1.本发明涉及计算机大数据处理技术，特别是一种机械设计项目智能规划方法。
背景技术：2.机械装备设计不仅机械设计部分工作内容，还涉及与仿真、工艺、制造、装配等环节的信息交互评估、验证，故机械装备设计方面项目管理面临种种考验，尤其是当今计算机技术发展，将模拟仿真、工艺、计算机辅助制造、装配等逐渐融入实际机械设计工作过程中，设计中各任务维度信息交互量剧增，由此引起的项目管理规划难度、工作量等也倍增，严重影响设计项目的周期、质量、成本等。
3.目前，机械装备设计中项目管理大多是针对各维度自身工作内容和时间做规划，如cn202010998971公开了一种工程建设项目实时进度管理系统，该系统通过数据处理单元对采集的相关数据进行整理标记，进度计算单元对整理标记后的相关数据进行数据计算，从而得到对应项目工期的影响数值，依据影响数值对工期进行预计天数计算，节省分析数据所消耗的时间。但该专利仅考虑项目工期关键节点，未将各阶段物料需求供给、质量检查交互等影响项目进度的关键维度融入项目管理过程，目标较单一。另外，在实际项目管理过程中，还涉及资源、成本、质量等多目标，如何快速、合理规划项目的各任务维度自身、各任务维度间交互信息以及在多个目标下协同优化获得最优的项目管理规划方案是当今项目管理，尤其是机械装备设计等制造领域的项目管理规划迫切需要解决的问题。
技术实现要素：4.针对现有技术中存在的问题，本发明提供了一种可减少项目管理规划时间、成本等而有效提高项目规划的质量和效率、适用于多维度信息交互、多目标协同优化的机械设计项目智能规划方法。
5.本发明的目的通过以下技术方案实现。
6.一种机械设计项目智能规划方法，步骤包括：
7.1)标注历史机械设计项目规划数据，训练项目规划智能推荐算法模型；
8.2)建立计算项目的时间、成本、资源和质量为优化目标的多目标协同优化算法模型；
9.3)构建可输出经优化的项目规划方案的项目智能规划系统；
10.4)采集待规划的机械设计项目的特征信息导入项目智能规划系统；
11.5)判断推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果的相似度，输出推荐建议或方案。
12.所述步骤1)智能推荐算法模型为全连接神经网络算法模型，采用全连接神经网络推荐算法计算推荐项目的规划方案。
13.所述步骤1)具体包括如下步骤：
14.1.1)采集历史机械设计项目规划管理数据，所述历史机械设计项目规划管理数据
包括项目特征信息和规划信息，所述项目特征信息包括任务维度、关键时间节点、成本要求、质量要求、计划投入人员数量、项目工作量；所述规划信息包括各维度工作任务安排、时间计划、信息及任务的交互计划；
15.1.2)建立项目特征信息与规划信息的映射关系，形成历史项目管理的数据标注；
16.1.3)将标注的数据导入全连接神经网络算法模型，训练模型。
17.所述步骤1)推荐项目的规划方案为项目规划各维度工作任务安排、时间计划以及各维度任务的交互计划。
18.所述步骤2)多目标协同优化算法模型是利用多粒子群协同的动态多目标优化算法，将项目工作任务量作为约束条件，项目时间、成本、投入资源和质量作为优化目标，将历史项目的工作任务量、时间、成本、投入资源和质量数据输入多粒子群协同的动态多目标优化算法，获取多目标协同优化算法模型相关参数，建立多目标协同优化算法模型。
19.所述步骤3)中项目智能规划系统包括：信息采集模块、计算模块和项目规划输出模块；所述计算模块包括全连接神经网络推荐算法子模块和多粒子群协同的动态多目标优化算法子模块。
20.所述步骤5)推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果的相似度大于等于设定值时将项目规划方案直接输出；两者结果相似度小于设定值时，输出修改项目特征信息建议，并将修改后的项目特征信息输入全连接神经网络推荐算法子模块，重新输出推荐规划方案。
21.所述推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果相似度的设定值为80％。
22.所述步骤5)输出修改项目特征信息建议是根据多粒子群协同的动态多目标优化算法计算结果结合设相似度设定值计算得出的。
23.所述步骤5)推荐结果是利用系统的输出模块将计算模块推荐的项目规划结果以交互图或表的形式展示出来。
