K-means + GABP神经网络：预测工序工时定额的新方法

"基于Kmeans算法的GABP神经网络预测工序的工时定额" 本文主要探讨了如何提高零件工时定额预测的准确性和实时性，尤其关注从工序层面出发的方法。研究者樊梁华和雷琦提出了一种创新的预测技术，即结合K-means聚类算法和GABP（遗传算法优化的反向传播）神经网络来预测工序的工时定额。这一方法首先对历史工序加工特征值进行K-means聚类分析，以便于识别和归类相似的工序特征。通过对聚类结果进行分析，可以更好地理解不同工序之间的差异和相似性。 K-means算法是一种常见的无监督学习方法，用于将数据集分成多个类别或簇。在这个研究中，它被用来将工序的加工特征值分为不同的组，这样每个组内的特征值具有较高的相似性。接下来，对于每个聚类组，研究人员构建了一个对应的GABP神经网络模型，该模型利用遗传算法优化反向传播过程，以提高训练效率和预测精度。 在训练完成后，新的、待预测的工序加工特征值将根据其与历史数据的欧氏距离被分配到最接近的聚类组。然后，这个工序会被输入到相应的GABP模型中进行工时定额的预测。这种方法的优点在于，它能够考虑到工序特征的复杂性和多样性，从而提供更精确的预测结果。 通过实例验证，采用K-means聚类的GABP神经网络预测模型相比于未使用聚类的GABP模型，其预测准确率显著提高，并且预测误差保持在10%以内。这表明该方法在实际应用中具有较好的可行性和实用性，对于改善制造企业的工时管理、优化生产计划以及提高生产效率具有重要意义。 关键词涵盖了工业工程、工时定额、预测、工序、GABP神经网络以及K-means聚类，这些都突出了研究的核心内容和技术手段。文章的研究成果对于从事智能制造、生产运作管理领域的专业人士具有重要的参考价值。通过结合统计学、机器学习和神经网络技术，该研究为改进传统工时定额计算方法提供了新的思路。