一种施工工期智能计算的方法及系统、计算机可读介质

摘要

本申请涉及一种施工工期智能计算的方法及系统、计算机可读介质，属于，其包括以下步骤：一、建立数据库；二、数据导入；三、深度学习；四、计算模型修正；五、计算模型确认；六、项目录入；七、项目分解；八、建筑模型导入；九、任务计算；十、图表显示，系统对计算模型进行深度学习训练，使用可使用模型计算项目信息，获得子任务的工期和总工程工期，本发明具有能够自动对每个子任务的工期进行计算，计算准确，误差小的效果。

说明书

技术领域

本发明涉及施工管理系统的技术领域，尤其是涉及一种施工工期智能计算的方法及系统、计算机可读介质。

背景技术

目前施工工期一般都由施工项目管理类系统进行计算，但是项目在建立时，一个大项目往往会包含无数的小项目，需要确定所有小项目的工期，才能最终确定大项目的工期。施工项目管理系统一般都是由用户凭经验估算工期并输入各个子项内，系统整理计算出大项目的工期和施工资源后再人为分配。

现有的施工项目管理系统编辑步骤分为：定义项目的信息、对项目进行WBS分解、对所有子任务填写估计工期、设定任务链关系、建立资源表、给项目的各项任务分配资源和对项目计划的调整与优化。

上述中的现有技术方案存在以下缺陷：现有施工管理系统在进行施工进度计划编辑时，均需要人为估计工期和人为资源调配后，才能形成总体的进度计划。因受到实际经验的限制，缺乏准确性，且浪费时间。

发明内容

为了能够自动获得子项目的信息和工期，本申请提供一种施工工期智能计算的方法。

本申请提供的一种采用如下的技术方案：

一种施工工期智能计算的方法，包括以下步骤：

一、建立数据库：建立计算模型和数据库，将计算模型存入数据库；

二、数据导入：向数据库导入带有结果的工程数据；

三、深度学习：计算模型根据工程数据进行模拟计算，用非线性拟合法对计算模型进行运行训练，记录最终获得的计算模型的计算结果与历史数据结果的偏差值；

四、计算模型修正：若此时计算结果与历史数据结果偏差值大于设定范围则对计算模型进行修改，并重复步骤三；

五、计算模型确认：若计算结果与历史数据结果偏差值小于设定范围则确认计算模型；

六、项目录入：定义项目信息并将项目信息录入服务器内；

七、项目分解：服务器对项目进行WBS分解，获得多个子任务；

八、建筑模型导入：建立建筑信息模型并将建筑信息建筑模型导入服务器，服务器根据建筑信息计算模型确认每个子任务的具体图纸工作量；

九、任务计算：将子任务的工程信息和具体图纸工作量代入确认的计算模型中，获得每个子任务的工期并形成带有子任务的项目信息的子任务工程报表；

十、图表显示：将所有子任务工程报表进行整合，计算总工程工期并将形成总工程报表显示给用户。

通过采用上述方案，对总的项目信息进行WBS分解可以获得多个空白的子任务，用户建立建筑信息模型，系统通过建筑信息模型向子任务填写信息，再通过计算模型计算出每个子任务的全部所需信息，最后经过总计算生成总工程报表，供用户使用。通过不断对计算模型进行深度学习训练获得计算结果偏差值最小的计算模型，保证计算模型能够跟上变化，使得最终计算的子任务的工期和总工程的工期准确，计算过程自动化程度高，解决了用户只能凭借经验估算子项工程工期的问题，用户只需输入建筑信息模型，系统即可自动计算出每个子任务的工期以及总工期，有效节省了人工，降低了对工程师技术的要求，计算结果准确，误差小。

优选的，步骤三具体设置为：

三、将工程数据填入计算模型内获得计算结果，将计算结果与历史数据结果对比获得偏差值，根据梯度下降算法对计算模型进行修订，直至计算模型在计算不同历史数据时获得的偏差值均衡。

