CN103617369B - 超大型曲面零部件加工精度评估方法和设备 - Google Patents

Abstract

公开了超大型零部件加工精度评估方法和设备。所述方法包括步骤：进行数据预处理以获得在零部件的曲面上相对均匀采样的采样数据集，根据测量坐标系与理论曲面模型的理论坐标系之间的变换关系，对采样数据集进行初始定位，以获得与曲面粗略匹配的初始迭代向量；利用采样数据集及初始迭代向量求解非线性最优化问题，获得使采样数据与理论曲面模型相匹配的最优的坐标变换；以及基于采样数据集及最优的坐标变换进行误差分析，评估超大型零部件的加工精度。本发明实施例能够快速、高效、准确地实现核电厂钢制安全壳等超大型曲面零部件的加工精度评估。

Description

超大型曲面零部件加工精度评估方法和设备

技术领域

本发明示例性实施例总体上涉及超大型零部件加工精度评估，具体涉及针对超大型零部件的加工精度评估方法和设备。

背景技术

对于一般的规模和形状的曲面零部件加工精度评估问题，已经进行了很多研究，然而对于超大型曲面零部件，仍没有有效的方法来进行加工精度评估。一种典型的超大型曲面零部件是核电厂钢制安全壳(containmentvessel，CV)的钢板。CV作为核电厂(AP系列)特有的重要核二级设备，是非能动安全系统中的重要设备，也是核岛保护系统中的重要的保护边界。安全壳内包容着反应堆、蒸汽发生器、稳压器等主工艺系统设备，其本身也是非能动安全壳冷却系统的组成部分，在事故工况下能有效防止放射性物质外泄。CV由多个弧形钢板焊接而成，具有重量重、体积大等特点，一般可重达几千吨，体积也可高达几万立方米。

相比于通常规模和形状的零部件加工精度或生产误差评估针对的对象，CV钢板等超大型曲面零部件的尺寸巨大，而且其曲面是一个椭球面，采集的数据相对于整个椭球面过于局部。此外，在数据点(或椭球面)经过坐标变换后利用最小二乘法进行拟合时，目标函数将变得非常复杂，是非线性的，而且对于初始值敏感。因此，传统技术中采用的线性最优化方法(例如线性最小二乘法)无法适用于类似于CV钢板这种超大型曲面零部件加工精度评估。

发明内容

本发明示例性实施例提供了超大型零部件加工精度评估方法和设备，能够快速、高效、准确地执行超大型曲面零部件的加工精度评估，以利于对零部件的生产、拼装等多个环节的控制或改良。

