CN110852605B - 一种基于信息效能的产品设计决策的确定方法及系统 - Google Patents
一种基于信息效能的产品设计决策的确定方法及系统 Download PDFInfo
- Publication number
- CN110852605B CN110852605B CN201911086363.0A CN201911086363A CN110852605B CN 110852605 B CN110852605 B CN 110852605B CN 201911086363 A CN201911086363 A CN 201911086363A CN 110852605 B CN110852605 B CN 110852605B
- Authority
- CN
- China
- Prior art keywords
- uncertain
- determining
- parameter
- range
- potential index
- 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
- 238000013461 design Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000006872 improvement Effects 0.000 claims abstract description 120
- 230000035945 sensitivity Effects 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 22
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 230000008901 benefit Effects 0.000 claims description 13
- 239000000047 product Substances 0.000 description 80
- 230000008569 process Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000005096 rolling process Methods 0.000 description 10
- 229910000859 α-Fe Inorganic materials 0.000 description 7
- 239000011572 manganese Substances 0.000 description 6
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000005094 computer simulation Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003050 experimental design method Methods 0.000 description 3
- 229910052759 nickel Inorganic materials 0.000 description 3
- FAPWYRCQGJNNSJ-UBKPKTQASA-L calcium D-pantothenic acid Chemical compound [Ca+2].OCC(C)(C)[C@@H](O)C(=O)NCCC([O-])=O.OCC(C)(C)[C@@H](O)C(=O)NCCC([O-])=O FAPWYRCQGJNNSJ-UBKPKTQASA-L 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013400 design of experiment Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229910001566 austenite Inorganic materials 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910001562 pearlite Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Biodiversity & Conservation Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于信息效能的产品设计决策的确定方法及系统。该方法包括通过构建的多参数多目标产品设计问题模型确定产品设计的多个不确定参数；根据所有不确定参数的范围，确定改进潜力指数；当改进潜力指数大于改进潜力指数阈值，确定所有不确定参数的灵敏度；并确定所有不确定参数的缩小后范围；再确定不确定参数的效能值；根据效能最大的不确定参数的缩小后范围，确定累计更新成本；直到所累计更新成本大于或等于预算成本时或改进潜力指数小于或等于改进潜力指数阈值时，将不确定参数的范围确定为最终范围；根据最终范围确定产品设计决策。本发明所提供的一种基于信息效能的产品设计决策的确定方法及系统，提高了决策准确性。
