CN113408045B - 船舶建造计划优化方法、系统、储存介质及计算机设备 - Google Patents

Abstract

本发明针对现有技术船舶建造计划优化技术的局限性，提出了一种船舶建造计划优化方法、系统、储存介质及计算机设备，本发明以船舶制造业大数据为驱动，通过对初始计划进行分解、建模、分析和预测，生成优化后的新计划。本发明从根本上改变了现有的粗放型、计划高频变更的模型，缩短了交船日期，节约成本和提高了生产力与效率，实现精益造船。

Description

船舶建造计划优化方法、系统、储存介质及计算机设备

技术领域

本发明涉及船舶制造业领域，具体涉及大数据建模分析在船舶生产方面的应用，更具体地，涉及一种船舶建造计划优化方法、系统、储存介质及计算机设备。

背景技术

中国船舶制造业通过几十年的信息化建设和持续不断的投入，在船舶设计、船舶建造管理、船舶建造执行等各个范围内均取得了一定成果，但船舶制造业生产效率低、建造成本高、建造周期长等一系列问题并没有得到彻底的改变。

公告日为2019.05.31，公布号为CN106951621B的中国申请专利：一种用于船舶搭载计划调整的仿真优化方法，将分段生产计划、场地资源及运输考虑在内，围绕分段生产、总组以及船舶搭载这三大连续的生产节点进行仿真模拟，通过 Petri网方法进行结构建模，Plant Simulation软件进行过程建模，结合遗传算法，构建新的生产计划和船舶网络搭载图。但该方案仍有一定的局限性。

发明内容

针对现有技术的局限，本发明提出一种船舶建造计划优化方法、系统、储存介质及计算机设备，本发明采用的技术方案是：

一种船舶建造计划优化方法，包括以下步骤：

S1，获取初始船舶建造总计划，将所述初始船舶建造总计划分解为工程与效率计划层、造船生产计划层以及船舶建造影响因素计划层；

S2，将所述工程与效率计划层逐步细化分解为大日程计划、中日程计划以及小日程计划，根据所述大日程计划、中日程计划以及小日程计划建立计划网络图；

S3，根据所述大日程计划以及造船生产计划层建立计划线；

S4，对所述船舶建造影响因素计划层中的影响因素进行归类，根据归类结果收集船舶制造业大数据；

S5，对所述船舶制造业大数据进行大数据建模，整合所述计划网络图、计划线以及大数据建模的结果获得优化后的船舶建造总计划。

相较于现有技术，本发明以船舶制造业大数据为驱动，通过对初始计划进行分解、建模、分析和预测，生成优化后的新计划。本发明从根本上改变了现有的粗放型、计划高频变更的模型，缩短了交船日期，节约成本和提高了生产力与效率，实现精益造船。

作为一种优选方案，所述大日程计划包括开工日期到交船日期之间材料、主设备、外购件以及外协件交货期的时间节点；

所述中日程计划包括船舶生产建造过程中的设备纳期工序计划、下料加工工序计划、部件装配工序计划、分段制作工序计划、分段预舾装工序计划、船台搭载工序计划及各工序计划对应的时间节点；

所述小日程计划包括所述中日程计划中各工序计划中的单作业、单设备的时间节点。

进一步的，所述步骤S3包括以下步骤：

S31，以所述大日程计划的交船日期为基准，采取倒序排法串联所述造船生产计划层中的关键任务构建初始建造计划线表；所述关键任务包括合同设计、技术设计、生产设计、分段加工制造、船台分段合拢、码头舾装以及试船；

S32，结合船厂现有资源，对所述初始建造计划线表进行分段划分，建立计划线；所述计划线的工序包括主机及其他关键设备选择、一般配套设备选择、原材料选择、各分段和管系加工。

更进一步的，在所述步骤S4中的归类结果包括：资源需求量因素、配送与物流管控因素、建造质量因素、加工能力因素、设备调度因素、设备故障维修管控因素、不可预测因素以及资源约束因素。

