CN113505946A - 一种生产成本管控方法、系统、存储介质及设备 - Google Patents
一种生产成本管控方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN113505946A CN113505946A CN202110908395.5A CN202110908395A CN113505946A CN 113505946 A CN113505946 A CN 113505946A CN 202110908395 A CN202110908395 A CN 202110908395A CN 113505946 A CN113505946 A CN 113505946A
- Authority
- CN
- China
- Prior art keywords
- cost
- neural network
- network model
- production
- production cost
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 238000007726 management method Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims abstract description 5
- 210000002569 neuron Anatomy 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 31
- 238000013507 mapping Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000003321 amplification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000235013 Yarrowia Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003872 anastomosis Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/06313—Resource planning in a project environment
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种生产成本管控方法、系统、存储介质及设备,获取历史数据样本,利用分类决策树算法,挖掘与生产成本直接关联的因素;建立神经网络模型,利用历史数据样本中的关联因素对神经网络模型进行训练,根据神经网络模型预测得到的预测成本与预算成本的差值,账面成本与预测成本的差值,对预测结果进行分析,并根据分析结果优化神经网络模型的参数,直到训练结果符合设定条件;利用训练后的神经网络模型,根据本周期的关联因素,预测下一周期的生产成本,如果预测的生产成本超过预定的预算成本时,进行预警;本发明建立了预算成本、预测成本、账面成本三条成本线,动态对比分析,预测结果准确,且适合生产周期较长的装备制造行业成本管控。
Description
技术领域
本发明属于生产管理技术领域,具体涉及一种生产成本管控方法、系统、存储介质及设备。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
装备制造生产工艺复杂,周期长,成本影响因素众多,传统的成本管控难度较大,依然停留在对数据汇总统计与图表的显示,缺少进一步的挖掘和利用隐藏在数据背后的有用信息,不能利用科学的数据计算模型进行数据清理和成本预测,即便有部分研究人员利用深度学习、智能算法等构建模型,利用模型预测成本,仅仅是得到一个预算值,但是该值是一个定值,且为理论数据,对于动态进行的生产制造项目来说并不准确。
综上,现有的成本管控方式容易出现预测成本和实际账面成本差异较大,无法对生产、供应链等进行成本管控,无法给准确的生产制造进活动提供数据支撑。
发明内容
本发明为了解决上述问题,提出了一种生产成本管控方法、系统、存储介质及设备,本发明建立了预算成本、预测成本、账面成本三条成本线,动态对比分析,预测结果准确,且适合生产周期较长的装备制造行业成本管控。
根据一些实施例,本发明采用如下技术方案:
