CN1292737A - 用于弯曲钢板的成形方法和装置 - Google Patents

Abstract

本发明包括成形信息的产生和其管理方案,作为在船壳体构件中成形弯曲钢板的一种方法。本发明包括如下三个部分:一部分是建造和利用一个包括关于平钢板、目标弯曲钢板、正在成形的钢板的数据和他们的成形信息的数据库,另一部分是借助于人造神经网络系统推导新成形信息,及第三部分是通过计算平面内和弯曲应变得到成形信息。在第三部分中,通过由在平钢板与目标弯曲钢板之间的关系计算应变得到初始成形信息。并且通过由在部分成形弯曲钢板与目标弯曲钢板之间的关系计算应变产生新成形信息。通过重复进行在进行步骤中的钢板与最终目标钢板之间的差的测量和和在每个过程中新应变的计算达到最终目标钢板。因此,通过本发明能在弯曲钢板成形中实现标准化和自动化。

Description

用于弯曲钢板的成形方法和装置

本发明涉及用于弯曲钢板的成形方法和装置。

一般地，两种方法广泛用在成形船壳体构件中：热成形和冷成形。因为机械冷成形由于使用压机或压辊能容易控制，所以它是形成稍微弯曲钢板或在其整个面积具有恒定曲率的简单钢板主要使用的一种方法、和成形双弯曲钢板的先用方法。使用在加热时引起的残余热弹性变形的热成形法，主要用作成形双弯曲钢板的第二方法或除去船体中残余焊接变形的方法。

热成形法一直叫做线加热过程，因为钢板在恒定方向上加热。该线加热过程需要大量成形信息，如加热位置、加热速度、冷却位置、冷却速度等。在以上过程中，熟练工人决定该成形信息。更糟的是，一些技术系统和一些数据库还没有相对于该过程建立。

为了模拟线加热过程和系统地提供成形信息，已经研究和公开了一些3维热弹塑性分析。但由于其长计算时间，这种分析方法作为生产船时的实际使用是不恰当的。

进行了一些研究以改进该缺点。他们粗略地划分成两类。一类是从热输入与对应的残余变形之间的关系导出简单的公式，这由许多实验数据得到。这与热弹塑性分析相比具有不花费太多时间的优点。另一类是使用热弹塑性分析中的简单模型。最近在简化的分析中，为了改进初始梁模型，开发了一些模型：有一种2维窄条模型、一种用于弹簧约束下的圆形钢板的2维弹塑性理论、及一种改进的窄条模型。该方法在假定准确结构行为方面有一些困难，并且这在实际模拟线加热过程时也花费很多时间。

况且，简化的公式和简化的分析在提供准确成形信息方面具有致命缺陷，因为收缩，换句话说，平面内应变在他们中没有考虑。但任意弯曲钢板既具有平面内应变又具有弯曲应变。在成形过程中不可避免地产生平面内应变和弯曲应变。如果在产生成形信息时仅考虑弯曲应变，则不能消除基本误差。

以前，成形信息一直也仅在平钢板与其目标弯曲钢板之间的关系中得到。目标弯曲钢板通过一些阶段成形。这些以上方法没有考虑这些阶段，再次成形部分成形为目标弯曲钢板的钢板，所以这些不能实现实际的线加热过程。

尽管成形信息根据不准确的理论得到，或者通过熟练工人的感觉产生，但关于这样的成形信息还没有建立系统的数据库。必须尽可能密切地检查关于该制造过程的信息模型。但该信息模型至今还没调查。因此已知的数据很少，并且还没有使用。

因此，在用于弯曲钢板成形的以上技术中，成形信息取决于工人的经验，信息由于其不准确的基础经受误差，并且其流程还没有检查，而其操纵不是系统的。就是说，他们处于这样一种状态：不存在从存在的成形信息得到计算和结构数据的技术。

在本发明中，打算通过建立一种改良其中使用不准确成形信息仅考虑弯曲应变的以上过程的新成形过程和开发一些与该过程相对应的技术，提高造船的生产率，并且使弯曲钢板的成形过程，特别是，线加热过程自动化。这样的技术分为两种：一种是产生准确成形信息的分量技术，而另一种是有效利用该信息的系统技术。

形成本发明，以向工人提供准确的成形信息和形成更接近其目标的弯曲钢板，特别是在热成形过程中，例如在其中通过用火炬局部加热钢板一侧的线加热中。况且，本发明使成形过程自动化。通过系统建造关于以前是工人的经验的各种数据和成形信息的数据库、通过从该数据库经人造神经网络法推出新信息、和通过从初始平钢板或任何初始弯曲钢板与其目标钢板之间的关系计算平面内和弯曲应变，实现这些目的。

