CN114037193A - 飞机的装配周期预测方法、装置、终端设备以及存储介质 - Google Patents

飞机的装配周期预测方法、装置、终端设备以及存储介质 Download PDF

Info

Publication number
CN114037193A
CN114037193A CN202210025005.4A CN202210025005A CN114037193A CN 114037193 A CN114037193 A CN 114037193A CN 202210025005 A CN202210025005 A CN 202210025005A CN 114037193 A CN114037193 A CN 114037193A
Authority
CN
China
Prior art keywords
assembly
regression model
training
information
prediction
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
Application number
CN202210025005.4A
Other languages
English (en)
Inventor
隋少春
邱世广
连志敏
汪迢迪
朱承文
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.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group Co Ltd
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 Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202210025005.4A priority Critical patent/CN114037193A/zh
Publication of CN114037193A publication Critical patent/CN114037193A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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—Systems or methods specially adapted for 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

Abstract

本申请的实施例提供一种飞机的装配周期预测方法、装置、终端设备以及存储介质，该方法用于终端设备，所述方法包括以下步骤：获取待装配飞机的装配大纲对应的装配工序信息；将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果；其中，所述选定回归模型是在多个回归模型中确定，多个所述回归模型是利用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练获得。本发明还公开一种飞机的装配周期预测装置、终端设备以及存储介质。用本发明的方法，并不需要手动分析各个装配工序的时长消耗，大大降低了分析时长，从而提高了装备周期的预测速度，进而达到了提高装配周期预测效率的技术效果。

