CN113706116A - 船舶焊接工时确定方法、装置、计算机设备和存储介质 - Google Patents
船舶焊接工时确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113706116A CN113706116A CN202111018600.7A CN202111018600A CN113706116A CN 113706116 A CN113706116 A CN 113706116A CN 202111018600 A CN202111018600 A CN 202111018600A CN 113706116 A CN113706116 A CN 113706116A
- Authority
- CN
- China
- Prior art keywords
- man
- hour
- welding
- ship
- training
- 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
- 238000003466 welding Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 100
- 238000013461 design Methods 0.000 claims abstract description 36
- 238000012795 verification Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims 2
- 238000010276 construction Methods 0.000 abstract description 6
- 238000004886 process control Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000005493 welding type 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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种船舶焊接工时确定方法、装置、计算机设备和存储介质,其中,该方法包括:根据船舶设计信息确定船舶焊接的属性特征值;基于预先训练的工时确定模型确定所述属性特征值对应的焊接工时,其中,所述工时确定模型经过阈值数量的历史工时信息训练生成。本发明实施例通过工时确定模型整合不同船舶焊接因素对焊接工时的影响,提高焊接工时确定的准确性,增强船舶建造的进程控制,可提高船舶焊接质量。
Description
技术领域
本发明实施例涉及自动化控制技术领域,尤其涉及一种邮轮焊接工时确定方法、装置、计算机设备和存储介质。
背景技术
随着当代造船技术的进步,船舶的吨位逐渐增长,船舶的焊接难度也在逐渐增高。焊接工艺的高低直接影响船舶的安全,为了保证焊接工艺需要对焊接工时进行合理安排和管理,但是由于船舶的吨位逐渐增加,焊接类型和焊接难度也存在诸多变化,导致船舶的焊接工时确定存在困难。
目前常见的焊接工时确定主要通过以下技术实现:1、将劳动力资源和生产任务量通过原单位进行联系,通过单位作业时间内完成物量的数量来确定焊接工时,例如,每小时完成的焊缝长度(米/小时),通过原单位进行生产资源和生产负荷之间的换算,建议生产资源和生产任务之间的动态平衡,但是这种方式受到焊接难度、焊接工艺等因素的影响,导致单位时间内完成物量的数量核算无法正确量化,导致焊接工时存在加大误差,不利于船舶建造。2、采用物量工时的定额管理,在船舶吨位较大的情况下,焊接工时确定无法涉及每个施工人员和工序,造成船舶建造过程中存在失控风险,目前需要一种准确的船舶焊接工时确定方式,以提高工时确定的准确性,从而精准控制船舶的建造进程,对提高船舶焊接质量具有重要意义。
发明内容
本发明提供一种船舶焊接工时确定方法、装置、计算机设备和存储介质,以实现焊接工时的准确确定,增强船舶建造进程的控制,有助于提高船舶焊接质量。
第一方面,本发明实施例提供了一种船舶焊接工时确定方法,其中,该方法包括:
根据船舶设计信息确定船舶焊接的属性特征值;
基于预先训练的工时确定模型确定所述属性特征值对应的焊接工时,其中,所述工时确定模型经过阈值数量的历史工时信息训练生成。
第二方面,本发明实施例还提供了一种船舶焊接工时确定装置,其中,该装置包括:
焊接特征模块,用于根据船舶设计信息确定船舶焊接的属性特征值;
工时确定模块,用于基于预先训练的工时确定模型确定所述属性特征值对应的焊接工时,其中,所述工时确定模型经过阈值数量的历史工时信息训练生成。
第三方面,本发明实施例还提供了一种计算机设备,其中,该计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一所述的船舶焊接工时确定方法。
第四方面,本发明实施例还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如本发明实施例中任一所述的船舶焊接工时确定方法。