一种生产成本管控方法,包括以下步骤:
获取历史数据样本,利用分类决策树算法,挖掘与生产成本直接关联的因素;
建立神经网络模型,利用历史数据样本中的关联因素对神经网络模型进行训练,在训练过程中,以根据生产项目参数预先测算出的固定数值为预算成本,账面成本为实际发生成本,根据神经网络模型预测得到的预测成本与预算成本的差值,账面成本与预测成本的差值,对预测结果进行分析,并根据分析结果优化神经网络模型的参数,直到训练结果符合设定条件;
利用训练后的神经网络模型,根据本周期的关联因素,预测下一周期的生产成本,如果预测的生产成本超过预定的预算成本时,进行预警,对下一周期的生产项目成本进行监督和管控。
作为可选择的实施方式,获取历史数据样本后,对表字段进行数据质量分析,分析空值占比,确定出有用的字段,将不同生成环节有用的字段进行清洗标准化,将不同的表进行整合,对数据中的存在缺失、不完整,不一致的脏数据进行预处理和清洗。
作为可选择的实施方式,所述与生产成本直接关联的内容包括产品及其属性、生产物料清单、生产订单、采购订单、批次、发票价、合同价、暂估价、招标价、结论价、供应商和数量中的若干。
作为可选择的实施方式,建立神经网络模型的具体过程包括:
根据关联因素,确定神经网络模型的输入层神经元个数;
进行仿真调整,确定适合的神经网络模型的隐含层神经元个数;
根据待预测结果因素,确定神经网络模型的输出层神经元个数;
选取S型函数的正切形式tansing函数作为隐含层神经元的激活函数,形成神经网络模型。
作为进一步的限定,进行仿真调整,确定适合的神经网络模型的隐含层神经元个数的具体过程包括:
利用经验,确定隐含层节点数目的取值范围;
利用进行仿真,经过多次训练过程确定隐含层节点个数;
输入原始样本数据,对网络进行学习,并比较误差;
反复调整节点各数,以减小误差,确定最佳个数。
作为可选择的实施方式,在利用神经网络模型对挖掘的关联因素进行训练前,对挖掘的关联因素进行归一化处理。
作为可选择的实施方式,对神经网络模型的训练参数进行选取,确定初始权值、阈值和学习速率,所述初始权值的选取原则为初始权值输入累加后,能够保障每个祌经元的输出值都接近于零;根据初始权值、阈值,确定学习速率。
作为可选择的实施方式,在神经网络模型的训练过程中,在各层连接权值的迭代关系中考虑动量项对其的影响作用。
作为进一步的,动量项是通过动量系数来体现上一次的权重变化对动量的影响作用,动量系数的取值范围是[0,1],当动量常数为0时,权重变化根据梯度得到;当动量常数为1时,新的权重变化等于上次的权重变化。
作为可选择的实施方式,所述设定条件包括预测结果的准确率、错误率、查全率、查全率与准确率的调和平均值,上述值均在其对应的设定范围内,则认为符合设定条件。
一种生产成本管控系统,包括:
样本数据挖掘模块,被配置为获取历史数据样本,利用分类决策树算法,挖掘与生产成本直接关联的因素;
预测模型构建与训练模块,被配置为建立神经网络模型,利用历史数据样本中的关联因素对神经网络模型进行训练,在训练过程中,以根据生产项目参数预先测算出的固定数值为预算成本,账面成本为实际发生成本,根据神经网络模型预测得到的预测成本与预算成本的差值,账面成本与预测成本的差值,对预测结果进行分析,并根据分析结果优化神经网络模型的参数,直到训练结果符合设定条件;
预警监控模块,被配置为利用训练后的神经网络模型,根据本周期的关联因素,预测下一周期的生产成本,如果预测的生产成本超过预定的预算成本时,进行预警,对下一周期的生产项目成本进行监督和管控。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法中的步骤。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法中的步骤。
与现有技术相比,本公开的有益效果为:
本公开构建了预测成本、预算成本、账面成本三条线,其中预算成本根据历史数据测算为固定值,账面成本为实际发生成本,预测成本根据预测模型得到,通过分析预测成本和其他两条线的差距,不断修正预测模型,能够使得预测结果越来越准确,而且该预测结果会根据工程情况、市场情况和供应商情况动态调整,不再是如预算成本一样一直是固定值,具有更高的指导意义和预警价值。
