(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111367704.9 (22)申请日 2021.11.19 (71)申请人 江苏科技大学 地址 212028 江苏省镇江市丹徒区长晖路 666号 (72)发明人 叶树霞　黄月　齐亮　张永韡　 宋英磊　李长江　暴琳　刘鑫涛　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 代理人 胡定华 (51)Int.Cl. G06F 30/23(2020.01) G06F 30/27(2020.01) G06F 30/28(2020.01) G06F 111/06(2020.01)G06F 113/08(2020.01) G06F 119/08(2020.01) (54)发明名称 氢氧气体热源加工船体外板的智能决策方 法 (57)摘要 本发明提供一种氢氧气体热源加工船体外 板的智能决策方法， 通过确定 氢氧气体加热的加 工参数和变形量关系； 建立氢氧热源加工船板的 热源模型， 获得有限元仿真数据； 通过改进灰狼 算法优化支持向量机变形预测， 获得预测结果， 对有限元仿真数据进行插值补全， 获取到完整的 变形量与加工参数对应关系， 构建氢氧焰加工船 板数据库； 对目标板的图纸采用板展开法， 获取 加工路径和对应 路径的变形量， 通过与数据库中 的对应关系获得加工参数组； 获得最优的绿色加 工方案。 该方法能够对钢板变形实现高精度预 测， 通过板展开方式匹配数据库决策出船板加工 方案， 进而获得以时间和能耗为最优目标的最佳 加工方案， 以实现低成本高效率高精度船板加 工。 权利要求书3页 说明书6页 附图4页 CN 114091304 A 2022.02.25 CN 114091304 A 1.一种氢 氧气体热源加工船体外 板的智能决策 方法， 其特 征在于： 包括以下步骤， S1、 确定使用氢氧混合气体作为船体外板加工的热源， 确定氢氧气体加热的加工参数 和变形量关系； S2、 根据船板加工情况建立氢氧热源加工船板的热源模型， 热源模型为高斯面热源与 柱形体热源耦合而成的组合热源模型， 通过有限元仿真得到对应的温度场及变形场来验证 并进行调整后， 获得有限元仿真数据； S3、 通过改进灰狼算法优化支持向量机变形预测， 获得预测结果， 对有限元仿真数据进 行插值补全， 获取到 完整的变形量与加工参数对应关系， 构建氢 氧焰加工船板数据库； S4、 对目标板的图纸采用板展开法， 获取加工路径和对应路径的变形量， 输入数据库， 通过与数据库中的对应关系获得加工参数组； S5、 通过考虑能源消耗及环境污染问题对加工参数组优化选择， 获得最优的绿色加工 方案； S6、 确定目标板的板厚， 对不同厚度的目标板采用不同的设定加工方式， 将加工方案及 加工方式输入机 械臂完成目标板加工 。 2.如权利要求1所述的氢氧气体热源加工船体外板的智能决策方法， 其特征在于： 步骤 S1中， 确定加工参数包括气体流量、 移动速度、 加热半径， 通过实验加工船板， 采集加工后的 变形量， 包括角变形和线变形。 3.如权利要求1所述的氢氧气体热源加工船体外板的智能决策方法， 其特征在于： 步骤 S2中， 热源 模型中， 高斯 面热源模型的热流密度分布函数公式为， 柱形体热源的热流密度分布函数公式为， 式中， η1， η2分别为高斯热源和柱形体 热源的加热效率； μ1， μ2为加热热源的分配系数， 且 μ1+μ2＝1； 为氢氧气体的流量； v为流量速度， τ为气体流量单位时间； b,R2分别为柱形体 热源的有效作用深度， 有效作用半宽及半长； R为高斯面热源的热源半径； q为最大热流密 度。 4.