端抽出，再用搬手卸下卡盘固定螺钉，即可卸下卡盘。
四，进行有效合理的车削加工
阅读：102

有效节省加工时间

Index公司的G200车削中心集成化加工单元具有模块化、大功率双主轴、四轴联动的功能，从而使加工时间进一步缩短。与其他借助于工作轴进行装夹的概念相反，该产品运用集成智能加工单元可以使工件自动装夹到位并进行加工。换言之，自动装夹时，不会影响另一主轴的加工，这一特点可以缩短大约10％的加工时间。

此外，四轴加工非常迅速，可以同时有两把刀具进行加工。当机床是成对投入使用的时候，效率的提高更为明显。也就是说，常规车削和硬车可以并行设置两台机床。

常规车削和硬车之间的不同点仅仅在于刀架和集中恒温冷却液系统。但与常规加工不同的是：常规加工可用两个刀架和一个尾架进行加工；而硬车时只能使用一个刀架。在两种类型的机床上都可进行干式硬加工，只是工艺方案的制造者需要精心设计平衡的节拍时间，而Index机床提供的模块结构使其具有更强的灵活性。

以高精度提高生产率

随着生产效率的不断提高，用户对于精度也提出了很高的要求。采用G200车削中心进行加工时，冷启动后最多需要加工4个工件，就可以达到±6mm的公差。加工过程中，精度通常保持在2mm。所以Index公司提供给客户的是高精度、高效率的完整方案，而提供这种高精度的方案，需要精心选择主轴、轴承等功能部件。

G200车削中心在德国宝马Landshut公司汽车制造厂的应用中取得了良好的效果。该厂不仅生产发动机，而且还生产由轻金属铸造而成的零部件、车内塑料装饰件和转向轴。质量监督人员认为，其加工精度非常精确：连续公差带为±15mm，轴承座公差为±6.5mm。

此外，加工的万向节使用了Index公司全自动智能加工单元。首批的两台车削中心用来进行工件打号之前的预加工，加工后进行在线测量，然后通过传送带送出进行滚齿、清洗和淬火处理。最后一道工序中，采用了第二个Index加工系统。由两台G200车削中心对转向节的轴承座进行硬车。在机床内完成在线测量，然后送至卸料单元。集成的加工单元完全融合到车间的布局之中，符合人类工程学要求，占地面积大大减少，并且只需两名员工看管制造单元即可。

五，数控车削加工中妙用G00及保证尺寸精度的技巧

数控车削加工技术已广泛应用于机械制造行业，如何高效、合理、按质按量完成工件的加工，每个从事该行业的工程技术人员或多或少都有自己的经验。笔者从事数控教学、培训及加工工作多年，积累了一定的经验与技巧，现以广州数控设备厂生产的GSK980T系列机床为例，介绍几例数控车削加工技巧。

一、程序首句妙用G00的技巧

目前我们所接触到的教科书及数控车削方面的技术书籍，程序首句均为建立工件坐标系，即以G50 Xα Zβ作为程序首句。根据该指令，可设定一个坐标系，使刀具的某一点在此坐标系中的坐标值为(Xα Zβ)(本文工件坐标系原点均设定在工件右端面)。采用这种方法编写程序，对刀后，必须将刀移动到G50设定的既定位置方能进行加工，找准该位置的过程如下。

1. 对刀后，装夹好工件毛坯；
2. 主轴正转，手轮基准刀平工件右端面A；
3. Z轴不动，沿X轴释放刀具至C点，输入G50 Z0，电脑记忆该点；
4. 程序录入方式，输入G01 W-8 F50，将工件车削出一台阶；
5. X轴不动，沿Z轴释放刀具至C点，停车测量车削出的工件台阶直径γ，输入G50 Xγ，电脑记忆该点；
6. 程序录入方式下，输入G00 Xα Zβ，刀具运行至编程指定的程序原点，再输入G50 Xα Zβ，电脑记忆该程序原点。

