CN118095805A - 核电仪控柜前期物料预测方法、系统、设备、介质及产品 - Google Patents
核电仪控柜前期物料预测方法、系统、设备、介质及产品 Download PDFInfo
- Publication number
- CN118095805A CN118095805A CN202410516407.3A CN202410516407A CN118095805A CN 118095805 A CN118095805 A CN 118095805A CN 202410516407 A CN202410516407 A CN 202410516407A CN 118095805 A CN118095805 A CN 118095805A
- Authority
- CN
- China
- Prior art keywords
- nuclear power
- instrument control
- control cabinet
- power instrument
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007781 pre-processing Methods 0.000 claims description 26
- 238000013461 design Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 18
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012800 visualization Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000013439 planning Methods 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 10
- 238000007405 data analysis Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开的核电仪控柜前期物料预测方法、系统、设备、介质及产品,涉及物料预测领域。本发明在分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型之后,将预处理后的提取得到的项目数据分别输入上述构建的模型中,就可以得到预测结果,然后,基于预测结果生成核电仪控柜前期物料预测报告,并进行可视化显示。可见,本发明通过先进的机器学习算法进行结果预测,能够提高机柜方案与物料预测的准确性和效率,从而为核电项目的报价和需求计划等相关决策提供更强的数据支持。
Description
技术领域
本发明涉及物料预测领域,特别是涉及一种核电仪控柜前期物料预测方法、系统、设备、介质及产品。
背景技术
在核电行业,核电仪控柜产品的前期方案预测和物料预测是确保项目顺利进行的关键环节。
传统的方案预测和物料预测方法,往往依赖于项目经理和工程师的经验以及历史数据的手动分析,这些方法通常是线性的,依赖于静态的数据分析,在处理大型和复杂的项目时效率低下,且容易出错。而且由于依赖静态的历史数据,传统的预测方法可能无法准确预测未来的需求和资源配置。
预测中用到的历史数据包括先前项目的设计、实施、维护记录等,这些历史数据通常存储在不同的系统中,手动整合和分析来自不同来源的历史数据可能复杂且耗时。
核电项目的技术和资源优化是一个持续的过程,涉及到不断更新和调整的需要。优化过程包括对现有资源的重新分配和对未来需求的预测,传统方法在应对项目需求和规格的快速变化时可能缺乏灵活性和适应性。
发明内容
为解决现有技术存在的上述问题,本发明提供了一种核电仪控柜前期物料预测方法、系统、设备、介质及产品。
为实现上述目的,本发明提供了如下方案。
一种核电仪控柜前期物料预测方法,所述方法包括:提取核电仪控柜的项目数据。
对所述项目数据进行预处理得到预处理数据。
分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型。
将所述预处理数据分别输入至所述核电仪控柜类型预测模型、所述核电仪控柜数量预测模型和所述核电仪控柜物料预测模型,得到预测结果。
基于所述预测结果生成核电仪控柜前期物料预测报告,并对所述核电仪控柜前期物料预测报告进行可视化显示。
可选地,分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型,具体包括:从历史项目成果中提取与核电仪控柜方案预测以及核电仪控柜物料预测相关的数据,得到历史项目数据。
对所述历史项目数据进行数据预处理得到预处理历史数据。
基于所述预处理历史数据进行特征值的选取与处理,得到预测模型特征值。
合并所述预测模型特征值得到数据集。
将所述数据集划分为训练集和测试集,采用所述训练集和所述测试集分别训练和测试随机森林模型、线性回归模型和支持向量机模型。
将训练好的随机森林模型作为所述核电仪控柜类型预测模型,将训练好的线性回归模型作为所述核电仪控柜数量预测模型,将训练好的支持向量机模型作为所述核电仪控柜物料预测模型。
可选地,所述预处理包括数据清洗、数据类型转换、异常值检测与处理以及数据标准化处理。
