[发明专利]一种生产成本管控方法、系统、存储介质及设备

权利要求书

1.一种生产成本管控方法，其特征是：包括以下步骤：

获取历史数据样本，利用分类决策树算法，挖掘与生产成本直接关联的因素；

建立神经网络模型，利用历史数据样本中的关联因素对神经网络模型进行训练，在训练过程中，以根据生产项目参数预先测算出的固定数值为预算成本，账面成本为实际发生成本，根据神经网络模型预测得到的预测成本与预算成本的差值，账面成本与预测成本的差值，对预测结果进行分析，并根据分析结果优化神经网络模型的参数，直到训练结果符合设定条件；

利用训练后的神经网络模型，根据本周期的关联因素，预测下一周期的生产成本，如果预测的生产成本超过预定的预算成本时，进行预警，对下一周期的生产项目成本进行监督和管控。

2.如权利要求1所述的一种生产成本管控方法，其特征是：获取历史数据样本后，对表字段进行数据质量分析，分析空值占比，确定出有用的字段，将不同生成环节有用的字段进行清洗标准化，将不同的表进行整合，对数据中的存在缺失、不完整，不一致的脏数据进行预处理和清洗。

3.如权利要求1所述的一种生产成本管控方法，其特征是：所述与生产成本直接关联的内容包括产品及其属性、生产物料清单、生产订单、采购订单、批次、发票价、合同价、暂估价、招标价、结论价、供应商和数量中的若干。

4.如权利要求1所述的一种生产成本管控方法，其特征是：建立神经网络模型的具体过程包括：

根据关联因素，确定神经网络模型的输入层神经元个数；

进行仿真调整，确定适合的神经网络模型的隐含层神经元个数；

根据待预测结果因素，确定神经网络模型的输出层神经元个数；

选取S型函数的正切形式tansing函数作为隐含层神经元的激活函数，形成神经网络模型；

或进一步的，进行仿真调整，确定适合的神经网络模型的隐含层神经元个数的具体过程包括：

利用经验，确定隐含层节点数目的取值范围；

利用进行仿真，经过多次训练过程确定隐含层节点个数；

输入原始样本数据，对网络进行学习，并比较误差；

反复调整节点各数，以减小误差，确定最佳个数。

5.如权利要求1所述的一种生产成本管控方法，其特征是：在利用神经网络模型对挖掘的关联因素进行训练前，对挖掘的关联因素进行归一化处理；

或，对神经网络模型的训练参数进行选取，确定初始权值、阈值和学习速率，所述初始权值的选取原则为初始权值输入累加后，能够保障每个祌经元的输出值都接近于零；根据初始权值、阈值，确定学习速率。

6.如权利要求1所述的一种生产成本管控方法，其特征是：在神经网络模型的训练过程中，在各层连接权值的迭代关系中考虑动量项对其的影响作用；

动量项是通过动量系数来体现上一次的权重变化对动量的影响作用，动量系数的取值范围是[0,1]，当动量常数为0时，权重变化根据梯度得到；当动量常数为1时，新的权重变化等于上次的权重变化。

7.如权利要求1所述的一种生产成本管控方法，其特征是：所述设定条件包括预测结果的准确率、错误率、查全率、查全率与准确率的调和平均值，上述值均在其对应的设定范围内，则认为符合设定条件。

8.一种生产成本管控系统，其特征是：包括：

样本数据挖掘模块，被配置为获取历史数据样本，利用分类决策树算法，挖掘与生产成本直接关联的因素；

预测模型构建与训练模块，被配置为建立神经网络模型，利用历史数据样本中的关联因素对神经网络模型进行训练，在训练过程中，以根据生产项目参数预先测算出的固定数值为预算成本，账面成本为实际发生成本，根据神经网络模型预测得到的预测成本与预算成本的差值，账面成本与预测成本的差值，对预测结果进行分析，并根据分析结果优化神经网络模型的参数，直到训练结果符合设定条件；

预警监控模块，被配置为利用训练后的神经网络模型，根据本周期的关联因素，预测下一周期的生产成本，如果预测的生产成本超过预定的预算成本时，进行预警，对下一周期的生产项目成本进行监督和管控。