通过采用上述方案，工程工期的计算模型属于非线性变化，所以使用非线性拟合法对计算模型进行深度学习训练误差更低，通过梯度下降算法能够不断使计算模型的逐渐趋近完善。

优选的，步骤二、三还包括：

二、服务器设置有业务数据库和原始数据库，业务数据库和原始数据库均存储工程数据，计算模型进行深度学习时调用原始数据库的数据；

三、当原始数据库接收到新的工程数据时，判断新的工程数据是否符合合理数据范围，若不符合则提示用户进行修正。

通过采用上述方案，服务器在使用工程数据对计算模型进行训练时，会对接受的工程数据进行数据清洗，判断数据是否是异常数据，能够有效减少用户输入错误工程数据的可能。

优选的，步骤一具体设置为：

一a、服务器将工程量、可用机械、可用人工、效率影响因素和时间影响因素输入计算模型，计算模型根据工程量计算加权工作量，计算模型根据可用机械和可用人工计算工作效率，计算模型根据效率影响因素计算效率补正，计算模型根据加权工作量、工作效率和效率补正计算工作时间，计算模型根据时间影响因素计算时间补正，计算模型根据工作时间和时间补正计算工序耗时。

通过采用上述方案，系统计算准确，能够准确排除效率影响因素和时间影响因素的干扰，保证最终工期计算准确。

为了能够自动获得子项目的信息和工期，本申请提供一种施工工期智能计算的系统。

本申请提供的一种采用如下的技术方案：

一种施工工期智能计算的系统，包括数据采集端和服务器；

所述数据采集端采集工程信息并将工程信息发送给服务器；

所述服务器包括总存储模块、数据采集模块、深度学习模块、项目分解模块、项目计算模块和图表显示模块；

所述总存储模块接收输入的信息并进行存储，总存储模块存储有计算模型；

所述数据采集模块接收数据采集端传输的工程信息并将工程信息发送给总存储模块进行存储，数据采集模块将完整的工程信息发送给深度学习模块；

所述深度学习模块调用总存储模块存储的计算模型，深度学习模块将工程信息导入计算模型中进行计算，用非线性拟合法对计算模型进行运行训练，记录最终获得的计算模型的计算结果与历史数据结果的偏差值，将记录的偏差值与设定范围进行对比，若偏差大于设定范围则根据结果修改计算模型，若偏差小于设定范围则将计算模型传输给总存储模块并覆盖原来的计算模型；

所述项目分解模块(24)调用总存储模块存储的工程信息，并对工程信息进行WBS分解，获得多个空白的子任务项，项目分解模块根据工程信息建立对应的建筑信息模型，并通过建筑信息计算模型确认具体图纸工作量，项目分解模块将建筑信息模型信息和具体图纸工作量加入对应的子任务项中，项目分解模块将子任务项传输给项目计算模块；

所述项目计算模块根据接收的子任务项调用总存储模块存储的计算模型，项目计算模块使用对应的计算模型计算对应子任务项的工序耗时，项目计算模块根据所有子任务项的工序耗时计算总工程工期，项目计算模块将子任务项的信息、工序耗时和总工程工期传输给图表显示模块；

所述图表显示模块存储有图表模板，图表显示模块根据接收的信息填写图表模板并生成工程图表，图表显示模块(26)将工程图表传输给总存储模块进行存储并将工程图表进行显示。

通过采用上述方案，对总的项目信息进行WBS分解可以获得多个空白的子任务，用户建立建筑信息模型，系统通过建筑信息模型向子任务填写信息，再通过计算模型计算出每个子任务的全部所需信息，最后经过总计算生成总工程报表，供用户使用。通过不断对计算模型进行深度学习训练获得计算结果偏差值最小的计算模型，保证计算模型能够跟上变化，使得最终计算的子任务的工期和总工程的工期准确，计算过程自动化程度高，解决了用户只能凭借经验估算子项工程工期的问题，用户只需输入建筑信息模型，系统即可自动计算出每个子任务的工期以及总工期，有效节省了人工，降低了对工程师技术的要求，计算结果准确，误差小。