本发明实施例,通过船舶设计信息确定船舶焊接的属性特征值,使用工时确定模型处理属性特征值以确定对应的焊接工时,通过工时确定模型准确反映不同船舶焊接特征对工时的影响,提高焊接工时确定的准确性,增强船舶建造的进程控制,可提高船舶焊接质量。
附图说明
图1是本发明实施例一提供的一种船舶焊接工时确定方法的流程图;
图2是本发明实施例二提供的一种船舶焊接工时确定方法的流程图;
图3是本发明实施例二提供的一种BP神经网络架构图;
图4是本发明实施例三提供的一种船舶焊接工时确定装置的结构示意图;
图5是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构,此外,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例一
图1是本发明实施例一提供的一种船舶焊接工时确定方法的流程图,本实施例可适用于大型船舶的焊接工时确定的情况,该方法可以由船舶焊接工时确定装置来执行,该装置可以采用硬件和/或软件的方式来实现,参见图1,本发明实施例提供的方法具体包括如下步骤:
步骤110、根据船舶设计信息确定船舶焊接的属性特征值。
其中,船舶设计信息可以是用于建造船舶的信息,例如,船舶部件的连接位置以及连接方式等,船舶设计信息可以是船舶三维模型参数或者船舶图纸参数等,可以是反映船舶焊接特点的信息,属性特征值可以从船舶设计信息中与船舶焊接的信息提取,例如,可以是船舶设计信息中焊缝长度或者焊缝位置等,属性特征值可以具体为数值或者标识符,可以将不同的船舶设计信息映射为具有不同数值或者标识符的属性特征值。
在本发明实施例中,可以获取船舶设计信息,该船舶设计信息可以由用户输入或者直接读取设计图纸的方式获取,在获取到船舶设计信息后可以提取其中与船舶焊接相关的信息作为属性特征值,可以理解的是,在此不对提取属性特征值的方式进行限制,例如,可以使用深度学习网络处理船舶设计信息以生成属性特征值,还可以通过文字识别的方式提取船舶设计信息中的属性特征值。
步骤120、基于预先训练的工时确定模型确定属性特征值对应的焊接工时,其中,工时确定模型经过阈值数量的历史工时信息训练生成。
其中,工时确定模型可以是用于确定船舶焊接工时的神经网络模型,工时确定模块可以经过历时工时信息训练生成,该历时工时信息可以包括焊接相关的船舶设计信息以及对应的历时工时,工时确定模型具体可以为深度学习神经网络模型或者反向传播(BackPropagation,BP)神经网络模型。
具体的,可以预先使用阈值数量的历时工时信息训练生成工时确定模型,在需要确定工时的情况下,可以将获取到的属性特征值作为工时确定模型的输入参数,可以将工时确定模型的输出参数作为对应的焊接工时,其中,焊接工时可以是一小时内焊接工作的劳动计量单位,可以反映船舶的建造情况。
本发明实施例,通过船舶设计信息确定船舶焊接的属性特征值,使用工时确定模型处理属性特征值以确定对应的焊接工时,通过工时确定模型准确反映不同船舶焊接特征对工时的影响,提高焊接工时确定的准确性,增强船舶建造的进程控制,可提高船舶焊接质量。
实施例二
图2是本发明实施例二提供的一种船舶焊接工时确定方法的流程图,本发明实施例是在上述发明实施例基础上的具体化,参见图2,本发明实施例提供的方法具体包括如下步骤:
步骤210、采集至少阈值数量的历史工时信息生成训练样本集以及训练验证集,其中,历史工时信息包括历史属性特征信息以及历史工时。
其中,训练样本集可以是用于训练工时确定模型的数据集,训练样本集中包括一条或者多条历史工时信息,训练验证集可以是用于验证工时确定模型的数据集,训练验证集中可以包括与训练样本集同源的一条或者多条历史工时信息。历史工时信息包括历史属性特征信息和历史工时,历史属性特征信息可以反映历史焊接作业中的焊接特征信息,例如,焊接位置、焊缝长度以及焊接方式等,历史工时可以是对应焊接特征信息的实际焊接工时。
在本发明实施例中,可以采集历史工时信息,为了保证工时确定模型确定工时的准确性,采集到的历史工时信息的数量可以大于或等于阈值数量,该阈值数量可以是数据大小或者数据条数。在采集到足够数量的历史工时信息后,可以将各历史工时信息划分到两个数据集,可以将其中一个数据集作为训练样本集,以及另外一个数据集作为训练验证集,可以理解的是,训练样本集与训练验证集的数量之比可以由用户根据经验设定。
步骤220、根据训练样本集训练工时确定模型,其中,工时确定模型包括多层前馈神经网络模型。
其中,多层前馈神经网络模型的网络可以由一个输入层、一个或多个隐藏层和一个输出层组成,多层前后神经网络模型中可以使用BP算法进行学习训练,更新网络中的权重和阈值。
在本发明实施例中,工时确定模型可以为一个多层前馈神经网络模型,由输入层、隐藏层和输出层组成,通过训练样本集以及BP算法对该工时确定模型进行训练,调整工时确定模型中网络的权重和阈值。
步骤230、根据训练验证集验证工时确定模型的输出结果,直到工时确定模型完成训练。
其中,输出结果可以是工时确定模型处理属性特征值的结果,可以是预测焊接工时。