根据本发明实施例，一种零部件加工精度评估方法，包括步骤：

进行数据预处理以获得在零部件的曲面上相对均匀采样的采样数据集；

根据测量坐标系与理论曲面模型的理论坐标系之间的变换关系，对采样数据集进行初始定位，以获得与曲面粗略匹配的初始迭代向量；

利用采样数据集及初始迭代向量求解非线性最优化问题，获得使采样数据与理论曲面模型相匹配的最优的坐标变换)；以及

基于采样数据集及最优的坐标变换进行误差分析，评估零部件的加工精度。

在一个实施例中，进行数据预处理的步骤包括：根据规定的数据格式、采样间距和采样精度，处理来自零部件的采样数据集。

在一个实施例中，测量坐标系和理论坐标系采用三坐标形式。

在一个实施例中，在三维笛卡尔直角坐标系中对采样数据集进行初始定位，初始迭代向量由旋转量α、β、γ和平移量t_x、t_y、t_z表示。

在一个实施例中，在对采样数据集进行初始定位的步骤之前，所述方法还包括：建立测量坐标系与理论坐标系之间的变换关系，变换关系由下述变化矩阵T表示：

$T=\left[\begin{array}{cc}R& 0\\ t& 1\end{array}\right],$

$R=\left[\begin{array}{ccc}\cos \mathrm{\β}\cos \mathrm{\γ}& \cos \mathrm{\β}\sin \mathrm{\γ}& -\sin \mathrm{\β}\\ \sin \mathrm{\α}\sin \mathrm{\β}\cos \mathrm{\γ}-\cos \mathrm{\α}\sin \mathrm{\γ}& \sin \mathrm{\α}\sin \mathrm{\β}\sin \mathrm{\γ}+\cos \mathrm{\α}\cos \mathrm{\γ}& \sin \mathrm{\α}\cos \mathrm{\β}\\ \cos \mathrm{\α}\sin \mathrm{\β}\cos \mathrm{\γ}+\sin \mathrm{\α}\sin \mathrm{\γ}& \cos \mathrm{\α}\sin \mathrm{\β}\sin \mathrm{\γ}-\sin \mathrm{\α}\cos \mathrm{\γ}& \cos \mathrm{\α}\cos \mathrm{\β}\end{array}\right],$

t＝[t_xt_yt_z]。

在一个实施例中，对采样数据集进行初始定位的步骤包括：从采样数据集中选取三个不共线的数据点，每个数据点具有在测量坐标系中的坐标值；通过几何方法估算理论曲面模型(例如，椭球面)中与选取的数据点对应的三个数据点，每个对应数据点具有在理论坐标系中的坐标值；以及利用以上坐标值以及变化矩阵T，以获得与曲面粗略匹配的初始迭代向量。

在一个实施例中，利用采样数据集及初始迭代向量求解非线性最优化问题，获得使采样数据与理论曲面模型相匹配的最优的坐标变换的步骤包括：粗略匹配得到的初始迭代向量，在限定的范围内(例如，旋转角度±5°)进行迭代，直到收敛，得到与曲面精确匹配的坐标变换。

在一个实施例中，零部件包括核电厂钢制安全壳的钢板，曲面包括椭球面。对于其它的大型零件，对应的曲面可以具有任何其他形状。

根据本发明另一实施例，一种超大型零部件加工精度评估设备，包括：

数据预处理装置，进行数据预处理以获得在零部件的曲面上相对均匀采样的采样数据集；

初始定位装置，根据测量坐标系与理论曲面模型的理论坐标系之间的变换关系，对采样数据集进行初始定位，以获得与曲面粗略匹配的初始迭代向量；

数据优化装置，利用采样数据集及初始迭代向量求解非线性最优化问题，获得使采样数据与理论曲面模型相匹配的最优的坐标变换；以及

误差分析装置，基于采样数据集及最优的坐标变换进行误差分析，评估零部件的加工精度。

根据本发明实施例的方法和设备，首先，对采样或测量数据初始定位以使测量坐标系和理论坐标系基本重合，为后续曲面精确匹配提供一个良好的初始变换(即，初始迭代向量)，从而优化迭代算法的搜索空间。接着，以经过初始定位后的点集执行改进的迭代(非线性最优化)算法，进一步精确调整曲面之间的匹配，达到全局最优化。与传统的线性最小二乘法不同，根据本发明实施例的方法和设备采用非线性最优化方法来求解非线性最优化问题，适用于核电厂CV钢板等超大型曲面零部件，以及采集的数据相对于整个曲面而言过于局部的情况，能够快速、高效、准确地实现超大型曲面零部件的加工精度评估。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：

图1示出了可应用本发明实施例的示例性核电厂CV的示意图；

图2示出了根据本发明实施例的零部件加工精度评估方法的流程图；

图3和4示出了根据本发明实施例的零部件加工精度评估方法的计算机模拟结果图形显示；以及

图5示出了根据本发明实施例的零部件加工精度评估设备的示例框图。

具体实施方式

下面结合附图对本发明的示例实施例进行详述。以下描述包括各种具体细节以辅助理解，但这些具体细节应仅被示为示例性的。因此，本领域普通技术人员将认识到，可以在不脱离本公开范围和精神的情况下对这里描述的各个实施例进行各种改变和修改。此外，为了清楚和简明起见，省略了公知功能和结构的描述。

以下描述和权利要求中使用的术语和词语不限于其字面含义，而是仅由发明人用于实现本发明的清楚一致的理解。因此，本领域技术人员应当清楚，对本发明各个示例实施例的以下描述仅被提供用于说明目的，而不意在限制由所附权利要求及其等同物限定的本发明。

