CN106682773A - 一种基于模拟退火算法的人机焊接工时预测方法 - Google Patents
一种基于模拟退火算法的人机焊接工时预测方法 Download PDFInfo
- Publication number
- CN106682773A CN106682773A CN201611158039.1A CN201611158039A CN106682773A CN 106682773 A CN106682773 A CN 106682773A CN 201611158039 A CN201611158039 A CN 201611158039A CN 106682773 A CN106682773 A CN 106682773A
- Authority
- CN
- China
- Prior art keywords
- man
- welding
- hour
- predicted
- personnel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000003466 welding Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000137 annealing Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 7
- 238000004088 simulation Methods 0.000 title abstract 4
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims description 37
- 238000002922 simulated annealing Methods 0.000 claims description 29
- 238000007621 cluster analysis Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 description 12
- 230000000739 chaotic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于模拟退火算法的人机焊接工时预测方法,其包括步骤基于历史焊接工时数据建立不同口径规格流量仪表不同等级作业人员的历史焊接工时数据库;预设退火策略并结合模拟退火算法对历史焊接工时数据进行训练和聚类分析,得到基于流量仪表口径规格聚类的不同等级作业人员的平均工时矩阵;根据被预测流量仪表的实时焊接工时数据来修正模拟退火算法预测的平均工时矩阵,得到所述被预测流量仪表的最优预测焊接工时。本发明的预测方法利用这些聚类后的相似样本经过训练后得到基于聚类分析的工时预测模型,将待预测仪表的口径参数信息作为模型的输入参数,工时作为模型输出,从而得到待预测仪表的预测工时。
Description
技术领域
本发明涉及一种预测方法,尤其是一种基于模拟退火算法的人机焊接工时预测方法。
背景技术
在流量仪表智能生产线中,由于流量仪表中涉及的部件繁多,且工艺要求精细,因此,有些工序直接由MES(Manufacturing Execution System,制造执行系统)控制机械臂焊接,而有的工序则由人工焊接。但由于各种流量仪表的口径规格大小不同,因此,需要根据各自的口径规格匹配不同的焊接操作方式,并且不同作业人员所需的焊接工时不同,也即是说,流量仪表的口径大小、机械臂焊接工时和人工焊接工时都将影响到流量仪表整个智能生产线的整体工时,因此,目前亟需一种能够统筹全局,能够通过预测人工焊接工时,从而定向调配相应工序作业人员数量,进而使得该流量仪表智能生产线的资源效益最大化的方法,即能够实现高效的人员调度。
发明内容
针对上述存在的技术问题,本发明提供一种基于模拟退火算法的人机焊接工时预测方法,其能够预测人机焊接工时,从而为系统定向调配相应工序作业人员数量提供参考,使得该流量仪表智能生产线的资源效益最大化。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于模拟退火算法的人机焊接工时预测方法,其包括步骤:
基于人机焊接工艺历史工时数据建立不同口径规格流量仪表不同等级作业人员的历史焊接工时数据库;
结合模拟退火算法对历史焊接工时数据进行训练,并进行聚类分析,得到基于流量仪表口径规格聚类的不同等级作业人员的平均工时矩阵;
