一種汽車廣義產品智能化配置方法
【技術領域】
[0001] 本發明涉及計算機自動化設計技術領域，特別涉及到一種汽車廣義產品智能化配 置方法。
【背景技術】
[0002] 制造業是我國國民經濟的支柱產業，隨著以服務業為主的后工業時代的到來，月艮 務業與制造業之間的相互滲透和相互影響越來越明顯，逐漸形成了一種服務業與制造業相 互融合的新業態一一服務型制造。客戶需求也從以往對物理產品的個體需求，逐步轉向對 物理產品與服務產品的整體需求。在此背景下，制造型企業向客戶提供一種包含物理產品 和服務產品的廣義產品成為行業發展趨勢。
[0003] 汽車廣義產品配置設計是企業從顧客需求出發，進行汽車各個模塊的產品和服務 選擇。目前，在汽車產品配置方面，多數企業依賴于現有的PDM(Product Data Management， 產品數據管理）系統，如Teamcenter，通過手動選擇各個模塊選項來完成配置設計。也有一 些企業通過EXCEL等工具來進行數據配置及管理工作。這些系統在產品數據的維護及管理 上有明顯優勢，但在配置實施中還存在以下幾點不足：
[0004] (1)配置主要面向客戶的物理產品需求，難以同時實現服務產品的配置。
[0005] (2)由客戶需求到配置方案映射主要依據設計師的設計經驗，主觀性較強，且智能 化、自動化程度不高。
[0006] (3)缺乏對歷史配置案例的分析與挖掘，難以實現配置設計隨市場需求的動態更 新。

【發明內容】

[0007] 本發明目的在于克服現有技術不足，提供一種汽車廣義產品智能化配置方法。其 目標有：
[0008] (1)提供一種汽車廣義產品模型的構建方法。
[0009] (2)提供一種由客戶需求到配置方案的智能化映射方法，實現配置過程的智能化。
[0010] (3)提供一種對歷史配置案例進行知識挖掘的方法，客觀地生成映射規則，并實現 映射規則庫的動態更新。
[0011] 本發明方法的原理是：以客戶需求為驅動，在汽車廣義產品模型的基礎上，引入知 識神經網絡技術來實現顧客需求到汽車廣義產品基準型的映射，在設計知識庫中配置規則 的輔助下，基于深度搜索算法求解出獲取符合客戶需求的配置方案，并對配置方案進行檢 驗和審核，從而實現客戶需求到廣義產品配置方案的智能映射，獲取客戶滿意的汽車廣義 產品方案。
[0012] 為實現上述目的，本發明采用以下技術方案：
[0013] -種汽車廣義產品智能化配置方法，該方法具體步驟如下：
[0014] 步驟一:構建汽車廣義產品模型，用于表達汽車廣義產品的構成，存儲汽車的廣義 產品基準型方案。主要包括汽車廣義產品基準庫的構建、約束關系庫的構建及配置選項的 設定。
[0015] 1)廣義產品基準庫的構建:對各基準型進行模塊劃分，每種汽車廣義產品基準型 包含兩級模塊及下屬選項，一級模塊為物理產品模塊和服務產品模塊，二級模塊為產品模 塊和服務模塊下的子模塊。每個二級子模塊下包含標準構件和(或)可配置構件。標準構件 即為標準組件(標準零部件)/標準業務(標準項目），可配置構件即為可配置組件(可配置零 部件)/可配置業務(可配置項目）。其中組件指零部件的集成，業務指服務項目的集成，零部 件和項目分別為物理產品和服務產品的最小單位，不可再分。
[0016] 2)約束關系庫的構建:約束關系分為關系型約束和存在性約束。
[0017] 關系型約束是一種橫向關系，存在于不同二級子模塊及其下的可配置組件（可配 置零部件)之間、可配置業務(可配置項目）之間以及可配置組件(可配置零部件）與可配置 業務(可配置項目）之間。主要有"與"、"或"、"非"三種關系，分別描述可配置構件之間依賴、 替換和互斥關系。
