一种基于机器学习的飞机成本预测方法技术

本发明专利技术涉及飞机成本评估技术领域，公开了一种基于机器学习的飞机成本预测方法，包括：获取装配大纲数据集；获取装配大纲对应的工序信息；获取装配大纲对应的零件信息，并结合零件对应的不同装配信息形成零件数据集；基于不同的机器学习模型使用工时数据和零件数据完成回归训练，获取不同的回归模型；将装配大纲划分为训练集和测试集；针对装配大纲训练集的工时数据，获取工时数据在不同回归模型下的预测值和平均值；针对装配大纲训练集的零件数据，获取零件数据在不同回归模型下的预测值，进而获取零件预测值的平均值；结合装配大纲训练集的实际装配成本，完成工时数据和零件数据的参数融合，获取融合参数；基于装配大纲测试集，评估预测效果。评估预测效果。评估预测效果。

【技术实现步骤摘要】
一种基于机器学习的飞机成本预测方法


[0001]本专利技术涉及飞机成本评估
，具体地说，是一种基于机器学习的飞机成本预测方法，用于通过机器学习构建装配工时和装配物料两种不同的模型，进而实现飞机装配成本的预测。

技术介绍

[0002]飞机成本是影响产品市场竞争力的四大要素之一。飞机产品制造过程中，机体部件通过零组件装配的形式完成制造，除零件制造的成本、工装设备工具成本外，装配工时也在制造成本中占据较大比例。在我国飞机制造业中，飞机部件装配以手工作业为主，在不同装配阶段存在局部差异性，刨去零件制造及工装设备工具等固定成本，其装配成本的评价多采用工时结算的形式进行，极度依赖工艺技术人员及财务人员的经验，而装配工时大多是在产品制造出来后反向统计得到，无法在产品研制初期预先策划评估，对项目总体策划、生产计划制定、生产效率提升等方面造成极大的制约，存在着效率低、制定速度慢、误差大等问题。
[0003]因此，为了解决上述问题，亟需一种方法，能够通过机器学习构建装配工时和装配物料两种不同的模型，进而实现飞机装配成本的预测。

技术实现思路

[0004]本专利技术的目的在于提供一种基于机器学习的飞机成本预测方法，通过机器学习构建装配工时和装配物料两种不同的模型，进而实现飞机装配成本的预测。
[0005]本专利技术通过下述技术方案实现：一种基于机器学习的飞机成本预测方法，包括以下步骤：步骤S1.获取装配大纲数据集；
[0006]步骤S2.获取装配大纲对应的工序信息，并结合工序对应的装配工时形成工时数据集；
[0007]步骤S3.获取装配大纲对应的零件信息，并结合零件对应的不同装配信息形成零件数据集；
[0008]步骤S4.分别对工时数据集和零件数据集进行预处理，并基于不同的机器学习模型使用工时数据和零件数据
[0009]完成回归训练，获取不同的回归模型；
[0010]步骤S5.将装配大纲划分为训练集和测试集；
[0011]步骤S6.针对装配大纲训练集的工时数据，获取工时数据在不同回归模型下对应的预测值，进而获取工时预测值的平均值；
[0012]步骤S7.针对装配大纲训练集的零件数据，获取零件数据在不同回归模型下对应的预测值，进而获取零件预测值的平均值；
[0013]步骤S8.结合装配大纲训练集的实际装配成本，完成工时数据和零件数据的参数融合，获取融合参数；
[0014]步骤S9.基于装配大纲测试集，评估预测效果。
[0015]在本技术方案中，飞机部件装配的成本评估，可通过两种方式加权评估得到。其一，从装配流程维度评估装配成本：基于飞机部件装配流程，拆分装配大纲到每个工时，通过工时累加及每工时费用的核算，得到基于装配流程的装配成本。其二，通过零件装配方式分析装配成本：零组件到部段件的装配，其装配成本主要由零组件的连接件数量及装配连接形式构成，通过现有基本数据可制定零组件的装配成本评估模型，评估其装配成本，装配成本的预测过程可表示为一个数据回归过程，本专利技术提供了一种基于机器学习的飞机成本预测方法，基于大量装配大纲对应的历史数据，通过机器学习构建装配工时和装配物料两种不同的模型，进而实现飞机装配成本预测。
[0016]为了更好地实现本专利技术，进一步地，步骤S1包括：
[0017]获取装配大纲数据集，并将装配大纲数据集表示为A0＝(A0(1),A0(2),...A0(i)...A0(n))，其中，n表示为装配大纲的数量，A0(i)为装配大纲中第i个A0；
[0018]装配大纲中第i个A0表示为A0(i)＝(GX(i),LJ(i)),其中，GX(i)为第i个装配大纲对应的工序集，LJ(i)表示第i个装配大纲对应的零件集；
[0019]第i个装配大纲对应的工序集表示为GX(i)＝，其中，n表示工序的数量，表示第i个装配大纲中第i个工序；
[0020]第i个装配大纲对应的零件集表示为LJ(i)＝，其中，n表示零件的数量，表示第i个装配大纲中第i个零件。
[0021]为了更好地实现本专利技术，进一步地，获取装配大纲对应的所有工序信息及每个工序对应的装配工时，即与一一对应；
[0022]装配工时的集合表示为，将进行汇总形成装配大纲工时数据集。
[0023]为了更好地实现本专利技术，进一步地，步骤S3包括：
[0024]获取装配大纲对应的所有零件信息及零件信息所对应的装配成本CB(i)
i
，即CB(i)
i
与LJ(i)
i
一一对应；
[0025]装配成本的集合表示为CB(i)，将CB(i)进行汇总形成装配大纲零件数据集。
[0026]为了更好地实现本专利技术，进一步地，步骤S4包括：
[0027]基于机器学习模型使用工时数据和零件数据完成回归训练，获取不同的回归模型；
[0028]对工时数据集和零件数据集进行预处理，将文本类型数据或字符串类型数据转化为数字类型数据；
[0029]针对工时数据集，将工序对应的工时作为输出值Yt，将其它数据信息作为输入Xt；
[0030]构建线性回归模型和CART回归树模型两种模型，并完成模型训练，分别得到Model1和Model2；
[0031]针对零件数据集，将零件对应的装配成本作为输出值Yc，将其它数据信息作为输入Xc；
[0032]构建线性回归模型和CART回归树模型两种模型，并完成模型训练，分别得到Model3和Model4。
[0033]为了更好地实现本专利技术，进一步地，步骤S5包括：
[0034]将装配大纲数据集中80％的数据划分为训练集Train，将另20％的数据作为测试
集Test；
[0035]训练集中第i个AO为Train(AO(i))，表示为Train(AO(i))＝(GX(i),GS(i),LJ(i)，CB(i))，即AO的装配成本等于该AO的所有工时乘以每工时费用，等于所有零件装配成本的加和。
[0036]为了更好地实现本专利技术，进一步地，步骤S6包括：
[0037]基于步骤S4中的机器学习模型，获取步骤S5中训练集对应的工序在不同回归模型下对应的工时预测值，进而获取工时预测值的平均值；
[0038]每个工序对应的工时预测值_Model＝(_Model1+_Model2)/2，其中，为该AO对应的第i个工序。
[0039]为了更好地实现本专利技术，进一步地，步骤S7包括：
[0040]LJ(i)表示第i个装配大纲对应的零件集；
[0041]基于不同的模型获取零件装配成本预测值的平均值，表示为_Model＝(_Model3+_Model4)/2。
[0042]为了更好地实现本专利技术，进一步地，步骤S8包括：
[0043]对于训练集的每本装配大纲数据集AO，汇总累加所述AO中所有工序对应的工时预测值得到GS_total，同时汇总所有零件对应的装配成本预测值得到CB_total本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的飞机成本预测方法，其特征在于，包括以下步骤：步骤S1.获取装配大纲数据集；步骤S2.获取装配大纲对应的工序信息，并结合工序对应的装配工时形成工时数据集；步骤S3.获取装配大纲对应的零件信息，并结合零件对应的不同装配信息形成零件数据集；步骤S4.分别对工时数据集和零件数据集进行预处理，并基于不同的机器学习模型使用工时数据和零件数据完成回归训练，获取不同的回归模型；步骤S5.将装配大纲划分为训练集和测试集；步骤S6.针对装配大纲训练集的工时数据，获取工时数据在不同回归模型下对应的预测值，进而获取工时预测值的平均值；步骤S7.针对装配大纲训练集的零件数据，获取零件数据在不同回归模型下对应的预测值，进而获取零件预测值的平均值；步骤S8.结合装配大纲训练集的实际装配成本，完成工时数据和零件数据的参数融合，获取融合参数；步骤S9.基于装配大纲测试集，评估预测效果。2.根据权利要求1所述的一种基于机器学习的飞机成本预测方法，其特征在于，所述步骤S1包括：获取装配大纲数据集，并将装配大纲数据集表示为A0＝(A0(1),A0(2),...A0(i)...A0(n))，其中，n表示为装配大纲的数量，A0(i)为装配大纲中第i个A0；装配大纲中第i个A0表示为A0(i)＝(GX(i),LJ(i)),其中，GX(i)为第i个装配大纲对应的工序集，LJ(i)表示第i个装配大纲对应的零件集；第i个装配大纲对应的工序集表示为GX(i)＝GX(i)1,GX(i)2...GX(i)
i
...GX(i)
n
，其中，n表示工序的数量，GX(i)
i
表示第i个装配大纲中第i个工序；第i个装配大纲对应的零件集表示为LJ(i)＝LJ(i)1,LJ(i)2...LJ(i)
i
...LJ(i)
n
，其中，n表示零件的数量，LJ(i)
i
表示第i个装配大纲中第i个零件。3.根据权利要求1所述的一种基于机器学习的飞机成本预测方法，其特征在于，所述步骤S2包括：获取装配大纲对应的所有工序信息及每个工序对应的装配工时GS(i)
i
，即GS(i)
i
与GX(i)
i
一一对应；装配工时的集合表示为GS(i)，将GS(i)进行汇总形成装配大纲工时数据集。4.根据权利要求1所述的一种基于机器学习的飞机成本预测方法，其特征在于，所述步骤S3包括：获取装配大纲对应的所有零件信息及零件信息所对应的装配成本CB(i)
i
，即CB(i)
i
与LJ(i)
i
一一对应；装配成本的集合表示为CB(i)，将CB(i)进行汇总形成装配大纲零件数据集。5.根据权利要求1所述的一种基于机器学习的飞机成本预测方法，其特征在于，所述步骤S4包括：基于机器学习模型使用工时数据和零件数据完成回归训练，获取不同的回归模型；
对工时数据集和零件数据集进行预处理...

【专利技术属性】
技术研发人员：邱世广，郭喜锋，连志敏，汪迢迪，朱承文，
申请(专利权)人：成都飞机工业集团有限责任公司，
类型：发明
国别省市：