(19)中华 人民共和国 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 202111398079.4 (22)申请日 2021.11.23 (71)申请人 成都飞机工业 （集团） 有限责任公司 地址 610092 四川省成 都市青羊区黄田坝 纬一路88号 (72)发明人 邱世广　郭喜锋　连志敏　汪迢迪　 朱承文　 (74)专利代理 机构 成都君合集专利代理事务所 (普通合伙) 51228 代理人 尹新路 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 30/02(2012.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的飞机成本预测方法 (57)摘要 本发明涉及飞机成本评估技术领域， 公开了 一种基于机器学习的飞机成本预测方法， 包括： 获取装配大纲数据集； 获取装配大纲对应的工序 信息； 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； 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； 将装配大纲 划分为训练集和测试集； 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 型下的预 测值和平均值； 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的预测值， 进而获取零件 预测值的平均值； 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； 基于装配大纲测试 集， 评估预测效果。 权利要求书3页 说明书6页 附图3页 CN 114139789 A 2022.03.04 CN 114139789 A 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；权　利　要　求　书 1/3 页 2 CN 114139789 A 2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。 6.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S5包括： 将装配大纲数据集中80％的数据划分为训练集Train， 将另20％的数据作为测试集 Test； 训练集中第i个AO为Train(AO(i))， 表示为Train(AO(i))＝(GX(i),GS(i),LJ(i)， CB (i))， 即AO的装配成本等于该AO 的所有工时乘以每工时费用， 等于所有零件装配成本的加 和。 7.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S6包括： 基于步骤S4中的机器学习模型， 获取步骤S5中训练集对应的工序在不同回归模型下对 应的工时预测值， 进 而获取工时预测值的平均值； 每个工序对应的工时预测值GX(i)i_Model＝(GX(i)i_Model1+GX(i)i_Model2)/2， 其 中， GX(i)i为该AO对应的第i个工序。 8.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S7包括： LJ(i)表示第i个装配大纲对应的零件集； 基于不同的模型获取零件装配成本预测值的平均值， 表示为CB(i)i_Model＝(CB(i)i_ Model3+CB(i)i_Model4)/2。 9.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S8包括： 对于训练集的每本装配大纲数据集AO， 汇总累加所述AO中所有工序对应的工时预测值 得到GS_total， 同时汇总所有零件 对应的装配成本预测值得到 CB_total； 获取每本装配大纲数据集AO的实际成本Cost， 并构 建工时预测值和装配成本预测值之 间的关系； 将每个工时的费用表示为unit_post， 预测的装配成本可表示为Cost_pre＝par1*GS_ total*unit_post+par2*CB_total， Cost_pre和Cost的差值即为预测的装配成本和实际成 本之间的误差； 根据最小二乘法的原理， 通过求所有训练集AO的误差极小值的平方和得到融合参数 par1和par 2。 10.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S9包括：权　利　要　求　书 2/3 页 3 CN 114139789 A 3