具体的,可以将训练验证集输入到训练中的工时确定模型,并获取工时确定模型的输出结果,可以获取工时确定模型输出的输出结果,可以将各输出结果与训练验证集中对应的历史工时进行比较,工时确定模型的正确率,可以在正确率满足条件时完成工时确定模型的训练,若正确率不满足条件,则继续返回执行步骤220,重新使用训练样本对工时确定模型进行训练,调整工时确定模型中的权重和阈值。可以理解的是,步骤220和步骤230不为严格的顺序执行,步骤220和步骤230可以为循环执行的过程,直到工时确定模型完成训练。完成训练的条件可以包括工时确定模型的输出结果的正确率达到阈值,或者是,工时确定模型的训练过程迭代达到上限次数。
步骤240、获取用户输入的船舶设计信息,其中,船舶设计信息包括以下至少之一:分段类型、焊接长度、焊缝位置、焊接方法。
其中,分段类型可以是反映焊接分段的信息,例如,焊接位置是否平直、焊接位置是否曲面、分段组建造的难易程度等,焊接长度可以是船舶中需要焊接的长度,焊缝位置可以是船舶中需要焊接的位置在船舶中的位置,反映是否容易焊接,焊接方法可以包括焊条电弧焊、埋弧焊、二氧化碳气体保护焊等,不同的焊接方式直接影响焊接工时。
在本发明实施例中,可以获取用户输入的船舶设计信息,并提取船舶设计信息中的分段类型、焊接长度、焊缝位置、焊接方法。
步骤250、生成船舶设计信息的权重赋值作为船舶焊接的属性特征值。
其中,权重赋值可以是反映各焊接相关的船舶设计信息影响焊接工时程度的信息,影响越大则权重赋值则越大。
具体的,可以按照各船舶设计信息对焊接工时的影响程度确定对应的权重赋值,确定权重赋值的方式可以包括按照用户经验设定或者根据神经网络处理生成,可以将生成的权重赋值分别作为船舶焊接的属性特征值。
步骤260、对属性特征值进行归一化,以统一属性特征值的取值范围。
其中,归一化可以是将各属性特征值归纳到相同取值范围的操作,使得不同量纲的属性特征值归属到相同的取值范围,降低取值差距较大导致部分属性特征无效的情况出现。
在本发明实施例中,可以对将各属性特征值进行归一化操作,使得属性特征值的取值范围相同,例如,可以将各属性特征值映射到[0,1]范围,映射的公式可以包括直线型方法、折线型方法和曲线型方法等,其中,直线型方法可以包括极值法、标准差法,折线型方法可以包括三折线法,曲线型方法可以包括半正态性分布法等。
步骤270、基于预先训练的工时确定模型确定属性特征值对应的焊接工时。
本发明实施例,通过采集阈值数量的历史工时信息以构成训练样本集和训练验证集,使用训练样本集训练工时确定模型,并使用训练验证集验证工时确定模型的输出结果完成工时确定模型的训练,获取用户输入的船舶设计信息,确定各船舶设计信息的权重赋值作为属性特征值,归一化处理各属性特征值,使用工时确定模型处理各属性特征值以确定焊接工时,提高焊接工时确定的准确性,增强船舶建造的进程控制,可提高船舶焊接质量。
进一步的,在上述发明实施例的基础上,所述根据所述训练样本集训练所述工时确定模型,包括:
按照自适应矩阵估计优化器和训练样本集优化工时确定模型的网络参数;完成工时确定模型的优化后继续按照随机梯度下降优化器和训练样本集优化工时确定模型的网络参数。
其中,自适应矩阵估计(Adaptive moment estimation,Adam)优化器实现简单,计算高效,对内存需求晒,适用于本申请中参数梯度稀疏的问题,可以提高工时确定模型的准确性。网络参数可以是构建工时确定模型的权重和阈值,可以直接影响工时确定模型的学习效果。随机梯度下降(Stochastic Gradient Descent,SGD)优化器可以是在优化过程中在网络参数的随机范围内想着梯度下降的方向选择网络参数的优化器。
在本发明实施例中,工时确定模型的训练可以进行两次优化,先使用自适应矩阵估计优化器对工时确定模型进行训练优化,调整工时确定模型中的网络参数,完成优化后,可以继续使用随机梯度下降优化器再次对工时确定模型进行训练优化,进一步调整工时确定模型中的网络参数,以增高工时确定模型的学习效果。
进一步的,在上述发明实施例的基础上,所述根据所述训练验证集验证所述工时确定模型的输出结果,直到所述工时确定模型完成训练,包括:
在训练验证集的基础上确定输出结果的正确率;若正确率小于预设正确率,则继续使用训练样本集训练工时确定模型;若正确率大于或等于预设正确率,则确定所述工时确定模型完成训练。
其中,预设正确率可以是工时确定模型的最低正确率,可以由用户综合训练时间和准确率确定。
具体的,可以将训练验证集输入到工时确定模型并分别获取各输出结果,将输出结果与训练验证集中的历史工时进行比较,若相同,则确定输出结果正确,否则,确定输出结果错误,将所有正确的输出结果在总的输出结果中的比值作为正确率。将输出结果的正确率与预先设置的预设正确率进行比较,若正确率大于或等于预设正确率,则确定所述工时确定模型完成训练,否则,继续使用训练样本集对工时确定模型进行训练。
进一步的,在上述发明实施例的基础上,所述方法还包括:
获取显卡的兼容信息,按照兼容信息控制所述显卡加速工时确定模型的训练过程。
其中,兼容信息可以是反映显卡的能力的信息,可以体现显卡是否能够提供网络模型训练的功能。
具体的,可以读取显卡的兼容信息,按照兼容信息确定显卡可以进行加速时,启动显然的加速功能对工时确定模型进行训练加速。