上述步骤中，步骤6即刀具定位在XαZβ处至关重要，否则，工件坐标系就会被修改，无法正常加工工件。有过加工经验的人都知道，上述将刀具定位到XαZβ处的过程繁琐，一旦出现意外，X或Z轴无伺服，跟踪出错，断电等情况发生，系统只能重启，重启后系统失去对G50设定的工件坐标值的记忆，“复位、回零运行”不再起作用，需重新将刀具运行至XαZβ位置并重设G50。如果是批量生产，加工完一件后，回G50起点继续加工下一件，在操作过程中稍有失误，就可能修改工件坐标系。鉴于上述程序首句使用G50建立工件坐标系的种种弊端，笔者想办法将工件坐标系固定在机床上，将程序首句G50 XαZβ改为G00 Xα Zβ后，问题迎刃而解。其操作过程只需采用上述找G50过程的前五步，即完成步骤1、2、3、4、5后，将刀具运行至安全位置，调出程序，按自动运行即可。即使发生断电等意外情况，重启系统后，在编辑方式下将光标移至能安全加工又不影响工件加工进程的程序段，按自动运行方式继续加工即可。上述程序首句用 G00代替G50的实质是将工件坐标系固定在机床上，不再囿于G50 Xα Zβ程序原点的限制，不改变工件坐标系，操作简单，可靠性强，收到了意想不到的效果。中国金属加工在线

二、控制尺寸精度的技巧

1. 修改刀补值保证尺寸精度

由于第一次对刀误差或者其他原因造成工件误差超出工件公差，不能满足加工要求时，可通过修改刀补使工件达到要求尺寸，保证径向尺寸方法如下：

a. 绝对坐标输入法

根据“大减小，小加大”的原则，在刀补001～004处修改。如用2号切断刀切槽时工件尺寸大了0.1mm，而002处刀补显示是X3.8，则可输入X3.7，减少2号刀补。
b. 相对坐标法

如上例，002刀补处输入U-0.1，亦可收到同样的效果。

同理，对于轴向尺寸的控制亦如此类推。如用1号外圆刀加工某处轴段，尺寸长了0.1mm，可在001刀补处输入W0.1。

2. 半精加工消除丝杆间隙影响保证尺寸精度

对于大部分数控车床来说，使用较长时间后，由于丝杆间隙的影响，加工出的工件尺寸经常出现不稳定的现象。这时，我们可在粗加工之后，进行一次半精加工消除丝杆间隙的影响。如用1号刀G71粗加工外圆之后，可在001刀补处输入U0.3，调用G70精车一次，停车测量后，再在001刀补处输入U-0.3，再次调用G70精车一次。经过此番半精车，消除了丝杆间隙的影响，保证了尺寸精度的稳定。
3. 程序编制保证尺寸精度

a. 绝对编程保证尺寸精度

编程有绝对编程和相对编程。相对编程是指在加工轮廓曲线上，各线段的终点位置以该线段起点为坐标原点而确定的坐标系。也就是说，相对编程的坐标原点经常在变换，连续位移时必然产生累积误差，绝对编程是在加工的全过程中，均有相对统一的基准点，即坐标原点，故累积误差较相对编程小。数控车削工件时，工件径向尺寸的精度一般比轴向尺寸精度高，故在编写程序时，径向尺寸最好采用绝对编程，考虑到加工及编写程序的方便，轴向尺寸常采用相对编程，但对于重要的轴向尺寸，最好采用绝对编程。
b. 数值换算保证尺寸精度

很多情况下，图样上的尺寸基准与编程所需的尺寸基准不一致，故应先将图样上的基准尺寸换算为编程坐标系中的尺寸。如图2b中，除尺寸13.06mm外，其余均属直接按图2a标注尺寸经换算后而得到的编程尺寸。其中， φ29.95mm、φ16mm及60.07mm三个尺寸为分别取两极限尺寸平均值后得到的编程尺寸。