作为一种优选方案，所述船舶制造业大数据包括结构化数据、非结构化数据以及半结构化数据；所述结构化数据为来自于现有船舶制造业数据库中的具备统一表示模式的数据，所述非结构化数据包括船舶产品的三维模型及对应的衍生数据，所述半结构化数据包括设备检修记录、产品质量检测结果、安装记录和各种设备的事件日志、开发日志、计划执行日志。

进一步的，所述步骤S5包括以下步骤：

S51，对所述结构化数据、非结构化数据以及半结构化数据进行数据集成，获得船舶制造业大数据初始模型；

S52，对所述船舶制造业大数据初始模型进行去噪以及数据分析，搭建出分别与所述结构化数据、非结构化数据以及半结构化数据对应的数据网络图、计划数据、设备运行状态数据；

S53，对所述数据网络图、计划数据、设备运行状态数据进行大数据建模获得船舶制造业大数据深度模型；

S54，运用APS系统对所述船舶制造业大数据深度模型进行处理，建立计划模型以及设备异常监控模型；

S55，整合所述计划网络图、计划线、计划模型以及设备异常监控模型获得优化后的船舶建造总计划。

进一步的，所述结构化数据以及半结构化数据通过数据仓库技术进行采集，所述非结构化数据采用基于流的方式进行采集；

在所述步骤S51中，以混合存储模型“Hadoop+NoSQL+RDBMS”的形式，通过Spark计算引擎对所述结构化数据、非结构化数据以及半结构化数据进行数据集成，获得船舶制造业大数据初始模型。

本发明还提供以下内容：

一种船舶建造计划优化系统，包括计划分解模块、计划网络图建立模块、计划线建立模块、大数据收集模块以及大数据建模整合模块；所述计划分解模块连接所述计划网络图建立模块、计划线建立模块以及大数据收集模块；所述计划网络图建立模块连接所述计划线建立模块；所述大数据建模整合模块连接所述计划网络图建立模块、计划线建立模块以及大数据收集模块；其中：

所述计划分解模块用于获取初始船舶建造总计划，将所述初始船舶建造总计划分解为工程与效率计划层、造船生产计划层以及船舶建造影响因素计划层；

所述计划网络图建立模块用于将所述工程与效率计划层逐步细化分解为大日程计划、中日程计划以及小日程计划，根据所述大日程计划、中日程计划以及小日程计划建立计划网络图；

所述计划线建立模块用于根据所述大日程计划以及造船生产计划层建立计划线；

所述大数据收集模块用于对所述船舶建造影响因素计划层中的影响因素进行归类，根据归类结果收集船舶制造业大数据；

所述大数据建模整合模块用于对所述船舶制造业大数据进行大数据建模，整合所述计划网络图、计划线以及大数据建模的结果获得优化后的船舶建造总计划。

一种储存介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现前述的船舶建造计划优化方法的步骤。

一种计算机设备，包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现前述船舶建造计划优化方法的步骤。

附图说明

图1为本发明实施例1提供的船舶建造计划优化方法的流程示意图；

图2为本发明实施例1提供的计划线的示例图；

图3为本发明实施例1优化后的船舶建造总计划的示例图；

图4为本发明实施例1提供的步骤S3的流程示意图；

图5为本发明实施例1提供的步骤S5的流程示意图；

图6为本发明实施例1提供的数据网络图的示例图；

图7为本发明实施例2提供的船舶建造计划优化系统的示意图；

附图标记说明：1、计划分解模块；2、计划网络图建立模块；3、计划线建立模块；4、大数据收集模块；5、大数据建模整合模块。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

应当明确，所描述的实施例仅仅是本申请实施例一部分实施例，而不是全部的实施例。基于本申请实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请实施例保护的范围。

在本申请实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中，需要理解的是，术语“第一”、“第二”、“第三”等仅用于区别类似的对象，而不必用于描述特定的顺序或先后次序，也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

