CN107609909A - 基于模型造型独特性因素的自动定价方法 - Google Patents
基于模型造型独特性因素的自动定价方法 Download PDFInfo
- Publication number
- CN107609909A CN107609909A CN201710815500.4A CN201710815500A CN107609909A CN 107609909 A CN107609909 A CN 107609909A CN 201710815500 A CN201710815500 A CN 201710815500A CN 107609909 A CN107609909 A CN 107609909A
- Authority
- CN
- China
- Prior art keywords
- model
- quotation
- product
- data
- dimensional digital
- 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.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于智能制造技术领域,具体的为基于模型造型独特性因素的自动定价方法,收集若干产品三维数字模型和对应的人工报价,形成模型‑价格数据;对所有的三维数字模型等厚切割,获得每一切割面的轮廓图像;构建深度网络,训练网络输出收敛于目标数据,完成自动报价系统的构建;进行产品造价自动评估时,将待报价产品的三维数字模型按照同样的规格进行切片,将切片数据集输入到构建好的深度网络中,其网络输出值即为系统自动形成的报价。本发明将连续的三维模型转变为利于计算机计算的有限离散切片,有效的降低了数据维数;通过使用深度网络技术,实现了产品数字模型特征的自动选取、评价和报价系统的自动构建,能够保证报价的准确性。
Description
技术领域
本发明属于智能制造技术领域,具体的为基于模型造型独特性因素的自动定价方法。
背景技术
产品造价的自动化定价技术/系统,是个性化智能制造、工业4.0体系的重要组成部分。其提供在线/离线的软件工具,供委托方可以立即获知该产品的制造报价,避免长时间的人工评估和计算,有效提高报价效率和降低沟通成本;对于被委托方,准确快速的产品制造报价,使得实现制造全环节无人化、自动化成为可能,能够提高制造全环节的效率,保证制造方获得最合理的利润,进而保证产品质量和促进制造方良性发展。
产品造价主要依据以下几个因素进行计算:产品数量、尺寸、材料、交付周期、产品形态结构。其中,产品的尺寸、材料、交付周期皆为客观因素,可以准确的评估计算,但产品形态结构因素则具有主观性。新颖独特的产品形态结构可能会带来制造的复杂性,比如限制了加工设备、工艺等,可能使得该部分成本远超过其它因素,成为产品造价中的主要部分;做为产品制造的委托方来说,因其具有独特设备、工艺,使得成为能够制造该产品的唯一或少数企业,应该获得合理的溢价,以补偿为获取该制造能力而前期投入的各种成本,并获得超平均值的利润回报。
但目前对客观因素的评价,仍依赖人工进行。在实际场景中,产品制造委托方在正式作出一种产品的制造委托前,会集中要求制造企业针对多种制造方案进行报价,制造企业不得不维持庞大的报价团队,以完成高强度的定价工作;同时,为保证报价的准确性,企业需要大量薪资较高的优秀报价人员,不仅企业需要为此支付昂贵的成本,同时也将压力传递给了报价人才培养体系,但优秀的报价人才培养难以批量化和高效化。
人工报价是目前最普遍的报价方式,表现为以业务员的形式,和产品制造委托方进行谈判,就产品最终造价的确定进行博弈。因双方在产品制造主观因素上肯定会存在认识偏差,使得双方需要花费大量时间和精力才可能达成共识,推高了双方企业的经营成本。
目前还有忽略主观因素的产品自动化定价技术/系统,或对产品制造中主观因素简单分类,阶梯定价的自动化技术/系统。忽略主观因素的报价,必然会使制造方丧失合理的溢价,使企业丧失提高服务质量的动力和资金。而通过对主观因素简单分类,按照类别分别定价的技术,可使企业获得部分溢价,但各类别的区分标准难以定量描述,技术难度较大,也使得定价准确度较低,可能仍需要人工来进行审查和调整。
发明内容
本发明目的在于提供基于模型造型独特性因素的自动定价方法,评估产品形态结构特点,自动计算产品造价的技术和系统,替代人的主观和经验评估,并且该技术/系统能够自我学习和进化,不断提高产品形态结构的评估准确度。
为实现上述发明目的,本发明采用的技术方案如下:
基于模型造型独特性因素的自动定价方法,包括以下过程:
(1)收集若干产品三维数字模型,以及对应的人工报价;从人工中确定产品主观性价格,与该产品的三维数字模型形成模型-价格数据,用(mi,pi)表示;
(2)对所有的三维数字模型,均沿着同一个方向,将三维数字模型等厚切割n次,获得每一切割面的轮廓图像;将模型等厚切割n次,形成n个切面;
(3)构建深度网络,三维数字模型mi的切片集合为输入数据,价格pi为目标数据,训练网络输出收敛于目标数据,完成自动报价系统的构建;
(4)进行产品造价自动评估时,将待报价产品的三维数字模型按照同样的规格进行切片,将切片数据集输入到构建好的深度网络中,其网络输出值即为系统自动形成的报价。
进一步的,通过人工定价或经过人工调整过的新报价数据逐步积累,使用该新增数据,在原有网络基础上进行再训练,使报价系统学习到最新的报价规则。
本发明的优点是:
1.通过采用三维产品数字模型的等间距切片,作为评价产品形态结构的特征,将连续的三维模型转变为利于计算机计算的有限离散切片,也有效的降低了数据维数;此外,切片能够更好的表现出模型的内部结构,有利于构建自动定价数学模型;