Description

飞机的装配周期预测方法、装置、终端设备以及存储介质
技术领域
本发明涉及飞机装配制造技术领域，特别涉及一种飞机的装配周期预测方法、装置、终端设备以及存储介质。
背景技术
在飞机产品制造过程中，机体部件装配过程非常复杂，装配时间占飞机产品制造总周期的一半左右。对应飞机不同装配阶段选用不同的装配方法，长期以来，飞机制造业中，装配周期的评价都是由具有多年生产经验的定额员工进行估算预测。
但是，采用现有的装配周期预测方法，获得预测装配周期的效率较低。
发明内容
本发明的主要目的是提供一种飞机的装配周期预测方法、装置、终端设备以及存储介质，旨在解决现有技术中采用现有的装配周期预测方法，获得预测装配周期的效率较低的技术问题。
为实现上述目的，本发明提出一种飞机的装配周期预测方法，用于终端设备，所述方法包括以下步骤：
获取待装配飞机的装配大纲对应的装配工序信息；
将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果；其中，所述选定回归模型是在多个回归模型中确定，多个所述回归模型是利用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练获得。
可选的，所述将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果的步骤之前，所述方法还包括：
获取多个所述已装配飞机的装配大纲对应的多个历史装配信息；
将多个所述历史装配信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
可选的，所述将多个所述历史装配信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤之前，所述方法还包括：
利用预设算法对多个所述历史装配信息进行字符格式转换，获得多个所述历史装配信息对应的多个数字化信息；
利用预设工具，构建多个所述初始回归模型；
将多个所述数字化信息划分为多个训练数字化信息和多个测试数字化信息；
所述将多个所述历史装配信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤，包括：
所述将多个所述训练数字化信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
可选的，每个所述数字化信息包括每个所述历史装配信息中的历史装配工序信息对应的数字化工序信息和每个所述历史装配信息中的历史装配周期对应的数字化周期；
所述将多个所述训练数字化信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤之前，所述方法还包括：
统计多个所述训练数字化信息的训练数字化周期；
利用所述训练数字化周期，将多个所述训练数字化信息划分为多个训练数据组；
所述将多个所述训练数字化信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤之前，所述方法还包括：
所述将多个所述训练数据组，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
可选的，所述利用所述训练数字化周期，将多个所述训练数字化信息划分为多个训练数据组的步骤，包括：
确定所述训练数字化周期的最大周期和最小周期；
利用所述最大周期和所述最小周期，确定出多个周期区间；
将多个所述训练数字化信息中，属于同一个周期区间的训练数字化信息划分为一个训练数据组，获得多个所述训练数据组；
所述将多个所述训练数据组，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤，包括：
将多个所述训练数据组和多个所述训练数据组对应的多个周期区间，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
可选的，所述将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果的步骤之前，所述方法还包括：
将多个所述测试数字化信息输入每个所述回归模型，获得每个所述回归模型对应的多个测试预测周期区间；
利用每个所述回归模型对应的多个测试预测周期区间，获得每个所述回归模型对应的预测准确率；
根据多个所述回归模型对应的多个预测准确率，在多个所述回归模型中确定出所述选定回归模型。
可选的，所述利用每个所述回归模型对应的多个测试预测周期区间，获得每个所述回归模型对应的预测准确率的步骤，包括：
在多个所述测试数字化信息中提取出多个历史测试装配周期；
确定出每个所述回归模型对应的多个测试预测周期区间与多个所述历史测试装配周期的包含关系；
利用所述包含关系，确定出每个所述回归模型对应的多个所述测试预测周期区间中正确的区间数量；
利用每个所述回归模型对应的正确的区间数量和多个所述历史测试装配周期的数量，计算每个所述回归模型对应的预测准确率。
此外，为实现上述目的，本发明还提出了一种飞机的装配周期预测装置，用于终端设备，所述装置包括：
获取模块，用于获取待装配飞机的装配大纲对应的装配工序信息；
预测模块，用于将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果；其中，所述选定回归模型是在多个回归模型中确定，多个所述回归模型是利用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练获得。
此外，为实现上述目的，本发明还提出了一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行飞机的装配周期预测程序，所述飞机的装配周期预测程序被所述处理器执行时实现如上述任一项所述的飞机的装配周期预测方法的步骤。
