一种基于工序聚类的工时预测方法技术

本发明专利技术公开了一种基于工序聚类的工时预测方法，涉及时间序列预测的研究领域。预测特定目标团队加工目标工序的时间，为排程方案的选择和生产周期的评估提供了参考依据。本发明专利技术依据工序的聚类结果，对不同种类的工序进行相应的工时数据拟合，分别得到与团队累计加工数量、人员班制和团队人数三种因素关联的学习曲线模型，确定目标工序和目标团队后，根据聚类结果计算目标工序所属类别，以及目标团队在该类任务下的三因素学习曲线，对目标工时作出预测。测。测。

【技术实现步骤摘要】
一种基于工序聚类的工时预测方法


[0001]本专利技术涉及时间序列预测的研究领域，更具体地，涉及一种工序聚类方法及基于学习曲线的时序预测方法。

技术介绍

[0002]在多数电子产品车间中，产品加工需要经过多道复杂工序，这类工序需要人工和机器共同加工完成，加工时间也和人工参与度、人员操作的熟练度、人员健康状况、心情状况以及工作环境等因素密切相关，而由于车间中人员流动性大、员工学习效率不同等因素，难以对加工时间进行精准预测。目前，大多数电子车间主要采用人工粗略估计的方式制定工时，而基于这种不准确的工时预测作出的排程方案和生产周期评估等，会与实际产生较大偏差，进而影响对生产节奏的掌握。
[0003]当前已有的针对半手工工序的工时预测研究多局限于对一个或着一类工序进行预测，不适合于实际电子产品精密件车间中工序种类繁多，且操作难度不一、员工参与程度不一的情况。