[0018] 存在性約束是一種縱向關系，存在于廣義產品基準型與其下屬模塊之間、模塊及 其子模塊之間、子模塊及其下屬構成之間。描述的是上下級之間的依賴關系。
[0019] 3)配置選項的設定:根據企業的實際情況，為每種汽車廣義產品基準型設定標準 選項和可配置選項。在配置過程中，在選定某種汽車廣義產品基準型后，該基準型中所有的 標準項都是默認已選的，配置過程主要針對可配置選項進行方案的選擇。可配置選項可以 關聯單個或多個產品(服務)模塊。
[0020] 步驟二:客戶需求向配置方案的映射。包括兩個過程：
[0021] 1)汽車廣義產品基準型的選擇：提取客戶的核心需求，利用已訓練好的KBANN (Knowledge-Based Artificial Neural Networks，知識庫人工神經網絡）知識神經網絡， 以客戶需求為輸入，得到汽車廣義產品基準型，以此選擇配置基準型。
[0022] 2)可配置選項選擇:選定了配置基準型后，在該基準型的基礎上進行可配置選項 參數的選擇，依據映射規則或客戶實際需求，選擇部分能直接選取的可配置選項參數，然 后，利用基于深度搜索的算法求解出其他可配置選項參數。在可配置模塊參數選擇完成后， 即可得到在該客戶需求下的汽車廣義產品配置B0M(Bill of Material，物料清單）。
[0023]步驟三:對配置方案進行一致性檢驗。一致性檢驗包括兩方面：1)基于關系型約束 的檢驗，它利用約束關系庫中的關系型約束，從根節點出發，遍歷配置基準型的各節點，判 斷配置方案中各選項參數間是否存在沖突。2)基于存在性約束的檢驗，它利用約束關系庫 中的存在性約束，對配置基準型的各節點進行遍歷，判斷各模塊上下級之間是否滿足約束 條件。
[0024] 步驟四：配置方案經過一致性檢驗通過后，根據步驟二的汽車廣義產品配置方案 Β0Μ構建汽車產品三維模型，并擬定相關服務流程，制定該配置方案的詳細說明文檔，提交 給客戶審核，審核通過則繼續下一步，若審核不通過，則提交給工程師進行修改完善，直至 客戶滿意。
[0025] 步驟五:客戶配置數據的存儲，KBANN知識神經網絡結構及配置規則的更新。存儲 客戶需求以及最終配置方案，并以之構建KBANN知識神經網絡訓練的訓練數據集和配置實 例集，并對其進行定期更新(刪除舊的數據，增添新的數據），并利用KBANN知識神經網絡訓 練的訓練數據集對KBANN知識神經網絡進行訓練，利用MODPSO算法對配置實例集進行配置 規則挖掘，以實現KBANN知識神經網絡結構和配置規則庫的及時更新。
[0026] 與現有技術相比，本發明具有如下突出的實質性特點和顯著的優點：
[0027] (1)將汽車的配置從單純的物理產品的配置延伸到廣義產品的配置，大大提高汽 車產品的市場競爭力。
[0028] (2)采用了智能技術來實現由客戶需求到配置方案的映射，實現了配置過程的智 能化。
[0029] (3)引入對歷史配置方案數據的挖掘功能，并定期更新相關知識庫，使配置設計及 時跟上市場動態。
【附圖說明】
[0030] 圖1為本發明總體配置流程圖。
[0031 ]圖2為本發明中汽車廣義產品基準型模型圖。
[0032]圖3為本發明中汽車廣義產品基準型的約束關系圖。
[0033]圖4為本發明中KBANN知識神經網絡廣義產品基準型學習映射過程圖。
[0034] 圖5為本發明基于深度搜索的配置求解過程圖。
[0035] 圖6為本發明基于關系型約束的配置方案一致性檢驗過程圖。
[0036] 圖7為本發明基于存在性約束的配置方案一致性檢驗過程圖。
[0037]圖8為本發明配置規則挖掘算法MODPSO流程圖。
【具體實施方式】