CN115577831A - 一种无人机单机成本预测方法、装置、设备及介质 - Google Patents

一种无人机单机成本预测方法、装置、设备及介质 Download PDF

Info

Publication number
CN115577831A
CN115577831A CN202211141033.9A CN202211141033A CN115577831A CN 115577831 A CN115577831 A CN 115577831A CN 202211141033 A CN202211141033 A CN 202211141033A CN 115577831 A CN115577831 A CN 115577831A
Authority
CN
China
Prior art keywords
cost
data
unmanned aerial
aerial vehicle
model
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
CN202211141033.9A
Other languages
English (en)
Inventor
邓建
王金安
何天豪
李家根
吴佳霓
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 CN202211141033.9A priority Critical patent/CN115577831A/zh
Publication of CN115577831A publication Critical patent/CN115577831A/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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种无人机单机成本预测方法、装置、设备及介质，涉及无人机成本预测技术领域，用于解决现有技术中不能更准确的预测无人机的单机成本的技术问题，该方法包括获取历史无人机的若干第一技术指标数据和若干系统成本数据；所述第一技术指标数据包括所述历史无人机的技术特征数据，所述系统成本数据包括组成所述历史无人机的系统的成本数据；分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数；对所述相关性系数进行筛选，以获得若干第二技术指标数据，所述第一技术指标数据包括所述第二技术指标数据；基于若干所述第二技术指标数据，预测无人机单机成本。通过上述方法可以更准确的预测出无人机单机成本。

Description

一种无人机单机成本预测方法、装置、设备及介质
技术领域
本申请涉及无人机成本预测技术领域，尤其涉及无人机单机成本预测方法、装置、设备及介质。
背景技术
无人机项目的研发随着研制的推进，可分为论证阶段、方案阶段、详细设计、试制、批生产等阶段。随着研发阶段的推进，无人机信息随之明确，根据现有国内外资料研究表明，在详细设计和无人机鉴定工作完成后，无人机项目的全寿命周期费用的85％已经确定，此阶段完成后，就基本决定了相应的生产成本和使用费用。因此，早期预测无人机的成本，是无人机项目成败的关键。
但是，现有技术中不能更准确的预测无人机的单机成本。
发明内容
本申请的主要目的在于提供无人机单机成本预测方法、装置、设备及介质，旨在解决现有技术中不能更准确的预测无人机的单机成本的技术问题。
为实现上述目的，本申请第一方面提供了一种无人机单机成本预测方法，所述方法包括：
获取历史无人机的若干第一技术指标数据和若干系统成本数据；所述第一技术指标数据包括所述历史无人机的技术特征数据，所述系统成本数据包括组成所述历史无人机的系统的成本数据；
分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数；所述相关性系数用于表征所述第一技术指标数据对所述系统成本数据的影响程度的数据；
对所述相关性系数进行筛选，以获得若干第二技术指标数据，所述第一技术指标数据包括所述第二技术指标数据；
基于若干所述第二技术指标数据，预测无人机单机成本。
可选地，所述分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数，包括：
构建若干所述第一技术指标数据与若干所述系统成本数据的相关模型；
基于所述相关模型，获得相关性系数。
可选地，所述构建若干所述第一技术指标数据与若干所述系统成本数据的相关模型，包括：
通过如下关系式，构建所述相关模型：
Figure BDA0003851438820000021