可选地,在基于所述预处理历史数据进行特征值的选取与处理,得到预测模型特征值的过程中,针对核电仪控柜类型的预测,选取的特征值包括:项目类型、堆型、设计院I/O点、网络类型、通讯类型和信号类型。
针对核电仪控柜数量的预测,选取的特征值包括:设计院I/O点、核电仪控柜房间分布、核电仪控柜供电类型、信号类型和核电仪控柜数量。
针对核电仪控柜物料的预测,选取的特征值包括:核电仪控柜类型、核电仪控柜数量、设计院I/O点、供电类型、主料清单和辅料清单。
可选地,所述设计院I/O点包括点名、说明、类型、供电方、触点类型、模块号和通道号。
一种核电仪控柜前期物料预测系统,所述系统用于实现上述提供的核电仪控柜前期物料预测方法;所述系统包括:数据提取模块,用于提取核电仪控柜的项目数据。
数据预处理模块,用于对所述项目数据进行预处理得到预处理数据。
模型构建模块,用于分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型。
结果预测模块,用于将所述预处理数据分别输入至所述核电仪控柜类型预测模型、所述核电仪控柜数量预测模型和所述核电仪控柜物料预测模型,得到预测结果。
报告生成和可视化模块,用于基于所述预测结果生成核电仪控柜前期物料预测报告,并对所述核电仪控柜前期物料预测报告进行可视化显示。
可选地,所述核电仪控柜前期物料预测报告生成和可视化模块包括:用户界面,用于可视化显示所述核电仪控柜前期物料预测报告。
一种计算机设备,包括:存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述任一项所述的核电仪控柜前期物料预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一项所述的核电仪控柜前期物料预测方法的步骤。
一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一项所述的核电仪控柜前期物料预测方法的步骤。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明在分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型之后,将预处理后的提取得到的项目数据分别输入上述构建的模型中,就可以得到预测结果,然后,基于预测结果生成核电仪控柜前期物料预测报告,并进行可视化显示。可见,本发明通过先进的机器学习算法进行结果预测,能够提高机柜方案与物料预测的准确性和效率,从而为核电项目的报价和需求计划等相关决策提供更强的数据支持。
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获得其他的附图。
图1为本发明实施例提供的核电仪控柜前期物料预测方法流程图。
图2为本发明实施例提供的核电仪控柜前期物料预测系统的数据处理流程图。
图3为本发明实施例提供的结构对象示意图。
图4为本发明实施例提供的机柜方案(类别、数量)与物料的预测整体流程图。
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做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。
本发明的目的是提供一种核电仪控柜前期物料预测方法、系统、设备、介质及产品,旨在提高核电仪控柜方案与物料预测的准确性和效率,从而为核电项目的报价和需求计划等相关决策提供更强的数据支持。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
本实施例提供了一种核电仪控柜前期物料预测方法,如图1所示,该方法包括:步骤100:提取核电仪控柜的项目数据。其中,核电仪控柜可以简称为机柜。
步骤101:对项目数据进行预处理得到预处理数据。
步骤102:分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型。
在实际应用过程中,上述各模型的构建过程可以为:1)从历史项目成果中提取与核电仪控柜方案预测以及核电仪控柜物料预测相关的数据,得到历史项目数据。
2)对历史项目数据进行数据预处理得到预处理历史数据。其中,预处理包括数据清洗、数据类型转换、异常值检测与处理以及数据标准化处理。
3)基于预处理历史数据进行特征值的选取与处理,得到预测模型特征值。其中,针对核电仪控柜类型的预测,选取的特征值包括:项目类型、堆型、设计院I/O点、网络类型、通讯类型和信号类型。针对核电仪控柜数量的预测,选取的特征值包括:设计院I/O点、核电仪控柜房间分布、核电仪控柜供电类型、信号类型和核电仪控柜数量。针对核电仪控柜物料的预测,选取的特征值包括:核电仪控柜类型、核电仪控柜数量、设计院I/O点、供电类型、主料清单和辅料清单。
4)合并预测模型特征值得到数据集。
5)将数据集划分为训练集和测试集,采用训练集和测试集分别训练和测试随机森林模型、线性回归模型和支持向量机模型。
6)将训练好的随机森林模型作为核电仪控柜类型预测模型,将训练好的线性回归模型作为核电仪控柜数量预测模型,将训练好的支持向量机模型作为核电仪控柜物料预测模型。
