CN105512258B - 一种汽车广义产品智能化配置方法 - Google Patents

一种汽车广义产品智能化配置方法 Download PDF

Info

Publication number
CN105512258B
CN105512258B CN201510874730.9A CN201510874730A CN105512258B CN 105512258 B CN105512258 B CN 105512258B CN 201510874730 A CN201510874730 A CN 201510874730A CN 105512258 B CN105512258 B CN 105512258B
Authority
CN
China
Prior art keywords
automobile
configurable
product
option
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201510874730.9A
Other languages
English (en)
Other versions
CN105512258A (zh
Inventor
张在房
孙建
刘园
许丹华
姚迪
宋建军
尚钰量
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201510874730.9A priority Critical patent/CN105512258B/zh
Publication of CN105512258A publication Critical patent/CN105512258A/zh
Application granted granted Critical
Publication of CN105512258B publication Critical patent/CN105512258B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)

Abstract

一种汽车广义产品智能化配置方法,包括五步骤:一:构建汽车广义产品模型,包括汽车广义产品基准库、约束关系库及配置选项的设定。二:客户需求向配置方案的映射。包括两个过程:1.汽车广义产品基准型的选择:利用已训练好的KBANN知识神经网络并以提取好的客户需求为输入,获取汽车广义产品基准型。2.可配置选项选择:在已定基准型的基础上选择可配置选项参数,获取符合客户需求的汽车广义产品配置BOM。三:对配置方案进行一致性检验。四:一致性检验通过后,生成配置方案,并制定方案说明文档。五:客户配置数据的存储,KBANN知识神经网络结构及配置规则的更新。本发明在汽车广义产品配置领域有实用价值。