本公开对于预测模型的考核,包括准确率、错误率、查全率、查全率与准确率的调和平均值,能够对模型的预测效果进行准确识别,通过不断优化调整参数因子,进一步完善神经网络预测结果,将模型运行一个周期,得到一个预测成本趋于实际成本的值,为工作人员进行成本管控提供依据,指导生产相关业务人员开展生产管理工作,使企业达到降本增效的目的。
本公开的影响因素可以根据工程情况调整,有助于实现总成本到明细成本的逐级下钻功能,对预警成本逐级下钻,快速定位问题所在,有助于实现预测成本核算过程的封装,具有系统化思维和高度可迁移性。
为使本公开的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本实施例的神经网络模型示意图;
图2(a)-(b)是本实施例的几种神经元激活函数示意图;
图3是本实施例的三条成本线示意图;
图4是本实施例的流程示意图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
正如背景技术中所述的,现有的成本控制,就是利用历史数据,算出相应规模或类型的工程大致预算,且预算值为定值,并不能很好的辅助生产工程进度,本公开为解决上述问题,提出了一种生产成本管控方法及系统。
本公开基于批量历史数据,进行挖掘算法,通过预设预警阈值,对超出阈值指标发出预警信息,对发出预警的指标层层下钻,快速定位问题。
如图4所示,一种生产成本管控方法,包括以下步骤:
根据目前生产设备成本相关历史数据,确定出预测成本挖掘目标。搜集所有与其相关的数据,确定数据范围,并从中选择出适用于数据挖掘应用的原始数据。搜集上来的数据存在格式、类型等质量差异,这些存在质量问题的数据,在本实施例称为脏数据,需要对脏数据进行预处理,对格式、字段类型、长度等进行规范化处理,为进一步的分析建模做准备。
在本实施例中,考虑到实际生产、采购、设计等各环节数据多样,各个环节间又相互影响,导致采集的数据无法直接使用。将ERP系统的数据库的表字段进行数据质量分析,分析空值占比,确定出有用的字段。将不同环节有用的字段进行清洗标准化,将不同的表进行整合,对数据中的缺失值,不完整,不一致等脏数据进行预处理和清洗,建立数据挖掘有用字段的一张表,形成数据池,为后面模型的数据质量做准备。
根据预测成本分析,获得数据样本,包括产品及其属性,生产BOM,生产订单、采购订单、批次、价格(发票价、合同价、暂估价、招标价、结论价),供应商、数量等影响因素。
构建神经网络模型:
利用神经网络进行预测的重要前提是确定合理的网络结构,网络结构是否合理直接影响到预测结果的准确性。研究表明,隐含层数目越多神经网络的非线性映射能力就越强,当达到一定数量后,神经网络的映射能力将有所下降,而且随着隐含层数量的增加,神经网络结构更加复杂,延长了神经网络学习训练的时间。
一般情况下,具有一个隐含层的三层神经网络可以完成维到维的任意映射,正如定理中所说的一个三层神经网络可以以任意精度逼近任意闭区间内的非线性函数。比如一个具有两个或两个以上隐含层的神经网络与三层神经网络相比,网络结构更加复杂,在学习过程中更容品出现误差局部极小的现象,而且学习的时间也比三层神经网络长。
因此,在本实施例中,进行装备制造成本预测时,选用如图1所示的具有一个隐含层的三层神经网络。
输入层神经元个数的确定。
神经网络输入神经元个数是根据待解决问题和数据表示的方式进行确定的,是指影响输出结果的因素个数。装备制造成本预测的神经网络输出层神经元个数为预测成本的影响因素个数。
隐含层神经元个数的确定。
在神经网络中,隐含层神经元起到提取并存储样本内在规律的作用,系统赋予每个隐含层神经元若干个权值参数,用以增强神经网络的映射功能。而且隐含层神经元的个数直接影响网络的非线性性能,也决定了所解决问题的复杂性。隐含层神经元个数的选择过程十分复杂,而且选择不当会造成网络性能的降低,影响输出结果。选择的隐含层神经元过多,一方面可以增强逼近非线性函数的能力,另一方面又会造成过度吻合现象,即神经元提取并存储了样本中的一些非规律性的内容,降低模型的泛化能力;当选择的隐含层神经元过少,将降低网络的容错性能,导致结果收敛至最小点位置,误差较大。隐含层节点个数确定的基本步骤为:
①利用经验公式,确定隐含层节点数目的取值范围;
②利用进行仿真,经过多次训练过程确定隐含层节点个数;
③输入原始样本数据,对网络进行学习,并比较误差;
④反复调整节点各数,减小误差,确定最佳个数。
一般对于三层前向网络隐含层神经元个数有如下经验公式:
其中,N——样本数;j——隐含层神经元个数;n——输入层神经元个数。
