CN111401427B - 一种基于工业大数据的产品成本评估方法及系统 - Google Patents

一种基于工业大数据的产品成本评估方法及系统 Download PDF

Info

Publication number
CN111401427B
CN111401427B CN202010169360.XA CN202010169360A CN111401427B CN 111401427 B CN111401427 B CN 111401427B CN 202010169360 A CN202010169360 A CN 202010169360A CN 111401427 B CN111401427 B CN 111401427B
Authority
CN
China
Prior art keywords
product
data
processing
cost
evaluated
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.)
Active
Application number
CN202010169360.XA
Other languages
English (en)
Other versions
CN111401427A (zh
Inventor
张云
刘家欢
黄志高
周华民
李德群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010169360.XA priority Critical patent/CN111401427B/zh
Publication of CN111401427A publication Critical patent/CN111401427A/zh
Application granted granted Critical
Publication of CN111401427B publication Critical patent/CN111401427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于工业大数据的产品成本评估方法及系统。该方法包括步骤：采集工业大数据，从所述工业大数据提取产品自身特征数据、产品加工过程数据和产品加工成本数据；将所述产品自身特征数据和产品加工过程数据输入到随机森林分类模型进行训练，生成加工方案推荐模型；将所述产品加工过程数据和产品加工成本数据输入到CART决策树进行训练，生成加工成本预测模型；利用加工方案推荐模型和加工成本预测模型进行产品成本预测。本发明可以提高产品加工效率、降低加工成本。

