趙文浩，邢香園，王 治，萬 峰，吳劍鋒，陳瑞啟

(上海衛(wèi)星裝備研究所，上海 200240)

0 引言

工時信息是企業(yè)控制成本、編制生產(chǎn)計劃、衡量工人勞動量的重要依據(jù)[1]。航天產(chǎn)品(如衛(wèi)星、導(dǎo)彈、火箭等)具有系統(tǒng)復(fù)雜、多學(xué)科綜合、小批量生產(chǎn)、研制周期長的特點，裝配作為航天產(chǎn)品生產(chǎn)的最后環(huán)節(jié)，直接影響產(chǎn)品的最終性能[2]。航天產(chǎn)品裝配是典型的離散型作業(yè)流程，生產(chǎn)批量小、周期長、信息流復(fù)雜，裝配過程主要由操作工人手工完成[3]。傳統(tǒng)的、依賴人工經(jīng)驗的裝配工時定額和工時管理方法已不能滿足航天企業(yè)對工時精細(xì)化管理的要求，嚴(yán)重影響著航天企業(yè)生產(chǎn)效率[4]。因此，研究航天產(chǎn)品裝配工時定額估算和科學(xué)、系統(tǒng)的管理方法具有十分重要的意義。

在工時估算方面，很多學(xué)者立足于分析工藝和產(chǎn)品的特征，研究其與工時的內(nèi)在關(guān)系，從而根據(jù)這些特征進(jìn)行未知工時的估算。例如，黃清云[5]研究了車削加工中零件尺寸與切削工時之間的線性回歸關(guān)系，并以此制定車削定額工時。重慶大學(xué)陳友玲等[6]，提出了大規(guī)模定制生產(chǎn)中零件復(fù)雜度計算模型，通過MATLAB軟件擬合出零件拓?fù)浣Y(jié)構(gòu)和工藝復(fù)雜度對加工工時的影響函數(shù)，用于計算新型零件的加工工時。南京航空航天大學(xué)李露[7]建立了機(jī)電產(chǎn)品裝配過程的工時定額模型，分類討論了各類型機(jī)電產(chǎn)品裝配操作的工時計算公式，實現(xiàn)了工時的快速計算。晁海濤等[8]構(gòu)建了各類機(jī)柜線纜的工時計算模型，用于估算機(jī)柜線纜的裝配工時。Eraslan[9]使用多種算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，利用所選產(chǎn)品的標(biāo)準(zhǔn)時間估計剩余產(chǎn)品的標(biāo)準(zhǔn)時間，用于估算非標(biāo)準(zhǔn)生產(chǎn)過程的工時。此外，也有學(xué)者分析企業(yè)生產(chǎn)技術(shù)、員工素質(zhì)等因素對工時的影響，文獻(xiàn)[10-12]分別從員工工作態(tài)度、員工知識水平、產(chǎn)品定制的方面提出了工時計算模型。

在工時管理方面，陳少平等[13]提出了基于MES(manufacturing execution system)的離散機(jī)械加工車間工時管理模型，實現(xiàn)了工時定額、調(diào)度和加工環(huán)節(jié)工時信息的統(tǒng)一管理，但該模型只適用于數(shù)控機(jī)床較多的加工車間，且缺乏工時分配和工人績效相關(guān)的研究。董李揚(yáng)等[14]引入首件補(bǔ)差系數(shù)和功效系數(shù)，對機(jī)械加工工時進(jìn)行優(yōu)化分配，使工時績效考核更加科學(xué)，但該方法與車間管理系統(tǒng)結(jié)合不緊密，未能實現(xiàn)工時數(shù)據(jù)的實時采集和流程化管理。

綜上所述，當(dāng)前的工時估算方法研究以機(jī)械加工領(lǐng)域為主，主要通過零件的尺寸、拓?fù)浣Y(jié)構(gòu)、加工精度等特征作為工時計算參數(shù)，通常針對某一具體生產(chǎn)環(huán)節(jié)進(jìn)行分析和建模，多用于通用性和規(guī)范性較強(qiáng)的生產(chǎn)過程。而航天產(chǎn)品以單件、小批量生產(chǎn)為主，裝配組織形式為集中固定式的離散型裝配，并存在大量的手工裝配環(huán)節(jié)[15]。航天產(chǎn)品的裝配工藝注重于對零部件裝配關(guān)系的描述，工藝內(nèi)容包含大量文本信息[16]，且裝配涉及的零部件和設(shè)備種類多、數(shù)量大，導(dǎo)致工時估算十分困難。當(dāng)前，對于工時管理系統(tǒng)的研究多針對機(jī)械加工車間，工時管理模式適用于批量化的流水線生產(chǎn)車間，尚缺乏面向航天產(chǎn)品離散型裝配過程的工時定額和工時管理相關(guān)的研究。