Description

一种汽车广义产品智能化配置方法
技术领域
本发明涉及计算机自动化设计技术领域,特别涉及到一种汽车广义产品智能化配置方法。
背景技术
制造业是我国国民经济的支柱产业,随着以服务业为主的后工业时代的到来,服务业与制造业之间的相互渗透和相互影响越来越明显,逐渐形成了一种服务业与制造业相互融合的新业态——服务型制造。客户需求也从以往对物理产品的个体需求,逐步转向对物理产品与服务产品的整体需求。在此背景下,制造型企业向客户提供一种包含物理产品和服务产品的广义产品成为行业发展趋势。
汽车广义产品配置设计是企业从顾客需求出发,进行汽车各个模块的产品和服务选择。目前,在汽车产品配置方面,多数企业依赖于现有的PDM(Product Data Management,产品数据管理)系统,如Teamcenter,通过手动选择各个模块选项来完成配置设计。也有一些企业通过EXCEL等工具来进行数据配置及管理工作。这些系统在产品数据的维护及管理上有明显优势,但在配置实施中还存在以下几点不足:
(1)配置主要面向客户的物理产品需求,难以同时实现服务产品的配置。
(2)由客户需求到配置方案映射主要依据设计师的设计经验,主观性较强,且智能化、自动化程度不高。
(3)缺乏对历史配置案例的分析与挖掘,难以实现配置设计随市场需求的动态更新。
发明内容
本发明目的在于克服现有技术不足,提供一种汽车广义产品智能化配置方法。其目标有:
(1)提供一种汽车广义产品模型的构建方法。
(2)提供一种由客户需求到配置方案的智能化映射方法,实现配置过程的智能化。
(3)提供一种对历史配置案例进行知识挖掘的方法,客观地生成映射规则,并实现映射规则库的动态更新。
本发明方法的原理是:以客户需求为驱动,在汽车广义产品模型的基础上,引入知识神经网络技术来实现顾客需求到汽车广义产品基准型的映射,在设计知识库中配置规则的辅助下,基于深度搜索算法求解出获取符合客户需求的配置方案,并对配置方案进行检验和审核,从而实现客户需求到广义产品配置方案的智能映射,获取客户满意的汽车广义产品方案。
为实现上述目的,本发明采用以下技术方案:
一种汽车广义产品智能化配置方法,该方法具体步骤如下:
步骤一:构建汽车广义产品模型,用于表达汽车广义产品的构成,存储汽车的广义产品基准型方案。主要包括汽车广义产品基准库的构建、约束关系库的构建及配置选项的设定。
1)广义产品基准库的构建:对各基准型进行模块划分,每种汽车广义产品基准型包含两级模块及下属选项,一级模块为物理产品模块和服务产品模块,二级模块为产品模块和服务模块下的子模块。每个二级子模块下包含标准构件和(或)可配置构件。标准构件即为标准组件(标准零部件)/标准业务(标准项目),可配置构件即为可配置组件(可配置零部件)/可配置业务(可配置项目)。其中组件指零部件的集成,业务指服务项目的集成,零部件和项目分别为物理产品和服务产品的最小单位,不可再分。
2)约束关系库的构建:约束关系分为关系型约束和存在性约束。
关系型约束是一种横向关系,存在于不同二级子模块及其下的可配置组件(可配置零部件)之间、可配置业务(可配置项目)之间以及可配置组件(可配置零部件)与可配置业务(可配置项目)之间。主要有“与”、“或”、“非”三种关系,分别描述可配置构件之间依赖、替换和互斥关系。
存在性约束是一种纵向关系,存在于广义产品基准型与其下属模块之间、模块及其子模块之间、子模块及其下属构成之间。描述的是上下级之间的依赖关系。
3)配置选项的设定:根据企业的实际情况,为每种汽车广义产品基准型设定标准选项和可配置选项。在配置过程中,在选定某种汽车广义产品基准型后,该基准型中所有的标准项都是默认已选的,配置过程主要针对可配置选项进行方案的选择。可配置选项可以关联单个或多个产品(服务)模块。
步骤二:客户需求向配置方案的映射。包括两个过程:
1)汽车广义产品基准型的选择:提取客户的核心需求,利用已训练好的KBANN(Knowledge-Based Artificial Neural Networks,知识库人工神经网络)知识神经网络,以客户需求为输入,得到汽车广义产品基准型,以此选择配置基准型。
2)可配置选项选择:选定了配置基准型后,在该基准型的基础上进行可配置选项参数的选择,依据映射规则或客户实际需求,选择部分能直接选取的可配置选项参数,然后,利用基于深度搜索的算法求解出其他可配置选项参数。在可配置模块参数选择完成后,即可得到在该客户需求下的汽车广义产品配置BOM(Bill of Material,物料清单)。
步骤三:对配置方案进行一致性检验。一致性检验包括两方面:1)基于关系型约束的检验,它利用约束关系库中的关系型约束,从根节点出发,遍历配置基准型的各节点,判断配置方案中各选项参数间是否存在冲突。2)基于存在性约束的检验,它利用约束关系库中的存在性约束,对配置基准型的各节点进行遍历,判断各模块上下级之间是否满足约束条件。
步骤四:配置方案经过一致性检验通过后,根据步骤二的汽车广义产品配置方案BOM构建汽车产品三维模型,并拟定相关服务流程,制定该配置方案的详细说明文档,提交给客户审核,审核通过则继续下一步,若审核不通过,则提交给工程师进行修改完善,直至客户满意。