24.相比于现有技术，本发明的优点在于：本发明利用历史机械设计项目管理大数据、深度学习和动态多目标协同技术，将多任务维度、复杂项目管理中信息交互，项目时间、成本、质量关系优化等因素融入项目规划中，并根据实际项目条件，给出合理的项目规划方案。本发明方法可简单、高效推荐出项目管理规划方案，易于工程、制造等项目相关管理规划的推广应用。
附图说明
25.图1本发明流程图。
26.图2汽车焊装夹具设计与仿真二维项目规划整体示意图。
27.图3查阅状态(选择#14-20、23-26设备)下汽车焊装夹具设计与仿真二维项目规划图。
28.图4增加设计人员时图3的二维项目规划图。
29.图5汽车焊装夹具设计、仿真和工艺三维项目整体规划图。
具体实施方式
30.下面结合说明书附图和具体的实施例，对本发明作详细描述。
31.如图1所示，一种机械设计项目智能规划方法，步骤包括：
32.1)标注历史机械设计项目规划数据，训练项目规划智能推荐算法模型；
33.2)建立计算项目的时间、成本、资源和质量为优化目标的多目标协同优化算法模型；
34.3)构建可输出经优化的项目规划方案的项目智能规划系统；
35.4)采集待规划的机械设计项目的特征信息导入项目智能规划系统；
36.5)判断推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果的相似度，输出推荐建议或方案。
37.所述步骤1)智能推荐算法模型为全连接神经网络算法模型，采用全连接神经网络推荐算法计算推荐项目的规划方案。
38.所述步骤1)具体包括如下步骤：
39.1.1)采集历史机械设计项目规划管理数据，所述历史机械设计项目规划管理数据包括项目特征信息和规划信息，所述项目特征信息包括任务维度、关键时间节点、成本要求、质量要求、计划投入人员数量、项目工作量；所述规划信息包括各维度工作任务安排、时间计划、信息及任务的交互计划；
40.1.2)建立项目特征信息与规划信息的映射关系，形成历史项目管理的数据标注；
41.1.3)将标注的数据导入全连接神经网络算法模型，训练模型。
42.所述步骤1)推荐项目的规划方案为项目规划各维度工作任务安排、时间计划以及各维度任务的交互计划。
43.所述步骤2)多目标协同优化算法模型是利用多粒子群协同的动态多目标优化算法，将项目工作任务量作为约束条件，项目时间、成本、投入资源和质量作为优化目标，将历史项目的工作任务量、时间、成本、投入资源和质量数据输入多粒子群协同的动态多目标优化算法，获取多目标协同优化算法模型相关参数，建立多目标协同优化算法模型。
44.所述步骤3)中项目智能规划系统包括：信息采集模块、计算模块和项目规划输出模块；所述计算模块包括全连接神经网络推荐算法子模块和多粒子群协同的动态多目标优化算法子模块。
45.所述步骤5)中由全连接神经网络推荐算法子模块推荐的规划结果的成本、质量和时间是根据推荐出的规划方案计算出的。其中时间是根据所输入的时间节点得出的，质量是根据人员投入数量、时间获得，可通过每个设备问题数量来量化，成本根据投入人数、用人成本及公司运营成本进行核算出来的，而多粒子群协同的动态多目标优化算法子模块的计算结果直接为项目方案的成本、质量和时间。
46.所述步骤5)推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果的相似度大于等于设定值时将项目规划方案直接输出；两者结果相似度小于设定值时，输出修改项目特征信息建议，并将修改后的项目特征信息输入全连接神经网络推荐算法子模块，重新输出推荐规划方案。
47.所述推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果相似度的设定值为80％，优选90％。
48.所述步骤5)输出修改项目特征信息建议是根据多粒子群协同的动态多目标优化算法计算结果结合设相似度设定值计算得出的。
49.所述步骤5)推荐结果是利用系统的输出模块将计算模块推荐的项目规划结果以交互图或表的形式展示出来。
50.实施例1：汽车焊装夹具设计中夹具结构设计与仿真的二维项目管理推荐