Figure BDA0003851438820000022
Figure BDA0003851438820000023
其中，Correl(X,Y)表示第一技术指标数据与系统成本数据的相关模型；X表示某个第一技术指标数据参数，X＝[x1,x2,x3…xn]，x1表示第一台历史无人机的某个第一技术指标数据参数；Y表示某个系统成本数据参数,Y＝[y1,y2,y3…yn]，y1表示第一台历史无人机的某个系统成本数据参数。
可选地，所述对所述相关性系数进行筛选，以获得若干第二技术指标数据，包括：
获得系数阈值；
基于所述系数阈值，对所述相关性系数进行筛选，以获得若干第二技术指标数据；
在所述第一技术指标数据的所述相关性系数大于或等于所述系数阈值的情况下，将该第一技术指标数据作为所述第二技术指标数据。
可选地，所述基于若干所述第二技术指标数据，预测无人机单机成本，包括：
利用最小二乘法在若干所述第二技术指标数据与若干所述系统间进行多元线性回归分析，以获得若干子系统成本模型；
基于若干所述子系统成本模型，获得无人机单机成本模型；
基于所述无人机单机成本模型，预测无人机单机成本。
可选地，若干所述第二技术指标数据包括最大起飞重量数据、任务载荷重量数据、最大燃油重量数据、机身长度数据、发动机最大推力数据、发动机重量数据、应急电池容量数据、测控距离数据和飞机结构重量数据；若干所述系统包括结构系统、燃油系统、动力系统、电气系统、飞管计算机系统、传感器系统、伺服系统、测控系统和飞参系统。
可选地，所述利用最小二乘法在若干所述第二技术指标数据与若干所述系统间进行多元线性回归分析，以获得若干子系统成本模型，包括：
通过如下关系式，获得若干所述子系统成本模型：
Y1＝a11x1+a12x2+a13x3+…a1nxn+c1；
Y2＝a21x1+a22x2+a23x3+…a2nxn+c2；
Y3＝a31x1+a32x2+a33x3+…a3nxn+c3；
Y4＝a41x1+a42x2+a43x3+…a4nxn+c4；
Y5＝a51x1+a52x2+a53x3+…a5nxn+c5；
Y6＝a61x1+a62x2+a63x3+…a6nxn+c6；
Y7＝a71x1+a72x2+a73x3+…a7nxn+c7；
Y8＝a81x1+a82x2+a83x3+…a8nxn+c8；
Y9＝a91x1+a92x2+a93x3+…a9nxn+c9；
其中，Y1为结构系统成本模型，Y2为燃油系统成本模型，Y3为动力系统成本模型，Y4为电气系统成本模型，Y5为飞管计算机系统成本模型，Y6为传感器系统成本模型，Y7为伺服系统成本模型，Y8为测控系统成本模型，Y9为飞参系统成本模型，a11、a12、a13…a1n为结构系统成本估算模型回归系数，a21、a22、a23…a2n为燃油系统成本估算模型回归系数，a31、a32、a33…a3n为动力系统成本估算模型回归系数，a41、a42、a43…a4n为电气系统成本估算模型回归系数，a51、a52、a53…a5n为飞管计算机系统系统成本估算模型回归系数，a61、a62、a63…a6n为传感器系统成本估算模型回归系数，a71、a72、a73…a7n为伺服系统成本估算模型回归系数，a81、a82、a83…a8n为测控系统成本估算模型回归系数，a91、a92、a93…a9n为飞参系统成本估算模型回归系数；c1、c2、c3、c4、c5、c6、c7、c8和c9均为常数项，n≤9。
可选地，所述基于所述无人机单机成本模型，预测无人机单机成本，包括：
通过如下关系式，获得无人机单机成本模型：
Y单机成本＝Y1+Y2+Y3+Y4+Y5+Y6+Y7+Y8+Y9。
第二方面，本申请提供了一种无人机单机成本预测装置，所述装置包括：
获取模块，用于获取历史无人机的若干第一技术指标数据和若干系统成本数据；所述第一技术指标数据包括所述无人机的技术特征数据，所述系统成本数据包括组成所述无人机的系统的成本数据；
分析模块，用于分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数；所述相关性系数用于表征所述第一技术指标数据对所述系统成本数据的影响程度的数据；
筛选模块，用于对所述相关性系数进行筛选，以获得若干第二技术指标数据，所述第一技术指标数据包括所述第二技术指标数据；
预测模块，用于基于若干所述第二技术指标数据，预测无人机单机成本。
第三方面，本申请提供了一种计算机设备，该计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现实施例中所述的方法。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现实施例中所述的方法。