Description

一种基于工业大数据的产品成本评估方法及系统
技术领域
本发明属于智能制造技术领域，更具体地，涉及一种基于工业大数据的产品成本评估方法及系统。
背景技术
随着机械加工制造技术的发展，智能制造技术引起了越来越多的企业的重视，例如在模具制造和锂电池装备等领域，工件的生产制造趋于自动化和智能化。在目前的产品加工中，制造过程分析和决策都是由研发工程师们根据不同的产品特点制定的。由于对人工的高度依赖，无法完成产品生产过程信息化和智能化的需求。尤其是产品的加工成本评估方面，这些严重依赖人工的分析过程会导致较大的误差，从而影响企业的生产计划和产能调配，还会造成人力财力的浪费，使产品的加工成本变高。
发明内容
针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于工业大数据的产品成本评估方法及系统，利用工业大数据生成加工方案推荐模型和加工成本预测模型，来进行产品成本预测，可以提高产品加工效率、降低加工成本。
为实现上述目的，按照本发明的第一方面，提供了一种基于工业大数据的产品成本评估方法，包括步骤：
采集工业大数据，从所述工业大数据提取产品自身特征数据、产品加工过程数据和产品加工成本数据；
将所述产品自身特征数据和产品加工过程数据输入到随机森林分类模型进行训练，生成加工方案推荐模型；
将所述产品加工过程数据和产品加工成本数据输入到CART决策树进行训练，生成加工成本预测模型；
接收评估请求，所述评估请求中包括待评估产品参数，根据所述待评估产品参数识别待评估产品的自身特征数据，将待评估产品的自身特征数据输入到所述加工方案推荐模型，获得待评估产品的推荐加工方案；
将所述待评估产品的推荐加工方案输入到所述加工成本预测模型，获得待评估产品的预测成本。
优选地，所述将所述待评估产品的推荐加工方案输入到所述加工成本预测模型包括步骤：
接收用户对所述待评估产品的推荐加工方案的修改数据，生成所述待评估产品的最终加工方案数据；
将所述待评估产品的最终加工方案输入到所述加工成本预测模型。
优选地，还包括步骤：
接收用户对所述待评估产品的推荐加工方案的第一反馈数据，将所述第一反馈数据输入到所述加工方案推荐模型进行训练；
和/或接收用户对所述待评估产品的预测加工成本的第二反馈数据，将所述第二反馈数据输入到所述加工成本预测模型进行训练。
优选地，采用基于核函数的主成分分析方法来实现从所述工业大数据提取产品自身特征数据、产品加工过程数据和产品加工成本数据。
优选地，所述核函数为高斯核函数。
优选地，将所述产品自身特征数据和产品加工方案数据输入到随机森林分类模型进行训练时，所述随机森林分类模型在决策树的每个节点需要分裂时，随机从所述产品自身特征数据的SUMSelf个属性中选取出
Figure BDA0002408629600000021
个属性，SUMSelf表示所述产品自身特征数据的所有属性的个数。
优选地，所述随机森林分类模型中决策树的数量为[50,100]。
优选地，采集工业大数据后，对所述工业大数据进行预处理。
按照本发明的第二方面，提供了一种基于工业大数据的产品成本评估系统，包括：
采集及提取模块，用于采集工业大数据，从所述工业大数据提取产品自身特征数据、产品加工过程数据和产品加工成本数据；
加工方案推荐模型训练模块，用于将所述产品自身特征数据和产品加工过程数据输入到随机森林分类模型进行训练，生成加工方案推荐模型；
加工成本预测模型训练模块，用于将所述产品加工过程数据和产品加工成本数据输入到CART决策树进行训练，生成加工成本预测模型；
加工方案测试模块，接收评估请求，所述评估请求中包括待评估产品参数，根据所述待评估产品参数识别待评估产品的自身特征数据，将待评估产品的自身特征数据输入到所述加工方案推荐模型，获得待评估产品的推荐加工方案；
加工成本测试模块，用于将所述待评估产品的推荐加工方案输入到所述加工成本预测模型，获得待评估产品的预测成本。
按照本发明的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述中任一项方法。
总体而言，本发明与现有技术相比，具有有益效果：