步骤五:客户配置数据的存储,KBANN知识神经网络结构及配置规则的更新。存储客户需求以及最终配置方案,并以之构建KBANN知识神经网络训练的训练数据集和配置实例集,并对其进行定期更新(删除旧的数据,增添新的数据),并利用KBANN知识神经网络训练的训练数据集对KBANN知识神经网络进行训练,利用MODPSO算法对配置实例集进行配置规则挖掘,以实现KBANN知识神经网络结构和配置规则库的及时更新。
与现有技术相比,本发明具有如下突出的实质性特点和显著的优点:
(1)将汽车的配置从单纯的物理产品的配置延伸到广义产品的配置,大大提高汽车产品的市场竞争力。
(2)采用了智能技术来实现由客户需求到配置方案的映射,实现了配置过程的智能化。
(3)引入对历史配置方案数据的挖掘功能,并定期更新相关知识库,使配置设计及时跟上市场动态。
附图说明
图1为本发明总体配置流程图。
图2为本发明中汽车广义产品基准型模型图。
图3为本发明中汽车广义产品基准型的约束关系图。
图4为本发明中KBANN知识神经网络广义产品基准型学习映射过程图。
图5为本发明基于深度搜索的配置求解过程图。
图6为本发明基于关系型约束的配置方案一致性检验过程图。
图7为本发明基于存在性约束的配置方案一致性检验过程图。
图8为本发明配置规则挖掘算法MODPSO流程图。
具体实施方式
下面将集合附图和实施例对本发明作进一步的详细说明。
本发明提出了一种汽车广义产品智能化配置方法,如图1所示,该方法以客户需求为驱动,以汽车广义产品基构库为核心,采用智能配置技术,实现满足客户需求的智能化、可视化汽车广义产品配置。具体步骤如下:
步骤一:构建汽车广义产品模型,主要用于存储汽车的广义产品基准型方案,包括汽车广义产品基准库的构建、约束关系库的构建及配置选项的设定。
1)汽车广义产品基准库的构建。对各基准型进行模块划分,每种汽车广义产品基准型的拓扑结构如图3所示,包含两级模块及下属构件,一级模块为物理产品模块和服务产品模块,二级模块为产品模块和服务模块下的子模块。每个二级子模块下包含标准构件及(或)可配置构件。例如一级物理产品模块包含汽车动力总成,仪表总成,底盘总成,车身总成,内饰总成等二级子模块,其中,内饰总成包含可配置构件天窗,座椅,安全气囊等,也包含除可配置构件之外的其他标准构件,如安全带。在模块划分之后,用编码表示汽车广义产品基准型的拓扑结构的各个节点。例如物理产品模块的编码表示为FPP,服务产品模块的编码表示为FSP,汽车动力总成的编码表示为SPMI。
2)约束关系库的构建。如图4所示,约束关系分为关系型约束和存在性约束。
关系型约束是一种横向关系,存在于不同二级子模块及其下的可配置组件(可配置零部件)之间、可配置业务(可配置项目)之间和可配置组件(可配置零部件)与可配置业务(可配置项目)之间。主要有“与(&)”、“或(/)”、“非(-)”三种关系,分别描述可配置选项之间依赖、替换和互斥关系。例如发动机模块(编码过程中的表示为TPMIM)的配置选择方案2(编码过程中的表示为SPMIM2)时,发动机维修服务(编码过程中的表示为TSMIM)不能选择方案4(编码过程中的表示为TSMIM4),两者之间是互斥关系,可以用表达式(SPMIM2-TSMIM4)表示。
存在性约束是一种纵向关系,存在于广义产品基准型与其下属模块之间、模块及其子模块之间、子模块及其下属构成之间。描述的是上下级之间的依赖关系。例如一级物理产品模块与其二级子模块汽车动力总成之间是依赖关系,两者之间的关系用表达式(FPP&SPMI)表示。
3)配置选项的设定。根据企业的实际情况,为每种汽车广义产品基准型设定标准选项和可配置选项,标准选项和可配置选项均可以关联单个或多个产品(服务)模块。例如发动机配置等级为汽车的可配置选项,其每一选项值关联相应的发动机配置方案模块及维修服务配置方案模块。在配置过程中,在选定某种汽车广义产品基准型后,该基准型中所有的标准选项的对应构件均默认已选,配置过程主要针对可配置选项进行方案选择。可配置选项用PSrt|t∈{1,2,…,w}表示,其中w表示可配置选项个数,对于每一个可配置选项都有nr个可选值,即PSrt的值域PSvt={PSv1 t,PSv2 t,…,PSvnr t}。
步骤二:客户需求向配置方案的映射。包括两个过程:
1)汽车广义产品基准型的选择:通过对汽车市场的调查以及对历史数据的分析,提取客户的核心需求。每一个客户的核心需求用一个需求属性CRi|i∈[1,2,…,N]来表示,其中,N代表客户需求属性的个数,对于任一需求属性CRi,其取值用CRVi,j来表示,j∈[1,2,…,m],其中m代表属性CRi可能取值的个数。那么客户需求可以用一组需求向量 来表示。以需求向量作为KBANN知识神经网络的输入向量。在需求向量中,每个属性CRi可能是数值型的或是范畴型的。首先对各个类型的需求属性进行预处理,使其转化为KBANN可以接受的输入形式。数值型属性指属性的取值用实数表达,例如汽车排量可以用数值来表达:1.6,2.0,2.4(L)。对于数值型的属性,可使用归一化方法将其属性的取值转化到[0,1]区间内。范畴型属性指从一个由有限个可能的值构成的集合中进行取值,例如汽车内饰的配置等级属性的取值集合为{奢华型、舒适型、标准型}。对于范畴型的属性,其属性的每一个取值对应一个输入神经元,例如汽车内饰的配置等级属性的三个取值分别对应于一个神经元,如果汽车内饰的配置等级属性取值为“舒适型”,那么“舒适型”对应的神经元设为1,这个属性的其余取值对应的神经元均为0。表1为客户需求属性及其作为KBANN知识神经网络输入的转化编码示意表。