通过上述技术方案，本申请至少具有如下有益效果：
本申请实施例提出的无人机单机成本预测方法、装置、设备及介质，该方法通过先获取历史无人机的若干第一技术指标数据和若干系统成本数据；所述第一技术指标数据包括所述历史无人机的技术特征数据，所述系统成本数据包括组成所述历史无人机的系统的成本数据；然后分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数；所述相关性系数用于表征所述第一技术指标数据对所述系统成本数据的影响程度的数据；再对所述相关性系数进行筛选，以获得若干第二技术指标数据，所述第一技术指标数据包括所述第二技术指标数据；最后基于若干所述第二技术指标数据，预测无人机单机成本。即，本申请的技术方案可以得到历史无人机的若干第一技术指标数据对若干系统成本数据的影响程度，并将该影响程度量化，然后对量化后的影响程度即相关性系数进行筛选，这样可以得到对无人机各主要系统成本影响较高的几个第二技术指标数据，再基于筛选出来的第二技术指标数据对无人机的各系统成本进行预测，由于筛选出来的多个第二技术指标数据对无人机各主要系统成本影响较高，因此通过多个第二技术指标数据可以更准确的预测出各系统成本，从而可以更准确的预测出无人机单机成本。
附图说明
图1为本申请实施例涉及的硬件运行环境的计算机设备结构示意图；
图2为本申请实施例的无人机单机成本预测方法的流程图；
图3为步骤S13的一种具体执行方法的流程示意图；
图4为步骤S11的一种具体执行方法的流程示意图；
图5为本申请实施例的无人机单机成本预测装置的示意图。
本申请目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
飞机项目的研发随着研制的推进，可分为论证阶段、方案阶段、详细设计、试制和批生产等阶段。随着研发阶段的推进，飞机信息随之明确，根据现有国内外资料研究表明，在详细设计和飞机鉴定工作完成后，飞机项目的全寿命周期费用的85％已经确定，此阶段完成后，就基本决定了相应的生产成本和使用费用。因此，早期决策基本决定了飞机全寿命费用，是飞机项目成败的关键。随着设计进程的深入，降低成本的机会将逐渐减少。因此，成本估算进行的越早，就越能达到降低成本的目的。目前，大多数的成本估算，都是在方案后期(如详细设计阶段)以后进行的，对飞机的成本控制难度效果并不明显。但是，在项目前期(概念阶段或方案阶段)，飞机项目的轮廓还处于较粗状态，进行成本估算的信息十分匮乏，这是成本估算的困难所在。
在项目初期(论证阶段或者方案阶段)即对小批生产状态无人机子系统成本进行预测分析，对飞机整体方案及子系统方案进行设计约束，促使子系统设计朝着市场、技术都可接受的方向迭代，是降低飞机项目研发成本的关键所在。
对单机成本费用的预测方法大致可以分为工程估算法、类比分析法，专家打分法及参数估算法。其中，工程估算法为依照项目的料、工和费进行评估及估算，采用自下而上的方法，计算最下层的成本单元的成本，逐步累加计算出成本的方法，其精度相对较高，但是需要项目发展到一定阶段，需要足够的信息才能合理应用工程估算法。
类比分析法为比较待估的目标项目和有准确成本数据的基准项目，据此得到待估项目成本，一般适用于项目早期规划阶段，但是这种方法很大程度上取决于对两个项目的差异程度的主观认识，因此估算结果准确度具有局限性。
参数估算法为总结了项目经验，是指利用历史数据之间的统计关系和其他变量，来进行项目成本估算。参数估算的准确性取决于参数模型的成熟度和基础数据的可靠性，参数估算可以针对整个项目或项目中的某个部分，对数据样本量及参数模型的适应性有着很高的要求。
但是，工程估算法、类比分析法及专家打分法均不能很好地应对飞机项目研发初期的使用场景。项目初期的特点为贫数据、小样本，具体表现为项目输入较少。仅有最粗略的战术技术指标或者概念指标输入，如最大起飞重量、发动机推力、结构重量和机体尺寸等。如何利用较少的输入信息得到相对精确的预测结果，是需要综合决策的问题。本发明无人机单机成本估算方法属于参数估算法，本发明主要就是为了解决飞机项目初期对单机的成本估算的问题，对单机的设计具有重要的意义。
现存的主流分析方法都有各自的特点，如工程估算法需要较为详尽的输入才能进行相对准确的估算，类比法和参数法对只适应于特定项目，误差相对较高。不仅如此，对上述的分析方法的研究主要面向战斗机或者民用客机。因此，缺乏一种针对无人机特点的，在项目早期输入较少的情况下对单机成本进行较为精确预测的方法。综上，目前不能更准确的预测飞机(无人机)的单机成本。
为了解决上述技术问题，本申请提供了一种无人机单机成本预测方法、装置、设备及介质，在介绍本申请的具体技术方案之前，先介绍下本申请实施例方案涉及的硬件运行环境。
