买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉电子科技大学申请的专利一种基于工序聚类的工时预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115841184B 。

龙图腾网通过国家知识产权局官网在2026-03-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211585038.0，技术领域涉及：G06Q10/04；该发明授权一种基于工序聚类的工时预测方法是由李波;王嘉颍;陈敏;刘民岷;杜小东;史建成设计研发完成，并于2022-12-09向国家知识产权局提交的专利申请。

本一种基于工序聚类的工时预测方法在说明书摘要公布了：本发明公开了一种基于工序聚类的工时预测方法，涉及时间序列预测的研究领域。预测特定目标团队加工目标工序的时间，为排程方案的选择和生产周期的评估提供了参考依据。本发明依据工序的聚类结果，对不同种类的工序进行相应的工时数据拟合，分别得到与团队累计加工数量、人员班制和团队人数三种因素关联的学习曲线模型，确定目标工序和目标团队后，根据聚类结果计算目标工序所属类别，以及目标团队在该类任务下的三因素学习曲线，对目标工时作出预测。

本发明授权一种基于工序聚类的工时预测方法在权利要求书中公布了：1.一种基于工序聚类的工时预测方法，该方法包括： 步骤1：基于自组织特征映射神经网络对工序进行聚类； 步骤1.1：从企业CAPP、ERP系统中采集所有加工工序的名称及其工艺特征，并对其特征进行量化； 步骤1.2：将所有工序的特征整理为n维向量形式，并对其进行归一化处理，作为SOFM网络的输入样本，SOFM网络表示自组织特征映射网络； 步骤1.3：依据输入数据特征，对SOFM网络进行设计，包括输入层神经元节点个数、输出层节点个数、学习率及学习次数； 步骤1.4：SOFM网络通过计算所有神经元节点与输入样本间的距离确定获胜节点及优势邻域，并调整优势邻域内神经元节点的权值；当获胜节点的学习率小于固定值时，结束SOFM网络训练过程，得到输入n维向量的聚类结果； 步骤2：推导并拟合三因素学习曲线模型预测目标工序加工时间； 步骤2.1：由柯布-道格拉斯生产函数推导出与团队累计加工数量、人员班制和团队人数三个因素关联的学习曲线模型； 传统CD生产函数形式为公式8： 8 其中，Y表示产出量，A为效率系数，是广义技术进步的反应，K、L表示资本投入和劳动投入，、表示资本和劳动的产出弹性，即当劳动和资本投入增加1%时，产出分别平均增长和；而劳动投入L是由团队累计加工数量和团队人数共同决定的，因此，劳动投入L按照公式9进行分解； 9 其中，H表示修正系数，Q表示单位时间内的团队累计加工数量，N表示团队人数，a、b分别表示累计加工数量和团队人数对于劳动投入的影响，即在单位时间内团队累计加工数量每增加1%时，对于劳动的投入就增加a%；团队人数每增加1%时，对于劳动的投入增加b%； 针对的电子产品精密件生产车间中，资本投入只包括劳动资本，即随着产量的增多，资本存量的变化与劳动投入有关，具体表示为公式10： 10 其中，为修正系数，表示劳动投入对资本投入的影响系数；将公式9和公式10带入公式8，并将修正系数部分用k统一表示，可得： 11 令，，并取对数得公式12： 12 单位工时表示加工每道工序的平均工时，表示为公式13： 13 其中，T为总工时；将公式13带入公式12得公式14： 14 令，则公式14表示为： 15 在实际生产中，正式员工和外包员工属于不同人力资源的劳动者，其对于劳动投入的影响也有所不同，而公式15中系数u、p、q的推导过程均与劳动投入有关，因此，拟合不同班制人员的同类工时数据会得到不同的系数；将两类员工用M表示，M为1代表正式员工，M为0代表外包员工，可得公式16 16 步骤2.2：采集并处理多个不同团队加工各类别工序的工时数据，针对不同类别的工序分别进行回归分析，求解学习曲线模型中的系数，得到各类工序特定的学习曲线模型，并进行数据库存储； 步骤2.3：确定待加工的工序，依据SOFM网络对其进行归类，并从数据库中获取相应类别的学习曲线模型； 步骤2.4：确定该工序的操作团队，将该团队的累计加工数量、人员班制和团队人数代入该类学习曲线模型得到目标工时。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人电子科技大学，其通讯地址为：611731 四川省成都市高新区(西区)西源大道2006号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。