船舶大構(gòu)件幾何特征建模及裝配干涉檢測方法

關(guān)鍵詞：裝配特征識別;快速建模；船舶大尺度構(gòu)件；肋板拉入裝配；精度檢測 中圖分類號：U671.99 DOI：10.3969/j.issn.1004-132X.2025.07.026 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Geometric Feature Modeling and Assembly Interference Detection Method for Large Ship Components

GU Shimin1 LIU Jinfeng1，* QIAN Tianlong2 JING Xuwen1 WANG Xuemin2 MAO Baochen1SHEN Yang2 CHEN Yu¹ 1.Jiangsu University of Science and Technology，Zhenjiang，Jiangsu，212000

2.COSCO Shipping Heavy Industry（Yangzhou） Co.，Ltd.，Yangzhou，Jiangsu，225200

Abstract： Manufacturing errors and welding deformations in manufacturing and assembly of ship components affected the success rate and eficiency of rib plate puling-in assembly. Therefore，a rapid modeling and assembly interference detection method for large ship components was proposed based on geometric features. The method defined assembly features， used the improved ASPacNet to accurately identify the assembly features，carried local reconstruction and splicing out，and detected assembly interference through a time-domain intermittent fit clearance calculation method. Experiments show that the modeling efficiency of the method for large ship components is 66.01% higher than that of traditional methods，the root mean square error of modeling is as 0.206mm ，and the interference detection accuracy reaches 98.81% . It may effectively reduce trial assembly and provide a new technical means for the efficient assembly of large ship components.

Key words： assembly feature recognition； rapid modeling； large-scale components of ship；rib pull-in assembly；precision detection

0 引言

大型船舶的生產(chǎn)大多采用分段建造法，即在工藝設(shè)計階段將船體分段，分段制造車間生產(chǎn)所需分段，并于船臺完成分段的合攏和總裝，從而完成全船的建造。裝配是將各型構(gòu)件、組立和分段組成船舶的紐帶。分段由大量典型組立構(gòu)成，組立裝配時間在全船制造時間中的占比較高[1]。船舶建造過程中，由于船舶分段建造誤差、鋼板焊接變形、人工測量誤差等因素影響，分段裝焊后的實際尺寸與設(shè)計尺寸有偏差[2]，無法一次裝配成功，需要經(jīng)過多次修整調(diào)配才能完成裝配。組立裝焊精度的管理與控制影響成品質(zhì)量及生產(chǎn)效率，因此裝配檢測是船舶建造的重要環(huán)節(jié)。

如何恰當(dāng)預(yù)測組立裝配間隙并量化控制裝配間隙的合理容差范圍尚缺乏相關(guān)理論和方法的支持。作為船體肋板裝配過程中的先進(jìn)工藝，拉入法是采用外力將帶有骨材貫穿孔的肋板沿骨材長度方向拉入的裝配方法[3]

采用數(shù)字化方法對產(chǎn)品裝配過程進(jìn)行虛擬仿真已成為解決產(chǎn)品裝配精度問題的關(guān)鍵方法[4]]構(gòu)建裝配過程的數(shù)字孿生模型，實現(xiàn)零部件之間的虛擬分析和驗證，能有效解決裝配存在的問題[5]。快速獲取模型的三維信息是實現(xiàn)智能制造的基礎(chǔ)。隨著三維激光掃描技術(shù)的日益普及，點云數(shù)據(jù)因其獲取速度高、信息含量豐富、應(yīng)用前景廣闊而被廣泛用于船舶領(lǐng)域[。為解決船舶艙室容積測量問題，楊澤鑫等[基于隨機采樣一致性（RANSAC）算法擬合平面，依次分割出船艙構(gòu)件點云。陳尚偉等[8]采用改良的PointNet++點云網(wǎng)絡(luò)對分段點云數(shù)據(jù)中的合攏面開展智能識別，取得了理想的識別效果。呂超凡等9針對不同特征模型提出一種基于點云深度學(xué)習(xí)的加工特征識別方法，有效識別模型中的單一特征和相交特征。倪崇本等[10基于表面法向一致性和高斯混合模型識別船舶板架結(jié)構(gòu)，提取了船艙點云中的平面特征。劉建成等[采用DBSCAN密度聚類算法識別外板點云，能有效去除船舶外板三維點云數(shù)據(jù)中的干擾點云。朱帥臣等[12]通過改進(jìn)的點云邊界輪廓特征提取方法準(zhǔn)確提取平直板邊界特征。MIAO等[13提出一種基于三維點云的艙口識別方法，將點云投影到球面坐標(biāo)并將投影后的點云轉(zhuǎn)換為二維圖像，再通過圖像識別技術(shù)識別艙口。LI等[14改進(jìn)基于三維點云的艙口識別方法[13]，將船舶點云投影到二維平面，根據(jù)艙口特征提取投影點云的水平和垂直直線特征來識別艙口。許少秋等[15根據(jù)設(shè)計圖紙，采用點云匹配方法識別綁扎特征的位置，在混合現(xiàn)實環(huán)境中重建特征。郭志飛等[16]基于B樣條曲線對曲板測量點云進(jìn)行重構(gòu)和點云加密，計算了測量點云偏差。DUAN等[17]利用神經(jīng)網(wǎng)絡(luò)對三維散射點云進(jìn)行預(yù)擬合，繪制了船體表面的數(shù)學(xué)模型，基于雙線性插值算法，將數(shù)學(xué)模型轉(zhuǎn)化為非均勻有理B樣條曲面，實現(xiàn)了船體表面的重建。上述針對船舶點云的研究集中于平面構(gòu)件的識別，以及點云關(guān)鍵特征信息的定位與參數(shù)測量，對子構(gòu)件的識別與提取，以及組立裝配檢測的研究較少。

全站儀能有效檢測構(gòu)造簡單的小組立裝配質(zhì)量。船體組立具有尺度大、復(fù)雜度高的特點，傳統(tǒng)方法往往無法獲得組立的全貌，影響了組立的裝配效率。組立的裝配體規(guī)格多且?guī)缀翁卣黠@著。針對此特點，筆者提出一種基于幾何特征的船舶大尺度構(gòu)件快速建模及裝配干涉檢測方法，通過識別提取船體組立的幾何裝配特征點云來構(gòu)建裝配特征模型，通過融合關(guān)鍵點拼接裝配特征模型和理論模型來構(gòu)建以裝配檢測為目的的組立裝配模型，通過計算運動過程中裝配面的配合間隙來確定組立裝配過程是否會出現(xiàn)裝配十涉。

1組立模型的重建方法

一次完成密集點云的建模耗時耗力，通常的做法是將模型分塊后分別重建。針對船體組立的特性，提出一種將關(guān)鍵裝配特征與局部模型拼接的大尺度模型重建方法。通過梳理肋板拉入裝配的工藝流程，確定船舶大尺度構(gòu)件拉入裝配時干涉產(chǎn)生的原因，定義影響拉人法裝配船舶大尺度構(gòu)件的典型裝配特征；采用改進(jìn)ASPacNet網(wǎng)絡(luò)識別船舶大尺度構(gòu)件的裝配特征；基于“分割-局部重建-拼接”策略完成裝配特征驅(qū)動的船舶大尺度構(gòu)件快速建模。