此外，在本申请的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。以下结合附图和实施例对本发明做进一步的阐述。

为了解决现有技术的局限性，本实施例提供了一种技术方案，下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

请参考图1，一种船舶建造计划优化方法，包括以下步骤：

S1，获取初始船舶建造总计划，将所述初始船舶建造总计划分解为工程与效率计划层、造船生产计划层以及船舶建造影响因素计划层；

S2，将所述工程与效率计划层逐步细化分解为大日程计划、中日程计划以及小日程计划，根据所述大日程计划、中日程计划以及小日程计划建立计划网络图；

S3，根据所述大日程计划以及造船生产计划层建立计划线；

S4，对所述船舶建造影响因素计划层中的影响因素进行归类，根据归类结果收集船舶制造业大数据；

S5，对所述船舶制造业大数据进行大数据建模，整合所述计划网络图、计划线以及大数据建模的结果获得优化后的船舶建造总计划。

相较于现有技术，本发明以船舶制造业大数据为驱动，通过对初始计划进行分解、建模、分析和预测，生成优化后的新计划。本发明从根本上改变了现有的粗放型、计划高频变更的模型，缩短了交船日期，节约成本和提高了生产力与效率，实现精益造船。

具体的，在所述步骤S1中，可以采用工程分解法、量化管理法和时限计划法对所述初始船舶建造总计划分解；其中，工程分解法是一种用于将工程项目由大变小拆解的方法；量化管理法是一种用于对项目各种信息资源进行分配的方法；时限计划法一种是确定项目进度及其时序关系的基本方法。

在所述步骤S2中，可以采用分散型计划管理法将工程与效率计划层逐步细化为大日程计划、中日程计划以及小日程计划；其中，分散型计划管理法是理顺计划、项目和管理关系、保证计划编制可行性、降低管理难度的基本方法。

所述工程与效率计划层控制着主要关键节点日期，通过对所述工程与效率计划层进行优化能够节约和控制成本；所述造船生产计划层主要以船舶生产流程为任务线，将关键任务互相关联，通过对所述造船生产计划层进行优化能控制制造质量；所述船舶建造影响因素计划层控制生产实际实行进度，通过对所述船舶建造影响因素计划层进行优化能够减少执行中出现的不确定因素，使计划工作更顺畅，以提高生产力与效率。

一般的，所述计划线的示例请参阅图2；优化后的船舶建造总计划的示例请参阅图3，图3中箭头框所表示的内容即所述计划网络图，中间部分同样是所述计划线的一种示例，下部分表示大数据建模的结果。

作为一种优选实施例，所述大日程计划包括开工日期到交船日期之间材料、主设备、外购件以及外协件交货期的时间节点；

所述中日程计划包括船舶生产建造过程中的设备纳期工序计划、下料加工工序计划、部件装配工序计划、分段制作工序计划、分段预舾装工序计划、船台搭载工序计划及各工序计划对应的时间节点；

所述小日程计划包括所述中日程计划中各工序计划中的单作业、单设备的时间节点。

具体的，大日程计划主要包括关键设备订货，详细设计、生产设计、钢板订货以及船只下坞至交船之间的各节点，包括轴舵系拉线照光、全船甲板贯通、主机和上建吊装、发电机动车、锅炉点火、倾斜试验空船称重、主机动车、主机系泊试验及提交、试航等关键的后行项目的时间确定，为各职能部门编制计划和实行工程控制的提供主要依据。

中日程计划是从开工到交船各个生产环节的日程计划。其依据建造方针、工艺工法、各作业阶段标准工期、加工顺序表、生产场地设施、气候影响、节假日等因素综合编制。在编制过程中，应注意当生产能力在部分阶段不能满足生产计划要求或者是生产能力富裕的时候，需要适当进行调配，在确保节奏平稳满足生产的前提下，将物量适当的前移或者后移。