根据被预测流量仪表的实时焊接工时数据来修正模拟退火算法预测的平均工时矩阵,得到所述被预测流量仪表的最优焊接工时。
进一步地,所述采用模拟退火算法对历史人工焊接工艺工时数据进行训练,并进行聚类,得到基于仪表口径规格聚类的不同等级作业人员的平均工时矩阵的步骤,具体包括步骤:
以欧式距离作为相似度建立适应性函数模型:其中,为第j个样本点,为第i类的聚类中心,K为历史焊接工时数据中聚类中心数,N为全部样本数目,dji(t)表示从当前解的领域N中随即选取解后,接受的退火惩罚因子;
根据历史焊接工时数据库中的数据作为原始的样本数据,结合模拟退火算法计算最优聚类,并根据模拟退火算法的最优聚类结果得到基于不同口径规格聚类的作业人员间的平均工时矩阵。
其中,所述退火惩罚因子的取值为:
其中,ΔJ是状态和的目标差,即t为当前的温度,为第i类初始聚类中心向量,wij为第i类初始聚类中心量第j维的元素。
进一步地,所述结合模拟退火算法计算最优聚类的步骤,具体包括步骤:
初始化控制参数:给定聚类类别数K和迭代允许误差ε,令迭代初始值k=1;
从历史焊接工时数据库中随机选取一个初始的聚类中心并令
按照下式修正退火惩罚因子dji(i=1,2,···,K,j=1,2···,N):
按照下式修正聚类中心
计算误差并判断误差e是否满足终止条件,若满足终止条件,则模拟退火算法结束,为最优聚类;
若误差e不满足终止条件,则判断是否达到迭代次数阈值,若没有达到迭代次数阈值,则令k=k+1,并重新计算退火惩罚因子,然后根据重新计算的退火惩罚因子重新修正聚类中心和误差e直至满足终止条件,若达到迭代次数阈值,则令ti+1=λ·ti,并重新计算聚类中心和误差直至满足终止条件。
本发明的有益之处在于:
本发明的预测方法通过历史工时数据进行聚类分析预处理,用欧式距离作为相似性量度的方法选取出与待预测仪表的口径参数具有相似性的历史工时数据,作为预测模型建模用的训练样本,利用这些聚类后的相似样本经过训练后得到基于聚类分析的工时预测模型,将待预测仪表的口径规格和作业人员的等级作为的输入参数,工时作为输出,从而得到待预测仪表的预测工时。
附图说明
图1为本发明的一种基于模拟退火算法的人机焊接工时预测方法的一实施例的流程图;
图2为本发明的一种基于模拟退火算法的人机焊接工时预测方法中计算最优聚类的一实施例的流程图。
具体实施方式
下面结合附图,对本发明作详细的说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明的预测方法通过对MES(Manufacturing Execution System,M ES)系统中记录的历史工时数据进行聚类分析预处理,并结合模拟退火算法进行预测,从而得到最有焊接工时,仅为为调配对应工序的作业人员数量提供参考,同时也能够提高人员调配的正确性。
参见图1,为本发明的一种基于模拟退火算法的人机焊接工时预测方法的一实施例的流程图,具体地,本实施例中该预测方法包括步骤:
S101,基于人机焊接工艺历史工时数据建立不同口径规格流量仪表不同等级作业人员的历史焊接工时数据库。
由于流量仪表的口径规格、机械臂焊接工时和人工焊接工时都是影响流量仪表整个智能生产线的整体人机工时的主要素,因此,MES系统会实时记录并存储所有口径规格的流量仪表各自对应不同等级作业人员时,分别所需的历史人工工时和历史机械臂工时,然后根据这些历史数据建立不同口径规格流量仪表对应于不同等级作业人员的历史焊接工时数据库。
本实施例中,上述的作业人员的等级是根据作业人员对焊接工艺操作的熟练程度来划分的,例如对焊接工艺操作最熟悉的作业人员其对应的等级最高。
S103,结合模拟退火算法对历史焊接工时数据进行训练,并进行聚类分析,得到基于流量仪表口径规格聚类的不同等级作业人员的平均工时矩阵。
在一具体实施例中,该步骤S103具体包括步骤:
I,以欧式距离作为相似度测度建立最优数学模型,适应性函数选取误差误差平方和作为目标函数:
本实施例中,为第j个样本点,为第i类的聚类中心,K为历史焊接工时数据中聚类中心数,N为全部样本数目,dji(t)表示从当前解的领域N中随即选取解后,接受的退火惩罚因子。
其中,火惩罚因子的取值为:
其中,ΔJ是状态和的目标差,即t为当前的温度,为第i类初始聚类中心向量,wij为第i类初始聚类中心量第j维的元素。