(1)充分利用整个产品生命周期中产生的工业大数据，将生产过程数据进行分析处理并用于指导生产，提出的产品加工成本评估技术可以辅助工程师完成企业产能调配，优化加工方案和生产计划，以合理安排人力物力和产能调配，从而实现产品生产过程信息化和智能化，提高加工效率。同时该技术还可以减少企业不必要的生产成本开支，有助于降低产品成本。
(2)本发明中的产品制造方案推荐功能可以有助于工程师设计产品加工流程和制造方案，并可以协助企业进行智能排程，实现加工资源和工件排程的智能化操作，提高企业智能制造水平和管理水平。
(3)利用数据挖掘技术和决策树算法实现产品加工成本智能评估，对机械产品加工过程中其他方面的分析和决策有一定的辅助决策意义。
附图说明
图1是本发明实施例提供的工业大数据特征提取及模型训练过程示意图；
图2是本发明实施例提供的产品成本预测工作算法流程示意图。
具体实施方式
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用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提出了一种基于工业大数据的进行产品加工成本评估方法及系统。整个加工成本评估系统是基于对工业生产大数据的分析和特征提取。根据企业既往生产经验，追踪每个产品在整个生命周期中出现的生产大数据，例如从需求分析到研发设计、加工工艺、仓库存储、交通运输、销售运维等过程中的所有数据全部收集起来。数据工程师可对获取的工业大数据进行预处理，去除无价值的数据，补足缺失的数据。然后使用特征工程或者数据降维算法从海量的工业数据中提取有用的特征数据。根据本发明的思路，将特征分类三大类，即产品自身特征数据Self、产品加工过程数据Process，以及生产方案的产品加工成本数据Cost。其中，为了优化算法和简便起见，将每个产品的生产方案记为Scheme，每个方案都对应一个加工过程数据向量。
加工方案推荐模型的训练过程的工作原理为：将上述获得的产品本身特征数据Self与生产方案Scheme分别作为输入和输出训练一个随机森林分类模型，用于根据产品预测其合理的加工方案。
加工成本预测模型的训练过程的工作原理为：获取上述步骤获得的合适的产品加工方案中包含的制造过程数据Process，包括加工工步、储存、物流和人力等数据。将制造过程数据作为输入，产品加工成本数据Cost作为输出，训练决策树模型用于成本预测。
加工方案推荐模型、加工成本预测模型在实际工作过程原理为：对于一个待评估的新产品，分析系统先获取产品的自身特征数据Self，输入上述步骤获得的随机森林模型中，得到系统推荐的产品加工方案，将系统推荐测产品加工方案输入到加工成本预测模型，获得产品的预测成本。
本发明提供的一个实施例中，一种基于工业大数据的产品成本评估方法，包括步骤：
S11，采集工业大数据，从工业大数据提取产品自身特征数据、产品加工过程数据和产品加工成本数据。
如图1所示，采集企业在常年生产加工过程中，生产过的产品的需求、研发、设计、工艺、制造、采购、供应、库存、交付、售后服务、运维等整个产品全生命周期各个环节所产生的各类工业大数据。优选地，由数据工程师对这些工业大数据进行清洗、转换和补缺等预处理工作。
完成工业大数据采集后，可以由数据工程师使用数据挖掘技术提取工业大数据中与产品自身特点相关的特征数据，或者人工选择像材料、尺寸、质量等明显的特征数据。然后将每个产品的原材料、加工方案、库存、运输等相关的数据提取出来并与之前的产品本身特征数据对应。
具体地，本实施例使用的特征数据选择为，产品自身特征数据有：工件材质Mp、工件形状S、工件外形尺寸V、质量m、加工精度要求A、粗糙度要求R等数据。对应产品的生产过程数据有：原材料Ms、加工方案Pi(i∈[1,2,…,n]，表示不同的主要加工工步)、存储W、包装Pa、运输T等数据。那么，每个方案Scheme对应不同的过程特征数据向量Process＝[Ms,Pi,W,Pa,T]。产品特征数据Self向量为Self＝[Mp,S,V,m,A,R]。每个产品的加工方案Scheme对应一系列的加工过程数据向量Process＝[Ms,Pi,W,Pa,T]。其中Pi(i∈[1,2,…,n])表示加工方案中不同的主要加工工步，例如：切削、铣削、钻孔、加工中心、研磨等工步。
计算每一个加工方案Scheme中涉及到成本的数据，得到该类产品的加工成本数据，记为Cost。举例来说：计算某个加工方案Scheme[i]中采购成本、加工能耗、存储成本、包装成本、运输成本、人力成本、销售和售后成本以及污染处理成本等数据，得到该产品加工成本数据。