参照图1，图1为本申请实施例方案涉及的硬件运行环境的计算机设备结构示意图。
如图1所示，该计算机设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对计算机设备的限定，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。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的计算机设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明计算机设备中的处理器1001、存储器1005可以设置在计算机设备中，所述计算机设备通过处理器1001调用存储器1005中存储的无人机单机成本预测装置，并执行本申请实施例提供的无人机单机成本预测方法。
参照图2-图3，基于前述实施例的硬件环境，本申请的实施例提供了一种无人机单机成本预测方法，该方法包括：
S10：获取历史无人机的若干第一技术指标数据和若干系统成本数据；所述第一技术指标数据包括所述历史无人机的技术特征数据，所述系统成本数据包括组成所述历史无人机的系统的成本数据。
在具体实施过程中，历史无人机指对无人机单机成本预测日以前的无人机，可通过相关系统获得；第一技术指标数据指能体现无人机技术特征的数据，第一技术指标数据和系统成本数据均可以通过现有技术而得到。具体的，第二技术指标数据包括最大起飞重量数据(单位为千克)、任务载荷重量数据(单位为千克)、最大燃油重量数据(单位为千克)、机身长度数据(单位为米)、发动机最大推力数据(单位为千克力)、发动机重量数据(单位为千克)、应急电池容量数据(单位为安培小时)、测控距离数据(单位为千米)和飞机结构重量数据(单位为千克)等等；若干所述系统包括结构系统、燃油系统、动力系统、电气系统、飞管计算机系统、传感器系统、伺服系统、测控系统和飞参系统等等。
S11：分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数；所述相关性系数用于表征所述第一技术指标数据对所述系统成本数据的影响程度的数据。
在具体实施过程中，通过相关性系数这一方式来量化各个子系统的成本跟不同的技术指标的相关性，若干第一技术指标数据与若干系统成本数据之间具有映射关系，即某系统的成本是由若干个第一技术指标组成的，基于该映射关系再确定第一技术指标数据对系统成本数据的影响程度，即可得到相关性系数。
S12：对所述相关性系数进行筛选，以获得若干第二技术指标数据，所述第一技术指标数据包括所述第二技术指标数据。
在具体实施过程中，由于无人机的技术特点，各个子系统的成本跟不同的技术指标相关，例如结构系统的成本跟结构重量强相关，但是与应急电池容量相关性较差，其他子系统的也呈现出类似的特点，筛选后的第二技术指标数据与系统成本数据的相关性更强，即筛选后的第二技术指标数据更能影响到系统成本数据。因此通过筛选第一技术指标数据的相关性系数，将会使预测出的子系统成本精确度有较大程度的提高。
S13：基于若干所述第二技术指标数据，预测无人机单机成本。
S131：利用最小二乘法在若干所述第二技术指标数据与若干所述系统间进行多元线性回归分析，以获得若干子系统成本模型；其中，若干所述第二技术指标数据包括最大起飞重量数据、任务载荷重量数据、最大燃油重量数据、机身长度数据、发动机最大推力数据、发动机重量数据、应急电池容量数据、测控距离数据和飞机结构重量数据；若干所述系统包括结构系统、燃油系统、动力系统、电气系统、飞管计算机系统、传感器系统、伺服系统、测控系统和飞参系统。用最小二乘法解决多元线性回归得的基本思路为：
令
Figure BDA0003851438820000101
其中
Figure BDA0003851438820000102
是事先选定的一组线性无关的函数，ak是待定系数，(K＝1,2,3…,m,m<n)，拟合准则是使yi(i＝1,2...,n)与f(xi)的距离δi的平方和最小。假设有n个有效历史机型样本数据，则进行n次独立观测，以筛选后的技术指标为输入，例如以最大起飞重量为输入向量X1(x11，x12…x1n)、任务载荷重量为输入向量X2(x21，x22…x2n)、最大燃油重量为输入向量X3(x31，x32…x3n)……，子系统成本为输出向量Y(Y1，Y2…Yn)。利用以上准则，建立向量X1、X2、X3…与向量Y的多元线性回归关系。
通过如下关系式，获得若干所述子系统成本模型：
Y1＝a11x1+a12x2+a13x3+…a1nxn+c1；
Y2＝a21x1+a22x2+a23x3+…a2nxn+c2；