2.通过使用深度网络技术,实现了产品数字模型特征的自动选取、评价和报价系统的自动构建,同时也能够保证报价的准确性;
3.随着市场的发展,使用新的小部分新增数据,在现有网络基础上进行再训练,能够快捷的升级报价系统,使其更符合新的市场行情;
4.通过构建文中所示的深度网络,尤其是采用了三维卷积层conv3D和残差网络结构,能够准确的拟合数据,并且具有较少的网络训练时间。
附图说明
图1是实施例中深度网络结构的identity_block(k1,k2,k3)网络子结构图;
图2是实施例中深度网络结构的conv_block(k1,k2,k3)网络子结构图;
图3是实施例中深度网络结构的网络总体结构图;
图4是实施例中训练产品造价评估深度网络的训练数据集;
图5是实施例中测试数据进行网络报价性能的测试数据集。
具体实施方式
结合实施例说明本发明的技术方案。
(1)收集若干产品三维数字模型,以及对应的人工报价;从人工中确定产品主观性价格,与该产品的三维数字模型形成模型-价格数据,用(mi,pi)表示;该数据数量越多,越有助于自动报价系统的准确,一般要求数据量≥200条。
(2)对所有的三维数字模型,均沿着同一个方向,将三维数字模型等厚切割n次,获得每一切割面的轮廓图像;将模型等厚切割n次,形成n个切面;如沿模型z轴方向,以平行于x-y平面的一系列切割面,将模型等厚切割n次,形成n个切面。切面厚度越小,越有助于提高自动报价系统的准确性,但也会增加构建系统的难度和时间。因该系统主要应用于具有复杂外形结构的产品制造领域,过大的切面厚度易导致产品形态细节的丢失,因此厚度建议取[1,10]mm;
数字模型切片方向,建议选产品正常摆放、站立的方向。切片层的顺序非常重要,所有模型切片数据都要按统一顺序进行有序存放。
(3)构建深度网络,三维数字模型mi的切片集合为输入数据,价格pi为目标数据,训练网络输出收敛于目标数据,完成自动报价系统的构建。
(4)进行产品造价自动评估时,将待报价产品的三维数字模型按照同样的规格进行切片,将切片数据集输入到构建好的深度网络中,其网络输出值即为系统自动形成的报价。
系统在使用过程中,通过人工定价或经过人工调整过的新报价数据会逐步积累,使用该新增数据,在原有网络基础上进行再训练,可以使报价系统学习到最新的报价规则,以适应市场行情的发展。
步骤3中涉及的深度网络结构包括:
identity_block(k1,k2,k3)网络子结构,如图1所示;
conv_block(k1,k2,k3)网络子结构,如图2所示;
图中:
k@a×b×c表示该卷积层使用k个卷积核,每个卷积核的维数为a×b×c;
relu及后文的sigmoid,表示每个网络层使用的激活函数名称;
上图中的”+”,表示矩阵的加法,即具有相同维数的矩阵的对应项相加。
网络总体结构如图3所示。
如图4,是用来训练产品造价评估深度网络的训练数据集,数据集中含有多组模型数据,此处仅列出5例。其中每行的4张图片,表示该模型的4个截面;其对应的真实报价依次为:5244元、7695元、6703元、3666元、7993元。
将训练模型的报价归一化,即已知模型最高报价为max_v,最少报价为min_v,则报价为v的模型价格,其归一化的价格norm_v由下式计算:
norm_v=(v–min_v)/max_v
然后按照深度网络的训练方法,训练该网络,直到网络loss值低于指定阈值,或不再下降为止。
训练好该网络后,使用若干测试数据进行网络报价性能的测试。所使用的测试数据集(部分)如图5所示,其意义和网络训练数据集的格式意义相同。特别的,用于测试的数据集不能出现在训练数据集中。
图5所示的5个测试数据集,其价格依次为:3695元、8379元、6284元、5454元、5968元。
由深度网络评估出的归一化价格值,经下式计算出真实价格v:
v=norm_v×max_v+min_v
具体评估结果为:
由以上结果可以看出,由该方法构建的深度报价网络,能够较好完成产品的报价工作。
在实际使用中,客户给定一数字模型,将其转化为如训练/测试模型的数据格式,输入深度报价网络中,该网络会输出一个归一化的价格值,将其转化为真实价格,就可以认为该价格就是客户给定的数字模型的加工价格。
Claims (2)
1.基于模型造型独特性因素的自动定价方法,其特征在于,包括以下过程:
(1)收集若干产品三维数字模型,以及对应的人工报价;从人工中确定产品主观性价格,与该产品的三维数字模型形成模型-价格数据,用(mi,pi)表示;
(2)对所有的三维数字模型,均沿着同一个方向,将三维数字模型等厚切割n次,获得每一切割面的轮廓图像;将模型等厚切割n次,形成n个切面;
(3)构建深度网络,三维数字模型mi的切片集合为输入数据,价格pi为目标数据,训练网络输出收敛于目标数据,完成自动报价系统的构建;
(4)进行产品造价自动评估时,将待报价产品的三维数字模型按照同样的规格进行切片,将切片数据集输入到构建好的深度网络中,其网络输出值即为系统自动形成的报价。
2.根据权利要求1所述的基于模型造型独特性因素的自动定价方法,其特征在于,通过人工定价或经过人工调整过的新报价数据逐步积累,使用该新增数据,在原有网络基础上进行再训练,使报价系统学习到最新的报价规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815500.4A CN107609909A (zh) | 2017-09-12 | 2017-09-12 | 基于模型造型独特性因素的自动定价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710815500.4A CN107609909A (zh) | 2017-09-12 | 2017-09-12 | 基于模型造型独特性因素的自动定价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107609909A true CN107609909A (zh) | 2018-01-19 |
