CN104636479A - 一种工业大数据驱动的总完工时间预测方法 - Google Patents

Abstract

本发明公开了一种工业大数据驱动的总完工时间预测方法，涉及工程应用领域，该方法包括构建工业大数据分析平台；运用关联规则挖掘算法对总完工时间影响因素进行分析和挖掘；构建神经网络模型BP；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；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；当总完工时间预测值与总完工时间期望值的误差满足设定的条件时，输出总完工时间预测值。本发明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。

Description

一种工业大数据驱动的总完工时间预测方法

技术领域

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

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，J_j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(Releasetime)R_j和加工时间P_j(Processing time)。在调度方案S中，开工时间为S_j(Starttime)，完工时间为C_j(Completion time)，而总完工时间即∑C_j(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。

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究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。

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。

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。

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究，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

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。

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：

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；

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；

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；

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；

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；

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；

S7、输出总完工时间预测值，结束。

在上述技术方案的基础上，步骤S1具体包括以下步骤：

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。

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：

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C_k(k≥2)；

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C_k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；

S203、在Reduce函数处理阶段，Reduce函数累加C_k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≥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。

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：

方法一：随机地在区间[-1，1]之间选择初始权值；

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；

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；

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：

$\left\{\begin{array}{c}a+b=0\\ \frac{{(a-b)}^2}{12}=H^{\frac{1}{2}}\end{array}\right.---\left(1\right)$

其中H为网络隐含层节点数。

在上述技术方案的基础上，步骤S4具体包括以下步骤：

S401、调整神经网络模型BP隐含层与输出层之间的权值w_kj；

调整w_kj的目的是希望输出节点j的新输出o^* _pj比当前输出o_pj更接近目标值t_pj，定义：

$o_{\mathrm{pj}}^{*}=o_{\mathrm{pj}}+(t_{\mathrm{pj}}-o_{\mathrm{pj}})\mathrm{\&alpha;},0<\mathrm{\&alpha;}<1---\left(2\right)$

其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：

$o_{\mathrm{pj}}^{*}=f\left(\underset{k=1}{\overset{H}{\mathrm{\&Sigma;}}}{w}_{\mathrm{kj}}^{*}{y}_{\mathrm{pk}}\right)=f\left(\underset{k=1}{\overset{H}{\mathrm{\&Sigma;}}}(w_{\mathrm{kj}}-\mathrm{\&Delta;}{w}_{\mathrm{kj}})y_{\mathrm{pk}}\right)---\left(3\right)$

其中w_kj和w^* _kj分别为更新前后的权值，y_pk为隐含层输出，△w_kj为w_kj的改变量；

根据公式(3)得到△w_kj的求解方程：

$\underset{k=1}{\overset{H}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{w}_{\mathrm{kj}}{y}_{\mathrm{pk}}={\mathrm{\&epsiv;}}_{\mathrm{pj}}---\left(4\right)$

其中，

${\mathrm{\&epsiv;}}_{\mathrm{pj}}=\ln \left(\frac{\mathrm{\&alpha;}{t}_{\mathrm{pj}}+(1-\mathrm{\&alpha;})o_{\mathrm{pj}}}{1-(\mathrm{\&alpha;}{t}_{\mathrm{pj}}+(1-\mathrm{\&alpha;})o_{\mathrm{pj}})}\right)-\ln \left(\frac{o_{\mathrm{pj}}}{1-o_{\mathrm{pj}}}\right)---\left(5\right)$

根据最小平方和误差原则求解方程(4)，得到△w_kj的近似解：

$\mathrm{\&Delta;}{w}_{\mathrm{kj}}=\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_{\mathrm{pj}}{y}_{\mathrm{pk}}/\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\left(y_{\mathrm{pk}}\right)}^2---\left(6\right)$

对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△w_kj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；