4. 修改程序和刀补控制尺寸

数控加工中，我们经常碰到这样一种现象：程序自动运行后，停车测量，发现工件尺寸达不到要求，尺寸变化无规律。如用1号外圆刀加工图3所示工件，经粗加工和半精加工后停车测量，各轴段径向尺寸如下：φ30.06mm、φ23.03mm及φ16.02mm。对此，笔者采用修改程序和刀补的方法进行补救，方法如下：

a. 修改程序

原程序中的X30不变，X23改为X23.03，X16改为X16.04，这样一来，各轴段均有超出名义尺寸的统一公差0.06mm；
b. 改刀补

在1号刀刀补001处输入U-0.06。

经过上述程序和刀补双管齐下的修改后，再调用精车程序，工件尺寸一般都能得到有效的保证。

数控车削加工是基于数控程序的自动化加工方式，实际加工中，操作者只有具备较强的程序指令运用能力和丰富的实践技能，方能编制出高质量的加工程序，加工出高质量的工件。
六，数控机床故障排除方法及其注意事项
由于经常参加维修任务，有些维修经验，现结合有关理论方面的阐述，在以下列出，希望抛砖引玉。

一、故障排除方法

（1）初始化复位法：一般情况下，由于瞬时故障引起的系统报警，可用硬件复位或开关系统电源依次来清除故障，若系统工作存贮区由于掉电，拔插线路板或电池欠压造成混乱，则必须对系统进行初始化清除，清除前应注意作好数据拷贝记录，若初始化后故障仍无法排除，则进行硬件诊断。

（2）参数更改，程序更正法：系统参数是确定系统功能的依据，参数设定错误就可能造成系统的故障或某功能无效。有时由于用户程序错误亦可造成故障停机，对此可以采用系统的块搜索功能进行检查，改正所有错误，以确保其正常运行。

（3）调节，最佳化调整法：调节是一种最简单易行的办法。通过对电位计的调节，修正系统故障。如某厂维修中，其系统显示器画面混乱，经调节后正常。如在某厂，其主轴在启动和制动时发生皮带打滑，原因是其主轴负载转矩大，而驱动装置的斜升时间设定过小，经调节后正常。

最佳化调整是系统地对伺服驱动系统与被拖动的机械系统实现最佳匹配的综合调节方法，其办法很简单，用一台多线记录仪或具有存贮功能的双踪示波器，分别观察指令和速度反馈或电流反馈的响应关系。通过调节速度调节器的比例系数和积分时间，来使伺服系统达到即有较高的动态响应特性，而又不振荡的最佳工作状态。在现场没有示波器或记录仪的情况下，根据经验，即调节使电机起振，然后向反向慢慢调节，直到消除震荡即可。

（4）备件替换法：用好的备件替换诊断出坏的线路板，并做相应的初始化启动，使机床迅速投入正常运转，然后将坏板修理或返修，这是目前最常用的排故办法。

（5）改善电源质量法：目前一般采用稳压电源，来改善电源波动。对于高频干扰可以采用电容滤波法，通过这些预防性措施来减少电源板的故障。

（6）维修信息跟踪法：一些大的制造公司根据实际工作中由于设计缺陷造成的偶然故障，不断修改和完善系统软件或硬件。这些修改以维修信息的形式不断提供给维修人员。以此做为故障排除的依据，可正确彻底地排除故障。

二、维修中应注意的事项

（1）从整机上取出某块线路板时，应注意记录其相对应的位置，连接的电缆号，对于固定安装的线路板，还应按前后取下相应的压接部件及螺钉作记录。拆卸下的压件及螺钉应放在专门的盒内，以免丢失，装配后，盒内的东西应全部用上，否则装配不完整。

