大數(shù)據(jù)環(huán)境下的船舶中間產(chǎn)品裝配工時預測模型

蘇 翔, 徐瑞林, 楊玉雪, 史恭波

(1.江蘇科技大學 經(jīng)濟管理學院，江蘇 鎮(zhèn)江 212100；2.鎮(zhèn)江市金舟軟件有限責任公司，江蘇 鎮(zhèn)江 212003)

0 引 言

工時定額是企業(yè)合理制定生產(chǎn)計劃、核算制造成本和評估產(chǎn)能的重要依據(jù)。隨著船舶行業(yè)向精細化制造轉(zhuǎn)型，工時定額的科學制定和精細化分配直接影響船舶企業(yè)對生產(chǎn)進度的管控程度，而準確的工時預測結(jié)果可指導船舶企業(yè)充分利用現(xiàn)有資源提升生產(chǎn)效率[1]。在現(xiàn)代造船模式中，船舶建造以中間產(chǎn)品為導向，采用成組技術(shù)原理，按照分段劃分為小、中、大組立等3個階段，按照部件裝配、分段裝配和船臺裝配的流程完成船體裝配，其中，小組立部件作為船舶制造過程中的最小組合單元，其作業(yè)時長的測定影響后續(xù)船舶建造生產(chǎn)計劃的調(diào)整與制定[2]。目前，船舶企業(yè)定額工時的制定主要依靠制定人員的經(jīng)驗完成，問題在于：①制定人員查找相關(guān)參考文件需要耗費大量時間，工作量大；②參考文件更新不及時，定額工時與實動工時數(shù)據(jù)存在較大出入。船舶企業(yè)在向信息化和智能化轉(zhuǎn)型的進程中，應充分利用底層傳感設(shè)備和物聯(lián)網(wǎng)技術(shù)等信息化手段帶來的海量工業(yè)數(shù)據(jù)，通過智能算法挖掘隱含的工時測算規(guī)律，獲得更為準確的定額工時數(shù)據(jù)，指導船舶企業(yè)合理安排生產(chǎn)計劃，提升成本核算的精細化水平。

現(xiàn)有文獻對工時定額預測的研究可分為兩種思路：①根據(jù)加工工藝或零件結(jié)構(gòu)的相似性，基于模塊化和成組技術(shù)的思想，通過事例推理方法完成工時預測[3-5]；②從影響工時測算的因素入手分析，結(jié)合機器學習算法建立模型實現(xiàn)工時的智能預測。在預測算法的選擇上，現(xiàn)階段研究更多采用反向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)算法建立預測模型。習立洋等[6]基于粒子群優(yōu)化(Particle Swarm Optimization，PSO)-BPNN技術(shù)建立船體分段中間產(chǎn)品工藝參數(shù)與分段任務(wù)包工時定額測算的數(shù)學模型。LI等[7]分三步實現(xiàn)船舶分段制造工時的預測，依次為分段特征聚類、評估計劃安排和遺傳算法(Genetic Algorithm，GA)-BPNN模型預測。楊穎等[8]運用灰色關(guān)聯(lián)度分析影響船舶分段焊接工時的相關(guān)因素，并構(gòu)建多元非線性回歸模型實現(xiàn)焊接定額工時的預測。趙文浩等[9]、劉子文等[10]分別通過知識挖掘和文本挖掘技術(shù)提取裝配工藝特征，并結(jié)合神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)復雜產(chǎn)品的定額工時預測。瞿世鵬等[11]采用工作研究的方法對船舶各分段裝配工時進行計算，充分考慮各分段裝配特征，工時測算具有較高的精準度，但計算流程設(shè)置比較復雜，不易于實現(xiàn)。針對工時預測產(chǎn)生的誤差，王慧聰?shù)萚12]運用層次分析法從人員、設(shè)備、環(huán)境和工時計算模型角度出發(fā)，提出通過計算誤差修正因數(shù)改良工時計算方法。邵家偉等[13]提出利用熵權(quán)法計算環(huán)境因數(shù)，通過修正的工時數(shù)據(jù)進行裝配特征擬合。

