如何在线检测高速运动精密组件，才能满足亚微米级精度和千赫兹级测量频率要求？【自动化质量控制】

1. 高速运动精密组件的基本结构与技术要求

在现代工业中，我们所说的“高速运动的精密组件”，往往是指那些对尺寸、形状、表面质量有着极高要求的零部件，并且它们在工作中需要承受高速运转的考验。比如，高性能汽车的发动机内部的活塞、曲轴，工业自动化设备里的精密轴承、齿轮，甚至是一些电子产品里的微型传动件。

想象一下，一个高速旋转的精密轴承，它的内外圈和滚动体需要配合得天衣无缝。如果轴承的滚道不够圆，或者表面有一丝肉眼难辨的划痕，在高速旋转时，就可能产生微小的振动、噪音，甚至导致过早磨损，最终影响整个设备的性能和寿命。这就好比一个陀螺，如果它的轴心稍有偏离或者表面不光滑，在高速旋转时就会晃动不止，很快就会失去平衡。

因此，这类精密组件的技术要求非常严苛，主要集中在以下几个方面：

• 尺寸精度： 不仅仅是整体尺寸，包括各个特征的直径、长度、厚度等，都需要在微米甚至亚微米级别内精确控制。

• 几何精度： 除了尺寸，形状也很关键，比如圆度、平面度、直线度、同轴度等，这些决定了组件在运动中的稳定性和配合度。

• 表面质量： 表面粗糙度、波纹度以及是否存在划痕、毛刺、凹坑等缺陷，直接影响摩擦、磨损和疲劳寿命。

• 材料均匀性与内部结构： 有时还需要检测材料是否存在裂纹、夹杂等内部缺陷，这直接关系到组件的强度和可靠性。

同时，由于这些组件处于高速运动状态，检测不仅要准，还得快，不能拖慢生产节拍。这就要求检测系统能在极短的时间内完成高精度的测量，就像在飞驰的列车上精确地测量出窗外景物的尺寸一样，难度极大。

2. 高速运动精密组件的相关监测参数简介

对于高速运动的精密组件，我们通常需要关注和评估多个监测参数，这些参数的定义和评价方法直接关系到组件的性能和寿命。

• 位移与距离： 这是最基础的测量参数，指的是组件在运动过程中，某个点或某个面的位置相对于参考点的变化量，或者两个点之间的距离。评价方法通常是直接测量其数值大小及变化趋势。在高速运动中，它可以反映组件的振动幅度、跳动量或者在指定位置的停留精度。

• 尺寸与轮廓： 测量组件的几何尺寸（如直径、长度、厚度）和横截面形状（轮廓）。评价方法包括与设计图纸的CAD模型进行比对，计算偏差。这能确保组件的制造符合设计要求，避免因尺寸或形状误差导致的装配困难或性能下降。

• 几何偏差： 这类参数涵盖了圆度、平面度、直线度、同轴度、垂直度、平行度等。例如，圆度评价一个圆柱形组件截面与理想圆的偏离程度；平面度评价一个表面与理想平面的偏离。它们的评价通常是根据国家或国际标准中定义的最大包络半径法、最小二乘法等进行计算。这些参数对组件的平稳运动、摩擦磨损和密封性能至关重要。

• 表面粗糙度与表面缺陷： 表面粗糙度是指表面微观几何特征的微小间距和微小峰谷。表面缺陷则包括划痕、凹坑、毛刺、裂纹等。粗糙度通常通过轮廓仪或光学方法测量，评价参数如Ra（算术平均偏差）和Rz（最大轮廓高度）。表面缺陷的评价则依赖于图像识别和特征提取技术，判断其尺寸、形状和位置是否超出允许范围。良好的表面质量能够减少摩擦、提高疲劳寿命。

• 振动与跳动： 振动是指物体在平衡位置附近的往复运动，跳动则是旋转体相对于其轴线的径向或轴向偏差。评价方法通常是测量振动的频率、幅度和跳动的最大值。对于高速运动的组件，过大的振动和跳动会导致噪音、能量损失，甚至结构性损坏。

这些参数的准确获取，是保证高速运动精密组件质量和可靠性的关键。

3. 实时监测/检测技术方法

在高速运动的精密组件检测中，为了同时保证检测节拍与亚像素级精度，市面上发展出了多种先进的实时监测技术。这些技术各有侧重，但都致力于实现非接触、高速度、高精度测量。