S402、调整神经网络模型BP输入层与隐含层之间的权值v_ik；

调整v_ik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；

不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：

$\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{v}_{\mathrm{ik}}{x}_{\mathrm{pi}}={\mathrm{\&delta;}}_{\mathrm{pj}}---\left(7\right)$

其中δ_pj＝f^-1(y_pk+Δy_pk)-f^-1(y_pk)，M为自然数，则隐含层输出y_pk求解公式为：

$y_{\mathrm{pk}}=f\left(\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{v}_{\mathrm{ik}}{x}_{\mathrm{pi}}\right)---\left(8\right)$

其中△y_pk为y_pk的改变量，则有：

$\mathrm{\&Delta;}{y}_{\mathrm{pk}}=\frac{1}{w_{\mathrm{kj}}}(f^{-1}\left(o_{\mathrm{pj}}^{*}\right)-f^{-1}\left(o_{\mathrm{pj}}\right))---\left(9\right)$

根据最小平方和误差原则求解公式(6)构建的矩阵方程，可以算出：

$\mathrm{\&Delta;}{v}_{\mathrm{ik}}=\mathrm{\&delta;}{p}_j{x}_{\mathrm{pi}}/\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\left(x_{\mathrm{pi}}\right)}^2,i=1,...,N---\left(10\right)$

综合公式(6)和(10)，计算隐含层与输出层之间权值的动态平均改变量

$\stackrel{\&OverBar;}{\mathrm{\&Delta;}{w}_{\mathrm{kj}}}=\frac{\mathrm{\&Delta;}{w}_{\mathrm{kj}}^1+\mathrm{\&Delta;}{w}_{\mathrm{kj}}^2+\&CenterDot;\&CenterDot;\&CenterDot;+\mathrm{\&Delta;}{w}_{\mathrm{kj}}^M}{M}---\left(11\right)$

计算输入层与隐含层之间权值的动态平均改变量

$\stackrel{\&OverBar;}{\mathrm{\&Delta;}{v}_{\mathrm{kj}}}=\frac{\mathrm{\&Delta;}{v}_{\mathrm{ik}}^1+\mathrm{\&Delta;}{v}_{\mathrm{ik}}^2+\&CenterDot;\&CenterDot;\&CenterDot;+\mathrm{\&Delta;}{v}_{\mathrm{ik}}^M}{M}---\left(12\right)$

公式(12)中M取10～20之间的自然数，根据公式(11)和(12)获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP。

在上述技术方案的基础上，步骤S5中运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：

首先进行抗原识别，即均方误差的识别，产生初始的抗体(动态神经网络模型DBP的权值和阈值)后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。

在上述技术方案的基础上，步骤S7中在输出总完工时间预测值时，通过数据库底层技术以及Web的可视化技术将总完工时间预测值进行直观展示。

与现有技术相比，本发明的优点如下：

(1)本发明首先构建工业大数据分析平台，然后运用关联规则算法挖掘出总完工时间影响因素，并构建神经网络模型BP，对神经网络模型BP的权值和阈值进行动态改进，从而获得动态神经网络模型DBP，再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，最后运用预测模型AIGA-DBP计算出总完工时间预测值，根据总完工时间预测值能够优化企业的生产流程，提高企业的生产效率。

(2)本发明中的动态神经网络模型DBP能够适应企业因时间推移引起的各种变化。

(3)本发明中运用了大数据分析技术，使得总完工时间影响因素的挖掘更为高效和准确，总完工时间影响因素考虑更加全面，有效提高预测的准确性。

附图说明

图1是本发明实施例中工业大数据驱动的总完工时间预测方法的流程图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细描述。

参见图1所示，本发明实施例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：

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。

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。

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。

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。

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。

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。

S7、输出总完工时间预测值，通过数据库底层技术以及Web的可视化技术将总完工时间预测值进行直观展示，结束。

步骤S1具体包括以下步骤：

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。

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：

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C_k(k≥2)。

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C_k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。

S203、在Reduce函数处理阶段，Reduce函数累加C_k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≥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。