1.1 組立裝配約束分析

構(gòu)件裝配過程中，肋板與底板能否成功拉入是一個復(fù)雜問題，它涉及多個因素的相互作用。目前，針對肋板拉人裝配的精度檢測主要通過測量構(gòu)件關(guān)鍵點實現(xiàn)。盡管測量設(shè)備的檢測精度日益提高，但基于關(guān)鍵點的檢測仍未能有效減少拉入裝配干涉的問題。為此對組立裝配約束進(jìn)行全面分析，確定影響肋板裝配的主要因素即肋板姿態(tài)控制和肋板裝配間隙，如圖1所示。

圖1肋板裝配干涉因素分析

Fig.1Analysis of interference factors in rib assembly

底板的位移、拉入力的變化、設(shè)備的同步率等因素影響肋板的姿態(tài)。實際裝配過程中，操作人員可憑借豐富經(jīng)驗和專業(yè)技能，對這些引發(fā)肋板姿態(tài)變化的因素加以調(diào)整，因此阻礙肋板拉入裝配實施的主要原因并非肋板姿態(tài)變化引起的誤差。拉入裝配作業(yè)前，需使用焊機、切割機、吊車等設(shè)備完成縱骨的制作和肋板的切割。然而，縱骨和肋板的尺寸偏差導(dǎo)致裝配間隙始終難以滿足容差要求。引起裝配間隙超差的原因有縱骨和肋板的制造誤差、縱骨焊接時受熱導(dǎo)致的焊接變形。

受切割精度、定位精度、人工習(xí)慣等因素的影響，縱骨和肋板的尺寸有一定的偏差，特別是肋板的切口間距和貫穿孔尺寸、縱骨的外形尺寸等。由于切割坡口或設(shè)備精度的影響，肋板切口的實際位置可能會偏離理論切口中心線，以基準(zhǔn)邊為測量起點，分別測出肋板梁孔間距和實際間隙尺寸，計算出偏移后的梁孔相對于基準(zhǔn)線左右兩側(cè)間隙的分配數(shù)值，并判斷切口是否滿足裝配條件。如圖2所示， ΔC 為梁孔制造偏差； C_i 為第 i（i=1 .2，…，n;n 為貫穿孔的數(shù)量）個貫穿孔間隙的實際尺寸； C_bi 為第 i 個貫穿孔間隙的理論標(biāo)記尺寸；A_i 為測量起點到梁孔中心線實際間距； a_i0 為測量起點到梁孔中心線理論間距， ΔC_--，ΔC₊ 分別為梁孔左右邊界到中心線實際間隙尺寸。

圖2肋板梁孔尺寸偏差示意圖Fig.2Schematic diagram of dimension deviation of rib beam hole

焊接過程中，由于高溫作用和冷卻收縮，縱骨和肋板會產(chǎn)生變形，導(dǎo)致實際尺寸與設(shè)計尺寸產(chǎn)生較大偏差。組立焊接階段，焊接導(dǎo)致的縱骨縱向彎曲變形是引起裝配間隙超差的主要原因。如圖3所示，在焊接應(yīng)力作用下，縱骨腹板可能產(chǎn)生縱向變形。肋板從起始位置移至最終位置的過程中，肋板開孔與縱骨的裝配間隙連續(xù)變化。僅在某一特定位置滿足拉入裝配的公差要求并不能確保整個裝配過程均符合公差標(biāo)準(zhǔn)，因此，獲取整個裝配過程中的裝配間隙并進(jìn)行裝配分析顯得尤為必要。

圖3縱骨的縱向焊接變形示意圖

Fig.3Schematic diagram of longitudinal welding deformation of longitudinal bone

綜上所述，裝配間隙控制是肋板拉人裝配的核心，它決定了肋板能否與船體底板順利配合。縱骨的外形尺寸、切口間距、貫穿孔尺寸的精確測量對控制裝配間隙至關(guān)重要。肋板和與之配合縱骨的尺寸偏差可能導(dǎo)致裝配的干涉，影響整體的裝配質(zhì)量。除了嚴(yán)格控制肋板和縱骨的制造精度外，還需測量焊接后的縱骨形位尺寸，這是因為焊接導(dǎo)致的縱向彎曲變形也會對裝配間隙產(chǎn)生影響。

1.2 構(gòu)件裝配特征識別

肋板拉入裝配的關(guān)鍵影響因素是裝配間隙的偏差。裝配間隙偏差主要與底板上裝焊的型材以及肋板貫穿孔相關(guān)。據(jù)此，將肋板拉人裝配的特征定義為裝配過程中可能引起干涉的相互作用部件。

組立裝配是將兩個或多個子構(gòu)件與底板組合成一個組立的過程。船舶組立規(guī)格多、形狀復(fù)雜，通常由不同尺寸的型材和片體構(gòu)件組成。球扁鋼、角鋼、T形鋼等型材剖面形狀固定，差異主要為尺寸。片體主要由數(shù)塊平直板拼接組成，其差異主要體現(xiàn)在貫穿孔位置。

結(jié)合歷史工藝知識和專家經(jīng)驗分析裝配過程中的各類部件，確定組立的裝配特征，具體可分為3個步驟。首先通過梳理歷史工藝知識，收集并分析過去船舶建造過程中肋板拉入裝配的相關(guān)數(shù)據(jù)，找出常見干涉問題和失敗原因；然后組織專家訪談，了解肋板裝配中的實踐經(jīng)驗和解決方案，并總結(jié)成系統(tǒng)化的裝配知識庫；最后基于歷史數(shù)據(jù)和專家經(jīng)驗，定義裝配過程中可能引起干涉的特征，并進(jìn)行分類整理，構(gòu)建裝配特征實例庫，為后續(xù)訓(xùn)練裝配特征點云識別模型提供數(shù)據(jù)集。分析結(jié)果對模型設(shè)計的支撐體現(xiàn)在以下幾點：① 對于構(gòu)建好的數(shù)據(jù)集，利用標(biāo)注的歷史數(shù)據(jù)和專家經(jīng)驗確保數(shù)據(jù)的準(zhǔn)確性，通過數(shù)據(jù)增強技術(shù)提高數(shù)據(jù)集的多樣性和泛化能力； ② 在模型訓(xùn)練與優(yōu)化階段，設(shè)計適合點云數(shù)據(jù)的特征提取器，訓(xùn)練模型并調(diào)整參數(shù)，以提高識別的準(zhǔn)確率和魯棒性;使用評估指標(biāo)如平均精度（mean accuracy，MA）和平均交并比（mean intersection overunion，MIoU進(jìn)行性能評估； ③ 將訓(xùn)練好的模型用于實際的裝配檢測，實現(xiàn)肋板裝配特征的自動識別、裝配間隙計算、裝配優(yōu)化，提高裝配成功率和效率。構(gòu)件裝配特征實例分析及數(shù)據(jù)庫的建立過程如圖4所示。

點云采樣中，PointNet++[18]通過最遠(yuǎn)點采樣（farthestpointsampling，F(xiàn)PS）保持點云樣本的均勻性。FPS作為一種固定的采樣策略，在處理點云數(shù)據(jù)時可能無法充分適應(yīng)數(shù)據(jù)的多樣性和復(fù)雜性，限制了其對復(fù)雜場景和細(xì)節(jié)信息的處理能力。PointNet++在PointNet的基礎(chǔ)上采用局部特征提取的方法，提高了識別復(fù)雜場景和細(xì)節(jié)信息的能力，但仍缺乏對點之間空間位置關(guān)系的學(xué)習(xí)。

圖4構(gòu)件裝配特征實例分析及數(shù)據(jù)庫的建立Fig.4Example analysis of component assembly features and database establishment