3.1 市面上各种相关技术方案

3.1.1 点激光三角测量法

工作原理与物理基础：点激光三角测量法是利用激光束对准被测物体表面，当激光束照射到物体表面时，会形成一个光斑。这个光斑的反射光通过一个接收透镜，投射到一个线阵或面阵的光电探测器（如CCD或CMOS传感器）上。

核心物理原理是几何三角关系。传感器内部的激光器、接收透镜和光电探测器形成一个固定的几何结构。当被测物体表面相对于传感器发生距离变化时，反射光斑在光电探测器上的成像位置也会随之移动。通过精确测量光斑在探测器上的位置偏移量，并结合传感器内部的几何参数，就可以利用三角函数关系计算出物体表面的距离变化。

假设传感器内部激光器与探测器之间的基线距离为 L，激光发射角度为 theta_E，探测器接收角度为 theta_D。当物体表面距离传感器为 D 时，光斑在探测器上的位置为 X。则基于简单的几何关系，可以推导出距离 D 与光斑位置 X 的关系。一个简化的关系式可以表示为：D = L * f / (X * sin(alpha) + f * cos(alpha))其中，f 是接收透镜的焦距，alpha 是探测器相对于基线的倾斜角度。在实际应用中，通过对传感器进行精确校准，可以建立 X 与 D 之间的高精度映射关系。

亚像素级精度实现：为了达到亚像素级精度，传感器通常不会简单地将光斑定位到单个像素上。而是会通过高级的信号处理算法，比如重心法或曲线拟合法，对落在多个像素上的光斑能量分布进行分析。通过对光斑灰度图的加权平均或拟合其强度曲线，可以计算出光斑的质心位置，其精度可以达到单个像素尺寸的几分之一甚至几十分之一。例如，一个物理像素为10微米的探测器，通过亚像素处理可以实现1微米甚至0.1微米的定位精度。

核心性能参数的典型范围：* 测量频率： 可达数百赫兹到数十千赫兹，甚至更高。* 分辨率： 微米级到亚微米级（例如0.01μm）。* 测量范围： 从毫米级到数米。* 精度： 通常为满量程的0.01%至0.1%。

技术方案的优缺点：* 优点： 测量速度快，响应时间短，非常适合高动态、高频次的单点距离、位移、振动、厚度等在线测量。非接触式测量，不会损伤被测物。原理相对成熟，设备相对紧凑。* 缺点： 只能测量一个点，对于需要获取完整轮廓或三维形状的应用，需要通过机械扫描或多个传感器组合来实现，这会增加复杂性和成本。对被测物体的表面特性（颜色、光泽度、粗糙度）敏感，有时需要调整激光功率或使用特定算法来补偿。* 成本考量： 单个点激光传感器成本相对较低，但如果要覆盖大面积或复杂形状，可能需要多个传感器，总成本会上升。

类比举例： 想象一下，你用一个手电筒对着墙上的一个点，然后从旁边一个固定的位置用尺子去量手电筒光斑到你眼睛的距离。当墙移动时，光斑在你尺子上的位置也会移动。点激光传感器就是用一个超精确的激光“手电筒”和一个带有“数字尺子”（探测器）的“眼睛”，来精确测量光斑的移动，从而计算出被测物体距离的变化。亚像素精度就像是你的“数字尺子”不仅仅能读到毫米刻度，还能通过计算精确地读到毫米刻度之间更小的“点”，哪怕这个“点”比最小的刻度还小。

3.1.2 线扫描激光轮廓测量

工作原理与物理基础：与点激光不同，线扫描激光轮廓测量技术发射的是一条扇形的激光线束，而非一个点。当这条激光线投射到物体表面时，由于物体表面起伏不平，激光线会发生变形。一个高速的二维CMOS或CCD传感器会以一定的倾斜角度同步捕捉这条变形的激光线。

其物理基础同样是激光三角测量法，但它将点测量扩展到了线。传感器对激光线上的每一个点都进行独立的三角测量，通过分析激光线在传感器上的成像位置，结合系统几何参数，就能实时计算出物体表面沿着激光线方向的二维轮廓数据（即一系列点的X、Z坐标）。如果被测物体在激光线下方匀速运动，传感器可以连续采集一系列的二维轮廓，通过这些轮廓数据在软件中堆叠，就可以重建出物体表面的高精度三维形貌。