本发明采用三种主分量技术以得到准确的成形信息。一种是计算平面内和弯曲应变。另一种是通过开发一种数值模型模拟弯曲钢板的成形过程。而第三种是计算和推出成形信息。

为了在实际制造时有效地利用经这三种技术产生的成形信息，本发明包括如下技术：

·系统地用计算机计算船壳体构件的成形过程，

·根据积分各种数据的目的取向概念建立其产品模型，

·根据该产品模型建立产品数据库，及

·提供部分成形为其目标弯曲钢板的新信息以成形钢板。

该新信息有助于钢板收敛到其目标。

根据本发明的一个方面，提供有一种船壳体构件成形方法，该方法包括步骤：(a)通过使用有关的数据库管理系统和通过根据关于成形数据和过程的信息模型化建立产品模型建造一个产品数据库；(b)测量钢板的形状和处理数据；(c)根据热弹塑性理论进行数值分析，该数值分析使关于以上测量钢板的成形信息和关于加热位置的信息作为离线训练或编程；(d)从具有通过数值模拟得到和在以前工作中测量的多个数据的产品数据库借助于多层人造神经网络推导出应用于新钢板的成形信息；及(e)通过从平钢板与目标弯曲钢板之间的关系和从目标与在成形中途中部分成形的钢板之间的关系计算平面内和弯曲应变，产生关于加热路线和加热条件的信息；其中所述方法在过程期间能测量在成形中途中部分成形的任何形状钢板与其目标钢板之间的差值，并且借助于该差值数值计算平面内和弯曲应变以提供成形信息；其中所述成形步骤通过在每个处理步骤重复进行该测量和计算而完成。

根据本发明的另一个方面，提供有一种船壳体构件成形方法，该方法具有这样的能力：经监视器和工作图向工人提供成形信息，把它发送到用于线加热过程的自动装置，及把来自该装置的中间成形信息存储到产品数据库。

根据本发明的另一个方面，信息产生步骤(e)具有这样的能力：为横向成形提供加热路线，通过计算最大主弯曲应变与最小主弯曲应变之比垂直于最大主弯曲应变方向确定这些路线；和为纵向成形提供加热路线，通过计算最大主平面内应变与最小主平面内应变之比垂直于最大主平面内应变方向确定这些路线。

根据本发明的另一个方面，数值分析步骤(c)包括步骤：(c-1)，建立诸如钢板尺寸、钢板初始曲率、火炬速度、在火炬与冷却器之间的间隙、薄膜系数、有限单元数量之类的参数；(c-2)，建立象传导系数和比热量级之类的材料性能以模型化热源和一种冷却方法，在每个时间步骤计算温度分布，及使以后过程有效地表示计算结果；及(c-3)，建立象传导系数、弹性系数、热膨胀系数、屈服应力之类的材料性能，确定边界条件，借助于温度分布计算应变和应力，及进行以后处理以有效地表示计算结果。

根据本发明的另一个方面，数据库建造步骤(a)有一个有关产品数据库，并且具有步骤：(a-1)，根据目标取向概念信息模型化包含在船壳体构件的成形过程的数据流；(a-2)，根据目标取向的概念关于船壳体构件的成形过程的产品模型定义，其中产品模型数据覆盖在整个寿命周期上的所有信息-具体产品的设计、生产和作废，如阶段1、阶段2、阶段3、和阶段4，其中阶段1是作为壳体构件和运动学、弯曲应变和平面内应变、主曲率和构件成形方法、辗压和辗压条件、线加热和加热条件、材料性能和NURBS表面、偏移表和表面测量、测量点和测量顺序、加热线设置和加热顺序、及通信方法和ANN模型的目标的选择，阶段2是他们的特性和他们的关系的定义，阶段3是其约束的建立，及阶段4是这些目标的模型集合；及(a-3)，存储到其中和根据这种产品模型从中检索一些成形信息的产品数据库的建造。