式中:m——输出层神经元个数;n——输入层神经元个数;a——0-10的常数。
j=log2n
其中,n——输入层神经元个数。
输出层神经元个数的确定。
输出层的神经元个数的确定依据与输入层神经元相似,输出神经元即预测目的,其神经元个数由预测结果的种类决定,装备制造成本预测的结果就是得到预测成本,所以其输出层神经元个数为1。
神经元激活函数的确定:
由于神经网络在学习过程要求输入、输出函数必须具备可微分性和饱和非线性的特性,所以神经网络神经元激活函数一般采用S型函数的对数函数或正切函数。这主要是因为S函数的曲线两端无限接近最大、最小值,趋于平坦,而中间部分变化相对剧烈,具有很好的可微分性。
选择S型函数作为神经元的激活函数,可以处理输入和输出的非线性关系,并无限逼近非线性函数,大大提升神经网络的非线性映射能力。输入信号波动范围大,从负无穷大到正无穷大,利用S型函数的非线性系数放大功能,可以把输入信号范围缩小到[-1,1]之间输出,即当输入信号较大时,S函数的放大系数较小,反之若输入信号较小,放大系数就会较大。神经网络的输出结果应取任意值,若输出层神经元的激活函数也选择S型转换函数,由于S型函数的非线性系数放大功能,将导致输出结果被限定在一个有限的范围内,为避免该现象的出现,可以采用线性激活函数作为输出层的神经元激活函数。如图2(a)、(b)所示。
综上所述,在构建神经网络的结构中,为方便对输入信号进行学习,将输入信号进行收敛,选取S型函数的正切形式tansing函数作为隐含层神经元的激活函数,如图所示;为使整个网络的输出结果可以取任意值,以线性函数Purelin作为输出层神经元的转换函数。
神经网络输入层的样本个数决定了网络的特征值,输入层输入的样本越多,神经网络需要识别的特征值也就越多。但大量的样本数据必然存在数据的单位、含义、指标的性质及指标的来源、指标赋值的标准等多方面的不统一,缺乏一个统一的参照标准,存在较大的差异,为了避免因这些差异造成数值较少的指标丢失或系统过早陷入饱和区,需要对输入层输入的数据样本进行归一化处理。所谓的样本数据归一化处理是指为避免因样本数据单位、性质等不同而造成的网络学习准确性下降现象的出现,利用数学的方法,把所有样本数据规范到范围内,当样本数值超过期望输出值范围的时候,需要多样本数据进行缩放处理,当样本数值属于不同量纲的时候,需要对样本数据进行无量纲归一化处理。
一般情况下,用于进行神经网络学习过程的样本数据必须经过归一化的处理,同时为了提高网络学习的速度,样本数据归一化后尽量避免成本极小值或极大值,即归一化的数据不取或者。综合考虑装备制造成本动因特点,以及它们装备制造成本预测结果的影响,最常采用的数据样本预处理方法的计算公式为:
式中:
Yi——数据的归一化结果;
Xi——数据的实际值;
Xmax,Xmin——别为该组数据的最大值和最小值。
学习参数的选取:
初始权值、阈值的确定
神经网络的初始权值和阈值直接影响到神经网络的学习结果,初始权值和阈值的大小关系到学习过程输出值的收敛性、结见是否能达到局部最小值以及祌经网络收敛速度的大小。选择合理的初始值,神经网络会获得较快的收敛速度;选择的初始值不合理,将会导致加权后的输入结果进入激活函数的饱和区,甚至达到网络的局部极小点,使学习训练过种停滞不而,网络无法收敛。初始位选取的基本要求是初始权值输入累加后,能够保障每个祌经元的输出值都接近于零。只有这样的初始值才能保证神经网络在学习开始阶段,输出结渠不会进入平坦区域,而且能够保证所有祌经元在训练的开始阶段,进入他们的形激活函数的最大变化处进行调节。基于以上原则,一般在[-1,1]之间随机选取初始权值和阈值。
学习速率的确定:
网络学习速率决定了每一次循环中所产生的权值与阈值的变化量,权值与阈值与学习速率的关系式为:
Δθi=μδi(0<μ<1);
其中,Δωij——连接权值变化量;
Δθi——阈值变化量;
Ek——误差;
δi——网络误差修正量;
ai——网络输入值;
μ——学习速率,范围在[0,1]之间。
学习速率的大小对学习算法性能的影响很大,学习速率偏大,会导致系统不稳定,出现震荡现象;而学习速率偏小时,虽然能得到比较稳定的学习过程,但同时也会增加学习时间,减缓网络收敛速度,将会增加落在误差范围内的误差值趋向最小误差值的时间。一般情况下为保证系统的稳定进行会选择较小的学习速率,通常在[0,1]之间。
