CN105405060A - 基于结构编辑操作的定制产品相似性计算方法 - Google Patents

Abstract

本发明提供了基于结构编辑操作的定制产品相似性计算方法，涉及大批量定制生产中的产品设计配置过程，首先，该方法进行结构编辑操作分析，考虑不同零件类型的同时定义不同编辑操作的权重；其次，构建局部差异性与整体相似性关联关系，利用专家评分定义编辑操作局部差异性和整体相似性，基于神经网络的关联关系训练计算权值矩阵和阈值矩阵；最后，计算产品相似度，本发明提供了一种能够考虑产品局部差异性和整体相似性的关联关系并且结合产品零部件不同类型的基于结构编辑操作的定制产品相似性计算方法。

Description

基于结构编辑操作的定制产品相似性计算方法

技术领域

本发明属于先进制造领域中大规模定制的产品配置设计的相似性原理问题，具体涉及基于结构编辑操作的定制产品相似性计算方法，特别是一种利用LM-BP算法实现计算用户定制产品与企业实例库已有产品相似性的方法，属于实现计算产品相似性方法的创新技术。

背景技术

在当今和未来多变的市场环境中，大批量生产方式由于无法快速提供符合客户个性化需求的产品而遭到严峻的挑战。传统的单件定制生产方式也因为价格高、交货期长和维修成本高等问题，很难在竞争中取得优势。大批量定制是一种根据每一位客户的特殊需求，一大批量生产的效益提供定制产品的生产方式，实现了客户的个性化与大批量生产的有机结合。

大批量定制生产通常基于产品族主结构进行生产，产品族主结构中模块的类型通常可分为基础模块、可选模块和必选模块三类，建立产品族主结构需要全面了解产品模块的所有可能的组合，并在此基础上构建一个可配置的产品结构。

发明内容

为了克服现有技术进行产品结构相似性计算时没有考虑组成产品零部件的不同类型，以及没有将产品结构局部特性和产品整体特性相联系的不足，本发明通过LM-BP算法构建相似性计算模型，提供了基于结构编辑操作的定制产品相似性计算方法。

本发明解决其技术问题所采用的技术方案步骤如以下内容，如图1所示：

1)结构编辑操作分析；

1.1)结合产品零件的不同类型定义结构编辑操作，即基础零件更新操作、必选零件更新操作、可选零件更新操作、可选零件插入操作和可选零件删除操作；

1.2)设置结构编辑操作权重，对步骤1.1)定义的结构编辑操作对于产品影响强度进行专家评分，依据结构编辑操作对产品产品影响强度设置结构编辑操作权重；

2)编辑操作局部差异性与整体相似性关联关系构建；

2.1)定义编辑操作局部差异性，将产品结构两两比较，获取需要进行的产品零件之间的编辑操作集合，以专家评分给出零件在编辑操作前后变化程度，结合步骤1.2)获得的结构编辑操作权重，得到部件差异，将部件差异结合零件隶属部件在产品中的整体重要性，得到结构编辑操作局部差异性；

2.2)定义产品整体相似性，选择产品整体特征，采用专家评分对实例库中的已有产品实例的整体特征进行评分，并分析评分的合理性，根据得到的专家评分计算产品的整体相似性；

2.3)构建关联关系，通过构建LM-BP神经网络，以步骤2.1)获取的结构编辑操作局部差异性为输入，步骤2.2)获取的产品整体相似性为期望输出，计算LM-BP神经网络的权值矩阵和阈值，两者关联关系包含在权值矩阵和阈值中；

3)产品结构相似性计算

获取步骤2.3)的神经网络的权值向量和阈值，按照步骤2.1)的方法计算用户定制产品和实例库已有产品的编辑操作局部差异性，将其作为LM-BP神经网络的输入，输出得到用户定制产品和实例库已有产品的整体相似性，选择实例库中最相似的已有产品。

产生产品多样化的结构编辑操作包括：更新(Update)、插入(Insert)、交换(Exchange)以及删除(Delete)。事实上，交换(Exchange)操作是先删除(Delete)和再插入(Insert)的合成操作，因此，本发明研究的产品结构编辑操作类型主要为：更新(Update)、插入(Insert)以及删除(Delete)。

通过结构编辑操作可以将一棵产品结构树转换成另外一棵产品结构树。在这个过程中，每对一个零件进行一次编辑操作，该零件所隶属的部件便会产生一定变化，将这种变化称为部件差异，综合同类结构编辑操作的所有部件差异以及结构编辑操作的自身权重，可得出结构编辑操作局部差异性。

