一种数据驱动的船舶额定工时测算方法及系统技术方案

本发明专利技术提供一种数据驱动的船舶额定工时测算方法及系统，该方法使用神经网络模型拟合特征数据与实动工时之间的非线性映射关系，基于输入层的特征数据自动化确定隐藏层节点规模，实现以自适应方式构建数据驱动的神经网络框架

【技术实现步骤摘要】
一种数据驱动的船舶额定工时测算方法及系统


[0001]本专利技术涉及船舶的智能制造
，特别是涉及一种数据驱动的船舶额定工时测算方法
。

技术介绍

[0002]额定工时测算是船舶企业生产管理的基础性工作，是估算用工成本和编制生产计划的重要依据
。
传统的船舶额定工时测算方法主要分为以下两种方法：
(1)
第一种方法是称重法，以生产使用到的物料数据重量为基础进行船舶额定工时测算，该方法计算量少，测算方法简单，缺点是没有考虑技术工艺和生产工种对生产任务的影响，准确性较差
。(2)
第二种是查表法，以船舶设计模型
、
物料数据以及工时表为基础进行船舶额定工时测算，该方法测算任务量大
、
周期性长，在基础数据准确的情况下具有一定的可靠性，但是，由于船舶行业产业链长，生产设备升级频繁
、
船舶模型设计周期长且设备更新频繁，导致基础数据通常准确性较差，因此，这种方法的实际应用效果难以令人满意
。