根据本发明的另一个方面，提供有一种用于船壳体构件成形的信息产生系统，该系统包括：测量模块，其中用一些装置测量在过程中的钢板形状和成形信息；数值分析模块，其中计算和确认加热条件，并且使用用于热弹塑性分析的数值程序模拟该过程；显示模块，其中在个人计算机(PC)的监视器中显示许多信息，并且通过打印机打印出来；数据存取模块，其中把测量和成形信息存储到一个产品数据库中和从中检索这些信息，并且一个带有测量和成形信息的STEP物理文件是适用的；推导模块，其中从产品数据库的数据通过人造神经网络法预计关于新成形钢板的成形信息和加热条件；信息产生和控制模块，其中通过该模块的程序控制上述每个模块，并且通过在处理阶段中的平面内和弯曲应变的计算得到成形信息，其中确定要加热的路线或位置，把平面内应变与弯曲应变彼此比较；通信模块，通过它信息产生和控制模块把成形信息、加热条件和加热路线传送到基于PC(PC／NC)的数值控制机械，并且通过它把测量结果和信息结果传送和存储到产品数据库。

由下文给出的详细描述和仅通过说明给出、并因而不限制本发明的附图，将更充分地理解本发明，并且其中：

图1表示在本发明中提出的一种弯曲钢板成形方法的系统；

图2表示在本发明中提出一些种类的信息和其关于数据产生、处理和存储的产生流程；

图3表示在本发明中提出的一种从任何平钢板产生成形信息的方法。换句话说，这是在任何平钢板与对应目标钢板之间的运动学；及

图4表示在本发明中提出的一种从任何部分成形钢板产生成形信息的方法。换句话说，这是在任何初始弯曲钢板与对应目标钢板之间的运动学。

图1表示在本发明中提出的一种弯曲钢板成形过程的系统。如图1中所示，该成形过程包括七部分：一个主模块和六个子模块。在测量模块(10)中，用一些装置(11)测量在过程中的钢板形状和成形信息。在数值分析模块(20)中，计算和确认加热条件，并且使用用于热弹塑性分析的数值程序(21)模拟该过程。在显示模块(30)中，在个人计算机(PC)的监视器(31)中显示许多信息，并且通过打印机打印出来。在数据存取模块(40)中，把测量和成形信息存储在一个产品数据库(41)中和从中检索这些信息，并且该数据是现存的或新的。一个带有测量和成形信息的STEP(用于产品模型数据交换的标准)物理文件是适用的。在推导模块(50)中，从产品数据库的数据通过人造神经网络法预计关于新成形钢板的成形信息和加热条件。在信息产生和控制模块(60)中，通过该模块的程序控制上述每个过程，并且通过在处理阶段中的平面内和弯曲应变的计算得到成形信息。而且确定要加热的路线或位置，把平面内应变与弯曲应变彼此比较。该模块(60)经通信模块(70)把成形信息、加热条件和加热路线传送到基于PC(PC／NC)的数值控制机械(71)。而且经通信模块(70)把测量结果和信息结果传送和存储到产品数据库(41)。

图2表示在本发明中提出一些种类的信息和其关于数据产生、处理和存储的制造流程。如图2中所示，该信息过程由如下四个子过程组成。

·CAD(计算机辅助设计)过程(S100-S104)，其中根据目标钢板计算象表面模型和膨胀形状之类的必需数据，并且把他们存储在产品数据库(41)中

·压辊弯曲过程(S201-S205)，其中从数据库(41)检索诸如辗压量和测量信息之类的辗压信息，实现压辊弯曲，及把测量结果存储到数据库(41)中

·推导过程(S301-S302)，其中对于压辊弯曲和线加热通过人造神经网络法推导成形条件

·线加热过程(S401-S405)，其中从数据库(41)检索加热和测量信息，实现加热，及把测量结果存储到数据库(41)中

从船设计步骤得到的目标钢板的偏移数据模型化成NURBS(非均匀合理B-样条)表面(S101)以便计算在该系统中的弯曲和平面内应变，并且然后把模型化表面存储在产品数据库(41)中。在展开过程(S103)中，目标弯曲钢板的展开形状(S104)借助于这种数据计算，并且也存储在产品数据库(41)中。

由于冷成形用作成形弯曲钢板的第一过程(S201-S205)，所以根据从目标钢板与其展开钢板之间的关系得到的辗压信息(S201)执行压辊弯曲。并且然后通过图1中的测量模块测量弯曲钢板。通过该测量，我们肯定弯曲钢板与设计形状相差多少。如果按要求得到其形状，则把在该过程中出现的信息存储到数据库(41)中，并且进行下个过程。