為應(yīng)對點云中的噪點影響并更好學(xué)習(xí)點云特征，本文在PointNet++的基礎(chǔ)上提出一種基于融合自適應(yīng)采樣和位置自適應(yīng)卷積的ASPacNet，如圖5所示。與PointNet++架構(gòu)類似，ASPac-Net的編碼器由4個SetAbstraction模塊組成，每個SetAbstraction模塊由自適應(yīng)采樣層、分組層、PAConv層組成，在減小輸入點云規(guī)模的同時提取點云局部的幾何結(jié)構(gòu)。解碼器采用4個

FeaturePropagation模塊，通過逆向插值上采樣的方法拓展編碼器輸出的特征向量，從而將特征映射至初始點云的維度，恢復(fù)點云的高維信息。為有效保持點云的原始坐標(biāo)和低層次特征，保留PointNet十+架構(gòu)中的跳躍鏈接機制。點云數(shù)據(jù)依次經(jīng)過編碼器和解碼器處理后，得到的點云特征矩陣將被輸人到全連接層，用于預(yù)測每個點的分類。

圖5ASPacNet網(wǎng)絡(luò)結(jié)構(gòu)示意圖

Fig.5Schematic diagram of ASPacNet network structure

本文在PointNet+-模型的基礎(chǔ)上調(diào)整模型深度、采樣半徑、提取特征數(shù)量，采用位置自適應(yīng)卷積（PAConv）替換原有的多層感知機來提取點云特征。為提高點云識別網(wǎng)絡(luò)對噪點的魯棒性，本文參考PointASNL[19]，采用自適應(yīng)采樣的方法對FPS得到的初始采樣點重新加權(quán)，自適應(yīng)調(diào)整每個采樣點的偏移，抑制離群點的干擾。引入注意力機制，在原有點云網(wǎng)絡(luò)架構(gòu)上添加一個加權(quán)臨界點層，將每個點對全局最大池化的影響程度作為主要考量因素，運用注意力機制過濾全局點云，剔除不重要的點，并通過不同的權(quán)重保留重要的點。

首先使用FPS對原始點集 p 進(jìn)行下采樣，將獲得的相對均勻的點組成可能包含噪點的原始采樣點集 P_s 。 P 。的特征集合為 F_s，P_s 中的采樣點x_i 對應(yīng)的特征為 f_i 。通過 KNN（K-nearestneighbors）查詢?yōu)橄虏蓸拥玫降拿總€點查找鄰近點。假設(shè)點 x_i 的鄰點坐標(biāo)集合為 {x_i，1，x_i，2，… ，對應(yīng)的鄰居點特征集合為 {f_i，1，f_i，2，… f_i，k≠ ，然后通過自注意力增強鄰近點特征：

f_i，k=Max（R（x_i，k，x_i，j）MLP（x_i，j））

其中， 為最大池化函數(shù)； MLP（α?α） 為多層感知機；函數(shù) R（Ψ×Ψ） 用來衡量兩點之間的相似性； φ，θ 為獨立的一維卷積，將維度由 D 升至D^′ 。之后再使用逐點 MLP（α?α） 和 獲得每個點的對應(yīng)特征權(quán)重向量：

W_f=softmax（MLP_f（f_i，1，f_i，2，…，f_i，k））

式中： f_i，k 為第 k 個鄰域點的特征向量。

softmax （?） 作用于向量（MLP的輸出），將其轉(zhuǎn)換為概率分布。最后利用得到的權(quán)重對采樣點x_i 的所有鄰居點特征進(jìn)行加權(quán)求和，得到點 x_i 鄰點新的特征：

式中： 分別為新生成的坐標(biāo)和特征； Φ_i，k?f_i，k 分別為點 x_i 的第 k 個鄰點的坐標(biāo)和特征。

利用得到的權(quán)重對采樣點 x_i 的所有鄰點特征進(jìn)行加權(quán)求和，得到點 x_i 鄰點新的特征之后，每個鄰點的特征包含鄰域范圍內(nèi)所有點的一些信息，即自適應(yīng)采樣之后的點特征。

PAConv是點云分割中解決點云不規(guī)則和稀疏問題的一種方法。PAConv的網(wǎng)絡(luò)結(jié)構(gòu)靈活，可作用于分割任務(wù)。首先定義 M 個權(quán)重矩陣 B_m 集合 ，然后設(shè)計一個ScoreNet（用于計算歸一化系數(shù)向量的網(wǎng)絡(luò)模塊）。計算中心采樣點 ?_Pi 與相鄰點 ?_Pj 之間的相對位置向量，該ScoreNet基于計算所得的相對位置信息輸出一個歸一化的系數(shù)向量：

S_m，ij=α（ι（p_i-p_j））

其中， 為多層感知器實現(xiàn)的非線性函數(shù)； 為歸一化函數(shù)； p_i-p_j 為輸入點云的位置關(guān)系向量。將集合 B 中的權(quán)重矩陣與ScoreNet預(yù)測出的相應(yīng)系數(shù)進(jìn)行組合，得出PAConv的卷積核函數(shù)：

PAConv根據(jù)點的相對位置關(guān)系自適應(yīng)學(xué)習(xí)卷積核的系數(shù)，因此PAConv替換MLP可更好地表征點云的局部特征和權(quán)重。PAConv通過動態(tài)數(shù)據(jù)驅(qū)動的方式構(gòu)造卷積核，而不依賴預(yù)定義的網(wǎng)格，可更靈活處理點云的復(fù)雜空間變化和幾何結(jié)構(gòu)。

為與已有的點云識別方法進(jìn)行比較與分析，本文采用平均精度（MA）和平均交并比（MIoU）來評估網(wǎng)絡(luò)性能。平均精度 A_m 用于評估分割結(jié)果的整體正確性：

式中： T^p，F(xiàn)^p，F(xiàn)^N 分別為所有類別中真正例、假正例和假負(fù)例的總和。

交并比是衡量2個集合重疊程度的指標(biāo)：

式中： I_u，c 為第 Ψ_c 個類別的交并比。

對于點云分割任務(wù)，交并比可衡量預(yù)測分割結(jié)果與真實標(biāo)簽之間的重疊程度，則平均交并比為

實驗的系統(tǒng)環(huán)境為Windowsl1，使用Anaconda進(jìn)行軟件的環(huán)境管理，創(chuàng)建了包含py-thon 3.6， pytorch等軟件庫的虛擬環(huán)境。采用GPU版本進(jìn)行模型訓(xùn)練，因此安裝CUDA12.0來調(diào)用GPU的相關(guān)驅(qū)動程序。從訓(xùn)練集和測試集的每個樣本隨機選擇1024個點，采用Adam梯度下降優(yōu)化器訓(xùn)練網(wǎng)絡(luò)，初始學(xué)習(xí)率設(shè)為0.001，訓(xùn)練集和測試集的批量大小均設(shè)為8，共訓(xùn)練80個epoch。算法測試過程中，每次迭代都會對驗證集的MA和MIoU進(jìn)行評估，以衡量模型性能。比較本算法與PointNet、PointNet++算法的MA和MIoU在驗證集上的表現(xiàn)，對比結(jié)果如圖6所示。

自制數(shù)據(jù)集的實驗結(jié)果表明，ASPacNet在2個指標(biāo)上都表現(xiàn)出較好的性能，ASPacNet的MIoU比PointNet++有顯著提升。這可能是因為位置自適應(yīng)卷積能更好捕捉點云的空間結(jié)構(gòu)和細(xì)節(jié)信息。ASPacNet的識別精度達(dá)到 98.81% ，比PointNet++網(wǎng)絡(luò)提高 0.75% ，驗證了本文方法的可行性。