优选的，所述深度学习模块调用总存储模块存储的计算模型，深度学习模块将工程信息导入计算模型中进行计算，将计算结果与历史数据结果对比获得偏差值，根据梯度下降算法对计算模型进行修订，直至计算模型在计算不同历史数据时获得的偏差值均衡，若均衡后的偏差大于设定范围则根据结果修改计算模型，若偏差小于设定范围则将计算模型传输给总存储模块并覆盖原来的计算模型。

通过采用上述方案，工程工期的计算模型属于非线性变化，所以使用非线性拟合法对计算模型进行深度学习训练误差更低，通过梯度下降算法能够不断使计算模型的逐渐趋近完善。

优选的，所述总数据存储模块包括原始数据库和业务数据库，总数据存储模块存储有数据判断范围，原始数据库接收到项目信息时判断项目信息是否在数据判断范围内，若在数据判断范围内则进行存储，若不在数据判断范围内则发出警示。

通过采用上述方案，服务器在使用工程数据对计算模型进行训练时，会对接受的工程数据进行数据清洗，判断数据是否是异常数据，能够有效减少用户输入错误工程数据的可能。

优选的，项目计算模块分析工程信息中的工程量、可用机械、可用人工、效率影响因素和时间影响因素，项目计算模块根据工程量计算加权工作量，项目计算模块根据可用机械和可用人工计算工作效率，项目计算模块根据效率影响因素计算效率补正，项目计算模块根据加权工作量、工作效率和效率补正计算工作时间，项目计算模块根据时间影响因素计算时间补正，项目计算模块根据工作时间和时间补正计算工序耗时。

通过采用上述方案，系统计算准确，能够准确排除效率影响因素和时间影响因素的干扰，保证最终工期计算准确。

优选的，所述图表显示模块的工程图表显示工程量、可用机械、可用人工、效率影响因素、时间影响因素、工作效率、工作时间、工序耗时和总工程工期，并根据接收的信息修改工程图表的内容，当工程图表被修改时，图表显示模块将修改后的工程图表中的项目信息发送给项目计算模块进行重新计算。

通过采用上述方案，用户可以通过系统对项目信息进行修改，系统自动重新计算，方便用户指定最佳的施工方案。

为了能够自动获得子项目的信息和工期，本申请提供一种施工工期智能计算的系统。

本申请提供的一种采用如下的技术方案：

一种计算机可读介质，其特征在于：存储有能够被处理器加载并执行如权利要求1至4中任一种方法的计算机程序。

通过采用上述方案，对总的项目信息进行WBS分解可以获得子任务的信息，通过不断对计算模型进行深度学习训练获得计算结果偏差值最小的计算模型，保证计算模型能够跟上变化，使得最终计算的子任务的工期和总工程的工期准确，计算过程自动化程度高，解决了用户只能凭借经验估算子项工程工期的问题，用户只需输入建筑信息模型，系统即可自动计算出每个子任务的工期以及总工期，有效节省了人工，降低了对工程师技术的要求，计算结果准确，误差小。

综上所述，本发明具有以下有益效果：

1.计算的子任务的工期和总工程的工期准确，计算过程自动化程度高，解决了用户只能凭借经验估算子项工程工期的问题，用户只需输入建筑信息模型，系统即可自动计算出每个子任务的工期以及总工期，有效节省了人工，降低了对工程师技术的要求，计算结果准确，误差小。

附图说明

图1是本申请一种施工工期智能计算的系统的实施例的系统框图；

图2是本申请一种施工工期智能计算的系统的实施例的服务器的系统框图；

图3是本申请一种施工工期智能计算的系统的实施例的总存储模块的模块框图。

图中，1、数据采集端；2、服务器；21、总存储模块；211、原始数据库；212、业务数据库；213、模型存储数据库；22、数据采集模块；23、深度学习模块；24、项目分解模块；25、项目计算模块；26、图表显示模块。

