1008船舶装配作业工时智能估算系统

作者简介：刘滨（1979-） ，男，河北秦皇岛市人，硕士，主要从事时间研究和人工智能。电话（Tel.）: E-mail:bin_. 蒋祖华（联系人） ，男，教授，博士生导师。电话（Tel.）E- mail:. 船舶装配作业工时智能估算技术 刘滨，蒋祖华 (上海交通大学工业工程与管理系,上海 200030） 摘 要：产品作业工时数据是成本核算、生产计划以及绩效评估的基础。为合理地估算船舶 中间产品装配作业工时，本文首先提出了产品相似实例检索规则和算法；然后应用神经网 络获取实例产品的工时规律，并据此预测当前产品的装配作业工时；最后开发了船舶装配 作业工时智能估算系统（IMHEAS） 。经企业实际验证，该方法可以更加高效、准确的估算船 舶中间产品作业工时。 关键词：作业工时 船舶装配 相似性 神经网络 中图分类号：TP391.4 文献标识码：B Intelligent Man-hour Estimate Technique of Assembly for Shipbuilding LIU Bin, JIANG Zu-hua (Dept. of Industrial Eng., Shanghai Jiao tong Univ., Shanghai 200030, China) Abstract：The Man-hour of production is the basic data for rational cost accounting, production plan and performance evaluation. To estimate the assembly man hour of a new product reasonably. Firstly, the principle and corresponding algorithms of the similar case retrieve were proposed. Based on these samples that were retrieved, a model to predict the assembly man-time of target product using neural net work was established. Finally, an intelligent man-hour estimate system for assembly of shipbuilding (IMESAS) was developed by above methods. It is verified that the man hour of assembly calculation using IMHESAS was more rapidly and reliably. Key Words：Man-hour; Ship Assembly; Similarity; Neural Network 工时定额是成本计量的基本单位，也是制造企业中应用最为广泛的成本管理工具和企 业合理地进行生产计划、生产调度的重要依据，更是企业进行科学管理、提高劳动生产率 的基础和重要前提。企业只有科学合理地制定工时定额，才能合理地组织生产、适地的挖 掘企业潜力、提高生产效率、降低企业成本，最终加强市场竞争力。然而，国内船厂对中 间产品作业工时的计算和管理非常粗略，严重地影响和制约了生产计划的制定和绩效评价。 关于工时定额的估算，洪湖鹏等 1提出了依据 CAD 设计信息快速计算加工时间的通用 方法。韩国的 Daewoo(大宇)船厂开发了 DAS（大宇装配作业系统） ，其中包括 DAS-MH（工 时）模块 2，Lee 等 3应用神经网络估算装配作业工时。但是，由于船舶产品装配工时是 多因素相互作用的结果，估装配工时与多个产品参数相关 4。更为重要的是，产品最终装 配工时不仅与产品的设计参数（如装配长度等连续参数）相关。同时，它在相当大程度上 受产品过程参数（如结构关系、装配序列等）的影响，通常这些参数是离散、非数值化地。 BP 神经网络模型可以实现到任何连续函数的逼近 5，但没有证据证明神经网络对离散变量 驱动的离散函数也有无穷逼近能力。这也就是说，用神经网络来逼近含有离散变量的的函 数是不可靠的，离散变量（如形态参数）须要单独处理。 为了更加合理地估算船舶中间产品的装配作业工时，本文在前人研究的基础上提出了 一种新的思路。即首先根据产品的非数值参数信息检索出与新产品相似的一组相似产品。 然后利用神经网络模型找出这些相似产品产值参数与产品工时的规律知识，最后应用该规 律计算出新产品的工时。 1 研究方法 1.1 系统框架 图 1 所示为智能装配作业工时估算系统（The Intelligent Man-hour Estimate System for Assemble of Shipbuilding， IMHESA） 。它由 3 个主要模块组成：相似产品检索模块； 工时规律知识获取模块；产品工时计算模模块。模块的功能是在产品实例库中，通过 相似性规则，找出与新产品相似的一组产品。要求所检索出的产品样本的工时规律与当前 产品的工时规律趋于一致。模块的功能是获取产品工时与产品参数之间的映射关系。