Y3＝a31x1+a32x2+a33x3+…a3nxn+c3；
Y4＝a41x1+a42x2+a43x3+…a4nxn+c4；
Y5＝a51x1+a52x2+a53x3+…a5nxn+c5；
Y6＝a61x1+a62x2+a63x3+…a6nxn+c6；
Y7＝a71x1+a72x2+a73x3+…a7nxn+c7；
Y8＝a81x1+a82x2+a83x3+…a8nxn+c8；
Y9＝a91x1+a92x2+a93x3+…a9nxn+c9；
其中，Y1为结构系统成本模型，Y2为燃油系统成本模型，Y3为动力系统成本模型，Y4为电气系统成本模型，Y5为飞管计算机系统成本模型，Y6为传感器系统成本模型，Y7为伺服系统成本模型，Y8为测控系统成本模型，Y9为飞参系统成本模型，a11、a12、a13…a1n为结构系统成本估算模型回归系数，a21、a22、a23…a2n为燃油系统成本估算模型回归系数，a31、a32、a33…a3n为动力系统成本估算模型回归系数，a41、a42、a43…a4n为电气系统成本估算模型回归系数，a51、a52、a53…a5n为飞管计算机系统系统成本估算模型回归系数，a61、a62、a63…a6n为传感器系统成本估算模型回归系数，a71、a72、a73…a7n为伺服系统成本估算模型回归系数，a81、a82、a83…a8n为测控系统成本估算模型回归系数，a91、a92、a93…a9n为飞参系统成本估算模型回归系数；c1、c2、c3、c4、c5、c6、c7、c8和c9均为常数项，n≤9。
S132：基于若干所述子系统成本模型，获得无人机单机成本模型。
通过如下关系式，获得无人机单机成本模型：
Y单机成本＝Y1+Y2+Y3+Y4+Y5+Y6+Y7+Y8+Y9。
S133：基于所述无人机单机成本模型，预测无人机单机成本。
单机成本模型用于无人机研发过程中，在无人机研发的论证阶段和方案阶段，通过对无人机单机的成本估算，协助进行单机的评估，通过无人机单机成本模型可以得到无人机的各个系统的成本，再将无人机的各个系统的成本相加，即通过无人机单机成本模型即可预测出无人机单机成本。
本实施例中，得到历史无人机的若干第一技术指标数据对若干系统成本数据的影响程度，并将该影响程度量化，然后对量化后的影响程度即相关性系数进行筛选，这样可以得到对无人机各主要系统成本影响较高的几个第二技术指标数据，再基于筛选出来的第二技术指标数据对无人机的各系统成本进行预测，由于筛选出来的多个第二技术指标数据对无人机各主要系统成本影响较高，因此通过多个第二技术指标数据可以更准确的预测出各系统成本，从而可以更准确的预测出无人机单机成本。
在一些实施例中，如图4所示，所述分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数的步骤包括：
S111：构建若干所述第一技术指标数据与若干所述系统成本数据的相关模型。
在具体实施过程中，相关性系数是用于反映变量之间相关关系密切程度的统计指标，相关系数法描述如下：假设有某一技术指标样本设定为输入向量X＝[x1,x2,x3…xn]，某一子系统成本样本设定为输出向量Y＝[y1,y2,y3…yn]，则通过如下关系式，构建所述相关模型：
Figure BDA0003851438820000121
Figure BDA0003851438820000122
Figure BDA0003851438820000123
其中，Correl(X,Y)表示第一技术指标数据与系统成本数据的相关模型；X表示某个第一技术指标数据参数，X＝[x1,x2,x3…xn]，x1表示第一台历史无人机的某个第一技术指标数据参数；Y表示某个系统成本数据参数,Y＝[y1,y2,y3…yn]，y1表示第一台历史无人机的某个系统成本数据参数。
S112：基于所述相关模型，获得相关性系数。将相关参数输入到相关模型中，即可得到相关性系数。
本实施例中，将第一技术指标数据对系统成本数据的影响程度通过相关性系数来具体量化，如此可以更加直观、准确的体现出第一技术指标数据与系统成本数据的相关性强弱，从而可以更准确的预测出无人机的单机成本。
在一些实施例中，所述对所述相关性系数进行筛选，以获得若干第二技术指标数据的步骤包括：
先获得系数阈值，然后根据实际情况设置系数阈值，比如将系数阈值设置为0.9，最后基于所述系数阈值，对所述相关性系数进行筛选，以获得若干第二技术指标数据。
本实施例中，以相关系数为依据进行敏感性参数的识别，敏感性参数识别以相关性系数来完成，在所述第一技术指标数据的所述相关性系数大于或等于所述系数阈值的情况下，将该第一技术指标数据作为所述第二技术指标数据，具体为：以0.9为阈值对相关性系数进行筛选，相关性系数低于0.9的认为相关度达不到要求，此项技术指标不用于后续的模型构建，若相关系数大于等于0.9，则认为相关性良好，此项技术指标可以用于后续模型构建，依次方法获得达到设定标准的若干第二技术指标数据，这样获得的第二技术指标数据的准确性更高，因此对无人机单机的预测更加准确。