此外，为实现上述目的，本发明还提出了一种存储介质，所述存储介质上存储有飞机的装配周期预测程序，所述飞机的装配周期预测程序被处理器执行时实现如上述任一项所述的飞机的装配周期预测方法的步骤。
本发明技术方案提出了一种飞机的装配周期预测方法，用于终端设备，所述方法包括以下步骤：获取待装配飞机的装配大纲对应的装配工序信息；将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果；其中，所述选定回归模型是在多个回归模型中确定，多个所述回归模型是利用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练获得。
现有方法中，需要定额员工手动统计飞机的装配大纲对应的装配工序信息，然后利用统计的装配工序信息，手动分析各个装配工序的时长消耗，进而获得最终的装配周期，装配工序较多，定额员工手动进行装配周期的分析时长较大，导致装配周期的预测效率较低。而利用本发明的方法，终端设备利用选定回归模型，直接对装配工序信息进行周期预测，并不需要手动分析各个装配工序的时长消耗，大大降低了分析时长，从而提高了装备周期的预测速度，进而达到了提高装配周期预测效率的技术效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图；
图2为本发明飞机的装配周期预测方法第一实施例的流程示意图；
图3为本发明飞机的装配周期预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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他实施例，都属于本发明保护的范围。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的终端设备结构示意图。
通常，终端设备包括：至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的飞机的装配周期预测程序，所述飞机的装配周期预测程序配置为实现如前所述的飞机的装配周期预测方法的步骤。
处理器301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器301可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关飞机的装配周期预测方法操作，使得飞机的装配周期预测方法模型可以自主训练学习，提高效率和准确度。
存储器302可以包括一个或多个存储介质，该存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器302中的非暂态的存储介质用于存储至少一个指令，该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的飞机的装配周期预测方法。
在一些实施例中，终端还可选包括有：通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地，外围设备包括：射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中，处理器301、存储器302和通信接口303被集成在同一芯片或电路板上；在一些其他实施例中，处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路304还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏305用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时，显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时，显示屏305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏305可以为一个，电子设备的前面板；在另一些实施例中，显示屏305可以为至少两个，分别设置在电子设备的不同表面或呈折叠设计；在再一些实施例中，显示屏305可以是柔性显示屏，设置在电子设备的弯曲表面上或折叠面上。甚至，显示屏305还可以设置成非矩形的不规则图形，也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图1中示出的结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有飞机的装配周期预测程序，所述飞机的装配周期预测程序被处理器执行时实现如上文所述的飞机的装配周期预测方法的步骤。因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。确定为示例，程序指令可被部署为在一个终端设备上执行，或者在位于一个地点的多个终端设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个终端设备备上执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，上述的程序可存储于一取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
基于上述硬件结构，提出本发明飞机的装配周期预测方法的实施例。
参照图2，图2为本发明飞机的装配周期预测方法第一实施例的流程示意图，方法用于终端设备，所述方法包括以下步骤：
步骤S11：获取待装配飞机的装配大纲对应的装配工序信息。
需要说明的是，本发明的执行主体是终端设备，终端设备安装有飞机的装配周期预测程序，终端设备执行飞机的装配周期预测程序时，实现本发明的飞机的装配周期预测方法的步骤。
