1.基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，包括如下步骤：S1：采集船舶分段焊接过程中多道焊接工艺参数以及每个参数对应的焊接变形量；

S2：以焊接工序的误差累积为基本原理，基于深度神经网络，构建分段焊件各工序逐层累积变形误差补偿模型；

S3：利用补偿模型得到补偿数据，通过模型误差补偿方法，采用累积补偿方式不断动态调整各焊接工序工艺参数，得到最优的焊接工序工艺参数；

所述步骤S1中焊接变形量的采集方法为：

分析焊接过程中不同焊接工艺参数对于焊缝成形尺寸、大小、形状的影响，得到实验数据，通过建立的深度神经网络模型对实验数据进行模拟分析得到每个参数对应的焊接变形量；

所述步骤S1中采用方差分析法来对实验数据进行分析，具体步骤如下：A1：计算平方和：平方和分为总平方和SST，组内平方和SSE以及组间平方和SSA，计算公式如下：

2 2

SST＝∑X‑(G/N)

其中，G表示所有数据值的总和，N表示总体的数据个数，X为生成的焊接变形量；

为数据总均值，Ti为每组的数据和，ni为该组数据个数；

SSA＝SST‑SSE

A2：计算自由度：三种平方和的dfT,dfE,dfA分别为总自由度、误差自由度、各因素自由度，其中k为该因素的水平数，dfT＝N‑1

dfE＝dfT‑(∑dfA)

dfA＝k‑1

A3：计算均方误差：

MSE＝SSE/dfE

MSA＝SSA/dfA

A4：计算F值：计算公式如下：

F＝MSE/MSA；

所述步骤S2中分段焊件各工序逐层累积变形误差补偿模型的构建方法为：通过基于深度学习网络DNN对切割机参数以及相应焊接变形量进行网络参数训练，构建误差补偿模型，误差补偿模型的网络结构为多个线性的DNN模型，通过更改DNN模型的输入输出参数，以及不同DNN模型间的传递参数，构建完整的误差补偿模型，其中由输入层经中间层的计算公式为：激活函数为Sigmoid函数：

所述步骤S2中深度学习网络的构建包括：对于自适应补偿控制功能，通过DNN算法的反馈计算完成，通过定义输入与输出之间的损失函数来控制输出最小变形量。

2.根据权利要求1所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S1中多道焊接工艺参数的采集方法为：通过正交实验方法完成采集，焊接工艺参数包括焊接电流、焊接电压、焊接速度、和焊丝干伸长度。

3.根据权利要求1所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S2中深度学习网络的网络参数的更新方法为：工序间参数由前向激活函数进行关联，而为实现由最终变形反向调控中间工序参数的功能，定义了损失函数，由输出变形与各层参数间的损失值更新补偿网络参数；

更新过程如下公式所示：

其中，⊙为Hadamard积， 与 分别为补偿网络权重参数与偏置的偏微分项，由上述公式可计算得出更新后的网络权重及偏置项。

4.根据权利要求3所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S2中深度学习网络的补偿网络参数的传递方法为：传递项为焊接工序间的神经网络权重w及偏置项b。

5.根据权利要求1所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S3具体为：将任一焊接件的所有焊缝形变作累加与目标形变量的差值作为补偿网络的代价函数，并通过随机梯度更新函数求解使代价函数获得最佳值时的过程变形量值，相关函数及求解过程如下公式所示：其中，fs为所有焊缝累加形变，f(xi)为每个焊缝分别对应的变形；

f(xi)＝g(θi)xi

g(θi)为每条焊缝与上道焊接工序变形间的对应函数，θi为焊接参数；

(j)

其中，J(θi)为补偿算法的代价函数，y 为真实变形量。

6.根据权利要求5所述的基于误差累积原理的船舶分段焊接变形动态补偿控制方法，其特征在于，所述步骤S3中，补偿算法的代价函数J(θi)的实现过程中具有以下梯度更新方式：如上公式所示为通过梯度下降法同时求得满足条件的g(θi)值。