在另一实施例中，如图5所示，基于与前述实施例相同的发明思路，本申请的实施例还提供了一种仓储物流配送路径规划装置，该装置包括：
获取模块，用于获取历史无人机的若干第一技术指标数据和若干系统成本数据；所述第一技术指标数据包括所述无人机的技术特征数据，所述系统成本数据包括组成所述无人机的系统的成本数据；
分析模块，用于分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数；所述相关性系数用于表征所述第一技术指标数据对所述系统成本数据的影响程度的数据；
筛选模块，用于对所述相关性系数进行筛选，以获得若干第二技术指标数据，所述第一技术指标数据包括所述第二技术指标数据；
预测模块，用于基于若干所述第二技术指标数据，预测无人机单机成本。
需要说明的是，本实施例中无人机单机成本预测装置中各模块是与前述实施例中的无人机单机成本预测方法中的各步骤一一对应，因此，本实施例的具体实施方式和达到的技术效果可参照前述无人机单机成本预测方法的实施方式，这里不再赘述。
此外，在一种实施例中，本申请还提供一种计算机设备，所述计算机设备包括处理器，存储器以及存储在所述存储器中的计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法。
此外，在一种实施例中，本申请还提供一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器运行时实现前述实施例中方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言(包括编译或解释语言，或者声明性或过程性语言)来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言(HTML，Hyper TextMarkup Language)文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件(例如，存储一个或多个模块、子程序或代码部分的文件)中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (11)

1.一种无人机单机成本预测方法，其特征在于，所述方法包括：
获取历史无人机的若干第一技术指标数据和若干系统成本数据；所述第一技术指标数据包括所述历史无人机的技术特征数据，所述系统成本数据包括组成所述历史无人机的系统的成本数据；
分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数；所述相关性系数用于表征所述第一技术指标数据对所述系统成本数据的影响程度的数据；
对所述相关性系数进行筛选，以获得若干第二技术指标数据，所述第一技术指标数据包括所述第二技术指标数据；
基于若干所述第二技术指标数据，预测无人机单机成本。
2.如权利要求1所述的无人机单机成本预测方法，其特征在于，所述分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数，包括：
构建若干所述第一技术指标数据与若干所述系统成本数据的相关模型；
基于所述相关模型，获得相关性系数。
3.如权利要求2所述的无人机单机成本预测方法，其特征在于，所述构建若干所述第一技术指标数据与若干所述系统成本数据的相关模型，包括：
通过如下关系式，构建所述相关模型：
Figure FDA0003851438810000011
Figure FDA0003851438810000012
Figure FDA0003851438810000013
其中，Correl(X,Y)表示第一技术指标数据与系统成本数据的相关模型；X表示某个第一技术指标数据参数，X＝[x1,x2,x3…xn]，x1表示第一台历史无人机的某个第一技术指标数据参数；Y表示某个系统成本数据参数,Y＝[y1,y2,y3…yn]，y1表示第一台历史无人机的某个系统成本数据参数。
4.如权利要求1所述的无人机单机成本预测方法，其特征在于，所述对所述相关性系数进行筛选，以获得若干第二技术指标数据，包括：
获得系数阈值；
基于所述系数阈值，对所述相关性系数进行筛选，以获得若干第二技术指标数据；
在所述第一技术指标数据的所述相关性系数大于或等于所述系数阈值的情况下，将该第一技术指标数据作为所述第二技术指标数据。