步骤S3中产生神经网络模型BP初始权值的方法为以下4种方法中任意一种：

方法一：随机地在区间[-1，1]之间选择初始权值。

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。

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。

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：

$\left\{\begin{array}{c}a+b=0\\ \frac{{(a-b)}^2}{12}=H^{\frac{1}{2}}\end{array}\right.---\left(1\right)$

其中H为网络隐含层节点数。

步骤S4具体包括以下步骤：

S401、调整神经网络模型BP隐含层与输出层之间的权值w_kj。

调整w_kj的目的是希望输出节点j的新输出o^* _pj比当前输出o_pj更接近目标值t_pj，定义：

$o_{\mathrm{pj}}^{*}=o_{\mathrm{pj}}+(t_{\mathrm{pj}}-o_{\mathrm{pj}})\mathrm{\&alpha;},0<\mathrm{\&alpha;}<1---\left(2\right)$

其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：

$o_{\mathrm{pj}}^{*}=f\left(\underset{k=1}{\overset{H}{\mathrm{\&Sigma;}}}{w}_{\mathrm{kj}}^{*}{y}_{\mathrm{pk}}\right)=f\left(\underset{k=1}{\overset{H}{\mathrm{\&Sigma;}}}(w_{\mathrm{kj}}-\mathrm{\&Delta;}{w}_{\mathrm{kj}})y_{\mathrm{pk}}\right)---\left(3\right)$

其中w_kj和w^* _kj分别为更新前后的权值，y_pk为隐含层输出，△w_kj为w_kj的改变量。

根据公式(3)得到△w_kj的求解方程：

$\underset{k=1}{\overset{H}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{w}_{\mathrm{kj}}{y}_{\mathrm{pk}}={\mathrm{\&epsiv;}}_{\mathrm{pj}}---\left(4\right)$

其中，

${\mathrm{\&epsiv;}}_{\mathrm{pj}}=\ln \left(\frac{\mathrm{\&alpha;}{t}_{\mathrm{pj}}+(1-\mathrm{\&alpha;})o_{\mathrm{pj}}}{1-(\mathrm{\&alpha;}{t}_{\mathrm{pj}}+(1-\mathrm{\&alpha;})o_{\mathrm{pj}})}\right)-\ln \left(\frac{o_{\mathrm{pj}}}{1-o_{\mathrm{pj}}}\right)---\left(5\right)$

根据最小平方和误差原则求解方程(4)，得到△w_kj的近似解：

$\mathrm{\&Delta;}{w}_{\mathrm{kj}}=\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_{\mathrm{pj}}{y}_{\mathrm{pk}}/\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\left(y_{\mathrm{pk}}\right)}^2---\left(6\right)$

对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△w_kj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小。

S402、调整神经网络模型BP输入层与隐含层之间的权值v_ik。

调整v_ik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0。

不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：

$\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{v}_{\mathrm{ik}}{x}_{\mathrm{pi}}={\mathrm{\&delta;}}_{\mathrm{pj}}---\left(7\right)$

其中δ_pj＝f^-1(y_pk+Δy_pk)-f^-1(y_pk)，M为自然数，则隐含层输出y_pk求解公式为：

$y_{\mathrm{pk}}=f\left(\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{v}_{\mathrm{ik}}{x}_{\mathrm{pi}}\right)---\left(8\right)$

其中△y_pk为y_pk的改变量，则有：

$\mathrm{\&Delta;}{y}_{\mathrm{pk}}=\frac{1}{w_{\mathrm{kj}}}(f^{-1}\left(o_{\mathrm{pj}}^{*}\right)-f^{-1}\left(o_{\mathrm{pj}}\right))---\left(9\right)$

根据最小平方和误差原则求解公式(6)构建的矩阵方程，可以算出：

$\mathrm{\&Delta;}{v}_{\mathrm{ik}}=\mathrm{\&delta;}{p}_j{x}_{\mathrm{pi}}/\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\left(x_{\mathrm{pi}}\right)}^2,i=1,...,N---\left(10\right)$