至今为止还没有确定的学习速率调整公式,一般做法是根据经验和实验结果,选择每一次训练后的误差平方和的下降速率作为判断当前学习速率合理性的依据,若误差平方和迅速下降,表明学习速率合适;若误差平方和出现震荡,表明学习速率过大,相应的若得到的新误差大于原来误差,就采取减少学习速率的措施,反之,则需要增加学习速率。有时为了方便学习,减少确定学习速率的学习次数和学习时间,会采用具有自适应能力的变化学习速率,即在网络学习过程中,对不同的学习阶段自动设置不同的学习速率。
综上所述,在神经网络设计过程中,不论是初始权值、阈值的选取还是学习速率的确定,都需要经过多次网络训练过程得到。
动设系数的确定:
传统的算法不考虑原有经验的积累,是一种简单的梯度下降法,这将导致神经网络学习过程发生振荡,收敛缓慢。为避免在网络学习过程中陷入局部极小值现象,提高学习速率,现对算法加以改进,即在各层连接权值的迭代关系中考虑动量项对其的影响作用。
附加动量项能够记忆前一时刻连接权值的变化方向,这样即使使用较大的学习速率,也可避免学习过程中出现局部极小值现象,改善收敛性,起到平滑的作用。动量项是通过动量系数来体现上一次的权重变化对动量的影响作用,动量系数的取值范围是[0,1]。当动量常数为0时,权重变化根据梯度得到;当动量常数为1时,新的权重变化等于上次的权重变化。引入动量后连接权值和阈值的迭代关系式为:
ωij(n+1)=ωij(n)+Δωij+α[ωij(n)-ωij(n-1)];
θi(n+1)=θi(n)+Δθi+α[θi(n)-θi(n-1)];
其中,ωij——连接权值;
θi——阈值;
α[ωij(n)-ωij(n-1)——动量项;
α——动量因子。
由于数据采集和预处理等因素的影响,会使得样本某些特征的取值与样本自身的类别不相匹配的情况,基于这些数据生成的神经网络模型会产生一些错误;尤其是对预测精度因素分析,这就涉及到模型的精度验证,我们采用ROC-area来评价预测模型性能,
各指标的计算公式如下:
1.准确度定义为正确的实例个数占测试实例的总数比例,即:
2.错误率为错误的实例个数占测试实例的总数比例,即:
3.查全率为正确的正例个数占正例的实际个数比例,即:
4.F值为查全率与准确率的调和平均值,即:
ROC曲线与AUC(AreaunderROC curve),为了清楚地描述ROC图形,首先给出两个概念:
ROC图形是一个二维图形,横轴为FPR纵轴为TP&直观地展示了FPR与耶R之间的对应关系。
公式中,TP为:将正类预测为正类(的数目),真实为0,预测也为0;FP为:将负类预测为正类(的数目),真实为1,预测为0;FN为:将正类预测为负类(的数目),真实为0,预测为1;TN为:将负类预测为负类(的数目),真实为1,预测也为1。
通过决策准确率,可知道模型得预测效果。通过不断优化调整参数因子,进一步完善神经网络预测结果,将模型运行一个周期,得到一个预测成本趋于实际成本的值,为项目人员进行成本管控提供依据,指导生产相关业务人员开展生产管理工作,使企业达到降本增效的目的。
通过上述技术方案,能够构建预测成本、预算成本、账面成本三条线,其中预算成本根据历史数据测算为固定值,账面成本为实际发生成本,预测成本根据预测模型围绕预算成本变动,如图3所示。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种生产成本管控方法,其特征是:包括以下步骤:
获取历史数据样本,利用分类决策树算法,挖掘与生产成本直接关联的因素;
建立神经网络模型,利用历史数据样本中的关联因素对神经网络模型进行训练,在训练过程中,以根据生产项目参数预先测算出的固定数值为预算成本,账面成本为实际发生成本,根据神经网络模型预测得到的预测成本与预算成本的差值,账面成本与预测成本的差值,对预测结果进行分析,并根据分析结果优化神经网络模型的参数,直到训练结果符合设定条件;
利用训练后的神经网络模型,根据本周期的关联因素,预测下一周期的生产成本,如果预测的生产成本超过预定的预算成本时,进行预警,对下一周期的生产项目成本进行监督和管控。
2.如权利要求1所述的一种生产成本管控方法,其特征是:获取历史数据样本后,对表字段进行数据质量分析,分析空值占比,确定出有用的字段,将不同生成环节有用的字段进行清洗标准化,将不同的表进行整合,对数据中的存在缺失、不完整,不一致的脏数据进行预处理和清洗。
3.如权利要求1所述的一种生产成本管控方法,其特征是:所述与生产成本直接关联的内容包括产品及其属性、生产物料清单、生产订单、采购订单、批次、发票价、合同价、暂估价、招标价、结论价、供应商和数量中的若干。
