一种工业大数据驱动的总完工时间预测方法
【技术领域】
[0001] 本发明涉及工程应用领域，具体是涉及一种工业大数据驱动的总完工时间预测方 法。
【背景技术】
[0002] 所谓"总完工时间"，是指在调度问题中，被调度对象一般为由N个工件（Job)组成 的集合，称之为实例（Instance)。用I表示实例，1表示其中的第j个工件。每个工件J j都 有各自的到达时间（Release time) Rj和加工时间Pj (Processing time)。在调度方案S中， 开工时间为Sj (Starttime)，完工时间为Cj (Completion time)，而总完工时间即Σ Cj (Total completion time)。所谓"总完工时间预测"，是指用科学的数学模型预测出任务或项目的 总完工时间。
[0003] 在工程应用中，广泛存在着总完工时间预测的需求。例如在制造企业中，存在着各 种不同类型的产品、种类繁多的加工方式和生产能力各不相同的设备，生产调度能更合理 地协调各种活动，从而提高生产率同时降低生产成本。制定科学的调度方案（包括预测出 合理的总完工时间），可以有效地控制车间的在制品库存，提高产品交货期满足率和缩短产 品制造周期，同时向车间层人员提供工作指导，有助于上层管理者评价车间层的工作状况。 因此，总完工时间预测的研宄对提高企业生产效率、增强企业竞争力有着很强的实际意义。
[0004] 随着经济全球化的深入和科学技术的发展，制造企业面临的外部环境越来越复杂 多变，如市场变化迅速、竞争加剧、客户多样化等等。生产调度问题作为制造系统的一个核 心问题，优良的调度结果可以帮助企业缩短生产周期、提高生产效率、增强竞争力，而最小 化完工时间的生产调度问题获得了更多的关注。因此，需要对生产调度问题中的总完工时 间进行预测，来优化企业的生产流程，提高企业的生产效率。
[0005] 对制造企业来讲，影响总完工时间预测的因素不仅仅局限于某个车间，而是涉及 到产品设计、制造、运维等各个环节，这些环节所涉及的数据即属于工业大数据的范畴，包 含传感器数据、控制器数据及设备系统的网络化数据等。因此，总完工时间预测需要与工业 大数据的挖掘分析有机融合，即需要通过工业大数据的分析获取影响产品总完工时间的各 项历史数据和影响因素，进而利用这些影响因素及相关的其它历史数据完成产品总完工时 间的预测。
[0006] 对于工程应用领域及制造企业中的总完工时间预测方法已有了很多研宄，但到目 前为止，尚无一种在工业大数据驱动下对影响因素进行分析挖掘，并将动态特性融入预测 模型的总完工时间预测方法。
【发明内容】
[0007] 本发明的目的是为了克服上述【背景技术】的不足，提供一种工业大数据驱动的总完 工时间预测方法，能够对总完工时间进行准确预测，优化企业的生产流程，提高企业的生产 效率，并且能够适应企业因时间推移引起的各种变化。
[0008] 本发明提供一种工业大数据驱动的总完工时间预测方法，包括以下步骤：
[0009] S1、基于Hadoop构建包含关系型数据库数据、传感器数据和控制器数据的工业大 数据分析平台，转到步骤S2;
[0010] S2、在MapReduce框架下运用Apriori关联规则挖掘算法，在工业大数据分析平台 中进行分析和挖掘，得到总完工时间影响因素，转到步骤S3 ;
[0011] S3、结合总完工时间影响因素和总完工时间历史数据，构建神经网络模型BP，产生 神经网络模型BP的初始权值，转到步骤S4 ;
[0012] S4、对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP， 产生动态神经网络模型DBP的权值和阈值，转到步骤S5 ;
[0013] S5、运用自适应免疫遗传 AIGA算法优化动态神经网络模型DBP，获得预测模型 AIGA-DBP，根据预测模型AIGA-DBP计算总完工时间预测值，转到步骤S6 ;
[0014] S6、判断总完工时间预测值与总完工时间期望值的误差是否满足设定的条件，若 是，转到步骤S7 ;否则重新执行到步骤S5 ;
[0015] S7、输出总完工时间预测值，结束。
[0016] 在上述技术方案的基础上，步骤Sl具体包括以下步骤：
[0017] 将关系型数据库数据、传感器数据和控制器数据通过Sqoop上传至分布式文件系 统HDFS，并存储至NoSQL数据库中；利用MapReduce计算框架对关系型数据库数据、传感器 数据和控制器数据进行挖掘分析，将分析好的数据写入NoSQL数据库，并通过Web展示。
[0018] 在上述技术方案的基础上，步骤S2中在MapReduce框架下运用Apriori关联规则 挖掘算法具体包括以下步骤：
[0019] S201、使用MapReduce计算模型得到频繁1项集的集合L1，产生候选k项集的集 合 Ck(k 多 2);
[0020] S202、在Map函数处理阶段，每个Map任务计算其所处理的事务数据集中每个事务 记录中包含在Ck中的项目集的出现次数，对于每个Map任务来说，如果候选k项集的某个 项集（包含k个项目）出现在一个事务记录中，则Map函数产生并输出〈某个项集，1>键值 对给Combiner函数，由Combiner函数处理后交给Reduce函数；
[0021] S203、在Reduce函数处理阶段，Reduce函数累加 Ck中的项目集的出现次数，得到 所有项目集的支持频度，所有支持频度多设定的最小支持频度的项目集组成频繁项集L k的 集合，如果k <最大的迭代次数且不为空，则执行k++，转入步骤S202 ;否则，结束运行。
[0022] 在上述技术方案的基础上，步骤S3中所述产生神经网络模型BP初始权值的方法 为以下4种方法中任意一种：
[0023] 方法一：随机地在区间[-1，1]之间选择初始权值；
[0024] 方法二：随机地在零附近的一个区间[_0. 01，0. 01]之间选择初始权值；
[0025] 方法三：神经网络模型BP中存在两级网络：输入层与隐含层与之间的网络、隐含 层与输出层之间的网络，两级网络的初始权值采用不同的选择方式：输入层至隐含层连接 权值初始化为随机数，隐含层到输出层的连接权值初始化为-1或1 ;
[0026] 方法四：将权值初始化为[a，b]之间的随机数，其中a，b为满足以下方程的整数：
[0027]
【主权项】
1. 一种工业大数据驱动的总完工时间预测方法，其特征在于，包括以下步骤： 51、 基于Hadoop构建包含关系型数据库数据、传感器数据和控制器数据的工业大数据 分析平台，转到步骤S2 ; 52、 在MapReduce框架下运用Apriori关联规则挖掘算法，在工业大数据分析平台中进 行分析和挖掘，得到总完工时间影响因素，转到步骤S3 ; 53、 结合总完工时间影响因素和总完工时间历史数据，构建神经网