將ASPacNet網(wǎng)絡(luò)模型用于船舶構(gòu)件裝配特征識別數(shù)據(jù)集，實驗結(jié)果如圖7所示。從實際采集的點云可看出，大尺度底板構(gòu)件在掃描時存在一定的遮擋而難以清晰識別，幾乎全部呈現(xiàn)灰色半透明狀態(tài)。從ASPacNet網(wǎng)絡(luò)模型識別標(biāo)記的點云可看出，底板、肋板等構(gòu)件被不同顏色清晰標(biāo)

記，對船舶大尺度構(gòu)件進(jìn)行了精確的識別與分割，構(gòu)件的輪廓和特征更加突出和易于辨識。

1.3 裝配特征的重建與拼接

1.3.1 RANSAC平面分割

識別提取后的裝配點云中的點數(shù)量仍然巨大，重建過程耗時費力，且裝配特征點云邊界區(qū)域樣點的拓?fù)浣徯畔⑷笔Вy以實現(xiàn)相鄰重建模型的正確拓?fù)淦唇印７指罘蓪?fù)雜點云數(shù)據(jù)分割成更小且易于處理的部分，模型的邊線和角點擁有良好的幾何特性，是實現(xiàn)建模、量測、定位的基本元素。船舶組立的裝配面通常是不同尺寸的型材和片體的平整表面，基于聚類的區(qū)域分割是對具有高相似性特征的數(shù)據(jù)點進(jìn)行統(tǒng)計分類，因此采用RANSAC算法通過反復(fù)隨機選擇點集來擬合平面，直到找到最佳擬合平面。通過調(diào)整閾值、平面數(shù)量和迭代次數(shù)可從復(fù)雜的點云中分割出不同的小區(qū)域。為點云附著不同顏色以區(qū)分裝配面有助于后續(xù)的重建和拼接。

RANSAC算法在點云中提取平面的步驟如下。在點云中隨機選擇3個點，然后根據(jù)選取的3個點計算平面模型參數(shù) A～D ，基于這些參數(shù)得到一個采樣平面，其方程為

Ax+By+Cz+D=0

計算剩余點到平面的距離。如果距離小于閾值t_d ，則將該點放人內(nèi)部點集；隨后計算內(nèi)部點集的點數(shù)。再次從當(dāng)前剩余的點云數(shù)據(jù)中隨機選擇3個點重復(fù)上述計算平面參數(shù)、劃分內(nèi)部點集等過程，以尋找最優(yōu)的平面擬合（即內(nèi)部點最多的平面），直到迭代次數(shù)達(dá)到閾值 t_n 。迭代過程中，選取最多內(nèi)點對應(yīng)的平面為最終估計平面。刪除點云數(shù)據(jù)中屬于最終估計平面的點，然后以剩余的點云數(shù)據(jù)重復(fù)上述隨機選點、計算平面參數(shù)等過程，沒有剩余點表示完成了點云的多平面分割。多平面分割流程如圖8所示，分割效果如圖9所示。

上述操作可保證對組立裝配特征中的大部分平面進(jìn)行有效的聚類分割，且聚類時間在可接受范圍內(nèi)。

圖9RANSAC分割長方體點云平面Fig.9 RANSACsegmented rectangular pointcloud plane

1.3.2 擬合平面投影

分割出來的小區(qū)域若為平面，則采用特定方法單獨重建。點云分割階段已被確定為平面的小區(qū)域，可采用擬合平面投影法建模，具體如下：首先利用擬合平面和投影算法將三維點云映射到平面上，得到二維點云數(shù)據(jù)；然后在平面上進(jìn)行Delaunay三角剖分，構(gòu)建一個二維網(wǎng)格；最后將二維網(wǎng)格的拓?fù)浣Y(jié)構(gòu)信息投影回三維空間，構(gòu)建出基于二維點集信息映射的三維網(wǎng)格模型。上述建模過程是迭代進(jìn)行的，通過不斷調(diào)整和優(yōu)化，可得到準(zhǔn)確的局部重建模型。此時，相鄰擬合平面在連接處會形成一條明顯的交界線即擬合平面的邊界。

為獲得各個擬合平面的邊界輪廓線，采用擬合點云投影的方法，將擬合平面 α 投影到與之相連的擬合平面 β 以獲得裝配特征點云擬合面的邊界線。假設(shè)不在擬合平面 α 上的點 l 坐標(biāo)為 （x₀ ，y₀，z₀） ，該點在 β 上的投影點 l^′ 坐標(biāo)為 （x_t，y_t ，z_t） 。因為投影點與當(dāng)前點的連線與平面 β 垂直，根據(jù)垂直約束條件， y_t??z_t 滿足下述條件：

y_t=B_β（x_t-x₀）/A_β+y₀

z_t=C_β（x_t-x₀）/A_β+z₀

將式（13）、（14）代入式（9）即可解得點 （x₀ y₀，z₀ ）在平面 β 上的投影坐標(biāo)：

得到投影點坐標(biāo)后，采用凸包算法擬合所提取點云。

如圖10所示，基于邊線約束的點云重建法首先搜索邊線點云附近的平面邊界點，從平面邊界點云中尋找位于以邊線點云為中心、特定距離閥值范圍內(nèi)的點。將邊線點云中相鄰的兩個點與從平面邊界點云中篩選出的一個合適的平面邊界點構(gòu)成三角網(wǎng)格，以邊線方向為生長方向，將邊線與平面邊界之間的點集區(qū)域按照區(qū)域生長的方式將三角網(wǎng)格縫合起來。然后利用平面投影法對平面點云進(jìn)行表面重建。最后利用邊線對平面模型進(jìn)行拼接完成點云重建。具體方法如下：對于不含邊線的分塊點云重建，首先利用最小二乘法將點云擬合成平面 ax+by+cz+d=0 ，其中， （a，b c ）為擬合平面的法向量， d 為常數(shù)。再將點云投影到擬合平面，根據(jù)式（13）、式（14）得到投影后的坐標(biāo)：

式中： （x_i，y_i，z_i） 為點 P_i 的坐標(biāo)； （x_i^′，y_i^′，z_i^′） 為點 P_i 在擬合平面上投影后的坐標(biāo)。

圖10基于邊線約束的點云重建示意圖

Fig.10Schematic of point cloud reconstruction based on edge constraints

在擬合平面上對二維點集進(jìn)行Delaunay 三角剖分的過程如下：

1）基于平面點集中所有點的坐標(biāo)在各個坐標(biāo)軸上的取值范圍，確定4個頂點，并以此構(gòu)建初始包圍盒。

2）在初始包圍盒的對角線兩端構(gòu)造2個三角形。設(shè)初始包圍盒為矩形，4個頂點依次為 E，F(xiàn) ！G，H （按順時針或逆時針順序），其中， EG 和 FH 為對角線。連接對角線 EG ，構(gòu)造“超級三角形”EFG和 EGH ，并將它們加入三角形集合，即Delaunay三角剖分過程中，存儲所有已生成三角形的數(shù)據(jù)集合。在后續(xù)逐點插入過程中，不斷加入新生成的三角形，該集合最終存儲滿足Delaunay條件的所有三角形。

3）對平面點集中的所有點按照其 X 坐標(biāo)從小到大進(jìn)行排序，若 X 坐標(biāo)相同，則按 Y 坐標(biāo)從小到大排序，以便按照順序逐個處理每個點。