技术实现思路

[0003]鉴于以上所述现有技术的缺点，本专利技术提供了一种基于神经网络的数据驱动型船舶额定工时测算方法，该方法是建立在船舶企业数据治理显著
、
业务流程规范
、
数据质量增强的基础之上
。
[0004]本专利技术提供一种数据驱动的船舶额定工时测算方法，包括如下步骤：
[0005]1)
基于自动化方式构建数据驱动型神经网络模型的内部结构元素，用于船舶企业非线性应用场景的额定工时测算
。
[0006]2)
基于智能化方式进行物料清单管理系统中数据与工时之间的关联性评估，形成构建船舶额定工时测算模型的特征数据
。
[0007]上述步骤
1)
的具体实现方式如下：
[0008]1.1)
数据驱动型神经网络模型依据原始特征数据的类型和数目，以自适应方式实现特征数据到输入层的数据映射方式
。
[0009]1.2)
数据驱动型神经网络模型依据输入层的数据编码特征，以自适应方式构成隐藏层的节点规模和输入层到隐藏层的数据映射方式
。
[0010]1.3)
数据驱动型神经网络模型依据非线性应用场景的应用要求，以自适应方式确定输出层的输出规模和隐藏层到输出层的数据映射方式，并依据预测工时和实动工时之间的差异性反向修正模型参数
。
[0011]上述步骤
1.1)
具体包括：
[0012]1.1.1)
对于原始数据属于连续型数值类型，数据驱动型神经网络模型采用以下方式实现数据的无量纲化：
[0013][0014]X
＝
{x1，
x2，
...
，
x
n
}
[0015]其中，表示连续型原始数值
x
l
的无量纲化数值，
min(X)
和
max(X)
分别表示获取工艺环节原始数值的最小值和最大值
。
[0016]1.1.2)
对于原始数据属于离散型数值类型，数据驱动型神经网络模型采用以下方式实现数据的无量纲化：
[0017][0018]X
′
＝
(x
′
i
，
x
′2，
...
，
x
′
m
)
[0019]＝
set(x1，
x2，
...
，
x
n
)
[0020][0021]其中，表示离散型原始数值
x
l
的无量纲化数值，
set(x1，
x2，
...
，
x
n
)
是一个移除重复项的函数，
hit
i
(x
l
)
是依据离散型数值
x
′
i
构建的二值型函数，若
x
′
i
＝
x
l
，则
hit
i
(x
l
)
＝1，否则，
hit
i
(x
l
)
＝
0。
[0022]1.1.3)
通过
1.1.1)
和
1.1.2)
两个步骤将特征数据转换成无量纲化数据，构成数据驱动型神经网络的输入层数据
。
[0023]上述步骤
1.2)
具体包括：
[0024]1.2.1)
基于柯尔莫哥洛夫定理
(Kolmogorov)
要求，数据驱动型神经网络模型依据输入层节点数
(m)
，确定隐藏层节点数
(2m+1)。
[0025]1.2.2)
数据驱动型神经网络模型实现输入层数据特征到隐藏层数据特征的映射变换方法如下：
[0026]H
＝
σ1(XW+B)
[0027]其中，
X
是
n
×
m
的输入层矩阵，
W
是
m
×
(2m+1)
的输入层
‑
隐藏层映射的投影权重，
B
则是
(n
×
1)
的输入层
‑
隐藏层映射的偏置权重，
W
和
B
是随机初始化可训练优化的向量权重，其中，
σ1是输入层
‑
隐藏层映射的非线性激活函数
。
[0028]上述步骤
1.3)
具体包括：
[0029]1.3.1)
数据驱动型神经网络模型依据工艺场景的实际需求，构建预测数值之间的关联关系，进而确定输出层节点数目
(t)。
[0030]1.3.2)
数据驱动型神经网络模型实现隐藏层数据特征到输出层数据特征的映射变换方法如下：
[0031]O
＝
σ2(HU+C)
[0032]其中，
H
是
n
×
(2m+1)
的隐藏层输出矩阵，
U
是
(2m+1)
×
t
的隐藏层
‑
输出层映射的投影权重，
C
则是
(n
×
1)
的隐藏层
‑
输出层映射的偏置权重，
U
和
C
是随机初始化并可训练优化的向量权重，
σ2是一个隐藏层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种数据驱动的船舶额定工时测算方法，其特征在于，所述测算方法包括如下步骤：
1)
基于自动化方式构建数据驱动型神经网络模型的内部结构元素，用于船舶企业非线性应用场景的额定工时测算，具体包括：
1.1)
数据驱动型神经网络模型依据原始特征数据的类型和数目，以自适应方式实现特征数据到输入层的数据映射方式；
1.2)
数据驱动型神经网络模型依据输入层的数据编码特征，以自适应方式构成隐藏层的节点规模和输入层到隐藏层的数据映射方式；
1.3)
数据驱动型神经网络模型依据非线性应用场景的应用要求，以自适应方式确定输出层的输出规模和隐藏层到输出层的数据映射方式，并依据预测工时和实动工时之间的差异性反向修正模型参数
。2.
根据权利要求1所述的测算方法，其特征在于，所述测算方法还包括如下步骤：
2)
基于智能化方式进行物料清单管理系统中数据与工时之间的关联性评估，形成构建船舶额定工时测算模型的特征数据，具体包括：
2.1)
数据驱动型神经网络模型基于工艺环节的历史数据形成带有实动工时作为标签值的数据集，用于构建模型的训练集
、
评估集和测试集；
2.2)
数据驱动型神经网络模型基于贪心策略智能化评估工艺数据库数值间的关联性，用于构建船舶额定工时测算模型的特征数据
。3.
根据权利要求1所述的测算方法，其特征在于，步骤
1.1)
具体包括：
1.1.1)
对于原始数据属于连续型数值类型，数据驱动型神经网络模型采用以下方式实现数据的无量纲化：
X
＝
{x1,x2,
…
,x
n
}
其中，表示连续型原始数值
x
l
的无量纲化数值，
min(X)
和
max(X)
分别表示获取工艺环节原始数值的最小值和最大值；
1.1.2)
对于原始数据属于离散型数值类型，数据驱动型神经网络模型采用以下方式实现数据的无量纲化：
X
′
＝
(x
′1,x
′2,
…
,x
′
m
)
＝
set(x1,x2,
…
,x
n
)
其中，表示离散型原始数值
x
l
的无量纲化数值，
set(x1,x2,
…
,x
n
)
是一个移除重复项的函数，
hit
i
(x
l
)
是依据离散型数值
x
′
i
构建的二值型函数，若
x
′
i
＝
x
l
，则
hit
i
(x
l
)
＝1，否则，
hit
i
(x
l
)
＝0；
1.1.3)
通过
1.1.1)
和
1.1.2)
两个步骤将特征数据转换成无量纲化数据，构成数据驱动型神经网络的输入层数据
。4.
根据权利要求3所述的测算方法，其特征在于，步骤
1.2)
具体包括：
1.2.1)
基于柯尔莫哥洛夫定理要求，数据驱动型神经网络模型依据输入层节点数
m
，确定隐藏层节点数
2m+1
；
1.2.2)
数据驱动型神经网络模型实现输入层数据特征到隐藏层数据特征的映射变换方法如下：
H
＝
σ1(XW+B)
其中，
X
是
n
×
m
的输入层矩阵，
W
是
m
×
(2m+1)
的输入层
‑
隐藏层映射的投影权重，
B
则是
(n
×
1)
的输入层
‑
隐藏层映射的偏置权重，
W
和
B
是随机初始化可训练优化的向量权重，其中，
σ1是输入层
‑
隐藏层映射的非线性激活函数
。5.
根据权利要求4所述的测算方法，其特征在于，步骤
1.3)
具体包括：
1.3.1)
数据驱动型神经网络模型依据工艺场景的实际需求，构建预测数值之间的关联关系，进而确定输出层节点数目
t
；
1.3.2)
数据驱动型神经网络模型实现隐藏层数据特征到输出层数据特征的映射变换方法如下：
O
＝
σ2(HU+C)
其中，
H
是
n
...

【专利技术属性】
技术研发人员：王飞，王积鹏，陈俊，丁津，
申请(专利权)人：江南造船集团有限责任公司，
类型：发明
国别省市：