基于知识挖掘的航天产品装配工时定额和管理系统

赵文浩，邢香园，王 治，万 峰，吴剑锋，陈瑞启

(上海卫星装备研究所，上海 200240)

0 引言

工时信息是企业控制成本、编制生产计划、衡量工人劳动量的重要依据[1]。航天产品(如卫星、导弹、火箭等)具有系统复杂、多学科综合、小批量生产、研制周期长的特点，装配作为航天产品生产的最后环节，直接影响产品的最终性能[2]。航天产品装配是典型的离散型作业流程，生产批量小、周期长、信息流复杂，装配过程主要由操作工人手工完成[3]。传统的、依赖人工经验的装配工时定额和工时管理方法已不能满足航天企业对工时精细化管理的要求，严重影响着航天企业生产效率[4]。因此，研究航天产品装配工时定额估算和科学、系统的管理方法具有十分重要的意义。

在工时估算方面，很多学者立足于分析工艺和产品的特征，研究其与工时的内在关系，从而根据这些特征进行未知工时的估算。例如，黄清云[5]研究了车削加工中零件尺寸与切削工时之间的线性回归关系，并以此制定车削定额工时。重庆大学陈友玲等[6]，提出了大规模定制生产中零件复杂度计算模型，通过MATLAB软件拟合出零件拓扑结构和工艺复杂度对加工工时的影响函数，用于计算新型零件的加工工时。南京航空航天大学李露[7]建立了机电产品装配过程的工时定额模型，分类讨论了各类型机电产品装配操作的工时计算公式，实现了工时的快速计算。晁海涛等[8]构建了各类机柜线缆的工时计算模型，用于估算机柜线缆的装配工时。Eraslan[9]使用多种算法训练神经网络模型，利用所选产品的标准时间估计剩余产品的标准时间，用于估算非标准生产过程的工时。此外，也有学者分析企业生产技术、员工素质等因素对工时的影响，文献[10-12]分别从员工工作态度、员工知识水平、产品定制的方面提出了工时计算模型。

在工时管理方面，陈少平等[13]提出了基于MES(manufacturing execution system)的离散机械加工车间工时管理模型，实现了工时定额、调度和加工环节工时信息的统一管理，但该模型只适用于数控机床较多的加工车间，且缺乏工时分配和工人绩效相关的研究。董李扬等[14]引入首件补差系数和功效系数，对机械加工工时进行优化分配，使工时绩效考核更加科学，但该方法与车间管理系统结合不紧密，未能实现工时数据的实时采集和流程化管理。

综上所述，当前的工时估算方法研究以机械加工领域为主，主要通过零件的尺寸、拓扑结构、加工精度等特征作为工时计算参数，通常针对某一具体生产环节进行分析和建模，多用于通用性和规范性较强的生产过程。而航天产品以单件、小批量生产为主，装配组织形式为集中固定式的离散型装配，并存在大量的手工装配环节[15]。航天产品的装配工艺注重于对零部件装配关系的描述，工艺内容包含大量文本信息[16]，且装配涉及的零部件和设备种类多、数量大，导致工时估算十分困难。当前，对于工时管理系统的研究多针对机械加工车间，工时管理模式适用于批量化的流水线生产车间，尚缺乏面向航天产品离散型装配过程的工时定额和工时管理相关的研究。

为此，本文对航天产品的装配工时定额方法和管理流程进行了研究。首先构建了包含零件知识、工艺知识和设备知识的航天产品装配工时知识模型，通过文本挖掘技术对工艺文本特征进行提取，通过工时波动情况判断知识实例中结构化属性的重要程度，实现了对装配工时影响因素的量化处理。然后，使用Python代码对工时知识特征和工时进行回归分析，得到了工时估算模型。最后，结合生产流程，提出了工时定额、实做工时采集和统计分析的全过程管理方法，为解决卫星装配工时管理问题提供了有效方案。

1 航天产品装配工时知识模型

1.1 工时知识内容

影响航天产品装配工时的因素很多，并伴随装配过程的多个环节，包括总体装配计划制定、工艺编制和排产调度环节。本文基于航天产品装配过程，将工时知识分为零件知识、工艺知识和设备知识3类，知识实例可用三元组的形式表达：Knowledge={Part，Process，Equipment}，其中Part是零件知识，Process是工艺知识，Equipment是设备知识。每类知识都包含一系列特征属性，能够区分不同的历史装配工时实例，工时知识框架如图1所示。

