[发明专利]一种基于机器学习的飞机成本预测方法

权利要求书

1.一种基于机器学习的飞机成本预测方法，其特征在于，包括以下步骤：

步骤S1.获取装配大纲数据集；

步骤S2.获取装配大纲对应的工序信息，并结合工序对应的装配工时形成工时数据集；

步骤S3.获取装配大纲对应的零件信息，并结合零件对应的不同装配信息形成零件数据集；

步骤S4.分别对工时数据集和零件数据集进行预处理，并基于不同的机器学习模型使用工时数据和零件数据

完成回归训练，获取不同的回归模型；

步骤S5.将装配大纲划分为训练集和测试集；

步骤S6.针对装配大纲训练集的工时数据，获取工时数据在不同回归模型下对应的预测值，进而获取工时预测值的平均值；

步骤S7.针对装配大纲训练集的零件数据，获取零件数据在不同回归模型下对应的预测值，进而获取零件预测值的平均值；

步骤S8.结合装配大纲训练集的实际装配成本，完成工时数据和零件数据的参数融合，获取融合参数；

步骤S9.基于装配大纲测试集，评估预测效果。

2.根据权利要求1所述的一种基于机器学习的飞机成本预测方法，其特征在于，所述步骤S1包括：

获取装配大纲数据集，并将装配大纲数据集表示为A0＝(A0(1),A0(2),...A0(i)...A0(n))，其中，n表示为装配大纲的数量，A0(i)为装配大纲中第i个A0；

装配大纲中第i个A0表示为A0(i)＝(GX(i),LJ(i)),其中，GX(i)为第i个装配大纲对应的工序集，LJ(i)表示第i个装配大纲对应的零件集；

第i个装配大纲对应的工序集表示为GX(i)＝GX(i)₁,GX(i)₂...GX(i)_i...GX(i)_n，其中，n表示工序的数量，GX(i)_i表示第i个装配大纲中第i个工序；

第i个装配大纲对应的零件集表示为LJ(i)＝LJ(i)₁,LJ(i)₂...LJ(i)_i...LJ(i)_n，其中，n表示零件的数量，LJ(i)_i表示第i个装配大纲中第i个零件。

3.根据权利要求1所述的一种基于机器学习的飞机成本预测方法，其特征在于，所述步骤S2包括：

获取装配大纲对应的所有工序信息及每个工序对应的装配工时GS(i)_i，即GS(i)_i与GX(i)_i一一对应；

装配工时的集合表示为GS(i)，将GS(i)进行汇总形成装配大纲工时数据集。

4.根据权利要求1所述的一种基于机器学习的飞机成本预测方法，其特征在于，所述步骤S3包括：

获取装配大纲对应的所有零件信息及零件信息所对应的装配成本CB(i)_i，即CB(i)_i与LJ(i)_i一一对应；

装配成本的集合表示为CB(i)，将CB(i)进行汇总形成装配大纲零件数据集。

5.根据权利要求1所述的一种基于机器学习的飞机成本预测方法，其特征在于，所述步骤S4包括：

基于机器学习模型使用工时数据和零件数据完成回归训练，获取不同的回归模型；

对工时数据集和零件数据集进行预处理，将文本类型数据或字符串类型数据转化为数字类型数据；

针对工时数据集，将工序对应的工时作为输出值Yt，将其它数据信息作为输入Xt；

构建线性回归模型和CART回归树模型两种模型，并完成模型训练，分别得到Model1和Model2；针对零件数据集，将零件对应的装配成本作为输出值Yc，将其它数据信息作为输入Xc；

构建线性回归模型和CART回归树模型两种模型，并完成模型训练，分别得到Model3和Model4。