一般而言，本发明的飞机的装配周期预测方法是针对于飞机装配周期的预测，但是用户可利用本发明的方法对于其他装配工作进行预测，例如进行汽车装配和轮船装配的周期预测均可，方法类似，本发明以飞机装配为例进行解释。
待装配飞机即是指待进行装配工作的飞机，待装配飞机的装配工序信息即为步骤S11中的装配工序信息。表1为装配工序信息的一个示例，如下：
表1
工序名称 零件名称 零件材料 夹层数量 连接件类型 连接件直径 孔数量
制孔 8270框 7050 2 HB6298-5x12 Φ5 5
锪窝 边条蒙皮 LY-12CZ 1 HB6306-4x10 Φ4 20
冷挤压 9350框 7050 2 4-0-N Φ4 5
其中，对于一个待装配飞机，对应的装配工序信息包括表1中涉及的和与表1中类似的全部装配工序信息。
步骤S12：将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果；其中，所述选定回归模型是在多个回归模型中确定，多个所述回归模型是利用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练获得。
在本发明中，需要用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练，获得多个回归模型，然后在多个回归模型中，确定效果最好的一个为选定回归模型，最后，利用选定回归模型进行待装配飞机的周期的预测，其中，预测结果也是一个预测周期区间。
进一步的，所述将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果的步骤之前，所述方法还包括：获取多个所述已装配飞机的装配大纲对应的多个历史装配信息；将多个所述历史装配信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
其中，历史装配信息包括历史装配工序信息和历史装配周期，对于历史装配信息的示例如表2，表2如下：
表2
工序名称 零件名称 零件材料 夹层数量 连接件类型 连接件直径 孔数量 装配周期
制孔 8270框 7050 2 HB6298-5x12 Φ5 5 T1
锪窝 边条蒙皮 LY-12CZ 1 HB6306-4x10 Φ4 20 T2
冷挤压 9350框 7050 2 4-0-N Φ4 5 T2
与表1中的数据对比，表2中多个周期数据。具体的，对于每个初始回归模型，均需要利用多个历史装配信息进行训练，获得对应的回归模型。
在该实施例中，通过训练多个回归模型，确定出最好的选定回归模型，保证最终的装配周期预测结果准确率更好。
进一步的，所述将多个所述历史装配信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤之前，所述方法还包括：利用预设算法对多个所述历史装配信息进行字符格式转换，获得多个所述历史装配信息对应的多个数字化信息；利用预设工具，构建多个所述初始回归模型；将多个所述数字化信息划分为多个训练数字化信息和多个测试数字化信息；所述将多个所述历史装配信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤，包括：所述将多个所述训练数字化信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
在本发明中，利用Python的sklearn库算法（所述预设算法）仅理解数字类型数据，故对表1数据进行预处理，调用OrdinalEncoder方法将历史装配信息的字符串格式数据转化为数字类型数据，获得对应的数字化信息，数字化信息的示例如表3，如下：
表3
工序名称 零件名称 零件材料 夹层数量 连接件类型 连接件直径 孔数量 装配周期
1 1 1 2 1 5 5 T1
2 10 2 1 10 4 20 T2
3 15 1 2 11 4 5 T3
一般而言，将全部的数字化信息划分为两个组：训练数字化信息和测试数字化信息，通常，训练数字化信息占用全部的数字化信息的80%。
在本发明中，利用sklearn库（所述预设工具）构建线性回归、K最近邻、CART回归树三种初始回归模型，即，在本发明中，初始回归模型包括三个。
进一步的，每个所述数字化信息包括每个所述历史装配信息中的历史装配工序信息对应的数字化工序信息和每个所述历史装配信息中的历史装配周期对应的数字化周期；所述将多个所述训练数字化信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤之前，所述方法还包括：统计多个所述训练数字化信息的训练数字化周期；利用所述训练数字化周期，将多个所述训练数字化信息划分为多个训练数据组；所述将多个所述训练数字化信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤之前，所述方法还包括：所述将多个所述训练数据组，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
其中，所述利用所述训练数字化周期，将多个所述训练数字化信息划分为多个训练数据组的步骤，包括：确定所述训练数字化周期的最大周期和最小周期；利用所述最大周期和所述最小周期，确定出多个周期区间；将多个所述训练数字化信息中，属于同一个周期区间的训练数字化信息划分为一个训练数据组，获得多个所述训练数据组；所述将多个所述训练数据组，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤，包括：将多个所述训练数据组和多个所述训练数据组对应的多个周期区间，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
训练数字化信息的周期即为训练数字化周期，然后确定训练数字化周期的最大值（MAX（AC））和最小值（MIN（AC）），然后，利用最大值与最小值的差处于区间数量（用户可以基于需求设定，本发明为5个较优），获得多个周期区间，处在一个周期区间的训练数字化信息划分为一个训练数据组，获得多个训练数据组。