本发明实施例包括曲面全局匹配的初始定位及曲面全局最优的精确调整。具体地，对采样或测量数据初始定位以使测量坐标系和理论坐标系基本重合，为后续曲面精确匹配提供一个良好的初始变换，从而优化迭代算法的搜索空间。经过曲面的初始定位后，点集与曲面已基本重合，但仍没有达到全局最优的结果，为此采用改进的迭代(非线性最优化)算法进一步精确调整曲面之间的匹配。然后基于精确匹配的点集进行误差分析，实现加工精度的评估。

为描述方便，下文以CV钢板为例来描述本发明实施例。本领域技术人员可以理解，CV钢板仅仅是一个示例，本发明技术方案也适用于任何其他超大型曲面零部件的加工精度或生产误差评估。

图1示出了一种CV的示意图。CV由底封头(CVBH)、筒体环段和顶封头(CVTH)组成。对于CVBH及CVTH，主要包括钢板压制、现场拼装、焊接、整体运输和吊装就位等一系列流程，其中CV的现场拼装是AP系列核电机组建造过程中至关重要的一个里程碑节点，甚至对整个项目的施工进度控制都具有重要的意义。图1示出的AP1000CV的筒体内径为39.624m，总高度为65.634m，体积约为7万立方米，总重量3390t，由260块厚度为41.3mm-47.6mm的弧形钢板焊接而成，CVBH和CVTH所在的曲面是一个椭球面，分别由64块弧形钢板构成，钢板压制成形后厚度为41.3mm。对于CV，进行现场拼装工作具有很大难度，且施工周期较长，尤其是底封头和顶封头的拼装工作更是施工过程中的重点和难点。CV现场拼装技术的研究及CV智能拼装系统的研发，可为第三代核电工程建设储备技术，积累设计和施工依据、标准，使模块化施工更加科学、规范，确保工程质量、工期，对提高核电站的运行安全水平，具有重要的意义。

图2示出了根据本发明实施例的零部件加工精度评估方法的流程图。例如，零部件可以是CV的底或顶封头中的一块钢板，并且底或顶封头所在的曲面是一个椭球面。

如图2所示，在步骤S20，进行数据预处理以获得在零部件的曲面上相对均匀采样的采样数据集。例如，可以在底或顶封头中选取一块钢板，采用三坐标测量机器人进行数据采集，在这块钢板上尽可能“均匀”采集多个数据点。在一个实施例中，根据规定的数据格式、采样间距和采样精度，处理测量的数据点，以获得在零部件的曲面上相对均匀采样的采样数据集。

在步骤S22，根据测量坐标系与理论曲面模型的理论坐标系之间的变换关系，对采样数据集进行初始定位，以获得与曲面粗略匹配的初始迭代向量。

如上指出的，CV钢板等超大型曲面零部件的尺寸巨大，而且其曲面是一个椭球面，采集的数据相对于整个椭球面过于局部。此外，在数据点(或椭球面)经过坐标变换后利用最小二乘法进行拟合时，目标函数将变得非常复杂，是非线性的，并且对初始值敏感。解决非线性的最优化问题是弧形钢板加工精度(误差)计算问题的关键和难点。对此，本发明实施例首先利用几何方法对钢板与理想椭球面进行初始匹配，为后续曲面精确匹配提供一个良好的初始变换；然后利用已有的非线性最优化方法(例如，信赖域反射算法(Trustregionreflective))来进行精确匹配。这样，可以根据初始匹配使得搜索的区域限制在较小的范围内(旋转角度±5°)，降低了计算复杂度，加快收敛速度，解决了非线性最优化问题。

在一个实施例中，测量坐标系和理论坐标系采用三坐标形式，即对零部件的初始定位采用三坐标变换法。按照本发明的上述构思，实际上零部件加工精度(误差)问题可以抽象成如下问题：对于测量坐标系的采样数据集及理论坐标系中的理论模型(椭球面)数据集，利用几何方法建立二者之间的对应关系，计算两个不同坐标系之间的最优刚体变换矩阵，实现与曲面的重合或初始匹配。例如，在三维笛卡尔直角坐标系中对采样数据集进行初始定位。在笛卡尔直角坐标系中，要确定数据点在三维空间的位置，至少需要6个基本参数，即绕三个坐标轴的3个旋转量α、β、γ和沿三个坐标轴的3个平移量t_x、t_y、t_z。数据集(即，曲面)的定位过程实际上就是建立曲面的测量坐标系与理论坐标系之间的由6个基本参数所描述的刚体运动变换。可以设变换矩阵T为：