（2）电烙铁应放在顺手的前方，远离维修线路板。烙铁头应作适当的修整，以适应集成电路的焊接，并避免焊接时碰伤别的元器件。

（3）测量线路间的阻值时，应断电源，测阻值时应红黑表笔互换测量两次，以阻值大的为参考值。

（4）线路板上大多刷有阻焊膜，因此测量时应找到相应的焊点作为测试点，不要铲除焊膜，有的板子全部刷有绝缘层，则只有在焊点处用刀片刮开绝缘层。

（5）不应随意切断印刷线路。有的维修人员具有一定的家电维修经验，习惯断线检查，但数控设备上的线路板大多是双面金属孔板或多层孔化板，印刷线路细而密，一旦切断不易焊接，且切线时易切断相邻的线，再则有的点，在切断某一根线时，并不能使其和线路脱离，需要同时切断几根线才行。

（6）不应随意拆换元器件。有的维修人员在没有确定故障元件的情况下只是凭感觉那一个元件坏了，就立即拆换，这样误判率较高，拆下的元件人为损坏率也较高。

（7）拆卸元件时应使用吸锡器及吸锡绳，切忌硬取。同一焊盘不应长时间加热及重复拆卸，以免损坏焊盘。

（8）更换新的器件，其引脚应作适当的处理，焊接中不应使用酸性焊油。

（9）记录线路上的开关，跳线位置，不应随意改变。进行两极以上的对照检查时，或互换元器件时注意标记各板上的元件，以免错乱，致使好板亦不能工作。

（10）查清线路板的电源配置及种类，根据检查的需要，可分别供电或全部供电。应注意高压，有的线路板直接接入高压，或板内有高压发生器，需适当绝缘，操作时应特别注意。

最后，我觉得：维修不可墨守陈规，生搬理论的东西，一定要结合当时当地的实际情况，开阔思路，逐步分析，逐个排除，直至找到真正的故障原因。
综上所述，数控技术的发展是与现代计算机技术、电子技术发展同步的，同时也是根据生产发展的需要而发展的。现在数控技术已经成熟，发展将更深更广更快。未来的CNC系统将会使机械更好用，更便宜。
参考资料：参考资料：1.张耀宗.机械加工实用手册编写组.机械工业出版社，1997

F. AI生成模型：超越数据观测与计算机模拟的第三条科学探索之路

导语

最先进的人工智能算法已经开始在探测星系的演化、计算量子力学波函数、 探索 新的化合物等领域施展拳脚。那么，还有没有那种无法自动化而只能由科学家完成的工作？

如今的物理学和天文学实验会产生海量的数据，已经没有人或团队能够跟进所有的这些数据了。其中一些数据每天以TB级的规模增加，而且这个趋势不会减弱。在二十一世纪 20 年代中期射电望远镜 Square Kilometer Arra 将投入使用，它每年产生的数据量和整个互联网的数据量一样多。

面对数据洪流，许多科学家开始求助于人工智能。只需要少量的人工输入，人工智能系统（如神经网络）就能够在数据海洋中漫游，识别异常，挖掘出人类尚未发现的模式。

当然，利用计算机来辅助科学研究的 历史 可以追溯到约 75 年前，然而人类几千年前就在手工调查研究数据来寻找其中的有意义的模式。但是，近期一些科学家认为以机器学习、人工智能为代表的新技术能以一种全新的模式去进行科研工作。其中一种被称为生成模型的方法，能从对观测数据的诸多解释中找到最可信的理论，更为重要的是，该方法在研究中无需预先编入对于系统可能起作用的物理过程。其拥护者认为，生成模型的创新程度足可以被视为理解宇宙的潜在的“第三种方法”。

在传统上，我们是通过 观测 来了解自然的。回想一下，开普勒就是通过研究第谷的行星位置表，辨识潜在的行星运行模式，才得以推断出行星是沿椭圆轨道运行的。同样的，科学可通过 模拟 来获得进步。一位天文学家可能会模拟银河系及其邻近的仙女座星系的运动，并预测它们将在几十亿年后碰撞。观测和模拟都有助于科学家生成假设，然后用进一步的观测来检验假设，而生成模型不同于这两种方法。