為此，本文對航天產(chǎn)品的裝配工時定額方法和管理流程進(jìn)行了研究。首先構(gòu)建了包含零件知識、工藝知識和設(shè)備知識的航天產(chǎn)品裝配工時知識模型，通過文本挖掘技術(shù)對工藝文本特征進(jìn)行提取，通過工時波動情況判斷知識實例中結(jié)構(gòu)化屬性的重要程度，實現(xiàn)了對裝配工時影響因素的量化處理。然后，使用Python代碼對工時知識特征和工時進(jìn)行回歸分析，得到了工時估算模型。最后，結(jié)合生產(chǎn)流程，提出了工時定額、實做工時采集和統(tǒng)計分析的全過程管理方法，為解決衛(wèi)星裝配工時管理問題提供了有效方案。

1 航天產(chǎn)品裝配工時知識模型

1.1 工時知識內(nèi)容

影響航天產(chǎn)品裝配工時的因素很多，并伴隨裝配過程的多個環(huán)節(jié)，包括總體裝配計劃制定、工藝編制和排產(chǎn)調(diào)度環(huán)節(jié)。本文基于航天產(chǎn)品裝配過程，將工時知識分為零件知識、工藝知識和設(shè)備知識3類，知識實例可用三元組的形式表達(dá)：Knowledge={Part，Process，Equipment}，其中Part是零件知識，Process是工藝知識，Equipment是設(shè)備知識。每類知識都包含一系列特征屬性，能夠區(qū)分不同的歷史裝配工時實例，工時知識框架如圖1所示。

工時知識從企業(yè)生產(chǎn)所累積的海量歷史數(shù)據(jù)中提取，對歷史的裝配計劃、工藝方案和排產(chǎn)調(diào)度方案中包含的工時信息進(jìn)行知識化描述，并映射到零件知識、工藝知識和設(shè)備知識中。其中，裝配計劃和工藝方案中的設(shè)計、配套信息傳遞給零件知識；工藝方案中的工藝信息傳遞給工藝知識；排產(chǎn)調(diào)度中的設(shè)備排產(chǎn)信息傳遞給設(shè)備知識。零件知識和設(shè)備知識依據(jù)工時知識所提供的信息指導(dǎo)實際裝配作業(yè)，實時采集、統(tǒng)計并反饋實做工時信息給工時知識；工藝知識依據(jù)工藝信息指導(dǎo)實際生產(chǎn)，并將工時定額的執(zhí)行情況反饋給工時知識，并存儲在知識庫中。

1.1.1 零件知識

零件知識包含零件的基本信息和特征屬性，便于從零件層級對裝配的進(jìn)度和實做工時情況進(jìn)行追蹤。其描述式為：

Part=(Part-Id,Part-BaseInfo,Part-Features,Part-TechRequirement,Part-State,Part-Process,Part-TimeComsuption)。

其中：

(1)Part-Id為零件唯一標(biāo)識。

(2)Part-BaseInfo為零件基本信息，由一個七元組表示，即Part-BaseInfo=(Model,Stage,AIT-Phase,SubSystem,Part-Type,Part-Code,Part-Name)。其中：Model表示零件所屬產(chǎn)品的型號；Stage表示產(chǎn)品的研制階段，Stage∈{模樣，初樣，正樣}；AIT-Phase表示裝配階段；Subsystem表示零件所屬分系統(tǒng)；Part-Type表示零件類型；Part-Code表示零件編號；Part-Name表示零件名稱。

(3)Part-Features為面向裝配的零件裝配特征信息，由一個三元組表示，即Part-Features=(Feature-Id,Feature-Code,Feature-Type)。其中：Feature-Id是特征的唯一標(biāo)識；Feature-Code是零件特征編碼，由零件編號和特征編號組成；Feature-Type表示特征的類型，由枚舉類進(jìn)行表示，包括安裝孔、安裝面、接地螺釘?shù)取?/p>

(4)Part-TechRequirement為零件技術(shù)要求信息，由若干技術(shù)要求項目組成，即Part-TechRequirement=(Req1,Req2,…,Reqm)。每個項目由一個五元組構(gòu)成，即Reqm=(Req-Name,Req-Content,Req-DataType,Req-DesignValue,Req-IsFeedback)，其中：Req-Name為技術(shù)要求名稱；Req-Content為技術(shù)要求內(nèi)容；Req-DataType為數(shù)據(jù)類型；Req-DesignValue為設(shè)計值；Req-IsFeedback表示是否需要反饋實測值。

