[發明專利]基于kmeans聚類算法的回轉類零件工序工時預測方法及系統

有效

• 申請號: 201710262953.9
• 申請日: 2017-04-20
• 公開（公告）號: CN108733003B
• 公開（公告）日: 2020-11-13
• 發明（設計）人: 陸寶春;潘彩霞;張鴻鵠;張均利;陳福林;馮建國;張衛;楊楊
• 申請（專利權）人: 南京理工大學;揚州市江都永堅有限公司
• 主分類號: G05B19/418
• 分類號: G05B19/418;G06K9/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 唐代盛

本發明公開了一種基于kmeans聚類算法的回轉類零件工序工時預測方法及系統，工序數據采集與處理模塊用于對歷史工序的數據采集與處理；訂單導入模塊用于將該企業的零件訂單導入該回轉類零件工序工時預測系統；工序編碼模塊用于對歷史工序及待預測工序進行工序編碼；聚類模塊用于對歷史零件工序編碼進行定期聚類成組；工時預測模塊對待預測工序進行工時預測，其中該模塊包含的聚類組劃分單元用于將待預測工序劃分至與其最相近的聚類組，工時計算單元用于對工時進行預測計算；數據存儲模塊用于對該系統中的數據進行存儲；該方法與系統具有對回轉類零件工序工時預測快速、準確、少數據量時預測效果較好的優點。

技術領域

本發明屬于離散制造領域，特別是一種基于聚類kmeans算法的回轉類零件工序工時預測方法及系統。

背景技術

液壓基礎零部件大多為回轉類零件，其按訂單生產的特點決定了其生產類型為多品種小批量，其生產企業為典型的離散加工企業。多品種小批量的生產方式導致企業管理難度的加大，制造過程中工時數據不及時、不準確，是導致其制造執行系統中生產計劃編排產生偏差的主要原因。柔性車間作業調度是制造執行系統中的一個重要問題，其準確實施的基礎是能夠快速、準確地獲得工序工時。

目前，企業對于工時的預測主要采用兩種方式：(1)程序仿真法(2)神經網絡法。程序仿真法必須在零件三維模型的基礎上才能對三維模型進行自動編程，仿真實際加工工時，而車間對于大部分圖紙的管理僅限于CAD二維模型，因此該方法實施過程中耗時耗力；神經網絡法主要是通過從大量歷史數據中學習、訓練，得到輸出變量即工時與輸入變量之間的關系，在該方法中，訓練過程需要大量的歷史數據，大多數企業對工時的管理還不夠完善，其數據量也不足以滿足神經網絡訓練的要求。

發明內容

本發明為解決現有回轉類零件工時預測響應慢且數據需求量大的問題，本發明提出了一種基于kmeans聚類算法的回轉類零件工時預測方法及系統。

實現本發明目的的技術解決方案為：

一種基于kmeans聚類算法的回轉類零件工序工時預測方法，包括以下步驟：

步驟1、采集回轉類零件工序歷史數據：從企業MES、ERP、PLM系統中對回轉類零件工序歷史數據進行采集或計算；

步驟2、根據工藝信息及零件圖紙信息將歷史零件工序進行編碼，將各歷史零件工序編碼轉換為歷史工序編碼矩陣X_n×m：

整理出企業已加工回轉類零件工序的工藝信息及零件圖紙信息，對所有回轉類零件工藝信息及圖紙中所出現的信息及結構進行標識；對不同工序的零件圖紙信息和工藝信息進行組合，構成歷史零件工序編碼；各個歷史零件工序編碼完成后，將各歷史零件工序編碼轉換為歷史工序編碼矩陣X_n×m；

步驟3、對歷史工序編碼矩陣依據kmeans聚類算法進行聚類：采用初始聚類中心計算方法、距離計算方法及更新聚類中心方法，得到不同K值下的聚類結果及聚類中心，計算不同K值下的SP/DB指標，取SP/DB取最小時對應的K值、聚類中心及聚類結果，即為最終K值、最終聚類結果及最終聚類中心；

步驟4、訂單拆分成工序，對待預測工序進行編碼：將訂單拆分成各個工序并判斷各工序是否為外協加工，如果不是外協加工則認定為待預測工序，需進行工時預測，預測時首先對待預測的工序進行編碼；

步驟5、將待預測工序劃分至最終聚類組：

結合權重系數矩陣公式、加權歐式距離公式計算所有待預測工序到K個聚類中心的加權歐式距離，相互比較后將所有待預測工序劃分至與自身距離最小的最終聚類組，并篩選出步驟1中采集的所有數據中屬于該聚類組的歷史零件圖號、工藝信息、零件工序歷史特征參數矩陣及零件工序歷史工時數據；