瑞士联邦理工学院的天文物理学家 Kevin Schawinski 也是一位生成模型的积极支持者。他认为：“ 生成模型是介于观测和模拟之间的第三种方法， 这是解决问题的另一种方式。”

Kevin Schawinski 是一名天体物理学家，他经营着一家名为 Molos 的人工智能公司，他认为一种名为生成模型的技术提供了第三种了解宇宙的方式。

一些科学家仅仅把生成模型及其它新技术当作传统科研中的工具，但是大多数研究者都认为 AI 的影响力巨大，并且在科学研究领域会发挥越来越大的作用。费米国家加速器实验室的天体物理学家 Brian Nord 使用人工神经网络来研究宇宙。他担心没有什么是不能通过自动化完成的事情，“这个推测倒是有点令人恐慌。”

来自“生成”的 探索

从研究生毕业时起，Schawinski 就因用数据驱动科学研究而闻名。在攻读博士学位期间，他面对的任务是，根据星系的外观数据对数千个星系进行分类。因为没有什么现成的软件能帮助他完成这项工作，他决定用众包的方式完成这项工作——于是，银河动物园（Galaxy Zoo）公民科学项目诞生了。

从 2007 年开始，普通的电脑用户只要记录下他们推测的星系最佳归类，就能帮助到天文学家。通过多数票胜出来判定，通常能带来正确的分类结果。

这是一个成功的项目，但 Schawinski 也注意到， AI 让这个模式过时了——今天，一个具有机器学习和云计算背景的天才科学家只需要花费一个下午就能完成这个工作。

在 2016 年，Schawinski 把目光投向了生成模型，这个强大的新工具。本质上来说，生成模型是在求解，当给定条件 X 和观测结果 Y 时，概率 P(X,Y) 有多大。这个方法已经被证明是非常有效的。

生成模型中最为着名的就是生成对抗网络（GAN）。经过充分的训练后，GAN 模型能够修复损坏和像素缺失的图像，也能让模糊的图像变得清晰。该模型通过竞争（对抗）来学习推断缺失的信息，这个神经网络的一部分被称作生成模型（generator）：生成虚拟的数据；另一部分被称为判别模型（discriminator）：把生成出来的虚假数据和真是数据分割开来。两个部分交替训练，逐步优化（类似于博弈）。

或许，你已经看过最近流传甚广的GAN生成的假面孔。正如那个标题所言“这些人并不存在却又真实得吓人”。

上面看到的脸孔都不是真实的，上面的 A 列，和左侧的 B 列都是由生成对抗网络（GAN）使用真实的面部元素构建的。然后，GAN 将 A 中的面部的基本特征（性别，年龄和脸形）与 B 中的面部的精细特征（头发颜色、眼睛颜色）相结合，构建出了上图表格中的所有人脸图像。

潜在空间

概括地说，生成模型获得数据（大多数是图像），并把他们分解成抽象的基本要素——科学家将其称为数据的“潜在空间”。算法能控制潜在空间中的元素，以此来探究这些元素如何影响原始的数据。这个方法有助于揭示该系统运作的物理过程。

潜在空间是一个抽象的难以想象的概念。不过我们可以做一个类比：当你在试图确定一个人脸的性别时，你的大脑可能在做什么呢？也许会注意到人的发型、鼻子的形状，甚至在运用一些你无法用言语描述的判断模式。同样的，计算机程序也在数据中寻找显着的特征。即便计算机并非不知道什么是性别，什么是小胡子，但如果我们提供给机器学习系统的数据集标注了“男性”和“女性”，并且一部分人还有一个标签叫“小胡子”，计算机能快速地推断出其中的关联性。

生成模型与星系演化

12月发表在《天文学与天体物理学》（Astronomy & Astrophysics）上的一篇论文中，Schawinski 与他在苏黎世联邦理工学院的同事 Dennis Turp 和 Ce Zhang 使用生成模型来研究星系在演化过程中所经历的物理变化。