综合公式(6)和(10)，计算隐含层与输出层之间权值的动态平均改变量

$\stackrel{\&OverBar;}{\mathrm{\&Delta;}{w}_{\mathrm{kj}}}=\frac{\mathrm{\&Delta;}{w}_{\mathrm{kj}}^1+\mathrm{\&Delta;}{w}_{\mathrm{kj}}^2+\&CenterDot;\&CenterDot;\&CenterDot;+\mathrm{\&Delta;}{w}_{\mathrm{kj}}^M}{M}---\left(11\right)$

计算输入层与隐含层之间权值的动态平均改变量

$\stackrel{\&OverBar;}{\mathrm{\&Delta;}{v}_{\mathrm{ik}}}=\frac{\mathrm{\&Delta;}{v}_{\mathrm{ik}}^1+\mathrm{\&Delta;}{v}_{\mathrm{ik}}^2+\&CenterDot;\&CenterDot;\&CenterDot;+\mathrm{\&Delta;}{v}_{\mathrm{ik}}^M}{M}---\left(12\right)$

公式(12)中M取10～20之间的自然数，根据公式(11)和(12)获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP。

步骤S5中运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：

首先进行抗原识别，即均方误差的识别，产生初始的抗体(动态神经网络模型DBP的权值和阈值)后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。

本领域的技术人员可以对本发明实施例进行各种修改和变型，倘若这些修改和变型在本发明权利要求及其等同技术的范围之内，则这些修改和变型也在本发明的保护范围之内。

说明书中未详细描述的内容为本领域技术人员公知的现有技术。

Claims (7)

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：

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；

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；

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；

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；

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；

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；

S7、输出总完工时间预测值，结束。

2.如权利要求1所述的工业大数据驱动的总完工时间预测方法，其特征在于，步骤S1具体包括以下步骤：

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。

3.如权利要求2所述的工业大数据驱动的总完工时间预测方法，其特征在于，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：

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C_k(k≥2)；

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C_k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；

S203、在Reduce函数处理阶段，Reduce函数累加C_k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≥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。

4.如权利要求3所述的工业大数据驱动的总完工时间预测方法，其特征在于，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：

方法一：随机地在区间[-1，1]之间选择初始权值；

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；

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；

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：

$\left\{\begin{array}{c}a+b=0\\ \frac{{(a-b)}^2}{12}=H^{\frac{1}{2}}\end{array}\right.---\left(1\right)$

其中H为网络隐含层节点数。

5.如权利要求4所述的工业大数据驱动的总完工时间预测方法，其特征在于，步骤S4具体包括以下步骤：

S401、调整神经网络模型BP隐含层与输出层之间的权值w_kj；

调整w_kj的目的是希望输出节点j的新输出比当前输出o_pj更接近目标值t_pj，定义：

$o_{\mathrm{pj}}^{*}=o_{\mathrm{pj}}+(t_{\mathrm{pj}}-o_{\mathrm{pj}})\mathrm{\&alpha;},0<\mathrm{\&alpha;}<1---\left(2\right)$

其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：

$o_{\mathrm{pj}}^{*}=f\left(\underset{k=1}{\overset{H}{\mathrm{\&Sigma;}}}{w}_{\mathrm{kj}}^{*}{y}_{\mathrm{pk}}\right)=f\left(\underset{k=1}{\overset{H}{\mathrm{\&Sigma;}}}(w_{\mathrm{ki}}-\mathrm{\&Delta;}{w}_{\mathrm{kj}})y_{\mathrm{pk}}\right)---\left(3\right)$

其中w_kj和分别为更新前后的权值，y_pk为隐含层输出，△w_kj为w_kj的改变量；

根据公式(3)得到△w_kj的求解方程：

$\underset{k=1}{\overset{H}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;w}}_{\mathrm{kj}}{y}_{\mathrm{pk}}={\mathrm{\&epsiv;}}_{\mathrm{pj}}---\left(4\right)$

