一种轴承制造工时定额修正方法技术

本发明专利技术公开了一种轴承制造工时定额修正方法。首先基于Markov链和Cloud模型对多个修正模型进行过滤，以获取更优秀的修正模型参与轴承制造工时定额的组合修正；采用改进免疫粒子群算法，计算过滤后的修正模型的重要度；根据过滤后的修正模型的重要度，进行组合修正。本发明专利技术应用简便，易于实现，以轴承制造中各工序的历史实动工时数据为依据，实现轴承制造工时定额修正。

【技术实现步骤摘要】
一种轴承制造工时定额修正方法
本专利技术涉及产品制造工时定额管理领域，具体为一种轴承制造工时定额修正方法。
技术介绍
轴承制造的工时定额是一项重要的基础数据，应用于制造过程的详细作业计划、生产调度、设备负荷计算等，其准确程度直接影响到制造过程的运行结果及其对生产的促进作用。可见，轴承制造的工时定额对合理安排生产、平衡生产能力具有重要的意义，而且是轴承制造企业确定交货期、制定生产计划、核算成本、计算产能与负荷的依据，有了准确的工时定额才能提高轴承制造企业的生产效率、降低生产成本，最终提高市场竞争能力。为提高轴承制造工时定额的准确程度，常用的修正方法是由工作经验丰富的工时定额员来查表和计算，存在效率低下、误差偏高、过于依赖经验等缺点。实动工时也称“实际工时”，是与工时定额相对的一个概念，它指的是企业、车间、班组或工人生产过程中实际耗费的工作时间。在轴承制造企业的现实生产活动中，受各种因素影响，实动工时往往不等于工时定额。轴承制造可分解为多个工序，工时定额和实动工时也可按工序进行细化，轴承制造工时定额的修正实际上是对所包含的工序工时定额的修正。理论上，在轴承制造企业生产条件基本不变的情况下，工人们完成同一个工序所耗费的时间会越来越短，但实际上受各种内外部因素的综合影响，同一个工序的历史实动工时呈现出一定的波动性。挖掘历史实动工时波动性中蕴含的内在规律，能为轴承制造工时定额修正提供一种思路。
技术实现思路
本专利技术提供了一种轴承制造工时定额修正方法。首先定义了各候选预测模型的综合有效度，通过基于Markov链和Cloud模型的两阶预测模型过滤方法筛选出较优秀的预测模型参加后续的组合预测；采用改进的免疫粒子群算法求解各预测模型的重要度，通过多模型组合来预测部装任务的交付期。本专利技术的技术方案是：所述一种轴承制造工时定额修正方法，其特征在于：包括如下步骤：步骤1：对多个修正模型进行过滤，获取更优秀的修正模型参与轴承制造工时定额的组合修正。将一个完整的轴承制造过程称为一个制造任务，制造任务由多个工序任务组成。设历史制造任务依次为1,2,…,nhis；待修正制造任务实际上是虚拟的制造任务，设置待修正制造任务为nhis+1,nhis+2,…,nhis+nfo，这里nfo≥1。每个历史制造任务和待修正制造任务均包含npro个工序任务。对于历史制造任务e(e＝1,2,…,nhis)，其包含的工序任务的实动工时依次设为y'(e,1),y'(e,2),…,y'(e,npro)；对于待修正制造任务c(c＝nhis+1,nhis+2,…,nhis+nfo)，其包含的工序任务的预测工时依次为y(c,1),y(c,2),…,y(c,npro)。步骤1.1计算修正模型FMd在历史制造任务区间[1,nhis]上的有效度FIVd。设有nfm个候选修正模型。根据修正模型FMd(d＝1,2,…,nfm)，历史制造任务e的工序任务工时的拟合值依次为y'd(e,1),y'd(e,2),…,y'd(e,npro)，待修正制造任务c的工序任务工时的修正值依次为yd(c,1),yd(c,2),…,yd(c,npro)。