表1
如汽车广义产品基准型CM有6种取值任一汽车广义产品基准型所对应的输出神经元有两种取值,分别为0和1。构建KBANN映射神经网络如图4所示,分为输入层(客户需求),学习网络隐藏层和输出层(广义产品基准型),其中隐藏层数和节点数是由领域知识来确定的,输出层以六位二进制数来表示,如果输出为010000,即CM=010000,则表示得到的广义产品基准型为CMV2。将历史数据按照以上转化方法进行转化,得到用于KBANN知识神经网络训练的训练数据集{CRVi,j,CM},如表2所示。
表2
经过训练后的KBANN知识神经网络以新的客户需求作为输入,则可在输出层得到相对应的广义产品基准型。
2)可配置选项选择:选定了配置基准型后,再在该基准型的基础上进行可配置选项参数的选择。首先客户实际需求,选取部分能直接确定的可配置选项的选项值,对于一些不能直接选取的可配置选项的选项值,可依据配置规则进行二次选择,最后利用基于深度搜索的算法求解出剩余的其他可配置选项的选项值。基于深度搜索的求解过程如图5所示,若A为一已确定的可配置选项的选项值,则搜索从根节点A出发,搜索与之有约束关系的下一级节点,依次找出下一级节点中与之为“&”关系的节点,即C,D,E,F,H(或C,I,E,F,H)。在可配置选项选择完成后,即可得到在该客户需求下的汽车广义产品配置方案BOM。
配置规则是设计知识库中的重要内容,是利用数据挖掘算法MODPSO对配置实例集挖掘得到的。
配置实例集是对历史配置实例通过以下转化得到:
首先,历史配置实例进行分析,提取核心广义产品配置需求广义产品配置需求的取值CCRVf应用模糊集{VL(很低),L(低),ML(中低),M(中等),MH(中高),H(高),VH(很高)}来统一表达,采用十进制对其进行编码,则模糊集{VL(很低),L(低),ML(中低),M(中等),MH(中高),H(高),VH(很高)}对应的编码为{1,2,3,4,5,6,7}。对于可配置选项的取值集合,同样使用十进制对其编码,如表3所示,若PSr2=2,则表示可配置选项PSr2的取值为PSv2 2。然后,设计工程师将顾客需求映射为广义产品配置需求,例如客户对汽车的一项需求为主动安全系统配置高,这一客户需求映射为广义产品的配置需求的映射结果为汽车安全性能=6,通过映射转化,获得配置实例集{CCRVf,PSvt},如表4所示。
表3
表4
MODPSO算法是离散粒子群优化算法DPSO与Pareto最优理论相结合的算法,配置规则的挖掘以支持度、置信度、兴趣度和可理解度为四个评价指标。MODPSO算法流程如图6所示,具体步骤如下:
1)初始化生成粒子初始种群。
2)计算每个粒子的四个评价指标值,并根据Pareto最优理论确定初始种群粒子个体最优pbest。
3)设置一个用于外部存储的“最优规则库”,根据Pareto最优理论选取最优粒子存储到“最优规则库”中。
4)计算“最优规则库”中各个粒子拥挤距离,并按拥挤距离排序,将前5%的粒子存入全局最优候选池中,通过轮盘赌的方式确定粒子群全局最优gbest。
5)迭代,更新粒子速度和位置,计算四个评价指标值,并根据Pareto更新粒子个体最优pbest及“最优规则库”。
6)重复步骤4)~5),至达到迭代终止条件,此时“最优规则库”中所保存个体即为最优个体。对“最优规则库”中最优个体进行解码,获取配置规则。
通过以上算法步骤得到的配置规则采用IF X THEN Y产生式规则表示法表示,其中X表示规则条件,Y表示规则结论。如规则“IF舒适度=中低THEN汽车内饰配置等级=标准型”表示如果配置需求舒适度为中低,那么汽车内饰配置等级为标准型。
步骤三:对配置方案BOM进行一致性检验。一致性检验包括两方面:1)基于关系型约束的检验,它利用约束关系库中的关系型约束,从根节点出发,采用深度搜索遍历配置基准型的各节点,判断配置方案中各选项参数间是否存在冲突。如图7所示,例如配置方案为K,M,P,Q,S,N,由于Q和S之间是互斥(—)关系,则此方案一致性检验不能通过。2)基于存在性约束的检验,它利用约束关系库中的存在性约束,对配置基准型的各节点进行遍历,判断各模块上下级之间是否满足约束条件,如图8所示。例如配置方案为X,Z,O,U,V,由于模块X与其下属模块W之间存在依赖关系,配置方案中X必须与W共存,则此方案一致性检验也不能通过。
若配置方案BOM一致性检验通过,则进行步骤四,若一致性检验未通过,则需要工程师对配置方案进行检查,找出一致性检验未通过的原因,并对方案进行修改,修改后的方案仍需进行一致性检验,直至一致性检验通过。
步骤四:根据步骤二的汽车广义产品配置BOM构建汽车产品三维模型,并拟定相关服务流程,制定该配置方案的详细说明文档,提交给客户审核,审核通过则继续下一步,若审核未通过,则提交给工程师进行修改完善,直至客户满意。
步骤五:客户配置数据的存储,KBANN知识神经网络结构及配置规则的更新。存储客户需求以及最终配置方案,并以之构建KBANN知识神经网络训练数据集和配置实例集,并对其进行定期更新(删除旧的数据,增添新的数据),并利用KBANN知识神经网络的训练数据集对其进行训练,利用MODPSO算法对配置实例集进行配置规则挖掘,以实现KBANN知识神经网络结构和配置规则库的及时更新。