Description
技术领域
本发明涉及产品设计领域，特别是涉及一种基于信息效能的产品设计决策的确定方法及系统。
背景技术
产品设计(复杂系统设计)是一个决策过程，设计人员的主要任务是对产品的各设计变量的取值进行决策。在具体的工程实践中，设计人员通常会面临各种各样的不确定性。
从不确定性能否被降低的角度来看，不确定性可以进一步分为可约和不可约。认知不确定性通常是一种可约的不确定性，可以通过改进测量方法和/或改进模型构建和/或通过增加数据的准确性或样本量来减少这种不确定性。另一方面，偶然不确定性是物理系统中固有的一种不可约不确定性，只能在统计意义上进行量化，不能通过收集更多的信息来减少。偶然不确定性(不可约)通常用概率分布表示，而认知不确定性(可约)通常用区间或模糊集来建模。
为了直观地呈现出不确定性来源并识别可约不确定性，使用图1所示的分类方案，不确定性可能来自于噪声因子Y(类型I)，控制因子X(类型II)，以及系统模型f(X，Y)(类型III)。控制因子是设计变量，表示系统实现或实施后的系统规范。在设计阶段，由于系统尚未建立，设计师很难采取行动来减少设计变量的可变性。因此，与控制因子相关的不确定性是一种不可约不确定性。噪声因子是一种不可控的设计参数，通常在设计前就给出，在设计过程中作为常数使用。与噪声因子有关的不确定性可分为可变性和不精确性。一些噪声因子是随机参数(如图1Ya)，用概率分布表示，如前所述，其不确定性是不可约的。一些噪声因子是范围参数(如图1Ye)，用区间表示，其不确定性是可约的，是本发明的重点，如图1中的小虚线框所示。
由上述可知，可约不确定性是可以降低的，因此，为了做出更好的设计决策，设计人员可以通过获取信息以减少与决策相关的不确定性。例如，设计人员可以对一种材料进行更多的物理实验或计算机仿真，以便在选择该材料作为产品的原材料之前更好地了解其力学性能。然而，获得更多的信息(例如，通过物理实验或计算机仿真)不可避免地会导致成本的增加，这些成本可能是所耗费的人力时间、计算仿真时间或者延期成本。因此，设计人员经常会面临着以下问题需要解决：是选择在当前不确定的情况下做出决策，还是花费资源来减少不确定性以期获得可能更好的预期结果。在降低的不确定性和增加的成本之间进行权衡是设计人员必须做出的除设计变量取值决策之外的过程级决策。
关于是否通过获取更多信息来减少不确定性的过程级决策早已得到了认可。Simon(Simon,H.A.(1947).Administrativebehavior:a study of decision-makingprocesses in administrative organization.NewYork,,Macmillan Co.)认为人类通常是在对客观世界认识不完善、信息处理能力有限的情况下做出决策的。他认为决策者应该寻找满意的、足够好的解决方案，而不是花费大量的资源穷尽所有可能的方案并确定最佳解决方案。Simon含蓄地承认信息获取的成本，但没有明确地给出信息价值的计算公式。Howard(Howard,R.A.(1966)."InformationValue Theory."IEEE Transactions onsystems science and cybernetics 2(1):22-26.)提出了信息价值(VOI,value-of-information)的计算公式，用于计算分析是否值得为当前的决策获取额外的信息。Howard所定义的信息价值是指：利用信息所选择的备选方案与不利用信息所选择的备选方案带来的目标期望值之间的差值。Lawrence(Lawrence,D.B.(1999).The economic value-of-information,NewYork:Springer)提供了关于信息价值指标度量的全面概述。
信息价值这一概念在工程系统设计领域已有不少的应用。例如，Agogino等人(Bradley,S.,et al.(1994).Intelligent engineering componentcatalogs.Artificial intelligence indesign’94,Springer.)使用期望信息价值(EVI，the expectedvalue-of-information)来解决零件目录选择问题。Panchal等人提出了一个叫做模型改进潜力的指数来衡量信息价值在仿真模型细化和提高复杂系统设计中决策模型保真度方面的作用(Panchal,J.H.,et al.(2008)."Avalue-of-informationbasedapproachto simulationmodel refinement.")。基于模型改进潜力指数，Messer等人(Messer,M.,et al.(2010)."Model SelectionUnderLimitedInformation Using aValue-of-Information-BasedIndicator.")