(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210998129.0 (22)申请日 2022.08.19 (71)申请人 镇江市金 舟软件有限责任公司 地址 212008 江苏省镇江市京口区学府路6 号科技楼6楼 (72)发明人 史恭波　王忠桂　杨玉雪　徐瑞林　 殷剑　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 朱小兵 (51)Int.Cl. G06Q 10/04(2012.01) G06F 16/2458(2019.01) G06F 16/215(2019.01) G06N 20/00(2019.01) (54)发明名称 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 (57)摘要 本发明提出一种船舶焊接定额工时快速预 测方法， 属于船舶制造优化技术领域。 本发明首 先建立通过对焊机的物联网改造， 集成任务派工 系统， 建立实动工时采集体系， 通过该体系不断 完善加工物 量、 焊接工艺等参数与实动工时的关 联数据库， 其次运用xgboost算法实现船舶焊接 定额工时的精 准预测。 本发明还提出了船舶焊接 定额工时快速预测系统及电子设备、 存储介质， 与现有技术相比， 本发明通过设定焊机作业时各 参数阈值对采集到的焊机参数进行清洗， 提取有 效焊接工时时长， 去除无效工时的干扰， 提高实 动工时测算的准确性。 同时， 基于 XGboost算法建 立工时预测模 型， 对采集清洗得到的实动工时数 据进行迭代训练， 实现焊 接工时的精准预测。 权利要求书2页 说明书5页 附图1页 CN 115358465 A 2022.11.18 CN 115358465 A 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； yi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； ft(Xi)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：权　利　要　求　书 1/2 页 2 CN 115358465 A 2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Xgbo ost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。 8.一种基于焊接设备 数据采集的船舶焊接 定额工时快速预测系统， 其特 征在于， 包括： 参数采集模块， 被配置以用于执行以下动作： 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； 数据清洗模块， 被配置以用于执行以下动作： 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； 焊接信息数据库模块， 被配置以用于执行以下动作： 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； 模型预测模块， 被配置以用于执行以下动作： 基于极端梯度提升算法对焊接信息数据 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。 9.一种电子设备， 其特征在于， 包括： 存储器和 处理器， 所述存储器存储由所述处理器 可执行的计算机程序， 所述处理器执行所述计算机程序时实现上述权利要求1 ‑7任一项所 述的船舶焊接 定额工时快速预测方法。 10.一种存储介质， 其特征在于， 所述存储介质上存储有计算机程序， 所述计算机程序 被读取并执 行时， 实现上述权利要求1 ‑7任一项所述的船舶焊接 定额工时快速预测方法。权　利　要　求　书 2/2 页 3 CN 115358465 A 3