具体实施方式

以下结合附图1-3对本申请作进一步详细说明。

实施例：本申请实施例公开一种施工工期智能计算的方法，具体步骤如下：

步骤一、建立数据库：建立计算模型和服务器2，服务器2内设置业务数据库212和原始数据库211，将计算模型存入业务数据库212和原始数据库211内。服务器2将工程量、可用机械、可用人工、效率影响因素和时间影响因素输入计算模型，计算模型根据工程量计算加权工作量，计算模型根据可用机械和可用人工计算工作效率，计算模型根据效率影响因素计算效率补正，计算模型根据加权工作量、工作效率和效率补正计算工作时间，计算模型根据时间影响因素计算时间补正，计算模型根据工作时间和时间补正计算工序耗时。效率补正为施工过程中对效率有影响的已知项，时间补正为施工过程中出现的特殊工作间歇，如机器的运输时间等已知因素。系统计算准确，能够准确排除效率影响因素和时间影响因素的干扰，保证最终工期计算准确。

步骤二、数据导入：用户通过采集终端采集工程相关数据并发送给业务数据库212和原始数据库211进行存储。

步骤三、深度学习：计算模型进行深度学习时调用原始数据库211的数据，当原始数据库211接收到新的工程数据时，判断新的工程数据是否符合合理数据范围，若不符合则提示用户进行修正。将工程相关数据填入计算模型内，用非线性拟合法对计算模型进行运行训练。非线性拟合训练法即将工程数据填入计算模型内获得计算结果，将计算结果与历史数据结果对比获得偏差值，根据梯度下降算法对计算模型进行修订，直至计算模型在计算不同历史数据时获得的偏差值均衡。服务器2在使用工程数据对计算模型进行训练时，会对接受的工程数据进行数据清洗，判断数据是否是异常数据，能够有效减少用户输入错误工程数据的可能。工程工期的计算模型属于非线性变化，所以使用非线性拟合法对计算模型进行深度学习训练误差更低。

步骤四、计算模型修正：若此时计算结果与历史数据结果偏差值大于设定范围则对计算模型进行修改，并重复步骤三。

步骤五、计算模型确认：若计算结果与历史数据结果偏差值小于设定范围则确认计算模型。步骤一至步骤五组成前馈神经网络，前馈神经网络适合进行深度学习训练。

步骤六、项目录入：定义项目信息并将项目信息录入服务器2内。

步骤七、项目分解：服务器2对项目进行WBS分解，获得多个子任务。

步骤八、建筑模型导入：建立建筑信息模型并将建筑信息建筑模型导入服务器2，建筑信息模型包括子任务相关的所有信息，以固定格式组成。服务器2根据建筑信息计算模型确认每个子任务的具体图纸工作量。

步骤九、任务计算：将子任务的工程信息和具体图纸工作量代入确认的计算模型中，获得每个子任务的工期并形成带有子任务的项目信息的子任务工程报表。

步骤十、图表显示：将所有子任务工程报表进行整合，计算总工程工期并将形成总工程报表显示给用户。用户能够根据工程报表修改服务器2的工程信息，服务器2重新计算工程工期。

对总的项目信息进行WBS分解可以获得子任务的信息，通过不断对计算模型进行深度学习训练获得计算结果偏差值最小的计算模型，保证计算模型能够跟上变化，使得最终计算的子任务的工期和总工程的工期准确，计算过程自动化程度高，解决了用户只能凭借经验估算子项工程工期的问题，用户只需输入建筑信息模型，系统即可自动计算出每个子任务的工期以及总工期，有效节省了人工，降低了对工程师技术的要求，计算结果准确，误差小。

实施例：本申请实施例公开一种施工工期智能计算的系统，如图1和图2所示，包括多个数据采集端1和服务器2，数据采集端1将数据传输给服务器2。服务器2包括总存储模块21、数据采集模块22、深度学习模块23、项目分解模块24、项目计算模块25和图表显示模块26。

如图2和图3所示，总存储模块21接收输入的信息并进行存储，总数据存储模块包括原始数据库211、业务数据库212和模型存储数据库213，模型存储数据库213存储有计算模型。数据采集模块22接收数据采集端1传输的工程信息并将工程信息发送给总存储模块21进行存储，数据采集模块22将完整的工程信息发送给深度学习模块23。总数据存储模块存储有数据判断范围，原始数据库211接收到项目信息时判断项目信息是否在数据判断范围内，若在数据判断范围内则进行存储，若不在数据判断范围内则发出警示。服务器2在使用工程数据对计算模型进行训练时，会对接受的工程数据进行数据清洗，判断数据是否是异常数据，能够有效减少用户输入错误工程数据的可能。