針對現(xiàn)有文獻對工時預測的分析，在如下3個方面值得進一步研究：

(1)影響因素的選取。學者大多僅關(guān)注產(chǎn)品的工藝特征，通過建立裝配工藝特征與工時預測的關(guān)聯(lián)模型，實現(xiàn)裝配工時的預測，但忽略在實際作業(yè)時外界不確定性因素的影響[14]，造成定額工時預測結(jié)果不夠精確。

(2)預測算法的選擇。在信息化技術(shù)的快速發(fā)展下，企業(yè)可采集和利用的數(shù)據(jù)大幅增長，在進行工時預測時面臨多類特征信息，單一預測模型的預測精度會下降，應考慮多算法組合的集成預測模型提升預測精度。

(3)工時預測誤差的修正。針對環(huán)境和人員等外界因素產(chǎn)生的預測誤差，現(xiàn)有文獻多通過專家評價打分確定修正因數(shù)，具有一定的主觀性，不能客觀反映外界因素對工時預測的影響。

為解決上述問題，使定額工時制定更加科學合理，綜合考慮設(shè)計因素與外界因素對工時測算的影響，提出大數(shù)據(jù)環(huán)境下考慮誤差修正的船舶中間產(chǎn)品裝配工時預測模型。該模型具體可分為兩個階段：第一階段，根據(jù)船舶中間產(chǎn)品的設(shè)計數(shù)據(jù)，從設(shè)計文件中抽取組零件特性、焊接工藝和裝配長度等參數(shù)，建立BPNN模型，對船舶中間產(chǎn)品裝配工時進行初步預測；第二階段，結(jié)合實際作業(yè)過程的外界不確定性因素，將溫度和作業(yè)人員工齡等作為輸入因素，將誤差修正序列作為輸出因素，采用極端梯度提升(Extreme Gradient Boosting，XGBoost)算法預測外界因素造成的預測誤差，將第一階段與第二階段的預測結(jié)果相加實現(xiàn)工時修正，得到最終工時定額預測值，實現(xiàn)工時的精準化測算。將該模型用于某船舶小組立裝配過程的工時預測，證明該模型的有效性。

1 算法模型建立

1.1 影響因素和模型構(gòu)建

在船舶中間產(chǎn)品裝配過程中，作業(yè)工時受多種因素的共同影響：一方面，因船舶本身的結(jié)構(gòu)特征，工時長短與組裝構(gòu)件的工藝特征密切相關(guān)，例如構(gòu)件的零件特性、裝配長度、焊接長度和焊接姿態(tài)等作業(yè)信息；另一方面，中間產(chǎn)品裝配過程需要進行大量的焊接作業(yè)，作業(yè)時長受環(huán)境和作業(yè)人員熟練度等外界因素的影響，例如作業(yè)人員年齡與學歷、作業(yè)場地天氣與溫度等。設(shè)計因素和外界因素對船舶中間產(chǎn)品裝配工時的影響[15]如表1所示，其中，F(xiàn)CAW(Flux-Cored Arc Welding)為藥芯焊絲電弧焊。