修正模型FMd在历史制造任务e(e＝1,2,…,nhis)的工序任务j上的拟合值为y'd(e,j)，那么相对误差RE'd(e,j)和精度P'd(e,j)可分别表示为和于是，可得修正模型FMd在历史制造任务的工序任务j上的有效度FIVd(j)为FIVd(j)＝EXP(P'd(e,j))·(1-σ(P'd(e,j)))，式中从而算得修正模型FMd在历史制造任务区间[1,nhis]上的有效度步骤1.2基于Markov链对修正模型FMd在待修正制造任务区间[nhis+1,nhis+nfo]上的精度范围进行估计。将修正模型FMd在nhis个历史制造任务的同一工序任务j上的精度值划分为nsi(nsi≤nhis)个等距的子区间将每个子区间视为一个精度状态。对于子区间(g＝1,2,…,nsi)，有式中，分别为子区间的下限和上限。特殊地，对于和有和还满足s.t.g≠h,g,h＝1,2,...,nsi。根据修正模型FMd在nhis个历史制造任务的工序任务j上的精度序列{P'd(e,j)}(这里e＝1,2,…,nhis，j＝1,2,…,npro)，确定精度状态发生的总次数为OCg(OCg<nhis)，即在精度序列{P'd(e,j)}中精度值落入子区间的总次数。设从精度状态转移到的转移次数为TRNh,g，从而得到修正模型FMd在该工序任务上从精度状态转移到的转移概率为从而可得修正模型FMd的1步状态转移矩阵为那么q步状态转移矩阵是1步状态转移矩阵的q次方，即构造初始行向量IVd，其元素为修正模型FMd的各精度状态出现的频数。将IVd与q步状态转移矩阵相乘，得新状态矩阵为计算新状态矩阵SMd的各列之和。若第i(i＝1,2,…,nsi)列的元素之和最大，则精度属于精度状态由此估计出修正模型FMd在工序任务j上的精度范围。步骤1.3基于Cloud模型对修正模型FMd在待修正制造任务区间[nhis+1,nhis+nfo]上的精度进行估计。以修正模型FMd在nhis个历史制造任务的工序任务j的精度序列{P'd(e,j)}为输入，基于反向Cloud算法将{P'd(e,j)}映射为正态Cloud模型，模型输出为期望Exd、熵End、超熵Hed，详细算法为Exd＝EXP(P'd(e,j))；构造一个正向Cloud发生器，其输入为Exd、End、Hed，同时以步骤1.1中估计出的精度范围为约束，用正向Cloud模型定量估计精度，先产生一个以End为期望、以Hed为方差的正态随机数En'd＝NORM(End,Hed)，然后再产生一个以Exd为期望、以En'd为方差的正态随机数NORM(Exd,En'd)，即为修正模型FMd在待修正制造任务区间内工序任务j上的估计精度Pd(c,j)。步骤1.4基于综合有效度对修正模型进行过滤。在整个制造任务区间[1,nhis]∪[nhis+1,nhis+nfo]上，修正模型FMd的综合有效度为CVd＝Coe·FIVd+(1-Coe)·FOVd，式中：FIVd是修正模型FMd在历史制造任务区间[1,nhis]上的有效度，由步骤1.1算得；FOVd是修正模型FMd在待修正制造任务区间[nhis+1,nhis+nfo]上的有效度，这里FOVd(j)为修正模型FMd在待修正制造任务的工序任务j的有效度，FOVd(j)＝EXP(Pd(c,j))·(1-σ(Pd(c,j)))，根据步骤1.3算得的Pd(c,j)算得FOVd(j)，进而算得FOVd。系数Coe(0≤Coe≤1)表示决策者对FIVd的重视程度，由决策者来确定。Coe越大，FIVd越受重视，FOVd越不受重视，这里取Coe＝0.5，即认为两者同样重要。算得所有修正模型的综合有效度后，采用各修正模型综合有效度的平均值作为修正模型过滤的阈值，如果修正模型FMd将被筛选出来参加参与轴承制造工时定额的组合修正，否则将被过滤掉。实际应用中，也可根据实际情况或决策者的经验对过滤阈值进行调整。步骤2：采用改进免疫粒子群算法，计算过滤后的修正模型的重要度。设从nfm个修正模型中过滤出了nsfm(nsfm<本文档来自技高网...