Claims (1)

1.一种汽车广义产品智能化配置方法,其特征在于,该方法具体步骤如下:
步骤一:构建汽车广义产品模型,用于表达汽车广义产品的构成,存储汽车的广义产品基准型方案,主要包括汽车广义产品基准库的构建、约束关系库的构建及配置选项的设定;
1)汽车广义产品基准库的构建:对各基准型进行模块划分,每种汽车广义产品基准型包含两级模块及下属选项,一级模块为物理产品模块和服务产品模块,二级模块为产品模块和服务模块下的子模块;每个二级子模块下包含标准构件和/或可配置构件;标准构件即为标准组件、标准零部件/标准业务、标准项目,可配置构件即为可配置组件、可配置零部件/可配置业务、可配置项目;其中组件指零部件的集成,业务指服务项目的集成,零部件和项目分别为物理产品和服务产品的最小单位,不能再分;
2)约束关系库的构建:约束关系分为关系型约束和存在性约束;
关系型约束是一种横向关系,存在于不同二级子模块及其下的可配置组件/可配置零部件之间、可配置业务/可配置项目之间以及可配置组件、可配置零部件与可配置业务/可配置项目之间;主要有“与”、“或”、“非”三种关系,分别描述可配置构件之间依赖、替换和互斥关系;
存在性约束是一种纵向关系,存在于广义产品基准型与其下属模块之间、模块及其子模块之间、子模块及其下属构成之间,描述的是上下级之间的依赖关系;
3)配置选项的设定:根据企业的实际情况,为每种汽车广义产品基准型设定标准选项和可配置选项,在配置过程中,在选定某种汽车广义产品基准型后,该基准型中所有的标准项都是默认已选的,配置过程主要针对可配置选项进行方案的选择,可配置选项关联单个或多个产品或服务模块;
步骤二:客户需求向配置方案的映射,包括两个过程:
1)汽车广义产品基准型的选择:首先提取客户的核心需求,利用已训练好的KBANN知识神经网络,以客户需求为输入,得到汽车广义产品基准型,以此选择配置基准型;
2)可配置选项选择:选定了配置基准型后,在该基准型的基础上进行可配置选项参数的选择,依据映射规则或客户实际需求,选择部分能直接选取的可配置选项参数,然后,利用基于深度搜索的算法求解出其他可配置选项参数,在可配置模块参数选择完成后,即得到在该客户需求下的汽车广义产品配置物料清单BOM;
步骤三:对配置方案进行一致性检验,一致性检验包括两方面:
1)基于关系型约束的检验,它利用约束关系库中的关系型约束,从根节点出发,遍历配置基准型的各节点,判断配置方案中各选项参数间是否存在冲突;
2)基于存在性约束的检验,它利用约束关系库中的存在性约束,对配置基准型的各节点进行遍历,判断各模块上下级之间是否满足约束条件;
步骤四:配置方案经过一致性检验通过后,根据步骤二的汽车广义产品配置方案BOM构建汽车产品三维模型,并拟定相关服务流程,制定该配置方案的详细说明文档,提交给客户审核,审核通过则继续下一步,若审核不通过,则提交给工程师进行修改完善,直至客户满意;
步骤五:客户配置数据的存储及配置规则的更新,存储客户需求以及最终配置方案,并以之构建KBANN知识神经网络训练的训练数据集和配置实例集,并对其进行定期更新,即删除旧的数据,增添新的数据,并利用KBANN知识神经网络训练的训练数据集对KBANN知识神经网络进行训练,利用MODPSO算法对配置实例集进行配置规则挖掘,以实现KBANN知识神经网络结构和配置规则库的及时更新。
CN201510874730.9A 2015-12-02 2015-12-02 一种汽车广义产品智能化配置方法 Expired - Fee Related CN105512258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510874730.9A CN105512258B (zh) 2015-12-02 2015-12-02 一种汽车广义产品智能化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510874730.9A CN105512258B (zh) 2015-12-02 2015-12-02 一种汽车广义产品智能化配置方法