小日程计划主要由各生产班组每周或每日的作业计划，生产技术准备计划、安全周策划、质量策划组成等。其中周/日作业计划未双周滚动的班组出勤表、派工表，生产技术准备计划是按周分类编制的图纸、物资、托盘计划，以及工装准备检查计划，质量策划是作业项目质量标准和控制点；安全策划是作业项目安全控制要点。

所述计划网络图即以所述船台搭载工序计划为拉动，可以根据实际情况往所述计划网络图中间插入新任务，向左右拓展拉伸。

进一步的，请参阅图4，所述步骤S3包括以下步骤：

S31，以所述大日程计划的交船日期为基准，采取倒序排法串联所述造船生产计划层中的关键任务构建初始建造计划线表；所述关键任务包括合同设计、技术设计、生产设计、分段加工制造、船台分段合拢、码头舾装以及试船；

S32，结合船厂现有资源，对所述初始建造计划线表进行分段划分，建立计划线；所述计划线的工序包括主机及其他关键设备选择、一般配套设备选择、原材料选择、各分段和管系加工。

具体的，在所述步骤S32中，以船舶建造的设计规范分段/总段划分图来进行分段划分，以确定关键任务之间的联系。

更进一步的，在所述步骤S4中的归类结果包括：资源需求量因素、配送与物流管控因素、建造质量因素、加工能力因素、设备调度因素、设备故障维修管控因素、不可预测因素以及资源约束因素。

具体的，所述资源需求量因素反映人力资源、设备资源等需求量的不确定性；所述配送与物流管控因素反映钢材加工、组立建造、分段建造、大分段建造、堆场等环节的物流与管理；所述建造质量因素监控各工序产物的返工周期和返工计划；所述加工能力因素关注产品生命周期；所述设备调度因素关注船坞设备、堆场设备等调度条件；所述不可预测因素针对天气等条件导致的计划调整；所述资源约束因素反映在有限的资源下，规划有效的搭载计划及生产排程。

作为一种优选实施例，所述船舶制造业大数据包括结构化数据、非结构化数据以及半结构化数据；所述结构化数据为来自于现有船舶制造业数据库中的具备统一表示模式的数据，所述非结构化数据包括船舶产品的三维模型及对应的衍生数据，所述半结构化数据包括设备检修记录、产品质量检测结果、安装记录和各种设备的事件日志、开发日志、计划执行日志。

进一步的，请参阅图5，所述步骤S5包括以下步骤：

S51，对所述结构化数据、非结构化数据以及半结构化数据进行数据集成，获得船舶制造业大数据初始模型；

S52，对所述船舶制造业大数据初始模型进行去噪以及数据分析，搭建出分别与所述结构化数据、非结构化数据以及半结构化数据对应的数据网络图、计划数据、设备运行状态数据；

S53，对所述数据网络图、计划数据、设备运行状态数据进行大数据建模获得船舶制造业大数据深度模型；

S54，运用APS系统对所述船舶制造业大数据深度模型进行处理，建立计划模型以及设备异常监控模型；

S55，整合所述计划网络图、计划线、计划模型以及设备异常监控模型获得优化后的船舶建造总计划。

具体的，在所述步骤S52中，对对所述船舶制造业大数据初始模型进行去噪，在于采用“最大/最小中值滤波器”滤除如设备数据波动、设备启动和关闭的有问题等的数据，具体过程可参阅以下公式：

其中，

表示去噪后的数据，/>

表示采集的数据，a_i(k)表示高斯白噪声；p(k|k)表示中值滤波器，P(k|k)表示所述中值滤波器p(k|k)的卷积结果，/>

为卷积结果P(k|k)的某一种变换，如Fourier变换等；通常情况下，只要求知道/>

就可以利用已知函数求得其他量。

在所述步骤S53中，可以选用运用主要设备运行健康管控方法，采用异常检查(anomaly detection)算法来建模：首先以设备的时间序列为横轴，建立和准备检测样品数据，SCADA去噪后的数据形成运行样本库，建立异常值与正常值的表示域；之后通过相关的知识建模、机器学习与结构化洞察分析、计划预测与优化模型和知识粒度等处理进行大数据建模，得到船舶制造业大数据最终模型。