4）逐點插入，即按照3）排好的點的順序，對于排序后的每個點，遍歷三角形集合（步驟2）中構(gòu)建的三角形集合），找出那些外接圓（三角形集合里每個三角形的外接圓）包含當(dāng)前點（每輪處理中，被選取的點）的三角形并進(jìn)行標(biāo)記，刪除標(biāo)記三角形之間的公共邊，將當(dāng)前點與所有標(biāo)記三角形的頂點相連，形成新的三角形，并將這些新三角形加入三角形集合。

5）重復(fù)4），直至平面點集中的所有點均通過4）的操作被用于更新三角形集合。

6）移除初始的超級三角形及相關(guān)的三角形，完成三角剖分，得到滿足Delaunay條件的最終三角剖分結(jié)果。

完成Delaunay三角剖分后，將二維點集的拓?fù)浣Y(jié)構(gòu)信息投影至三維點云，構(gòu)建基于二維點集信息映射的三維網(wǎng)格模型。整個基于平面投影法的Delaunay三角剖分及三維網(wǎng)格模型構(gòu)建過程如圖11所示。

圖11平面投影法示意圖Fig.11Schematic diagram of planeprojection method

邊線重建首先需從平面點云中尋找與邊線最近的點，選取相鄰的2個邊線點和一個與這兩個邊線點距離之和最小的平面點構(gòu)成三角網(wǎng)格，將這個網(wǎng)格作為種子三角形。將三角網(wǎng)格的邊加入生長邊集合，遍歷生長邊集合，將當(dāng)前生長邊2個頂點各自的K鄰域點所構(gòu)成的點集作為選取第三點的范圍，根據(jù)篩選判定原則找到第三點，并將其與當(dāng)前生長邊組成新的三角形。若新三角形的非生長邊沒有相鄰的三角形，則將新三角形的非生長邊加入生成邊集合。反復(fù)上述操作，直至遍歷生長邊集合。生長邊集合遍歷完成后，邊線重建工作即完成。邊線重建的具體生長過程如圖12所示。

圖12邊線重建生長過程示意圖

Fig.12Schematic diagram of the growth process of borderlinereconstruction

完成邊線與區(qū)域點云的重建后，拼接重建邊線和重建表面。若拼接部位存在空隙，則再次采用區(qū)域生長法進(jìn)行網(wǎng)格補充，重建模型。

1.3.3 重建模型的拼接

拼接重建的裝配特征模型與理論模型，將模型拼接面的關(guān)鍵角點定義為理論模型的檢測特征點。以理論模型的自標(biāo)匹配點集為引導(dǎo)，尋找重建裝配面中與目標(biāo)匹配點最近的點，完成重建模型與理論模型的拼接。重建模型與理論數(shù)模的精確匹配是裝配誤差分析的重要前提。重建模型坐標(biāo)系與理論模型的設(shè)計坐標(biāo)系不統(tǒng)一，因此重建模型與理論模型的位姿配準(zhǔn)是數(shù)字化檢測的關(guān)鍵。采用ICP算法拼接模型。基于ICP算法迭代調(diào)姿，使距離偏差最小：

式中： p_i=[x_iy_i z_i JT為重建模型的關(guān)鍵角點的坐標(biāo)， i=0，1，…，n;n 為匹配點對的索引上限； q_i 為 p_i 在理論模型上的匹配角點的坐標(biāo)； R，T 分別為待求的旋轉(zhuǎn)矩陣與平移向量。

利用奇異值分解法和四元組法找出重建模型裝配面角點與理論模型匹配點集的空間變換矩陣，每一次迭代都會計算目標(biāo)函數(shù)的值，多次迭代直至目標(biāo)函數(shù)達(dá)到預(yù)設(shè)的精度要求。對于含有多個裝配特征的模型，依次將各裝配特征模型的坐標(biāo)系統(tǒng)一到全局坐標(biāo)系下，然后進(jìn)行拼接，得到完整的三維模型。

本文的模型合并方法基于布爾運算原理，其中，合并是指將大尺度構(gòu)件中的裝配特征重建模型與非特征模型合并形成一個新模型；差運算是指從大尺度構(gòu)件設(shè)計模型中去除與重建的裝配特征模型重合的部分，并將剩余的三維模型構(gòu)成一個新模型。

首先，定義裝配特征模型 M₁ 和非裝配特征模型 M₂ 在空間中的坐標(biāo)表示，假設(shè)每個模型在空間中由一組具有對應(yīng)關(guān)系的匹配點構(gòu)成的集合來表示，記為 P_Mi={?_i1，?_i2，…，?_in} ，匹配點p_in（i=1，2，…，n） 表征模型在空間中的位置和特征信息。則 M₁ 和 M₂ 的拼接關(guān)系可通過一個同時包含平移和旋轉(zhuǎn)變換的矩陣 來描述，矩陣 能將 M₁ 中的點映射到 M₂ 對應(yīng)的拼接位置。若M₁ 是基準(zhǔn)模型， M₂ 是需要拼接的模型，則基于坐標(biāo)拼接的模型合并過程如下：

1）對 M₁ 和 M₂ 的點云模型建立包圍盒，獲取不同點云包圍盒的位置關(guān)系；2）根據(jù) M₁ 和 M₂ 的位置關(guān)系，計算變換矩陣 ：3）利用變換矩陣 將 M₂ 中的每個點進(jìn)行變換，從而將點云模型 M₂ 變換到與點云模型 M₁ 對應(yīng)的位置上；4）基于包圍盒關(guān)系，讓 M₂ 與 M₁ 盡可能貼合；5）執(zhí)行布爾合并，將 M₂ 與 M₁ 合并為新模型Mnew ;

經(jīng)過上述方法處理得到的拼接模型見圖13。

2 組立裝配檢測方法

如圖14所示，肋板拉入裝配工藝能顯著減少補板的焊接量、大幅度提高肋板的裝配效率。然而，由于肋板的T形切口僅比骨材截面大 2～

圖13基于坐標(biāo)匹配的模型拼接示意圖Fig.13Schematic diagram of model stitching based on coordinate matching

3mm ，累計的零部件制造誤差及焊接變形會導(dǎo)致裝配干涉發(fā)生。肋板拉入裝配時，常以人工經(jīng)驗為標(biāo)準(zhǔn)反復(fù)試裝修配，嚴(yán)重影響船體肋板裝配的效率和成本。因此，必須測量肋板裝配中骨材與肋板貫穿孔間的配合間隙和干涉分布來控制裝配質(zhì)量。

圖14 肋板拉入裝配的組立示意圖 Fig.14Schematic assembly diagram of rib pull-in assembly

判斷肋板和縱骨在裝配時是否存在干涉，首先計算裝配過程中的裝配間隙，并確認(rèn)其是否滿足容差要求。骨材較長且每個位置的間隙分布都不一致，因此直接計算兩個裝配面間的距離難保證裝配的順利進(jìn)行。為此，本文提出基于時間域的間斷配合間隙計算方法，具體而言，為更準(zhǔn)確地計算裝配間隙，讓肋板在時間域 [t₀，t_n] 內(nèi)沿固定軌跡相對骨材運動，并將時間域分割成 n 個時間步。在時間步 g 內(nèi)，將肋板表達(dá)為垂直于裝配方向的多個平行截面，將一系列平行截面組成的集合記為 {I_i∣i=m，m+1，…，n} 。之后，計算截面I_i 處的骨材腹板面與肋板貫穿孔間的配合間隙。