Publications (2)

Publication Number Publication Date
CN105512258A CN105512258A (zh) 2016-04-20
CN105512258B true CN105512258B (zh) 2019-03-26

Family

ID=55720240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510874730.9A Expired - Fee Related CN105512258B (zh) 2015-12-02 2015-12-02 一种汽车广义产品智能化配置方法

Country Status (1)

Country Link
CN (1) CN105512258B (zh)

Families Citing this family (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273131A (zh) * 2017-06-22 2017-10-20 艾凯克斯(嘉兴)信息科技有限公司 一种应用于可配置bom的机器学习方法
CN108230121B (zh) * 2018-02-09 2022-06-10 艾凯克斯(嘉兴)信息科技有限公司 一种基于循环神经网络的产品设计方法
CN110390573A (zh) * 2018-04-18 2019-10-29 上海汽车集团股份有限公司 一种产品配置方法和装置
CN109120681B (zh) * 2018-07-27 2021-10-26 吉利汽车研究院(宁波)有限公司 一种车载进程管理方法及装置
CN110084511B (zh) * 2019-04-25 2021-07-13 广东工业大学 一种无人机配型方法、装置、设备及可读存储介质
CN111914341B (zh) * 2019-06-03 2024-02-20 中车大同电力机车有限公司 车辆设计方法及装置、计算机存储介质、电子设备
CN112395460B (zh) * 2019-08-15 2024-07-05 上海汽车集团股份有限公司 车辆的配置文件生成方法、装置、配置方法及系统
CN110488707B (zh) * 2019-08-23 2021-09-17 北京汽车股份有限公司 整车的配置方法、配置装置和配置系统
CN110543718A (zh) * 2019-08-30 2019-12-06 上海怿星电子科技有限公司 一种基于客户特性的汽车电子电气架构变形配置方法
CN111625912A (zh) * 2020-06-04 2020-09-04 深制科技(苏州)有限公司 一种面向深度学习的Bom结构及其创建方法
CN111681082B (zh) * 2020-06-08 2023-08-01 上海汽车集团股份有限公司 交互式产品配置方法及系统、计算机可读存储介质、终端
CN111681081B (zh) * 2020-06-08 2023-08-01 上海汽车集团股份有限公司 交互式产品配置方法及系统、计算机可读存储介质、终端
CN112418876A (zh) * 2020-10-23 2021-02-26 华为技术有限公司 一种数据处理方法、数据处理装置以及存储介质
CN112633994B (zh) * 2020-11-20 2023-04-18 西南交通大学 一种轨道交通车辆产品平台规划方法
TWI774154B (zh) * 2020-12-10 2022-08-11 中華電信股份有限公司 具有動態自動調適之產品包裝系統、方法及電腦可讀媒介
CN113435958A (zh) * 2021-05-31 2021-09-24 一汽资本控股有限公司 一种高效的产品配置方法及装置
CN114329798B (zh) * 2022-03-02 2022-06-07 山东豪迈机械科技股份有限公司 轮胎模具加工工艺数模自动生成方法、装置、设备及介质
CN117252100B (zh) * 2023-09-22 2024-05-03 安徽理工大学 一种基于药剂燃烧试验的安全气囊性能优化方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101823519A (zh) * 2010-05-10 2010-09-08 华中科技大学 一种汽车整车生产计划动态自动排产系统
CN102722608A (zh) * 2012-05-25 2012-10-10 北京航空航天大学 一种基于客户知识的飞机配置方法
US8386639B1 (en) * 2012-01-24 2013-02-26 New Voice Media Limited System and method for optimized and distributed resource management