所述数据网络图的示例请参阅图6，这是一个船舶建造过程中的分段吊装网络图(局部)，该示例反映由于施工工艺要求，不同的作业会用到同一设备，因此图中的一些工作由于施工机械的限制只能按顺序施工，不能平行进行施工。

所述计划数据的示例请参阅以下表格：

表1计划数据示例

该计划数据示例中反映了各工序的计划完成时间；表格中的总段编号由三部分共4至7位字符组成：第一部分为组立结构代码，由2位字符表示；第二部分为位置或序列号，最多由2位数字表示；第三部分为分区号，最多由3位数字表示。例如CB01PCS，HB为槽型隔舱、压筋板分段，04为位置号，P表示左，C 表示中，S表示右。

所述设备运行状态数据的示例请参阅以下表格：

表2设备运行状态数据

这是涉及平板车设备的设备运行状态数据；其中，阻挡搬运是指平板车在运行过程中因为前方车辆阻挡而中断运输，而闲置是指平板车停靠在平板车停靠点等待搬运任务。对该示例而言，通过数据分析可以得出平板车利用率极低，绝大部分时间都处于等待状态，因而进行优化只配置1辆平板车即可。

所述APS(Advanced Planning and Scheduling)系统指高级计划与排程系统。

获得所述计划模型以及设备异常监控模型后，可以完成以下优化内容：

针对设备异常，通过所收集船舶制造过程中的关键设备，如吊车、焊机、钢板切割设备、搬运小车等，的运行状态数据及维修日志，来确定发生设备异常的模式，在监控同时运用大数据进行预测未来故障概率，并把将发生故障的设备的维修时间加入至优化后的船舶建造总计划中。

针对分段精度质量，将处理分段关键搭载点的制造偏差，通过主动分析分段制造质量的趋势变化、分段工艺对精度质量影响的敏感性，来确定潜在设备、管理和工艺问题，并及早做出预警；通过上述分析处理来提高分段制造的成品率，减少返工时间，来使分段建造计划精准；

对比与分析影响船舶建造因素的历史数据。通过对建造过程的各个计划进行跟踪，分析小日程计划中每个节点计划完工情况，影响计划完成的要素，计划拓扑网络，找出生产及设备状态资料、加工信息和资源信息，精准分析计划的各要素相互影响关系；通过确定上述影响关系来制定新计划或者变更船舶建造总计划；

优化关键制造工艺，船舶制造过程中的参数多样且彼此互相影响，通过大数据分析该关键制造工艺影响要素，建立工艺优化预测模型，找出最佳的建造方法和资源，一旦发现工艺参数偏移到区间外，便即时发出警报，让操作人员及工程师可以即时进行调整或做出其他决策，由此来确保建造工序和工步的执行计划完成准备，顺利完成整个船台搭载计划等；

计算并预测船坞使用率与堆场使用效率、制造设备效率是否匹配；若不匹配，则调整堆场、船坞、船台设备的调度、空运行、占用时间等导致计划延误的因素，来优化船坞、堆场使用效率。

更进一步的，所述结构化数据以及半结构化数据通过数据仓库技术进行采集，所述非结构化数据采用基于流的方式进行采集；

在所述步骤S51中，以混合存储模型“Hadoop+NoSQL+RDBMS”的形式，通过Spark计算引擎对所述结构化数据、非结构化数据以及半结构化数据进行数据集成，获得船舶制造业大数据初始模型。

具体的，数据仓库技术即ETL(Extract-Transform-Load)技术；所述混合存储模型，指在不降低系统效率基础上，将数据快速有组织的存储到磁盘的方式。