模 块的功能应用模块所获取的产品工时规律，通过输入新产品的参数信息，计算出新产 品的装配作业工时。 相似产品集 工 时规律获取 输入： 装配线长度L 产品重量M 正投影面积S 输出： 装配工时T 工时 估算神经网络模型 产品组成要似分析 产品结构相似分析 装配序列相似分析 相 似 产品检索 神经网络工时计算 实测比较与误差分析 产 品 工时估算 新 产 品 品 信 息 结 构 及 装 配 信 息 主 要 特 征 参 数 产品实 例库 中 间 产品装 配 作 业工时 图 1 智能装配作业工时系统框架 Fig.1 The framework of IMHEAS 1.2 相似产品检索 相似产品的检索（Similar Case Retrieve） ，关键是如何确定产品的相似性，即相似特征 的提取和“相似特征”相似性的度量。依据相似学原理，当系统序结构存在共同性时，系 统之间出现相似特性。相似性随序结构共同性程度的增大而上升，随序结构共同性的减小 而下降。而系统间的序结构又表现为功能序、时间序和空间序，相似特征应能表现出系统 的序结构。依据这一原理，选取产品组成、产品结构关系和产品的装配序列作为相似特征。 （1）产品组成信息任何中间产品都由一定数量组件构成，产品每一组件信息都直接或间 接反映该产品的功能。产品所有组件信息共同构成了产品的功能序信息。它表征组成系统 的要素（组件） ，在相互联系、相互作用的过程中表现出一定的功能。因此，通过比较产品 组成信息的相似性，可比较产品间功能序的相似程度。就船舶中间产品装配而言，组成信 息不同的产品在装配方法、装配人员、装配设备上存在不同程度的差异，这些差异显然会 导致这些产品在装配工时规律上的差异。 （2）产品结构关系产品组件的结构关系实质是反映了产品的空间排序、组合和相互联系 的方式。产品结构关系信息构成产品的空间序。装配作业中，产品空间序的相似程度在一 定程度上决定着产品在装配工时的相似程度。 （3）产品装配序列由于空间干涉等多种原因，不同产品的装配序列一般是不相同的，它 反映产品装配的时间序。显然，装配序列的相似度直接影响着产品装配的工时。 提取了产品的相似特征，是在概念层面上明确了产品的相似性。要科学地度量其相似性， 还要对其进行定量分析，以下为 3 个特征相似性的具体度量算法。 （1） 产品组成相似性算法 设产品 A 由组件集合 组成，产品 B 由组件集合 组成。12,AAkcCc 12,BBlcCc kc、 lc分别为产品 A、B 的组件数目。产品 A 与产品 B 的共有组组件可由集合 UC=CAC B 表示。设 nc为集合 UC 中元素的个数。产品 A 与产品 B 的组成相似性可由公式* MERGEFORMAT (1)6度量： * MERGEFORMAT (1)ccBAnlkq),( （2）产品结构关系相似性算法 评价产品结构关系，首先对产品的结构关系进行描述，本文应用语意网络 7,8对产品 结构关系进行描述，如图 2 所示。图中，每个结点代表一个组件（Component） ，联接各个 组件的弧线代表两个组件间的联接关系。如图 3 所示，定义部件之间联接关系分别为：对 接（Butt） 、角接（Fillet）和插接（Insert） 。 产品结构图中，每一个装配关系（relation）及与其相接的部件（Part）即视作一个图元， 有多少装配关系就有多少网元。图 2 所示的产品结构图中，有 4 个装配关系，所以网元数 量为 4。 P a r t 1 P a r t 4 P a r t 3 P a r t 2 R e l a t i o n 1 R e l a t i o n 2 R e l a t i o n 3 R e l a t i o n 4 图 2 产品结构关系图 Fig.2 The Components Relationship of Products 角接 对接 插接 图 3 各部件之间联接关系 Fig.3 Relations of part connection 产品结构相似性与产品组成相似性算法类似，比较两个产品结构关系的相似性，可以通 过比较其网元组成的相似性来实现。 设产品 A 的结构关系由语义网络 构成，产品 B 结构关系由语义网络12,AAkrRr 构成。k r、 lr分别为 RA、R B 的网元数目。R A、R B 的共有网元可由集合12,BBlrRr UR=RAR B 表示。设 nr 为集合 UR 中元素的个数。 产品 A 与产品 B 的结构关系相似性可由公式* MERGEFORMAT (2)度量： * MERGEFORMAT (2)rrlkq),( （3）产品装配序列相似性算法 产品装配序列对装配工时的影响十分明显，但是装配序列相似性的度量却十分困难,主 要是很难找出两个序列最优联配。本文经过大量的研究，应用 Waterman8算法解决了这一 难题。该算法最初应用于基因序列的比对，用于比对生物基因的相似性。序列联配具体方 法详见文献8,9 。通过这一算法可以算出两个序列的最优联配数。 设产品 A、B 的装配序分别列为 和 。k s、 ls分别为12,AAksSs 12,BBlsS 产品 A、B 的组件数目。n s 为应用 Waterman 算法算得的 A、B 两序列的最优联配数。产 品 A 与产品 B 装配序列相似性可由公式（3）度量： （3）ssnlkSq),( 当各个“相似特征”相似值确定后，即可按照相似性算法计算产品间总体相似系数 dAB。 （4）,12(,)jABnqAB 式中， dAB 为样本 A、B 之间的相似性； 为样本 A、 B 在相似特征 j 上的相似值；(,)jq n 为 相似特征总数目。 1.3 神经网络的工时估算 根据经典相似定理，相似系统相关特征量具有相似性，可由同一数学公式来描述。由于 装配作业工时是上文提到的 3 个相似特征的相关特征，故相似产品间的装配作业工时具有 相似性。与之相似的产品的装配工时可由相同的数学模型来描述。就装配工时而言，其主 要影响因素有： 1) 产品拼装线长度越长，定位焊的个数就越多，定位焊的时间就越长。 2) 产品的质量（重量）越重，则搬运就越困难，所耗时间就越长。一般情况下，较 轻的产品可由人力搬运，而较重的产品只能使用吊运设备才能完成搬运。而人工 搬运要比机械搬运省时得多。且无论是人力搬运还是机械搬运，搬运难度和搬运 时间都与搬运重量成正比。 3) 产品基面（投影面积）越大，产品的复杂度、组件数目一般情况下也会随之增加， 装配时间也会因此增加。 由于单隐层网络即可实现对所有连续函数的逼近 10，因此本文选取单隐层网络，网络 结构为 。输入为：装配线长度L、产品质量M、正投影面积 S，输出为产品装配工时361 T；激活函数为Sigmoid函数，训练次数1万次。关于神经网络训练实例数目的选取方法或 原理，现在尚没有明确的理论依据，一般跟据经验和实际情况进行选取 11。当然，神经网 络的“鲁棒性”较好，对包括训练样本数量在内的各种参数要求不是很高，一般情况下不 会因为参数的改变而使得预测效果存在较大差异 12。 2 算例及误差分析 2.1 算例 为实现装配工时的智能估算，开发了 IMHESAS 系统。系统开发平台为 ASP.NET ，后台 为 VB.NET，数据库为 SQL-Server。 （1）系统从数据库中调用新产品 FR01A 的明细，分别为产品组成、产品结构关系和产 品装配序列，并将这些信息显示在产品明细栏内，如图 4 所示。 （2）系统将根据上文所述的相似产品检索算法在产品实例库中搜索出与 FR01A 最相似 的前 20 个产品，并列出其明细（L、M、S、T），见如表 1。 表 1 相似产品信息 Tab.1 The info of the samples 序号 代码 Lm M/t S/m2 T/h 1 GR4A 5.95 0.14 1.94 1.3 2 GR60A 4.31 0.42 3.15 0.96 3 GR60B 3.95 0.31 2.84 0.87 4 GR3A 4.77 0.44 3.8 1.13 19 BK10Q 2.2 0.31 0.4 0.09 20 BK08A 2.73 0.44 0.55 0.84 （3）系统将对这 20 个样本产品进行训练，其输入为 L、M、S，输出为 T。经过 1 万 次训练，误差迅速收敛，达到 0.0139。训练完成后，系统会从数据库中导入 FRO1A 的 LMMS（12.17m,1.68t,11.52m 2）；并将其输入到训练完成神经网络中，由网络计算 FR03A 的装配工时再将计算结果显示在产品工时栏,如图 4 所示，产品 FR01A 装配工时计算 结果为 11.37 工时，这与实测值比较吻合（为 12.0 工时,三个人工，4 小时完成）。 输 入产品编 码 图 4 系统主界面 Fig.4 the Main Interface of IMHESAS 下面介绍两个产品相似性似系数的具体计算过程。两产品分别为 FR01A 和 FR10B，为说 明方便分别记为产品 A 和产品 B。 产品组成相似性 产品 A 和 B 的组成信息分别表示为集合 CAA1,S1,S2,S3,P3和 CBA1,B1,S1,S2,S3,S4,P3 UC=CAC B =A1,S1,S2,S3,P3 依公式（1） ，产品组成相似性为 71.05),(BACq 产品结构关系相似性 产品 A 和 B 的结构关系信息分别表示为集合 RAA1-Fillet-S1, A1-Fillet-S2, A1- Fillet-S3, A1 -Fillet-P3和 RB A1-Fillet-B1, A1-Fillet-S1, A1- Fillet-S2, A1- Fillet-S3, A1-Fillet-S4, A1-Fillet-P3 UR=RAR B=A1-Fillet-S1, A1-Fillet -S2, A1-Fillet-S3, A1-Fillet-P3 依公式（2） ，产品组成相似性为 67.04),(BAq 产品装配序列相似性 产品 A 和 B 的装配序列信息分别为 SAA1,S1,S2,S3,P3 和 SBA1,B1,S1,S2,S3,S4,P3 序列 SA和 SB的最优联匹为： S A A1 S1 S2 S3 P3 S B A1 B1 S1 S2 S3 S4 P3 具体算法可见文献8，9，最优联配值 5，即两序列 SA和 SB最多可有 5 个元素可对在 一起。求取方法见文献8，9。 由公式(5)计算两序列相似性得： 71.05),(3BASq 整体相似性计算 根据公式* MERGEFORMAT 错误！未找到引用源。计算产品 A 和产品 B 的整体相似性：22,1.3ABd 由上式可得，产品 FR01A 和产品 FR10B 的相似性系数为 0.70。 