51.s1：历史项目管理数据采集及规划方案推荐模型训练。实施例一采集的汽车焊装夹具设计和仿真项目历史管理数据为830套。每套数据含项目特征信息和规划信息，具体特征信息含设计和仿真各自的项目的工作量、任务维度、关键时间节点、成本要求、质量要求、计划投入人员量；项目规划信息(以项目结束实际实施为准)含设计和仿真两个维度下的各自工作计划、交互工作计划、实际人员投入等。然后，建立项目特征与规划的映射关系，形成历史项目管理的数据标签。将上述标注的830套项目特征信息和规划信息标签导入建立的全连接神经网络模型，训练模型。
52.s2：多粒子群协同的多目标优化算法模型建立。将项目工作任务量作为约束条件，项目时间、成本、投入资源和质量作为优化目标，建立初步的多粒子群协同的多目标优化算法模型，然后，将830套历史项目两个维度的工作任务量、时间、成本、投入资源和质量等数据输入模型，获取模型相关参数，获得多目标优化算法模型。模型中设置时间为动态参数，当时间变动时，针对每个参数集采用柯西变异来对其最优集进行变异，通过合理调节柯西变异的补偿，不仅可以使集合获得较大多样性，而且可以保留前一次的搜索信息。
53.s3：将上述训练后的全连接神经网络模型和建立的多粒子群协同的多目标优化算法模型分别封装成相应模块，构建成如图1所示的项目智能规划系统。
54.s4：待规划项目信息导入。将待推荐规划方案的新二维项目管理关键特征信息导入s3构建的项目智能规划系统，关键特征信息如下：
55.a.关键时间节点：项目启动时间2021.10.10，一审时间2021.10.20，二审时间2021.11.10，三审时间2021.11.25，3d冻结时间2021.12.5，2d出图2021.12.10，气路图和各类报告2021.12.25；
56.b.单套设备每一版数据问题点不超过10个；
57.c.设计人员数量为6人，仿真人员2人；
58.d.设计设备数量40套，其中设备编号#1-5、#7-10、#14-20、#26-31、#35-36优先级高；
59.e.相似度设置为90％。
60.s5：判断推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果的相似度，输出推荐建议或方案。根据全神经网络算法模块推荐出的规划方案，计算项目时间、成本、投入资源、质量，因时间和投入资源对成本、质量严重影响，分别对投入资源、质量两项加权，加权系数分别为n和m，形成向量[t,c,nr,mq]。本实施例中经推荐方案计算的项目时间为76天；成本根据投入人数、用人成本及公司运营成本进行核算，经计算约为40万元；质量是由一定设计工作量时，设计方案的问题点数评估，设计问题点数在人员能力、经验一定时与时间直接相关，本实施例质量问题点数为10个。其中投入资源和质量问题点数的加权系数n＝8,m＝4，则由全神经网络算法模块推荐出的规划方案获得的向量为[76,40,64,40]。同样，粒子群协同的动态多目标优化算法计算结果：时间62天，成本40.2万
元，问题数6个，设计人员人数8人，仿真人数3人，形成的向量为[62,40.2,88,24]。
[0061]
计算两个向量之间的相似度是将推荐规划获得向量[76,40,64,40]与多目标优化获得的向量[62,40.2,88,24]间的余弦值作为相似度，其余弦值越接近1代表相似度越大，经计算实施例1中两向量相似度为96.20％，满足实施例中取值范围大于等于90％的要求。故直接输出含项目的夹具设计、仿真以及设计与仿真的交互规划方案，结果见图2所示。在图2中可选择项目中任意具体设备，查看整体规划，如图3为设备编号为14-20、23-26的规划。
[0062]
若改变投入设计人员数量为7人，项目推荐规划方案如图4所示(选择查看的设备编号还是14-20、23-26)，其中全连接神经网络推荐算法子模块推荐的规划方案的时间、成本、投入资源和质量与多目标优化算法计算结果相似度为99.2％。
[0063]
实施例2：汽车焊装夹具设计中夹具结构设计、仿真和工艺规划三维项目管理。
[0064]
s1：历史项目管理数据采集及规划方案推荐模型训练。实施例二采集的汽车焊装夹具设计、仿真和工艺规划项目历史管理数据为950套。每套数据含项目特征信息和规划信息，具体特征信息含设计、仿真和工艺三者各自的项目的工作量、任务维度、关键时间节点、成本要求、质量要求、计划投入人员量；项目规划信息(以项目结束实际实施为准)含：设计、仿真和工艺三个维度下的各自工作计划、交互工作计划、实际人员投入等。然后，建立项目特征与规划的映射关系，形成历史项目管理的数据标签。将上述标注的950套项目特征信息和规划信息标签导入建立的全连接神经网络模型，训练模型。