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2498363B1 (en) * 2011-03-10 2013-10-09 Accenture Global Services Limited Electrical distribution network improvement for plug-in electric vehicles

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101823519A (zh) * 2010-05-10 2010-09-08 华中科技大学 一种汽车整车生产计划动态自动排产系统
US8386639B1 (en) * 2012-01-24 2013-02-26 New Voice Media Limited System and method for optimized and distributed resource management
CN102722608A (zh) * 2012-05-25 2012-10-10 北京航空航天大学 一种基于客户知识的飞机配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多目标离散粒子群的产品服务系统方案配置规则提取;刘园等;《上海交通大学学报》;20150828;第1123页-第1130页

Also Published As

Publication number Publication date
CN105512258A (zh) 2016-04-20

Similar Documents

Publication Publication Date Title
CN105512258B (zh) 一种汽车广义产品智能化配置方法
CN101093559B (zh) 一种基于知识发现的专家系统构造方法
Hong et al. Rapid identification of the optimal product configuration and its parameters based on customer-centric product modeling for one-of-a-kind production
CN109523316A (zh) 商业服务模型的自动化建模方法
CN110992113A (zh) 基于神经网络智能算法的基建变电站项目造价预测方法
CN108573078B (zh) 基于数据挖掘的压裂效果预测方法
Karkevandi-Talkhooncheh et al. Application of hybrid adaptive neuro-fuzzy inference system in well placement optimization
CN105912773B (zh) 一种新的基于数据挖掘技术的智能冲压工艺设计方法
Aguilar-Ruiz et al. Natural encoding for evolutionary supervised learning
CN108121530A (zh) 一种多学科复杂产品的概念设计分析方法
CN106503798A (zh) 基于粗糙集与bp神经网络的泵的故障诊断方法
CN104050547A (zh) 一种油田开发规划方案非线性优选决策方法
CN108984830A (zh) 一种基于模糊网络分析的建筑能效评价方法及装置
Wang et al. A new approach of obtaining reservoir operation rules: Artificial immune recognition system
CN110309907A (zh) 一种基于去跟踪自编码器的动态缺失值填补方法
CN111738412A (zh) 一种不完全网络的大数据异常挖掘方法、系统及存储介质
CN105205537A (zh) 一种基于本体的特征加工工艺知识表达推理的装置及方法
CN107977853A (zh) 一种汽车企业客户流失建模与分析方法
CN101404073A (zh) 一种复杂产品模糊层次配置方法
CN115660221B (zh) 基于混合神经网络的油气藏经济可采储量评估方法及系统
Elwakil Knowledge discovery based simulation system in construction
Yin et al. A novel imperialist competitive algorithm for scheme configuration rules mining of product service system
CN115293230A (zh) 地区生态和谐lstm算法预测方法
CN112465253B (zh) 一种城市路网中的链路预测方法及装置
CN103049463A (zh) 一种基于粗集理论的地震属性优选方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190326

Termination date: 20201202