曲面 S₂ 在點 q 處的單位法向量 與點 q 到點 p 的矢量 p-q 的方向相同或相反。兩者間的數(shù)學(xué)關(guān)系為

p-q=εn_q

其中， ε=0 表示點 q 在曲面 S₁ 上； εgt;0 表示向量方向相同，點 q 在曲面 S₁ 外； εlt;0 表示向量方向相反，點 q 在曲面 S₁ 內(nèi)。肋板上某點 q 到曲面 S₁ 的間隙為

v=n_q?（p-q）

裝配間隙如圖15所示。

圖15 裝配間隙的距離

Fig.15Distance of assembly clearance

間隙公差標(biāo)志定義為

式中： F 為間隙公差標(biāo)志；0表示間隙在公差范圍 [T^v .T^u] 內(nèi)；1表示間隙超出公差范圍； T^v 為間隙公差的下限（最小值）； T^u 為間隙公差的上限（最大值）。

根據(jù)間隙公差標(biāo)志可以推斷出實際的配合情況：正間隙表示非接觸狀態(tài)，即裝配結(jié)構(gòu)不干涉；負(fù)間隙（ vlt;0 ，點 q 位于曲面內(nèi)部）表示干擾狀態(tài)，即裝配不可行。

經(jīng)過位姿變換函數(shù) δ_A（p） 后，肋板上 Σ_P 點與骨材配合面上新的最近點 q_new 的間隙變?yōu)?/p>

v₁=n_q^new?（δ_A（p）-q_new）

式中： q^new 為最近點 q^new 的位置向量; n_q^new 為最近點 q^new 處的法向量。

由式（22）可知，當(dāng)肋板因外界干擾（如振動、外力作用等）發(fā)生微小的位姿改變之后，需要重新計算2個配合面的裝配間隙，所以位姿變換δ_A（p） 的優(yōu)化是一個反復(fù)迭代的過程。

3方法驗證

3.1 大尺度組立的重建

為驗證大尺度組立重建方法的有效性，本文在船廠薄板制造車間對某型分段進(jìn)行了三維激光掃描，掃描設(shè)備為徠卡P40三維激光掃描儀。該分段由12根縱骨組成，貫穿孔與骨材腹板的配合面間隙容差為 [0，3]mm ，扶強材與骨材面板的配合面間隙容差為 [0，1]mm ，其他區(qū)域的配合面間隙容差為 [0，2]mm 。車間環(huán)境復(fù)雜，非掃描目標(biāo)物體和掃描目標(biāo)分段相關(guān)構(gòu)件的遮擋會影響模型重建的質(zhì)量。為保證點云的端到端連接和碎片輪廓特征的完整性，掃描方案為多站掃描。圖16所示為組立點云的掃描獲取過程。

基于改進(jìn)的PointNet++，對底板點云數(shù)據(jù)進(jìn)行分割，提取底板的裝配特征點云數(shù)據(jù)。利用聚類優(yōu)化算法將底板的裝配特征點云劃分為若干個聚類平面。使用凸包算法計算并提取每個平面的邊界點。連接邊界點并擬合平面，以重建裝配特征模型。檢索對應(yīng)裝配體的拓?fù)涮卣鳎⒃跀?shù)據(jù)庫中導(dǎo)出相應(yīng)的理論模型。將縱骨的理論模型與底板模型進(jìn)行布爾減運算，獲得去除裝配特征的底板模型。導(dǎo)入重建的特征模型，并根據(jù)特征模型的角點和重心坐標(biāo)拼接重建的特征模型與設(shè)計模型的特征，完成大尺度組立的重建，具體過程如圖17所示。

圖16獲取組立掃描點云

Fig.16Obtaining a grouped scanning point cloud

3.2 拼接建模的質(zhì)量評估

快速構(gòu)建高質(zhì)量模型對船舶建造至關(guān)重要。船舶建造初期，引入能準(zhǔn)確反映船舶構(gòu)件形貌細(xì)節(jié)的三維模型進(jìn)行裝焊過程仿真，為裝焊人員解決潛在的裝焊問題提供支撐，減少返工和建造成本，保證船舶生產(chǎn)節(jié)拍和產(chǎn)品質(zhì)量。因此，評估船舶大尺度構(gòu)件的建模方法時，模型的構(gòu)建效率和質(zhì)量是主要的評價依據(jù)。

3.2.1 構(gòu)件建模效率的評估

基于點云數(shù)據(jù)的船舶大尺度構(gòu)件建模過程中，“大尺度\"不僅描述構(gòu)件的尺寸，也指點云包含數(shù)百萬甚至數(shù)千萬的點。點的數(shù)量是衡量數(shù)據(jù)處理難度的一個重要指標(biāo)，點越多，數(shù)據(jù)處理的挑戰(zhàn)越大。因此，在評估船舶大尺度點云建模的效率時，點的數(shù)量是一個關(guān)鍵的考慮因素。

大尺度構(gòu)件點云建模普遍采用的均一尺度法雖能確保模型的整體精度，但過度細(xì)化會增加計算量和處理時間，并在面對構(gòu)件局部特征時缺乏靈活性，難以針對特定區(qū)域進(jìn)行優(yōu)化。為提高船舶大尺度構(gòu)件的建模效率，本文基于“分割-重建一拼接\"的策略，提出裝配特征驅(qū)動的船舶大尺度構(gòu)件快速建模方法。以掃描獲取的某分段大尺度底板構(gòu)件為研究對象，通過建模效率對比實驗驗證本方法在提高船舶大尺度構(gòu)件建模效率上的有效性。

大尺度構(gòu)件建模效率評估的重點是處理大尺度構(gòu)件時的效率，因此假設(shè)建模方法均能生成無孔洞模型，即Geomagic逆向建模只考慮點云三角網(wǎng)格化的用時。

本文方法的建模用時主要由點云識別時間、裝配特征點云重建時間、模型拼接時間構(gòu)成。模型拼接時間可控制在6Os內(nèi)，因此在建模用時對比中，本文方法的模型拼接所需時間須考慮，為客觀反映2種方法在處理大尺度構(gòu)件建模時的真實效率，將本文建模方法用時增加60s的結(jié)果作為比較用時。

圖18所示為兩種建模方法在不同數(shù)量點云的建模用時。當(dāng)重建模型中的點數(shù)小于300萬時，本文方法用時長，且時差隨點的減少而逐漸拉大；重建模型中的點數(shù)大于300萬時，基于“分割一重建-拼接\"策略的快速建模方法優(yōu)勢開始體現(xiàn)，總體建模用時開始小于Geomagic建模用時；重建模型中的點數(shù)為630萬時，Geomagic建模用時陡然增加，比520萬個點的建模用時增加102.11% ，而本文方法在相同條件下，時間效率提高 66.01% ，體現(xiàn)出顯著的優(yōu)勢。

圖18針對不同數(shù)量點云的建模用時比較 Fig.18Comparison of modelling time for different number ofpointclouds

三維激光掃描獲取的船舶大尺度構(gòu)件數(shù)據(jù)通常包含大量的點云信息。傳統(tǒng)的點云建模方法建模慢，嚴(yán)重限制了傳統(tǒng)點云建模方法在船舶建造中的應(yīng)用效率和實用性。本文方法通過有效分割特征點云、點云重建和多模型拼接合并，不僅大幅度提高了重建速度，也確保了建模結(jié)果的精確度和質(zhì)量，使船舶大尺度構(gòu)件三維模型的快速構(gòu)建成為可能。