II,根据历史焊接工时数据库中的历史焊接工时数据作为原始的样本数据,结合模拟退火算法计算最优聚类,并根据模拟退火算法的最优聚类结果得到基于不同口径规格聚类的作业人员间的平均工时矩阵。
本实施例中,合模拟退火算法计算最优聚类的步骤,具体包括步骤:
初始化控制参数:给定聚类类别数K和迭代允许误差ε;
从历史焊接工时数据库中随机选取一个初始的聚类中心令其中,i=1,2,···,K;
令迭代初始值k=1;
按照下式修正退火惩罚因子dji(i=1,2,···,K,j=1,2···,N):
按照下式修正聚类中心i=i=1,2,···,K
计算误差并判断误差是否满足终止条件,即判断误差是否满足e<ε,若满足,则模拟退火算法结束,为最优聚类;
若不满足,则判断是否达到预设的迭代次数,即判断k是否满足k<N-1,若是,则重置k,即令k=k+1,并重新计算退火惩罚因子,然后根据重新计算的退火惩罚因子重新修正聚类中心,然后计算误差e,并判断是否满足终止条件,若满足算法结束若不满足,则继续重置k重新计算误差,如此循环直至满足终止条件,即e<ε;若达到了迭代次数,即k=N-1时,则令ti+1=λ·ti,并重新计算聚类中心和误差,如此循环直至满足终止条件,即e<ε。
S105,根据实时焊接工时数据来修正模拟退火算法预测的平均工时矩阵,得到该被预测流量仪表的最优焊接工时。
在一具体实施例中,该步骤S105具体包括步骤:
I,获取当前进入焊接工序的被预测流量仪表的口径规格D,以及该被预测流量仪表当前对应的当前作业人员的等级S。
II,根据该被预测流量仪表的口径规格D和该当前作业人员的等级S,结合上述的平均工时矩阵计算得到人工焊接工时计算时间T0C和机械臂焊接工时计算时间T1C。
III,根据该人工焊接工时计算时间T0C和机械臂焊接工时计算时间T1C计算被预测流量仪表的人机焊接预测工时Tf。
在一具体实施例中,一般流量仪表都是成批成批的送入一条生产线中进行焊接,而每个批次中的流量仪表的口径规格相同,但在生产过程中:同一条生产线中存在工件批次更换或者工件混乱的情况,此时就可能使得当前被预测流量仪表可能与上一次加工的流量仪表的口径规格不同;另一方面,当作业人员之间进行换班时,使得同一生产线中同一批次的工件将面对不同等级的作业人员,因此,需要针对上述的两种情况,分别进行修正,具体地,
当出现批次更换或者工件混乱,但作业人员不变时,该步骤III具体包括:
A1,判断该被预测流量仪表的口径规格D与该当前作业人员上一次所焊接的流量仪表的口径规格是否相同,若口径规则不相同,则执行步骤B1,若口径规格相同,则执行步骤C1。
本实施例中,该当前作业人员上一次所焊接的流量仪表是指该当前作业人员焊接该被预测流量仪表之前最后一次所焊接的流量仪表,系统中记录有该流量仪表的口径规格数据,以及其人机焊接工时。
B1,根据该当前作业人员的等级S从历史数据库中获取与该当前作业人员同等级的作业人员上一次焊接的流量仪表(该流量仪表与被预测流量仪表的口径规格不同)时所需的平均焊接工时TH,以及实际操作完成的焊接工时TA,并根据该当前作业人员的焊接工时计算时间T0C和该同等级作业人员的实际焊接工时TA计算该当前作业人员的预测焊接工时T0f。
本实施例中,该步骤B1具体地包括步骤:计算该同等级作业人员(与该当前作业人员同等级的作业人员)的操作比率,即γ=TH/TA,然后根据该操作比率对当前作业人员的人工焊接工时计算时间T0C进行修改,得到当前作业人员的预测焊接工时:T0f=T0C/γ。C1,对当前作业人员的焊接工时计算时间T0C和机械臂焊接工时计算时间T1C求和,得到所述被预测流量仪表的人机焊接预测工时Tf=T0C+T1C。
D1,对上述步骤B1的焊接预测工时T0f和机械臂焊接工时计算时间T1C进行求和,得到被预测流量仪表的人机焊接预测工时Tf=T0f+T1C。
当作业人员等级变化,但流量仪表口径规格不变时,该步骤III具体包括:
A2,判断当前作业人员的等级S与上一次焊接与该被预测流量仪表同种口径规格的流量仪表的作业人员等级S'是否相同,若等级不相同,则执行步骤B2,若等级相同,则执行步骤C2。
B2,获取上次焊接时作业人员(等级为S')的平均工时T′H和实际焊接工时TA',并根据当前作业人员的焊接工时计算时间T0C与上次焊接作业人员的实际焊接工时T′AA计算当前作业人员的焊接预测工时T0f。
