一种基于焊接物量和作业方式衡定焊接派工工时的方法与流程

本发明涉及船舶制造领域，尤其涉及一种基于焊接物量和作业方式衡定焊接派工工时的方法。

背景技术：

船舶企业的用工管理属于生产管理，目前我国的现场造船模式普遍是外包工模式，船舶制造企业的生成管理部门将工作指令下发给各个班组，再由班组长进行具体的派工。但是在国内一些船舶建造企业，由于生产安排的不合理或者劳务队的素质问题，经常会发生等工以及怠工的现象，这种现象的发生将大大影响生产工期的准确性，生产效率和员工的积极性，探讨如何避免此类问题的发生，具有很好的研究意义。

船舶制造生产过程中的生产派工领域仍然属于传统的派工模式。传统的焊接工时预测往往会出现较大的偏差，不能够考虑全面和细致，将任务划分到作业区一级，由班组长进行工作安排，班组长的主观意识和随意性、倾向性会起到比较主要的作用，而这在一定程度上会导致不公平现象和工期延后、超前等问题的发生。

技术实现要素：

本发明的目的是提供一种基于焊接物量和作业方式衡定焊接派工工时的方法。

为了实现上述目的，本发明的技术方案是：

一种基于焊接物量和作业方式衡定焊接派工工时的方法，其特征在于，包括以下步骤：

步骤s1)在船舶分段智能车间系统内，收集同一工种的作业数据，记录分段焊接加工生产数据；

步骤s2)将异构、时序的生产数据集成到一起，按照时序或者样本的分类，将不同数据按逻辑或物理，将若干个分散的数据源中的数据集成到一个数据集合中；

步骤s3)对焊接数据进行数据筛选，挑选出于目标任务最相关的重要维度；

步骤s4)对筛选后的数据进行预处理，预处理包括数据规约和数据变换；

步骤s5)采用多层前馈型神经网络进行数据挖掘，建立焊接工时预测模型；

步骤s6)将物量和作业方式输入到预测模型中，得到该物量需要被加工的工时。

进一步地，在步骤s3中，所述最相关的重要维度为最影响工时的影响因素，最影响工时的影响因素包括焊接方法、焊接形式、零件类型、是否平直流水线片体、板厚、焊缝长度、是否线型、面板是否加工、焊接位置、作业阶段和组立流向。

进一步地，在步骤s5中，多层前馈型神经网络的数据挖掘包括以下步骤：

步骤s501)将网络初始化；

步骤s502)取一个样本，正向船舶输入模型中；

步骤s503)计算各层神经元输入和输出；

步骤s504)计算输出值与实际值的误差；

步骤s505)将其误差反向传播，通过不同的神经元之间的传递路径的权值，计算偏导，调整权值和阈值；

步骤s506)判断学习样本是否用尽，若是，跳转步骤s507，若否，返回至步骤s502；

步骤s507)计算网络的平均误差e；

步骤s508)判断平均误差e的精度是否满足要求，若是则结束学习过程，若否则跳转步骤s509；

步骤s509)判断迭代次数是否达到上限，若是，结束学习过程，若否，返回至步骤s506。

进一步地，所述建立焊接工时预测模型包括：通过神经网络对历史数据进行学习，找出潜在的对应关系，挖掘输入维度和输出工时之间的对应关系，形成一个权值固定的多层前馈型神经网络模型。

进一步地，形成一个权值固定的多层前馈型神经网络模型包括以下步骤：

步骤s511)数据预处理；

步骤s512)建立神经网络结构；

步骤s513)判断训练是否达到设定次数，若是，跳转步骤s516，若否，跳转步骤s514；

步骤s514)训练数据集中选取一个batch的数据；

步骤s515)训练神经网络参数，并返回至步骤s513；

步骤s516)计算测试数据集的误差；

步骤s517)判断训练次数是否达到上限，若达到上限，修改神经网络结构，并返回至步骤s513，若未达到上限，则继续判断误差是否满足要求，若满足要求，跳转步骤s518，若不满足要求，返回至步骤s513；

步骤s518)预测未知数据。

本发明的优点在于：用多个焊接影响因素来预测具体的焊接工时的值，通过机器学习的方法，发现重要维度和焊接工时值之间的对应关系，找到重要维度之间的规律后，对测试数据进行预测，并对比其准确性，从精准预测焊接每一笔工单的精确工时为切入点，通过较为精准地预测每一笔焊接工单的工时，从细微之处尽可能地精确量化，以此来达到宏观精准预测整体所需工时，最终达到精准预测大工期、交付期的目标。

附图说明

图1为本发明数据挖掘的流程图；

图2为本发明多层前馈型神经网络的学习过程示意图；

图3为本发明采用的简易多层前馈型神经网络的网络结构图；

图4为本发明物量衡定时的数据挖掘流程图；

图5为本发明的模型进行学习后，对未知数据进行预测的效果图；

图6为本发明采用指数衰减学习率方法后学习率衰减的效果图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本实施例公开了一种基于焊接物量和作业方式衡定焊接派工工时的方法，如图1所示，包括以下步骤：

步骤s1)在船舶分段智能车间系统内，收集同一工种的作业数据，记录分段焊接加工生产数据，优选地，基于mes等信息化程度较高的系统，从尽可能多的焊接维度收集记录这些生产数据；