5.如权利要求1所述的无人机单机成本预测方法，其特征在于，所述基于若干所述第二技术指标数据，预测无人机单机成本，包括：
利用最小二乘法在若干所述第二技术指标数据与若干所述系统间进行多元线性回归分析，以获得若干子系统成本模型；
基于若干所述子系统成本模型，获得无人机单机成本模型；
基于所述无人机单机成本模型，预测无人机单机成本。
6.如权利要求5所述的无人机单机成本预测方法，其特征在于，所述第二技术指标数据包括最大起飞重量数据、任务载荷重量数据、最大燃油重量数据、机身长度数据、发动机最大推力数据、发动机重量数据、应急电池容量数据、测控距离数据和飞机结构重量数据；若干所述系统包括结构系统、燃油系统、动力系统、电气系统、飞管计算机系统、传感器系统、伺服系统、测控系统和飞参系统。
7.如权利要求5所述的无人机单机成本预测方法，其特征在于，所述利用最小二乘法在若干所述第二技术指标数据与若干所述系统间进行多元线性回归分析，以获得若干子系统成本模型，包括：
通过如下关系式，获得若干所述子系统成本模型：
Y1＝a11x1+a12x2+a13x3+…a1nxn+c1；
Y2＝a21x1+a22x2+a23x3+…a2nxn+c2；
Y3＝a31x1+a32x2+a33x3+…a3nxn+c3；
Y4＝a41x1+a42x2+a43x3+…a4nxn+c4；
Y5＝a51x1+a52x2+a53x3+…a5nxn+c5；
Y6＝a61x1+a62x2+a63x3+…a6nxn+c6；
Y7＝a71x1+a72x2+a73x3+…a7nxn+c7；
Y8＝a81x1+a82x2+a83x3+…a8nxn+c8；
Y9＝a91x1+a92x2+a93x3+…a9nxn+c9；
其中，Y1为结构系统成本模型，Y2为燃油系统成本模型，Y3为动力系统成本模型，Y4为电气系统成本模型，Y5为飞管计算机系统成本模型，Y6为传感器系统成本模型，Y7为伺服系统成本模型，Y8为测控系统成本模型，Y9为飞参系统成本模型，a11、a12、a13…a1n为结构系统成本估算模型回归系数，a21、a22、a23…a2n为燃油系统成本估算模型回归系数，a31、a32、a33…a3n为动力系统成本估算模型回归系数，a41、a42、a43…a4n为电气系统成本估算模型回归系数，a51、a52、a53…a5n为飞管计算机系统系统成本估算模型回归系数，a61、a62、a63…a6n为传感器系统成本估算模型回归系数，a71、a72、a73…a7n为伺服系统成本估算模型回归系数，a81、a82、a83…a8n为测控系统成本估算模型回归系数，a91、a92、a93…a9n为飞参系统成本估算模型回归系数；c1、c2、c3、c4、c5、c6、c7、c8和c9均为常数项，n≤9。
8.如权利要求7所述的无人机单机成本预测方法，其特征在于，所述基于所述无人机单机成本模型，预测无人机单机成本，包括：
通过如下关系式，获得无人机单机成本模型：
Y单机成本＝Y1+Y2+Y3+Y4+Y5+Y6+Y7+Y8+Y9。
9.一种无人机单机成本预测装置，其特征在于，所述装置包括：
获取模块，用于获取历史无人机的若干第一技术指标数据和若干系统成本数据；所述第一技术指标数据包括所述无人机的技术特征数据，所述系统成本数据包括组成所述无人机的系统的成本数据；
分析模块，用于分析若干所述第一技术指标数据与若干所述系统成本数据的相关性，以获得相关性系数；所述相关性系数用于表征所述第一技术指标数据对所述系统成本数据的影响程度的数据；
筛选模块，用于对所述相关性系数进行筛选，以获得若干第二技术指标数据，所述第一技术指标数据包括所述第二技术指标数据；
预测模块，用于基于若干所述第二技术指标数据，预测无人机单机成本。
10.一种计算机设备，其特征在于，该计算机设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-8中任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，处理器执行所述计算机程序，实现如权利要求1-8中任一项所述的方法。
CN202211141033.9A 2022-09-19 2022-09-19 一种无人机单机成本预测方法、装置、设备及介质 Pending CN115577831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211141033.9A CN115577831A (zh) 2022-09-19 2022-09-19 一种无人机单机成本预测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211141033.9A CN115577831A (zh) 2022-09-19 2022-09-19 一种无人机单机成本预测方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115577831A true CN115577831A (zh) 2023-01-06