3.2.2 構(gòu)件模型精度評估

船舶大尺度構(gòu)件的模型精度對裝配仿真的準(zhǔn)確度起決定作用，因此重建模型能否準(zhǔn)確反映構(gòu)件的形貌信息十分重要。為反映點云數(shù)據(jù)與其重建模型的一致性，將均方根誤差和最大偏差作為船舶大尺度構(gòu)件快速建模方法的精度評定標(biāo)準(zhǔn)，通過計算重建模型與真實點云對應(yīng)點之間的差異（重建模型點與原始點云對應(yīng)點之間的三維坐標(biāo)偏差）來展現(xiàn)重建模型誤差的大小和分布：

式中： n 為樣本數(shù)量（重建模型與原始點云之間成功匹配的點對總數(shù)）； d_i 為重建模型點與原始點云對應(yīng)點之間的三維歐氏距離。

利用大尺度拼接生成的模型與掃描點云進(jìn)行精度誤差分析。如圖19所示，重建誤差被有效控制在 ±1mm 的范圍內(nèi)，最大偏差為 0.32mm 。通過計算重構(gòu)曲面與點云數(shù)據(jù)之間的偏差，得出拼接獲得的大尺度構(gòu)件的均方根誤差為0.206mm 。船舶裝配仿真允許模型存在 1mm 誤差，因此本文方法的建模誤差可接受，且不會對裝配仿真的準(zhǔn)確度產(chǎn)生顯著的負(fù)面影響，具有一定的可行性和有效性。

圖19拼接建模的精度分析

Fig.19The precision analysis of splicing modeling

3.3 裝配干涉檢測

為計算多構(gòu)件間的配合間隙，依據(jù)設(shè)計路徑和位姿變換進(jìn)行運動仿真。在運動過程中計算每一步位姿下的配合間隙，再利用預(yù)先設(shè)計的裝配檢測方法讀取與處理這些配合間隙，以優(yōu)化步長。裝配干涉檢測界面如圖20所示，其中，步長選擇需平衡計算精度與效率，考慮實際工況、配合面特征和裝配路徑復(fù)雜度。步長應(yīng)小于間隙容差和配合面特征尺寸，以確保裝配精度和可行性。復(fù)雜路徑需更小的步長以提高精度，避免干涉。為獲取裝配過程任意位置的間隙，采用基于時間域的間斷配合間隙計算方法，將肋板表達(dá)為垂直于裝配方向的平行截面集合，計算各截面處的配合間隙。采用基于時間域的間斷配合間隙計算方法能準(zhǔn)確捕捉裝配過程中各截面處配合間隙的動態(tài)變化，為裝配過程的精確控制提供可靠依據(jù)。

將縱骨方向作為設(shè)計裝配路徑，裝配路徑長度設(shè)定為 4m ，從路徑起點沿縱骨方向進(jìn)行裝配仿真。取步長 s=0.2m （沿著裝配路徑每前進(jìn)0.2m 進(jìn)行一次計算），模擬仿真運動過程，計算步長s_i（i=1，2，…，n） 處的配合面裝配間隙。為較好地反映裝配路徑上配合面間隙的變化情況，從裝配路徑起點（ （0m 處）開始，以 0.2m 為步長逐步推進(jìn)進(jìn)行間隙計算，同時重點選取 1m?2m?3m 、4m 關(guān)鍵位置處的配合面間隙進(jìn)行分析，這些位置能較為全面地體現(xiàn)裝配路徑上間隙變化的特征，如表1所示，其中，理論間隙為 3mm ，容差范圍為 [0，6mm] 。

表1裝配間隙測量結(jié)果Tab.1 Assemblyclearancemeasurement results mm

以此間隙為基礎(chǔ)，設(shè)置初始化參數(shù)，并求解肋板發(fā)生微小位姿變換的旋轉(zhuǎn)變換矩陣 R 和平移向量 T ，則4個截面肋板位姿變換引起的間隙增量如表2所示，其中， X_N?YN?ZN 分別為肋板配合面法向量在 X 向 .Y 向、 Z 向的分量， 為間隙變化量，表示位姿變換引起的配合間隙變化， Δgt;0 表示間隙增大， 表示間隙減小。

根據(jù)表2所示的獲取的間隙增量，重新計算優(yōu)化后的裝配間隙。如表3所示，調(diào)整后的肋板與骨材在裝配過程中仍有一處產(chǎn)生裝配干涉（位于第1根縱骨，共12根），其余位置的間隙均滿足容差要求。由船體肋板的裝配運動形式可知，平移量是引起肋板裝配間隙變化的主要原因，且橫向平移量 d_h 越大，產(chǎn)生的間隙增量越大。

考慮到船體肋板裝配中組立的制造誤差，根據(jù)拉人法裝配工藝進(jìn)行虛擬裝配和配合間隙檢測。通過比較仿真值、實測值、調(diào)整后的裝配間隙，驗證裝配檢測方法的有效性。

仿真值是數(shù)字化建模和仿真計算得到的參數(shù)或性能指標(biāo)，它基于理想化的模型參數(shù)和預(yù)設(shè)的邊界條件，用于預(yù)測和評估實際裝配過程的可能結(jié)果。實測值是直接測量得到的參數(shù)或性能指標(biāo)，它反映了裝配過程的真實情況。優(yōu)化值是通過優(yōu)化算法調(diào)整模型參數(shù)后重新計算得到的參數(shù)或性能指標(biāo)，旨在使裝配過程更加高效、精確，減少裝配干涉和誤差。由圖21可以發(fā)現(xiàn)，仿真值基本向?qū)崪y值收斂，優(yōu)化后，間隙2的某處實測值為-1.236mm ，出現(xiàn)干涉。

圖21 不同截面的間隙分布

Fig.21Gap distribution of different cross-sections

4結(jié)論

針對船體幾何模型無法應(yīng)用實測數(shù)據(jù)，虛擬裝配結(jié)果無法指導(dǎo)實際裝配的問題，提出一種基于幾何特征的船舶大尺度構(gòu)件快速建模及裝配干涉檢測方法，通過分析組立裝配過程，確定了裝配約束特征，建立了由歷史數(shù)據(jù)組成的裝配特征庫。對裝配特征進(jìn)行點采樣以構(gòu)建裝配特征的點云數(shù)據(jù)集。訓(xùn)練優(yōu)化后的點云分類網(wǎng)絡(luò)來提取裝配特征點云；利用聚類算法對點云數(shù)據(jù)中擬合出的每個平面進(jìn)行分割，通過對分割后的平面進(jìn)行擬合，再將擬合結(jié)果進(jìn)行投影，以此構(gòu)建裝配特征模型。根據(jù)局部裝配模型的關(guān)鍵角點匹配理論模型的點形成以裝配檢測為目的的組立幾何模型。通過計算運動過程中裝配面的配合間隙確定干涉產(chǎn)生的位置。某船體組立的實驗結(jié)果表明，重建模型能有效確定裝配間隙及干涉位置，為船舶裝配檢測提供了一種新思路。

未來的工作應(yīng)集中在以下方面： ① 針對長肋板裝配過程中的受力彎曲，建立基于物體物理特性的虛擬運動仿真，解決具有力學(xué)變形等約束條件下的裝配間隙控制問題； ② 研究基于局部特征的船體部件逆向建模方法，縮短模型構(gòu)建所需的時間。

參考文獻(xiàn)：

[1] 楊潤黨，續(xù)愛民，甄希金，等.船舶薄板平面分段產(chǎn)線技術(shù)發(fā)展及應(yīng)用現(xiàn)狀［J].船舶工程，2022，44（10）：16-23.YANG Rundang，XU Aimin，ZHEN Xijin，et al.Development and Application Status of Ship ThinPlate Plane Sectional Production Line Technology[J].Ship Engineering，2022，44（10）：16-23.