工时知识从企业生产所累积的海量历史数据中提取，对历史的装配计划、工艺方案和排产调度方案中包含的工时信息进行知识化描述，并映射到零件知识、工艺知识和设备知识中。其中，装配计划和工艺方案中的设计、配套信息传递给零件知识；工艺方案中的工艺信息传递给工艺知识；排产调度中的设备排产信息传递给设备知识。零件知识和设备知识依据工时知识所提供的信息指导实际装配作业，实时采集、统计并反馈实做工时信息给工时知识；工艺知识依据工艺信息指导实际生产，并将工时定额的执行情况反馈给工时知识，并存储在知识库中。

1.1.1 零件知识

零件知识包含零件的基本信息和特征属性，便于从零件层级对装配的进度和实做工时情况进行追踪。其描述式为：

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

其中：

(1)Part-Id为零件唯一标识。

(2)Part-BaseInfo为零件基本信息，由一个七元组表示，即Part-BaseInfo=(Model,Stage,AIT-Phase,SubSystem,Part-Type,Part-Code,Part-Name)。其中：Model表示零件所属产品的型号；Stage表示产品的研制阶段，Stage∈{模样，初样，正样}；AIT-Phase表示装配阶段；Subsystem表示零件所属分系统；Part-Type表示零件类型；Part-Code表示零件编号；Part-Name表示零件名称。

(3)Part-Features为面向装配的零件装配特征信息，由一个三元组表示，即Part-Features=(Feature-Id,Feature-Code,Feature-Type)。其中：Feature-Id是特征的唯一标识；Feature-Code是零件特征编码，由零件编号和特征编号组成；Feature-Type表示特征的类型，由枚举类进行表示，包括安装孔、安装面、接地螺钉等。

(4)Part-TechRequirement为零件技术要求信息，由若干技术要求项目组成，即Part-TechRequirement=(Req1,Req2,…,Reqm)。每个项目由一个五元组构成，即Reqm=(Req-Name,Req-Content,Req-DataType,Req-DesignValue,Req-IsFeedback)，其中：Req-Name为技术要求名称；Req-Content为技术要求内容；Req-DataType为数据类型；Req-DesignValue为设计值；Req-IsFeedback表示是否需要反馈实测值。

(5)Part-State为零件的装配状态，Part-State∈{装，拆，换，保持}。

(6)Part-Process为零件所属工序，对装配而言，通常一个零件只对应一道装配工序。

(7)Part-TimeComsuption为装配该零件所消耗的工时，即实做工时。

1.1.2 工艺知识

航天产品装配工艺是根据产品装配测试各个阶段的要求，为每个阶段提供的工艺方案，同时包含零件和设备需求信息。工艺知识的描述式为：

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

其中：

(1)Process-Id为装配工艺的唯一标识。

(2)Model为工艺所属产品的型号。

(3)Stage为产品的研制阶段，Stage∈{模样，初样，正样}。

(4)AIT-Phase为工艺所属装配阶段。

(5)Process-Name为工艺文件名称。

(6)Process-Code为工艺文件代号。

(7)Procedure为工序信息，Procedure=(Procedure-Id,Procedure-Content,Procedure-Features,Procedure-Parts,Procedure-Equipment,Procedure-StandardTime,Procedure-TimeComsuption)。其中：Procedure-Id为工序唯一标识；Procedure-Content为工序内容；Procedure-Features为工序属性，通过枚举类进行表示，包括风险点类型、质量控制点类型、检验点类型、工种类型等；Procedure-Parts为工序所涉及的零件；Procedure-Equipment为工序所需设备；Procedure-StandardTime为工序的额定工时；Procedure-TimeComsuption为工序实做工时。

(8)Process-StandardTime为装配工艺的额定工时。

(9)Process-TimeComsuption为装配工艺的实做工时。

1.1.3 设备知识

航天产品装配中使用的装调和测试设备也是影响工时的关键因素，设备知识从设备角度来描述生产过程，反映调度排产情况和设备使用情况。设备知识的描述式为：

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

其中：

(1)Equipment-Id为设备唯一标识。

(2)Equipment-Name为设备名称。

(3)Equipment-Code为设备代号。

(4)Equipment-Function为设备功能，不同功能的设备所消耗的工时也不相同。

(5)Equipment-State为设备当前的运行状态，Equipment-State∈{在用，空闲，已预约}。

(6)Completed-Procedures为设备已经完成的工序集。

(7)Incompleted-Procedures为设备未完成的工序集。

1.2 工时知识特征矩阵

按工序层级进行工时知识组织，提取每道历史工序所涉及的零件、工艺和设备数据，按1.1节所述3类知识的内容进行组织，形成工时知识实例库。知识实例Knowledge={Part，Process，Equipment}中包含了生产过程中对工时有重要影响的零件、工艺和设备信息，以{Part，Process，Equipment}中的关键特征属性为条件属性，Process中的工序实做工时(Procedure-TimeComsuption)为目标属性，通过回归算法构建工时估算模型，用于估算新工序的工时。