在实际应用中，由于与产品自身特征、产品加工过程和产品加工成本相关的数据很多，因此可由数据工程师从数量庞大的工业生产大数据人为指定占主导作用的数据作为产品自身特征数据、产品加工过程数据和产品加工成本数据，例如人为指定的产品材料、尺寸等特征数据作为产品自身特征数据。
在另一个实施例中，由于在一些生产过程中，人为指定数据并不能全面地表征数据特征，或者人为单独指定特征数据过于依赖工程师的经验水平。为了提高决策过程的效率和智能水平，采用基于核函数的主成分分析(KCPA)降维方法对工业生产大数据中的高维数据进行降维表征，以达到便于分析的目的并提高数据的表达能力。KPCA方法可以通过核函数将原始数据中具有非线性相关性的数据映射到另一个高维核空间，使得原始数据在核空间中变得线性可分，再使用主成分分析方法(PCA)对映射后的数据进行降维，提取数据中具有主导作用的特征数据，即主成分。然后利用这些主成分数据作为输入来训练下一步骤的随机森林模型。
优选地，上述核函数为高斯核函数，
Figure BDA0002408629600000061
其中，x,y表示两个数据向量，σ表示标准差，也成为带宽，控制高斯核函数的局部作用范围。计算结果k(x,y)可以理解为核空间中，两个数据向量x,y的某种距离。
S12，将步骤S1中获得的产品自身特征数据和产品加工过程数据输入到随机森林分类模型进行训练，生成加工方案推荐模型。
将产品自身特征数据作为随机森林分类模型的输入，将产品加工过程数据作为随机森林分类模型的输出，以不同的产品自身特征数据向量Self＝[Mp,S,V,m,A,R]，来预测对应的生产过程方案Scheme。该随机森林分类模型训练完成后的加工方案推荐模型记为RF。
优选地，上述随机森林分类模型中决策树的数量为[50,100]。
随机森林中决策树的数量会对最终分类结果精确度产生影响，一般来说决策树数量越多，预测结果越准确。根据经验，我们一般选择[50,100]个决策树，因为提高决策树的数量虽然可以提高精确度，但是数量过多时又会因为模型过拟合而导致性能下降，并且会导致计算量增大而影响效率。因此具体合适的决策树数量需要根据具体问题而定。在实际实施中，可以使用网格搜索方式迭代地选择不同决策树数量进行训练，当观察到验证准确率变化不大时，该次迭代的决策树数量可以认为是最佳数量。
优选地，将产品自身特征数据和产品加工方案数据输入到随机森林分类模型进行训练时，随机森林分类模型在决策树的每个节点需要分裂时，随机从所述产品自身特征数据的SUMSelf个属性中选取出
Figure BDA0002408629600000071
个属性，SUMSelf表示所述产品自身特征数据的所有属性的个数。
随机森林在训练时，两个重要的超参数就是：决策树的数量和决策树中每个变量节点的数量。在训练之前，超参数被人为指定。一般根据经验选择决策树的变量节点数为
Figure BDA0002408629600000072
即从输入向量的sum个特征中随机选择
Figure BDA0002408629600000073
个，来形成一个决策树，然后重复生成决策树直到生成规定数量的决策树。因此，这两个超参数之间没有依赖关系。
S13，将步骤S11中获得的产品加工过程数据和产品加工成本数据输入到CART(classification and regression tree)决策树进行训练，生成加工成本预测模型。
将产品加工过程数据作为随机森林分类模型的输入，将产品加工成本数据作为随机森林分类模型的输出，来进行训练，将训练好的加工成本预测模型记为DT。
经过步骤S12和S13，加工方案推荐模型和加工成本预测模型已经在工业大数据上训练至收敛，具备较高的预测性能。
S14，接收评估请求，该评估请求中包括待评估产品参数，根据该待评估产品参数识别待评估产品的自身特征数据，将待评估产品的自身特征数据输入到步骤S12中生成的加工方案推荐模型，获得待评估产品的推荐加工方案。
S15，将待评估产品的推荐加工方案输入到步骤S13中生成的加工成本预测模型，获得待评估产品的预测成本。