提出了在产品和材料设计一体化的背景下，基于有限信息对不同设计过程模型进行选择的过程效能指标。总之，现有的基于信息价值的方法为设计人员评估增量信息的效益和成本提供了有用的方法，以便于设计人员做出决定是根据手头的信息继续进行决策还是推迟进行决策以求花费更多的努力来更好地理解问题。然而，现有的信息价值方法通常只关注单一参数的不确定性，很少涉及多参数的不确定性。例如，模型改进潜力指数和相关的仿真模型逐步细化方法对于单一参数不确定的问题具有很好的效果，但是对于该方法如何指导多个不确定参数的信息获取过程，尚缺乏论证。在基于EVI的方法中，尽管提到参数向量是不确定的，但是在零件选择过程中并没有详细说明如何获取信息以减少多个参数中的不确定性。多个参数中的不确定性的确定采用单个参数不确定性的确定方法只能保证单个参数的区间范围精准和效能值最大，不能保证总体效能最大化，而且容易造成预算的超支。
与单个不确定参数相比，多个不确定参数在信息获取中面临的挑战主要体现在两个方面：1)多个信息源可供设计人员选择，不能够减低多参数不确定性的影响，不能高效的确定产品设计决策。2)获取不同信息所花费的成本和不同信息对设计总体性能的影响是不同的。在产品决策方面，设计人员不仅需要决定是否获取增量信息，还需要决定在有多个信息来源时选择哪个信息源。而且，不能保证每次获取的信息都能够减低多参数不确定性，进而造成浪费大量的时间。并且，无用信息的获取，还会造成预算的超支，不能保证总体效能最大化。因此，在工程系统尤其是产品设计(复杂系统设计)中，现有技术在面临多个参数不确定的情况时，无法经济高效地确定产品设计决策。
发明内容
本发明的目的是提供一种基于信息效能的产品设计决策的确定方法及系统，提高决策准确性，解决现有技术在面临多个参数不确定的情况时，无法经济高效地确定产品设计决策的问题。
为实现上述目的，本发明提供了如下方案：
一种基于信息效能的产品设计决策的确定方法，包括：
构建多参数多目标产品设计问题模型；所述多参数多目标产品设计问题模型基于效能的妥协决策支持问题架构构建；
根据所述多参数多目标产品设计问题模型，确定产品设计的多个不确定参数；
确定所有不确定参数的范围；
根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数；
判断所述改进潜力指数是否大于改进潜力指数阈值，得到第一判断结果；
当所述第一判断结果表示所述改进潜力指数大于改进潜力指数阈值时，则根据所有不确定参数的范围，确定所有不确定参数的灵敏度；
采用所有不确定参数的仿真模型确定所有不确定参数的缩小后范围；
根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值；
确定效能值最大的不确定参数；
根据所述效能最大的不确定参数的缩小后范围，确定累计更新成本；所述累计更新成本为每一次更新产生的成本之和；所述更新产生的成本为将所述效能值最大的不确定参数的范围更新至缩小后范围产生的成本；
判断所述累计更新成本是否小于预算成本，得到第二判断结果；
当所述第二判断结果表示累计更新成本小于预算成本时，将所述效能值最大的不确定参数的范围更新至缩小后范围，返回根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数的步骤；
当所述第二判断结果表示累计更新成本大于或等于预算成本时，则将所述不确定参数的范围确定为最终范围；
当所述第一判断结果表示所述改进潜力指数小于或等于改进潜力指数阈值时，则将所述不确定参数的范围确定为最终范围；
根据所述最终范围确定产品设计决策。
可选的，所述根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数，具体包括：
采用所述试验设计方法，确定改进潜力指数函数；
利用改进潜力指数函数确定所述多参数多目标产品设计问题模型的改进潜力指数；所述改进潜力指数函数为PI＝max(Umax)-(Umin)*；其中，PI为所述多参数多目标产品设计问题模型的改进潜力指数，max(Umax)为设计空间可实现的最大收益，(Umin)*表示决策点处期望收益最小值。
可选的，所述采用所有不确定参数的仿真模型确定所有不确定参数的缩小后范围，之后还包括：
根据所述不确定参数的缩小后范围，确定所述不确定参数更新产生的成本。
可选的，所述根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值，具体包括：
利用公式
确定不确定参数的效能值；其中，i为不确定参数，i＝1，...，k；j为不确定参数i更新的次数，j＝1，2，...；
K为比例系数，PI为改进潜力指数，Si为不确定参数i的灵敏度，PI·Si为不确定参数i带来的改进潜力；
为缩小不确定参数的范围的能力；
为不确定参数i第j次更新产生的成本；Bavai为预算成本。
为不确定参数的缩小后范围，
为不确定参数的范围。
一种基于信息效能的产品设计决策的确定系统，包括：
模型构建模块，用于构建多参数多目标产品设计问题模型；所述多参数多目标产品设计问题模型基于效能的妥协决策支持问题架构构建；