对于社会服务方面，高校应积极为社会经济发展提供智库服务。从社会经济发展的具体需求着手，重点关注社会经济发展中面临的重大理论问题和其他实际问题，进行针对性和前瞻性的研究工作，以主动参与到决策咨询中去。通过高质高效的研究成果，为政府部门的决策和规划提供理论支撑，为社会舆论的发展提供指导依据。

知识实例中的属性值用多元键值对的形式表示，属性值中可能包含大量非结构化数据，如Process中的Procedure-Content，以及与工时关联性较弱的信息，如Part中的Part-Id，因此需要进行属性值量化处理使其便于计算分析，并进行属性重要性分析，以便筛选出用于工时计算的知识特征。

1.2.1 工艺内容分析

知识实例中的工艺知识(Process)来源于航天生产企业的历史工艺信息，航天产品装配以离散型、手工装配为主，不论是二维工艺还是三维工艺，主体的工艺内容都是长文本的形式，以某卫星装配工艺卡为例进行说明。

如图2所示为某卫星载荷舱装配工艺卡，工艺卡的右上角是当前工序的装配对象及代号，左侧列出了当前工序所涉及的零件信息，如零件的名称、代号、所需数量，右侧是该工序用到的工装、工具和辅料。工序的具体操作内容在中间部分，这些描述性文字说明了装配的操作顺序、零件的连接次序、工装工具的使用方法、操作过程的注意事项以及现场工序检验的合格标准等。

航天产品装配工艺的数据组成特点如下：

(1)以文字信息为主 航天产品的装配以手工装配为主，工艺需要对零部件之间的装配关系和装配步骤进行详尽的描述，主要内容都以文本形式呈现。

(2)信息组成复杂 一张工艺卡中包含了工艺说明、装配对象、零部件、工装夹具、辅料等信息。同时，装配工序的完工情况、检验结果、操作人员和检验者的签署信息等，也汇集到同一张工艺卡中。

(3)标准化不足 不同工艺师编写工艺的术语、侧重点、详尽程度各有区别，工艺内容的标准化程度不高。

1.2.2 工艺文本挖掘

工艺知识(Process)中的工序内容(Procedure-Content)包含重要的工艺信息，对工时估算有很大影响，由于工序内容以非结构化的文本信息为主，需要对每个工序内容进行文本挖掘，得到可用于分析计算的文本特征。

文本挖掘技术考虑的是对文本语料库或其他离散型数据集合的建模问题，其目标是找到数据集合中的成员的简短描述，以便削减大型数据的数据量，同时保留原始数据的基本统计关系，这些关系可用于数据的分类、查询、总结、相似性和相关性判别等[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：对于每道工序，统计工序中每个词出现的次数，并与反向文档频率(通常以对数为单位，然后再进行适当的规范化)相乘，得到的值就是该词的tf-idf数值。这个数值表明了该词对于该份文档的重要程度。计算公式如下：

(1)

式中：N为当前语料库中工序的总数，ωdt为某道工序文本d中的词t的tf-idf值，tfdt为词t在工序d中出现的频率，nt为语料库中包含词t的工序总数。由式(1)可知，在一道工序中出现频率高，同时在其他工序中出现频率低的词，具有较大的tf-idf值。

通过式(1)计算所有工序中词的ωdt，最终得到每道工序的TF-IDF特征向量，若文档d中包含k个词语，则d的文本特征向量

为了进行回归分析，需保证文本特征的维度相同，因此，对包含h道工序的文本语料库，统计其中所有不重复的词并组成一个词典，若词典中包含m个词，则可以构造如下工艺文本特征矩阵：

矩阵A中的元素αij(i≤h,j≤m)表示词典中第j个词tj在语料库第i道工序di中的tf-idf值。由式(1)可知，当di中不包含tj时，tfditj=0，则ωditj=0。因此，

(2)