优选地，在实际应用中，用户可以对推荐加工方案、预测成本进行修改或反馈。(1)接收对待评估产品的推荐加工方案的修改数据，生成待评估产品的最终加工方案数据；将待评估产品的最终加工方案输入到所述加工成本预测模型。(2)接收用户对待评估产品的推荐加工方案的第一反馈数据，将该第一反馈数据输入到所述加工方案推荐模型进行训练；和/或接收用户对待评估产品的预测加工成本的第二反馈数据，将第二反馈数据输入到所述加工成本预测模型进行训练。即计算加工方案误差，然后反向传播给随机森林模型，用于模型参数更新再学习，便于提高下一次方案预测的准确性。计算加工预测成本误差，并反向传播加工成本预测模型，更新模型参数后重新预测，以便提高模型的预测准确率。
在一个具体的实施例中，如图2所示，利用加工方案推荐模型、加工成本预测模型进行成本评估包括步骤：
S21，对于待加工的新产品Pnew，将产品的模型数据、材质信息等输入系统；
S22，系统获取产品的自身特征数据[Mp,S,V,m,A,R](Pnew)；
S23分析系统利用随机森林加工方案推荐模型以S2步骤的自身特征数据为输入，预测出可能的加工方案Scheme(Pnew)；
S24模型推荐的加工方案经由工程师确定是否适合该产品，然后执行下面两个步骤中的一个：若工程师认为该方案合理，确认通过该推荐方案，系统就根据该方案生成制造过程数据Processnew；若工程师认为该方案有不合理的地方，然后修改该方案中的一些过程，则产生修改后的过程数据Processnew(mod)。同时系统将工程师修改后的加工方案反馈至随机森林推荐模型，计算误差之后更新模型参数，便于提高下一次预测准确率；
S25，分析系统以上述S24步骤中得到的制造过程数据Process为决策树加工成本评估预测模型的输入，评估预测模型得到一个成本预测结果Cost，并由工程师确认。然后执行下面两个步骤中的一个：若工程师认为该评估预测结果合理，直接确认该结果；若工程师认为该评估预测结果不合理，反馈给预测模型之后，模型根据结果更新参数，然后重新预测结果，重复S25步骤，直到得到合理的结果；
S26，得到S25步骤输出的预测结果之后，进行后续成本分析和优化。所述的加工方案推荐模型和加工成本预测模型都是基于工业生产大数据训练得到的，因此在大数据的驱动下，模型的预测结果具有较高的准确度，所以上述S25的步骤不会重复多次才能得到合理的结果，实际应用中有较高的准确率和预测效率。
本发明实施例还提出了一种基于工业大数据的产品成本评估系统，包括：
采集及提取模块，用于采集工业大数据，从工业大数据提取产品自身特征数据、产品加工过程数据和产品加工成本数据；
加工方案推荐模型训练模块，用于将产品自身特征数据和产品加工过程数据输入到随机森林分类模型进行训练，生成加工方案推荐模型；
加工成本预测模型训练模块，用于将产品加工过程数据和产品加工成本数据输入到CART决策树进行训练，生成加工成本预测模型；
加工方案测试模块，接收评估请求，评估请求中包括待评估产品参数，根据待评估产品参数识别待评估产品的自身特征数据，将待评估产品的自身特征数据输入到加工方案推荐模型，获得待评估产品的推荐加工方案；
加工成本测试模块，用于将待评估产品的推荐加工方案输入到加工成本预测模型，获得待评估产品的预测成本。
产品成本评估系统的实现原理、技术效果与上述方法类似，此处不再赘述。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现上述任一方法实施例的技术方案。其实现原理、技术效果与上述方法类似，此处不再赘述。
必须说明的是，上述任一实施例中，加工成本评估并不必然按照序号顺序依次执行，只要从执行逻辑中不能推定必然按某一顺序执行，则意味着可以以其他任何可能的顺序执行。
总体而言，本发明采用工业生产大数据驱动来训练加工方案推荐模型和基于加工方案制造过程的加工成本评估预测模型。评估系统采集待加工新产品的自身特征数据，根据企业生产经验大数据推荐合理的加工方案。探然后系统以加工方案中的制造过程数据为输入，预测新产品的加工成本。该方法具有较高的预测准确率和预测效率，能够协助企业进行产品生产成本评估，对企业产能进行合理调配，提高企业的生产效率和管理水平，并进一步降低产品生产成本，提高效益，实现制造信息化和智能化。
本领域的技术人员容易理解，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 (10)

