一种工业大数据驱动的总完工时间预测方法

摘要

本发明公开了一种工业大数据驱动的总完工时间预测方法，涉及工程应用领域，该方法包括构建工业大数据分析平台；运用关联规则挖掘算法对总完工时间影响因素进行分析和挖掘；构建神经网络模型BP；对神经网络模型BP的权值和阈值进行动态改进获得动态神经网络模型DBP；运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算总完工时间预测值；当总完工时间预测值与总完工时间期望值的误差满足设定的条件时，输出总完工时间预测值。本发明能够对总完工时间进行准确预测，优化企业的生产流程，提高企业的生产效率，并且能够适应企业因时间推移引起的各种变化。

主权项

一种工业大数据驱动的总完工时间预测方法，其特征在于，包括以下步骤：S1、基于Hadoop构建包含关系型数据库数据、传感器数据和控制器数据的工业大数据分析平台，转到步骤S2；S2、在MapReduce框架下运用Apriori关联规则挖掘算法，在工业大数据分析平台中进行分析和挖掘，得到总完工时间影响因素，转到步骤S3；S3、结合总完工时间影响因素和总完工时间历史数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，转到步骤S4；S4、对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，转到步骤S5；S5、运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA‑DBP，根据预测模型AIGA‑DBP计算总完工时间预测值，转到步骤S6；S6、判断总完工时间预测值与总完工时间期望值的误差是否满足设定的条件，若是，转到步骤S7；否则重新执行到步骤S5；S7、输出总完工时间预测值，结束。