(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111406533.6 (22)申请日 2021.11.24 (71)申请人 成都飞机工业 （集团） 有限责任公司 地址 610092 四川省成 都市青羊区黄田坝 纬一路88号 (72)发明人 蒙科材　漆林　李汶一　喻磊　 徐光旭　 (74)专利代理 机构 成都君合集专利代理事务所 (普通合伙) 51228 代理人 尹新路 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/04(2012.01) G06N 7/00(2006.01) (54)发明名称 一种基于贝叶斯网络的航空产品交货期风 险动态预测方法 (57)摘要 本发明涉及航空产品的交货期预测技术领 域， 公开了一种基于贝叶斯网络的航空产品交货 期风险动态预测方法， 包括： 步骤S1.将产品制造 流程抽象为流程网络图模型构建产品制造流程 网络图； 步骤S2.利用历史数据对流程图节点的 开始时间和结束时间进行流程图节点工期的灰 色预测； 步骤S3.将产品制造流程网络图转化为 多层级贝叶斯流程网络模型； 步骤S4.将各个节 点流程图的工期状态进行组合， 根据组合结果对 产品的交货风险进行动态预测。 本发 明用于利用 贝叶斯网络进行航空产品的交货期风险动态预 测， 并实现交货 期过程中的风险动态管理。 权利要求书2页 说明书7页 附图2页 CN 114139792 A 2022.03.04 CN 114139792 A 1.一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于,包括以下 步骤： 步骤S1.将产品制造流 程抽象为 流程网络图模型构建产品制造流 程网络图； 步骤S2.利用历史数据对流程图节点的开始时间和结束时间进行流程图节点工期的灰 色预测； 步骤S3.将产品制造流 程网络图转 化为多层级 贝叶斯流程网络模型； 步骤S4.将各个节点流程图的工期状态进行组合， 根据组合结果对产品的交货风险进 行动态预测。 2.根据权利要求1所述的一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于， 所述 步骤S1包括： 将飞机制造过程用单代号网络图表示， 并选取关键流 程构成产品制造流 程网络图。 3.根据权利要求1所述的一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于， 所述 步骤S1还 包括： 用实线箭头表示工艺流程的紧前紧后关系， 并设定一个开始流程点和一个结束流程 点； 将N个零件制造流 程点记做P＝{Pi|i ＝1,2，…N}； 将M个成品采购流 程点记做F＝{Fj|j＝1,2， …m}； 将L个部件 装配流程点记做C＝{Ck|k ＝1,2，…L}； 将流程点开始的时间记为ts＝(tES， tLS)； 将流程点结束的时间记为tF＝＝(tEF， tLF)； 根据流程点开始的时间和流程点结束的时间获取整个流程的交货期T， 并表示为 4.根据权利要求3所述的一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于， 所述获取流 程的交货 期T的方法包括： 根据线性规划遍历流程路径并获取所有流程路径， 在所有流程路径中选取最长路径， 定义为关键链； 交货期T为关键链上所有流程点工期t的总和， 所述流程点工期t由流程点开始的时间 和流程点结束的时间确定 。 5.根据权利要求1所述的一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于， 所述 步骤S2包括： 步骤S2.1.获取流 程点的n个工期样本集记为t0(n)， 并表示 为 t0(n)＝{t(0)(1)， t(0)(2)，…， t(0)(n)}； 步骤S2.2.增 加专家预测某流 程点工期t(0)(e)构成新的预测样本， 并表示 为 t0(n+e)＝{t(0)(1)， t(0)(2)，…， t(0)(n)，…， t(0)(n+e)}； 步骤S2.3.建立灰度预测GM(1， 1)模型。 6.根据权利要求5所述的一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于， 所述 步骤S2.3包括：权　利　要　求　书 1/2 页 2 CN 114139792 A 2获取均值序列； 获取一次累加均值序列； 根据最小二乘法获取参数a和参数b； 根据均值序列、 一次累加均值序列、 参数a和参数b获取 下一次流 程点工期预测方程。 7.根据权利要求1所述的一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于， 所述 步骤S3包括： 通过比较贝叶斯流程网络模型中各流程点及其关键链工期之和的状态变化识别出风 险流程点。 8.根据权利要求7所述的一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于， 包括： 设流程点的工期t0的先验概率P(t0)的分布f(P(t0))呈离散分布， 获取三种状态并表 示为α 、 β 和γ； α表示为α＝P(t0＝Mint(n+e))， β 表示为β ＝P(t0＝t‑(0)(n+1))， γ表示为γ＝P(t0＝ Maxt(n+e))， 其中， α +β +γ＝1， Mint(n+e)流表示流程点样本集中的最小值， Maxt(n+e)表示 流程点样本集中的最大值， t ‑(0)(n+1)表示前文通过 灰色预测求出的工期预测值。 9.根据权利要求1所述的一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于， 所述 步骤S3还 包括： 贝叶斯流程网络在主流 程中分为部装、 总装和试飞三个主层级； 主层级沿段位或生产单元逐级延伸细分， 并根据生产历史数据和专家经验对部装、 总 装和试飞三个层级赋予工期的先验概 率分布； 计算交货 期概率和流程点重要度。 10.根据权利要求1所述的一种基于贝叶斯网络的航空产品交货期风险动态预测方法， 其特征在于， 所述 步骤S4包括： 将风险流程点调整后的工期概率分布及期望重新代入贝叶斯网络流程模型中进行验 算,使调整后的概 率P(T≤Ttarget)(1)大于概 率P(T≤Ttarget)(O)； 对风险流 程点进行n次调整直至 通过对各流程点工期状态关键链的组合,最终求得满足T≤Ttarget的概率P(T≤ Ttarget)。权　利　要　求　书 2/2 页 3 CN 114139792 A 3