步骤103:将预处理数据分别输入至核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型,得到预测结果。
步骤104:基于预测结果生成核电仪控柜前期物料预测报告,并对核电仪控柜前期物料预测报告进行可视化显示。
基于上述描述,现对于现有技术,本发明提供的核电仪控柜前期物料预测方法具有以下优点:(1)能够精确预测机柜类型和数量:本发明通过分析历史项目数据,准确预测核电项目中所需各种机柜(如控制柜、供电柜、网络柜、服务器柜、信息安全柜、三方通讯柜等)的类型和数量,确保项目在初始阶段就有一个清晰、准确的硬件配置方案,减少资源浪费,优化初期规划。
(2)能够详细预测每种机柜的物料需求:本发明基于每种机柜的预测数量,进一步预测其具体的物料清单和数量。为每个机柜的需求计划提供详尽的物料清单,提高需求计划的准确性。
(3)可以为后续决策提供数据支持:本发明通过提供准确的预测信息,为项目管理、成本估算和报价等环节提供关键数据支持。使相关决策更加数据驱动,减少不确定性和风险。
(4)优化核电项目的前期准备:本发明利用预测数据,提前规划项目的物料需求,确保项目的顺利启动和执行。减少项目启动阶段的延误和成本超支,确保项目按计划进行。
(5)增强核电项目管理的现代化和智能化:本发明应用数据分析和预测技术,提升核电项目的物料管理水平。在核电行业内树立新的项目管理标准,提高项目执行的效率和成功率。
综上,本发明提供的核电仪控柜前期物料预测方法,通过数据分析技术,能够精确预测核电项目的机柜需求和物料清单,从而优化项目规划,支持决策制定,并推动核电项目管理向更高效、智能化方向发展。
实施例2
该实施例提供了一种核电仪控柜前期物料预测系统,该系统主要用于实现上述实施例1提供的核电仪控柜前期物料预测方法。例如,该系统的数据处理流程如图2所示,其可以使用编程语言python,数据处理库Pandas, NumPy,机器学习库Scikit-learn(sklearn)实现。该系统主要包括以下模块:1)数据提取模块,用于提取核电仪控柜的项目数据。
在实际应用过程中,该模块也可以从历史项目成果中提取机柜方案预测与机柜物料预测所需的原始数据集,即自动提取历史项目数据。
其中,获取的原始数据集的数据包括以下内容:根据项目合同中设计方案中项目类型、堆型、设计院I/O点、网络类型、通讯类型、信号类型来预测机柜的类型及数量。
根据项目的具体类型(如商用核电站、研究反应堆等)和堆型(如压水堆、沸水堆等),预测机柜的类型和规格,因为不同类型和堆型的项目对机柜的需求可能有所不同。
根据设计院提供的I/O点的数量和类型,预测机柜的数量和配置,因为I/O点是连接控制系统和现场设备的重要接口,其数量和类型直接影响机柜的类型。
根据项目的网络类型(如以太网、现场总线等)和通讯类型(如MODBUS、PROFIBUS等),预测所需的网络柜及三方通讯柜类型及数量。
根据项目中使用的信号类型(如模拟信号、数字信号等),预测控制柜及继电器柜类型与数量。
根据机柜的供电类型(如交流供电、直流供电等),预测供电柜的类型及数量。
根据机柜的类型及数量,上游设计院提供I/O点、项目合同中具体的设计功能列表,来预测机柜的主料和辅料。主料具体包括机柜的设备类型及数量。辅料具体包括机柜的电缆和端子清单。历史数据集则根据历史项目的机柜类型、数量、上游设计院提供I/O点、项目合同中具体的设计功能列表,以及设计成果中对应的主料清单、辅料清单来构建。
为实现上述数据提取目的,该模块的具体实施方式如下:A)设计一个通用接口,用于连接Access数据库和读取Excel文件。该接口应能处理不同版本的Access数据库和Excel格式,以确保兼容性。
B)读取数据:a)项目I/O点数据:编写脚本自动查询项目设计输入的Access数据库中的I/O点相关信息。
b)房间分布信息:编写脚本自动查询项目设计成果中房间号与房间内机柜列表。
c)机柜类型及数量信息:编写脚本自动查询项目设计成果中每种机柜的类型及数量。
d)供电关系:编写脚本自动查询供电柜与其他机柜的供电关系以及各个机柜间的连接关系。
e)项目类型:从新项目信息中导入。
f)堆型:从新项目信息中导入。
g)机柜物料信息:从设计成果中获取上述查询到的每个机柜的主料和辅材物料清单。
C)数据处理与格式化:将上述获取到的所有数据组织成一种结构化对象,结构对象如图3所示,项目是最小单位,每个项目都包含I/O点(输入输出信号)、房间分布信息、机柜间供电关系、项目类型和堆型。每个房间分布信息有唯一房间号,还拥有n(n>=1)个分配到该房间的机柜对象,n(n>=1)个分配到该房间的机柜对象形成机柜列表。每个机柜对象(即图3中的机柜1、机柜2……机柜n)包含机柜类型和物料信息。物料信息包含主料和辅材。将分散无序的数据整理成为一个个完整的项目数据对象,方便后续数据的分析与识别。
2)数据预处理模块,用于进行数据预处理,即对项目数据或者是提取的历史项目数据进行预处理得到预处理数据。
在实际应用过程中,该模块主要实现的方式是根据上述提取到的数据,进行清洗以去除无关或错误的信息,实现数据标准化,确保不同来源的数据格式统一。其主要预处理方式包括以下几种:A)删除重复记录:编写脚本删除数据库以及Excel中的重复行。
B)删除包含缺失值的行:编写脚本判断行内是否包含缺失值,若包含,则删除。
C)数据类型转换:编写脚本转换不同来源的数据类型以保持其一致性。