不确定参数确定模块，用于根据所述多参数多目标产品设计问题模型，确定产品设计的多个不确定参数；
不确定参数范围确定模块，用于确定所有不确定参数的范围；
改进潜力指数确定模块，用于根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数；
第一判断模块，用于判断所述改进潜力指数是否大于改进潜力指数阈值，得到第一判断结果；
灵敏度确定模块，用于当所述第一判断结果表示所述改进潜力指数大于改进潜力指数阈值时，则根据所有不确定参数的范围，确定所有不确定参数的灵敏度；
不确定参数的缩小后范围确定模块，用于采用所有不确定参数的仿真模型确定所有不确定参数的缩小后范围；
不确定参数的效能值确定模块，用于根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值；
效能值最大确定模块，用于确定效能值最大的不确定参数；
累计更新成本确定模块，用于根据所述效能最大的不确定参数的缩小后范围，确定累计更新成本；所述累计更新成本为每一次更新产生的成本之和；所述更新产生的成本为将所述效能值最大的不确定参数的范围更新至缩小后范围产生的成本；
第二判断模块，用于判断所述累计更新成本是否小于预算成本，得到第二判断结果；
更新模块，用于当所述第二判断结果表示累计更新成本小于预算成本时，将所述效能值最大的不确定参数的范围更新至缩小后范围，返回根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数的步骤；
最终范围第一确定模块，用于当所述第二判断结果表示累计更新成本大于或等于预算成本时，则将所述不确定参数的范围确定为最终范围；
最终范围第二确定模块，用于当所述第一判断结果表示所述改进潜力指数小于或等于改进潜力指数阈值时，则将所述不确定参数的范围确定为最终范围；
产品设计决策确定模块，用于根据所述最终范围确定产品设计决策。
可选的，所述改进潜力指数确定模块，具体包括：
改进潜力指数函数确定单元，用于采用所述试验设计方法，确定改进潜力指数函数；
改进潜力指数确定单元，用于利用改进潜力指数函数确定所述多参数多目标产品设计问题模型的改进潜力指数；所述改进潜力指数函数为PI＝max(Umax)-(Umin)*；其中，PI为所述多参数多目标产品设计问题模型的改进潜力指数，max(Umax)为设计空间可实现的最大收益，(Umin)*表示决策点处期望收益最小值。
可选的，还包括：
更新产生的成本确定模块，用于根据所述不确定参数的缩小后范围，确定所述不确定参数更新产生的成本。
可选的，所述不确定参数的效能值确定模块具体包括：
不确定参数的效能值确定单元，用于利用公式
确定不确定参数的效能值；其中，i为不确定参数，i＝1，...，k；j为不确定参数i更新的次数，j＝1，2，...；
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明所提供的一种基于信息效能的产品设计决策的确定方法及系统，通过确定产品设计的多个不确定参数，并根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数，当改进潜力指数大于改进潜力指数阈值时，则根据所有不确定参数的范围，确定所有不确定参数的灵敏度，通过灵敏度确保每次获取的信息均用于关键参数上，避免了无效的信息获取实验，为高效的确定产品设计决策，提供准备；根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值，根据所述效能最大的不确定参数的缩小后范围，确定累计更新成本，判断累计更新成本是否超过预算成本；确保保证总体效能最大化的同时，保证每次不确定参数的范围缩小都具有成本效益，避免预算超支，并提高决策准确性；进而解决现有技术在面临多个参数不确定的情况时，无法经济高效地确定产品设计决策的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为不确定性的分类示意图；
图2为本发明所提供的一种基于信息效能的产品设计决策的确定方法的流程示意图；
图3为本发明所提供的一种基于信息效能的产品设计决策的确定方法的原理示意图；
图4为本发明所述多参数多目标产品设计问题模型的改进潜力指数原理示意图。
图5为本发明所提供的一种基于信息效能的热棒轧制工艺设计决策方法的过程路径示意图；
图6为本发明所提供的一种基于信息效能的热棒轧制工艺设计决策方法中的效能和改进潜力变化示意图；
图7为本发明所提供的一种基于信息效能的热棒轧制工艺设计决策方法中整体效能变化示意图；
图8为本发明所提供的一种基于信息效能的热棒轧制工艺设计决策系统结构示意图。