核心性能参数的典型范围：* 采样速度： 非常高，通常可达数十千赫兹到数百千赫兹（即每秒采集数万到数十万条轮廓）。* Z轴测量范围： 毫米级到数百毫米。* X轴轮廓点数： 通常数百到数千点每条轮廓。* 重复精度： 亚微米级到几微米（如±0.5 μm）。

技术方案的优缺点：* 优点： 可以在高速运动中实时获取物体的二维轮廓，通过连续扫描能快速构建三维形貌。数据信息量远大于点激光传感器，能检测复杂的尺寸、形状和表面缺陷。非接触式测量，效率高。* 缺点： 依然受物体表面特性影响。对于完全静态的物体，需要增加一个运动平台来实现三维扫描。系统的安装和校准相对点激光更复杂。* 成本考量： 相较于点激光传感器，线扫描传感器成本更高，但其提供的数据丰富度也更高。

类比举例： 设想你拿着一个激光笔，它不是射出一个点，而是射出一条细长的激光线。你把这条激光线扫过一个雕塑的侧面，这条线会随着雕塑的起伏而弯曲。线扫描传感器就像一个超级快的相机，能瞬间拍下这条弯曲的激光线，并立即算出这条线上每一个点的精确高度。如果雕塑慢慢移动，相机就能不断地拍下新的激光线，最终把整个雕塑的3D形状都“画”出来。

3.1.3 机器视觉与深度学习

工作原理与物理基础：机器视觉系统通过高分辨率工业相机捕捉被测物体的二维图像。其物理基础是光学成像，相机将物体表面的光信息转换为电信号，再数字化为像素数据。

深度学习的引入是这项技术的关键飞跃。传统的机器视觉依赖于工程师预设的规则和算法（如边缘检测、形状匹配等），难以应对复杂、多变或模糊的检测任务。而深度学习通过神经网络模型，能够从大量的标注图像数据中自主学习并提取特征，就像人类大脑识别模式一样。例如，通过学习数千张合格品和不合格品的图像，系统能自动识别出产品上的划痕、污渍、变形等各种缺陷，甚至可以进行分类、定位和精确测量。

核心性能参数的典型范围：* 图像传感器： 百万像素到千万像素级别。* 帧速率： 数十帧/秒到数百帧/秒。* 分辨率： 像素级，但通过亚像素插值和边缘细化算法可达亚像素级精度。* 处理速度： 实时处理，取决于内置处理器性能和算法复杂度。

技术方案的优缺点：* 优点： 极高的灵活性和适应性，能解决传统方法难以处理的复杂缺陷、纹理识别和模式分类问题。非接触式，对物体表面无损伤。可同时获取多个特征信息。对于外观检查、字符识别、装配检查等任务表现卓越。* 缺点： 需要大量高质量的标注数据进行模型训练。训练周期可能较长，对硬件（GPU）要求较高。深度学习模型有时被称为“黑箱”，其决策过程不透明。对于高精度的三维尺寸测量，可能不如激光测量直接。对光照条件和环境变化敏感。* 成本考量： 系统集成度高，前期投入（硬件、软件、训练）可能较高，但长期运行和维护成本取决于具体应用。

类比举例： 想象一下，你有一个非常敏锐的“电子眼”（高分辨率相机），它能拍下高速运动组件的每一张照片。但更厉害的是，这个“电子眼”背后站着一位经验极其丰富的“老师傅”（深度学习算法）。这位“老师傅”看过成千上万个好零件和坏零件的图片，他不再需要你告诉他“划痕长什么样”、“毛刺在哪里”，他自己就能从图片中学习并判断：“这个零件有划痕，那个零件有变形。”而且，他的判断速度比人类快得多，几乎在你拍照的同时就能给出结果。

3.1.4 结构光三维扫描

工作原理与物理基础：结构光三维扫描技术通过向被测物体表面投射已知的编码光图案（如条纹、网格或随机点），然后使用一个或多个高分辨率相机从不同角度同步捕获物体表面变形后的图案图像。

其物理基础是三角测量原理和图像处理。当已知图案被投射到具有三维形状的物体表面时，图案会因物体表面的起伏而发生几何畸变。相机捕捉到的这些畸变图案，包含了物体表面的三维信息。通过三角测量原理，将投射器视为一个“虚拟相机”，软件分析相机图像中每个像素点的畸变情况，计算出物体表面上对应点的三维坐标。通过一系列的图案投射和捕获，最终生成高密度的点云数据，从而精确重建出物体的完整几何形状。