其中，

${\mathrm{\&epsiv;}}_{\mathrm{pj}}=\ln \left(\frac{{\mathrm{\&alpha;t}}_{\mathrm{pj}}+(1-\mathrm{\&alpha;})o_{\mathrm{pj}}}{1-({\mathrm{\&alpha;t}}_{\mathrm{pj}}+(1-\mathrm{\&alpha;})o_{\mathrm{pj}})}\right)-\ln \left(\frac{o_{\mathrm{pj}}}{1-o_{\mathrm{pj}}}\right)---\left(5\right)$

根据最小平方和误差原则求解方程(4)，得到△w_kj的近似解：

${\mathrm{\&Delta;w}}_{\mathrm{kj}}=\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\mathrm{\&epsiv;}}_{\mathrm{pj}}{y}_{\mathrm{pk}}/\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\left(y_{\mathrm{pk}}\right)}^2---\left(6\right)$

对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△w_kj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；

S402、调整神经网络模型BP输入层与隐含层之间的权值v_ik；

调整v_ik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；

不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：

$\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;v}}_{\mathrm{ik}}{x}_{\mathrm{pi}}={\mathrm{\&delta;}}_{\mathrm{pj}}---\left(7\right)$

其中δ_pj＝f^-1(y_pk+Δy_pk)-f^-1(y_pk)，M为自然数，则隐含层输出y_pk求解公式为：

$y_{\mathrm{pk}}=f\left(\underset{i=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&Delta;v}}_{\mathrm{ik}}{x}_{\mathrm{pi}}\right)---\left(8\right)$

其中△y_pk为y_pk的改变量，则有：

${\mathrm{\&Delta;y}}_{\mathrm{pk}}=\frac{1}{2_{\mathrm{kj}}}(f^{-1}\left(o_{\mathrm{pj}}^{*}\right)-f^{-1}\left(o_{\mathrm{pj}}\right))---\left(9\right)$

根据最小平方和误差原则求解公式(6)构建的矩阵方程，可以算出：

${\mathrm{\&Delta;v}}_{\mathrm{ik}}=\mathrm{\&delta;}{p}_j{x}_{\mathrm{pi}}/\underset{p=1}{\overset{P}{\mathrm{\&Sigma;}}}{\left(x_{\mathrm{pi}}\right)}^2,i=1,...,N---\left(10\right)$

综合公式(6)和(10)，计算隐含层与输出层之间权值的动态平均改变量

$\stackrel{\&OverBar;}{{\mathrm{\&Delta;w}}_{\mathrm{kj}}}=\frac{{\mathrm{\&Delta;w}}_{\mathrm{kj}}^1+{\mathrm{\&Delta;w}}_{\mathrm{kj}}^2+...+{\mathrm{\&Delta;w}}_{\mathrm{kj}}^M}{M}---\left(11\right)$

计算输入层与隐含层之间权值的动态平均改变量

$\stackrel{\&OverBar;}{{\mathrm{\&Delta;v}}_{\mathrm{ik}}}=\frac{{\mathrm{\&Delta;v}}_{\mathrm{ik}}^1+{\mathrm{\&Delta;v}}_{\mathrm{ik}}^2+...+{\mathrm{\&Delta;v}}_{\mathrm{ik}}^M}{M}---\left(12\right)$

公式(12)中M取10～20之间的自然数，根据公式(11)和(12)获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP。

6.如权利要求5所述的工业大数据驱动的总完工时间预测方法，其特征在于，步骤S5中运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：

首先进行抗原识别，即均方误差的识别，产生初始的抗体(动态神经网络模型DBP的权值和阈值)后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。

7.如权利要求1至6任一项所述的工业大数据驱动的总完工时间预测方法，其特征在于，步骤S7中在输出总完工时间预测值时，通过数据库底层技术以及Web的可视化技术将总完工时间预测值进行直观展示。