本实施例中,该步骤B2具体包括步骤:计算上一作业人员(与当前作业人员的等级不同)的操作比率γ=TH/TA;根据该操作比率修正该当前作业人员的人工焊接工时计算时间T0c,得到该当前作业人员的人工焊接预测工时:T0f=T0C/γ×(1+α),其中,α表示作业人员等级的更换,α∈[-1,1],具体地,当当前作业人员的等级比上一次实际操作的作业人员的等级低时,则α为负值,当当前作业人员的等级比上一次实际操作的作业人员的等级高时,则α为正值。
C2,对当前作业人员的焊接工时计算时间T0C和机械臂焊接工时计算时间T1C求和,得到被预测流量仪表的人机焊接预测工时Tf=T0C+T1C。
D2,对上述的焊接预测工时T0f和机械臂焊接焊接工时计算时间T1C进行求和,得到被预测流量仪表的人机焊接预测工时Tf=T0f+T1C。
当然,也可能存在口径规格换的同时作业人员等级也更换的情况,因此,可将上述两种方式相结合,即先判断当前作业人员的等级与上一次焊接与被预测流量仪表同种口径规格的流量仪表的作业人员等级是否相同,若等级不相同,处理方式与上述过程相同,若等级相同,则再判断该被预测流量仪表的口径规格与该当前作业人员上一次所焊接的流量仪表的口径规格是否相同,若口径规格不相同,处理方式与上述过程相同,最后,根据上述的焊接预测工时和机械臂焊接的平均工时计算得到被预测流量仪表的人机焊接预测工时,即人工焊接的预测工时和机器焊接的平均工时的总和。
本实施例中,由于人机焊接工艺由人工焊接和机器焊接共同组成,因此人机焊接工时包括了人工焊接工时和机器焊接工时,其中,由于作业人员的认为因素使得其等级不同,并且即使其等级确定也可能受其它因素的干扰,其实际操作时间会与根据人机焊接工时矩阵中计算得到人工焊接工时计算时间不同,而机械臂是由系统精确控制的,故其操作速度的变化性不大,有鉴于此,在进行预测时,需要当对当前作业人员的人工焊接工时计算时间T0C进行修正,再根据其和机械臂的焊接工时计算时间计算人机焊接最优预测工时。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于模拟退火算法的人机焊接工时预测方法,其特征在于,包括步骤:
基于人机焊接工艺历史工时数据建立不同口径规格流量仪表不同等级作业人员的历史焊接工时数据库;
结合模拟退火算法对历史焊接工时数据进行训练和聚类分析,得到基于流量仪表口径规格聚类的不同等级作业人员的平均工时矩阵;
根据实时焊接工时数据来修正模拟退火算法预测的平均工时矩阵,得到所述被预测流量仪表的最优的焊接预测工时。
2.如权利要1所述的人机焊接工时预测方法,其特征在于,所述采用模拟退火算法对历史人工焊接工艺工时数据进行训练和聚类分析,得到基于仪表口径规格聚类的不同等级作业人员的平均工时矩阵的步骤,具体包括步骤:
以欧式距离作为相似度建立适应性函数模型:其中,J为目标函数,且其中,为第j个样本点,为第i类的聚类中心,K为历史焊接工时数据中聚类中心数,N为全部样本数目,dji(t)表示从当前解的领域中随即选取解后,接受的退火惩罚因子;
根据历史焊接工时数据库中的历史焊接工时数据作为原始的样本数据,结合模拟退火算法计算最优聚类,并根据模拟退火算法的最优聚类结果得到基于不同口径规格聚类的作业人员间的平均工时矩阵。
3.如权利要求2所述的人机焊接工时预测方法,其特征在于,所述退火惩罚因子的取值为:
其中,ΔJ是状态和的目标差,即t为当前的温度,为第i类初始聚类中心向量,wij为第i类初始聚类中心量第j维的元素。
4.如权利要求3所述的预测方法,其特征在于,所述结合模拟退火算法计算最优聚类的步骤,具体包括步骤:
初始化控制参数:给定聚类类别数K和迭代允许误差ε,令迭代初始值k=1;
设置退火策略为:ti+1=λ·ti,其中,i≥0,退火速率λ=0.9,初始温度t=t0;
从历史焊接工时数据库中随机选取一个初始的聚类中心并令
按照下式修正退火惩罚因子dji(i=1,2,···,K,j=1,2···,N):
按照下式修正聚类中心
计算误差并判断误差e是否满足终止条件,若满足终止条件,则模拟退火算法结束,为最优聚类;
若误差e不满足终止条件,则判断是否达到预设的迭代次数阈值,若没有达到迭代次数阈值,则令k=k+1,并重新计算退火惩罚因子,然后根据重新计算的退火惩罚因子重新修正聚类中心和误差e直至满足终止条件,若达到预设的迭代次数阈值,则令ti+1=λ·ti,并重新计算聚类中心和误差直至满足终止条件。
5.如权利要求1至4中任意一项所述的人机焊接工时预测方法,其特征在于,所述根据实时焊接工时数据来修正模拟退火算法预测的平均工时矩阵,得到所述被预测流量仪表的最优焊接工时的步骤,具体包括步骤:
获取当前进入焊接工序的被预测流量仪表的口径规格D,以及所述被预测流量仪表对应的当前作业人员的等级S;
根据所述被预测流量仪表的口径规格D和所述当前作业人员的等级S,结合所述平均焊接工时矩阵得到所述当前作业人员的人工焊接工时计算时间T0C和机械臂焊接工时计算时间T1C;
根据所述当前作业人员的人工焊接工时计算时间T0C和机械臂焊接工时计算时间T1C计算所述被预测流量仪表的人机焊接预测工时Tf。
6.如权利要求5所述的人机焊接工时预测方法,其特征在于,所述根据所述当前作业人员的人工焊接工时计算时间T0C和机械臂的焊接工时计算时间T1C计算所述被预测流量仪表的人机焊接预测工时Tf的步骤,具体包括步骤:
判断所述被预测流量仪表的口径规格D与所述当前作业人员上一次所焊接的流量仪表的口径规格是否相同;
若口径规格不相同,则获取与所述当前作业人员同等级作业人员上一次所焊接的其它口径规格流量仪表时的平均工时TH以及实际操作完成的焊接工时TA;
根据所述当前作业人员的焊接工时计算时间T0C和同等级作业人员实际操作完成的焊接工时TA计算所述当前作业人员的预测焊接工时T0f;
对所述预测焊接工时T0f和机械臂焊接工时计算时间T1C求和,得到所述被预测流量仪表的人机焊接预测工时Tf。
7.如权利要求6所述的人机焊接工时预测方法,其特征在于,所述根据所述当前作业人员的焊接工时计算时间T0C和同等级作业人员实际操作完成的焊接工时TA计算所述当前作业人员的预测焊接工时T0f的步骤,具体包括步骤:
计算所述同等级作业人员的操作比率γ=TH/TA;
根据所述操作比率修正所述当前作业人员的人工焊接工时计算时间T0C,得到所述当前作业人员的人工焊接预测工时:T0f=T0C/γ。
8.如权利要求5所述的人机焊接工时预测方法,其特征在于,所述根据所述当前作业人员的人工焊接工时计算时间T0C和机械臂焊接工时计算时间T1C计算所述被预测流量仪表的人机焊接预测工时Tf的步骤,具体包括步骤:
判断所述当前作业人员等级与上一次焊接与所述被预测流量仪表相同口径规格流量仪表的作业人员的等级是否相同;
若等级不相同,则获取上次焊接作业人员的平均工时TH'和实际操作完成的焊接工时T′A;
根据所述当前作业人员的人工焊接工时计算时间T0C与所述上次焊接作业人员实际操作完成的焊接工时T′A计算所述当前作业人员的焊接预测工时T0f;
对所述预测焊接工时T0f和机械臂焊接的焊接工时计算时间T1C求和,得到所述被预测流量仪表的人机焊接预测工时。
9.如权利要求8所述的人机焊接工时预测方法,其特征在于,所述根据所述当前作业人员的焊接工时计算时间T0c和上一作业人员实际操作完成的焊接工时T′A计算所述当前作业人员的预测焊接工时T0f的步骤,具体包括步骤:
计算上一作业人员的操作比率γ=TH/TA;
根据所述操作比率修正所述当前作业人员的人工焊接工时计算时间T0c,得到所述当前作业人员的人工焊接预测工时:T0f=T0C/γ×(1+α),
其中,α表示作业人员等级的更换,α∈[-1,1],且当所述当前作业人员的等级比上一作业人员的等级低时,所述α为负值,当所述当前作业人员的等级比上一作业人员的等级高时,所述α为正值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158039.1A CN106682773B (zh) | 2016-12-15 | 2016-12-15 | 一种基于模拟退火算法的人机焊接工时预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611158039.1A CN106682773B (zh) | 2016-12-15 | 2016-12-15 | 一种基于模拟退火算法的人机焊接工时预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106682773A true CN106682773A (zh) | 2017-05-17 |
CN106682773B CN106682773B (zh) | 2020-06-16 |
Family