示例性的,基于BP神经网络训练船舶焊接的各种参数之间的非线性关系,通过在BP神经网络中输入规定的参数后得到对应的船舶焊接工时。本发明实施例中的使用的BP神经网络可以预先经过训练,在使用测试数据对神经网络进行调优测试的过程中发现样本极小值较多且在末段寻优过程中收敛极易略过极小值。考虑到优化器躲避极小值、鞍点、悬崖的能力和极小值精确寻优能力不可兼得,BP神经网络的训练过程具体如下:
S1:实现参数宏观的快速优化,使BP网络的权值和阈值达到一个取值较小的最小值。
S2:基于第一步优化的权重和阈值继续进行微观的细致调优。
在上述训练过程中,宏观优化可以使用遗传算法和自适应矩阵估计(Adaptivemoment estimation,Adam)优化器等,Adam优化器可以实现BP网络训练过程中的动量和学习率的动态调整,Adam优化器具有以下优点:1)实现简单,计算高效,对内存需求少;2)很适合应用于大规模的数据及参数的场景;3)适用于不稳定目标函数;4)适用于梯度稀疏或梯度存在很大噪声的问题。微观优化器选择SGD(+Momentum),SGD虽不善于躲避极小值,但是其收敛性与精确寻优能力比Adam要强,是一个优秀小范围搜索优化器。本发明实施例使用的BP神经网络架构图如图3,在BP神经网络的训练可以包括如下步骤:
步骤1、数据集初始化,包括导入训练集数据以及数据归一化,防止船舶设计信息的取值范围较大而导致模型的训练效果降低的问题出现。
步骤2、图形处理器(Graphics Processing Unit,GPU)加速运算,包括检查硬件兼容性以及使用GPU加速模型训练。
步骤3、宏观优化权重及阈值,包括初始化BP神经网络的权重及阈值,使用基于Adam的BP神经网络优化参数。
步骤4、判断损失函数,包括判断BP神经网络的损失函数是否小于500且最差样本误差率高于80%,若是则继续进行步骤5,若否则返回步骤3继续执行宏观优化权重及阈值。
步骤5、微观调优权重及阈值,包括使用基于SGD的BP神经网络优化参数,迭代次数上限可以设置为3000次,可以将调优后的BP神经网络参数。
步骤6、计算验证集正确率,包括导入验证集数据,对验证集数据进行数据归一化,使用训练后的神经网络预测验证集,并计算验证集的正确率。
在本申请实施中,神经网络的设计可以如下:
a)隐含层选择:考虑到样本的离散性,选用包含两个隐含层的网络。
b)神经元数量:根据神经元数量计算经验公式:
取a=10,计算得神经元数量为15。
c)神经元分布:第一层10个,第二层5个。
f)激活函数:使用Relu函数:
Y=X(X≥0)
Y=0(X<0)
g)优化器:第一步优化器:Adam;第二步优化器:SGD(+Momentum)。
实施例三
图4是本发明实施例三提供的一种船舶焊接工时确定装置的结构示意图,可执行本发明任意实施例所提供的最小化路测方法,具备执行方法相应的功能模块和有益效果。该装置可以由软件和/或硬件实现,具体包括:焊接特征模块301和工时确定模块302。
焊接特征模块301,用于根据船舶设计信息确定船舶焊接的属性特征值。
工时确定模块302,用于基于预先训练的工时确定模型确定所述属性特征值对应的焊接工时,其中,所述工时确定模型经过阈值数量的历史工时信息训练生成。
本申请实施例,通过焊接特征模块按照船舶设计信息确定船舶焊接的属性特征值,工时确定模块使用工时确定模型处理属性特征值以确定对应的焊接工时,通过工时确定模型准确反映不同船舶焊接特征对工时的影响,提高焊接工时确定的准确性,增强船舶建造的进程控制,可提高船舶焊接质量。
进一步的,在上述发明实施例的基础上,所述装置还包括:
数据归一模块,用于对所述属性特征值进行归一化,以统一所述属性特征值的取值范围。
进一步的,在上述发明实施例的基础上,所述装置还包括:
模型训练模块,具体用于采集至少阈值数量的历史工时信息生成训练样本集以及训练验证集,其中,所述历史工时信息包括历史属性特征信息以及历史工时;根据所述训练样本集训练所述工时确定模型,其中,所述工时确定模型包括多层前馈神经网络模型;根据所述训练验证集验证所述工时确定模型的输出结果,直到所述工时确定模型完成训练。
进一步的,在上述发明实施例的基础上,所述模型训练模块包括:
宏观优化单元,用于按照自适应矩阵估计优化器和所述训练样本集优化所述工时确定模型的网络参数。
微观调优单元,用于完成所述工时确定模型的优化后继续按照随机梯度下降优化器和所述训练样本集优化所述工时确定模型的网络参数。
进一步的,在上述发明实施例的基础上,所述模型训练模块还包括:
训练执行单元,用于在所述训练验证集的基础上确定所述输出结果的正确率;若所述正确率小于预设正确率,则继续使用所述训练样本集训练所述工时确定模型;若所述正确率大于或等于预设正确率,则确定所述工时确定模型完成训练。
实施例四
图5是本发明实施例四提供的一种计算机设备的结构示意图,图5示出了适于用来实现本发明实施方式的计算机设备312的框图。图5显示的计算机设备312仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。设备312是典型的船舶焊接工时确定的计算设备。
如图5所示,计算机设备312以通用计算设备的形式表现。计算机设备312的组件可以包括但不限于:一个或者多个处理器316,存储装置328,连接不同系统组件(包括存储装置328和处理器316)的总线318。