1.一种基于工业大数据的产品成本评估方法，其特征在于，包括步骤：
采集工业大数据，从所述工业大数据提取产品自身特征数据、产品加工过程数据和产品加工成本数据；
将所述产品自身特征数据和产品加工过程数据输入到随机森林分类模型进行训练，生成加工方案推荐模型；
将所述产品加工过程数据和产品加工成本数据输入到CART决策树进行训练，生成加工成本预测模型；
接收评估请求，所述评估请求中包括待评估产品参数，根据所述待评估产品参数识别待评估产品的自身特征数据，将待评估产品的自身特征数据输入到所述加工方案推荐模型，获得待评估产品的推荐加工方案；
将所述待评估产品的推荐加工方案输入到所述加工成本预测模型，获得待评估产品的预测成本。
2.如权利要求1所述的一种基于工业大数据的产品成本评估方法，其特征在于，所述将所述待评估产品的推荐加工方案输入到所述加工成本预测模型包括步骤：
接收用户对所述待评估产品的推荐加工方案的修改数据，生成所述待评估产品的最终加工方案数据；
将所述待评估产品的最终加工方案输入到所述加工成本预测模型。
3.如权利要求1所述的一种基于工业大数据的产品成本评估方法，其特征在于，还包括步骤：
接收用户对所述待评估产品的推荐加工方案的第一反馈数据，将所述第一反馈数据输入到所述加工方案推荐模型进行训练；
和/或接收用户对所述待评估产品的预测加工成本的第二反馈数据，将所述第二反馈数据输入到所述加工成本预测模型进行训练。
4.如权利要求1至3任一项所述的一种基于工业大数据的产品成本评估方法，其特征在于，采用基于核函数的主成分分析方法来实现从所述工业大数据提取产品自身特征数据、产品加工过程数据和产品加工成本数据。
5.如权利要求4所述的一种基于工业大数据的产品成本评估方法，其特征在于，所述核函数为高斯核函数。
6.如权利要求1至3任一项所述的一种基于工业大数据的产品成本评估方法，其特征在于，将所述产品自身特征数据和产品加工方案数据输入到随机森林分类模型进行训练时，所述随机森林分类模型在决策树的每个节点需要分裂时，随机从所述产品自身特征数据的SUMSelf个属性中选取出
Figure FDA0002408629590000021
个属性，SUMSelf表示所述产品自身特征数据的所有属性的个数。
7.如权利要求1至3任一项所述的一种基于工业大数据的产品成本评估方法，其特征在于，所述随机森林分类模型中决策树的数量为[50,100]。
8.如权利要求1至3任一项所述的一种基于工业大数据的产品成本评估方法，其特征在于，采集工业大数据后，对所述工业大数据进行预处理。
9.一种基于工业大数据的产品成本评估系统，其特征在于，包括：
采集及提取模块，用于采集工业大数据，从所述工业大数据提取产品自身特征数据、产品加工过程数据和产品加工成本数据；
加工方案推荐模型训练模块，用于将所述产品自身特征数据和产品加工过程数据输入到随机森林分类模型进行训练，生成加工方案推荐模型；
加工成本预测模型训练模块，用于将所述产品加工过程数据和产品加工成本数据输入到CART决策树进行训练，生成加工成本预测模型；
加工方案测试模块，接收评估请求，所述评估请求中包括待评估产品参数，根据所述待评估产品参数识别待评估产品的自身特征数据，将待评估产品的自身特征数据输入到所述加工方案推荐模型，获得待评估产品的推荐加工方案；
加工成本测试模块，用于将所述待评估产品的推荐加工方案输入到所述加工成本预测模型，获得待评估产品的预测成本。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
CN202010169360.XA 2020-03-12 2020-03-12 一种基于工业大数据的产品成本评估方法及系统 Active CN111401427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010169360.XA CN111401427B (zh) 2020-03-12 2020-03-12 一种基于工业大数据的产品成本评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010169360.XA CN111401427B (zh) 2020-03-12 2020-03-12 一种基于工业大数据的产品成本评估方法及系统