$T=\left[\begin{array}{cc}R& 0\\ t& 1\end{array}\right]---\left(1\right)$

其中， $R=\left[\begin{array}{ccc}\cos \mathrm{\β}\cos \mathrm{\γ}& \cos \mathrm{\β}\sin \mathrm{\γ}& -\sin \mathrm{\β}\\ \sin \mathrm{\α}\sin \mathrm{\β}\cos \mathrm{\γ}-\cos \mathrm{\α}\sin \mathrm{\γ}& \sin \mathrm{\α}\sin \mathrm{\β}\sin \mathrm{\γ}+\cos \mathrm{\α}\cos \mathrm{\γ}& \sin \mathrm{\α}\cos \mathrm{\β}\\ \cos \mathrm{\α}\sin \mathrm{\β}\cos \mathrm{\γ}+\sin \mathrm{\α}\sin \mathrm{\γ}& \cos \mathrm{\α}\sin \mathrm{\β}\sin \mathrm{\γ}-\sin \mathrm{\α}\cos \mathrm{\γ}& \cos \mathrm{\α}\cos \mathrm{\β}\end{array}\right],$ t＝[t_xt_yt_z]，R、t分别为测量坐标系相对于理论坐标系的3*3旋转变换矩阵、平移矢量。

在一个实施例中，从采样数据集中选取三个不共线的数据点，每个数据点具有在测量坐标系中的坐标值。然后，通过几何方法估算理论曲面模型中与选取的数据点对应的三个数据点，每个对应数据点具有在理论坐标系中的坐标值。利用这些坐标值以及变化矩阵T，可以得到初始迭代向量。下面举例进行说明。

设点s₁、s₂、s₃为采样数据集中不共线的三个数据点，在模型数据集中的对应数据点为m₁、m₂、m₃。以点s₁为坐标原点，s₁到s₃的方向向量为x轴方向，其单位向量为

$t_1=\frac{s_3-s_1}{|s_3-s_1|}---\left(2\right)$

再以s₁到s₂的方向向量与t₁的外积向量为y轴方向，其单位向量为

$t_2=\frac{(s_3-s_1)\×(s_2-s_1)}{|(s_3-s_1)\×(s_2-s_1)|}---\left(3\right)$

最后利用t₁、t₂的外积确定轴的单位向量为t₃=t₁×t₂，从而得到由测量点s₁、s₂、s₃构建的局部坐标系Γ_s，类似地可由m₁、m₂、m₃得到局部坐标系Γ_m。参照上式(1)，利用Γ_s和Γ_m之间的坐标变换就可以对零部件(也称为瓣片)进行初始定位，作为后续优化的初始值。

在得到初始迭代向量之后，在步骤S24，利用采样数据集及初始迭代向量求解非线性最优化问题，获得使采样数据集与理论曲面模型相匹配的最优的坐标变换。在一个实施例中，以初始迭代向量起点，在限定的范围内利用最小二乘法进行迭代，直到收敛，得到匹配数据集。范围可以通过例如在搜索空间中设定三个方向上的角度来限定。

这里，非线性最小二乘法仅仅是最优化方法的一个示例。本发明实施例也可以采用其他适合的最优化方法。

在步骤S26，基于匹配数据集进行误差分析，评估零部件的加工精度。可以采用公知的统计方法计算每个测量数据点的误差，以评估加工精度，例如，最小二乘法、最小区域法、最佳匹配(BestFitting)等，在本例中采用(非线性)最小二乘法来度量误差。对于任意测量点(x_i，y_i，z_i)，可定义z方向的绝对误差为

f为理想椭球方程

或者_z方向的相对误差为

z₀为理想椭球z轴方向焦距

或者可以采用法线方向的欧几里德距离|(x_i，y_i，z_i)，(x′i，_x′_i，z′_i)|来表示误差，(x′_i，y′_i，z′_i)为(x_i，y_i，z_i)与椭球球心的连线与椭球面的交点。对所有测量点的整体误差也需要加以定义。误差控制在多大的范围内需和实际生产相结合，考虑实际的测量精度、加工精度、设计要求得出一个合适的标准。