总线318表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture,ISA)总线,微通道体系结构(Micro Channel Architecture,MCA)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
计算机设备312典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备312访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置328可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)330和/或高速缓存存储器332。计算机设备312可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统334可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如只读光盘(Compact Disc-Read Only Memory,CD-ROM)、数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线318相连。存储装置328可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块326的程序336,可以存储在例如存储装置328中,这样的程序模块326包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块326通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备312也可以与一个或多个外部设备314(例如键盘、指向设备、摄像头、显示器324等)通信,还可与一个或者多个使得用户能与该计算机设备312交互的设备通信,和/或与使得该计算机设备312能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口322进行。并且,计算机设备312还可以通过网络适配器320与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器320通过总线318与计算机设备312的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备312使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器316通过运行存储在存储装置328中的程序,从而执行各种功能应用以及数据处理,例如实现本发明上述实施例所提供的船舶焊接工时确定方法。
实施例五
本发明实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该程序被处理装置执行时实现如本发明实施例中的插件处理方法。本发明上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:根据船舶设计信息确定船舶焊接的属性特征值;基于预先训练的工时确定模型确定所述属性特征值对应的焊接工时,其中,所述工时确定模型经过阈值数量的历史工时信息训练生成。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种船舶焊接工时确定方法,其特征在于,所述方法包括:
根据船舶设计信息确定船舶焊接的属性特征值;
基于预先训练的工时确定模型确定所述属性特征值对应的焊接工时,其中,所述工时确定模型经过阈值数量的历史工时信息训练生成。
2.根据权利要求1所述的方法,其特征在于,还包括:
对所述属性特征值进行归一化,以统一所述属性特征值的取值范围。
3.根据权利要求1所述的方法,其特征在于,所述工时确定模型的训练过程包括:
采集至少阈值数量的历史工时信息生成训练样本集以及训练验证集,其中,所述历史工时信息包括历史属性特征信息以及历史工时;
根据所述训练样本集训练所述工时确定模型,其中,所述工时确定模型包括多层前馈神经网络模型;
根据所述训练验证集验证所述工时确定模型的输出结果,直到所述工时确定模型完成训练。
4.根据权利要求3所述的方法,其特征在于,所述根据所述训练样本集训练所述工时确定模型,包括:
按照自适应矩阵估计优化器和所述训练样本集优化所述工时确定模型的网络参数;
完成所述工时确定模型的优化后继续按照随机梯度下降优化器和所述训练样本集优化所述工时确定模型的网络参数。
5.根据权利要求3所述的方法,其特征在于,所述根据所述训练验证集验证所述工时确定模型的输出结果,直到所述工时确定模型完成训练,包括:
在所述训练验证集的基础上确定所述输出结果的正确率;
若所述正确率小于预设正确率,则继续使用所述训练样本集训练所述工时确定模型;
若所述正确率大于或等于预设正确率,则确定所述工时确定模型完成训练。