线加热过程(S401-S405)能用作第一无压辊弯曲或第二压辊后弯曲。因此，在把线加热用作第一过程时，确定成形信息以构造平钢板或具有初始曲率的钢板(S302)。如果钢板通过冷成形预制，则线加热将作为第二过程应用于弯曲钢板。以与压辊弯曲相同的方式产生用于线加热的成形信息(S401)。就是说，它从目标弯曲钢板与初始钢板之间的关系得到。在进行线加热之后(S402)，测量成形钢板(S404)，并且估计是否得到希望的形状。如果没有制成希望的形状，则重复以上步骤。并且把在该过程中出现的信息连续存储在产品数据库(41)中。

推导装置，例如人造神经网络法用来估计压辊弯曲和线加热的成形信息。在推导过程(S301-302)中，通过其中已经累计多个数据的数据库(41)确定新信息。

图1的每部分在本发明中通过软件实现。我们能构成一些用于每部分的软件，以按照信息产生和控制模块(60)进行如下步骤。

·测量步骤，其中在处理时通过测量模块(10)测量钢板和信息；

·数值分析步骤，其中根据数据分析模块(20)的热弹塑性理论预计和确认成形信息；

·显示步骤，其中通过显示模块(30)在PC监视器(31)中观看许多信息和测量结果；

·数据管理步骤，其中通过数据存取模块(40)把钢板的设计数据和成形信息存储到产品数据库(41)中并且从中检索这些数据和信息；

·推导步骤，其中通过使用人造神经网络计经推导模块(50)从存在于产品数据库(41)中的数据预计应用于新构造的新成形信息；

·通信步骤，其中把构造信息从数据库(41)经通信模块(70)发送到成形装置或PC／NC机械(71)，并且把所得数据从PC／NC机械(71)传送到显示模块(30)和数据存取模块(40)；

·信息产生步骤，其中计算弯曲和平面内应变，以产生初始成形信息和中间信息、和通过信息产生和控制模块(60)决定加热线的位置。

从现在起，将详细描述上述步骤。

(1)测量步骤

使用测量装置，测量在过程中钢板的形状和过程信息。此后，把以上信息经测量模块(10)输入到数据库(41)中。使用在过程期间的中间形状的信息产生在‘(6)信息产生步骤’中的新构造信息。

(2)数值分析步骤

为了找到关于加热路线、加热速度、加热输入等的构造信息，数值分析是有效的。钢板在线加热过程下呈现复杂的热弹塑性特性。为了分析热弹塑性问题，第一步应该找到加热钢板的时间依赖温度分布。由于在加热和冷却下的材料的热变形不是很大，所以在该分析中能认为热传递问题和热变形问题是无关的。因此，热弹塑性问题能简化一些。在该分析期间，诸如屈服应力、弹性系数、热膨胀系数等之类的材料性能取决于温度。

数值分析过程能大体分类为三部分。

在第一步骤中，包括一个数值模型。它涉及象钢板的尺寸和初始曲率之类的形状信息；象火炬速度、冷却条件、加热输入等之类的成形信息；及影响数据分析的钢板网格。

在第二步骤中，解决热传递问题。在加热时，钢板具有由横向和纵向热传导引起的温度分布，而在冷却时，钢板仅通过热对流变冷，忽略通过热辐射的冷却。

在本发明中，把热源处理为高斯分布的形状，在钢板上以固定速度运动。热源模型化为如下公式。 $q^n\left(r\right)=q_{\max }{e}^{{-\mathrm{\γ}}^2}$

其中qⁿ(r)是热通量，q_max是最大热通量，γ是浓度系数，r是离开热源中心的距离。而且冷却过程表示为如下的对流热传导公式，称作牛顿冷却定律。 $q_c^n=h(T_{\∞}-T_s)$

其中qⁿ _c是对流热通量，h是膜系数，T_∝是冷却剂的温度，T_s是钢板表面上的温度。通过用数值法解由分布热源的运动引起的该热传导问题的偏微分方程求出温度分布。

第三步是其中借助于在第二步中求出的温度分布进行热弹塑性分析的程序。钢板的屈服应力随钢板的温度降低而减小。加热表面随表面在加热中膨胀具有压应力。如果该压应力变得比屈服应力低，则材料局部屈服。由于这个原因，钢板在冷却期间具有弯曲作用。加热表面随表面在冷却中收缩具有拉应力。

在上述的第一步中，建立各种参数。这些参数包括钢板的尺寸、钢板的初始曲率、火炬的速度、火炬与冷却装置之间的距离、膜系数、有限单元的数量等。

作为上述第二步，在热传导问题中进行四个过程。第一是设置传导系数和比热等级。第二是模型化钢板、火炬、和冷却。第三是在每个时间步骤中计算温度分布。而第四是有效地表示结果的后处理。