下面结合具体示例，进一步描述根据本发明实施例的零部件加工精度评估方法的各个步骤。

首先，实验数据(例如，可以从核电设备厂获得)：在顶或底封头的第四圈中选取一块钢板，采用三坐标测量机器人进行数据采集，在这块钢板上尽可能“均匀”采集50个数据点(在这里采样数据及理论模型进行了等比例缩放)，分别如下所示：

点序号	X	Y	Z
				0	12555.32	207.704	1410.889
1	12171.11	209.433	1180.099
				2	11022.24	231.671	668.674
3	9973.885	268.33	399.934
				4	9039.262	312.3	300.803
5	8074.98	367.258	304.679

6	6573.045	464.116	464.91
				7	5122.546	573.586	804.868
8	3988.606	671.015	1238.105
				9	3511.86	715.035	1437.08
10	3530.945	1148.962	1448.264
				11	3548.333	2118.232	1382.436
12	3530.934	3087.501	1409.669
				13	3511.85	3521.429	1439.114
14	3988.605	3564.389	1260.176
				15	5122.544	3655.258	806.734
16	6573.05	3758.527	466.54
				17	8074.984	3850.074	306.054
18	9039.267	3899.814	301.828
				19	9973.893	3940.564	400.764
20	11022.25	3972.811	669.158
				21	12171.14	3990.209	1180.12
22	12555.34	3991.938	1410.908
				23	12575.32	3562.4	1380.361
24	12604.96	2099.813	1335.152
				25	12575.3	637.225	1380.349
26	12167.86	641.403	1136.474
				27	12171.45	2099.813	1077.241
28	12174.37	3558.142	1140.07
				29	11025.75	3540.094	632.83
30	11022.54	2102.236	577.702
				31	11019.87	664.747	630.464
32	9969.941	716.235	364.347
				33	9974.16	2104.444	318.794
34	9975.819	3493.013	365.988
				35	9048.082	3475.303	271.377
36	9039.498	2106.054	228.041
				37	9042.99	738.526	270.323
38	8072.556	799.954	275.622
				39	8075.176	2108.664	238.001
40	8077.527	3416.873	276.379
				41	6575.961	3325.014	439.195
42	6573.207	2111.315	407.526
				43	6570.726	898.016	438.896
44	5120.79	1011.033	781.745
				45	5122.685	2114.413	756.693
46	5125.294	3218.72	781.742
				47	3982.527	3131.122	1191.133

48	3981.737	2117.703	1170.28
				49	3979.081	1103.425	1191.166

表1初始采集数据

此外，也可以根据规定的数据格式、采样间距和采样精度，处理初始采集的数据点，以获得在零部件的曲面上相对均匀采样的采样数据集。

在该示例中，设顶或底封头所在的理想椭球面方程为：

$\frac{x^2}{{19812}^2}+\frac{y^2}{{11468}^2}+\frac{z^2}{{19812}^2}=1---\left(4\right)$

为了估算迭代的初始值，可以首先在从经过预处理的采样数据集中选取三个数据点：

Q0=(12560,3992，1411)，

Q1=(12560,207.7，1411)，

Q2=(3512，3521，1439)。

接着通过几何方法估算Q0，Q1，Q2在理想椭球面上的对应点：

P0=(19812，50,50)，

P1=(19812*cos(pi/16)，19812*sin(pi/16)-50,50)，

P2=(18281.7,50,7585)。

利用这些值及前文提到的根据变换矩阵T的曲面初始定位方法，可以得到用作迭代起点的初始迭代向量：

[α₀β₀γ₀t_x0t_y0t_z0]=[3.14161.37450.1008183523914.712624]。

经过了初始定位后，可以把搜索空间中的三个方向上的角度分别限定在±5°，这样搜索空间大大减小，加快了收敛速度。迭代的结果为：

[αβγt_xt_yt_z]＝[3.228859053589751.312913168361700.013498455574281717351.87072822092914.7228846366213206.1100856117]。