[2] 王傳何，蔡秋艷，劉杰強，等.面向肋板拉入裝配的設(shè)備集成監(jiān)測與智能維護系統(tǒng)研究[J].船舶工程，2023，45（4）：144-151.WANG Chuanhe，CAI Qiuyan，LIU Jieqiang，et al.Study on Equipment Integrated Monitoring and In-telligent Maintenance System for Floor Pull-in As-sembly[J].Ship Engineering，2023，45（4）：144-151.

[3] 王進(jìn)鋒，喻正昌，李麗.肋板拉入法工藝研究［J].船舶標(biāo)準(zhǔn)化工程師，2015，48（5）：27-29.WANG Jinfeng，YU Zhengchang，LI Li. TechnicalResearchofFloorPulled-inMethod[J].ShipStand-ardizationEngineer，2015，48（5）：27-29.

[4] 劉檢華，孫清超，程暉，等.產(chǎn)品裝配技術(shù)的研究現(xiàn)狀、技術(shù)內(nèi)涵及發(fā)展趨勢[J].機械工程學(xué)報，2018，54（11）：2-28.LIU Jianhua，SUNQingchao，CHENG Hui，et al.The State-of-the-art， Connotation and DevelopingTrends of the Products Assembly Technology[J].2-28.

[5］肖龍輝，裴志勇，徐文君，等.船體結(jié)構(gòu)數(shù)字孿生技術(shù)及應(yīng)用[J].船舶力學(xué)，2023，27（4）：573-582.XIAO Longhui，PEI Zhiyong，XU Wenjun，et al.Digital Twin Technology and Its Application in ShipStructural Field[J]. Journal of Ship Mechanics，2023，27（4）：573-582.

[6]韓玉超，彭飛，王中，等.點云在船舶建造領(lǐng)域的應(yīng)用進(jìn)展與展望[C]//中國造船工程學(xué)會.2022 年數(shù)字化造船學(xué)術(shù)交流會議論文集.上海，2022：265-270.

[7］楊澤鑫，程效軍，李泉，等.平面艙壁類型的船艙點云分割方法[J].中國激光，2017，44（10）：1010006.YANG Zexin，CHENG Xiaojun，LI Quan，et al.Segmentation of Point Cloud in Tank of Plane Bulk-head Type[J]. Chinese Journal of Lasers，2017，44（10）：1010006.

[8］陳尚偉，汪驥，劉玉君，等.基于PointNet++的船體分段合攏面智能識別方法[J].船舶工程，2019，41（12） ：138-141.CHEN Shangwei， WANG Ji， LIU Yujun，et al. Intelligent Recognition of Block Erection SurfaceBased on PointNet++[J]. Ship Engineering，2019，41（12） ：138-141.

[9］呂超凡，黃德林，劉天元，等.基于點云深度學(xué)習(xí)的加工特征識別方法[J].計算機集成制造系統(tǒng)，2023，29（3）：752-762.LYU Chaofan，HUANG Delin，LIU Tianyuan， etal. Manufacturing Feature Recognition Based onPoint Cloud Deep Learning[J]. Computer IntegratedManufacturing Systems， 2023，29（3）：752-762.

[10］倪崇本，李志月，楊榮淇.基于法向一致性的船體板架結(jié)構(gòu)點云識別[J]．船舶工程，2022，44（2）：123-127.NI Chongben，LI Zhiyue，YANG Rongqi. Recogni-tion of Hull Point Cloud Basing on the Normal Con-sensus[J]. Ship Engineering，2022，44（2）：123-127.

[11]劉建成，程良倫，劉斯亮.一種優(yōu)化的船體外板三維點云數(shù)據(jù)提取方法［J]．船舶工程，2015，37（8） ：74-78.LIU Jiancheng，CHENG Lianglun，LIU Siliang.Optimization of Hull Outer Steel Plate Three-di-mensional Extraction Method for Point Cloud Data[J]. Ship Engineering，2015，37（8）：74-78.

[12]朱帥臣，習(xí)俊通.大型船舶平直板零件尺寸柔性測量方法[J].應(yīng)用激光，2021，41（5）：1070-1076.ZHU Shuaichen，XI Juntong. Flexible Measure-ment Method for Size of Straight Plate Parts ofLarge Ships[J].Applied Laser，2021，41（5）：1070-1076.

[13]MIAO Yang，LI Changan，LI Zhan，et al. A No-vel Algorithm of Ship Structure Modeling and Tar-get Identification Based on Point Cloud for Auto-mation in Bulk Cargo Terminals[J].Measurementand Control，2021，54（3/4）：155-163.

[14]LI Yuan，LI Zhan，YANG Yipeng，et al. A FastRecognition Algorithm of Ship Hatch in Bulk Car-go Terminal Based on Point Cloud Contour Extrac-tion[J]. Measurement and Control，2023，56（1/2）：228-236.

[15]許少秋，余揚帆，郭俊林，等.基于大場景三維點云的集裝箱船關(guān)鍵綁扎特征識別與重建[J].船舶工程，2022，44（6）：127-133.XU Shaoqiu，YU Yangfan，GUO Junlin，et al. I-dentification and Reconstruction of Key LashingFeatures of Container Ships Based on Large Scene3D Point Cloud[J]. Ship Engineering，2022，44（6）：127-133.

[16]郭志飛，張勇，張敬芳，等.曲板加工點云數(shù)據(jù)重構(gòu)和自動調(diào)型技術(shù)[J].船舶工程，2022，44（10）：22-26.GUO Zhifei， ZHANG Yong，ZHANG Jingfang，et al.Reconstruction and Automatic Shaping Tech-nology of Bending Plate Processing Point CloudData[J]. Ship Engineering，2022，44（10） ：22-26.

[17]DUAN Wenyang， ZHANG Peixin， HUANGLimin，et al. Ship Hull Surface Reconstructionfrom Scattered Points Cloud Using an RBF NeuralNetwork Mapping Technology[J]. Computers amp;Structures，2023，281：107012.[LinkOut]

[18]QI CR，YI L，SU H，et al. PointNet++：Deep Hi-erarchical Feature Learning on Point Sets in a Met-ric Space[C]// Proceedings of the 31st Interna-tional Conference on Neural Information Process-ing Systems.Long Beach，2017：5105-5114.

[19］ YAN Xu， ZHENG Chaoda，LI Zhen，et al.PointASNL：Robust Point Clouds Processing U-sing Nonlocal Neural Networks with AdaptiveSampling[C]// 2020 IEEE/CVF Conference onComputer Vision and Pattern Recognition（CVPR）.Seattle，2020：5588-5597.

（編輯張洋）

作者簡介：顧世民，男，2000年生，碩士研究生。研究方向為船舶智能制造使能技術(shù)。E-mail：1464485340@qq.com。劉金鋒*（通信作者），男，1987年生，副教授，博士研究生導(dǎo)師。研究方向為船舶智能制造關(guān)鍵使能技術(shù)。發(fā)表論文42篇。出版專著2部。E-mail：liujinfeng@just.edu.cn。

本文引用格式：

顧世民，劉金鋒，錢天龍，等.船舶大構(gòu)件幾何特征建模及裝配干涉檢測方法[J].中國機械工程，2025，36（7）：1636-1649.GUShimin，LIUJinfeng，QIAN Tianlong，etal.Geometric FeatureModeling and Assembly Interference Detection Method forLarge Ship Components[J].China Mechanical Engineering，2025，36（7）：1636-1649.