Family

ID=84580253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211141033.9A Pending CN115577831A (zh) 2022-09-19 2022-09-19 一种无人机单机成本预测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115577831A (zh)

Similar Documents

Publication Publication Date Title
Janssen et al. Calibration of process-oriented models
JP2017126330A (ja) 予測型モデルに基づく推薦
Mohanty et al. Bayesian statistic based multivariate Gaussian process approach for offline/online fatigue crack growth prediction
CN111898867B (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
CN113657814B (zh) 一种航空网络风险预测方法及风险等级评估方法
CN113625697B (zh) 考虑任务能力变化的无人机集群可靠性评估方法和系统
CN107748808B (zh) 基于区间约束的可靠性指标分配优化方法、系统及介质
CN115858609A (zh) 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN109740818A (zh) 一种应用于航路扇区交通的概率密度预测系统
CN115859769A (zh) 天线罩结构全局灵敏度分析方法
Kritsky et al. A method for assessing the impact of technical risks on the aerospace product development projects
CN115577831A (zh) 一种无人机单机成本预测方法、装置、设备及介质
CN109635346B (zh) 机械连接结构的可靠性分析方法
CN117310500A (zh) 电池状态分类模型构建方法及电池状态分类方法
CN117056722A (zh) 一种规划地块人口数量预测方法及系统
CN114139643B (zh) 一种基于机器视觉的单甘酯质量检测方法及系统
Li et al. Method for predicting failure rate of airborne equipment based on optimal combination model
Chen et al. Macro-level accident fatality prediction using a combined model based on ARIMA and multivariable linear regression
Bogomolov et al. Flight mode recognition algorithms that provide validation of the digital twin of an aircraft during flight tests
CN113222287A (zh) 网约车需求预测方法、装置、设备及存储介质
CN114492905A (zh) 基于多模型融合的客诉率预测方法、装置和计算机设备
Hällqvist et al. Validation Techniques Applied on the Saab Gripen FighterEnvironmental Control System Model
CN116176860B (zh) 一种燃油系统测试方法、系统、设备及可读存储介质
DeFrank A condition based maintenance approach to forecasting B-1 aircraft parts

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