Publications (2)

Publication Number Publication Date
CN111401427A CN111401427A (zh) 2020-07-10
CN111401427B true CN111401427B (zh) 2022-11-08

Family

ID=71432369

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010169360.XA Active CN111401427B (zh) 2020-03-12 2020-03-12 一种基于工业大数据的产品成本评估方法及系统

Country Status (1)

Country Link
CN (1) CN111401427B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950166B (zh) * 2020-08-26 2021-04-02 广州博依特智能信息科技有限公司 一种基于数据挖掘的生活用纸造纸机成本优化方法
CN113240475A (zh) * 2021-06-03 2021-08-10 北京汽车集团越野车有限公司 一种成本预测方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766883A (zh) * 2017-10-13 2018-03-06 华中师范大学 一种基于加权决策树的优化随机森林分类方法及系统
CN109389490A (zh) * 2018-09-26 2019-02-26 深圳壹账通智能科技有限公司 贷款产品匹配方法、装置、计算机设备和存储介质
CN109902954A (zh) * 2019-02-27 2019-06-18 浙江工业大学 一种基于工业大数据的柔性作业车间动态调度方法
CN110503459A (zh) * 2019-07-19 2019-11-26 平安科技（深圳）有限公司 基于大数据的用户信用度评估方法、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070118487A1 (en) * 2005-11-18 2007-05-24 Caterpillar Inc. Product cost modeling method and system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766883A (zh) * 2017-10-13 2018-03-06 华中师范大学 一种基于加权决策树的优化随机森林分类方法及系统
CN109389490A (zh) * 2018-09-26 2019-02-26 深圳壹账通智能科技有限公司 贷款产品匹配方法、装置、计算机设备和存储介质
CN109902954A (zh) * 2019-02-27 2019-06-18 浙江工业大学 一种基于工业大数据的柔性作业车间动态调度方法
CN110503459A (zh) * 2019-07-19 2019-11-26 平安科技（深圳）有限公司 基于大数据的用户信用度评估方法、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于分类和预测技术的产品成本估算系统研究与应用;李向宁等;《郑州大学学报(工学版)》;20060930(第03期);全文 *

Also Published As

Publication number Publication date
CN111401427A (zh) 2020-07-10

Similar Documents

Publication Publication Date Title
Dogan et al. Machine learning and data mining in manufacturing
Li et al. An elitist nondominated sorting hybrid algorithm for multi-objective flexible job-shop scheduling problem with sequence-dependent setups
Jain et al. Modeling and analysis of FMS performance variables by fuzzy TISM
Relich et al. The use of intelligent systems for planning and scheduling of product development projects
CN111401427B (zh) 一种基于工业大数据的产品成本评估方法及系统
Zhao et al. Reinforcement learning-based selective disassembly sequence planning for the end-of-life products with structure uncertainty
CN117522084B (zh) 一种自动化混凝土灌浆调度系统
Chattopadhyay et al. Neuro-genetic impact on cell formation methods of Cellular Manufacturing System design: A quantitative review and analysis
CN117252447A (zh) 一种工业盐生产统计方法及系统
Király et al. Minimization of off-grade production in multi-site multi-product plants by solving multiple traveling salesman problem
Singh et al. Development and utilization of a framework for data-driven life cycle management of battery cells
Márquez et al. Shop scheduling in manufacturing environments: a review
Le et al. Multi co-objective evolutionary optimization: Cross surrogate augmentation for computationally expensive problems
Lin et al. Learning-based cuckoo search algorithm to schedule a flexible job shop with sequencing flexibility
Mahiri et al. Data-driven sustainable smart manufacturing: A conceptual framework
Zhang et al. Evolutionary algorithm incorporating reinforcement learning for energy-conscious flexible job-shop scheduling problem with transportation and setup times
Guerrero et al. Simulation-optimization techniques for closed-loop supply chain design with multiple objectives
Tian et al. A genetic algorithm with critical path-based variable neighborhood search for distributed assembly job shop scheduling problem
Chen et al. Artificial Intelligence and Lean Manufacturing
Karlsson et al. Online knowledge extraction and preference guided multi-objective optimization in manufacturing
Liu et al. Dynamic job-shop scheduling using graph reinforcement learning with auxiliary strategy
Lu et al. Coordinated scheduling of production and logistics for large-scale closed-loop manufacturing using Benders decomposition optimization
Mosavi et al. Intelligent energy management using data mining techniques at Bosch Car Multimedia Portugal facilities
Echeverria et al. Solving large flexible job shop scheduling instances by generating a diverse set of scheduling policies with deep reinforcement learning
Frye et al. Production rescheduling through product quality prediction

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