D)标准化文本数据:将所有文本转换为统一的大写,并去掉不必要的空格。
E)异常值检测与处理:使用统计方法IQR来识别异常值,并替换为配置的默认值。
F)数据清洗需要经过多次迭代,并根据分析结果不断调整。
3)模型构建模块,用于分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型。
4)结果预测模块,用于将预处理数据分别输入至核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型,得到预测结果。即该模块能够根据设计输入预测机柜需求方案预测机柜需求方案中每种机柜物料。
在该模块进行的机柜方案(类别、数量)与物料的预测整体流程如图4所示,其主要包括以下步骤:(1)选取预测模型特征值。
其中,针对机柜类型预测选取的特征值包括:项目类型、堆型、设计院I/O点、网络类型、通讯类型、信号类型作为特征值。
机柜数量预测选取的特征值包括:选取I/O点、机柜房间分布、机柜供电类型、信号类型作为特征值。
机柜物料预测选取的特征值包括:选择机柜类型、机柜数量、I/O点、供电类型、主料清单、辅料清单作为特征值。
(2)对特征值进行二次处理:针对I/O点的处理方式为:由于I/O点是包含多个不同类型数据的复合特征,需要对其进行特征工程,首先将I/O分解为多个单独的特征,包括点名、说明、类型、供电方、触点类型、模块号、通道号等。其中数值类型的数据(如通道号),可以直接作为特征。对于文本类型的数据(如点名说明),可以使用文本处理方法词袋模型(Bag of Words)转换。
针对主料清单的处理方式为:提取其中的关键列,包括物料型号,物料名称,物料数量等单独作为特征值。
针对辅料清单的处理方式为:提取其中的关键列,包括辅材型号,关联主料,辅材名称,辅材数量等单独作为特征值。
针对其他数据的处理方式为:作为分类特征进行独热编码。
(3)进行数据集准备。
对采集到的历史项目数据进行数据划分,划分为训练集和测试集。或者,将每种预测模型所需的特征值经过上述特征值处理,然后合并为数据集,并划分训练集和测试集,将80%的数据用于训练,20%的数据用于测试。
(4)判断预测类型。
A、当预测类型为机柜类型时,构建随机森林模型,并训练这一模型,直至达到评估指标后完成实际预测。
在具体实现过程中,可以先采用sklearn库提供的随机森林模型,定义特征列合并上述该模型的特征值,定义目标列为机柜类型。然后,构建多组特征列与目标列数据,调用机器学习库中的方法对数据进行划分,传入上述收集到的数据集,传入测试比例0.3,传入随机生成种子值42。接着,调用sklearn库提供的训练方法对随机森林模型进行训练,并对训练结果进行评估。评估指标包括准确率、精确度。其中,评估指标的计算方式如下:a)准确率:正确预测的数量除以总预测的数量。表示所有预测中预测正确的比例。
准确率=正确预测的数量/总预测的数量。
b)精确率:正类别正确预测的数量除以正类别预测的总数量。反映模型预测为正类别的样本中,真正为正类别的比例。
精确率=真正例数/(真正例数+假正例数)。
当模型经过训练之后正确率达到80%,精确率达到80%,认为该随机森林模型训练成功。否则根据评估结果调整特征工程与模型参数,直到达到评估目标。
使用训练好的随机森林模型作为核电仪控柜类型预测模型对测试集进行预测,预测结果通过后将其部署到生产环境中。
B、当预测类型为机柜数量时,构建线性回归模型,并训练这一模型,直至达到评估指标后完成实际预测。
在具体实现过程中,可以先采用sklearn库提供的线性回归模型,定义特征列合并上述该模型的特征值,定义目标列为机柜数量。然后,构建多组特征列与目标列数据,调用机器学习库中的方法对数据进行划分,传入上述收集到的数据集,传入测试比例0.3,传入随机生成种子值41。接着,调用sklearn库提供的训练方法对线性回归模型进行训练,并对训练结果进行评估。此时的评估指标为均方误差。均方误差的计算方式如下:均方误差(MSE):是衡量模型预测精度的一种常用指标。它在回归问题中尤其常用。MSE计算了预测值与实际值之间差异的平方的平均值。
。其中,/>是样本数量,/>是第/>个观测值的真实值,/>是第/>个观测值的预测值。
当线性回归模型经过训练后MSE指标大于0且小于0.2时,表示线性回归模型训练成功,否则根据评估结果调整特征工程与线性回归模型参数,直到达到评估目标。
使用训练好的线性回归模型作为核电仪控柜数量预测模型对测试集进行预测,预测结果通过后将其部署到生产环境中。
C、当预测类型为机柜物料时,构建支持向量机(SVM)模型,并训练这一模型,直至达到评估指标后完成实际预测。
在具体实现过程中,可以先采用sklearn库提供的支持向量机(SVM)模型,定义特征列合并上述该模型的特征值,定义目标列为机柜物料。然后,构建多组特征列与目标列数据,调用机器学习库中的方法对数据进行划分,传入上述收集到的数据集,传入测试比例0.3,传入随机生成种子值39。接着,调用sklearn库提供的训练方法对支持向量机(SVM)模型进行训练,并对训练结果进行评估,评估指标包括召回率和F1得分。各评估指标的计算方式如下:a)召回率:在所有实际为正的样本中,模型正确预测为正的比例。
