基于卷积神经网络的船厂生产设计图纸设计方法及系统与流程

本发明属于船舶建造，具体涉及一种基于卷积神经网络的船厂生产设计图纸设计方法及系统。

背景技术：

1、船舶建造是典型的复杂离散型制造过程，生产设计图纸作为连接设计与施工的核心载体，其准确性、完整性及与工艺、安装环节的适配性直接决定建造效率。当前船厂生产设计图纸的设计主要依赖传统计算机辅助设计（cad）工具开展，该设计方法存在以下关键问题：

2、1.施工转化效率低：传统图纸设计侧重几何尺寸表达，缺乏对施工场景的适配性分析。例如，船体分段图纸未关联现场起重设备承重参数、作业空间限制等信息，导致图纸交付后需施工部门二次修改；施工转化率（实际按图纸施工的比例）仅为65%~75%，平均每张分段图纸需3~5次迭代调整。

3、2.工艺确认周期长：工艺确认需工艺部门人工比对图纸与工艺标准库（如焊接工艺、涂装工艺），一张包含100+构件的船体图纸需2~3名工程师耗时2~3天完成确认，且人工核对极易因出现疏漏，导致工艺错配（如高强度钢焊接工艺选用错误），后续返工成本占工艺总成本的15%~20%。

4、3.安装误差率高：传统图纸缺乏三维空间关联性分析，构件安装时易出现干涉问题（如管线与船体结构碰撞）。统计显示，船舶舾装环节因图纸设计缺陷导致的安装返工率达8%~12%，单次返工平均耗时1~2周，严重影响建造周期。

5、现有技术中，虽有部分船厂引入bim（建筑信息模型）技术提升图纸三维可视化程度，但bim仅能实现信息集成，无法主动识别图纸中的施工、工艺、安装风险，仍依赖人工判断。针对上述行业现存短板，本发明提出一种智能化的船厂生产设计图纸设计方法及系统，通过数据驱动的智能分析，打通设计、工艺、施工、安装环节的数据壁垒，显著提升生产效率。

技术实现思路

1、为了实现上述目的，本发明提供如下技术方案：

2、一种基于卷积神经网络的船厂生产设计图纸设计方法，包括如下步骤：将待处理的生产设计图纸进行标准化处理后，输入训练完成的cnn模型，所述cnn模型对所述生产设计图纸的施工适配性、工艺匹配性、安装干涉情况进行分析推理，输出施工适配性标签及优化建议、工艺匹配标签及调整方案、安装干涉标签及安装顺序推荐，并基于所述分析推理的结果自动生成最终优化图纸；将所述最终优化图纸与工艺标准库自动比对进行工艺校验，工艺确认合格后，对接bim平台进行1:1装配仿真模拟，实时检测干涉风险，若所述装配仿真模拟过程中无干涉风险，将所述最终优化图纸交付至施工部门。

3、在一些实施方式中，所述cnn模型的训练过程如下：所述cnn模型包括特征提取层、特征融合层及任务输出层，其中，所述特征提取层包括4级卷积块，每级所述卷积块均包括卷积层、批量归一化层、relu激活函数和最大池化层，4级所述卷积块逐级递进地提取所述生产设计图纸的特征；所述特征融合层通过se注意力模块对所述生产设计图纸的特征进行加权，放大施工、工艺、干涉的关键区域，弱化无关线条；整合所述生产设计图纸的视觉信息与车间业务数据，生成统一融合特征向量；所述任务输出层以三路独立分支并行处理所述融合特征向量，对当前输入的所述生产设计图纸同时输出施工适配性、工艺匹配及安装干涉三类预测概率。

4、在一些实施方式中，在对所述cnn模型进行训练过程之前还包括数据采集与预处理步骤：从船厂的mes系统、工艺管理系统、bim平台及安装验收系统分别采集生产相关数据，所述生产相关数据包括历年图纸数据、施工数据、工艺数据及安装数据；将所述图纸统一转化为设定尺寸的灰度图像，提取所述图纸中的文字信息，并转化为与所述图像关联的结构化数据；为每张所述图纸标注三类标签：施工适配标签、工艺匹配标签和安装干涉标签；剔除模糊、重复、缺失关键参数的所述图像，并扩充所述图像数量；对所有的所述图像的施工设备参数和工艺参数进行归一化处理，整合得到直接输入所述cnn模型的标准化训练数据集。

5、在一些实施方式中，所述施工适配性标签包括：“0”，代表现场条件完全适配；“1”，代表设备能力不匹配；“2”，代表作业场地空间不足；“3”，代表人工操作空间受限；所述工艺匹配标签包括：“0”代表全部工艺参数符合标准；“1”代表部分所述工艺参数不符，需调整；“2”代表所述工艺参数完全不匹配，需重新设计；所述安装干涉标签包括：“0”代表无干涉风险；“1”代表轻微干涉，可微调管线位置；“2”代表严重干涉，需重新调整所述构件的布局。