同理计算出 FR01A 与所有产品的相似性系数，并找出与其最相似的一组产品（如相似 性最大的 20 个） 。 2.2 误差分析 产品装配工时估算值与实测值之间的误差有两部分组成：一部分是称为估算系统误差， 即由于估算系统的缺陷造成的误差；另一部分是装配过程误差，在装配作业过程中，由于 受人员、工艺及环境等多种因素的影响，即使是相同产品的装配，最终的装配工时在通常 情况下也存在一定的差异。要正确合理评价系统的优劣首先要区分这两种误差，然而这两 种误差却混合在一起，表现为估算值与实际装配工时之间的差异，将二者区分相当困难。 这个问题可概括为：当对不确定系统进行测量时，如何将测量系统的不确定性与被测系统 本身的不确定相区分，从而评价测量系统的优劣。本文经过研究，引入统计学方法，为解 决这个问题提出了一个可行的途径。 设产品装配工时的估算值为 Te，产品实测装配工时为 TO，引入一个虚拟量 Tb，设其为 标况工时，即某产品在标准情况下的理论装配工时。 总误差: （5） )()(00TTbeeT 设 为估算误差， 为装配过程误差； 分别为装配工时的总标eb00b,Teo 准差，系统标准差和装配过程标准差。 总误差 的标准差为 ：TT （6）)(2)()( 0022ibieibie iii 易证，当 n 足够大时, ，因此，01()()neibiiiiT （7）222iiT 故估算误差 （8）2eTo 根据长期的生产经验和对相同产品加工工时的实测，产品在装配过程中工时标准差约在 8%-10%左右。表 2 为部分产品的工时估算结果与实测结果比较。 表 2 产品装配估算值与实测值比较 Tab.2 Estimate man-hour VS chronometry man-hour of assembly 序号 代码 估算工时 Te 实测工时 TO 1 BK8Q 0.15 0.14 2 BX1Q 0.14 0.15 3 FR05A 8.73 9.6 4 GR4T 2.22 2.01 5 LB2A 1.27 1.42 6 GR12Q 4.32 3.52 7 BK09A 0.31 0.36 8 FR07A 8.56 9.43 9 FR08B 7.95 8.46 10 TT1E 15.4 13.8 由表 3 数据算得 10.18%，依公式 8 计算估算误差标准差 :T e2214.%8.5.37eTo 优于韩国学者 Lee 等 3所做出的 12.1%单纯应用神经网络做出的估算结果，更优于线性 回归模型（15.4%）的估算结果。当然这一结论仍须在未来生产实践中进一步验证。 3 结语 本文针对船舶中间产品装配作业工时给出了相似产品的检索规则和相似性算法；并应用 神经网络模型对产品的装配作业工时进行估算，开发了船舶装配作业智能工时估算系统 （IMHEAS） ，通过估算结果与实测结果的比较和统计分析，证明该系统不仅能够快速、全 面地估算船舶中间产品的装配作业工时，而且估算精度也比较合理。 相似产品的检索规则以及相应的相似性算法是工时估算成败的关键，检索规则的科学探 索及算法的优化仍可作更深入地研究。 参考文献： 1. 洪湖鹏，郁鼎文, 张玉峰，等.通用化计算机辅助工时系统的研究和开发J. 制造技术 与机床，2001,7：50-53. HONG Hu-peng, YU Ding-wen, ZHANG Yu-feng, et al. Research and development on universal computer aided working time systemJ. Manufacturing Technology and Machine Tool.2001, 7:50-53 2. Lee J K, Lee K J, Park H K. Developing scheduling systems for Daewoo shipbuildingJ. European Journal of Operational Research, 1997（2）:380-395,. 3. Lee J K, Kim H D. Man-hour requirement estimation for assemblies using neural networksA. Proceedings of 94 Japan/Korea Joint Conference on Expert SystemsC. Tokyo:JKJCES, 1994.203-206. 4. Bunch H. Study of the causes of man-hour variance of naval shipyard work standardsJ. Journal of Ship Production, 1990, 6(4):268-272. 5. Hornik H, Stimchcombe M. Multilayer feed forward networks are universal approximately J. Neural Networks, 1989, 2:359-366. 6. Zhou M. Some concepts and mathematical consideration of similarity system theoryJ. Journal