表1 船舶中間產(chǎn)品裝配工時影響因素分析

為提高工時預測的精度，更科學地指導生產(chǎn)計劃，基于大數(shù)據(jù)環(huán)境提出考慮誤差修正的兩階段船舶中間產(chǎn)品裝配工時預測模型。第一階段，提取在船舶中間產(chǎn)品裝配過程中影響工時的設(shè)計參數(shù)，根據(jù)設(shè)計參數(shù)實現(xiàn)對船舶中間產(chǎn)品裝配作業(yè)工時的初步預測。由于該階段特征數(shù)據(jù)相對較少，因此選取在工時測算領(lǐng)域應用成熟的BPNN算法實現(xiàn)，初步預測結(jié)果可用于船舶企業(yè)制定船舶建造的大日程計劃和中日程計劃。第二階段，為得到更為準確的工時信息以支撐小日程計劃的制定，考慮工時預測受實際作業(yè)過程中的外界因素影響，應加入溫度和作業(yè)人員工齡等外界因素，選取在多特征信息下預測精度更高的XGBoost算法建立誤差修正模型，對第一階段的工時預測結(jié)果進行誤差修正。兩階段船舶中間產(chǎn)品裝配作業(yè)工時預測模型如圖1所示。

圖1 兩階段船舶中間產(chǎn)品裝配作業(yè)工時預測模型

1.2 基于BPNN的工時初步預測

BPNN是一種啟發(fā)式算法，通過誤差的反向傳播訓練預測模型，具有非線性映射能力強和柔性好的特點，在工時預測方面表現(xiàn)較好的性能，許多學者在工時預測研究中均傾向選取BPNN[16]。

在進行神經(jīng)網(wǎng)絡(luò)訓練前應對原始數(shù)據(jù)進行預處理，對于零件類型、焊接類型和焊接姿態(tài)類等離散型數(shù)據(jù)，需要進行編碼處理，同時對原始數(shù)據(jù)按式(1)進行無量綱化處理，以提高模型的收斂速度。確定網(wǎng)絡(luò)層數(shù)和隱層神經(jīng)元數(shù)，神經(jīng)元數(shù)可根據(jù)式(2)進行預估，并在預估區(qū)間內(nèi)依次代入隱層神經(jīng)元數(shù)進行模型訓練，以綜合誤差最小為目標確定最佳的隱層神經(jīng)元節(jié)點數(shù)。選定合適的激活函數(shù)，建立內(nèi)部神經(jīng)元之間的鏈接，完成神經(jīng)網(wǎng)絡(luò)模型訓練，實現(xiàn)船舶中間產(chǎn)品裝配作業(yè)工時的初步預測。

(1)

(2)

式中：s為隱層神經(jīng)元數(shù)；p為輸入層神經(jīng)元數(shù)；q為輸出層神經(jīng)元數(shù)；a為1～10的調(diào)節(jié)常數(shù)。

1.3 基于BPNN的工時初步預測

XGBoost算法遵循梯度提升決策樹的原理，具有運行速度快和預測精度高等優(yōu)點，并對特征數(shù)據(jù)類型和樣本量包容性強，近些年在多個領(lǐng)域的研究中表現(xiàn)較好的性能[17]。對于工時修正誤差序列的預測而言，在預測過程中涉及數(shù)據(jù)特征種類較多、整體樣本量較少，XGBoost算法比其他機器學習算法更適用于該類問題的預測。

XGBoost算法的核心步驟可分為如下4個步驟：①構(gòu)建目標函數(shù)[見式(3)]，包括損失函數(shù)和正則化項函數(shù)[見式(4)]兩部分，通過加入正則化項函數(shù)控制模型復雜度，防止模型訓練過擬合；②通過泰勒級數(shù)的方法展開目標函數(shù)，并提取分離目標函數(shù)中的常量，簡化計算；③對樹的結(jié)構(gòu)進行參數(shù)化，并代入目標方程；④采用貪心算法或近似算法查找結(jié)構(gòu)最優(yōu)的一棵樹。

(3)

(4)

式中：T為葉子節(jié)點數(shù)；γ為懲罰函數(shù)系數(shù)，用于控制葉子節(jié)點數(shù)；ωj為葉子節(jié)點權(quán)重；λ為正則化項懲罰系數(shù)，用于防止葉子節(jié)點權(quán)重過高。

在完成模型訓練后，輸入工藝特征、環(huán)境和人員等各種因素信息，即可輸出對應作業(yè)的工時誤差修正序列，通過式(5)實現(xiàn)工時測算修正，得到最終工時預測值。