例如，△=（MAX(AC)-MIN(AC)）/5，获得5个周期区间分别为：(0,MIN(AC)+△)、[MIN(AC)+△,MIN(AC)+2△)、[MIN(AC)+2△,MIN(AC)+3△)、 [MIN(AC)+3△,MIN(AC)+4△)、[MIN(AC)+4△,+∞)。
需要说明的是，对于每个初始回归模型，输入的训练数据是指：多个训练数据组和多个训练数据组对应的多个周期区间。参照表4，表4为训练数字化信息划分训练数据组对应的示意，表4如下：
表4
周期区间 周期区间对应的训练数据组
QY1：(0,MIN(AC)+r) Train(QY1)
QY2：[MIN(AC)+r, MIN(AC)+2r) Train(QY2)
QY3：[MIN(AC)+2r,MIN(AC)+3r) Train(QY3)
QY4：[MIN(AC)+3r,MIN(AC)+4r) Train(QY4)
QY5：[MIN(AC)+4r,+∞) Train(QY5)
按照上文方式，获得对应的多个回归模型。可以理解的是，对于待装配飞机的装配大纲对应的装配工序信息，也需要按照上述方式进行字符格式转换，获得对应的待装配数字化装配工序信息，然后将待装配数字化装配工序信息输入选定回归模型进行周期预测，获得一个预测区间，该预测区间即为步骤S12中的装配周期预测结果。
在该实施例中，将数据划分为多个数据组，每个数据组对应的是一个区间，从而减少数据组中数据对应的实际周期的数据量，提高了回归模型的训练效率。
进一步的，所述将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果的步骤之前，所述方法还包括：将多个所述测试数字化信息输入每个所述回归模型，获得每个所述回归模型对应的多个测试预测周期区间；利用每个所述回归模型对应的多个测试预测周期区间，获得每个所述回归模型对应的预测准确率；根据多个所述回归模型对应的多个预测准确率，在多个所述回归模型中确定出所述选定回归模型。
其中，所述利用每个所述回归模型对应的多个测试预测周期区间，获得每个所述回归模型对应的预测准确率的步骤，包括：在多个所述测试数字化信息中提取出多个历史测试装配周期；确定出每个所述回归模型对应的多个测试预测周期区间与多个所述历史测试装配周期的包含关系；利用所述包含关系，确定出每个所述回归模型对应的多个所述测试预测周期区间中正确的区间数量；利用每个所述回归模型对应的正确的区间数量和多个所述历史测试装配周期的数量，计算每个所述回归模型对应的预测准确率。
对于多个测试数字化信息，均需要分别输入多个回归模型进行预测，获得每个所述回归模型对应的多个测试预测周期区间，例如，测试数字化信息包括100个，回归模型包括3个，则多个测试预测周期区包括300个。通常，确定预测准确率最高的一个回归模型为选定回归模型。
对于一个测试数字化信息，对应一个测试预测周期区间和一个历史测试装配周期（该测试数字化信息对应的实际装配周期），若该测试数字化信息的测试预测周期区间包括该测试数字化信息的历史测试装配周期，则该测试数字化信息的测试预测周期区间为一个正确的区间。对于每个回归模型，均需要确定出全部的测试数字化信息对应的正确的区间，然后确定出正确的区间数量，用正确的区间数量除以多个所述历史测试装配周期的数量（也就是测试数字化信息的数量），获得该回归模型的预测准确率。
按照本发明的方法，获得的最终的选定回归模型的预测准确率较高，相较于只训练一个回归模型，本发明的方法具有更多的选择，使得最终的装配周期预测结果的准确率也较高。
本发明技术方案提出了一种飞机的装配周期预测方法，用于终端设备，所述方法包括以下步骤：获取待装配飞机的装配大纲对应的装配工序信息；将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果；其中，所述选定回归模型是在多个回归模型中确定，多个所述回归模型是利用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练获得。
现有方法中，需要定额员工手动统计飞机的装配大纲对应的装配工序信息，然后利用统计的装配工序信息，手动分析各个装配工序的时长消耗，进而获得最终的装配周期，装配工序较多，定额员工手动进行装配周期的分析时长较大，导致装配周期的预测效率较低。而利用本发明的方法，终端设备利用选定回归模型，直接对装配工序信息进行周期预测，并不需要手动分析各个装配工序的时长消耗，大大降低了分析时长，从而提高了装备周期的预测速度，进而达到了提高装配周期预测效率的技术效果。
参照图3，图3为本发明飞机的装配周期预测装置第一实施例的结构框图，所述装置用于终端设备，基于与前述实施例相同的发明构思，所述装置包括：
获取模块10，用于获取待装配飞机的装配大纲对应的装配工序信息；
预测模块20，用于将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果；其中，所述选定回归模型是在多个回归模型中确定，多个所述回归模型是利用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练获得。
需要说明的是，由于本实施例的装置所执行的步骤与前述方法实施例的步骤相同，其具体的实施方式以及可以达到的技术效果都可参照前述实施例，这里不再赘述。
以上所述仅为本发明的可选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种飞机的装配周期预测方法，其特征在于，用于终端设备，所述方法包括以下步骤：
获取待装配飞机的装配大纲对应的装配工序信息；
将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果；其中，所述选定回归模型是在多个回归模型中确定，多个所述回归模型是利用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练获得。