标号说明：801-模型构建模块，802-不确定参数确定模块，803-不确定参数范围确定模块，804-改进潜力指数确定模块，805-第一判断模块，806-灵敏度确定模块，807-不确定参数的缩小后范围确定模块，808-不确定参数的效能值确定模块，809-效能值最大确定模块，810-累计更新成本确定模块，811-第二判断模块，812-更新模块，813-最终范围第一确定模块，814-最终范围第二确定模块，815-产品设计决策确定模块。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于信息效能的产品设计决策的确定方法及系统，提高决策准确性，解决现有技术在面临多个参数不确定的情况时，无法经济高效地确定产品设计决策的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图2为本发明所提供的一种基于信息效能的产品设计决策的确定方法的流程示意图，如图2所示，一种基于信息效能的产品设计决策的确定方法，包括：
S201，构建多参数多目标产品设计问题模型；所述多参数多目标产品设计问题模型基于效能的妥协决策支持问题架构构建。
S202，根据所述多参数多目标产品设计问题模型，确定产品设计的多个不确定参数。
S203，确定所有不确定参数的范围。
S204，根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数。
S205，判断所述改进潜力指数是否大于改进潜力指数阈值，得到第一判断结果。
S206，当所述第一判断结果表示所述改进潜力指数大于改进潜力指数阈值时，则根据所有不确定参数的范围，确定所有不确定参数的灵敏度。
S207，采用所有不确定参数的仿真模型确定所有不确定参数的缩小后范围。
S208，根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值。
S209，确定效能值最大的不确定参数。
S210，根据所述效能最大的不确定参数的缩小后范围，确定累计更新成本；所述累计更新成本为每一次更新产生的成本之和；所述更新产生的成本为将所述效能值最大的不确定参数的范围更新至缩小后范围产生的成本。
S211，判断所述累计更新成本是否小于预算成本，得到第二判断结果。
S212，当所述第二判断结果表示累计更新成本小于预算成本时，将所述效能值最大的不确定参数的范围更新至缩小后范围，返回S204的步骤。
S213，当所述第二判断结果表示累计更新成本大于或等于预算成本时，则将所述不确定参数的范围确定为最终范围。
S214，当所述第一判断结果表示所述改进潜力指数小于或等于改进潜力指数阈值时，则将所述不确定参数的范围确定为最终范围。
S215，根据所述最终范围确定产品设计决策。
其中，所述多参数多目标产品设计问题模型基于效能的妥协决策支持问题(cDSP，compromise Decision SupportProblem)架构构建，本发明所提供的基于信息效能的产品设计决策的确定方法，产品设计决策的确定过程为信息获取的过程，基于信息效能的产品设计决策的确定主要解决设计决策中的不确定性，提高设计决策能力。妥协决策支持问题用于制定涉及到多个设计目标之间进行权衡的决策，它是基于数学规划和目标规划的混合公式。基于效能的cDSP方法，用多属性效能函数代替标准差函数。公式将单个目标定义为单属性效能函数，并将多个目标用阿基米德加权法组合到目标函数中。
具体的，基于效能的妥协决策支持问题(cDSP)结构具体如下：
一、给定
n为系统设计变量的数量，p为等式约束的数量，q为不等式约束的数量，p+q为系统约束的数量，m为系统目标的数量，Gi(X)为系统约束函数，Ai(X)为系统目标函数，ui(Ai(X))为多属性效能函数，U(X)为整体多属性效能函数，
U(X)＝f[u1(A1(X))，...，um(Am(X))]。
二、搜索
系统设计变量X＝X1，...Xj，j＝1，...，n；
偏差变量
三、满足
系统约束(包括线性以及非线性)为Gr(X)＝0，r＝1，....p，
Gr(X)≥0，r＝p+1，...p+q；
系统目标(包括线性以及非线性)为
四、边界
五、最小化
偏差函数:多属性效能函数为
其中，在S202中确定的产品设计的多个不确定参数主要是系统目标和约束的系数。
基于效能的cDSP制定的问题表示要做出一个决策，以最大化偏差函数中包含的效能。在基于效能的cDSP中，确定的不确定参数主要来源于系统约束函数Gi(X)和系统目标函数Ai(X)的系数，用不精确边界来表示，如
其中pk代表某一特定的不确定参数，
分别代表pk的下限和上限。
在S213中，当累计更新成本大于或等于预算成本时，说明获取实验若采用本次更新后不确定参数的范围，将超出预算，因此，本次不进行更新，采用上一次更新后不确定参数的范围作为当前不确定参数的范围。
本发明所提供的一种基于信息效能的产品设计决策的确定方法中改进潜力指数和成本控制确保高效地确定产品设计决策。即只有这两个条件同时满足时，不确定参数的范围才会更新。
所述根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数，具体包括：
采用所述试验设计方法，确定改进潜力指数函数。
利用改进潜力指数函数确定所述多参数多目标产品设计问题模型的改进潜力指数；所述改进潜力指数函数为PI＝max(Umax)-(Umin)*；其中，PI为所述多参数多目标产品设计问题模型的改进潜力指数，max(Umax)为设计空间可实现的最大收益，(Umin)*表示决策点处期望收益最小值。