技术实现思路

[0004]本专利技术的目的是为电子产品精密件半人工半自动化生产车间提供一种工时预测方法，为车间安排生产方案和估计生产周期提供参考。
[0005]本专利技术提出一种针对电子产品精密件半人工半自动化生产车间的工时预测方法，该方法首先通过分析工序特征实现对工序的聚类。然后考虑团队累计加工数量、人员班制和团队人数三个因素，对学习效率进行综合评判，由传统CD生产函数推导出与这三个因素关联的学习曲线模型。再通过采集和回归分析每类工序的相关历史工时数据，对每类学习曲线模型中的系数进行求解，并建立相应的学习曲线模型数据库。结合工序聚类结果和该类别特定的三因素学习曲线模型，即可实现对指定团队加工的新到来工序的工时预测。
[0006]从而本专利技术技术方案为一种基于工序聚类的工时预测方法，该方法包括：
[0007]步骤1：基于自组织特征映射神经网络对工序进行聚类；
[0008]步骤1.1：从企业CAPP、ERP系统中采集所有加工工序的名称及其工艺特征，并对其特征进行量化；
[0009]步骤1.2：将所有工序的特征整理为n维向量形式，并对其进行归一化处理，作为SOFM网络的输入样本，SOFM网络表示自组织特征映射网络；
[0010]步骤1.3：依据输入数据特征，对SOFM网络进行设计，包括输入层神经元节点个数、输出层节点个数、学习率及学习次数；
[0011]步骤1.4：SOFM网络通过计算所有神经元节点与输入样本间的距离确定获胜节点及优势邻域，并调整优势邻域内神经元节点的权值；当获胜节点的学习率小于固定值时，结束SOFM网络训练过程，得到输入n维向量的聚类结果；
[0012]步骤2：推导并拟合三因素学习曲线模型预测目标工序加工时间；
[0013]步骤2.1：由柯布
‑
道格拉斯生产函数推导出与团队累计加工数量、人员班制和团队人数三个因素关联的学习曲线模型；
[0014]步骤2.2：采集并处理多个不同团队加工各类别工序的工时数据，针对不同类别的工序分别进行回归分析，求解学习曲线模型中的系数，得到各类工序特定的学习曲线模型，并进行数据库存储；
[0015]步骤2.3：确定待加工的工序，依据SOFM网络对其进行归类，并从数据库中获取相应类别的学习曲线模型；
[0016]步骤2.4：确定该工序的操作团队，将该团队的累计加工数量、人员班制和团队人数代入该类学习曲线模型得到目标工时。
[0017]进一步的，所述1.3的具体方法为：
[0018]步骤1.3.1：输入输出层节点数设置；
[0019]输入层节点数设置为5，输出层最终确定为由80个五维节点组成8*10的二维网格结构；
[0020]步骤1.3.2：输出层神经元初始化；
[0021]用[0，1]区间内的随机小数为输出层各神经元分量赋初值，得到j＝1,2，
…
，m，m为输出层神经元数；
[0022]步骤1.3.3：权重初始化；
[0023]用[0，1]区间内的随机小数为n个输入节点与m个输出节点之间的连接权重{w
ij
，i＝1，...，n，j＝1，...，m}赋初值，输出节点j与输入节点间的权重向量用W
j
＝[W
1j
，W
2j
，...，W
nj
]表示；
[0024]步骤1.3.4：优胜邻域设置；
[0025]初次训练时，优胜邻域设置为以获胜神经元为中心的8*8网格，随迭代次数的增加，优胜邻域n
j*
(t)的边长d按公式(2)逐渐缩小；
[0026]d(t)＝d(0)(1
‑
t/t
n
)(2)
[0027]式中：r(0)为初始优胜邻域边长；t为当前迭代次数；t
n
为总迭代次数；
[0028]步骤1.3.5：获胜结点学习率设置；
[0029]初次训练时，学习率α(0)设置为0.9，随着迭代次数t的增加，学习率α(t)按照公式(3)逐渐下降；
[0030]α(t)＝α(0)(1
‑
t/t
n
)(3)
[0031]式中：α(0)为初始学习率；t为当前迭代次数；t
n
为总迭代次数。
[0032]所述步骤1.4的具体方法为：
[0033]步骤1.4.1：对输入向量与所有竞争层神经元进行相似度比较；
[0034]选取输入向量与竞争层神经元根据公式(4)计算两者间的欧式距离，欧式距离越短表示输入向量与该神经元越相似；
[0035][0036]步骤1.4.2：选择获胜神经元；
[0037]将输入向量与竞争层所有神经元依据公式(4)进行相似度比较之后，按照公式
(5)选取相似度最高的神经元作为获胜神经元
[0038][0039]步骤1.4.3：选择优胜邻域并调整优胜邻域内神经元节点权值；
[0040]按照公式(2)计算d(t)作为t时刻正方形优胜邻域的边长，并以当前获胜神经元为中心确定当前优胜邻域N
j*
(t)；
[0041]按照公式(6)计算所有节点与输入向量间的连接权值，其中，不属于获胜邻域N
j*
(t)内的节点权值不发生改变；
[0042][0043]式中，学习率α(t)和竞争节点与获胜神经元的距离相关，与获胜神经元距离越大，则α(t)越小；t次迭代后，获胜神经元j*的获胜邻域中，第k层节点用表示。每一层中的所有节点到获胜节点的距离相同，且每层节点与获胜节点间的距离随层级数的增加而增加；
[0044]根据公式(3)计算获胜节点j
*
的学习率α
j*
，获胜邻域N
j*
中第k层节点的学习率按照公式(7)变化，离获胜节点越远的节点学习率越低；
[0045][0046]式中，K为当前获胜邻域中的最大层级数；
[0047]步骤1.4本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工序聚类的工时预测方法，该方法包括：步骤1：基于自组织特征映射神经网络对工序进行聚类；步骤1.1：从企业CAPP、ERP系统中采集所有加工工序的名称及其工艺特征，并对其特征进行量化；步骤1.2：将所有工序的特征整理为n维向量形式，并对其进行归一化处理，作为SOFM网络的输入样本，SOFM网络表示自组织特征映射网络；步骤1.3：依据输入数据特征，对SOFM网络进行设计，包括输入层神经元节点个数、输出层节点个数、学习率及学习次数；步骤1.4：SOFM网络通过计算所有神经元节点与输入样本间的距离确定获胜节点及优势邻域，并调整优势邻域内神经元节点的权值；当获胜节点的学习率小于固定值时，结束SOFM网络训练过程，得到输入n维向量的聚类结果；步骤2：推导并拟合三因素学习曲线模型预测目标工序加工时间；步骤2.1：由柯布
‑
道格拉斯生产函数推导出与团队累计加工数量、人员班制和团队人数三个因素关联的学习曲线模型；步骤2.2：采集并处理多个不同团队加工各类别工序的工时数据，针对不同类别的工序分别进行回归分析，求解学习曲线模型中的系数，得到各类工序特定的学习曲线模型，并进行数据库存储；步骤2.3：确定待加工的工序，依据SOFM网络对其进行归类，并从数据库中获取相应类别的学习曲线模型；步骤2.4：确定该工序的操作团队，将该团队的累计加工数量、人员班制和团队人数代入该类学习曲线模型得到目标工时。2.如权利要求1所述的一种基于工序聚类的工时预测方法，其特征在于，所述1.3的具体方法为：步骤1.3.1：输入输出层节点数设置；输入层节点数设置为5，输出层最终确定为由80个五维节点组成8*10的二维网格结构；步骤1.3.2：输出层神经元初始化；用[0，1]区间内的随机小数为输出层各神经元分量赋初值，得到m为输出层神经元数；步骤1.3.3：权重初始化；用[0，1]区间内的随机小数为n个输入节点与m个输出节点之间的连接权重{w
ij
,i＝1,
…
,n,j＝1,
…
,m}赋初值，输出节点j与输入节点间的权重向量用W
j
＝[W
1j
,W
2j
,
…
,W
nj
]表示；步骤1.3.4：优胜邻域设置；初次训练时，优胜邻域设置为以获胜神经元为中心的8*8网格，随迭代次数的增加，优胜邻域N
j*
(t)的边长d按公...

【专利技术属性】
技术研发人员：李波，王嘉颍，陈敏，刘民岷，杜小东，史建成，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：