如权利要求1所述的氢氧气体热源加工船体外板的智能决策方法， 其特征在于： 步骤 S2中， 通过有限元仿 真得到对应的温度场及变形场， 具体为， 对采集后的变形量进 行分析构 建变形场， 利用ANSYS对实际加 工过程中的热源、 板材的厚度、 泊松系数、 热膨胀系数、 氢氧 气体热源的流 量、 加热效率进行有限元仿真构建温度场。 5.如权利要求1 ‑4任一项所述的氢氧气体热源加工船体外板的智能决策方法， 其特征 在于： 步骤S3中， 通过改进灰狼算法优化支持向量机变形 预测， 获得 预测结果， 具体为， S31、 将步骤S2所得有限元仿真数据作为样本， 分为训练集和测试集， 并进行归一化处 理， 构建SVM模型如下： f(x)＝wT·gΦ(x)+c     (3)权　利　要　求　书 1/3 页 2 CN 114091304 A 2式中， f(x)为SVM模型输出的变形量， Φ(x)为非线性映射函数， 用于将输入的样本向量 x映射到高维特征空间内， 进行线性逼近； w定义为权向量； c是惩罚系数， 即对误差的宽容 度； g为函数自带的一个参数； S32、 初始化狼群以及参数a、 A、 C， 设定狼群数量N和最大迭代次数Tmax， 其中灰狼算法 的数学公式如下， D＝||C1·Xp(t)‑X(t)|| (4) X(t+1)＝XP(t)‑AD (5) A＝2a·r1‑a (6) C＝2·r2 (7) 式中， D表示灰狼与猎物之间的位置距离向量； t表示当前的迭代时间； A、 C是向量系数； XP是猎物的位置向量； X是灰狼的位置向量； a是步长因子， 随着迭代次数的增加由2降到0； r1,r2取[0， 1]间的均匀随机值； S33、 令迭代次数t＝0， 计算狼群适应度， 将适应度最 好的三头 狼记为α 狼、 β 狼、 δ狼； S34、 根据改进的灰狼位置更新方式， 根据α 狼、 β 狼、 δ狼位置更新ω狼位置， 灰狼位置更 新方式表达式如下， S35、 更新参数a、 A、 C， 计算狼群适应度， 更新α狼、 β狼、 δ狼， 并对SVM模型中参数c、 g寻 优； S36、 在迭代次数t小于最大迭代次数Tmax时， 迭代次数t＝t+1， 返回步骤S34； 否则， 输 出最优参数c和g， 将最优参数c和g带入svm预测模 型， 以加工参数为输入， 以变形量为输出， 获得预测结果。 6.如权利要求1 ‑4任一项所述的氢氧气体热源加工船体外板的智能决策方法， 其特征 在于： 步骤S 5中， 通过考虑能源消耗及环 境污染问题对加工参数优化选择， 获得最优的绿色 加工方案， 具体为， 考虑环境污染和能源消耗问题， 包括噪声积累和加工过程能耗， 以减少 船体外板曲面成形生产时间和降低生产能耗为优化目标， 对步骤S4中所得加工参数组采用 粒子群PSO优化带精英策略的非支配排序遗传算法NSGA ‑II， 选择优化目标函数， 获得 Pareto最优解集， 作为最优的绿色加工方案 。 7.如权利要求6所述的氢氧气体热源加工船体外板的智能决策方法， 其特征在于： 步骤 S5中， 对步骤S4中所得加工参数 组采用粒子群PSO优化带精英策略的非支配排序遗传算法， 选择优化目标函数， 获得Pareto 最优解集， 具体为， S51、 初始化种群Pj和j＝0， 并设定最大迭代数J； S52、 粒子群优化， 更新粒子 速度和位置， 计算 适应度； S53、 Pj非支配排序， 生成子代种群Qj； S54、 父子代合并为Rj； S55、 快速非支配排序和拥挤度计算， 选出N个最优个体， 生成新的父代种群Pj+1； 在j未 达到最大迭代数时， j＝j+1， 返回步骤S52； 在j 达到最大迭代数时， 结束， 获得Pareto最优解 集， 作为最优的绿色加工方案 。 8.如权利要求1 ‑4任一项所述的氢氧气体热源加工船体外板的智能决策方法， 其特征权　利　要　求　书 2/3 页 3 CN 114091304 A 3