(5)Part-State為零件的裝配狀態(tài)，Part-State∈{裝，拆，換，保持}。

(6)Part-Process為零件所屬工序，對裝配而言，通常一個零件只對應(yīng)一道裝配工序。

(7)Part-TimeComsuption為裝配該零件所消耗的工時，即實做工時。

1.1.2 工藝知識

航天產(chǎn)品裝配工藝是根據(jù)產(chǎn)品裝配測試各個階段的要求，為每個階段提供的工藝方案，同時包含零件和設(shè)備需求信息。工藝知識的描述式為：

Process=(Process-Id,Model,Stage,AIT-Phase,Process-Name,Process-Code,Procedure1,Procedure2,…,Proceduren,Process-StandardTime,Process-TimeComsuption)。

其中：

(1)Process-Id為裝配工藝的唯一標(biāo)識。

(2)Model為工藝所屬產(chǎn)品的型號。

(3)Stage為產(chǎn)品的研制階段，Stage∈{模樣，初樣，正樣}。

(4)AIT-Phase為工藝所屬裝配階段。

(5)Process-Name為工藝文件名稱。

(6)Process-Code為工藝文件代號。

(7)Procedure為工序信息，Procedure=(Procedure-Id,Procedure-Content,Procedure-Features,Procedure-Parts,Procedure-Equipment,Procedure-StandardTime,Procedure-TimeComsuption)。其中：Procedure-Id為工序唯一標(biāo)識；Procedure-Content為工序內(nèi)容；Procedure-Features為工序?qū)傩?，通過枚舉類進(jìn)行表示，包括風(fēng)險點類型、質(zhì)量控制點類型、檢驗點類型、工種類型等；Procedure-Parts為工序所涉及的零件；Procedure-Equipment為工序所需設(shè)備；Procedure-StandardTime為工序的額定工時；Procedure-TimeComsuption為工序?qū)嵶龉r。

(8)Process-StandardTime為裝配工藝的額定工時。

(9)Process-TimeComsuption為裝配工藝的實做工時。

1.1.3 設(shè)備知識

航天產(chǎn)品裝配中使用的裝調(diào)和測試設(shè)備也是影響工時的關(guān)鍵因素，設(shè)備知識從設(shè)備角度來描述生產(chǎn)過程，反映調(diào)度排產(chǎn)情況和設(shè)備使用情況。設(shè)備知識的描述式為：

Equipment=(Equipment-Id,Equipment-Name,Equipment-Code,Equipment-Function,Equipment-State,Completed-Procedures,Incompleted-Procedures)。

其中：

(1)Equipment-Id為設(shè)備唯一標(biāo)識。

(2)Equipment-Name為設(shè)備名稱。

(3)Equipment-Code為設(shè)備代號。

(4)Equipment-Function為設(shè)備功能，不同功能的設(shè)備所消耗的工時也不相同。

(5)Equipment-State為設(shè)備當(dāng)前的運(yùn)行狀態(tài)，Equipment-State∈{在用，空閑，已預(yù)約}。

(6)Completed-Procedures為設(shè)備已經(jīng)完成的工序集。

(7)Incompleted-Procedures為設(shè)備未完成的工序集。

1.2 工時知識特征矩陣

按工序?qū)蛹夁M(jìn)行工時知識組織，提取每道歷史工序所涉及的零件、工藝和設(shè)備數(shù)據(jù)，按1.1節(jié)所述3類知識的內(nèi)容進(jìn)行組織，形成工時知識實例庫。知識實例Knowledge={Part，Process，Equipment}中包含了生產(chǎn)過程中對工時有重要影響的零件、工藝和設(shè)備信息，以{Part，Process，Equipment}中的關(guān)鍵特征屬性為條件屬性，Process中的工序?qū)嵶龉r(Procedure-TimeComsuption)為目標(biāo)屬性，通過回歸算法構(gòu)建工時估算模型，用于估算新工序的工時。

對于社會服務(wù)方面，高校應(yīng)積極為社會經(jīng)濟(jì)發(fā)展提供智庫服務(wù)。從社會經(jīng)濟(jì)發(fā)展的具體需求著手，重點關(guān)注社會經(jīng)濟(jì)發(fā)展中面臨的重大理論問題和其他實際問題，進(jìn)行針對性和前瞻性的研究工作，以主動參與到?jīng)Q策咨詢中去。通過高質(zhì)高效的研究成果，為政府部門的決策和規(guī)劃提供理論支撐，為社會輿論的發(fā)展提供指導(dǎo)依據(jù)。

知識實例中的屬性值用多元鍵值對的形式表示，屬性值中可能包含大量非結(jié)構(gòu)化數(shù)據(jù)，如Process中的Procedure-Content，以及與工時關(guān)聯(lián)性較弱的信息，如Part中的Part-Id，因此需要進(jìn)行屬性值量化處理使其便于計算分析，并進(jìn)行屬性重要性分析，以便篩選出用于工時計算的知識特征。

1.2.1 工藝內(nèi)容分析

知識實例中的工藝知識(Process)來源于航天生產(chǎn)企業(yè)的歷史工藝信息，航天產(chǎn)品裝配以離散型、手工裝配為主，不論是二維工藝還是三維工藝，主體的工藝內(nèi)容都是長文本的形式，以某衛(wèi)星裝配工藝卡為例進(jìn)行說明。

如圖2所示為某衛(wèi)星載荷艙裝配工藝卡，工藝卡的右上角是當(dāng)前工序的裝配對象及代號，左側(cè)列出了當(dāng)前工序所涉及的零件信息，如零件的名稱、代號、所需數(shù)量，右側(cè)是該工序用到的工裝、工具和輔料。工序的具體操作內(nèi)容在中間部分，這些描述性文字說明了裝配的操作順序、零件的連接次序、工裝工具的使用方法、操作過程的注意事項以及現(xiàn)場工序檢驗的合格標(biāo)準(zhǔn)等。

航天產(chǎn)品裝配工藝的數(shù)據(jù)組成特點如下：

(1)以文字信息為主 航天產(chǎn)品的裝配以手工裝配為主，工藝需要對零部件之間的裝配關(guān)系和裝配步驟進(jìn)行詳盡的描述，主要內(nèi)容都以文本形式呈現(xiàn)。

(2)信息組成復(fù)雜 一張工藝卡中包含了工藝說明、裝配對象、零部件、工裝夾具、輔料等信息。同時，裝配工序的完工情況、檢驗結(jié)果、操作人員和檢驗者的簽署信息等，也匯集到同一張工藝卡中。

(3)標(biāo)準(zhǔn)化不足 不同工藝師編寫工藝的術(shù)語、側(cè)重點、詳盡程度各有區(qū)別，工藝內(nèi)容的標(biāo)準(zhǔn)化程度不高。

1.2.2 工藝文本挖掘

工藝知識(Process)中的工序內(nèi)容(Procedure-Content)包含重要的工藝信息，對工時估算有很大影響，由于工序內(nèi)容以非結(jié)構(gòu)化的文本信息為主，需要對每個工序內(nèi)容進(jìn)行文本挖掘，得到可用于分析計算的文本特征。

文本挖掘技術(shù)考慮的是對文本語料庫或其他離散型數(shù)據(jù)集合的建模問題，其目標(biāo)是找到數(shù)據(jù)集合中的成員的簡短描述，以便削減大型數(shù)據(jù)的數(shù)據(jù)量，同時保留原始數(shù)據(jù)的基本統(tǒng)計關(guān)系，這些關(guān)系可用于數(shù)據(jù)的分類、查詢、總結(jié)、相似性和相關(guān)性判別等[17]。

本文采用的文本挖掘方法是TF-IDF(term frequency-inverse document frequency)算法，其原理是：對于每道工序，統(tǒng)計工序中每個詞出現(xiàn)的次數(shù)，并與反向文檔頻率(通常以對數(shù)為單位，然后再進(jìn)行適當(dāng)?shù)囊?guī)范化)相乘，得到的值就是該詞的tf-idf數(shù)值。這個數(shù)值表明了該詞對于該份文檔的重要程度。計算公式如下：

(1)

式中：N為當(dāng)前語料庫中工序的總數(shù)，ωdt為某道工序文本d中的詞t的tf-idf值，tfdt為詞t在工序d中出現(xiàn)的頻率，nt為語料庫中包含詞t的工序總數(shù)。由式(1)可知，在一道工序中出現(xiàn)頻率高，同時在其他工序中出現(xiàn)頻率低的詞，具有較大的tf-idf值。

通過式(1)計算所有工序中詞的ωdt，最終得到每道工序的TF-IDF特征向量，若文檔d中包含k個詞語，則d的文本特征向量

為了進(jìn)行回歸分析，需保證文本特征的維度相同，因此，對包含h道工序的文本語料庫，統(tǒng)計其中所有不重復(fù)的詞并組成一個詞典，若詞典中包含m個詞，則可以構(gòu)造如下工藝文本特征矩陣：

矩陣A中的元素αij(i≤h,j≤m)表示詞典中第j個詞tj在語料庫第i道工序di中的tf-idf值。由式(1)可知，當(dāng)di中不包含tj時，tfditj=0，則ωditj=0。因此，

(2)

由此，將任意長度的工序文本轉(zhuǎn)化為為固定長度(語料庫不重復(fù)的總詞數(shù))的數(shù)字向量，將非結(jié)構(gòu)化的工序文本轉(zhuǎn)化為量化的文本特征矩陣Ah×m。

1.2.3 知識特征矩陣

航天產(chǎn)品裝配過程中，除工藝因素外，零件和設(shè)備也是影響工時的重要因素。知識實例中的零件知識(Part)和設(shè)備知識(Equipment)屬性多以枚舉類(字符串)或數(shù)字表示，例如零件的類型、幾何特征、設(shè)備的功能和狀態(tài)等，工藝知識(Process)中的部分屬性也通過字符編號表示，例如工藝所屬型號、工藝文件名稱等。為篩選出用于工時計算的知識特征，提出一種通過工時波動情況判斷屬性重要性的算法，具體步驟如下：

步驟1去除待測屬性a,根據(jù)余下的屬性對歷史工序進(jìn)行分類。

步驟2對各類工序，計算工時波動：

(3)

步驟3計算各類工序的工時波動平均值Ia，即為該屬性的重要性。

上述算法以歷史工時數(shù)值作為判定依據(jù)，若條件屬性對工時的影響較大，則去除之后，工時的波動也大，反之，工時波動較小。該算法適用于多種數(shù)值形式的屬性變量，如零件類型、零件尺寸、設(shè)備類型、設(shè)備狀態(tài)等，可以提取出知識實例中對工時影響較大的屬性，將這些屬性作為條件屬性用于工時計算。

對通過上述方法選取的屬性進(jìn)行如下處理：

步驟1將字符型變量轉(zhuǎn)化成整數(shù)枚舉的形式。

步驟2對所有數(shù)值變量進(jìn)行歸一化處理。

由此，將知識實例中的結(jié)構(gòu)化屬性轉(zhuǎn)化成量化的特征矩陣：

其中：h表示工序數(shù)量，s表示篩選出的條件屬性數(shù)量，矩陣B中的元素βij(i≤h,j≤s)表示工序i中屬性j的數(shù)值。

合并工藝文本特征矩陣和零件設(shè)備特征矩陣，即可得到包含零件、工藝和設(shè)備知識的工時知識特征矩陣：

其中：h表示工序數(shù)量，u=m+s，即用于工時估算的零件、工藝、設(shè)備條件屬性的總數(shù)，矩陣C中的元素γij(i≤h,j≤u)表示工序i中屬性j的數(shù)值。

2 基于知識特征的工時定額

2.1 工時估算流程

通過對工藝知識中工藝文本內(nèi)容的挖掘和特征提取，對工藝、零件、設(shè)備知識中結(jié)構(gòu)化屬性進(jìn)行篩選和量化處理，得到工時知識特征矩陣，引入機(jī)器學(xué)習(xí)工具，使用Python代碼對工時知識特征和工時進(jìn)行回歸分析，得到工時估算模型，模型構(gòu)建流程如圖3所示。

按工序?qū)蛹夁M(jìn)行歷史數(shù)據(jù)的組織，基于三元工時知識模型，提取每道歷史工序所涉及的零件、工藝和設(shè)備數(shù)據(jù)，組織形成工時知識實例庫。通過文本挖據(jù)方法提取工藝知識中的工藝文本特征，通過工時波動算法提取知識實例中影響工時的屬性特征，從而篩選出用于工時計算的知識特征。然后，使用線性回歸模型對知識特征和工時進(jìn)行回歸分析，得到工序的“知識特征—工時”回歸模型，如圖3所示?；貧w模型構(gòu)建完成后，可存儲在知識庫中多次使用，并進(jìn)行定期更新。

對于新工序，首先提取工序相關(guān)的零件、工藝和設(shè)備數(shù)據(jù)。然后，對于工藝文本，基于工時回歸模型中的文本語料庫和詞典進(jìn)行文本挖掘，得到工藝文本特征，將相應(yīng)詞的tf-idf值填入知識特征矩陣中；對于工序中工藝、零件和設(shè)備的結(jié)構(gòu)化屬性，按照工時回歸模型中篩選出的屬性，將相應(yīng)屬性的量化數(shù)值填入知識特征矩陣中。最后，將特征矩陣帶入工時計算模型，得到新工序的預(yù)測工時，工時估算流程如圖4所示。

整個工時計算過程都是由后臺程序自動完成的，新工序的估算工時經(jīng)實際檢驗較為準(zhǔn)確的，可加入到工時計算的工序庫中，定期進(jìn)行回歸模型的訓(xùn)練，使模型不斷優(yōu)化。

2.2 回歸分析

以知識特征矩陣作為自變量，工序工時為因變量，使用線性回歸中的嶺回歸方法進(jìn)行數(shù)據(jù)擬合，多元線性回歸模型可表示為：

T(h×1)=C(h×u)δ(u×1)+ε(h×1)。

(4)

式中：T由語料庫中每道工序的工時組成，C為知識特征矩陣，δ為回歸系數(shù)，ε為誤差。回歸系數(shù)δ按照最小二乘法的估計為：

δ=(CTC)-1CTT。

(5)

為了提高參數(shù)估計的穩(wěn)定性，給CTC增加一個對角矩陣以降低矩陣的奇異性，回歸系數(shù)的求解就成了如下形式：

δ=(CTC+αI)-1CTT。

(6)

式中α為嶺回歸參數(shù)。若α=0，則等同于最小二乘法估計，即無偏估計；若α≠0，則為有偏估計。嶺回歸通過損失無偏性來獲得較高的數(shù)值穩(wěn)定性[18]。

2.3 算例

下面以某航天生產(chǎn)企業(yè)衛(wèi)星裝配過程中的單機(jī)安裝過程為例進(jìn)行說明。經(jīng)過多年數(shù)字化實踐，該企業(yè)已積累了豐富的歷史工藝和實做工時數(shù)據(jù)。從數(shù)據(jù)庫中查詢150道與單機(jī)安裝相關(guān)的工序及其關(guān)聯(lián)的零件、設(shè)備和歷史實做工時數(shù)據(jù)，按三元組構(gòu)建工時知識實例，使用Python語言進(jìn)行文本挖掘和回歸分析。Python是一種程序設(shè)計語言，提供了大量標(biāo)準(zhǔn)化模型和函數(shù)庫，可以便捷地進(jìn)行數(shù)據(jù)處理和分析。

2.3.1 知識特征矩陣構(gòu)建

對工藝知識中的工序文本數(shù)據(jù)，通過文本挖據(jù)提取工藝文本特征。基于Python語言導(dǎo)入工序文本，通過“jieba”分詞工具包(https://pypi.org/project/jieba)進(jìn)行分詞處理。分詞工具默認(rèn)按照自然語言的詞匯進(jìn)行分詞，為使分詞結(jié)果更貼合航天生產(chǎn)用語，可以導(dǎo)入自建的、包含企業(yè)特定生產(chǎn)環(huán)境和過程中專業(yè)術(shù)語的分詞庫。自建詞庫包含的專業(yè)詞匯越多，分詞的效果就越好，但自建詞庫越細(xì)致，也意味著需要更大的人工成本。由于生產(chǎn)方式、生產(chǎn)習(xí)慣的不同，自建詞庫很難在企業(yè)之間通用，實際應(yīng)用時企業(yè)需要結(jié)合自身專業(yè)特點構(gòu)建分詞庫。

工序分詞后去除停用詞，工序文本預(yù)處理的最終結(jié)果如表1所示。

表1 工序文本預(yù)處理結(jié)果

通過“corpora”工具(https://pypi.org/project/corpora)構(gòu)建詞典，詞典中包含語料庫所有不重復(fù)的詞，詞典的詞數(shù)決定了工序文本特征向量的元素數(shù)量，即文本特征矩陣A的列數(shù)m。本算例形成的詞典的前30個詞是：{′服務(wù)艙′:1,′I′:2,′象限′:3,′側(cè)板′:4,′裝′:5,′車′:6,′車上′:7,′轉(zhuǎn)接′:8,′框架′:9,′調(diào)整′:10,′水平′:11,′狀態(tài)′:12,′鎖定′:13,′安裝′:14,′手動′:15,′機(jī)械′:16,′裝卸車′:17,′M8′:18,′螺釘′:19,′連接′:20,′緊固′:21,′注意′:22,′方向′:23,′MPT′:24,′功放′:25,′級′:26,′DPT′:27,′裝星′:28,′單機(jī)′:29,′裝配圖′:30}。

對各工序中的詞進(jìn)行TF-IDF計算，構(gòu)造文本特征矩陣，按照式(1)和式(2)計算矩陣中各元素的值。

對于工藝、零件、設(shè)備知識中的結(jié)構(gòu)化屬性，通過式(3)的工時波動算法提取知識實例中對工時影響較大的屬性。然后通過歸一化方法，將屬性值量化，與工藝文本特征矩陣合并，得到工時知識特征矩陣。

選取知識特征矩陣的前30行、前40列繪制如圖5所示的熱圖，圖中第i行j列方塊的顏色代表工序i的屬性j的取值。圖5中前8列屬性是知識實

例中篩選出的結(jié)構(gòu)化屬性，取值均不為0，后32列是文本屬性，由式(2)計算得到，取值可能為0。從圖中可以看出工序之間屬性的取值有很大區(qū)別，這表示提取出的知識特征對工序具有較好的區(qū)分性。

2.3.2 工序知識特征與工時的回歸分析

使用“ridge”模型(https://pypi.org/project/ridge)對工序知識特征和工時進(jìn)行回歸，以工序知識特征為自變量，以工序的歷史實做工時為因變量。為驗證回歸模型的精確度，按照75%和25%的比例從150道工序中隨機(jī)劃分訓(xùn)練集和測試集。

由式(6)可知，嶺回歸參數(shù)α對模型的精度有很大影響，為了確定最適合的α取值，對區(qū)間[0,1]按步長0.001進(jìn)行均勻采樣，以每個采樣數(shù)值作為α值進(jìn)行模型訓(xùn)練和泛化能力測試，得到泛化精度變化曲線，如圖6所示。

得到最適用于當(dāng)前語料庫的α值為0.146，用該α值進(jìn)行回歸模型訓(xùn)練，并對測試集的每道工序進(jìn)行工時估算，結(jié)果如圖7所示。可以看出，預(yù)測值和實際值的整體符合情況較好，多數(shù)工序的工時估算偏差在20 min以內(nèi)，平均誤差為9.4%，對于復(fù)雜產(chǎn)品的離散型、小批量生產(chǎn)過程，這個誤差可以接受，并對實際生產(chǎn)有很好的指導(dǎo)效果[8]。

本算例針對大型衛(wèi)星的單機(jī)安裝相關(guān)工序進(jìn)行工時估算模型構(gòu)建，用同樣的方法對其他類型的工序進(jìn)行模型構(gòu)建，可得到各類工序的工時估算模型，將模型存儲在知識庫中，新的工序即可通過如圖4所示流程，快速進(jìn)行工時的制定。

3 航天產(chǎn)品裝配工時定額和管理系統(tǒng)開發(fā)

3.1 工時管理模型

科學(xué)合理地定制工時和管理工時，對企業(yè)組織生產(chǎn)、挖掘生產(chǎn)潛力、提高生產(chǎn)效率具有重要作用。為此，本文提出一種針對航天產(chǎn)品裝配過程的工時管理模型，以基于知識的工時定額為基礎(chǔ)，將工時管理過程與航天產(chǎn)品裝配生產(chǎn)整體流程相結(jié)合，實現(xiàn)流程化的航天產(chǎn)品裝配工時管理，工時管理模型如圖8所示。

該模型將工時管理模塊與CAPP系統(tǒng)、MES系統(tǒng)進(jìn)行集成，主要包括基礎(chǔ)信息管理、工時定額、工時分配和實做工時采集功能。

(1)基礎(chǔ)信息管理 對參與工時管理的人員角色、權(quán)限進(jìn)行控制，將工時管理責(zé)任細(xì)化，建立有效的工時管理和監(jiān)督體系。對歷史工時信息進(jìn)行管理，提取每道歷史工序所涉及的零件、工藝和設(shè)備數(shù)據(jù)以及歷史實做工時，組織形成工時知識實例庫，作為新工時制定的依據(jù)。

(2)工時定額 用于自動估算新工序的工時，對工序內(nèi)容進(jìn)行文本挖掘，依據(jù)工時知識模型，對工藝、零件和設(shè)備中的重要屬性進(jìn)行篩選和量化處理，得到知識特征，對工時知識特征和工時進(jìn)行回歸分析，將特征矩陣帶入工時計算模型，得到新工序的預(yù)測工時。由工藝師對自動計算出的工時進(jìn)行人工修正。

(3)定額工時分配 在車間生產(chǎn)中，對每道工序的操作人員、檢驗員等進(jìn)行工時分配，作為績效考核依據(jù)。通過工作流進(jìn)行工時分配進(jìn)度的管控，實現(xiàn)工時按時、按量分配。

(4)實做工時采集 包括手動填報工時和設(shè)備數(shù)據(jù)集成兩種方式。設(shè)備集成包括刷卡器、數(shù)控設(shè)備等的集成?？赏ㄟ^工序開完工的刷卡簽署時間進(jìn)行工時計算；對進(jìn)入特殊廠房的操作，可通過刷卡時間進(jìn)行工時計算；對使用數(shù)控加工、噴涂、檢測、實驗設(shè)備的工序，可通過設(shè)備自身記錄的工作時間進(jìn)行工時計算。實做工時用于反饋和修正定額工時。

3.2 系統(tǒng)體系結(jié)構(gòu)