由此，将任意长度的工序文本转化为为固定长度(语料库不重复的总词数)的数字向量，将非结构化的工序文本转化为量化的文本特征矩阵Ah×m。

1.2.3 知识特征矩阵

航天产品装配过程中，除工艺因素外，零件和设备也是影响工时的重要因素。知识实例中的零件知识(Part)和设备知识(Equipment)属性多以枚举类(字符串)或数字表示，例如零件的类型、几何特征、设备的功能和状态等，工艺知识(Process)中的部分属性也通过字符编号表示，例如工艺所属型号、工艺文件名称等。为筛选出用于工时计算的知识特征，提出一种通过工时波动情况判断属性重要性的算法，具体步骤如下：

步骤1去除待测属性a,根据余下的属性对历史工序进行分类。

步骤2对各类工序，计算工时波动：

(3)

步骤3计算各类工序的工时波动平均值Ia，即为该属性的重要性。

上述算法以历史工时数值作为判定依据，若条件属性对工时的影响较大，则去除之后，工时的波动也大，反之，工时波动较小。该算法适用于多种数值形式的属性变量，如零件类型、零件尺寸、设备类型、设备状态等，可以提取出知识实例中对工时影响较大的属性，将这些属性作为条件属性用于工时计算。

对通过上述方法选取的属性进行如下处理：

步骤1将字符型变量转化成整数枚举的形式。

步骤2对所有数值变量进行归一化处理。

由此，将知识实例中的结构化属性转化成量化的特征矩阵：

其中：h表示工序数量，s表示筛选出的条件属性数量，矩阵B中的元素βij(i≤h,j≤s)表示工序i中属性j的数值。

合并工艺文本特征矩阵和零件设备特征矩阵，即可得到包含零件、工艺和设备知识的工时知识特征矩阵：

其中：h表示工序数量，u=m+s，即用于工时估算的零件、工艺、设备条件属性的总数，矩阵C中的元素γij(i≤h,j≤u)表示工序i中属性j的数值。

2 基于知识特征的工时定额

2.1 工时估算流程

通过对工艺知识中工艺文本内容的挖掘和特征提取，对工艺、零件、设备知识中结构化属性进行筛选和量化处理，得到工时知识特征矩阵，引入机器学习工具，使用Python代码对工时知识特征和工时进行回归分析，得到工时估算模型，模型构建流程如图3所示。

按工序层级进行历史数据的组织，基于三元工时知识模型，提取每道历史工序所涉及的零件、工艺和设备数据，组织形成工时知识实例库。通过文本挖据方法提取工艺知识中的工艺文本特征，通过工时波动算法提取知识实例中影响工时的属性特征，从而筛选出用于工时计算的知识特征。然后，使用线性回归模型对知识特征和工时进行回归分析，得到工序的“知识特征—工时”回归模型，如图3所示。回归模型构建完成后，可存储在知识库中多次使用，并进行定期更新。

对于新工序，首先提取工序相关的零件、工艺和设备数据。然后，对于工艺文本，基于工时回归模型中的文本语料库和词典进行文本挖掘，得到工艺文本特征，将相应词的tf-idf值填入知识特征矩阵中；对于工序中工艺、零件和设备的结构化属性，按照工时回归模型中筛选出的属性，将相应属性的量化数值填入知识特征矩阵中。最后，将特征矩阵带入工时计算模型，得到新工序的预测工时，工时估算流程如图4所示。

整个工时计算过程都是由后台程序自动完成的，新工序的估算工时经实际检验较为准确的，可加入到工时计算的工序库中，定期进行回归模型的训练，使模型不断优化。

2.2 回归分析

以知识特征矩阵作为自变量，工序工时为因变量，使用线性回归中的岭回归方法进行数据拟合，多元线性回归模型可表示为：

T(h×1)=C(h×u)δ(u×1)+ε(h×1)。

(4)

式中：T由语料库中每道工序的工时组成，C为知识特征矩阵，δ为回归系数，ε为误差。回归系数δ按照最小二乘法的估计为：

δ=(CTC)-1CTT。

(5)

为了提高参数估计的稳定性，给CTC增加一个对角矩阵以降低矩阵的奇异性，回归系数的求解就成了如下形式：

δ=(CTC+αI)-1CTT。

(6)