T3=T1+T2

(5)

式中：T3為修正誤差的最終預測工時；T1為設(shè)計階段的預測工時，即第一階段BPNN預測結(jié)果；T2為考慮環(huán)境和人員等不確定因素造成的工時預測誤差序列，即第二階段XGBoost模型預測結(jié)果。

2 實例驗證

2.1 數(shù)據(jù)簡介

以某船舶制造企業(yè)海洋工程裝備的小組立裝配過程為例，結(jié)合小組立裝配工藝要求和工時測算過程，從該企業(yè)的設(shè)計軟件中抽取小組立裝配過程的相關(guān)工藝參數(shù)，即零件類型、零件厚度、裝配長度、焊接類型、焊接方法、焊接姿態(tài)和焊接長度信息；為獲取小組立裝配過程中的人員和環(huán)境因素數(shù)據(jù)，需要將該企業(yè)人力資源部的作業(yè)人員信息與一線生產(chǎn)管理部門的對應人員建立聯(lián)系，在生產(chǎn)管理部門的數(shù)據(jù)庫中根據(jù)作業(yè)人員的工號或姓名補全對應人員在人力資源部的年齡和學歷信息，并根據(jù)施工日期補全天氣和溫度信息，共獲取530組數(shù)據(jù)。

為消除不同類型因素之間存在的量綱影響，需要對零件類型、焊接類型、焊接方法和焊接姿態(tài)等離散型數(shù)據(jù)進行編碼處理，并按式(1)將數(shù)據(jù)進行歸一化處理。根據(jù)實動工時將原始數(shù)據(jù)按7∶3劃分為訓練集和測試集。實動工時數(shù)據(jù)特征如表2所示。

表2 實動工時數(shù)據(jù)集劃分和特征

2.2 第一階段工時初步預測

在進行BPNN訓練時，應確定網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)，選取零件類型、零件厚度、裝配長度、焊接類型、焊接方法、焊接姿態(tài)和焊接長度等11種小組立特征信息作為模型的輸入層，裝配作業(yè)的實動工時為模型的輸出層。隱層神經(jīng)元數(shù)參照式(2)為[3，13]，在該區(qū)間內(nèi)依次進行模型訓練，以訓練集的均方誤差最小為目標確定隱層節(jié)點數(shù)，訓練得到最優(yōu)的隱層節(jié)點數(shù)為10。BPNN結(jié)構(gòu)如圖2所示。設(shè)定模型的激活函數(shù)為tansig和purelin，訓練算法為trainlm；設(shè)置模型的最大訓練次數(shù)為1 000，學習速率為0.01，訓練目標最小誤差為10-5，以保證神經(jīng)網(wǎng)絡(luò)模型的泛化性和誤差精度。

圖2 BPNN結(jié)構(gòu)

在完成BPNN訓練后，得到組立裝配作業(yè)工時的初步預測模型，將裝配的相關(guān)物料數(shù)量數(shù)據(jù)輸入訓練模型，并將預測結(jié)果反歸一化，即可測算組立裝配作業(yè)工時。BPNN預測值與實際值對比如圖3所示。由圖3可知：工時預測誤差隨實動工時數(shù)據(jù)增大而增大。

圖3 BPNN預測值與實際值對比

部分樣本BPNN預測值與實際值對比如表3所示。由表3可知：兩工時的平均相對誤差為21.36%。造成誤差的原因如下：①不同組立的零件在裝配過程中影響其作業(yè)工時的因素不完全一致；②裝配作業(yè)的實動工時隨外界條件的變化而變化，外界的不確定性因素會在很大程度上影響工時的消耗，如作業(yè)人員熟練度、作業(yè)環(huán)境和設(shè)備能力等條件在每次作業(yè)時均不相同，尤其對于耗時長的作業(yè)，環(huán)境和作業(yè)人員等因素的影響更為明顯。