召回率=正确预测为正的样本数/(正确预测为正的样本数+错误预测为负的样本数)(实际为正)。
b)F1得分:精确度和召回率的调和平均,提供了一个单一的性能指标。
F1得分=2精确度/>召回率/(精确度+召回率)。
当支持向量机(SVM)模型经过训练后召回率达到75%且F1得分达到76%时表示支持向量机(SVM)模型训练成功,否则调整特征工程与模型参数,直到其结果达到指标要求。
使用训练好的支持向量机(SVM)模型作为核电仪控柜物料预测模型对测试集进行预测,预测结果通过后将其部署到生产环境中。
5)报告生成和可视化模块,用于对预测结果进行汇总与分析,基于预测结果生成核电仪控柜前期物料预测报告,并对核电仪控柜前期物料预测报告进行可视化显示。其中,报告中可以包括预测的机柜类型和数量,以及对后续报价和需求计划的建议。
在该实施例中,报告的显示主要通过用户界面实现(即通过用户界面输出处理结果),以便让用户能够轻松访问和理解数据和预测结果。该用户界面可以包括可视化工具,如图表和图形,以便于理解和展示数据。
基于上述描述,本发明提供的核电仪控柜前期物料预测系统效益主要体现在以下几个方面:(1)提高预测准确性和效率:通过运用先进的数据分析和机器学习技术,本发明提供的系统能够精确预测核电项目中所需各种机柜的类型和数量。这样不仅提高了预测的准确性,还大大提升了预测的效率。
(2)优化资源配置和成本控制:本发明提供的系统通过准确预测机柜的需求,可以在项目初始阶段就确保拥有清晰、准确的硬件配置方案,减少资源浪费,并优化初期规划。这有助于更好地控制成本和管理资源。
(3)强化数据驱动的决策支持:本发明提供的系统能够提供准确的预测信息,对项目管理、成本估算和报价等关键环节的决策提供了数据支持。这使得相关决策更加依赖数据分析,减少了不确定性和风险。
(4)改善项目的前期准备和执行:本发明提供的系统利用预测数据,可以更好地规划项目的物料需求,确保项目的顺利启动和执行。这有助于减少项目启动阶段的延误和成本超支,确保项目按计划进行。
(5)推动项目管理的现代化和智能化:本发明提供的系统应用先进的数据分析和预测技术,提升了核电项目的物料管理水平,树立了新的项目管理标准。这不仅提高了项目执行的效率和成功率,还推动了整个核电行业在项目管理方面向更高效、智能化的方向发展。
综上所述,本发明通过结合现代技术和创新方法,提供了一种系统化、智能化的解决方案,以优化核电项目规划和执行,从而在提高效率、降低成本、减少风险方面发挥了重要作用。
实施例3
一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序以实现实施例1中的核电仪控柜前期物料预测方法的步骤。
实施例4
一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现实施例1中的核电仪控柜前期物料预测方法的步骤。
实施例5
一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现实施例1中的核电仪控柜前期物料预测方法的步骤。
实施例6
一种计算机设备,该计算机设备可以是数据库。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储待处理事务。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现实施例1中的核电仪控柜前期物料预测方法。
需要说明的是,本发明所涉及的对象信息(包括但不限于对象设备信息、对象个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经对象授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本发明所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本发明所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想,各个实施例之间相同相似部分互相参见即可;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种核电仪控柜前期物料预测方法,其特征在于,所述方法包括:提取核电仪控柜的项目数据;
对所述项目数据进行预处理得到预处理数据;
分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型;
将所述预处理数据分别输入至所述核电仪控柜类型预测模型、所述核电仪控柜数量预测模型和所述核电仪控柜物料预测模型,得到预测结果;
基于所述预测结果生成核电仪控柜前期物料预测报告,并对所述核电仪控柜前期物料预测报告进行可视化显示。
2.根据权利要求1所述的核电仪控柜前期物料预测方法,其特征在于,分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型,具体包括:从历史项目成果中提取与核电仪控柜方案预测以及核电仪控柜物料预测相关的数据,得到历史项目数据;
对所述历史项目数据进行数据预处理得到预处理历史数据;
基于所述预处理历史数据进行特征值的选取与处理,得到预测模型特征值;
合并所述预测模型特征值得到数据集;
