【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。