核心性能参数的典型范围：* 测量区域： 从几平方厘米到数平方米，可调范围广。* 点间距： 取决于测量区域，可达数十微米到几百微米。* 精度： 通常为几十微米到几百微米。* 扫描速度： 单次扫描时间通常在数秒内完成，但能一次性获取全场三维数据。

技术方案的优缺点：* 优点： 快速、非接触式获取物体表面的高精度全场三维数据。能够应对复杂几何形状的完整尺寸和形貌检测，数据密度极高。不受物体材料、颜色等表面特性影响较小（相比激光）。* 缺点： 单次扫描时间相对较长（秒级），对于连续高速运动的在线检测可能不适用，更适合自动化批次或工位检测。对环境光线有一定要求，过强的环境光可能干扰投射图案。容易受到物体遮挡的影响。* 成本考量： 设备通常较为昂贵，特别是高精度型号。

类比举例： 想象你在一个黑暗的房间里，拿着一个特殊的“手电筒”，它不是照出圆点，也不是一条线，而是投射出一张满是方格的图案。当这张方格图案被投射到一个不规则形状的物体上时，你会发现方格会被拉伸、扭曲。结构光扫描仪就是通过精确地分析这些被拉伸和扭曲的方格图案，用多个“眼睛”（相机）从不同角度观察，然后像解谜一样，计算出物体表面每一个点的精确三维位置。这样，它就能快速地“描绘”出物体的完整3D形状。

3.2 市场主流品牌/产品对比

这里我们将对比几家在高速运动精密组件检测领域表现卓越的知名品牌，它们分别采用了不同的技术方案，以满足多样化的工业检测需求。

• 1. 德国米铱

  • 采用技术： 激光三角测量法 (点激光位移传感器)

  • 核心性能参数： 其optiNCDT 2402系列传感器提供极高的精度和测量频率。例如，测量范围可达2 mm至200 mm，分辨率低至0.01 μm，测量频率最高可达49 kHz。线性度表现优秀，为±0.02 % FSO。

  • 应用特点与独特优势： 德国米铱以其在微米、亚微米级测量领域的超高精度和高测量频率著称。传感器设计坚固，适用于各种材料，特别是在严苛工业环境下，如高速运动部件的位移、厚度、振动、跳动等非接触式在线监测中，表现出极高的稳定性和可靠性。

• 2. 英国真尚有

  • 采用技术： 激光三角测量法 (点激光位移传感器)

  • 核心性能参数： 英国真尚有ZLDS116系列传感器具备广阔的测量范围，最大测量距离达10m，测量范围可达8m。在精度方面，最高可优于0.08%（取决于测量范围）。其快速响应时间仅为5毫秒（即200 Hz的测量频率），适合动态测量。此外，它能测量高温物体（最高1300°C），并提供2mW、5mW和10mW 多种激光功率选项，适用于不同环境。

  • 应用特点与独特优势： 英国真尚有的ZLDS116系列在长距离测量和高温环境下具有显著优势，可以应用于一些特殊且具有挑战性的工业场景。其高防护等级（IP66）和空气净化系统使其能在恶劣环境中稳定工作。产品设计自主，无需校准，提供0-10V或4-20mA模拟输出、RS485或Profibus DP数字输出，以及0-5V视频输出，灵活适应不同的系统集成需求。其应用场景包括直径测量、长度测量、直线度测量、卷径测量、线圈定心、高度测量和带钢回路控制等多种场景。

• 3. 日本基恩士

  • 采用技术： 线扫描激光轮廓测量

  • 核心性能参数： 日本基恩士LJ-X8000系列超高速2D/3D线扫描激光轮廓测量仪在速度和精度上表现卓越。它能达到最高160 kHz的采样速度，重复精度最低可达±0.5 μm，每条轮廓可获取800点数据。

  • 应用特点与独特优势： 日本基恩士的产品以其极高的采样速度和精度在高速生产线上脱颖而出。它能在线、非接触式地进行尺寸、形状、表面缺陷和间隙检测，特别是对于需要获取物体完整2D轮廓或3D形貌的复杂应用，表现出强大的能力，可应对多种材料和复杂表面。

• 4. 美国康耐视

  • 采用技术： 机器视觉与深度学习

  • 核心性能参数： 美国康耐视In-Sight D900系列视觉系统集成了高分辨率CMOS传感器，帧速率最高可达100帧/秒。它内置高性能处理器，实现快速实时处理，并集成了强大的深度学习工具。

  • 应用特点与独特优势： 美国康耐视以其强大的深度学习机器视觉能力著称，能够解决传统机器视觉难以应对的复杂、不规则缺陷和表面纹理检测。其系统适应性强，学习周期相对较短，特别适用于高速生产线上的复杂外观检查、质量控制、分类、光学字符识别等应用。

3.3 选择设备/传感器时需要重点关注的技术指标及选型建议

选择合适的检测设备或传感器，就像选择一把趁手的工具，需要根据具体任务（被测物、检测要求、环境等）来决定。以下是一些关键技术指标及其选型建议：

• 1. 测量精度与重复精度：

  • 实际意义： 测量精度是测量结果与真实值之间的接近程度，反映系统误差。重复精度是多次测量同一位置时结果的一致性，反映随机误差。对于“亚像素级精度”的需求，这两项指标至关重要，它决定了你的检测系统能“看到”多小的细节。

  • 对最终测量效果的影响： 精度直接决定了检测结果的可靠性。如果要求检测0.1微米的缺陷，但传感器精度只有10微米，那么这个缺陷就无法被有效检出。

  • 选型建议： 优先选择分辨率和重复精度都满足甚至略高于检测要求的传感器。对于精密组件，通常需要微米级甚至亚微米级的精度。

• 2. 测量频率/响应时间：

  • 实际意义： 测量频率是指传感器每秒能完成的测量次数，响应时间是传感器对输入变化作出反应所需的时间。对于“高速运动”的组件，这直接决定了你能在多大程度上实时捕捉到组件的状态变化。比如，5毫秒的响应时间意味着每秒可以进行200次测量。

  • 对最终测量效果的影响： 测量频率过低，可能会错过高速运动组件的关键状态或缺陷，导致“漏检”。

  • 选型建议： 根据组件的线速度和期望的采样密度来确定所需频率。例如，如果组件以1米/秒的速度移动，且需要每隔1毫米采样一次，那么至少需要1000 Hz的测量频率。

• 3. 测量范围：

  • 实际意义： 指传感器能进行有效测量的最小和最大距离。

  • 对最终测量效果的影响： 测量范围过小可能无法覆盖被测物的整个尺寸或运动幅度；范围过大可能牺牲精度（通常大范围传感器精度相对较低）。

  • 选型建议： 确保测量范围能够完全覆盖被测物的尺寸变化和安装距离。对于大型组件或需要远距离测量的场景，选择测量范围广的传感器。

• 4. 光斑大小/线宽：

  • 实际意义： 激光在物体表面形成的物理光斑直径或激光线的宽度。

  • 对最终测量效果的影响： 光斑越小，测量点的分辨率越高，越能捕捉到微小细节，但可能对表面粗糙度和倾斜更敏感。线宽越细，轮廓数据越精细。

  • 选型建议： 对微小缺陷或精密特征检测，选择光斑或线宽更小的传感器。

• 5. 防护等级与环境适应性：

  • 实际意义： 如IP等级，指示传感器对外壳防尘、防水、防腐蚀的能力。以及其工作温度范围。

  • 对最终测量效果的影响： 恶劣的工业环境（如多尘、潮湿、高温）会严重影响传感器的稳定性和寿命，甚至导致测量失败。

  • 选型建议： 根据实际工作环境选择相应防护等级和工作温度范围的传感器，必要时考虑水冷或空气净化系统。

• 6. 输出方式与数据接口：

  • 实际意义： 传感器如何将测量数据传输给控制系统（如模拟量、数字量、工业总线）。

  • 对最终测量效果的影响： 传输速度和数据量会影响实时性和系统集成度。

  • 选型建议： 优先选择与现有控制系统兼容、传输速度快且数据吞吐量大的接口（如RS485、Profibus DP、Ethernet/IP等）。

3.4 实际应用中可能遇到的问题和相应解决建议

即使选择了最佳的传感器，在实际应用中也可能遇到各种挑战，影响检测效果。

• 1. 环境光干扰：

  • 原因与影响： 强烈的环境光（如阳光、工厂照明）与传感器发出的激光波长重叠，可能导致探测器接收到过多杂散光，影响光斑识别，进而降低测量精度甚至导致测量失败。

  • 解决建议：

    • 硬件层面： 选用具有窄带滤光片或特定波长激光的传感器；在传感器周围设置遮光罩；增加传感器激光功率（在安全允许范围内）。

    • 软件层面： 采用高动态范围（HDR）的探测器，通过多重曝光等方式提高抗干扰能力；使用图像处理算法过滤环境光噪声。

• 2. 被测物表面特性变化：

  • 原因与影响： 被测物体表面的颜色、光泽度、粗糙度差异较大，可能导致激光反射不均匀、光斑信号弱或过饱和，影响光斑的精确识别。例如，镜面物体会产生镜面反射，黑色物体会吸收大部分激光。

  • 解决建议：

    • 传感器选择： 选用具有宽动态范围、自动激光功率调节功能或带有高级表面适应算法的传感器。

    • 角度调整： 调整传感器安装角度，避免镜面反射直接进入探测器。

    • 表面处理： 在允许的情况下，对被测物体表面进行哑光喷涂处理。

    • 技术组合： 对极端表面，考虑结合其他测量技术（如共聚焦、白光干涉等）。

• 3. 测量盲区或遮挡：

  • 原因与影响： 被测物体的复杂几何形状或自身运动，可能导致某些区域无法被传感器激光束直接照射或反射光被遮挡，形成测量盲区或数据缺失。

  • 解决建议：

    • 多传感器协同： 采用多个传感器从不同角度同时进行测量，覆盖所有关键区域。

    • 优化安装： 精心规划传感器的安装位置和角度，尽量减少盲区。

    • 运动机构配合： 结合旋转台、机械臂等运动机构，使被测物以不同姿态呈现在传感器前，实现全方位扫描。

• 4. 数据处理速度与通信瓶颈：

  • 原因与影响： 高速检测意味着在极短时间内产生海量数据。如果后端数据处理单元（PC或PLC）性能不足，或者通信接口带宽有限，可能导致数据堆积、实时性下降，甚至系统崩溃。

  • 解决建议：

    • 高性能硬件： 选用内置高性能处理器（如FPGA、DSP）的智能传感器进行边缘计算，减轻主控负担。

    • 高速通信： 采用高带宽、低延迟的数字通信接口，如千兆以太网、Profibus DP、EtherCAT等。

    • 优化算法： 简化数据处理算法，仅提取关键特征，减少不必要的数据传输。

• 5. 系统振动与稳定性：

  • 原因与影响： 生产线上的机械振动或气流扰动可能导致传感器或被测物体的相对位置发生微小变化，引入测量误差。

  • 解决建议：

    • 稳固安装： 传感器安装在稳固的基座上，并采取减振措施（如使用减振垫）。

    • 软件滤波： 通过软件算法对采集到的数据进行滤波处理，消除或减弱高频振动带来的影响。

    • 环境控制： 在对精度要求极高的场景，考虑搭建隔振平台或控制气流扰动。

4. 应用案例分享

在工业领域，高速运动精密组件的检测技术有着广泛的应用，以下是一些典型案例：

• 汽车制造： 在发动机生产线上，对高速运动的曲轴、凸轮轴进行直径、圆度、跳动等几何尺寸的在线检测，确保其装配精度和发动机性能。同时，也可用于车身部件如钣金件的间隙和齐平度检测，提升车辆装配质量。

• 电子制造： 用于半导体封装过程中，检测芯片高度、引脚共面性及翘曲度，确保芯片在高速贴装过程中无缺陷。也可以对PCB板上的元器件进行高速定位和高度测量，保证贴装精度。

• 金属加工与冶金： 在钢板、铝箔等卷材生产线上，高速检测其厚度、宽度、平整度以及表面缺陷，确保产品质量达标，并控制收卷过程中的张力与位置。例如，英国真尚有的传感器可以应用于带钢回路控制。

• 轴承与齿轮生产： 对高速旋转的轴承滚道、滚动体或齿轮齿形进行亚微米级的表面粗糙度、圆度、齿形偏差检测，以预测其使用寿命并确保传动效率。

• 轨道交通： 监测高速列车车轮在运行中的磨损情况和几何尺寸，及时发现安全隐患，保障列车安全运行。