表3 部分樣本BPNN預測值與實際值對比

結(jié)合上述分析，BPNN模型雖可實現(xiàn)裝配工時的快速預測，但其預測結(jié)果不夠精確，且不能及時響應外界條件的變化，該模型更適用于船舶設(shè)計初期，對小組立裝配工時進行初步預測，用于船舶建造大中日程生產(chǎn)計劃的制定。

2.3 第二階段工時修正

針對第一階段裝配工時預測模型產(chǎn)生的誤差和不夠靈活的缺點，在第二階段綜合考慮作業(yè)人員和作業(yè)環(huán)境對小組立裝配工時的影響，利用XGBoost算法對各樣本的工時測算誤差進行預測。在該階段，將各樣本的工藝信息、作業(yè)人員年齡與學歷信息、作業(yè)場地溫度與天氣信息作為模型的輸入，通過對歷史某一階段預測誤差序列的訓練，實現(xiàn)誤差序列的預測。在模型訓練過程中，通過網(wǎng)絡(luò)搜索和交叉驗證的方法確定模型的最優(yōu)參數(shù)。XGBoost模型訓練參數(shù)如表4所示。在確定XGBoost模型的最優(yōu)參數(shù)后，得到小組立裝配工時誤差序列預測模型。部分樣本預測誤差序列如表5所示。

表4 XGBoost模型訓練參數(shù)

表5 部分樣本預測誤差序列

2.4 預測結(jié)果分析

在完成第一階段與第二階段的模型預測后，根據(jù)式(5)，將T1與T2對應求和，實現(xiàn)作業(yè)過程外界不確定因素對作業(yè)工時的修正，得到T3，與實動工時T進行比較。各階段工時數(shù)據(jù)對比如圖4所示。模型測算結(jié)果分析如表6所示。

圖4 各階段工時數(shù)據(jù)對比

表6 模型測算結(jié)果分析

在修正作業(yè)環(huán)境和作業(yè)人員等外界因素后，工時預測精度得到大幅提升，工時預測平均相對誤差降低至3.01%。尤其對于耗時較長的作業(yè)，如樣本5和樣本13，第一階段BPNN模型預測結(jié)果存在較大誤差，但通過第二階段XGBoost模型的修正，預測工時與實動工時數(shù)據(jù)誤差大幅縮小，證明該模型預測性能良好，可為生產(chǎn)計劃制定提供科學的數(shù)據(jù)支撐。該模型具有良好的可擴展性，對于不同船型分解其工藝并提取相關(guān)參數(shù)可達到同樣的預測效果。

3 結(jié) 語

針對大數(shù)據(jù)環(huán)境下的船舶中間產(chǎn)品裝配工時預測模型展開研究，根據(jù)船舶設(shè)計軟件中的工藝參數(shù)采用BPNN實現(xiàn)中間產(chǎn)品裝配工時的初步預測，在此基礎(chǔ)上加入作業(yè)環(huán)境和作業(yè)人員等外界因素，采用XGBoost方法對外界因素造成的工時誤差進行預測，實現(xiàn)工時測算誤差修正，提升工時預測的精確度。在大數(shù)據(jù)環(huán)境下，該模型考慮外界條件對工時預測的影響，并針對外界條件變化引起的預測誤差采用XGBoost算法進行修正，有效解決外界因素對工時預測精度的影響問題，通過誤差修正實現(xiàn)工時測算的迭代優(yōu)化，可幫助企業(yè)完善工時管理流程，為企業(yè)生產(chǎn)計劃制定提供科學的工時數(shù)據(jù)支撐。但在外界影響因素的選取中僅考慮人員和環(huán)境因素，設(shè)備和物流因素對工時測算的影響有待完善。可進一步對預測誤差中隱含的信息展開研究，分析外界條件變化對工時定額的影響機制，指導企業(yè)科學生產(chǎn)，提高生產(chǎn)效率。