实施例2

一种船舶建造计划优化系统，请参阅图7，包括计划分解模块1、计划网络图建立模块2、计划线建立模块3、大数据收集模块4以及大数据建模整合模块 5；所述计划分解模块1连接所述计划网络图建立模块2、计划线建立模块3以及大数据收集模块4；所述计划网络图建立模块2连接所述计划线建立模块3；所述大数据建模整合模块5连接所述计划网络图建立模块2、计划线建立模块3 以及大数据收集模块4；其中：

所述计划分解模块1用于获取初始船舶建造总计划，将所述初始船舶建造总计划分解为工程与效率计划层、造船生产计划层以及船舶建造影响因素计划层；

所述计划网络图建立模块2用于将所述工程与效率计划层逐步细化分解为大日程计划、中日程计划以及小日程计划，根据所述大日程计划、中日程计划以及小日程计划建立计划网络图；

所述计划线建立模块3用于根据所述大日程计划以及造船生产计划层建立计划线；

所述大数据收集模块4用于对所述船舶建造影响因素计划层中的影响因素进行归类，根据归类结果收集船舶制造业大数据；

所述大数据建模整合模块5用于对所述船舶制造业大数据进行大数据建模，整合所述计划网络图、计划线以及大数据建模的结果获得优化后的船舶建造总计划。

实施例3

一种储存介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现实施例1中的船舶建造计划优化方法的步骤。

实施例4

一种计算机设备，包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现实施例1中的船舶建造计划优化方法的步骤。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种船舶建造计划优化方法，其特征在于，包括以下步骤：

S1，获取初始船舶建造总计划，将所述初始船舶建造总计划分解为工程与效率计划层、造船生产计划层以及船舶建造影响因素计划层；

S2，将所述工程与效率计划层逐步细化分解为大日程计划、中日程计划以及小日程计划，根据所述大日程计划、中日程计划以及小日程计划建立计划网络图；

S3，根据所述大日程计划以及造船生产计划层建立计划线；

S4，对所述船舶建造影响因素计划层中的影响因素进行归类，根据归类结果收集船舶制造业大数据；

S5，对所述船舶制造业大数据进行大数据建模，整合所述计划网络图、计划线以及大数据建模的结果获得优化后的船舶建造总计划；

所述船舶制造业大数据包括结构化数据、非结构化数据以及半结构化数据；所述结构化数据为来自于现有船舶制造业数据库中的具备统一表示模式的数据，所述非结构化数据包括船舶产品的三维模型及对应的衍生数据，所述半结构化数据包括设备检修记录、产品质量检测结果、安装记录和各种设备的事件日志、开发日志、计划执行日志；

所述步骤S5包括以下步骤：

S51，对所述结构化数据、非结构化数据以及半结构化数据进行数据集成，获得船舶制造业大数据初始模型；

S52，对所述船舶制造业大数据初始模型进行去噪以及数据分析，搭建出分别与所述结构化数据、非结构化数据以及半结构化数据对应的数据网络图、计划数据、设备运行状态数据；

S53，对所述数据网络图、计划数据、设备运行状态数据进行大数据建模获得船舶制造业大数据深度模型；

S54，运用APS系统对所述船舶制造业大数据深度模型进行处理，建立计划模型以及设备异常监控模型；

S55，整合所述计划网络图、计划线、计划模型以及设备异常监控模型获得优化后的船舶建造总计划。

2.根据权利要求1所述的船舶建造计划优化方法，其特征在于，所述大日程计划包括开工日期到交船日期之间材料、主设备、外购件以及外协件交货期的时间节点；

所述中日程计划包括船舶生产建造过程中的设备纳期工序计划、下料加工工序计划、部件装配工序计划、分段制作工序计划、分段预舾装工序计划、船台搭载工序计划及各工序计划对应的时间节点；

所述小日程计划包括所述中日程计划中各工序计划中的单作业、单设备的时间节点。

3.根据权利要求2所述的船舶建造计划优化方法，其特征在于，所述步骤S3包括以下步骤：

S31，以所述大日程计划的交船日期为基准，采取倒序排法串联所述造船生产计划层中的关键任务构建初始建造计划线表；所述关键任务包括合同设计、技术设计、生产设计、分段加工制造、船台分段合拢、码头舾装以及试船；