2.如权利要求1所述的方法，其特征在于，所述将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果的步骤之前，所述方法还包括：
获取多个所述已装配飞机的装配大纲对应的多个历史装配信息；
将多个所述历史装配信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
3.如权利要求2所述的方法，其特征在于，所述将多个所述历史装配信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤之前，所述方法还包括：
利用预设算法对多个所述历史装配信息进行字符格式转换，获得多个所述历史装配信息对应的多个数字化信息；
利用预设工具，构建多个所述初始回归模型；
将多个所述数字化信息划分为多个训练数字化信息和多个测试数字化信息；
所述将多个所述历史装配信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤，包括：
将多个所述训练数字化信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
4.如权利要求3所述的方法，其特征在于，每个所述数字化信息包括每个所述历史装配信息中的历史装配工序信息对应的数字化工序信息和每个所述历史装配信息中的历史装配周期对应的数字化周期；
所述将多个所述训练数字化信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤之前，所述方法还包括：
统计多个所述训练数字化信息的训练数字化周期；
利用所述训练数字化周期，将多个所述训练数字化信息划分为多个训练数据组；
所述将多个所述训练数字化信息，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤之前，所述方法还包括：
将多个所述训练数据组，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
5.如权利要求4所述的方法，其特征在于，所述利用所述训练数字化周期，将多个所述训练数字化信息划分为多个训练数据组的步骤，包括：
确定所述训练数字化周期的最大周期和最小周期；
利用所述最大周期和所述最小周期，确定出多个周期区间；
将多个所述训练数字化信息中，属于同一个周期区间的训练数字化信息划分为一个训练数据组，获得多个所述训练数据组；
所述将多个所述训练数据组，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型的步骤，包括：
将多个所述训练数据组和多个所述训练数据组对应的多个周期区间，输入每个所述初始回归模型进行训练，获得每个所述初始回归模型对应的回归模型。
6.如权利要求5所述的方法，其特征在于，所述将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果的步骤之前，所述方法还包括：
将多个所述测试数字化信息输入每个所述回归模型，获得每个所述回归模型对应的多个测试预测周期区间；
利用每个所述回归模型对应的多个测试预测周期区间，获得每个所述回归模型对应的预测准确率；
根据多个所述回归模型对应的多个预测准确率，在多个所述回归模型中确定出所述选定回归模型。
7.如权利要求6所述的方法，其特征在于，所述利用每个所述回归模型对应的多个测试预测周期区间，获得每个所述回归模型对应的预测准确率的步骤，包括：
在多个所述测试数字化信息中提取出多个历史测试装配周期；
确定出每个所述回归模型对应的多个测试预测周期区间与多个所述历史测试装配周期的包含关系；
利用所述包含关系，确定出每个所述回归模型对应的多个所述测试预测周期区间中正确的区间数量；
利用每个所述回归模型对应的正确的区间数量和多个所述历史测试装配周期的数量，计算每个所述回归模型对应的预测准确率。
8.一种飞机的装配周期预测装置，其特征在于，用于终端设备，所述装置包括：
获取模块，用于获取待装配飞机的装配大纲对应的装配工序信息；
预测模块，用于将所述装配工序信息输入选定回归模型进行周期预测，获得装配周期预测结果；其中，所述选定回归模型是在多个回归模型中确定，多个所述回归模型是利用多个已装配飞机的装配大纲对应的多个历史装配信息，对多个初始回归模型进行训练获得；
所述获取模块连接所述预测模块。
9.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行飞机的装配周期预测程序，所述飞机的装配周期预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的飞机的装配周期预测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有飞机的装配周期预测程序，所述飞机的装配周期预测程序被处理器执行时实现如权利要求1至7中任一项所述的飞机的装配周期预测方法的步骤。
CN202210025005.4A 2022-01-11 2022-01-11 飞机的装配周期预测方法、装置、终端设备以及存储介质 Pending CN114037193A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210025005.4A CN114037193A (zh) 2022-01-11 2022-01-11 飞机的装配周期预测方法、装置、终端设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210025005.4A CN114037193A (zh) 2022-01-11 2022-01-11 飞机的装配周期预测方法、装置、终端设备以及存储介质