基于上述迭代结果，在误差度量采用上述的绝对误差的情况下，经过计算得到的误差分析结果如下：

表2钢板误差分析结果

图3和4示出了根据本发明实施例的零部件加工精度评估方法的计算机模拟结果图形显示，图3示出了正面，图4示出了侧面，其中的*点代表测量机器人在弧形钢板上所采集的数据；曲面表示理论模型，曲面上得经纬线表示参照线，在本例中的曲面为一个椭球面。

图5示出了根据本发明实施例的零部件加工精度评估设备的示例框图。如图5所示，零部件加工精度评估设备包括：数据预处理装置50，进行数据预处理以获得在零部件的曲面上相对均匀采样的采样数据集；初始定位装置52，根据测量坐标系与理论曲面模型的理论坐标系之间的变换关系，对采样数据集进行初始定位，以获得与曲面粗略匹配的初始迭代向量；数据优化装置54，利用采样数据集及初始迭代向量求解非线性最优化问题，获得使采样数据集与理论曲面模型相匹配的最优的坐标变换；以及误差分析装置56，基于采样数据集及最优的坐标变换进行误差分析，评估零部件的加工精度。该设备可以采用软件模块、计算机或专用电路芯片等多种方式实现。设备中各个装置的操作与上述方法中的相应步骤类似，这里不再赘述。

零部件的加工精度的评估结果可以用于控制或改进零部件的生产、拼装等多种环节，为工艺技术的提高提供了数据基础。

以上的详细描述通过使用示意图、流程图和/或示例，已经阐述了检查物体的方法、显示方法、创建三维模型的方法和设备的众多实施例。在这种示意图、流程图和/或示例包含一个或多个功能和/或操作的情况下，本领域技术人员应理解，这种示意图、流程图或示例中的每一功能和/或操作可以通过各种结构、硬件、软件、固件或实质上它们的任意组合来单独和/或共同实现。在个实施例中，本发明的实施例所述主题的若干部分可以通过专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)、或其他集成格式来实现。然而，本领域技术人员应认识到，这里所公开的实施例的一些方面在整体上或部分地可以等同地实现在集成电路中，实现为在一台或多台计算机上运行的一个或多个计算机程序(例如，实现为在一台或多台计算机系统上运行的一个或多个程序)，实现为在一个或多个处理器上运行的一个或多个程序(例如，实现为在一个或多个微处理器上运行的一个或多个程序)，实现为固件，或者实质上实现为上述方式的任意组合，并且本领域技术人员根据本公开，将具备设计电路和/或写入软件和/或固件代码的能力。此外，本领域技术人员将认识到，本公开所述主题的机制能够作为多种形式的程序产品进行分发，并且无论实际用来执行分发的信号承载介质的具体类型如何，本公开所述主题的示例性实施例均适用。信号承载介质的示例包括但不限于：可记录型介质，如软盘、硬盘驱动器、紧致盘(CD)、数字通用盘(DVD)、数字磁带、计算机存储器等；以及传输型介质，如数字和/或模拟通信介质(例如，光纤光缆、波导、有线通信链路、无线通信链路等)。

虽然已参照几个典型实施例描述了本发明，但应当理解，所用的术语是说明和示例性、而非限制性的术语。由于本发明能够以多种形式具体实施而不脱离发明的精神或实质，所以应当理解，上述实施例不限于任何前述的细节，而应在随附权利要求所限定的精神和范围内广泛地解释，因此落入权利要求或其等效范围内的全部变化和改型都应为随附权利要求所涵盖。

Claims (10)

1.一种超大型曲面零部件加工精度评估方法，包括步骤：

进行数据预处理以获得在超大型曲面零部件的曲面上相对均匀采样的采样数据集；

根据测量坐标系与理论曲面模型的理论坐标系之间的变换关系，对采样数据集进行初始定位，以获得与曲面粗略匹配的初始迭代向量；

利用采样数据集及初始迭代向量求解非线性最优化问题，获得使采样数据集与理论曲面模型相匹配的最优的坐标变换；以及

基于采样数据集及最优的坐标变换进行误差分析，评估超大型曲面零部件的加工精度；

其中，在求解非线性最优化问题的步骤中，通过把平移和旋转变换代入理想曲面方程，得到所述非线性最优化问题，并采用信赖域反射算法来求解所述非线性最优化问题，以进行精确匹配。

