[发明专利]船舶焊接定额工时快速预测方法、系统及电子设备、存储介质

权利要求书

1.一种基于焊接设备数据采集的船舶焊接定额工时快速预测方法，其特征在于，包括步骤：

S1、以每条实际焊缝为对象，通过物联传感技术建立任务派工系统，以焊缝为对象进行焊接任务派工，对焊接设备作业参数进行采集并存储到服务器中；

S2、对采集得到的焊接设备数据进行数据清洗，得到每条焊缝的实动工时；

S3、将得到的有效工时数据与任务派工系统的物量数据进行关联关系构建，形成各个焊缝的物量、工艺、工时的数据集合，建立焊接信息数据库；

S4、基于极端梯度提升算法对步骤S3形成的焊接信息数据库的历史数据进行训练，实现焊接任务作业时长的预测，并根据被预测焊缝的实时焊接工时数据来修正极端梯度提升算法预测的工时，对模型进行迭代优化，最终实现不断减少定额实动比的目标。

2.根据权利要求1所述的基于焊接设备数据采集的船舶焊接定额工时快速预测方法，其特征在于，在步骤S1中，以焊缝为对象进行焊接任务派工，派工单中物量数据包含焊缝名称、焊缝长度、焊接类型、焊接形式、零件A材质、零件A厚度、零件B材质、零件B厚度、焊接工艺、焊缝条形码；现场施工人员在进行焊接作业时，通过扫描派工单中的条码信息后，进行焊接作业。

3.根据权利要求1所述的基于焊接设备数据采集的船舶焊接定额工时快速预测方法，其特征在于，在步骤S1中，采集焊接设备作业参数，是指在整个焊接过程中，焊机的各项作业指标都被采集系统采集到服务器中，其中包含焊机的电流、电压、送丝时间、送丝速度、焊接速度、焊枪摆幅。

4.根据权利要求1所述的基于焊接设备数据采集的船舶焊接定额工时快速预测方法，其特征在于，所述S2中，对采集数据进行清洗，是通过设定焊机作业时各参数阈值，从采集到的数据中提取有效作业工时，去除无效非作业工时，得到每条焊缝的实动工时。

5.根据权利要求1所述的基于焊接设备数据采集的船舶焊接定额工时快速预测方法，其特征在于，在步骤S3中，以焊缝为对象，将派工单中的焊缝长度、焊接形式、焊接姿态、零件A材质、零件A厚度、零件B材质、零件B厚度，与步骤S2中的实动工时进行数据匹配，并对数据进行预处理，形成各个焊缝的物量、工艺、工时的数据集合，建立焊接信息数据库。

6.根据权利要求1所述的基于焊接设备数据采集的船舶焊接定额工时快速预测方法，其特征在于，在步骤S4中，基于极端梯度提升算法建立焊接工时预测XGboost模型的步骤如下：

(1)构建目标函数

其中，l为损失函数；y_i为第i个样本的真实值；为第i个样本经过t-1次迭代后的预测值；f_t(X_i)为迭代过程新加入的函数；为目标函数的正则化项；C为常数项。

目标函数包括损失函数和正则项，其中正则项是用来调节模型的复杂度，以防止模型出现训练过拟合的情况；

(2)使用泰勒级数的方法去展开目标函数：

其中，为损失函数项的一阶导数；为损失函数项的二阶导数；是与之前t-1棵树相关，故在增加第t棵树时，其为一个常数项，对函数的优化不会产生影响。因此，去掉全部的常数项，得到目标函数为：

(3)将树的结构进行参数化，带入到目标方程；

(4)查找结构最优的一棵树，在查找的过程中采用贪心的算法进行；

(5)将所述步骤S3中所采集的数据作为输入数据并采用网格搜索以及K折交叉验证对预设的默认Xgboost模型的模型参数值进行参数优化，所述模型参数包括子树的最大深度、最小叶子节点样本的权重和、训练数据样本占比、学习率、迭代次数、特征采样比例、划分树的叶节点值、随机种子，得到优化后的Xgboost模型，确保模型预测性能。

7.根据权利要求6所述的基于焊接设备数据采集的船舶焊接定额工时快速预测方法，其特征在于，在完成预测模型的训练以及参数寻优后，将待预测焊缝的特征属性作为模型的输入参数，工时作为输出，从而得到待预测焊缝作业的预测工时。