4.如权利要求1所述的一种生产成本管控方法,其特征是:建立神经网络模型的具体过程包括:
根据关联因素,确定神经网络模型的输入层神经元个数;
进行仿真调整,确定适合的神经网络模型的隐含层神经元个数;
根据待预测结果因素,确定神经网络模型的输出层神经元个数;
选取S型函数的正切形式tansing函数作为隐含层神经元的激活函数,形成神经网络模型;
或进一步的,进行仿真调整,确定适合的神经网络模型的隐含层神经元个数的具体过程包括:
利用经验,确定隐含层节点数目的取值范围;
利用进行仿真,经过多次训练过程确定隐含层节点个数;
输入原始样本数据,对网络进行学习,并比较误差;
反复调整节点各数,以减小误差,确定最佳个数。
5.如权利要求1所述的一种生产成本管控方法,其特征是:在利用神经网络模型对挖掘的关联因素进行训练前,对挖掘的关联因素进行归一化处理;
或,对神经网络模型的训练参数进行选取,确定初始权值、阈值和学习速率,所述初始权值的选取原则为初始权值输入累加后,能够保障每个祌经元的输出值都接近于零;根据初始权值、阈值,确定学习速率。
6.如权利要求1所述的一种生产成本管控方法,其特征是:在神经网络模型的训练过程中,在各层连接权值的迭代关系中考虑动量项对其的影响作用;
动量项是通过动量系数来体现上一次的权重变化对动量的影响作用,动量系数的取值范围是[0,1],当动量常数为0时,权重变化根据梯度得到;当动量常数为1时,新的权重变化等于上次的权重变化。
7.如权利要求1所述的一种生产成本管控方法,其特征是:所述设定条件包括预测结果的准确率、错误率、查全率、查全率与准确率的调和平均值,上述值均在其对应的设定范围内,则认为符合设定条件。
8.一种生产成本管控系统,其特征是:包括:
样本数据挖掘模块,被配置为获取历史数据样本,利用分类决策树算法,挖掘与生产成本直接关联的因素;
预测模型构建与训练模块,被配置为建立神经网络模型,利用历史数据样本中的关联因素对神经网络模型进行训练,在训练过程中,以根据生产项目参数预先测算出的固定数值为预算成本,账面成本为实际发生成本,根据神经网络模型预测得到的预测成本与预算成本的差值,账面成本与预测成本的差值,对预测结果进行分析,并根据分析结果优化神经网络模型的参数,直到训练结果符合设定条件;
预警监控模块,被配置为利用训练后的神经网络模型,根据本周期的关联因素,预测下一周期的生产成本,如果预测的生产成本超过预定的预算成本时,进行预警,对下一周期的生产项目成本进行监督和管控。
9.一种计算机可读存储介质,其特征是:用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7中任一项所述的方法中的步骤。
10.一种电子设备,其特征是:包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7中任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908395.5A CN113505946A (zh) | 2021-08-09 | 2021-08-09 | 一种生产成本管控方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110908395.5A CN113505946A (zh) | 2021-08-09 | 2021-08-09 | 一种生产成本管控方法、系统、存储介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113505946A true CN113505946A (zh) | 2021-10-15 |
Family
ID=78016204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110908395.5A Pending CN113505946A (zh) | 2021-08-09 | 2021-08-09 | 一种生产成本管控方法、系统、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505946A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493477A (zh) * | 2021-12-13 | 2022-05-13 | 南通科达建材科技股份有限公司 | 一种基于bim的建筑成本多维度统计方法及系统 |