因为他们使用的软件与 GAN 相似，但其在对潜在空间处理的技术与 GAN 有所差异，所以从技术角度来说这不是 GAN。他们的模型创建了人工数据集，去测试假设的物理过程。比如说，他们想知道恒星形成的“淬熄”（形成速率快速下降）与星系环境密度的增加之间的关系。

对 Schawinski 来说，关键问题是仅从数据中能挖掘出多少和恒星与星系演变相关的信息。“让我们忘却所有的关于天体物理学的知识。仅依靠数据本身，我们能在多大程度上重新发现这些知识？”

首先，星系的图片被压缩至他们的潜在空间，然后 Schawinski 在这个空间中调整元素，使其能对应上星系的特定环境变化，比如周围物质的密度。这样就有了一个假设生成器。通过重构这个星系，让大量原本处于低密度环境中的星系处于高密度环境中以此来看看带来了什么不同。

这三位研究者注意到随着星系从低密度环境走向高密度环境，它们的颜色会变得更红，恒星也变得更加集中。Schawinski 指出这一点与现有的星系观测相吻合，问题是，为什么会这样？

Schawinski 说，后续的工作还没有实现自动化，“人类必须参与其中，那么，什么样的物理原理可以解释这种效应？”对于这个过程，可能有两种解释，一是在高密度环境中，星系更红是因为其中包含了更多的尘埃；或者是因为恒星的形成减少了（换句话说，恒星更老了）。

现在有了生成模型，这两种思路都能接受检验。改变与与尘埃和恒星形成率相关的潜在空间元素，就能观测这种改变对星系颜色的影响。Schawinski 说：“答案很显然，星系更红是因为恒星形成率在下降，而不是因为尘埃。因此，我们应该采纳这个解释。”

利用生成模型，天体物理学家可以研究星系如何从低密度环境走向高密度环境，以及这些变化背后的物理原理。

生成模型相较于传统方式的优势

这种方法与传统的模拟方法相近，但与之有关键的差别。Schawinski 表示：“模拟本质上是由假设驱动的。也就是说，我们自认为已经洞悉了观测现象背后的物理法则。所以，我们把恒星形成规律、暗物质行为的原理等等这些我们自认为正确的假设放在一起，模拟运行。但是，模拟环境真的与实际情况吻合吗？”。他用生成模型所做的事情与模拟完全相反，“我们不知道任何事情，不做任何假设，我们希望数据本身能告诉我们可能会发生什么。”

生成模型在这项研究中取得的成功并不意味着天文学家和研究者就是多余的。但这似乎提醒研究者们——仅仅掌握了大量数据的人工智能系统就能够完成对天体物理学的学习。Schawinski 说：“这不是完全自动化的科学，但这意味着我们至少有能力去构建部分工具，使科学过程自动化。”

虽然生成模型非常强大，但这是否真的代表了一种新的科学研究方法还有待商榷。

对于纽约大学和 Flatiron 研究所的宇宙学家 David Hogg 来说，这项技术令人印象深刻，但充其量也只是一种从数据中提取模式特征的复杂方法——这是天文学家几个世纪以来都在做得事情。换而言之，这是观测、分析的高级形式。

和 Schawinski 相同，Hogg 的工作也充分应用人工智能；他一直在利用神经网络来对恒星进行基于光谱特征的分类，并使用数据启动的模型来推断恒星的其他物理属性。但是他认为他的工作和 Schawinski 的一样，都是经过检验的科学。Hogg 表示：“我不认为这是第三种方法。只是我们这个社群在对数据处理的方法上更加复杂而已。特别的是，我们越来越善于将数据与数据进行比较。但是依我看来，我的工作仍然是在做观测。”

人工智能：

勤奋而“难以捉摸”的科研助手

无论在概念上是否有创新性，人工智能和神经网络已经显然在当代天文学和物理学研究中发挥了关键作用。在海德堡理论研究所工作的物理学家 Kai Polsterer 领导着一个天体信息学小组，这个小组主要关注以数据为中心的天体物理学研究新方法。从星系数据集中提取红移信息曾经是一项艰巨的任务，而现在他们小组使用机器学习算法就能解决这个问题。