ID=58868538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611158039.1A Active CN106682773B (zh) | 2016-12-15 | 2016-12-15 | 一种基于模拟退火算法的人机焊接工时预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106682773B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480861A (zh) * | 2017-07-12 | 2017-12-15 | 深圳市联邦重科电子科技有限公司 | 一种研发工时计算方法和装置 |
CN107909216A (zh) * | 2017-11-30 | 2018-04-13 | 成都飞机工业(集团)有限责任公司 | 一种零件实际生产周期预测方法 |
CN108647724A (zh) * | 2018-05-11 | 2018-10-12 | 国网电子商务有限公司 | 一种基于模拟退火算法的用户推荐方法及装置 |
CN111489032A (zh) * | 2020-04-09 | 2020-08-04 | 北京理工大学 | 一种预测航天产品装配工时的处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160171633A1 (en) * | 2014-12-16 | 2016-06-16 | Rhumbix, Inc. | Systems and methods for optimizing project efficiency |
CN105847598A (zh) * | 2016-04-05 | 2016-08-10 | 浙江远传信息技术股份有限公司 | 呼叫中心多因子话务预测方法及其装置 |
CN105913141A (zh) * | 2016-04-06 | 2016-08-31 | 上海电器科学研究院 | 一种支持大数据的负荷预测方法 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
-
2016
- 2016-12-15 CN CN201611158039.1A patent/CN106682773B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160171633A1 (en) * | 2014-12-16 | 2016-06-16 | Rhumbix, Inc. | Systems and methods for optimizing project efficiency |
CN105847598A (zh) * | 2016-04-05 | 2016-08-10 | 浙江远传信息技术股份有限公司 | 呼叫中心多因子话务预测方法及其装置 |
CN105913141A (zh) * | 2016-04-06 | 2016-08-31 | 上海电器科学研究院 | 一种支持大数据的负荷预测方法 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480861A (zh) * | 2017-07-12 | 2017-12-15 | 深圳市联邦重科电子科技有限公司 | 一种研发工时计算方法和装置 |
CN107909216A (zh) * | 2017-11-30 | 2018-04-13 | 成都飞机工业(集团)有限责任公司 | 一种零件实际生产周期预测方法 |
CN108647724A (zh) * | 2018-05-11 | 2018-10-12 | 国网电子商务有限公司 | 一种基于模拟退火算法的用户推荐方法及装置 |
CN111489032A (zh) * | 2020-04-09 | 2020-08-04 | 北京理工大学 | 一种预测航天产品装配工时的处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106682773B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN110609531B (zh) | 一种基于数字孪生的车间调度方法 | |
CN106682773A (zh) | 一种基于模拟退火算法的人机焊接工时预测方法 | |
Rojek | Technological process planning by the use of neural networks | |