2.根据权利要求1所述的方法，其中，进行数据预处理的步骤包括：根据规定的数据格式、采样间距和采样精度，处理来自超大型曲面零部件的采样数据集。

3.根据权利要求1所述的方法，其中，测量坐标系和理论坐标系采用三坐标形式。

4.根据权利要求3所述的方法，其中，在三维笛卡尔直角坐标系中对采样数据集进行初始定位，初始迭代向量由旋转量α、β、γ和平移量t_x、t_y、t_z表示。

5.根据权利要求4所述的方法，在对采样数据集进行初始定位的步骤之前，所述方法还包括：建立测量坐标系与理论坐标系之间的变换关系，变换关系由下述变化矩阵T表示：

$T=\left[\begin{array}{cc}R& 0\\ t& 1\end{array}\right],$

$R=\left[\begin{array}{ccc}\cos \mathrm{\β}\cos \mathrm{\γ}& \cos \mathrm{\β}\sin \mathrm{\γ}& -\sin \mathrm{\β}\\ \sin \mathrm{\α}\sin \mathrm{\β}\cos \mathrm{\γ}-\cos \mathrm{\α}\sin \mathrm{\γ}& \sin \mathrm{\α}\sin \mathrm{\β}\sin \mathrm{\γ}+\cos \mathrm{\α}\cos \mathrm{\γ}& \sin \mathrm{\α}\cos \mathrm{\β}\\ \cos \mathrm{\α}\sin \mathrm{\β}\cos \mathrm{\γ}+\sin \mathrm{\α}\sin \mathrm{\γ}& \cos \mathrm{\α}\sin \mathrm{\β}\sin \mathrm{\γ}-\sin \mathrm{\α}\cos \mathrm{\γ}& \cos \mathrm{\α}\cos \mathrm{\β}\end{array}\right],$

t＝[t_xt_yt_z]。

6.根据权利要求5所述的方法，其中，对采样数据集进行初始定位的步骤包括：

从采样数据集中选取三个不共线的数据点，每个数据点具有在测量坐标系中的坐标值；

通过几何方法估算理论曲面模型中与选取的数据点对应的三个数据点，每个对应数据点具有在理论坐标系中的坐标值；以及

利用以上坐标值和坐标变换矩阵T，对采样数据集进行初始定位，以获得与曲面粗略匹配的初始迭代向量。

7.根据权利要求1所述的方法，其中，利用采样数据集及初始迭代向量求解非线性最优化问题，获得使采样数据集与理论曲面模型相匹配的最优的坐标变换的步骤包括：

以粗略匹配中得到的初始迭代向量为起点，在限定的搜索范围内进行迭代运算，直到收敛，得到最优的坐标变换。

8.根据权利要求7所述的方法，其中，搜索范围包括搜索空间各方向上旋转角±5°内的范围。

9.根据权利要求1所述的方法，其中，超大型曲面零部件包括核电厂钢制安全壳的钢板，曲面包括椭球面。

10.一种超大型曲面零部件加工精度评估设备，包括：

数据预处理装置，进行数据预处理以获得在超大型曲面零部件的曲面上相对均匀采样的采样数据集；

初始定位装置，根据测量坐标系与理论曲面模型的理论坐标系之间的变换关系，对采样数据集进行初始定位，以获得与曲面粗略匹配的初始迭代向量；

数据优化装置，利用采样数据集和初始迭代向量求解非线性最优化问题，获得使采样数据集与理论曲面模型相匹配的最优的坐标变换以及

误差分析装置，基于采样数据集及最优的坐标变换进行误差分析，以评估超大型曲面零部件的加工精度；

其中，数据优化装置通过把平移和旋转变换代入理想曲面方程，得到所述非线性最优化问题，并采用信赖域反射算法来求解所述非线性最优化问题，以进行精确匹配。