作为上述第三步，在热弹塑性问题中也进行四个过程。第一是设置象传递系数、弹性系数、热膨胀系数、屈服应力等之类的的材料性能。第二是应用边界条件。第三是由在第二步中得到的温度分布计算变形和应力。而第四是有效地表示结果的后处理。

(3)显示步骤

这是经监视器表示确定的信息的步骤。

(4)数据管理步骤

在该步骤中，我们建立和使用关于弯曲钢板的形状设计数据和成形信息。信息包含测量值和数值分析的结果。为此，本发明在对于船壳体构件的成形过程中使用目标取向概念执行信息模型化，并且定义一个产品数据模型。该产品模型定义在从具体产品的设计和生产至作废的整个寿命期间产生的所有信息。使用有关的数据库管理系统(RDBMS)，我们建立基于船壳体钢板的产品模型的数据库。定义必需的目标，并且用这些目标组织数据库。主要目标如下：

壳体构件，    运动学，

弯曲应变，    平面内应变，

原理曲率，    构件成形方法，

辗压，        辗压条件，

线加热，      加热条件，

材料性能，    NURBS表面，

偏移表，      表面测量，

测量点，      测量顺序，

加热线设置，  加热顺序，

通信方法，    ANN模型。

根据这些目标的特性和关系的定义和约束建造图2中所示的产品数据库。

(5)成形信息的推导步骤

借助于要求通过数值分析和测量的模拟建立信息数据库的后传播法通过多层人造神经网络(ANN)能得到构造信息。

ANN包括输入层、隐藏层和输出层。 $Q=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{I}_i{w}_i$ $R=f\left(Q\right)$

其中I_i是输入层的值，Q是隐藏层的值，R是输出层的值，W_i是权重，及f是活性函数。对于活性函数f，S形函数按如下采用。 $\∫\left(Q\right)=1/(1+e^{-Q})$ 并且下一个公式控制权重是有效的。 $w_i^n=w_i^o+\mathrm{\η}\×\mathrm{\δ}\×R$ $\mathrm{\δ}=f^{\′}x(T-R)$

其中Wⁿ _i是权重的更新值，W^o _i是权重的旧值，R是对应变量的输出值，η是训练速率，f＇是活性函数f的导数，及T是目标值。训练速率η是在0．01至1．0之间的常数。

在S形函数为f的情况下，f＇作为f＇=R(1-R)简单地得到。在隐藏层与输出层之间的连接中控制权重之后，也以类似的方式控制隐藏层与输入层之间的权重。并且然后，利用新更新的权重，ANN系统计算输出。如果该结果在容许范围内，则它停止训练，但如果不在，则继续训练，直到输出精度在容许范围内。

在本发明中，对于隐藏层的数量和每个隐藏层中的神经元的变化进行训练。从诸结果，如果ANN系统在两个隐藏层中有足够的神经元，则它容易研究例子问题。来自训练的推导给出合理的解，这呈现较小的误差。这意味着当在问题域中检查和训练丰富数据集时，ANN系统将分发接近实际的结果。并且它将高效地利用结构分析的结果。

为确认这种可能性，对于数据分析的实施和新信息的推导表示例子。对于钢板的厚度、初始曲率和加热火炬的运动速度的变化进行数值分析。当把例子的结果当作训练集时，ANN系统为新输入推导最大变形。

在表1中，表示数值分析的结果。输入值是钢板的初始曲率和厚度，而输出值是变形。

表1

初始曲率(ρ：mm)	厚度ss(t：mm)	火炬的速度(s：mm／sec)	最大挠曲(δ：mm)
				1000	20	7．5	3．654
1000	20	10	2．413
				1000	20	12	1．917
1000	25	10	1．958
				1000	25	12	1．71
2000	20	7．5	3．328

2000	20	10	2．465
				2000	20	12	2．04
2000	25	7．5	2．169
				2000	25	10	1．981
3000	20	7．5	3．219
				3000	20	10	2．471

相对于初始曲率的半径、厚度及火炬的速度，两种如下情形在表2中给出由ANN系统推导的最大变形。

表2

ρ	t	s	δ(准确)	δ(1)	δ(2)
1000	25	7．5	2．406	2．56(+6．4％)	2．868(+19．2％)
2000	25	11	1．89	1．896(+0．33％)	1．838(-2．75％)

在该表中，从ANN系统借助于2个隐藏层和每层中的4个神经元得到(1)，并且进行162900次训练。借助于2个隐藏层和每层中的6个神经元做出(2)，并且进行227700次训练。