如图2和图3所示，深度学习模块23调用模型存储数据库213存储的计算模型，深度学习模块23将工程信息匹配对应的计算模型，深度学习模块23将对应的工程信息导入对应的计算模型中进行计算。用非线性拟合法对计算模型进行运行训练，记录最终获得的计算模型的计算结果与历史数据结果的偏差值，将记录的偏差值与设定范围进行对比，若偏差大于设定范围则根据结果修改计算模型，若偏差小于设定范围则将计算模型传输给总存储模块(21)并覆盖原来的计算模型若偏差小于设定范围则将计算模型传输给模型存储数据库213并覆盖原来的计算模型。工程工期的计算模型属于非线性变化，所以使用非线性拟合法对计算模型进行深度学习训练误差更低。

如图2和图3所示，项目分解模块24调用原始数据库211存储的工程信息，并对工程信息进行WBS分解，获得多个空白的子任务项，项目分解模块24根据工程信息建立对应的建筑信息模型，并通过建筑信息计算模型确认具体图纸工作量，项目分解模块24将建筑信息模型和具体图纸工作量加入对应的子任务项中，项目分解模块24将子任务项传输给项目计算模块25。

如图2和图3所示，项目计算模块25根据接收的子任务信息调用总存储模块21存储的计算模型。项目计算模块25分析工程信息中的工程量、可用机械、可用人工、效率影响因素和时间影响因素，效率影响因素为施工过程中对效率有影响的已知项，时间影响因素为施工过程中出现的特殊工作间歇，如机器的运输时间等已知因素。项目计算模块25根据工程量计算加权工作量，项目计算模块25根据可用机械和可用人工计算工作效率，项目计算模块25根据效率影响因素计算效率补正，项目计算模块25根据加权工作量、工作效率和效率补正计算工作时间，项目计算模块25根据时间影响因素计算时间补正，项目计算模块25根据工作时间和时间补正计算工序耗时。项目计算模块25根据所有子任务信息的工序耗时计算总工程工期，项目计算模块25将子任务项的信息、工序耗时和总工程工期传输给图表显示模块26。

如图2和图3所示，图表显示模块26存储有以甘特图为基础的图表模板，图表显示模块26根据接收的信息填写图表模板并生成工程图表，图表显示模块26将工程图表传输给业务数据库212进行存储并将工程图表进行显示。图表显示模块26的工程图表显示工程量、可用机械、可用人工、效率影响因素、时间影响因素、工作效率、工作时间、工序耗时和总工程工期，并根据接收的信息修改工程图表的内容，当工程图表被修改时，图表显示模块26将修改后的工程图表中的项目信息发送给项目计算模块25进行重新计算。用户可以通过系统对项目信息进行修改，系统自动重新计算，方便用户指定最佳的施工方案。

本申请实施例一种施工工期智能计算的系统的实施原理为：对总的项目信息进行WBS分解可以获得多个空白的子任务，用户建立项目模型，系统通过项目模型向子任务填写信息，再通过计算模型计算出每个子任务的全部所需信息，最后经过总计算生成总工程报表，供用户使用。通过不断对计算模型进行深度学习训练获得计算结果偏差值最小的计算模型，保证计算模型能够跟上变化，使得最终计算的子任务的工期和总工程的工期准确，计算过程自动化程度高，解决了用户只能凭借经验估算子项工程工期的问题，用户只需输入建筑信息模型，系统即可自动计算出每个子任务的工期以及总工期，有效节省了人工，降低了对工程师技术的要求，计算结果准确，误差小。

实施例：本申请实施例公开一种计算机可读介质，所述计算机可读存储介质例如包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。计算机可读存储介质存储有能够被处理器加载并执行如实施例：一种施工工期智能计算的方法的计算机程序。

本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。