将所述数据集划分为训练集和测试集,采用所述训练集和所述测试集分别训练和测试随机森林模型、线性回归模型和支持向量机模型;
将训练好的随机森林模型作为所述核电仪控柜类型预测模型,将训练好的线性回归模型作为所述核电仪控柜数量预测模型,将训练好的支持向量机模型作为所述核电仪控柜物料预测模型。
3.根据权利要求2所述的核电仪控柜前期物料预测方法,其特征在于,所述预处理包括数据清洗、数据类型转换、异常值检测与处理以及数据标准化处理。
4.根据权利要求2所述的核电仪控柜前期物料预测方法,其特征在于,在基于所述预处理历史数据进行特征值的选取与处理,得到预测模型特征值的过程中,针对核电仪控柜类型的预测,选取的特征值包括:项目类型、堆型、设计院I/O点、网络类型、通讯类型和信号类型;
针对核电仪控柜数量的预测,选取的特征值包括:设计院I/O点、核电仪控柜房间分布、核电仪控柜供电类型、信号类型和核电仪控柜数量;
针对核电仪控柜物料的预测,选取的特征值包括:核电仪控柜类型、核电仪控柜数量、设计院I/O点、供电类型、主料清单和辅料清单。
5.根据权利要求4所述的核电仪控柜前期物料预测方法,其特征在于,所述设计院I/O点包括点名、说明、类型、供电方、触点类型、模块号和通道号。
6.一种核电仪控柜前期物料预测系统,其特征在于,所述系统用于实现如权利要求1-5任意一项所述的核电仪控柜前期物料预测方法;所述系统包括:数据提取模块,用于提取核电仪控柜的项目数据;
数据预处理模块,用于对所述项目数据进行预处理得到预处理数据;
模型构建模块,用于分别构建核电仪控柜类型预测模型、核电仪控柜数量预测模型和核电仪控柜物料预测模型;
结果预测模块,用于将所述预处理数据分别输入至所述核电仪控柜类型预测模型、所述核电仪控柜数量预测模型和所述核电仪控柜物料预测模型,得到预测结果;
报告生成和可视化模块,用于基于所述预测结果生成核电仪控柜前期物料预测报告,并对所述核电仪控柜前期物料预测报告进行可视化显示。
7.根据权利要求6所述的核电仪控柜前期物料预测系统,其特征在于,所述核电仪控柜前期物料预测报告生成和可视化模块包括:用户界面,用于可视化显示所述核电仪控柜前期物料预测报告。
8.一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1-5中任一项所述核电仪控柜前期物料预测方法的步骤。
9.一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,该计算机程序被处理器执行时实现权利要求1-5中任一项所述核电仪控柜前期物料预测方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-5中任一项所述核电仪控柜前期物料预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410516407.3A CN118095805A (zh) | 2024-04-28 | 2024-04-28 | 核电仪控柜前期物料预测方法、系统、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410516407.3A CN118095805A (zh) | 2024-04-28 | 2024-04-28 | 核电仪控柜前期物料预测方法、系统、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118095805A true CN118095805A (zh) | 2024-05-28 |
Family
ID=91146237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410516407.3A Pending CN118095805A (zh) | 2024-04-28 | 2024-04-28 | 核电仪控柜前期物料预测方法、系统、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118095805A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102028845B1 (ko) * | 2018-12-05 | 2019-10-04 | 한국수력원자력 주식회사 | 원전설비의 예측 진단 방법 및 시스템 |
CN110488790A (zh) * | 2018-11-30 | 2019-11-22 | 国核自仪系统工程有限公司 | 基于增强现实的核电仪控运维系统 |
CN115952894A (zh) * | 2022-12-15 | 2023-04-11 | 国网辽宁招标有限公司 | 一种电力物资需求及采购的预测方法 |
CN116522088A (zh) * | 2023-04-27 | 2023-08-01 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
CN117013527A (zh) * | 2023-08-08 | 2023-11-07 | 河北汉尧碳科新能科技股份有限公司 | 一种分布式光伏发电功率预测方法 |
-
2024