式中α为岭回归参数。若α=0，则等同于最小二乘法估计，即无偏估计；若α≠0，则为有偏估计。岭回归通过损失无偏性来获得较高的数值稳定性[18]。

2.3 算例

下面以某航天生产企业卫星装配过程中的单机安装过程为例进行说明。经过多年数字化实践，该企业已积累了丰富的历史工艺和实做工时数据。从数据库中查询150道与单机安装相关的工序及其关联的零件、设备和历史实做工时数据，按三元组构建工时知识实例，使用Python语言进行文本挖掘和回归分析。Python是一种程序设计语言，提供了大量标准化模型和函数库，可以便捷地进行数据处理和分析。

2.3.1 知识特征矩阵构建

对工艺知识中的工序文本数据，通过文本挖据提取工艺文本特征。基于Python语言导入工序文本，通过“jieba”分词工具包(https://pypi.org/project/jieba)进行分词处理。分词工具默认按照自然语言的词汇进行分词，为使分词结果更贴合航天生产用语，可以导入自建的、包含企业特定生产环境和过程中专业术语的分词库。自建词库包含的专业词汇越多，分词的效果就越好，但自建词库越细致，也意味着需要更大的人工成本。由于生产方式、生产习惯的不同，自建词库很难在企业之间通用，实际应用时企业需要结合自身专业特点构建分词库。

工序分词后去除停用词，工序文本预处理的最终结果如表1所示。

表1 工序文本预处理结果

通过“corpora”工具(https://pypi.org/project/corpora)构建词典，词典中包含语料库所有不重复的词，词典的词数决定了工序文本特征向量的元素数量，即文本特征矩阵A的列数m。本算例形成的词典的前30个词是：{′服务舱′:1,′I′:2,′象限′:3,′侧板′:4,′装′:5,′车′:6,′车上′:7,′转接′:8,′框架′:9,′调整′:10,′水平′:11,′状态′:12,′锁定′:13,′安装′:14,′手动′:15,′机械′:16,′装卸车′:17,′M8′:18,′螺钉′:19,′连接′:20,′紧固′:21,′注意′:22,′方向′:23,′MPT′:24,′功放′:25,′级′:26,′DPT′:27,′装星′:28,′单机′:29,′装配图′:30}。

对各工序中的词进行TF-IDF计算，构造文本特征矩阵，按照式(1)和式(2)计算矩阵中各元素的值。

对于工艺、零件、设备知识中的结构化属性，通过式(3)的工时波动算法提取知识实例中对工时影响较大的属性。然后通过归一化方法，将属性值量化，与工艺文本特征矩阵合并，得到工时知识特征矩阵。

选取知识特征矩阵的前30行、前40列绘制如图5所示的热图，图中第i行j列方块的颜色代表工序i的属性j的取值。图5中前8列属性是知识实

例中筛选出的结构化属性，取值均不为0，后32列是文本属性，由式(2)计算得到，取值可能为0。从图中可以看出工序之间属性的取值有很大区别，这表示提取出的知识特征对工序具有较好的区分性。

2.3.2 工序知识特征与工时的回归分析

使用“ridge”模型(https://pypi.org/project/ridge)对工序知识特征和工时进行回归，以工序知识特征为自变量，以工序的历史实做工时为因变量。为验证回归模型的精确度，按照75%和25%的比例从150道工序中随机划分训练集和测试集。

由式(6)可知，岭回归参数α对模型的精度有很大影响，为了确定最适合的α取值，对区间[0,1]按步长0.001进行均匀采样，以每个采样数值作为α值进行模型训练和泛化能力测试，得到泛化精度变化曲线，如图6所示。

得到最适用于当前语料库的α值为0.146，用该α值进行回归模型训练，并对测试集的每道工序进行工时估算，结果如图7所示。可以看出，预测值和实际值的整体符合情况较好，多数工序的工时估算偏差在20 min以内，平均误差为9.4%，对于复杂产品的离散型、小批量生产过程，这个误差可以接受，并对实际生产有很好的指导效果[8]。

本算例针对大型卫星的单机安装相关工序进行工时估算模型构建，用同样的方法对其他类型的工序进行模型构建，可得到各类工序的工时估算模型，将模型存储在知识库中，新的工序即可通过如图4所示流程，快速进行工时的制定。

3 航天产品装配工时定额和管理系统开发

3.1 工时管理模型

科学合理地定制工时和管理工时，对企业组织生产、挖掘生产潜力、提高生产效率具有重要作用。为此，本文提出一种针对航天产品装配过程的工时管理模型，以基于知识的工时定额为基础，将工时管理过程与航天产品装配生产整体流程相结合，实现流程化的航天产品装配工时管理，工时管理模型如图8所示。