CN114912661A (zh) * | 2022-04-20 | 2022-08-16 | 浪潮工业互联网股份有限公司 | 一种基于工业互联网的电厂成本预测方法、设备及介质 |
CN116205613A (zh) * | 2023-05-04 | 2023-06-02 | 益企商旅(山东)科技服务有限公司 | 一种用于差旅自动巡检系统的在线监测方法及系统 |
CN116862077A (zh) * | 2023-08-31 | 2023-10-10 | 吉林电力交易中心有限公司 | 基于多模态组合模型的电采暖运行成本预测方法和介质 |
CN117436618A (zh) * | 2023-11-14 | 2024-01-23 | 中航机载系统共性技术有限公司 | 一种基于bp神经网络的机械加工生产效率预估方法及装置 |
CN117875465A (zh) * | 2023-03-09 | 2024-04-12 | 周慧琴 | 一种基于目标定价的生产成本控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004593A (zh) * | 2007-01-25 | 2007-07-25 | 上海交通大学 | 基于AR(p)模型的过程工业生产过程动态成本控制方法 |
CN108090599A (zh) * | 2016-11-21 | 2018-05-29 | 上海海勃物流软件有限公司 | 集装箱码头运营成本控制和客户价值分析方法 |
CN108681799A (zh) * | 2018-07-11 | 2018-10-19 | 上海宝冶集团有限公司 | 一种工程项目成本预测方法、装置、设备及可读存储介质 |
CN111127246A (zh) * | 2019-11-21 | 2020-05-08 | 国网福建省电力有限公司经济技术研究院 | 一种输电线路工程造价的智能预测方法 |
-
2021
- 2021-08-09 CN CN202110908395.5A patent/CN113505946A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101004593A (zh) * | 2007-01-25 | 2007-07-25 | 上海交通大学 | 基于AR(p)模型的过程工业生产过程动态成本控制方法 |
CN108090599A (zh) * | 2016-11-21 | 2018-05-29 | 上海海勃物流软件有限公司 | 集装箱码头运营成本控制和客户价值分析方法 |
CN108681799A (zh) * | 2018-07-11 | 2018-10-19 | 上海宝冶集团有限公司 | 一种工程项目成本预测方法、装置、设备及可读存储介质 |
CN111127246A (zh) * | 2019-11-21 | 2020-05-08 | 国网福建省电力有限公司经济技术研究院 | 一种输电线路工程造价的智能预测方法 |
Non-Patent Citations (2)
Title |
---|
刘威: "基于实数编码遗传算法的神经网络成本预测模型及其应用", 控制理论与应用, pages 2 * |
武玉伟: "深度学习基础与应用", 30 November 2020, 北京理工大学出版社, pages: 143 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493477A (zh) * | 2021-12-13 | 2022-05-13 | 南通科达建材科技股份有限公司 | 一种基于bim的建筑成本多维度统计方法及系统 |
CN114493477B (zh) * | 2021-12-13 | 2023-11-21 | 南通科达建材科技股份有限公司 | 一种基于bim的建筑成本多维度统计方法及系统 |
CN114912661A (zh) * | 2022-04-20 | 2022-08-16 | 浪潮工业互联网股份有限公司 | 一种基于工业互联网的电厂成本预测方法、设备及介质 |