Polsterer 认为这些基于基于人工智能的新系统是“勤奋的助手”，可以连续处理数据数个小时而不抱怨单调无聊，不抱怨工作条件。这些系统可以完成所有枯燥乏味的繁重工作，研究者就能脱身去做“又酷又有趣的科学工作”。

Polsterer 警告说，这些系统并不是完美的，算法只能去做他们被训练过的事情，系统对输入的数据是“无感觉的”。给 AI 系统一张星系图片它可以估算其红移和年龄，但是你给同一个系统一张自拍照或者一张臭鱼烂虾的照片，它也会照方抓药估算出一个（错误的）年龄。Polsterer 认为，人类科学家的监督工作非常重要。工作还是要回到研究者身上，研究者才是要负责解释这些现象的人。

就这一点而言，费米实验室的 Nord 警告道，神经网络不仅要给出结果，也要给出相关的误差线，如果在科学研究中，你做了一个测量但没有报告相关的误差估计，就没有人会认真对待这个结果。

就像许多的人工智能研究员一样，Nord 也关注神经网络给出的结果的可解释性，通常来说，一个 AI 系统在给出结果时无法明确地表示出这个结果是如何获得的。

然而，并不是每个人都觉得结果不透明是一个必须关注的问题，法国CEA Saclay理论物理研究所的研究员 Lenka Zdeborová 指出，人类的直觉同样难以捉摸，给你看一张猫的图片，你能立刻认出这是一只猫，但是你并不知道你是怎样做到这一点的，从这个角度上来说，人的大脑就是个黑盒。

并不仅仅是天体物理学家和宇宙物理学家在向人工智能助力、数据驱动的科学研究发展。Perimeter 理论物理研究所和安大略滑铁卢大学的量子物理学家 Roger Melko 已经使用神经网络来解决该领域中的一些最棘手最重要的问题，例如多粒子系统的波函数的数学表示。

因为波函数的数学形式可能会随着它所描述的系统中的粒子数量呈指数级增长，这被 Melko 称为是“指数维度诅咒”，在这样的工作中 AI 就是不可缺少的组成部分了。

这个困难类似于在国际象棋和围棋中找到最好的走法：玩家会试图多看一步，想想对手会出什么招，然后再选择自己的最佳应对策略。但是随着思考步数的增加，复杂性也大为增加。

当然， AI 已经攻克了这两个领域。 1997 年 5 月 11 日， 深蓝计算机在国际象棋领域战胜了人类；2017年4月10日 ，AlphaGo 战胜了柯洁，AI 在围棋领域战胜了人类。Melko 认为，量子物理学也面临同样的问题。

机器的思想

无论是 Schawinski 所声称的他找到的是科学研究的“第三方法”，还是如 Hogg 所说的这“仅仅是传统上的观测和数据分析”。我们可以明确的是， AI 正在改变科学 探索 的方式并且在加速科学发现，值得探讨的是，这场 AI 革命在科学领域能走多远？

有时候，人们会对“人工智能科学家”的成就大肆褒奖。十年前，一个名叫亚当的 AI 机器人化学家研究了面包师傅的酵母的基因组，并找出了负责制造某种特定氨基酸的是哪些基因。（亚当观察缺少某些特定基因的酵母菌落，并与拥有这些基因的菌落的行为进行比较，由此找到差异完成研究。）

当时Wired杂志的标题是：机器人独立完成科学发现。

最近，格拉斯哥大学的化学家 Lee Cronin 在使用机器人去随机混合化学物质，由此来观测会形成什么样的化合物，并通过质谱仪、核磁共振机和红外分光计实时监控反应，这个系统最终能学会预测哪些组合的化学反应最为剧烈。Cronin 表示即使这个系统不能带来新的发现，机器人系统也能让化学家的研究效率提高 90%。