Pilani et al. | A hybrid intelligent systems approach for die design in sheet metal forming | |
CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
CN104504460A (zh) | 预测叫车平台的用户流失的方法和装置 | |
CN107627152A (zh) | 一种基于bp神经网络的数控加工切屑控制方法 | |
CN112651562B (zh) | 基于信噪比和改进灰色关联度激光熔覆工艺优化方法 | |
CN108646689A (zh) | 一种基于焊接的虚拟生产制造方法及系统 | |
Singh Sivam et al. | An investigation of hybrid models FEA coupled with AHP-ELECTRE, RSM-GA, and ANN-GA into the process parameter optimization of high-quality deep-drawn cylindrical copper cups | |
CN117852116A (zh) | 一种数字孪生模型的构建方法 | |
CN101893430A (zh) | 基于cnc齿轮测量中心的测量异常值处理方法 | |
CN114254915A (zh) | 轴类零件全流程加工质量合格状态决策及优化方法 | |
JP6593194B2 (ja) | 自動車生産ラインのpbs出庫順列決定装置 | |
Zhan et al. | The feasibility of intelligent welding procedure qualification system for Q345R SMAW | |
CN116414094A (zh) | 一种焊接装配智能调度方法及系统 | |
JP7103514B2 (ja) | 鋼管圧潰強度予測モデルの生成方法、鋼管の圧潰強度予測方法、鋼管の製造特性決定方法、及び鋼管の製造方法 | |
Glynn et al. | Forging sequence design using an expert system | |
CN106777901A (zh) | 一种乙烯生产装置节能减排潜能检测方法 | |
Krupinska et al. | Improvement of technological processes by the use of technological efficiency analysis | |
Hedicke-Claus et al. | Validation of automatically generated forging sequences by using FE simulations | |
Darijani et al. | Efficiency evaluation using fuzzy DEA-TOPSIS and possibility theory | |
Garcia-Romeu et al. | Forming force prediction in two point incremental forming using Backpropagation neural networks in combination with Genetic Algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220810 Address after: 401121 No. 61, Middle Section of Huangshan Avenue, Yubei District, Chongqing Patentee after: Chongqing Chuanyi Software Co., Ltd. Patentee after: CHONGQING CHUANYI AUTOMATION Co.,Ltd. Address before: 401121 No. 61, Middle Section of Huangshan Avenue, Yubei District, Chongqing Patentee before: CHONGQING CHUANYI AUTOMATION Co.,Ltd. |