CN117875465A (zh) * | 2023-03-09 | 2024-04-12 | 周慧琴 | 一种基于目标定价的生产成本控制方法 |
CN116205613A (zh) * | 2023-05-04 | 2023-06-02 | 益企商旅(山东)科技服务有限公司 | 一种用于差旅自动巡检系统的在线监测方法及系统 |
CN116205613B (zh) * | 2023-05-04 | 2023-08-04 | 益企商旅(山东)科技服务有限公司 | 一种用于差旅自动巡检系统的在线监测方法及系统 |
CN116862077A (zh) * | 2023-08-31 | 2023-10-10 | 吉林电力交易中心有限公司 | 基于多模态组合模型的电采暖运行成本预测方法和介质 |
CN117436618A (zh) * | 2023-11-14 | 2024-01-23 | 中航机载系统共性技术有限公司 | 一种基于bp神经网络的机械加工生产效率预估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113505946A (zh) | 一种生产成本管控方法、系统、存储介质及设备 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN111105332A (zh) | 一种基于人工神经网络的高速公路智能预养护方法及系统 | |
CN109858843A (zh) | 一种配电网项目投资决策评价方法 | |
CN106503919A (zh) | 一种基于供电分区特性的配电网评价方法 | |
CN114155072B (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
CN108320053A (zh) | 一种区域用电量预测方法、装置及系统 | |
CN112446534B (zh) | 一种输变电工程的建设工期预测方法和装置 | |
CN112016755A (zh) | 输变电工程施工图通用设计造价标准化技术模块构建方法 | |
CN109647899A (zh) | 一种带钢热轧精轧过程中多规格轧件电耗预报方法 | |
CN104881003A (zh) | 一种计量生产设施效能评估方法 | |
CN113627735A (zh) | 工程建设项目安全风险的预警方法及系统 | |
CN110135643A (zh) | 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法 | |
CN109670625A (zh) | 基于无迹卡尔曼滤波最小二乘支持向量机的NOx排放浓度预测方法 | |
CN104865827A (zh) | 一种基于多工况模型的抽油机采油优化方法 | |
CN104408317A (zh) | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 | |
CN113344467A (zh) | 一种电力工程资金预测方法和装置 | |
Mathew et al. | Demand forecasting for economic order quantity in inventory management | |
CN115096357A (zh) | 一种基于ceemdan-pca-lstm的室内环境质量预测方法 | |
CN110458479A (zh) | 一种新能源领域技术成果转化为技术标准的潜力评估方法 | |
CN103279894A (zh) | 企业用户的电力能效Hopfield神经网络评估方法及系统 | |
US20240002964A1 (en) | Method and system for determining converter tapping quantity | |
CN117592856A (zh) | 基于石化企业产出量预测的算法流程 | |
CN106651462A (zh) | 一种二手设备的估价方法 | |
Liu et al. | Supplier evaluation in supply chain environment based on radial basis function neural network |
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 |