步骤s2)将异构、时序的生产数据集成到一起，按照时序或者样本的分类，将不同数据按逻辑或物理，将若干个分散的数据源中的数据集成到一个数据集合中；

步骤s3)对焊接数据进行数据筛选，挑选出于目标任务最相关的重要维度；

步骤s4)对筛选后的数据进行预处理，预处理包括数据规约和数据变换，通过数据规约得到能够与原始数据集近似等效甚至更好，但是数据量较少的数据集；通过数据变换将数据从一种表示形式变为另一种表现形式，常用的数据变换方式是数据标准化、离散化和语义转换；

步骤s5)采用多层前馈型神经网络进行数据挖掘，建立焊接工时预测模型；

步骤s6)将物量和作业方式输入到预测模型中，得到该物量需要被加工的工时。

在步骤s3中，所述最相关的重要维度为最影响工时的影响因素，最影响工时的影响因素包括焊接方法、焊接形式、零件类型、是否平直流水线片体、板厚、焊缝长度、是否线型、面板是否加工、焊接位置、作业阶段和组立流向。

步骤s5中，采用多层前馈型神经网络进行数据挖掘，神经网络的优势在于：1)可以任意精度逼近任意函数；2)神经网络方法本身属于非线性模型，能够适应各种复杂的数据关系；3)神经网络具备很强的学习能力，使它能比很多分类算法更好地适应数据空间的变化；4)神经网络借鉴人脑的物理结构和机理，能够模拟人脑的某些功能，具备智能的特点。

多层前馈型神经网络的学习过程由信号的正向传播和误差的反向传播两个过程组成，进行正向传播时信号从输入层计算各层加权和，经由各隐藏层最终传输到输出层，得到输出结果，比较输出结果和期望结果，得到输出误差；误差的反向传播是依照梯度下降算法将误差沿着隐藏层到输入层逐层反向传播，将误差分摊给各层的所有单元，从而得到各个单元的误差信号，据此修改各个单元的权值；这两个信号过程不断循环以更新权值，并最终根据判定条件判断是否循环结束。

多层前馈型神经网络优选采用单层隐藏层网络，其中包括输入层、隐藏层和输出层，多层前馈型神经网络的激活函数必须可微，一般可以采用sigmoid函数作为激活函数，隐藏层和输出层可以都采用sigmoid函数。

输出在隐层的表示为：

输出在输出层的表示为：

用代价函数e来描述网络误差，使用随机梯度下降算法，以代价函数的负梯度方向对参数进行调整，每次只针对一个训练样例更新权值，这种算法被称作误差反向传播算法。

梯度下降反向调整权值，根据梯度下降策略，误差沿梯度方向下降最快，所以应使权值的调整量与误差的梯度下降成正比，即：

对于输出层：

对于隐层：

式中，η∈(0,1)，表示学习率，用来限制训练速度的快慢。

对于网络的输出误差定义为：

对于第p个样本：

对于全部样本：

具体实施时，如图2所示，在步骤s5中，多层前馈型神经网络的数据挖掘包括以下步骤：

步骤s501)将网络初始化；

步骤s502)取一个样本，正向船舶输入模型中；

步骤s503)计算各层神经元输入和输出；

步骤s504)计算输出值与实际值的误差；

步骤s505)将其误差反向传播，通过不同的神经元之间的传递路径的权值，计算偏导，调整权值和阈值；

步骤s506)判断学习样本是否用尽，若是，跳转步骤s507，若否，返回至步骤s502；

步骤s507)计算网络的平均误差e；

步骤s508)判断平均误差e的精度是否满足要求，若是则结束学习过程，若否则跳转步骤s509；

步骤s509)判断迭代次数是否达到上限，若是，结束学习过程，求得最优解，若否，返回至步骤s506。

如图3所示，为多层前馈型神经网络的网络结构图；通过神经网络对历史数据进行学习，找出潜在的对应关系，挖掘输入维度和输出工时之间的对应关系，形成如图4所示的权值固定的多层前馈型神经网络模型，形成权值固定的多层前馈型神经网络模型具体包括以下步骤：

步骤s511)数据预处理；

步骤s512)建立神经网络结构；

步骤s513)判断训练是否达到设定次数，若是，跳转步骤s516，若否，跳转步骤s514；

步骤s514)训练数据集中选取一个batch的数据；

步骤s515)训练神经网络参数，并返回至步骤s513；

步骤s516)计算测试数据集的误差；

步骤s517)判断训练次数是否达到上限，若达到上限，修改神经网络结构，并返回至步骤s513，若未达到上限，则继续判断误差是否满足要求，若满足要求，跳转步骤s518，若不满足要求，返回至步骤s513；

步骤s518)预测未知数据。

在船舶制造生产过程中的焊接派工领域中，从大量的焊接派工单记录中进行学习，挖掘焊接重要维度与焊接工时之间实际的关系，这种关系不仅仅是建立在物量的基础上，同时也隐性地涵盖了人员的效率、设备的质量、物料的选取。

通过对800多条历史记录作为样本，进行此次试验，其中90％数据进行学习，另外10％的数据让学完的模型进行预测，预测结果如图5，在机器没有见到过的10％数据中，预测结果与焊接实际工时的rmsebyhand:0.0626936109362(均方根误差为0.06269)。

在此基础上，采用指数衰减学习率方法，可以更快速预测工时；如图6所示，在迭代一定代数后，学习率(即学习步长)已衰减为原来的20％，进行微调，而不再是粗放型调节参数。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。