6、在一些实施方式中，所述的基于所述分析推理的结果自动生成最终优化图纸之后还包括：设计人员手动调整结构参数、工艺参数和施工策略后，手动调整后的所述最终优化图纸重新输入所述cnn模型进行二次推理，直至所述施工适配标签、所述工艺匹配标签和所述安装干涉标签均输出为“0”后，输出调整后的所述最终优化图纸。

7、在一些实施方式中，所述船厂生产设计图纸设计方法还包括：所述施工部门施工完成后将现场施工转化率、工艺合格率、实际返工数据，与所述cnn模型的预测值比对；将现场施工数据补充至所述标准化训练数据集，定期对所述cnn模型执行增量训练。

8、在一些实施方式中，四级所述卷积块的通道数依次为32、64、128、256；每级所述卷积块的卷积核尺寸均为3×3，步长均为1，填充方式均为“same”，最大池化层的窗口尺寸为2×2、步长为2；所述特征融合层中，所述se注意力模块对第四级所述卷积块输出的特征图进行权重分配，强化与施工、工艺、安装相关的特征，再经全连接层将所述特征图展平为1048576维向量，与经所述预处理后的所述结构化数据拼接形成1048600维融合特征向量；所述任务输出层中，每路所述分支均配置512维全连接层、0.5概率的dropout层、对应标签维度输出和softmax激活函数，分别输出施工适配、工艺匹配、安装干涉的分类概率。

9、本发明还提供了一种如上述的基于卷积神经网络的船厂生产设计图纸设计方法的设计系统，包括：cnn模型管理模块，用于构建、训练、存储及更新所述cnn模型；图纸设计与优化模块，用于调用所述cnn模型对所述生产设计图纸进行推理分析与优化，生成所述最终优化图纸；工艺确认模块，用于匹配所述最终优化图纸和工艺标准；安装模拟模块，用于对接所述bim平台进行1:1装配仿真模拟，实时检测干涉风险；人机交互模块，用于向施工人员提供可视化操作界面。

10、在一些实施方式中，所述设计系统还包括：数据采集模块，用于对接船厂mes、工艺管理系统及bim平台，采集生产相关数据，所述生产相关数据包括历年图纸数据、施工数据、工艺数据及安装数据；数据预处理模块，用于将采集的所述生产相关数据处理为可直接输入所述cnn模型的标准化训练数据集。

11、在一些实施方式中，所述设计系统还包括：数据反馈模块，用于采集施工实际数据，将所述施工实际数据与所述cnn模型输出的预测值进行比对，并将现场施工数据补充至所述标准化训练数据集。

12、与现有技术相比，本发明所提供的基于卷积神经网络的船厂生产设计图纸设计方法及系统具有以下有益效果：

13、1、施工转化效率显著提升：本发明通过cnn模型对施工适配性的智能预判，在图纸设计阶段就可以识别出设备承重、作业空间等施工条件不匹配问题并自动优化，使施工转化率从传统方式的70%提升至95%以上。每张分段图纸避免了3~5次现场二次修改，设计总周期缩短30%~50%，大幅降低了设计与施工之间的反复沟通成本。

14、2、工艺确认周期大幅缩短：本发明将传统人工逐项比对工艺标准（2~3名工程师耗时2~3天）的审核模式，升级为系统自动化比对与报告生成（2~4小时完成）。工艺部门对合格项抽查比例≤10%，仅对不合格的项目进行人工复核，工艺确认效率提升90%以上，人力成本降低60%以上，同时消除了人工疏漏导致的工艺错配风险。

15、3、安装返工率大幅降低：本发明通过cnn模型对三维bim图纸进行识别，结合1:1全尺寸bim安装模拟动态验证，安装干涉预判准确率≥90%。安装返工率从传统方式的8%~12%降至2%以下，单次建造周期缩短1~2周，显著减少了因返工造成的资源浪费和工期延误。

16、4、本发明提供的设计方法实现了设计-施工-优化的全流程数据闭环，施工完成后自动采集实际施工转化率、工艺合格率、安装误差等真实数据，与cnn模型预测结果比对后纳入训练集，每季度触发一次增量训练。cnn模型随生产数据积累持续进化，形成“数据采→模型训练→图纸优化→施工验证→数据反馈”的闭环，识别准确率长期稳定维持在90%以上。

17、5、本发明提供的设计方法及系统在自动生成优化建议的同时，为设计人员提供完整推理依据（预测概率、工艺标准条款、历史案例），支持手动调整参数后二次推理验证。既发挥了cnn模型的高效计算与风险识别能力，又保留了船舶设计师的专业工程判断权。

18、6、本发明首次将深度学习技术系统性地应用于船厂生产设计图纸的全流程优化，打破了设计、工艺、施工、安装各环节的数据壁垒，填补了cnn技术在船舶生产设计图纸智能审核与优化领域的技术空白，为船舶制造从“经验驱动”向“数据驱动”的智能化升级提供了可落地的完整解决方案。