- 2024-04-28 CN CN202410516407.3A patent/CN118095805A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488790A (zh) * | 2018-11-30 | 2019-11-22 | 国核自仪系统工程有限公司 | 基于增强现实的核电仪控运维系统 |
KR102028845B1 (ko) * | 2018-12-05 | 2019-10-04 | 한국수력원자력 주식회사 | 원전설비의 예측 진단 방법 및 시스템 |
CN115952894A (zh) * | 2022-12-15 | 2023-04-11 | 国网辽宁招标有限公司 | 一种电力物资需求及采购的预测方法 |
CN116522088A (zh) * | 2023-04-27 | 2023-08-01 | 哈尔滨工程大学 | 一种基于机器学习的核动力装置运行数据分析方法与系统 |
CN117013527A (zh) * | 2023-08-08 | 2023-11-07 | 河北汉尧碳科新能科技股份有限公司 | 一种分布式光伏发电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
CN105678398A (zh) | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 | |
Özmen et al. | The new robust conic GPLM method with an application to finance: prediction of credit default | |
EP2625628A2 (en) | Probabilistic data mining model comparison engine | |
Brentan et al. | Correlation analysis of water demand and predictive variables for short‐term forecasting models | |
CN106980906B (zh) | 一种基于spark的Ftrl电压预测方法 | |
CN114139490B (zh) | 一种自动数据预处理的方法、装置以及设备 | |
CN113454661A (zh) | 产品不良成因分析的系统和方法、计算机可读介质 | |
CN116821646A (zh) | 数据处理链构建方法、数据缩减方法、装置、设备及介质 | |
CN116450653A (zh) | 一种针对供应链数据缺失的补全方法及装置 | |
CN114021425B (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
CN112256681A (zh) | 一种空管数字化指标应用系统及方法 | |
CN111027799A (zh) | 一种国企产能分析系统 | |
CN118095805A (zh) | 核电仪控柜前期物料预测方法、系统、设备、介质及产品 | |
CN115130924A (zh) | 一种源网荷储背景下微电网电力设备资产评估方法及系统 | |
US20220374801A1 (en) | Plan evaluation apparatus and plan evaluation method | |
TWI785724B (zh) | 資訊倉庫創建方法、電子設備及儲存介質 | |
Wang et al. | Short-term probability density function forecasting of industrial loads based on ConvLSTM-MDN | |
CN113961129A (zh) | 一种基于低代码技术的企业信息化操作方法及系统 | |
CN114493035A (zh) | 一种企业违约概率预测方法及装置 | |
WO2021242207A1 (en) | Automation of material flow analysis and its simulation | |
Lei et al. | Application of distributed machine learning model in fault diagnosis of air preheater | |
Robles et al. | Methods and tools for hydrogen supply chain design | |
Simankov et al. | Designing an Intelligent Information and Analytical System for Evaluating Solutions in Renewable Energy Based on Digital Twins | |
Kushwaha et al. | Prospective Stock Analysis Model to improve the investment chances using Machine Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |