CN107066757B - 一种大数据支持下产品模块化设计中的模块型谱优化设计方法 - Google Patents
一种大数据支持下产品模块化设计中的模块型谱优化设计方法 Download PDFInfo
- Publication number
- CN107066757B CN107066757B CN201710324742.3A CN201710324742A CN107066757B CN 107066757 B CN107066757 B CN 107066757B CN 201710324742 A CN201710324742 A CN 201710324742A CN 107066757 B CN107066757 B CN 107066757B
- Authority
- CN
- China
- Prior art keywords
- user
- value
- type spectrum
- parameter
- equal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Complex Calculations (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种大数据支持下产品模块化设计中的模块型谱优化设计方法。对于对用户选用产品模块参数水平取值的行为,定义用户行为变量,统计用户行为数据,计算参数水平取值的用户需求满足度,以最大化模块型谱的用户需求满足度和最小化生产成本为目标建立模块型谱优化设计模型,采用二分法求解模块型谱优化设计模型。本发明通过对用户选用产品模块参数水平取值的大数据进行分析,来指导产品模块型谱的优化设计,能克服传统方法的不足,具有方法简便合理、容易实现的特点。
Description
技术领域
本发明涉及产品模块化设计领域,具体为一种大数据支持下产品模块化设计中的模块型谱优化设计方法。
背景技术
产品模块化设计中的模块型谱优化设计是在企业原有的模块型谱基础上,通过分析用户使用产品一段时间后对模块型谱需求的变化,来实现模块型谱持续优化的过程。对于产品模块化设计中的模块型谱优化设计,其主要依据是用户需求。目前,用户需求的获取主要有两大类方法,即问卷调查法和网络评论分析法。问卷调查法以其操作简单、直接的优势成为设计师了解用户需求最常用的手段,但问卷是由设计师事先设计的,带有较强的主观性和指向性,往往不能客观、全面地反映用户的真实感受,另外调查样本人数有限,调查对象对产品的理解程度和描述水平各异,导致设计师难以获取用户真实、准确的需求;网络评论分析法是网络环境下产生的一种基于数据挖掘技术的需求获取方法。随着网络舆论平台信息量的快速增长,通过网络评论分析获取设计知识以指导产品优化设计已成为近年来业界的常用方法,但网络评论信息多为文本型、图片等非结构化数据,从中准确获取结构化的设计知识将花费大量的时间和精力;并且网络评论信息源真伪难辨,直接影响了分析结果的准确性。
用户使用产品的行为是用户对产品功能或模块型谱参数需求最真实和最客观的反映,行为数据的记录和分析可以有效地指导产品的模块型谱优化设计。用户在与产品的使用交互过程中,随着使用次数增多,会对某些功能属性或型谱参数水平产生偏好,并逐步形成自己的使用习惯。用户行为数据会伴随用户使用累积产生,包含了潜在的用户需求偏好。因而,需要在大数据的支持下,用数学方法来描述用户多次使用产品的行为数据,并通过分析行为数据来更为客观地理解用户需求偏好,从而实现产品模块化设计中的模块型谱优化设计。
发明内容
本发明主要解决的技术问题是:在大数据的支持下,用数学方法来描述用户多次使用产品的行为数据,并通过分析行为数据来更为客观地理解用户需求偏好,从而实现产品模块化设计中的模块型谱优化设计。
为解决上述技术问题,本发明采用如下技术方案:
一种大数据支持下产品模块化设计中的模块型谱优化设计方法,包括如下步骤:
步骤1:定义用户行为变量;
设用户的需求有U项,构成需求序列{Cr1,…,Cru,…,CrU};需求Cru(1≤u≤U)共有Lu个期望值,构成需求期望值序列定义用户行为变量为表示当用户对需求Cru的期望值为时,将选择作为产品模块的参数Pj的水平取值;
步骤2:统计用户行为数据;
设有I位用户,构成用户序列{Sub1,…,Subi,…,SubI};用户Subi(1≤i≤I)共有Qi次选用行为,构成用户选用行为序列对于用户Subi的第qi次选用行为创建用户行为变量矩阵其中元素的赋值为1或0,当本次选用行为中用户对需求Cru的期望值为时选择作为产品模块参数Pj的水平取值时,赋1值,否则赋0值;
步骤3:计算参数水平取值的用户需求满足度;
计算的方法为:截至用户Subi(1≤i≤I),选用模块参数水平取值的累积次数平均值,即这里为截至用户Subi(1≤i≤I),选用参数水平取值的累计次数,有即:对于参数水平取值当用户Subi(1≤i≤I)在第qi次选用产品模块时选用了则累加此次选用行为;
步骤4:以最大化模块型谱的用户需求满足度和最小化生产成本为目标建立模块型谱优化设计模型;
有M个备选的模块型谱,构成模块型谱序列{TypeSpe1,…,TypeSpem,…,TypeSpeM};模块型谱TypeSpem(1≤m≤M)中包含有Nm个参数水平取值组合方案,构成参数组合方案序列参数水平取值组合方案(1≤nm≤Nm)表示为这里
本发明建立的模块型谱优化设计模型中,决策变量有两个,为:(1)若模块型谱TypeSpem(1≤m≤M)中的参数水平取值组合方案(1≤nm≤Nm)选取了参数Pj(1≤j≤J)的水平取值(1≤kj≤kJ),则否则(2)Nm:即模块型谱中包含的参数组合水平取值方案数;
本发明建立的模块型谱优化设计模型中,约束条件有3个,为:(1)对任一参数水平取值组合方案(1≤m≤M,1≤nm≤Nm),参数Pj(1≤j≤J)有且仅有一个水平取值被选择,即且(1≤j≤J,1≤m≤M,1≤nm≤Nm);(2)最高生产成本的约束,即对任一模块型谱TypeSpem(1≤m≤M),这里COST为最高总成本;(3)设计结构导致某些参数水平取值组合无效,需根据实际情况列入模块型谱优化设计模型的约束条件;
步骤5:采用二分法求解模块型谱优化设计模型;
步骤5.1:初始化;
步骤5.3:若无解,令P=P+1,重复执行步骤5.2,直到有解,执行步骤5.4;否则直接执行步骤5.4;
步骤5.5:若无解且(Nm)p≥1,执行步骤5.4;若无解且(Nm)p<1说明模块型谱优化设计模型无解,终止运算;否则执行步骤5.6;
步骤5.7:若有解,重复执行步骤5.6,直到(Nm)p+1=(Nm)p时,得到的(Nm)p即为最优模块型谱中包含的参数组合水平取值方案数Nm,对应的模块型谱TypeSpem即为最优模块型谱;如果无解执行步骤5.4。
本发明的有益效果是:
(1)通过对用户选用产品模块参数水平取值的大数据进行分析,来指导产品模块型谱的优化设计,能克服传统方法(问卷调查法和网络评论分析法)的不足;
(2)方法简便合理,容易实现。
附图说明
图1是本发明提供的一种大数据支持下产品模块化设计中的模块型谱优化设计方法的流程示意图。
具体实施方式
下面结合具体实施例描述本发明,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
实施例:
现需对大型履带式起重机的主变幅机构模块进行模块型谱优化设计。
实施步骤如下:
步骤1:定义用户行为变量;
主变幅机构模块的参数有4个,为:卷筒绳槽数量P1(单位:个)、绳槽间距P2(单位:mm)、岀绳方式P3及筒径大小P4(单位:cm),构成参数序列{P1,P2,P3,P4},其中岀绳方式属于描述型参数。参数间存在一对约束关系:绳槽数量是奇数时,其岀绳方式只能是单出绳,因此奇数的绳槽数量和双出绳方式的组合无效。卷筒绳槽数量P1的参数水平取值序列为{12,17,22,28,33},绳槽间距P2的参数水平取值序列为{16.8,21.0,27.4,29.2},岀绳方式P3的参数水平取值序列为{1:单出绳,2:双出绳},筒径大小P4的参数水平取值序列为{63,79,95}。
与主变幅机构模块相关的用户需求有4项,为:起吊重量Cr1(单位:100吨)、起吊高度Cr2(单位:m)、主臂变幅角度Cr3(单位:°)、起吊速度Cr4(单位:m/s),构成需求序列{Cr1,Cr2,Cr3,Cr4}。起吊重量Cr1的需求期望值范围为(0,20],起吊高度Cr2的需求期望值范围为(0,300],主臂变幅角度Cr3的需求期望值范围为(0,90],起吊速度Cr4的需求期望值范围为(0,1]。定义用户行为变量为1≤u≤4,1≤j≤4。
步骤2:统计用户行为数据;
有1000位用户,构成用户序列{Sub1,…,Subi,…,Sub1000},每位用户至少有30次选用行为,对于每位用户的每次选用行为创建一个用户行为变量矩阵,例如:对于用户Sub1的第5次选用行为创建用户行为变量矩阵Θ1,5,这里仅列出Θ1,5中对应需求Cr1的部分:
步骤3:计算参数水平取值的用户需求满足度;
通过对所有用户的所有选用行为进行统计,算出各个参数水平取值的累计次数平均值,即得到该参数水平取值的用户需求满足度。计算结果如下:
卷筒绳槽数量P1的参数水平取值的用户需求满足度为:
序号 | 卷筒绳槽数量P<sub>1</sub>(单位:个)的参数水平取值 | 用户需求满足度 |
1 | 12 | 0.013 |
2 | 17 | 0.123 |
3 | 22 | 0.589 |
4 | 28 | 0.222 |
5 | 33 | 0.053 |
绳槽间距P2的参数水平取值的用户需求满足度为:
序号 | 绳槽间距P<sub>2</sub>(单位:mm)的参数水平取值 | 用户需求满足度 |
1 | 16.8 | 0.028 |
2 | 21.0 | 0.095 |
3 | 27.4 | 0.616 |
4 | 29.2 | 0.261 |
岀绳方式P3的参数水平取值的用户需求满足度为:
序号 | 岀绳方式P<sub>3</sub>的参数水平取值 | 用户需求满足度 |
1 | 1:单出绳 | 0.348 |
2 | 2:双出绳 | 0.652 |
筒径大小P4的参数水平取值的用户需求满足度为:
序号 | 筒径大小P<sub>4</sub>(单位:cm)的参数水平取值 | 用户需求满足度 |
1 | 63 | 0.039 |
2 | 79 | 0.782 |
3 | 95 | 0.179 |
步骤4:以最大化模块型谱的用户需求满足度和最小化生产成本为目标建立模块型谱优化设计模型;
主变幅机构模块的各参数水平取值的生产成本(单位:元)如下:
卷筒绳槽数量P1的参数水平取值的生产成本为:
序号 | 卷筒绳槽数量P<sub>1</sub>(单位:个)的参数水平取值 | 生产成本 |
1 | 12 | 850 |
2 | 17 | 900 |
3 | 22 | 970 |
4 | 28 | 1060 |
5 | 33 | 11500 |
绳槽间距P2的参数水平取值的生产成本为:
序号 | 绳槽间距P<sub>2</sub>(单位:mm)的参数水平取值 | 生产成本 |
1 | 16.8 | 1950 |
2 | 21.0 | 1620 |
3 | 27.4 | 1490 |
4 | 29.2 | 1240 |
岀绳方式P3的参数水平取值的生产成本为:
序号 | 岀绳方式P<sub>3</sub>的参数水平取值 | 生产成本 |
1 | 1:单出绳 | 1000 |
2 | 2:双出绳 | 1000 |
筒径大小P4的参数水平取值的生产成本为:
序号 | 筒径大小P<sub>4</sub>(单位:cm)的参数水平取值 | 生产成本 |
1 | 63 | 2300 |
2 | 79 | 2350 |
3 | 95 | 2430 |
根据实际情况设置最大化模块型谱用户需求满足度目标和最小化生产成本目标的权重分别为ω1=0.75和ω2=0.25,可得主变幅机构模块的模块型谱优化设计模型为:
s.t.:
步骤5:采用二分法求解模块型谱优化设计模型,得到Nm=14个参数水平取值组合方案形成的最优模块型谱,用户需求满足度为70.42%,总成本为80840元。最优模块型谱如下:
Claims (1)
1.一种大数据支持下产品模块化设计中的模块型谱优化设计方法,其特征在于,包括如下步骤:
步骤1:定义用户行为变量;
设用户的需求有U项,构成需求序列{Cr1,…,Cru,…,CrU};需求Cru共有Lu个期望值,1≤u≤U,构成需求期望值序列定义用户行为变量为表示当用户对需求Cru的期望值为时,将选择作为产品模块的参数Pj的水平取值;
步骤2:统计用户行为数据;
设有I位用户,构成用户序列{Sub1,…,Subi,…,SubI};用户Subi共有Qi次选用行为,1≤i≤I,构成用户选用行为序列对于用户Subi的第qi次选用行为创建用户行为变量矩阵其中元素的赋值为1或0,当本次选用行为中用户对需求Cru的期望值为时选择作为产品模块参数Pj的水平取值时,赋1值,否则赋0值;
步骤3:计算参数水平取值的用户需求满足度;
计算的方法为:截至用户Subi,1≤i≤I,选用模块参数水平取值的累积次数平均值,即这里为截至用户Subi,1≤i≤I,选用参数水平取值的累计次数,有即:对于参数水平取值当用户Subi在第qi次选用产品模块时选用了则累加此次选用行为;
步骤4:以最大化模块型谱的用户需求满足度和最小化生产成本为目标建立模块型谱优化设计模型;
有M个备选的模块型谱,构成模块型谱序列{TypeSpe1,…,TypeSpem,…,TypeSpeM};模块型谱TypeSpem中包含有Nm个参数水平取值组合方案,1≤m≤M,构成参数组合方案序列参数水平取值组合方案表示为这里
建立的模块型谱优化设计模型中,约束条件有3个,为:(1)对任一参数水平取值组合方案参数Pj有且仅有一个水平取值被选择,1≤j≤J,即且(2)最高生产成本的约束,即对任一模块型谱TypeSpem,1≤m≤M,这里COST为最高总成本;(3)设计结构导致某些参数水平取值组合无效,需根据实际情况列入模块型谱优化设计模型的约束条件;
步骤5:采用二分法求解模块型谱优化设计模型;
步骤5.1:初始化;
步骤5.3:若无解,令p=p+1,重复执行步骤5.2,直到有解,执行步骤5.4;否则直接执行步骤5.4;
步骤5.5:若无解且(Nm)p≥1,执行步骤5.4;若无解且(Nm)p<1说明模块型谱优化设计模型无解,终止运算;否则执行步骤5.6;
步骤5.7:若有解,重复执行步骤5.6,直到(Nm)p+1=(Nm)p时,得到的(Nm)p即为最优模块型谱中包含的参数组合水平取值方案数Nm,对应的模块型谱TypeSpem即为最优模块型谱;如果无解执行步骤5.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710324742.3A CN107066757B (zh) | 2017-05-11 | 2017-05-11 | 一种大数据支持下产品模块化设计中的模块型谱优化设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710324742.3A CN107066757B (zh) | 2017-05-11 | 2017-05-11 | 一种大数据支持下产品模块化设计中的模块型谱优化设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107066757A CN107066757A (zh) | 2017-08-18 |
CN107066757B true CN107066757B (zh) | 2021-04-27 |
Family
ID=59596777
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710324742.3A Active CN107066757B (zh) | 2017-05-11 | 2017-05-11 | 一种大数据支持下产品模块化设计中的模块型谱优化设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107066757B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254638B (zh) * | 2021-05-08 | 2022-09-23 | 北方民族大学 | 一种产品意象确定方法、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7249032B1 (en) * | 2001-11-30 | 2007-07-24 | Demandtec Inc. | Selective merchandise price optimization mechanism |
CN103440534A (zh) * | 2013-08-29 | 2013-12-11 | 浙江工商大学 | 基于成本贡献度与用户满意度融合的产品优化方法 |
CN105281363A (zh) * | 2015-10-12 | 2016-01-27 | 清华大学 | 计及用户消费粘性的多能源优化与控制方法 |
CN105303486A (zh) * | 2015-09-06 | 2016-02-03 | 李想 | 一种基于成本最低的智慧旅游推荐系统与方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8856845B2 (en) * | 2012-12-21 | 2014-10-07 | TCL Research America Inc. | Method and system for providing personalized contents |
CN104298593B (zh) * | 2014-09-23 | 2017-04-26 | 北京航空航天大学 | 一种基于复杂网络理论的soa系统可靠性评价方法 |
-
2017
- 2017-05-11 CN CN201710324742.3A patent/CN107066757B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7249032B1 (en) * | 2001-11-30 | 2007-07-24 | Demandtec Inc. | Selective merchandise price optimization mechanism |
CN103440534A (zh) * | 2013-08-29 | 2013-12-11 | 浙江工商大学 | 基于成本贡献度与用户满意度融合的产品优化方法 |
CN105303486A (zh) * | 2015-09-06 | 2016-02-03 | 李想 | 一种基于成本最低的智慧旅游推荐系统与方法 |
CN105281363A (zh) * | 2015-10-12 | 2016-01-27 | 清华大学 | 计及用户消费粘性的多能源优化与控制方法 |
Non-Patent Citations (4)
Title |
---|
Algorithmic and Strategic Aspects to Integrating Demand-Side Aggregation and Energy Management Methods;Archie C. Chapman;《IEEE Transactions on Smart Grid》;20161130;第7卷(第6期);2748-2760 * |
Optimal targeting of advertisement for new products with multiple consumer segments;Vijay Ganesh Hariharan;《International Journal of Research in Marketing》;20150930;第32卷(第3期);263-271 * |
模糊用户需求约束下再使用产品质量改进设计;冯珍;《数学的实践与认识》;20091130;第39卷(第22期);24-28 * |
考虑客户需求偏好的产品创新概念设计方案生成;杨涛;《计算机集成制造系统》;20150430;第21卷(第4期);875-884 * |
Also Published As
Publication number | Publication date |
---|---|
CN107066757A (zh) | 2017-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20110125590A1 (en) | System and method for managing and optimizing advertising campaigns managed on the internet | |
Andreoni | Productive capabilities indicators for industrial policy design | |
CN104572449A (zh) | 一种基于用例库的自动化测试方法 | |
Gong et al. | Adaptive client clustering for efficient federated learning over non-iid and imbalanced data | |
CN111651220B (zh) | 一种基于深度强化学习的Spark参数自动优化方法及系统 | |
CN107045569B (zh) | 基于聚类多目标分布估计算法的齿轮减速器优化设计方法 | |
CN110046408A (zh) | 基于bp神经网络微分与区间分析的区间不确定性优化方法 | |
CN111563662B (zh) | 基于分时间窗深度强化学习的服务质量评估系统及方法 | |
VINNyChUK et al. | Research of Economic Growth in the context of Knowledge Economy | |
CN107066757B (zh) | 一种大数据支持下产品模块化设计中的模块型谱优化设计方法 | |
CN110782131A (zh) | 一种农民用水合作组织绩效评价方法 | |
CN101976307A (zh) | 印染流程污水监测指标时间约束关联规则挖掘算法 | |
CN114066069A (zh) | 一种组合权重的副产煤气发生量预测方法 | |
CN117291655B (zh) | 基于实体、网络协同映射的消费者生命周期运营分析方法 | |
Pramod et al. | Understanding the barriers of service supply chain management: an exploratory case study from Indian telecom industry | |
CN115310752A (zh) | 面向能源大数据的数据资产价值评价方法及系统 | |
Tam Cho | An evolutionary algorithm for subset selection in causal inference models | |
CN109670634A (zh) | 一种基于非等长粒度化特征的煤气流量数据预测方法 | |
CN109829115B (zh) | 搜索引擎关键词优化方法 | |
CN115640934A (zh) | 基于雷达图模型的科技创新平台创新能力动态评价方法 | |
CN107291767A (zh) | 任务执行时间的优化处理方法和装置 | |
CN113192034B (zh) | 基于反向传播神经网络的混合染液浓度检测方法 | |
Siddiqi et al. | Evolution of system connectivity to support food production in the Indus Basin in Pakistan | |
Gaggl et al. | Technological revolutions and occupational change: Electrifying news from the old days | |
Bharati et al. | A performance prediction of worm-worm wheel and its multi objective design parameter optimization based on genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210408 Address after: 234000 building 3, exhibition center, Greenland science and Technology Industrial Park, Xiangwang Road, Suma Park, Suzhou City, Anhui Province Applicant after: Suzhou datalake Information Technology Co.,Ltd. Address before: 750021 No. 204, Wenchang North Street, Xixia District, the Ningxia Hui Autonomous Region, Yinchuan Applicant before: Northern University for Nationalities |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |