CN115859768B - 一种动态装配作业车间工件完工时间预测方法及装置 - Google Patents

Abstract

本发明提供了一种动态装配作业车间工件完工时间预测方法及装置，其方法包括：构建动态装配作业车间仿真模型，并基于所述动态装配作业车间仿真模型生成多维特征数据和工件完工时间；设计特征提取策略，从多维特征数据中提取多项影响特征；设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多项影响特征实现排序，透明化了各特征贡献值，确定了有效特征集合，降低了后续预测模型训练难度；根据所述排序后的多项影响特征，基于机器学习算法构建目标工件完工时间预测模型，进而预测动态装配作业车间的工件完工时间。本发明可显著提高装配工件完工时间的预测精度，降低提前和延迟交货带来的成本，提高客户满意度。

Description

一种动态装配作业车间工件完工时间预测方法及装置

技术领域

本发明涉及动态装配作业车间技术领域，具体涉及一种动态装配作业车间工件完工时间预测方法及装置。

背景技术

现阶段，制造企业生产的各类产品不断向个性化需求转变，工件制造工艺更加多样化、差异化，导致企业对产品生产调度过程和各类扰动的实时响应能力提出了更高要求。面临着客户需求多样化和个性化的挑战。同时，制造业已经从简单制造、大规模制造向柔性化制造、可重构制造等预测型制造发展。预测型制造的实现需要利用大数据分析技术实现，目的是确定工件生产过程中哪些因素对实际生产决策有显著影响。基于上述生产工艺背景，在客户订单到达后，准确预测完成该订单所需时间对赢得客户订单、管理生产过程、准时交货至关重要。

而现有技术中的工件完工时间预测方法通常是使用单一线性回归方法对动态装配作业车间中的工件完工时间进行预测，预测准确性较低，导致发生提前和延迟交货的问题。在预测的背景下结合复杂生产环境应该考虑哪些数据，以及可以使用哪种方法或算法。由于可选特征众多，选择并不容易，这也是本发明所关注的重点。

因此，急需提出一种动态装配作业车间工件完工时间预测方法及装置，解决现有技术中存在的无法对动态装配作业车间中的工件完工时间进行准确预测，导致发生提前和延迟交货的技术问题。

发明内容

有鉴于此，有必要提供一种动态装配作业车间工件完工时间预测方法及装置，用以解决现有技术中存在的无法对动态装配作业车间中的工件完工时间进行准确预测，导致发生提前和延迟交货的技术问题。

一方面，本发明提供了一种动态装配作业车间工件完工时间预测方法，包括：

构建动态装配作业车间仿真模型，并基于所述动态装配作业车间仿真模型生成多维特征数据和工件完工时间；

设计特征提取策略，从所述多维特征数据中提取多项影响特征；

设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多项影响特征实现排序；

根据排序后的多项影响特征，基于机器学习算法构建目标工件完工时间预测模型，进而预测动态装配作业车间的工件完工时间。

在一些可能的实现方式中，所述动态装配作业车间仿真模型包括装配型工件构造子模型、装配型工件生成子模型以及动态装配作业车间调度子模型；所述基于所述动态装配作业车间仿真模型生成多维特征数据和工件完工时间，包括：

基于所述装配型工件构造子模型确定多层零部件以及所述多层零部件的组装规则；

基于所述装配型工件生成子模型确定所述零部件的数量生成规则，并基于所述数量生成规则、所述多层零部件的组装规则确定工件生成过程；

基于所述动态装配作业车间调度子模型以及所述工件生成过程确定所述多维特征数据和工件完工时间。

在一些可能的实现方式中，所述零部件的数量生成规则包括单个零部件的工序数量分布规则和单个零部件的工序加工时间分布规则；所述工序数量分布规则服从离散均匀分布，所述工序加工时间分布规则服从负指数分布。

在一些可能的实现方式中，所述特征提取策略为基于校正决定系数的特征提取策略，所述特征重要性排序策略为基于加权夏普利值的特征重要性排序策略；

设计特征提取策略，提取对工件完工时间有显著影响的特征集合，具体为：

基于传统随机森林算法构建初始工件完工预测模型，并基于所述多维特征数据和所述初始工件完工时间预测模型确定预测完工时间；

根据基于校正决定系数的特征提取策略和所述预测完工时间从所述多维特征数据中提取多项影响特征；

设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多项影响特征实现排序，具体为：

根据基于加权夏普利值的特征重要排序策略对所述多项影响特征进行排序。

在一些可能的实现方式中，所述校正决定系数为：

式中，为校正决定系数；为决定系数；为由多维特征数据和工件完工时间组成的数据集的样本量；为影响工件完工时间的特征数据个数；为第i个特征的工件完工时间；为第i个特征的预测完工时间；为预测完工时间平均值。

在一些可能的实现方式中，所述加权夏普利值为：

式中，为特征i的加权夏普利值；为特征i的原夏普利值；为特征i的成本系数；为特征i的实际获取成本。

在一些可能的实现方式中，所述基于机器学习算法构建目标工件完工时间预测模型，包括：

将排序后的所述多项影响特征及所述工件完工时间构成的数据集划分为训练集和测试集；

采用网格搜索方法和交叉验证方法确定随机森林算法的最佳参数，并基于所述最佳参数建立工件完工时间预测模型；

基于所述训练集对所述工件完工时间预测模型进行训练，获得所述目标工件完工时间预测模型，并基于所述测试集对所述目标工件完工时间预测模型进行测试。

在一些可能的实现方式中，所述采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数，并基于所述最佳参数建立工件完工时间预测模型，包括：

确定所述随机森林算法的超参数以及所述超参数的预设值；所述超参数包括决策树个数、决策树的最大深度以及最大特征数；

使用网格搜索方法对所述超参数进行循环遍历，获得多个参数组合；

分别对所述多个参数组合中的每一个参数组合做交叉验证，并通过交叉验证选择出最优参数组合，根据所述最优参数组合建立所述工件完工时间预测模型。

在一些可能的实现方式中，所述基于所述训练集对所述工件完工时间预测模型进行训练，获得所述目标工件完工时间预测模型，包括：

基于有放回的随机抽样方法对所述训练集进行抽样，得到T个子训练集，并从所述训练集的M个特征中选择m个特征作为所述子训练集的特征；

基于所述子训练集构建改进随机森林预测模型，所述改进随机森林预测模型中包括T个决策树；

基于粒子群算法对各个决策树的权重寻优，获得所述目标工件完工时间预测模型。

另一方面，本发明还提供了一种动态装配作业车间工件完工时间预测装置，包括：

生产数据生成单元，用于构建动态装配作业车间仿真模型，并基于所述动态装配作业车间仿真模型生成多维特征数据和工件完工时间；

特征数据提取和排序确定单元，用于设计特征提取策略，从所述多维特征数据中提取多项影响特征；并设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多维特征数据实现排序；

完工时间预测单元，用于基于机器学习算法构建目标工件完工时间预测模型，进而预测动态装配作业车间的工件完工时间。

采用上述实施例的有益效果是：本发明提供的动态装配作业车间工件完工时间预测方法，通过构建动态装配作业车间仿真模型生成多维特征数据和工件完工时间，可以更真实地对工件生产状态进行模拟，更便捷的获取相关生产数据，提高对工件完工时间预测的准确性；并且基于特征提取策略、特征重要性排序策略确定排序后的多项影响特征，可对生产中各项特征数据进行特征提取和重要性排序，得到有效特征变量，完成动态装配作业车间工件完工时间与相关特征数据之间的关联机理探索，给予车间调度及交货期设置相关研究以提示，同时剔除冗余特征进而可降低后续目标完工时间预测模型的构建时间和难度，从而可进一步提高对工件完工时间预测的效率和准确性。更进一步地，本发明摒弃了车间工件完工时间预测中常用的单一线性回归方法，基于目标工件完工时间预测模型实现对动态装配作业车间中工件完工时间的有效预测。相比传统方法，本发明可以显著提高预测精度，避免提前和延迟交货，有利于提高企业生产管理水平，降低提前和延迟交货带来的成本，提高客户满意度。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明提供的动态装配作业车间工件完工时间预测方法的一个实施例流程示意图；

图2为本发明图1中S101的一个实施例流程示意图；

图3为本发明提供的装配型工件构造子模型的一个实施例结构示意图；

图4为本发明提供的动态装配作业车间调度子模型的一个实施例结构示意图；

图5为本发明图1中S102的一个实施例流程示意图；

图6为本发明图1中S104的一个实施例流程示意图；

图7为本发明图6中S602的一个实施例流程示意图；

图8为本发明图6中S603的一个实施例流程示意图；

图9为本发明提供的动态装配作业车间工件完工时间预测装置的一个实施例结构示意图。

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。

应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本发明内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器***和/或微控制器***中实现这些功能实体。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明实施例提供了一种动态装配作业车间工件完工时间预测方法及装置，以下分别进行说明。

图1为本发明提供的动态装配作业车间工件完工时间预测方法的一个实施例流程示意图，如图1所示，动态装配作业车间工件完工时间预测方法包括：

S101、构建动态装配作业车间仿真模型，并基于动态装配作业车间仿真模型生成多维特征数据和工件完工时间；

S102、设计特征提取策略，从多维特征数据中提取多项影响特征；

S103、设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多项影响特征实现排序，透明化了各特征贡献值，确定了有效特征集合，给予真实车间交货期预测指导意见，同时降低了后续预测模型训练难度；

S104、根据排序后的多项影响特征，基于机器学习算法构建目标工件完工时间预测模型，进而预测动态装配作业车间的工件完工时间。

与现有技术相比，本发明实施例提供的动态装配作业车间工件完工时间预测方法，通过构建动态装配作业车间仿真模型生成多维特征数据和工件完工时间，可以更真实地对工件生产状态进行模拟，更便捷的获取相关生产数据，提高对工件完工时间预测的准确性；并且基于特征提取策略、特征重要性排序策略确定排序后的多维特征数据，可对生产中各项特征数据进行特征提取和重要性排序，得到有效特征变量，完成动态装配作业车间工件完工时间与相关特征数据之间的关联机理探索，给予车间调度及交货期设置相关研究以提示，同时剔除冗余特征进而可降低后续目标完工时间预测模型的构建时间和难度，从而可进一步提高对工件完工时间预测的效率和准确性。更进一步地，本发明摒弃了车间工件完工时间预测中常用的单一线性回归方法，基于目标工件完工时间预测模型实现对动态装配作业车间中工件完工时间的有效预测。相比传统方法，本发明实施例可显著提高工件完工时间的预测精度，避免提前和延迟交货，有利于提高企业生产管理水平，降低提前和延迟交货带来的成本，提高客户满意度。

在本发明的一些实施例中，动态装配作业车间仿真模型包括装配型工件构造子模型、装配型工件生成子模型以及动态装配作业车间调度子模型，则如图2所示，步骤S101包括：

S201、基于装配型工件构造子模型确定多层零部件以及多层零部件的组装规则；

S202、基于装配型工件生成子模型确定零部件的数量生成规则，并基于数量生成规则、多层零部件的组装规则确定工件生成过程；

S203、基于动态装配作业车间调度子模型以及工件生成过程生成多维特征数据和工件完工时间。

其中，步骤S201中的每层零部件的零部件结构相似但不完全相同，组装规则为自下而上，即：每层零部件均由下一层的子零部件组装而成。

在本发明的具体实施例中，如图3所示，零部件为树状结构，包括三层零部件，第三层零部件包括，由第三层零部件可组成第二层零部件，由第二层零部件可组成第一层零部件。

在本发明的具体实施例中，步骤S202中的零部件的数量生成规则包括单个零部件的工序数量分布规则和单个零部件的工序加工时间分布规则，工序数量分布规则服从离散均匀分布，工序加工时间分布规则服从负指数分布。

通过设置工序数量分布规则服从离散均匀分布，工序加工时间分布规则服从负指数分布，可使获得的多维特征数据更加符合真实车间生产环境，保证生成的多维特征数据具有较高的可靠性。

为了简化在保证动态装配作业车间中的多维特征数据精度的前提下，降低获得多维特征数据的难度，在本发明的一些实施例中，步骤S203中的动态装配作业车间调度子模型是基于多重假设条件建立的，其中，多重假设条件分别为：不考虑机器故障；每台机器同一时间只加工一个工序；无延迟加工；不考虑工序搬运时间以及工件加工过程无法被打断。

在本发明的具体实施例中，如图4所示，动态装配作业车间调度子模型具体划分为6个作业区，分别为生成区、缓存区、等待区、加工区、判断区以及完成区。具体仿真调度过程为：单次实验只产生同种类型的工件，数量为N，单个产品的原材料由生成区产生，工件流中工件产生的间隔时间服从均值为I的泊松分布。原材料生成后会进入缓存区，紧接着其随机进入等待区中的队列，若队列中没有其它待加工工序，则直接进入加工区加工；若有其它工件的待加工工序，就会按照先来后到的加工工序进行加工。加工完成后的工件会进入判断区，判断区判断包含此工序的零部件是否完成加工，若未完成则会直接返回相应队列继续加工；若零部件完成加工，但其所需的其他装配加工零部件尚未完成加工，就会返回到缓存区，等待其他装配所需的零部件完成加工后，再一起进入随机机器队列前加工。当一个工件所包含的所有工序都加工完成后，则离开生成***完成生产。上述调度仿真过程满足装配车间工件生产顺序，调度仿真过程产生的实验数据具有较高的实验价值。

在本发明的一些实施例中，特征提取策略为基于校正决定系数的特征提取策略，则步骤S102具体为：

S501、基于传统随机森林算法构建初始工件完工预测模型，并基于多维特征数据和初始工件完工时间预测模型确定预测完工时间；

具体地：利用动态装配作业车间仿真模型得到的多维特征数据为自变量，工件完工时间为目标因变量，构建初始工件完工时间预测模型，输出预测完工时间；

S502、根据基于校正决定系数的特征提取策略和预测完工时间从多维特征数据中提取多项影响特征。

本发明实施例将校正决定系数作为是否选取各项特征数据的量化标准依据，从仿真生成的多维特征数据中提取出对工件完工时间这一因变量真正有影响的多项影响特征。

在本发明的一些实施例中，特征重要性排序策略为基于加权夏普利值的特征重要性排序策略；步骤S103包括：基于加权夏普利值对多项影响特征进行排序，综合考虑了现实场景中生产车间会有相关数据获取难度这一成本因素，选取获取成本低，对因变量贡献度高的特征，获得进一步训练预测模型的重要特征数据。

本发明实施例通过设置基于校正决定系数的特征提取策略对工件生产过程中涉及到的多维特征数据进行提取，挖掘并提炼对工件完工时间预测有显著影响的其他特征，提高预测模型的拟合精度；通过设置基于加权夏普利值的特征重要性排序策略对备选工件特征数据进行排序，透明化了各工件特征数据的贡献值，实现对工件完工时间有显著影响的各项特征赋予不同优先级，可以剔除冗余特征，为目标工件特征数据的进一步处理提供基础支撑。

在本发明的一些实施例中，校正决定系数为：

式中，为校正决定系数；为决定系数；为由多维特征数据和工件完工时间组成的数据集的样本量；为影响工件完工时间的特征数据个数；为第i个特征的工件完工时间；为第i个特征的预测完工时间；为预测完工时间平均值。

由上述校正决定系数公式可以看出：在决定系数计算公式中，不管在初始工件完工时间预测模型中添加多少自变量，的计算值都不会减少，也就是说：即时在初始工件完工时间预测模型中添加冗余自变量，要么保持不变，要么随着自变量的增加而增加，这显然没有意义，因为这些自变量在确定因变量时可能没有用处。针对上述问题，提出了校正决定系数，在校正决定系数公式中尽管自变量的个数增加了，也会随之减小，但由于前面系数的影响，使得计算值并不一定增大，当所增加的自变量对整个初始工件完工时间预测模型的贡献很小时，反而可能减小，所以在一个实际预测问题的建模中，越大，表明对应的模型越好。从而通过校正决定系数可以筛选出对工件完工时间具有显著影响的特征数据。

在本发明的一些实施例中，加权夏普利值为：

式中，为特征i的加权夏普利值；为特征i的原夏普利值；为特征i的成本系数；为特征i的实际获取成本；为集合M中全部特征创造的价值之和；为集合M中去除特征i之后，其他特征产生的价值之和；为特征总类别数；表示集合M中包含的特征个数；表示包含有特征i的子集集合；！为阶乘符号。

基于加权夏普利值的特征重要性排序策略透明化了各特征贡献值，筛选出对预测模型贡献度更高、且数据获取成本更低的特征，对从真实车间环境中获取数据具有显著指导意义。同时，该策略可以剔除冗余特征进而简化模型，通过对工件完工时间有显著影响的各项特征赋予不同优先级，降低了后续目标工件完工时间预测模型训练的时间和难度，提高了工件完工时间的预测效率和精度。

在本发明的具体实施例中，目标工件特征数据包括：基于特征贡献值从大到小的顺序，依次为：（1）机器前队列的工件剩余总加工时间，即车间繁忙程度、（2）工件必须交付完成的时间期限、（3）装配工件最长路径加工时间、（4）工件净加工时间、（5）工件的工序数、（6）装配工件最长路径加工工序数、（7）装配工件最底端分支数。其中，前两种目标工件特征数据为与车间实时工件生产状态相关特征，后五种目标工件特征数据为装配作业车间工件的根本属性。即：本发明实施例考虑了工件信息、车间状态两个维度的特征数据，提高了生成的目标特征数据的可靠性。

在本发明的一些实施例中，如图6所示，步骤S104包括：

S601、将排序后的多项影响特征及工件完工时间构成的数据集划分为训练集和测试集；

S602、采用网格搜索方法和交叉验证方法确定随机森林算法的最佳参数，并基于最佳参数建立预备工件完工时间预测模型；

S603、基于训练集对预备工件完工时间预测模型进行训练，获得目标工件完工时间预测模型，并基于测试集对目标工件完工时间预测模型进行测试。

本发明实施例通过采用网格搜索方法和交叉验证方法确定随机森林算法的最佳参数，可提高训练出的目标工件完工时间预测模型的鲁棒性。

其中，步骤S601具体为：将目标工件特征数据基于不重复抽样规则随机等分为K份，每次随机挑选1份作为测试集，剩余K-1份作为训练集，将上述过程重复K次。

其中，步骤S603中基于测试集对目标工件完工时间预测模型进行测试的测试指标包括但不限于均方误差（Mean Square Error， MSE）、平均绝对误差（Mean AbsoluteError，MAE）、均方根误差（Root Mean Squared Error， RMSE）。

在本发明的一些实施例中，如图7所示，步骤S602包括：

S701、确定随机森林算法的超参数以及超参数的预设值；超参数包括决策树个数、决策树的最大深度以及最大特征数；

S702、使用网格搜索方法对超参数进行循环遍历，获得多个参数组合；

S703、分别对多个参数组合中的每一个参数组合做交叉验证，并通过交叉验证选择出最优参数组合，根据最优参数组合建立预备工件完工时间预测模型。

在本发明的一些实施例中，如图8所示，步骤S603包括：

S801、基于有放回的随机抽样方法对训练集进行抽样，得到T个子训练集，并从训练集的M个特征中选择m个特征作为子训练集的特征；

S802、基于子训练集构建改进随机森林预测模型，随机森林预测模型中包括T个决策树；

S803、因传统随机森林在做预测时，均等统一对待每一棵树，使得部分优秀性能决策树难以显现，将粒子群算法融入传统随机森林算法中，构建出PSO-RF预测模型，即利用粒子群算法对各个决策树的权重寻优，以此提高模型的精度，最终获得目标工件完工时间预测模型。

在本发明的一些实施例中，步骤S803具体为：第一步、对各个决策树的权值进行归一化处理；第二步、计算PSO算法中相应粒子迭代时的适应度值，该适应度值选取预测模型性能度量指标：均方根误差（Root Mean Squared Error，RMSE）；第三步、实时更新PSO算法中相应粒子的位置及速度指标；第四步、重复第二步~第三步，使PSO算法最终收敛；第五步、输出调整后各个决策树对应的权重值。

需要说明的是：每次决策树进行***时，从m个特征中选择最优的单个特征，组成决策树的根节点和子节点。其中，从m个特征中选择最优的单个特征的过程主要基于特征重要性实现，将当前特征重要性最高的特征挑选出来作为根节点或子节点。其中，特征重要性计算包括以下计算步骤：假设有J个特征，I棵决策树，C个类别，并使用基尼指数（ Gini,  GI）作为评价指标来衡量特征重要性，进而计算出每个特征的基尼指数评分值，即为第j个特征值在随机森林所有决策树中节点***不纯度的平均改变量，值计算过程如下：

式中，表示节点q中类别c所占的比例；表示第i棵树节点q的Gini指数计算值；和分别表示分枝后两个新节点的Gini指数；表示特征在第i棵树节点q的重要性，即节点q分枝前后的Gini指数变化量；Q表示特征在决策树i中出现的节点集合；表示特征在决策树i的重要性；表示特征在全部I棵决策树中的重要性总和。基于上述计算过程，最终对特征的重要性评分做归一化处理，计算公式为：

通过上述计算过程，即可确定出特征重要性。

为了验证本发明实施例提出的基于粒子群算法的随机森林（PSO-RF）算法的优越性，本发明实施例还将本发明实施例提出的PSO-RF算法与传统的随机森林算法、人工神经网络、支持向量机、传统决策树等四种算法进行了对比实验，并通过均方误差、平均绝对误差、均方根误这三个评估指标对实验结果进行评估，实验结果表明：本发明实施例提出的目标工件完工时间预测模型对数据噪声和训练集的局限性有更好的抗干扰能力，能够克服最大程度上的样本局部数据异常，算法泛化能力更优，且对动态装配车间工件完工时间拟合效果最好，可以获得最优的数据回归精度。

为了更好实施本发明实施例中的动态装配作业车间工件完工时间预测方法，在动态装配作业车间工件完工时间预测方法基础之上，对应的，本发明实施例还提供了一种动态装配作业车间工件完工时间预测装置，如图9所示，动态装配作业车间工件完工时间预测装置900包括：

生产数据生成单元901，用于构建动态装配作业车间仿真模型，并基于所述动态装配作业车间仿真模型生成多维特征数据和工件完工时间；

特征数据提取和排序确定单元902，用于设计特征提取策略，从多维特征数据中提取多项影响特征；并设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多维特征数据实现排序；

目标完工时间预测单元903，用于基于机器学习算法构建目标工件完工时间预测模型，进而预测动态装配作业车间的工件完工时间。

上述实施例提供的动态装配作业车间工件完工时间预测装置900可实现上述动态装配作业车间工件完工时间预测方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述动态装配作业车间工件完工时间预测方法实施例中的相应内容，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件（如处理器，控制器等）来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上对本发明所提供的动态装配作业车间工件完工时间预测方法及装置进行了详细介绍，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；同时，对于本领域的技术人员，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 (7)

1.一种动态装配作业车间工件完工时间预测方法，其特征在于，包括：

构建动态装配作业车间仿真模型，并基于所述动态装配作业车间仿真模型生成多维特征数据和工件完工时间；

设计特征提取策略，从所述多维特征数据中提取多项影响特征；

设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多项影响特征实现排序；

根据排序后的多项影响特征，基于机器学习算法构建目标工件完工时间预测模型，进而预测动态装配作业车间的工件完工时间；

所述动态装配作业车间仿真模型包括装配型工件构造子模型、装配型工件生成子模型以及动态装配作业车间调度子模型；所述基于所述动态装配作业车间仿真模型生成多维特征数据和工件完工时间，包括：

基于所述装配型工件构造子模型确定多层零部件以及所述多层零部件的组装规则；

基于所述装配型工件生成子模型确定所述零部件的数量生成规则，并基于所述数量生成规则、所述多层零部件的组装规则确定工件生成过程；

基于所述动态装配作业车间调度子模型以及所述工件生成过程确定所述多维特征数据和工件完工时间；

所述特征提取策略为基于校正决定系数的特征提取策略，所述特征重要性排序策略为基于加权夏普利值的特征重要性排序策略；

设计特征提取策略，提取对工件完工时间有显著影响的特征集合，具体为：

基于传统随机森林算法构建初始工件完工预测模型，并基于所述多维特征数据和所述初始工件完工时间预测模型确定预测完工时间；

根据基于校正决定系数的特征提取策略和所述预测完工时间从所述多维特征数据中提取多项影响特征；

设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多项影响特征实现排序，具体为：

根据基于加权夏普利值的特征重要排序策略对所述多项影响特征进行排序；

所述基于机器学习算法构建目标工件完工时间预测模型，包括：

将排序后的所述多项影响特征及所述工件完工时间构成的数据集划分为训练集和测试集；

采用网格搜索方法和交叉验证方法确定随机森林算法的最佳参数，并基于所述最佳参数建立工件完工时间预测模型；

基于所述训练集对所述工件完工时间预测模型进行训练，获得所述目标工件完工时间预测模型，并基于所述测试集对所述目标工件完工时间预测模型进行测试。

2.根据权利要求1所述的动态装配作业车间工件完工时间预测方法，其特征在于，所述零部件的数量生成规则包括单个零部件的工序数量分布规则和单个零部件的工序加工时间分布规则；所述工序数量分布规则服从离散均匀分布，所述工序加工时间分布规则服从负指数分布。

3.根据权利要求1所述的动态装配作业车间工件完工时间预测方法，其特征在于，所述校正决定系数为：

式中， 为校正决定系数；为决定系数；为由多维特征数据和工件完工时间组成的数据集的样本量；为影响工件完工时间的特征数据个数；为第i个特征的工件完工时间；为第i个特征的预测完工时间；为预测完工时间平均值。

4.根据权利要求3所述的动态装配作业车间工件完工时间预测方法，其特征在于，所述加权夏普利值为：

式中，为特征i的加权夏普利值；为特征i的原夏普利值；为特征i的成本系数；为特征i的实际获取成本。

5.根据权利要求1所述的动态装配作业车间工件完工时间预测方法，其特征在于，所述采用网格搜索和交叉验证相结合的方法确定随机森林算法的最佳参数，并基于所述最佳参数建立工件完工时间预测模型，包括：

确定所述随机森林算法的超参数以及所述超参数的预设值；所述超参数包括决策树个数、决策树的最大深度以及最大特征数；

使用网格搜索方法对所述超参数进行循环遍历，获得多个参数组合；

分别对所述多个参数组合中的每一个参数组合做交叉验证，并通过交叉验证选择出最优参数组合，根据所述最优参数组合建立所述工件完工时间预测模型。

6.根据权利要求1所述的动态装配作业车间工件完工时间预测方法，其特征在于，所述基于所述训练集对所述工件完工时间预测模型进行训练，获得所述目标工件完工时间预测模型，包括：

基于有放回的随机抽样方法对所述训练集进行抽样，得到T个子训练集，并从所述训练集的M个特征中选择m个特征作为所述子训练集的特征；

基于所述子训练集构建改进随机森林预测模型，所述改进随机森林预测模型中包括T个决策树；

利用粒子群算法对各个决策树的权重寻优，获得所述目标工件完工时间预测模型。

7.一种动态装配作业车间工件完工时间预测装置，其特征在于，包括：

生产数据生成单元，用于构建动态装配作业车间仿真模型，并基于所述动态装配作业车间仿真模型生成多维特征数据和工件完工时间；

特征数据提取和排序确定单元，用于设计特征提取策略，从所述多维特征数据中提取多项影响特征；并设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多维特征数据实现排序；

完工时间预测单元，用于基于机器学习算法构建目标工件完工时间预测模型，进而预测动态装配作业车间的工件完工时间；

所述动态装配作业车间仿真模型包括装配型工件构造子模型、装配型工件生成子模型以及动态装配作业车间调度子模型；所述基于所述动态装配作业车间仿真模型生成多维特征数据和工件完工时间，包括：

基于所述装配型工件构造子模型确定多层零部件以及所述多层零部件的组装规则；

基于所述装配型工件生成子模型确定所述零部件的数量生成规则，并基于所述数量生成规则、所述多层零部件的组装规则确定工件生成过程；

基于所述动态装配作业车间调度子模型以及所述工件生成过程确定所述多维特征数据和工件完工时间；

所述特征提取策略为基于校正决定系数的特征提取策略，所述特征重要性排序策略为基于加权夏普利值的特征重要性排序策略；

设计特征提取策略，提取对工件完工时间有显著影响的特征集合，具体为：

基于传统随机森林算法构建初始工件完工预测模型，并基于所述多维特征数据和所述初始工件完工时间预测模型确定预测完工时间；

根据基于校正决定系数的特征提取策略和所述预测完工时间从所述多维特征数据中提取多项影响特征；

设计一种特征重要性排序策略，对提取出的各项影响特征进行重要性计算，进而对多项影响特征实现排序，具体为：

根据基于加权夏普利值的特征重要排序策略对所述多项影响特征进行排序；

所述基于机器学习算法构建目标工件完工时间预测模型，包括：

将排序后的所述多项影响特征及所述工件完工时间构成的数据集划分为训练集和测试集；

采用网格搜索方法和交叉验证方法确定随机森林算法的最佳参数，并基于所述最佳参数建立工件完工时间预测模型；

基于所述训练集对所述工件完工时间预测模型进行训练，获得所述目标工件完工时间预测模型，并基于所述测试集对所述目标工件完工时间预测模型进行测试。

Images