如在表2中看到的那样，当在每层中神经元的数量增加时，训练需要的时间也以明显的误差增加。这意味着应该慎重选择隐藏层和神经元的适当数量。

(6)通信步骤

采用TCP／IP作为用于在物理装置与数据库管理系统之间的制造数据的通信的协议。这当前用作因特网协议。

(7)信息产生步骤

采用应变作为主因子以确定应用于初始钢板的加热路线和成形条件。在该步骤中，通过平面内和弯曲应变的计算产生这种构造信息。Green-Lagrangian应变张量按如下处于主要应用中。 ${\mathrm{\ϵ}}_{\mathrm{ij}}=\frac{1}{2}(\frac{{\∂u}_i}{{\∂x}_j}+\frac{{\∂u}_j}{{\∂x}_i}+\frac{{\∂u}_k}{{\∂x}_j}\frac{{\∂u}_k}{{\∂x}_i})$

其中ε_ij是应变，而u_i指在x、y、和z方向的变形。

关于用于图3中平钢板的信息产生表示方法1，图3表示在任何平钢板与相对目标钢板之间的运动学。

当考虑图3中的无限小单元h(x，y)dxdy时，相应的应变公式化为， ${\mathrm{\ϵ}}_{\mathrm{xx}}=-z\frac{{\∂}^{2}w}{{\∂x}^2}+\frac{\∂u}{\∂x}+\frac{1}{2}{\left(\frac{\∂w}{\∂x}\right)}^2$ ${\mathrm{\ϵ}}_{\mathrm{yy}}=-z\frac{{\∂}^{2}w}{\∂y^2}+\frac{\∂v}{\∂y}+\frac{1}{2}{\left(\frac{\∂w}{\∂y}\right)}^2,$ ${\mathrm{\ϵ}}_{\mathrm{xy}}=-z\frac{{\∂}^{2}w}{\∂x\∂y}+\frac{1}{2}(\frac{\∂u}{\∂y}+\frac{\∂v}{\∂x}+\frac{\∂w}{\∂x}\frac{\∂w}{\∂y})$ 当总应变张量用ε指示时，ε=ε^b+ε^m．总应变划分成弯曲应变ε^b和平面内应变ε^m。通过下式得到平面内应变 ${\mathrm{\ϵ}}_{\mathrm{xx}}^m=\frac{\∂u}{\∂x}+\frac{1}{2}{\left(\frac{\∂w}{\∂x}\right)}^2,$ ${\mathrm{\ϵ}}_{\mathrm{yy}}^m=\frac{1}{2}{(\frac{\∂u}{\∂y}+\frac{\∂v}{\∂x}+\frac{\∂w}{\∂x}\frac{\∂w}{\∂y})}^2,.$ ${\mathrm{\ϵ}}_{\mathrm{xy}}^m=\frac{\∂u}{\∂y}+\frac{1}{2}{\left(\frac{\∂w}{\∂y}\right)}^2$ 并且通过下式得到弯曲应变 ${\mathrm{\ϵ}}_{\mathrm{xx}}^b=-z\frac{{\∂}^{2}w}{\∂x^2},{\mathrm{\ϵ}}_{\mathrm{xy}}^b=-z\frac{{\∂}^{2}w}{\∂x\∂y},{\mathrm{\ϵ}}_{\mathrm{yy}}^b=-z\frac{{\∂}^{2}w}{\∂y^2}.$

而且，在图4中把用于部分成形钢板，即初始挠曲的钢板，的信息产生表示为方法2，图4表示任何初始弯曲钢板与相应目标钢板之间的运动学。

当我们考虑具有通过图4中的初始构造出现的初始形状ξ的无限小单元h(x，y)dxdy时，得到相应的应变为， ${\mathrm{\ϵ}}_{\mathrm{xx}}=\frac{\∂u}{\∂x}+\frac{1}{2}{\left(\frac{\∂w}{\∂x}\right)}^2+\frac{\∂\mathrm{\ξ}}{\∂x}\frac{\∂w}{\∂x}-z\frac{{\∂}^{2}w}{\∂x^2}.$ ${\mathrm{\ϵ}}_{\mathrm{xy}}=\frac{1}{2}(\frac{\∂u}{\∂y}+\frac{\∂v}{\∂x}+\frac{\∂w}{\∂x}\frac{\∂w}{\∂y}+\frac{\∂\mathrm{\ξ}}{\∂y}\frac{\∂w}{\∂x}+\frac{\∂\mathrm{\ξ}}{\∂x}\frac{\∂w}{\∂y})-z\frac{{\∂}^{2}w}{\∂x\∂y}$ ${\mathrm{\ϵ}}_{\mathrm{yy}}=\frac{\mathrm{\δv}}{\mathrm{\δy}}+\frac{1}{2}{\left(\frac{\mathrm{\δw}}{\mathrm{\δy}}\right)}^2+\frac{\mathrm{\δ\ξ}}{\mathrm{\δy}}\frac{\mathrm{\δw}}{\mathrm{\δy}}-z\frac{{\mathrm{\δ}}^{2}w}{\mathrm{\δ}{y}^2}$

得到总应变张量ε，象在平钢板的情况那样求和两个应变张量ε^m和ε^b。ε=ε^b+ε^m．

因此看到ε_ij代表划分成平面内应变ε_ij ^m和弯曲应变ε_ij ^b的应变的分量。

平面内应变由下式指示 ${\mathrm{\ϵ}}_{\mathrm{xx}}^m=\frac{\mathrm{\δu}}{\mathrm{\δx}}+\frac{1}{2}{\left(\frac{\mathrm{\δw}}{\mathrm{\δx}}\right)}^2+\frac{\mathrm{\δ\ξ}}{\mathrm{\δx}}\frac{\mathrm{\δw}}{\mathrm{\δx}}$ ${\mathrm{\ϵ}}_{\mathrm{xy}}^m=\frac{1}{2}\[\frac{\mathrm{\δu}}{\mathrm{\δy}}+\frac{\mathrm{\δv}}{\mathrm{\δx}}+\frac{\mathrm{\δw}}{\mathrm{\δx}}\frac{\mathrm{\δw}}{\mathrm{\δy}}+\frac{\mathrm{\δ\ξ}}{\mathrm{\δy}}\frac{\mathrm{\δw}}{\mathrm{\δx}}+\frac{\mathrm{\δ\ξ}}{\mathrm{\δx}}\frac{\mathrm{\δw}}{\mathrm{\δy}}\]$ ${\mathrm{\ϵ}}_{\mathrm{yy}}^m=\frac{\mathrm{\δv}}{\mathrm{\δy}}+\frac{1}{2}{\left(\frac{\mathrm{\δw}}{\mathrm{\δy}}\right)}^2+\frac{\mathrm{\δ\ξ}}{\mathrm{\δy}}\frac{\mathrm{\δw}}{\mathrm{\δy}}$ 并且弯曲应变由下式 ${\mathrm{\ϵ}}_{\mathrm{xx}}^b=-z\frac{{\mathrm{\δ}}^{2}w}{\mathrm{\δ}{x}^2}{\mathrm{\ϵ}}_{\mathrm{xy}}^b=-z\frac{{\mathrm{\δ}}^{2}w}{\mathrm{\δx\δy}}{\mathrm{\ϵ}}_{\mathrm{yy}}^b=-z\frac{{\mathrm{\δ}}^{2}w}{\mathrm{\δ}{y}^2}.$

初始挠曲的影响出现在平面内应变中的ξ项中。

根据在每种方法中的导出公式能数值计算应变。弯曲应变代表在该点处的曲率。因而，他们能用插入表面的曲率代替。而平面内应变能通过等参数有限元公式化计算。在这种公式化中，钢板单元用来得到平面内应变。

在得到这种平面内应变和弯曲应变之后，确定象加热路线和加热顺序等之类的成形信息。首先，计算最大弯曲应变与最小变曲应变的比值，并且然后垂直于最大主弯曲应变确定用于横向成形的加热路线。其次，计算最大平面内应变与最小平面内应变的比值，并且垂直于最大主平面内应变确定用于纵向成形的加热路线。

在该步骤中，我们建造成形技术，以通过从目标弯曲钢板与中间成形钢板之间的关系重复计算新成形信息来减小在成形过程中自然出现的误差。

如详细描述的那样，本发明在船壳体构件成形过程中，制成具有成形信息、由人造神经网络系统推导的新信息的数据库，并且在过程期间通过连续地与目标相比较构造最佳的钢板。

因此即使不是最好的工人也有可能把平钢板构造成对应的目标钢板，并且实际上在船壳体构件成形中能使所有过程自动化。

尽管为了说明目的已经公开了本发明的最佳实施例，但熟悉本专业的技术人员将认识到各种改进、添加和替换是可能的，而不脱离在附属权利要求书中叙述的本发明的范围和精神。

Claims (6)

1．一种船壳体构件成形方法，包括步骤：

(a)通过使用有关的数据库管理系统和通过根据关于成形数据和过程的信息模型化建立产品模型建造一个产品数据库；

(b)测量钢板的形状和处理数据；

(c)根据热弹塑性理论进行数值分析，该数值分析使关于以上测量钢板的成形信息和关于加热位置的信息作为离线训练或编程；

(d)从具有通过数值模拟得到和在以前工作中测量的多个数据的产品数据库借助于多层人造神经网络推导出应用于新钢板的成形信息；及

(e)通过从平钢板与目标弯曲钢板之间的关系和从目标与在成形中途部分成形的钢板之间的关系计算平面内和弯曲应变，产生关于加热路线和加热条件的信息；

其中所述方法在过程期间能测量在成形中途部分成形的任何形状钢板与其目标钢板之间的差值，并且借助于该差值数值计算平面内和弯曲应变以提供成形信息；

其中所述成形步骤通过在每个处理步骤重复进行该测量和计算而完成。

2．根据本权利要求1所述的船壳体构件成形方法，所述方法具有这样的能力：经监视器和工作图向工人提供成形信息，把它发送到用于线加热过程的自动装置，及把来自该装置的中间成形信息存储到产品数据库。

3．根据本权利要求1所述的船壳体构件成形方法，其中所述信息产生步骤(e)具有这样的能力：为横向成形提供加热路线，通过计算最大主弯曲应变与最小主弯曲应变之比垂直于最大主弯曲应变方向确定这些路线；和为纵向成形提供加热路线，通过计算最大主平面内应变与最小主平面内应变之比垂直于最大主平面内应变方向确定这些路线。

4．根据本权利要求1所述的船壳体构件成形方法，其中所述数值分析步骤(c)包括步骤：

(c-1)，建立诸如钢板尺寸、钢板初始曲率、火炬速度、在火炬与冷却器之间的间隙、薄膜系数、有限单元数量之类的参数；

(c-2)，建立象传导系数和比热值类的材料性能以模型化热源和一种冷却方法，在每个时间步骤计算温度分布，及使以后过程有效地表示计算结果；及

(c-3)，建立象传导系数、弹性系数、热膨胀系数、屈服应力之类的材料性能，确定边界条件，借助于温度分布计算应变和应力，及进行以后处理以有效地表示计算结果。

5．根据本权利要求1所述的船壳体构件成形方法，其中所述数据库建造步骤(a)有一个有关产品数据库，并且具有步骤：

(a-1)，根据目标取向概念进行信息模型化，包含船壳体构件的成形过程中的数据流；

(a-2)，根据目标取向的概念关于船壳体构件的成形过程的产品模型定义，其中产品模型数据覆盖在整个寿命周期上的所有信息-具体产品的设计、生产和作废，如阶段1、阶段2、阶段3、和阶段4，其中阶段1是作为壳体构件和运动学、弯曲应变和平面内应变、主曲率和构件成形方法、辗压和辗压条件、线加热和加热条件、材料性能和NURBS表面、偏移表和表面测量、测量点和测量顺序、加热线设置和加热顺序、及通信方法和ANN模型的目标的选择，阶段2是他们的特性和他们的关系的定义，阶段3是其约束的建立，及阶段4是这些目标的模型集合；及

(a-3)，建造产品数据库，以这种产品模型的方式将一些成型信息存储到其中或从中检索出。

6．一种用于船壳体构件成形的信息产生系统，包括：

测量模块(10)，其中用一些装置(11)测量在过程中的钢板形状和成形信息；

数值分析模块(20)，其中计算和确认加热条件，并且使用用于热弹塑性分析的数值程序(21)模拟该过程；

显示模块(30)，其中在个人计算机(PC)的监视器(31)中显示许多信息，并且通过打印机打印出来；

数据存取模块(40)，其中把测量和成形信息存储到一个产品数据库(41)中和从中检索这些信息，并且一个带有测量和成形信息的STEP物理文件是适用的；

推导模块(50)，其中从产品数据库的数据通过人造神经网络法预计关于新成形钢板的成形信息和加热条件；

信息产生和控制模块(60)，其中通过该模块的程序控制上述每个模块，并且通过在处理阶段中的平面内和弯曲应变的计算得到成形信息，其中确定要加热的路线或位置，把平面内应变与弯曲应变彼此比较；

通信模块(70)，通过它信息产生和控制模块(60)把成形信息、加热条件和加热路线传送到基于PC(PC／NC)的数值控制机械(71)，并且通过它把测量结果和信息结果传送和存储到产品数据库(41)。

Images