[0065]
s2：多粒子群协同的多目标优化算法模型建立。将项目工作任务量作为约束条件，项目时间、成本、投入资源和质量作为优化目标，建立初步的多粒子群协同的多目标优化算法模型，然后，将950套历史项目的三个维度的工作任务量、时间、成本、投入资源和质量等数据输入模型，获取模型相关参数，获得多目标优化算法模型。模型中设置时间为动态参数，当时间变动时，针对每个参数集采用柯西变异来对其最优集进行变异，通过合理调节柯西变异的补偿，不仅可以使集合获得较大多样性，而且可以保留前一次的搜索信息。
[0066]
s3：将上述训练后的全连接神经网络模型和建立的多粒子群协同的多目标优化算法模型分别封装成相应模块，构建成如实施例1同样的项目智能规划系统。
[0067]
s4：待规划项目信息导入。将待推荐规划方案的新三维项目管理关键特征信息导入s3构建的项目智能规划系统，关键特征信息如下：
[0068]
a.关键时间节点：项目启动时间2021.10.10，一审时间2021.10.20，二审时间2021.11.10，三审时间2021.11.25，3d冻结时间2021.12.5，2d出图5021.12.10，气路图和各类报告2021.12.25；
[0069]
b.单套设备每一版数据问题点不超过10个；
[0070]
c.设计人员数量为6人，仿真人员2人，工艺人员2人；
[0071]
d.设计设备数量40套，其中设备编号#1-5、#7-10、#14-20、#26-31、#35-36优先级高；
[0072]
e.相似度设置为90％。
[0073]
s5：判断推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果的相似度，输出推荐建议或方案。根据全神经网络算法模块推荐出的规划方案，计算项目时间、成本、投入资源、质量。本实施例中经推荐方案计算的项目时间为76天；成本根据
投入人数、用人成本及公司运营成本进行核算，经计算约为51万元；质量是由一定设计工作量时，设计方案的问题点数评估，设计问题点数在人员能力、经验一定时与时间直接相关，本实施例质量问题点数为10个。其中投入资源和质量问题的加权系数n为8,m为4，则由全神经网络算法模块推荐出的规划方案获得的向量为[76,51,80,40]。同样，粒子群协同的动态多目标优化算法计算结果：时间70天，成本54万元，问题数6个，设计人员人数8人，仿真人数2人，工艺2人，形成的向量为[70,54,96,24]。
[0074]
计算两个向量之间的相似度是将推荐规划获得向量[76,51,80,40]与多目标优化获得的向量[70,54,96,24]间的余弦值作为相似度，两向量相似度为98.60％，满足实施例中取值范围大于等于90％的要求。故直接输出含项目的夹具设计、仿真以及设计与仿真的交互规划方案，结果见图5所示。
[0075]
实施例3：汽车焊装夹具设计中夹具结构设计、仿真二维项目管理。
[0076]
实施例3采用同实施例1同样步骤和条件，仅因设计人员不足，项目特征信息调整如下：
[0077]
a.关键时间节点：项目启动时间2021.10.10，一审时间2021.10.20，二审时间2021.11.10，三审时间2021.11.25，3d冻结时间2021.12.5，2d出图5021.12.10，气路图和各类报告2021.12.25；
[0078]
b.单套设备每一版数据问题点不超过10个；
[0079]
c.设计人员数量为3人，仿真人员2人；
[0080]
d.设计设备数量40套，其中设备编号#1-5、#7-10、#14-20、#26-31、#35-36优先级高；
[0081]
e.相似度设置为90％。
[0082]
s5：比较推荐项目的规划方案和项目的时间、成本、投入的资源和质量优化结果的相似度输出推荐结果。智能规划系统中，全连接神经网络模型推荐方案为[76,22,40,64]，而粒子群协同的动态多目标优化算法计算结果形成的向量为[62,40.2,88,24]。计算两个向量之间的相似度为83.60％，在成本和质量、人数三个方面，尤其是质量问题点数量和人数与实际工作需要相似度较小，无法满足取值范围大于等于90％的要求。因此，推荐方案根据实际项目需求推荐，结果与图2一致，且建议人员增加至11人。