6.根据权利要求1所述的方法,其特征在于,所述根据船舶设计信息确定船舶焊接的属性特征值,包括:
获取用户输入的船舶设计信息,其中,所述船舶设计信息包括以下至少之一:分段类型、焊接长度、焊缝位置、焊接方法;
生成所述船舶设计信息的权重赋值作为所述船舶焊接的属性特征值。
7.根据权利要求3所述的方法,其特征在于,还包括:
获取显卡的兼容信息,按照所述兼容信息控制所述显卡加速所述工时确定模型的训练过程。
8.一种船舶焊接工时确定装置,其特征在于,所述装置包括:
焊接特征模块,用于根据船舶设计信息确定船舶焊接的属性特征值;
工时确定模块,用于基于预先训练的工时确定模型确定所述属性特征值对应的焊接工时,其中,所述工时确定模型经过阈值数量的历史工时信息训练生成。
9.一种计算机设备,其特征在于,所述计算机设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的船舶焊接工时确定方法。
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1-7中任一所述的船舶焊接工时确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111018600.7A CN113706116A (zh) | 2021-09-01 | 2021-09-01 | 船舶焊接工时确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111018600.7A CN113706116A (zh) | 2021-09-01 | 2021-09-01 | 船舶焊接工时确定方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113706116A true CN113706116A (zh) | 2021-11-26 |
Family
ID=78658567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111018600.7A Pending CN113706116A (zh) | 2021-09-01 | 2021-09-01 | 船舶焊接工时确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113706116A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023221476A1 (zh) * | 2022-05-19 | 2023-11-23 | 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) | 一种基于机器学习预测船舶t梁焊接机器人作业时间的算法 |
CN117415502A (zh) * | 2023-11-15 | 2024-01-19 | 广州飞数工业软件有限公司 | 基于工业互联网的焊接质量预测模型训练方法及监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120117571A (ko) * | 2011-04-15 | 2012-10-24 | 재단법인 중소조선연구원 | 마찰교반접합을 이용한 선박용 조립식 선체 |
CN107705052A (zh) * | 2017-11-17 | 2018-02-16 | 江苏科技大学 | 一种船舶精细化工时物量管理平台的建立方法 |
CN110837959A (zh) * | 2019-10-31 | 2020-02-25 | 上海船舶工艺研究所(中国船舶工业集团公司第十一研究所) | 一种基于焊接物量和作业方式衡定焊接派工工时的方法 |
CN111738478A (zh) * | 2019-12-24 | 2020-10-02 | 上海海事大学 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
-
2021
- 2021-09-01 CN CN202111018600.7A patent/CN113706116A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120117571A (ko) * | 2011-04-15 | 2012-10-24 | 재단법인 중소조선연구원 | 마찰교반접합을 이용한 선박용 조립식 선체 |
CN107705052A (zh) * | 2017-11-17 | 2018-02-16 | 江苏科技大学 | 一种船舶精细化工时物量管理平台的建立方法 |
CN110837959A (zh) * | 2019-10-31 | 2020-02-25 | 上海船舶工艺研究所(中国船舶工业集团公司第十一研究所) | 一种基于焊接物量和作业方式衡定焊接派工工时的方法 |
CN111738478A (zh) * | 2019-12-24 | 2020-10-02 | 上海海事大学 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
Non-Patent Citations (5)
Title |
---|
佘廉 等: "企业预警管理实务", 31 December 1999, 河北科学技术出版社, pages: 299 - 300 * |
孙剑锋: "创新视角下商业航天研究新方向识别与探索", 30 September 2020, 中国宇航出版社, pages: 151 * |
张晓光 等: "射线检测焊接缺陷的提取和自动识别", 31 October 2004, 国防工业出版社, pages: 203 - 204 * |
范喜全 等: "地面无人系统原理与设计", 30 June 2021, 西南交通大学出版社, pages: 220 * |
陈云霁 等: "智能计算系统", 29 February 2020, 机械工业出版社, pages: 27 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023221476A1 (zh) * | 2022-05-19 | 2023-11-23 | 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) | 一种基于机器学习预测船舶t梁焊接机器人作业时间的算法 |
CN117415502A (zh) * | 2023-11-15 | 2024-01-19 | 广州飞数工业软件有限公司 | 基于工业互联网的焊接质量预测模型训练方法及监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10346782B2 (en) | Adaptive augmented decision engine | |
US20190303755A1 (en) | Water quality prediction | |
US20220092416A1 (en) | Neural architecture search through a graph search space | |
CN108922564B (zh) | 情绪识别方法、装置、计算机设备及存储介质 | |
US11462216B2 (en) | Hybrid arbitration system | |
CN113706116A (zh) | 船舶焊接工时确定方法、装置、计算机设备和存储介质 | |
JPH07261784A (ja) | パターン認識方法、音声認識方法および音声認識装置 | |
CN113870334B (zh) | 深度检测方法、装置、设备以及存储介质 | |
US20200409823A1 (en) | Method and apparatus for optimal distribution of test cases among different testing platforms | |
CN114444608B (zh) | 数据集质量评估方法及装置、电子设备及存储介质 | |
US11182665B2 (en) | Recurrent neural network processing pooling operation | |
CN112633567A (zh) | 一种等待时长的预测方法、设备及存储介质 | |
US20190220924A1 (en) | Method and device for determining key variable in model | |
CN111340245A (zh) | 一种模型训练方法及系统 | |
CN114970926A (zh) | 一种模型训练方法、企业经营风险预测方法和装置 | |
CN111461353A (zh) | 一种模型训练的方法和系统 | |
CN117370065B (zh) | 一种异常任务确定方法、电子设备及存储介质 | |
EP2916270A1 (en) | Smart process management | |
CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
CN114328821A (zh) | 基于控制槽位和业务数据槽位的多轮对话控制方法及装置 | |
CN109285559B (zh) | 角色转换点检测方法及装置、存储介质、电子设备 | |
CN112419025A (zh) | 用户数据处理方法和装置、存储介质、电子设备 | |
US20230131495A1 (en) | Adaptive answer confidence scoring by agents in multi-agent system | |
US20220036213A1 (en) | Combining rules-based knowledge engineering with machine learning prediction | |
CN117493530B (zh) | 资源需求分析方法、装置、电子设备以及存储介质 |
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 |