基于双分支深度学习算法的船海装备外板回弹预测方法技术

本发明专利技术公开了一种基于双分支深度学习算法的船海装备外板回弹预测方法，包括以下步骤：对船海装备外板回弹量进行样本采集，形成回弹量数据集并进行预设训练，得到训练数据集；其中，回弹量为船海装备外板在回弹前后的形状数据差值；基于卷积神经网络，构建船海装备外板回弹预测原始模型；将训练数据集中的数据导入船海装备外板回弹预测原始模型进行训练，得到优化后的预测模型；将新样本输入优化后的预测模型，得到新样本对应的船海装备外板的回弹量预测结果。本发明专利技术利用深度学习技术搭建深度学习神经网络预测模型，将该模型应用到船海装备外板成形回弹的预测，可以大大减少时间成本和资源的耗费。间成本和资源的耗费。间成本和资源的耗费。

【技术实现步骤摘要】
基于双分支深度学习算法的船海装备外板回弹预测方法


[0001]本专利技术属于船海装备外板成形回弹预测
，具体涉及一种基于双分支深度学习算法的船海装备外板回弹预测方法。

技术介绍

[0002]多年来，国内外船厂对三维曲面船海装备外板的加工一直是采用人工操作，即使用压力机与水火弯曲结合方式进行的。这种生产方式效率低，质量不能保证，且会造成环境污染，成为造船过程中的瓶颈。
[0003]船舶三维数控弯板机可进行任意曲面造型，压合面最大，压痕小，能较好地防止船海装备外板因受压失稳而产生有害的皱折变形。该装置能解决大型船体外板成形时产生皱折的难题，能做到绿色环保生产，也为实现大型船体外板自动加工提供了新的途径。
[0004]尽管船舶三维数控弯板机可很好地解决船体板加工中的压痕和折皱问题，然而，回弹问题仍然不可避免，严重影响了船海装备外板加工的成形质量和成形效率。

技术实现思路

[0005]本专利技术的目的在于，提供一种基于双分支深度学习算法的船海装备外板回弹预测方法，利用深度学习技术搭建深度学习神经网络预测模型，将该模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于双分支深度学习算法的船海装备外板回弹预测方法，其特征在于，包括以下步骤：对船海装备外板回弹量进行样本采集，形成回弹量数据集并进行预设训练，得到训练数据集；其中，回弹量为船海装备外板在回弹前后的形状数据差值；基于卷积神经网络，构建船海装备外板回弹预测原始模型；将训练数据集中的数据导入船海装备外板回弹预测原始模型进行训练，得到优化后的预测模型；将新样本输入优化后的预测模型，得到新样本对应的船海装备外板的回弹量预测结果。2.根据权利要求1所述的基于双分支深度学习算法的船海装备外板回弹预测方法，其特征在于，样本采集的具体步骤为：对船海装备外板回弹量进行样本采集，样本的类型包括仿真计算数据和现场试验扫描数据；其中，仿真计算数据的获取步骤为，对船海装备外板的成形过程进行模拟仿真并计算得到回弹前后的形状数据；现场试验扫描数据的获取步骤为，扫描船海装备变形回弹前后的形状数据，并根据回弹前后的形状得到船海装备外板回弹前后的轮廓数据。3.根据权利要求2所述的基于双分支深度学习算法得船海装备外板回弹预测方法，其特征在于，通过对回弹量数据集进行预设训练获取训练数据集的步骤为：以船海装备外板平面作为xoy平面，以船海装备外板厚度形成方向作为z方向，其中o为原点坐标，船海装备外板的长和宽延伸方向分别作为x方向和y方向；将xoy平面进行离散化形成灰度值取值范围为0～255的256*256的网络；在进行厚度采集计算时，以255灰度值表示船海装备外板厚度t的最大值，以0灰度值表示t的最小值，并对灰度值0～255的量进行同比例缩放，将各样本的船海装备外板厚度值写入厚度.csv文件中；在进行形状数据采集计算时，以255灰度值表示船海装备外板变形回弹前的形状数据z的最大值，以0灰度值表示z的最小值，并对灰度值0～255的量进行同比例缩放，将各样本的船海装备外板形状数据写入形状.csv文件中；在计算回弹量时，在RGB色彩模式下，以255像素值表示回弹量最大值，以0像素值表示回弹量，并对灰度值0～255的量进行同比例缩放，将各样本的船海装备外板回弹量写入输出.csv文件中；将厚度.csv文件和形状.csv文件转换为灰度图作为输入数据集，将输出.csv文件转换为RGB图作为输出数据集；将输入数据集和输出数据集中数据随机划分为训练集、验证集和测试集，并对训练集、验证集和测试集统合形成训练数据集。4.根据权利要求3所述的基于双分支深度学习算法得船海...

【专利技术属性】
技术研发人员：梁棋钰，董金辉，肖锦涛，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：