【技术实现步骤摘要】
工时预测方法、装置及系统
[0001]本申请涉及工时管理
，尤其是涉及一种工时预测方法、装置及系统。
技术介绍
[0002]当前的工时定额方法主要以经验类比法、预定动作时间标准法等为主，无论是标准工时库的建立还是工时定额过程都十分依赖人工经验，在当前的生产环境之下难以确保准确性和时效性。近些年，随着计算机与人工智能技术的发展，以“大数据”为基础的人工神经网络方法逐渐成为工时预测的主要方法。然而，一者，目前运用神经网络进行工时预测也具有一定的瓶颈，例如目前提出的大部分工时预测方法都只是针对某一具体产品的生产过程、或者针对某一具体的生产模式，缺乏通用性；二者，神经网络输入特征的选择大多依赖于人的经验，特征的选择、提取和编码过程需要大量的人工工作，难以保证特征选择与提取的效果和工时预测的精度。
技术实现思路
[0003]本申请的目的在于提供一种工时预测方法、装置及系统，从而解决现有技术中工时预测依赖人的经验且精度不高的问题。
[0004]为了达到上述目的，本申请提供一种工时预测方法，包括：
[...
【技术保护点】
【技术特征摘要】
1.一种工时预测方法，其特征在于，包括：接收用户输入的记录有工作过程的原始数据；结合预先设置的专业词库，对所述原始数据进行预处理，获得目标数据；在所述目标数据内，提取用于进行工时预测的语义特征；根据所述语义特征和用户输入的工时影响因素，进行工时预测。2.根据权利要求1所述的方法，其特征在于，所述预处理包括以下至少一项：同义词归一化；基于所述专业词库的中文分词；停用词的删除；词频统计。3.根据权利要求2所述的方法，其特征在于，结合预先设置的专业词库，对所述原始数据进行预处理，获得目标数据，包括：对所述原始数据进行同义词归一化处理，获得归一化数据；基于所述专业词库，对所述归一化数据进行中文分词，获得分词结果；其中，所述专业词库中包括专业词语和所述专业词语的专业等级；删除所述分词结果中的停用词；对删除所述停用词之后的数据进行词频统计，获得所述目标数据。4.根据权利要求1所述的方法，其特征在于，在所述目标数据内，提取用于进行工时预测的语义特征，包括：采用目标狄利克雷分布LDA模型，对所述目标数据进行处理，提取所述语义特征；其中，所述语义特征包括：文档
‑
主题矩阵和主题
‑
词语矩阵。5.根据权利要求4所述的方法，其特征在于，目标LDA模型的训练过程包括：获取用于模型训练的文档
‑
词语矩阵和用户输入的参数信息，所述文档
‑
词语矩阵为对用户输入的文档集中的数据进行预处理的结果；根据所述参数信息，构建初始LDA模型；利用所述文档
‑
词语矩阵，对所述初始LDA模型进行吉布斯采样迭代训练，获得目标LDA模型；其中，所述参数信息包括主题数量、表征主题密度的第一超参数和表征词密度的第二超参数。6.根据权利要求5所述的方法，其特征在于，利用所述文档
‑
词语矩阵，对所述初始LDA模型进行吉布斯采样迭代训练，获得目标LDA模型，包括：根据当前获取的所述文档
‑
词语矩阵，对所述初始LDA模型进行吉布斯采样训练，获得文档
‑
主题概率分布矩阵和主题
‑
词语概率分布矩阵；根据当前获得的所述文档
‑
主题概率分布矩阵和所述主题
‑
词语概率分布矩阵，确定模型困惑度值；根据所述模型困惑度值，调整所述主题数量，并返回至所述根据当前获取的所述文档
‑
词语矩阵，对所述初始LDA模型进行吉布斯采样训练，获得文档
‑
主题概率分布矩阵和主题
‑
词语概率分布矩阵的步骤；在所述模型困惑度值满足预设条件的情况下，获得所述目标LDA模型。
7.根据权利要求1所述的方法，其特征在于，根据所述语义特征和用户输入的工时影响因素，进行工时预测，包括：获取用户输入的工时影响因素；根据所述语义特征和用户输入的工时影响因素，构建特征模型；将所述特征模型输入至工时预测模型进行工时预测，获得工时预测结果；其中，所述工时预测模型为基于神经网络的工时预测模型。8.根据权利要求1或7所述的方法，其特征在于，所述工时影响因素包括以下至少一项：装配对象；装配动作；精度要求；设备和工装特征；不确定因素特征。9.一种工时预测装置，其特征在于，包括：接收模块，用于接收用户输入的记录有工作过程的原始数据；第一获取模块，用于结合预先设置的专业词库，对所述原始数据进行预处理，获得目标数据；第二获取模块，用于在所述目标数据内，提取用于进行工时预测的语义特征；预测模块，...
【专利技术属性】
技术研发人员：熊辉，刘检华，程益，胡哲源，庄存波，张雷，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。