该模型将工时管理模块与CAPP系统、MES系统进行集成，主要包括基础信息管理、工时定额、工时分配和实做工时采集功能。

(1)基础信息管理 对参与工时管理的人员角色、权限进行控制，将工时管理责任细化，建立有效的工时管理和监督体系。对历史工时信息进行管理，提取每道历史工序所涉及的零件、工艺和设备数据以及历史实做工时，组织形成工时知识实例库，作为新工时制定的依据。

(2)工时定额 用于自动估算新工序的工时，对工序内容进行文本挖掘，依据工时知识模型，对工艺、零件和设备中的重要属性进行筛选和量化处理，得到知识特征，对工时知识特征和工时进行回归分析，将特征矩阵带入工时计算模型，得到新工序的预测工时。由工艺师对自动计算出的工时进行人工修正。

(3)定额工时分配 在车间生产中，对每道工序的操作人员、检验员等进行工时分配，作为绩效考核依据。通过工作流进行工时分配进度的管控，实现工时按时、按量分配。

(4)实做工时采集 包括手动填报工时和设备数据集成两种方式。设备集成包括刷卡器、数控设备等的集成。可通过工序开完工的刷卡签署时间进行工时计算；对进入特殊厂房的操作，可通过刷卡时间进行工时计算；对使用数控加工、喷涂、检测、实验设备的工序，可通过设备自身记录的工作时间进行工时计算。实做工时用于反馈和修正定额工时。

3.2 系统体系结构

系统的体系结构如图9所示，包括支持层、对象层、功能层以及用户界面层。

(1)支持层位于体系的最底层，包括数据库、传输网络和计算机操作系统3部分，是软件运行的基础环境，实现基础数据的存储以及信息传输的功能。

(2)对象层是数据的表现形式，本系统以各实体类为数据基础，构建了面向对象的工时数据模型。

(3)功能层实现系统需求中的各个功能模块，包括工时知识实例库维护、定额工时制定、定额工时分配、实做工时采集、工时统计和报表输出、数据接口、系统管理和访问权限控制等。

(4)用户界面层是系统页面，系统采用B/S架构，用户通过客户端浏览器访问本系统。

4 系统应用实例

基于以上研究，本文设计开发了航天产品装配工时定额和管理系统，并在某航天企业得到应用。工艺编制界面如图10所示，针对每道工序，通过2.1节工时估算流程自动实现工时定额。

为验证工时定额方法的可行性，选择某大型卫星的单机装配、热控实施和电测试3种类型，各5道工序进行工时估算(这3类工序都已通过上述方法构建了工时回归模型)，并与经验估计法进行对比，结果见表2。

表2 工时估算结果对比

由表2可以看出，本文工时定额方法在工时定额准确率方面优于经验估计法，具有一定的实用价值。同时注意到，该方法针对不同类型的工序，工时估算的误差有明显区别，而同类型工序之间的工时误差区别较小。这是因为不同类型的装配工序具有不同的零件、设备属性和工艺标准化程度。以表2为例，电测试的操作过程较为固化，设备智能化程度高，工序内容较为固化，因而工时估算的误差较小；单机装配的操作过程复杂，涉及大量零件和非标设备，工序文本较长且文本中噪声词较多，影响了工时估算的精度。

系统工时分配页面如图11所示，在车间生产中，对每道工序的操作人员、检验员等进行工时分配。

工时统计查询页面如图12所示，可以从车间、型号、个人等多个维度进行工时查询。

5 结束语

针对当前航天产品装配工时定额精度低、工时管理不规范、管理过程信息化程度低的问题，本文提出了航天产品装配工时知识模型，将影响工时的零件属性、工艺内容和设备属性进行了统一描述。通过文本挖掘技术对工艺文本特征进行提取，通过工时波动算法筛选工时知识中的条件属性，实现了知识特征的自动提取。使用Python语言进行回归模型训练，实现了卫星装配工时的快速制定。提出了流程化的卫星装配工时管理模型，将工时管理纳入到装配工艺设计、任务排产、车间管理、过程监控等各个环节。设计并开发了工时定额和管理系统，并在某航天企业得到推广应用，提高了工时制定的效率，规范了工时信息管理流程，实现了企业工时信息全面、系统的应用。为进一步提高航天产品装配工时估算的准确性，后续将研究使用更高效的挖掘算法，如主题模型等，用于挖掘潜在的工艺文本语义特征，使工时知识模型更加精确。同时研究使用神经网络等更复杂的拟合方法，以获得对高维数据和稀疏矩阵更好的泛化能力。