S32，结合船厂现有资源，对所述初始建造计划线表进行分段划分，建立计划线；所述计划线的工序包括主机及其他关键设备选择、一般配套设备选择、原材料选择、各分段和管系加工。

4.根据权利要求3所述的船舶建造计划优化方法，其特征在于，在所述步骤S4中的归类结果包括：资源需求量因素、配送与物流管控因素、建造质量因素、加工能力因素、设备调度因素、设备故障维修管控因素、不可预测因素以及资源约束因素。

5.根据权利要求1所述的船舶建造计划优化方法，其特征在于，所述结构化数据以及半结构化数据通过数据仓库技术进行采集，所述非结构化数据采用基于流的方式进行采集；

在所述步骤S51中，以混合存储模型“Hadoop+NoSQL+RDBMS”的形式，通过Spark计算引擎对所述结构化数据、非结构化数据以及半结构化数据进行数据集成，获得船舶制造业大数据初始模型。

6.一种船舶建造计划优化系统，其特征在于，包括计划分解模块(1)、计划网络图建立模块(2)、计划线建立模块(3)、大数据收集模块(4)以及大数据建模整合模块(5)；所述计划分解模块(1)连接所述计划网络图建立模块(2)、计划线建立模块(3)以及大数据收集模块(4)；所述计划网络图建立模块(2)连接所述计划线建立模块(3)；所述大数据建模整合模块(5)连接所述计划网络图建立模块(2)、计划线建立模块(3)以及大数据收集模块(4)；其中：

所述计划分解模块(1)用于获取初始船舶建造总计划，将所述初始船舶建造总计划分解为工程与效率计划层、造船生产计划层以及船舶建造影响因素计划层；

所述计划网络图建立模块(2)用于将所述工程与效率计划层逐步细化分解为大日程计划、中日程计划以及小日程计划，根据所述大日程计划、中日程计划以及小日程计划建立计划网络图；

所述计划线建立模块(3)用于根据所述大日程计划以及造船生产计划层建立计划线；

所述大数据收集模块(4)用于对所述船舶建造影响因素计划层中的影响因素进行归类，根据归类结果收集船舶制造业大数据；

所述大数据建模整合模块(5)用于对所述船舶制造业大数据进行大数据建模，整合所述计划网络图、计划线以及大数据建模的结果获得优化后的船舶建造总计划；

所述船舶制造业大数据包括结构化数据、非结构化数据以及半结构化数据；所述结构化数据为来自于现有船舶制造业数据库中的具备统一表示模式的数据，所述非结构化数据包括船舶产品的三维模型及对应的衍生数据，所述半结构化数据包括设备检修记录、产品质量检测结果、安装记录和各种设备的事件日志、开发日志、计划执行日志；

所述大数据建模整合模块(5)包括以下步骤：

S51，对所述结构化数据、非结构化数据以及半结构化数据进行数据集成，获得船舶制造业大数据初始模型；

S52，对所述船舶制造业大数据初始模型进行去噪以及数据分析，搭建出分别与所述结构化数据、非结构化数据以及半结构化数据对应的数据网络图、计划数据、设备运行状态数据；

S53，对所述数据网络图、计划数据、设备运行状态数据进行大数据建模获得船舶制造业大数据深度模型；

S54，运用APS系统对所述船舶制造业大数据深度模型进行处理，建立计划模型以及设备异常监控模型；

S55，整合所述计划网络图、计划线、计划模型以及设备异常监控模型获得优化后的船舶建造总计划。

7.一种储存介质，其上储存有计算机程序，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5任一项所述的船舶建造计划优化方法的步骤。

8.一种计算机设备，其特征在于：包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的船舶建造计划优化方法的步骤。

Images