[0083]
以上所述为本发明的优选实施例，并不用于限制本发明。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.一种机械设计项目智能规划方法，其特征在于步骤包括：1)标注历史机械设计项目规划数据，训练项目规划智能推荐算法模型；2)建立计算项目的时间、成本、资源和质量为优化目标的多目标协同优化算法模型；3)构建可输出经优化的项目规划方案的项目智能规划系统；4)采集待规划的机械设计项目的特征信息导入项目智能规划系统；5)判断推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果的相似度，输出经优化的推荐建议或方案。2.根据权利要求1所述的一种机械设计项目智能规划方法，其特征在于所述步骤1)所述智能推荐算法模型为全连接神经网络算法模型，采用全连接神经网络推荐算法计算推荐项目的规划方案。3.根据权利要求2所述的一种机械设计项目智能规划方法，其特征在于所述步骤1)具体包括如下步骤：1.1)采集历史机械设计项目规划管理数据，所述历史机械设计项目规划管理数据包括项目特征信息和规划信息，所述项目特征信息包括任务维度、关键时间节点、成本要求、质量要求、计划投入人员数量、项目工作量；所述规划信息包括各维度工作任务安排、时间计划、信息及任务的交互计划；1.2)建立项目特征信息与规划信息的映射关系，形成历史项目管理的数据标注；1.3)将标注的数据导入全连接神经网络算法模型，训练模型。4.根据权利要求2所述的一种机械设计项目智能规划方法，其特征在于所述步骤1)所述推荐项目的规划方案为项目规划各维度工作任务安排、时间计划以及各维度任务的交互计划。5.根据权利要求1所述的一种机械设计项目智能规划方法，其特征在于所述步骤2)多目标协同优化算法模型是利用多粒子群协同的动态多目标优化算法，将项目工作任务量作为约束条件，项目时间、成本、投入资源和质量作为优化目标，将历史项目的工作任务量、时间、成本、投入资源和质量数据输入多粒子群协同的动态多目标优化算法，获取多目标协同优化算法模型相关参数，建立多目标协同优化算法模型。6.根据权利要求1所述的一种机械设计项目智能规划方法，其特征在于所述步骤3)中项目智能规划系统包括：信息采集模块、计算模块和项目规划输出模块；所述计算模块包括全连接神经网络推荐算法子模块和多粒子群协同的动态多目标优化算法子模块。7.根据权利要求1所述的一种机械设计项目智能规划方法，其特征在于所述步骤5)推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果的相似度大于等于设定值时将项目规划方案直接输出；两者结果相似度小于设定值时，输出修改项目特征信息建议，并将修改后的项目特征信息输入全连接神经网络推荐算法子模块，重新输出推荐规划方案。8.根据权利要求7所述的一种机械设计项目智能规划方法，其特征在于所述推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果相似度的设定值为80％。9.根据权利要求7所述的一种机械设计项目智能规划系统的推荐结果自动输出，其特征在于所述输出修改项目特征信息建议是根据多粒子群协同的动态多目标优化算法计算
结果结合设相似度设定值计算得出的。10.根据权利要求1所述的一种机械设计项目智能规划方法，其特征在于所述步骤5)所述推荐结果是利用系统的输出模块将计算模块推荐的项目规划结果以交互图或表的形式展示出来。
技术总结本发明公开了一种机械设计项目智能规划方法，步骤包括：标注历史机械设计项目规划数据，训练项目规划智能推荐算法模型；建立计算项目的时间、成本、资源和质量为优化目标的多目标协同优化算法模型；构建可输出经优化的项目规划方案的项目智能规划系统；采集待规划的机械设计项目的特征信息导入项目智能规划系统；判断推荐项目的规划方案的时间、成本、投入的资源和质量与多目标协同优化的结果的相似度，输出经优化的推荐建议或方案。本发明可减少项目管理规划时间、成本等而有效提高项目规划的质量和效率、适用于多维度信息交互、多目标协同优化。标协同优化。标协同优化。
技术研发人员：郑锐 吴泳荣 李星辰 杨庆保 严浩 郜清科 李吉超
受保护的技术使用者：上海设序科技有限公司
技术研发日：2022.04.11
技术公布日：2022/7/5