【技术保护点】
一种轴承制造工时定额修正方法，其特征在于，包括如下步骤：步骤1：对多个修正模型进行过滤，获取更优秀的修正模型参与轴承制造工时定额的组合修正。将一个完整的轴承制造过程称为一个制造任务，制造任务由多个工序任务组成。设历史制造任务依次为1,2,…,n

【技术特征摘要】
1.一种轴承制造工时定额修正方法，其特征在于，包括如下步骤：步骤1：对多个修正模型进行过滤，获取更优秀的修正模型参与轴承制造工时定额的组合修正。将一个完整的轴承制造过程称为一个制造任务，制造任务由多个工序任务组成。设历史制造任务依次为1,2,…,nhis；待修正制造任务实际上是虚拟的制造任务，设置待修正制造任务为nhis+1,nhis+2,…,nhis+nfo，这里nfo≥1。每个历史制造任务和待修正制造任务均包含npro个工序任务。对于历史制造任务e(e＝1,2,…,nhis)，其包含的工序任务的实动工时依次设为y'(e,1),y'(e,2),…,y'(e,npro)；对于待修正制造任务c(c＝nhis+1,nhis+2,…,nhis+nfo)，其包含的工序任务的预测工时依次为y(c,1),y(c,2),…,y(c,npro)。步骤1.1计算修正模型FMd在历史制造任务区间[1,nhis]上的有效度FIVd。设有nfm个候选修正模型。根据修正模型FMd(d＝1,2,…,nfm)，历史制造任务e的工序任务工时的拟合值依次为y'd(e,1),y'd(e,2),…,y'd(e,npro)，待修正制造任务c的工序任务工时的修正值依次为yd(c,1),yd(c,2),…,yd(c,npro)。修正模型FMd在历史制造任务e(e＝1,2,…,nhis)的工序任务j上的拟合值为y'd(e,j)，那么相对误差RE'd(e,j)和精度P'd(e,j)可分别表示为和于是，可得修正模型FMd在历史制造任务的工序任务j上的有效度FIVd(j)为FIVd(j)＝EXP(P'd(e,j))·(1-σ(P'd(e,j)))，式中从而算得修正模型FMd在历史制造任务区间[1,nhis]上的有效度步骤1.2基于Markov链对修正模型FMd在待修正制造任务区间[nhis+1,nhis+nfo]上的精度范围进行估计。将修正模型FMd在nhis个历史制造任务的同一工序任务j上的精度值划分为nsi(nsi≤nhis)个等距的子区间将每个子区间视为一个精度状态。对于子区间(g＝1,2,…,nsi)，有式中，分别为子区间的下限和上限。特殊地，对于和有和还满足s.t.g≠h,g,h＝1,2,...,nsi。根据修正模型FMd在nhis个历史制造任务的工序任务j上的精度序列{P'd(e,j)}(这里e＝1,2,…,nhis，j＝1,2,…,npro)，确定精度状态发生的总次数为OCg(OCg<nhis)，即在精度序列{P'd(e,j)}中精度值落入子区间的总次数。设从精度状态转移到的转移次数为TRNh,g，从而得到修正模型FMd在该工序任务上从精度状态转移到的转移概率为从而可得修正模型FMd的1步状态转移矩阵为那么q步状态转移矩阵是1步状态转移矩阵的q次方，即构造初始行向量IVd，其元素为修正模型FMd的各精度状态出现的频数。将IVd与q步状态转移矩阵相乘，得新状态矩阵为计算新状态矩阵SMd的各列之和。若第i(i＝1,2,…,nsi)列的元素之和最大，则精度属于精度状态由此估计出修正模型FMd在工序任务j上的精度范围。步骤1.3基于Cloud模型对修正模型FMd在待修正制造任务区间[nhis+1,nhis+nfo]上的精度进行估计。以修正模型FMd在nhis个历史制造任务的工序任务j的精度序列{P'd(e,j)}为输入，基于反向Cloud算法将{P'd(e,j)}映射为正态Cloud模型，模型输出为期望Exd、熵End、超熵Hed，详细算法为Exd＝EXP(P'd(e,j))；构造一个正向Cloud发生器，其输入为Exd、End、Hed，同时以步骤1.1中估计出的精度范围为约束，用正向Cloud模型定量估计精度，先产生一个以End为期望、以Hed为方差的正态随机数En'd＝NORM(End,Hed)，然后再产生一个以Exd为期望、以En'd为方差的正态随机数NORM(Exd,En'd)，即为修正模型FMd在待修正制造任务区间内工序任务j上的估计精度Pd(c,j)。步骤1.4基于综合有效度对修正模型进行过滤。在整个制造任务区间[1,nhis]∪[nhis+1,nhis+nfo]上，修正模型FMd的综合有效度为CVd＝Coe·FIVd+(1-Coe)·FOVd，式中：FIVd是修正模型FMd在历史制造任务区间[1,nhis]上的有效度，由步骤1.1算得；FOVd是修正模型FMd在待修正制造任务区间[nhis+1,nhis+nfo]上的有效度，这里FOVd(j)为修正模型FMd在待修正制造任务的工序任务j的有效度，FOVd(j)＝EXP(Pd(c,j))·(1-σ(Pd(c,j)))，根据步骤1.3算得的Pd(c,j)算得FOVd(j)，进而算得FOVd。系数Coe(0≤Coe≤1)表示决策者对FIVd的重视程度，由决策者来确定。Coe越大，FIVd越受重视，FOVd越不受重视，这里取Coe＝0.5，即认为两者同样重要。算得所有修正模型的综合有效度后，采用各修正模型综合有效度的平均值作为修正模型过滤的阈值，如果修正模型FMd将被筛选出来参加参与轴承制造工时定额的组合修正，否则将被过滤掉。实际应用中，也可根据实际情况或决策者的经验对过滤阈值进行调整。步骤2：采用改进免疫粒子群算法，计算过滤后的修正模型的重要度。设从nf...

【专利技术属性】
技术研发人员：李联辉，李红梅，孙红霞，李茂强，
申请(专利权)人：北方民族大学，
类型：发明
国别省市：宁夏,64