Publications (1)

Publication Number Publication Date
CN114037193A true CN114037193A (zh) 2022-02-11

Family

ID=80141563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210025005.4A Pending CN114037193A (zh) 2022-01-11 2022-01-11 飞机的装配周期预测方法、装置、终端设备以及存储介质

Country Status (1)

Country Link
CN (1) CN114037193A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512483A (zh) * 2015-12-08 2016-04-20 清华大学 基于损伤传播模型和数据分析的航空发动机剩余寿命预测
CN107844658A (zh) * 2017-11-16 2018-03-27 中国民航大学 相关向量机与自回归滑动平均融合的舵机状态预测方法
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
CN108241900A (zh) * 2016-12-26 2018-07-03 北京金风科创风电设备有限公司 工程项目建设周期预测方法、装置和系统
CN112445129A (zh) * 2019-08-29 2021-03-05 波音公司 用于训练神经网络以控制飞机的系统和方法
CN112664184A (zh) * 2020-12-23 2021-04-16 中国石油大学(华东) 基于支持向量回归算法的抽油机井检泵周期预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512483A (zh) * 2015-12-08 2016-04-20 清华大学 基于损伤传播模型和数据分析的航空发动机剩余寿命预测
CN108241900A (zh) * 2016-12-26 2018-07-03 北京金风科创风电设备有限公司 工程项目建设周期预测方法、装置和系统
CN107844658A (zh) * 2017-11-16 2018-03-27 中国民航大学 相关向量机与自回归滑动平均融合的舵机状态预测方法
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
CN112445129A (zh) * 2019-08-29 2021-03-05 波音公司 用于训练神经网络以控制飞机的系统和方法
CN112664184A (zh) * 2020-12-23 2021-04-16 中国石油大学(华东) 基于支持向量回归算法的抽油机井检泵周期预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘进方 等: "基于免疫神经网络的飞机全生命周期成本预测", 《制造业自动化》 *
孙德厂 等: "支持向量回归在不确定面向订单装配环境下交货期预测中的应用", 《计算机应用》 *
陆志强 等: "基于质量预测的飞机装配动态调度问题研究", 《湖南大学学报(自然科学版)》 *

Similar Documents

Publication Publication Date Title
CN107678803A (zh) 应用管控方法、装置、存储介质及电子设备
CN102692572B (zh) 一种基于时间可用度的飞机射频设备间电磁兼容性分析方法
CN104298525B (zh) 复杂约束条件下多组件软件部署的自动化与自适应方法及其部署管理系统
CN110189104B (zh) 一种数据处理方法、装置、电子设备及存储介质
CN109426353A (zh) 架构于非侵入式数据撷取系统客制化显示画面的系统模块
CN107766548A (zh) 信息显示方法、装置、移动终端及可读存储介质
CN114881379A (zh) 风电场应发电量估测方法、装置、设备及存储介质
CN110415560A (zh) 基于车联网系统的资源量估计方法、碰撞预测方法及装置
CN104407771A (zh) 一种终端
CN107452399B (zh) 音频特征提取方法及装置
CN114037193A (zh) 飞机的装配周期预测方法、装置、终端设备以及存储介质
CN112783731A (zh) 异常设备检测方法、装置、设备和存储介质
CN115951973B (zh) 模型处理方法、装置、终端设备及存储介质
CN114692487B (zh) 电子装备维修备件预投方法、装置、设备及存储介质
CN115481594B (zh) 计分板实现方法、计分板、电子设备及存储介质
CN113225234B (zh) 资产探测方法、装置、终端设备以及计算机可读存储介质
CN110222391A (zh) 电气设备绘图方法、系统及终端设备
CN114252100B (zh) 传感器在线标定方法、装置、设备及存储介质
CN115294648A (zh) 一种人机手势交互方法、装置、移动终端及存储介质
CN116257427A (zh) 联邦学习任务的异构测试方法、系统、设备及存储介质
CN113407392A (zh) 浮点运算单元测试方法、装置、集控设备以及存储介质
CN114363704A (zh) 视频播放方法、装置、设备以及存储介质
CN114286084A (zh) 视频链路测试方法和装置
CN115052235B (zh) 无线领夹麦克风低功耗方法、装置、电子设备及存储介质
CN113538048B (zh) 需求信息获得方法、装置、终端设备以及存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220211