Family
ID=61062736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710815500.4A Pending CN107609909A (zh) | 2017-09-12 | 2017-09-12 | 基于模型造型独特性因素的自动定价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609909A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751496A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品价格检测方法和装置 |
CN113191829A (zh) * | 2021-06-04 | 2021-07-30 | 山东白令三维科技有限公司 | 一种3d打印报价方法、装置、设备及可读存储介质 |
-
2017
- 2017-09-12 CN CN201710815500.4A patent/CN107609909A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751496A (zh) * | 2018-07-23 | 2020-02-04 | 北京京东尚科信息技术有限公司 | 一种商品价格检测方法和装置 |
CN113191829A (zh) * | 2021-06-04 | 2021-07-30 | 山东白令三维科技有限公司 | 一种3d打印报价方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480775B (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
CN116911962B (zh) | 一种基于数据模型的选品装置及方法 | |
CN107609909A (zh) | 基于模型造型独特性因素的自动定价方法 | |
CN114881504B (zh) | 一种基于订单选择的电子精密件全自动柔性生产线调度方法 | |
WO2011080347A1 (en) | Art evaluation engine and method for automatic development of an art index | |
CN102663128B (zh) | 一种大规模协同过滤的推荐系统 | |
CN109920050A (zh) | 一种基于深度学习和薄板样条的单视图三维火焰重建方法 | |
CN113240263A (zh) | 一种基于熵权模糊的综合能源系统规划组合评价方法 | |
CN106447219A (zh) | 一种云制造模式下自控阀企业的云服务提供商评估方法 | |
CN104460569B (zh) | 一种用于叶片生产的在制品监控方法 | |
CN107578130A (zh) | 一种结构和参数联合学习的tsk型模糊系统的铜期货价格预测的方法 | |
CN112990591A (zh) | 一种基于卷积神经网络的多维度能耗数据分析方法与企业能耗预测模型 | |
CN109711765A (zh) | 基于Kraljic采购定位模型的配网物资分类方法 | |
CN110047001A (zh) | 一种期货数据人工智能分析方法及系统 | |
CN110298545B (zh) | 一种基于神经网络的专利评价方法、系统和介质 | |
Gautam et al. | Optimal auctions for multi-unit procurement with volume discount bids | |
CN110376982B (zh) | 一种基于改进fmea的控制分析方法 | |
CN112529456A (zh) | 一种供应商评价系统、方法、后台设备及存储介质 | |
Karim et al. | The Economic Evaluation of Efficiency of Pomegranate Growers in Khash City | |
CN104199902A (zh) | 一种线性动态系统的相似性度量计算方法 | |
CN114971434B (zh) | 一种基于分布式计算的绩效对比分析系统 | |
CN113344382B (zh) | 一种基于产品指标演化分析的设计决策指导方法 | |
Madan et al. | Idustry 4.0–The Industry Internet of Things (Computer aided manufacturing) | |
Li et al. | Dynamic Task Allocation for Heterogeneous Multi-Robot System under Communication Constraints | |
Haijun et al. | Bidding strategy in continuous double auction market based on Fuzzy Cognitive Map |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |
|
RJ01 | Rejection of invention patent application after publication |