由于基础零件、必选零件和可选零件在主要功用、对产品多样化的影响以及参数特征等方面具有显著差异，因此，在分析零件的编辑操作的局部差异性时需要分别考虑。基础零件和必选零件在组成产品时不可或缺，本发明对其只考虑更新操作，可选件是根据客户需求可进行选择的，三种操作均可实施。于是，结合编辑操作和零件类型，共有5种结构编辑操作，即：基础零件更新、必选零件更新、可选零件更新、可选零件插入和可选零件删除。

以基础零件更新操作为例，设将产品结构P₁变换到产品结构P₂需要对k₁个基础零件进行更新操作，由于同一产品族中产品实例的主要功能、产品性能等均相近，因此，同类基础零件所隶属的部件在产品中的重要性也相同，可设其为 $W_b=(w_{b_1},\mathrm{...},w_{b_1},\mathrm{...},w_{b_{k_1}}),$ 其中 $w_{b_1}\∈(0,1),t=1,2,\mathrm{...},k_1.$ 对产品而言，基础零件更新操作局部差异性为：

$diff\_Update\_bas=w_{ub}\·\frac{\underset{h=1}{\overset{k_1}{\Σ}}diff({\mathrm{part}}_{b_h},{\mathrm{part}}_{b_h})\·w_{b_h}}{\underset{h=1}{\overset{k_1}{\Σ}}{w}_{b_h}}$

式中，是将零件更新成为对其所隶属部件造成的差异性，即部件差异，综合这k₁个部件的权重W_b以及基础零件更新操作的权重w_ub，描述出基础零件更新操作局部差异性。同样，其他类型结构编辑操作的差异性计算模型如表1所示：

表1

在产品层，同一产品族的不同产品实例在外形、功能、性能等方面存在一定相似性，即产品整体相似性，这是客户主要关注的点。两个不同的定制产品实例在整体方面存在的相似性，涉及到诸多因素且具有一定主观性，往往难以用解析模型精确表示。因此，本发明通过专家评分研究定制产品实例之间的整体相似性。

专家评分不可避免具有一定的主观性，需要在使用专家评分数据之前需要判断其合理性。

本发明中，在判断专家评分合理性时，评分矩阵M如下：

$M=\left[\begin{array}{cccc}{m}_{11}& m_{12}& ...& m_{ln}\\ m_{21}& m_{22}& ...& m_{2n}\\ ...& ...& ...& ...\\ m_{n1}& m_{n2}& ...& m_{nn}\end{array}\right]$

其中 $m_{ij}=\left\{\begin{array}{c}{h}_{ij},i<j\\ 1,j=j\\ 1/h_{ij},i>j\end{array}\right.,$ n表示相比较的产品数目，h_ij∈(0，1)表示专家对于产品i和产品j的整体相似性评分，计算矩阵M的最大的特征值λ，然后计算CI＝(λ-n)/(n-1)，查表得随机一致性指标RI衡量，当CI/RI＜0.1时，认为产品整体相似性的专家评分是合理的。

将整体相似性作为LM-BP神经网络的期望输出，结构编辑操作局部差异性作为输入，对LM-BP神经网络进行训练，以获得相关阈值和权重矩阵。从而在结构编辑操作局部差异性与产品整体外形、性能之间建立了关联关系。

附图说明

图1是基于结构编辑操作的定制产品相似性计算方法的原理图。

图2是已有的产品的结构树。

图3是客户定制产品结构。

具体实施方法

下面结合附图对本发明做进一步描述。

一定制生产企业生产的某一系列产品已有5种定制实例，如图2所示，即P₁、P₂、P₃、P₄和P₅。首先通过专家对这5种产品的外形、性能(整体相似性)，以区间(0，1)为度量范围(越大表示越相似)，进行相似度评分，结果为和如下表2和表3所示：

然后，判断专家评分的合理性。

为此基于表2和表3构建正互反矩阵与其中 $h_{ij}^s=\left\{\begin{array}{c}{m}_{ij}^s,i<j\\ 1,i=j\\ 1/m_{ij}^s,i>j\end{array}\right.,$ $h_{ij}^p=\left\{\begin{array}{c}{m}_{ij}^p,i<j\\ 1,i=j\\ 1/m_{ij}^p,i>j\end{array}\right..$

接着，根据随机一致性指标RI判定一致性程度是否在容许范围内。

根据文献《数学模型》(姜启源等著，第三版)的RI的数值如下表4所示，可知5阶矩阵的RI＝1.12，根据上述评分结果，计算得到外形一致性程度CI_s＝0.0130，性能一致性程度CI_p＝0.0096，满足条件CI/RI＝[(λ-5)/(5-1)]/1.12＜0.1，于是认为上述专家评分是合理的，可以在此基础上作下一步分析。

表4随机一致性指标RI的数值

专家基于实践经验，两两比较不同的结构编辑操作对零件所隶属的部件影响的强弱(取值范围是[1，10]，越大表示影响越强)，构建出结构编辑操作的正互反矩阵，如表5所示。

表5结构编辑操作影响强弱的正互反矩阵

表5中的元素表示所在列对应的结构编辑操作与所在行对应的结构编辑操作的影响强弱之比为。

通过计算上述矩阵最大特征值所对应的单位特征向量，便得出这些结构编辑操作的权重W＝(w_ub，w_uin，w_uo，w_oi，w_od)＝(0，6026，0.1685，0.0539，0.0464，0.1285)。

以产品P₂、P₃为例，它们的产品结构树如图2所示。如果将产品P₂变换为P₃，则在此过程中的结构编辑操作分析如表6所示。

分析所需的结构编辑操作(表6第3列所示)，计算出这5种编辑操作的局部差异性，为后续训练神经网络提供输入数据。

表6产品P₂变换为P₃的结构编辑操作分析

运用相同的方法，分析计算产品实例库已有产品之间转换的所有结构编辑操作，得到结构编辑操作局部差异性，结果如表7～表11所示。

表11可选零件插入操作结构编辑操作分析

两个产品之间结构编辑操作的局部差异性共包含5个方面，可用5维向量表示，作为单隐层LM-BP神经网络的输入。整体相似性则关于2个方面(外形、性能)，因此用2维向量表示，并作为神经网络是期望输出。构建的神经网络中，隐含层包含5个节点。实例库中现有5种产品，所有共有组训练数据，利用MATLAB软件计算出权值矩阵和阈值如表12所示。

表12LM-BP神经网络权值矩阵和阈值

客户定制的目标产品结构P₀如图3所示，利用表12中的LM-BP神经网络的权值矩阵以及隐含层和输出层的阈值向量，将其与已有的产品结构进行上述零件编辑操作分析，结果如表13所示。

表13目标产品结构相似度分析

分析输出的外形、性能相似度，可以发现产品S₅在这两方面均与目标产品结构非常相似，于是可选择S₅作为重用产品，在此基础上进行再设计，即可实现快速定制。

Claims (2)

1.基于结构编辑操作的定制产品相似性计算方法，其特征在于：该方法包括如下步骤：

1)结构编辑操作分析；

1.1)结合产品零件的不同类型定义结构编辑操作，即基础零件更新操作、必选零件更新操作、可选零件更新操作、可选零件插入操作和可选零件删除操作；

1.2)设置结构编辑操作权重，对步骤1.1)定义的结构编辑操作对于产品影响强度进行专家评分，依据结构编辑操作对产品影响强度设置结构编辑操作权重；

2)编辑操作局部差异性与整体相似性关联关系构建；

2.1)定义编辑操作局部差异性，将产品结构两两比较，获取需要进行的产品零件之间的编辑操作集合，以专家评分给出零件在编辑操作前后变化程度，结合步骤1.2)获得的结构编辑操作权重，得到部件差异，将部件差异结合零件隶属部件在产品中的整体重要性，得到结构编辑操作局部差异性；

2.2)定义产品整体相似性，选择产品整体特征，采用专家评分对实例库中的已有产品实例的整体特征进行评分，并分析评分的合理性，根据得到的专家评分计算产品的整体相似性；

2.3)构建关联关系，通过构建LM-BP神经网络，以步骤2.1)获取的结构编辑操作局部差异性为输入，步骤2.2)获取的产品整体相似性为期望输出，计算LM-BP神经网络的权值矩阵和阈值，两者关联关系包含在权值矩阵和阈值中；

3)产品结构相似性计算

获取步骤2.3)的神经网络的权值向量和阈值，按照步骤2.1)的方法计算用户定制产品和实例库已有产品的编辑操作局部差异性，将其作为LM-BP神经网络的输入，输出得到用户定制产品和实例库已有产品的整体相似性，选择实例库中最相似的已有产品。

2.如权利要求1所述的基于结构编辑操作的定制产品相似性计算方法，其特征在于，步骤2.2)中，检验专家对实例库中的已有产品实例的整体特征所作评分的合理性，具体计算方法如下：

专家评分矩阵M如下：

其中n表示产品数量，h_ij∈(0，1)表示专家对于产品i和产品j的整体相似性评分，计算矩阵M的最大的特征值λ，然后计算CI＝(λ-n)/(n-1)，查表得随机一致性指标RI数值，当CI/RI＜0.1时，认为产品整体相似性的专家评分是合理的。