去年，苏黎世联邦理工学院的另一组科学家们在训练神经网络从数据中推导物理定律。他们的系统类似于“机器人开普勒”，利用从地球上观测到的太阳和火星的位置信息，重新发现了日心说；并且通过观测小球碰撞模型发现了动能守恒。因为物理定律通常会有多种表述形式，科学家们想知道这个系统能否提供种更简洁的方法来思考已知的物理定律。

这些都是 AI 启动、助力科学 探索 的例子。尽管在每一个例子中，这些新方法的革命性都会收到争议。但在这个信息浩如烟海且高速增长的时代，最值得商榷的问题可能是：仅从数据中，我们能获得多少信息？

在 《The Book of Why: The New Science of Cause and Effect》一书中，计算机科学家 Judea Pearl 和科学作家 Dana Mackenzie 断言到：数据“愚蠢至极”。他们写到： 关于因果性的问题“永远不能仅凭数据去寻找答案”。

“每当你看到以无模型的方式分析数据的论文或研究时，你可以肯定的是这项研究成果仅仅是总结，或许做了转述，但绝对不是在解释数据。”Schawinski 对 Pearl 的观点抱有同感，“只使用数据”这个想法有点类似于“稻草人”。他也从未生成以这样的方式做因果推断。他想说的是：“和我们通常的工作相比，我们可以用数据多做点事。”

另一个经常听到的观点是： 科学需要创造力。

可是到目前为止，我们还不知道，如何将创造力编入计算机。（Cronin 的机器人化学家只是在简单地尝试科研工作，似乎不能算是特别有创造力）Polsterer 认为：“创建一套理论，有理有据的理论，我认为需要创造力，而创造力离不开人类。”

然而，创造力来自何方呢？Polsterer 怀疑这和 不喜欢无聊 有关，这恐怕是机器所没有的体验。“要拥有创造力，你必须厌恶无聊，然而我认为电脑就永远不会感受到无聊。”然而，“创造力”、“灵感”却常常用来描述深蓝、AlphaGo 这样的 AI 程序。我们在描述机器的思想时的困难映射出我们在描述自己思维过程时的困难。

Schawinski 最近离开了学术界，去了私人企业。他现在经营着一家名为 Molos 的初创公司，该公司雇佣了许多联邦理工学院的科学家。根据该公司的网站介绍，该公司位于“人工智能和机器学习这股风潮的风眼中”。无论当前人工智能技术和成熟的人工智能之间存在多大的差距，他和其他专家都认为机器已经准备好了去完成更多的科学家的工作。不过，AI 的局限性还有待考证。

Schawinski 畅想道：“在可以预见的未来，有没有可能去制造出一台能过发现物理定律、数学原理的机器，甚至超越当今最聪明的人类的能力极限？科学的未来终将被人力所不能及的机器所掌握么？这是一个好问题，但我不知道答案。”

推荐阅读

Nature机器智能：破解因果推断难题

物理学家要失业？机器学习能自学量子力学！

做科研做到绝望是一种什么样的体验？

科研投入越来越多，重大成果的产出却越来越少？

要不要加入我们？一起影响世界！

集智俱乐部QQ群｜877391004

商务合作及投稿转载｜[email protected]

搜索公众号：集智俱乐部

加入“没有围墙的研究所”

让苹果砸得更猛烈些吧！

G. 粗糙度仪测量方法有那些及如何使用呢

粗糙度仪有很多种，具体选择要根据自己工件的尺寸大小、材质、粗糙度值来确定。

一般来说粗糙度仪分为接触式和非接触式两种，接触式又有台式和手持式两种，接触式轮廓仪在机械制造行业应用最常见；非接触式主要是白光干涉仪,白光干涉仪精度最高，可以达到0.1纳米，主要用于超精密表面粗糙度测量，在半导体行业、3C行业、光学以及高等院校应用较多。