系統(tǒng)的體系結(jié)構(gòu)如圖9所示，包括支持層、對象層、功能層以及用戶界面層。

(1)支持層位于體系的最底層，包括數(shù)據(jù)庫、傳輸網(wǎng)絡(luò)和計算機(jī)操作系統(tǒng)3部分，是軟件運(yùn)行的基礎(chǔ)環(huán)境，實現(xiàn)基礎(chǔ)數(shù)據(jù)的存儲以及信息傳輸?shù)墓δ堋?/p>

(2)對象層是數(shù)據(jù)的表現(xiàn)形式，本系統(tǒng)以各實體類為數(shù)據(jù)基礎(chǔ)，構(gòu)建了面向?qū)ο蟮墓r數(shù)據(jù)模型。

(3)功能層實現(xiàn)系統(tǒng)需求中的各個功能模塊，包括工時知識實例庫維護(hù)、定額工時制定、定額工時分配、實做工時采集、工時統(tǒng)計和報表輸出、數(shù)據(jù)接口、系統(tǒng)管理和訪問權(quán)限控制等。

(4)用戶界面層是系統(tǒng)頁面，系統(tǒng)采用B/S架構(gòu)，用戶通過客戶端瀏覽器訪問本系統(tǒng)。

4 系統(tǒng)應(yīng)用實例

基于以上研究，本文設(shè)計開發(fā)了航天產(chǎn)品裝配工時定額和管理系統(tǒng)，并在某航天企業(yè)得到應(yīng)用。工藝編制界面如圖10所示，針對每道工序，通過2.1節(jié)工時估算流程自動實現(xiàn)工時定額。

為驗證工時定額方法的可行性，選擇某大型衛(wèi)星的單機(jī)裝配、熱控實施和電測試3種類型，各5道工序進(jìn)行工時估算(這3類工序都已通過上述方法構(gòu)建了工時回歸模型)，并與經(jīng)驗估計法進(jìn)行對比，結(jié)果見表2。

表2 工時估算結(jié)果對比

由表2可以看出，本文工時定額方法在工時定額準(zhǔn)確率方面優(yōu)于經(jīng)驗估計法，具有一定的實用價值。同時注意到，該方法針對不同類型的工序，工時估算的誤差有明顯區(qū)別，而同類型工序之間的工時誤差區(qū)別較小。這是因為不同類型的裝配工序具有不同的零件、設(shè)備屬性和工藝標(biāo)準(zhǔn)化程度。以表2為例，電測試的操作過程較為固化，設(shè)備智能化程度高，工序內(nèi)容較為固化，因而工時估算的誤差較?。粏螜C(jī)裝配的操作過程復(fù)雜，涉及大量零件和非標(biāo)設(shè)備，工序文本較長且文本中噪聲詞較多，影響了工時估算的精度。

系統(tǒng)工時分配頁面如圖11所示，在車間生產(chǎn)中，對每道工序的操作人員、檢驗員等進(jìn)行工時分配。

工時統(tǒng)計查詢頁面如圖12所示，可以從車間、型號、個人等多個維度進(jìn)行工時查詢。

5 結(jié)束語

針對當(dāng)前航天產(chǎn)品裝配工時定額精度低、工時管理不規(guī)范、管理過程信息化程度低的問題，本文提出了航天產(chǎn)品裝配工時知識模型，將影響工時的零件屬性、工藝內(nèi)容和設(shè)備屬性進(jìn)行了統(tǒng)一描述。通過文本挖掘技術(shù)對工藝文本特征進(jìn)行提取，通過工時波動算法篩選工時知識中的條件屬性，實現(xiàn)了知識特征的自動提取。使用Python語言進(jìn)行回歸模型訓(xùn)練，實現(xiàn)了衛(wèi)星裝配工時的快速制定。提出了流程化的衛(wèi)星裝配工時管理模型，將工時管理納入到裝配工藝設(shè)計、任務(wù)排產(chǎn)、車間管理、過程監(jiān)控等各個環(huán)節(jié)。設(shè)計并開發(fā)了工時定額和管理系統(tǒng)，并在某航天企業(yè)得到推廣應(yīng)用，提高了工時制定的效率，規(guī)范了工時信息管理流程，實現(xiàn)了企業(yè)工時信息全面、系統(tǒng)的應(yīng)用。為進(jìn)一步提高航天產(chǎn)品裝配工時估算的準(zhǔn)確性，后續(xù)將研究使用更高效的挖掘算法，如主題模型等，用于挖掘潛在的工藝文本語義特征，使工時知識模型更加精確。同時研究使用神經(jīng)網(wǎng)絡(luò)等更復(fù)雜的擬合方法，以獲得對高維數(shù)據(jù)和稀疏矩陣更好的泛化能力。