在具体的实施例中，使用试验设计(DOE，DesignofExperiment)方法，通过PI＝max(Umax)-(Umin)*评估模型改善潜力PI。在评估PI之后，判断所述改进潜力指数是否大于改进潜力指数阈值。
在多个参数不确定的情况下，图3为本发明所述多参数多目标产品设计问题模型的改进潜力指数原理示意图，如图3所示，过程级别的决策，以获取信息减少基于效能的cDSP公式中的不确定性。
所述的过程级决策①:是否获取更多信息确定不确定参数的区间。在这个过程级决策中，确定改进潜力指数PI。改进潜力指数是信息价值中的一项重要指标。信息价值的计算公式如下：
v(x,y)＝Ex|yπ(x,ay)-Exπ(x,a0)；
其中π(x,a)表示环境状态为x时，选择选项a所获得的收益。Exπ(x)是π(x)的期望值，Ex|yπ(x)是给定y的π(x)的期望值。a0和ay分别表示决策人员在信息y缺失和信息y存在的情况下选择的选项。a0和ay的计算公式表示如下：
噪声因子表示为范围参数，获取增量信息可以减少与噪声因子相关的不确定性。Panchal等人(Panchal,J.H.,et al.(2008)."A value-of-information based approachto simulation model refinement."Engineering Optimization40(3):223-251.)提出了改进潜力指数PI，改进潜力指数PI用于测量模型细化中的信息价值。
仿真模型的不精确边界表示总体效能函数的上下界(决策是为了使总体效能最大化)，图4为本发明所述多参数多目标产品设计问题模型的改进潜力指数原理示意图，如图4所示，实际的收益存在于由下界和上界之间未知的约束的地带中。即使实际的效能函数是未知的，设计人员仍可以基于一些规则来做出决策，例如最大化下限(即最坏的情况)或可实现收益的上限(即最佳的可能情况)，或最大化加权收益的组合(即Hurwicz准则)。当遵循Hurwicz准则时，决策点应为能够最大化Hurwicz效能值H的XH。在XH处预期收益的下限和上限分别表示为(Umin)*和(Umax)*。通过设计空间可实现的最大收益是max(Umax)，它是通过最大化总体效能的上限来计算的，利用改进潜力PI计算出最大可能的信息价值(即通过减小界限之间的范围来实现最大可能的增量收益)，其表示如下：
PI＝max(Umax)-((Umin))*；
PI取决于不确定参数的不精确边界和总效能函数，并且独立于信息源。利用响应面法计算公式1的两项max(Umax)和(Umin)*。如果基于效能的cDSP包括j个设计变量和k个不确定参数，那么在j+k维空间内，可以使用每个变量或参数有N个元素(N可以根据范围的长度而不同)的正交网格生成Nj+k个样本点。利用这些样本点，根据总体效能函数U(X)和约束函数Gi(X)(样本点从属于约束条件)可以计算max(Umax)和(Umin)*。在已知改进潜力PI的情况下，设计人员使用下面的准则来决定是否获取更多的信息。
其中PI为改进潜力指数，改进潜力指数是基于设计人员根据设计问题的特点进行判断的。
具体的，不确定参数的灵敏度为每个不确定参数为改进潜力贡献度，使用傅里叶幅度灵敏度检验扩展法(EFAST)计算各个参数的灵敏度。
本发明所提供的一种基于信息效能的产品设计决策的确定方法还包括：
根据所述不确定参数的缩小后范围，确定所述不确定参数更新产生的成本。
为了确保每次信息获取试验都尽可能地提高期望总体效能，并且合理利用信息获取的预算，所述根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值，具体包括：
利用公式
确定不确定参数的效能值；其中，i为不确定参数，i＝1，...，k；j为不确定参数i更新的次数，j＝1，2，...；
K为比例系数，PI为改进潜力指数，Si为不确定参数i的灵敏度，PI·Si为不确定参数i带来的改进潜力；
为缩小不确定参数的范围的能力；
为不确定参数i第j次更新产生的成本；Bavai为预算成本。
为不确定参数的缩小后范围，
为不确定参数的范围。
下面提供一个具体实施案例，进一步对基于信息效能的多参数不确定性复杂系统设计信息获取方法的有效性进行验证。本实施案例涉及齿轮制造过程中的一个热轧棒材轧制工艺设计问题。
在热棒轧制工艺设计背景下，这意味着需制定一个基于效能的cDSP，以表示与冷却阶段的问题和最终棒材产品需求相关的设计决策。在基于效能的cDSP中所建立的联系是所生产棒材的最终机械性能：屈服强度YS，抗拉强度TS和硬度HV作为微观结构变量的函数，轧制和冷却过程后的铁素体晶粒尺寸Dα和铁素体相分数Xf。基于效能的cDSP如下所示：
一、给定
棒材轧制工艺的最终要求为：
(1)最大屈服强度(目标)
(2)最大抗拉强度(目标)
(3)最大化硬度(目标)
(4)最小化ITT(与约束条件有关的需求)
较好地建立了从冷却端到最终产品机械性能的经验与理论的关联、信息流。
系统变量及其范围如表1,表1如下：
表1
| 序号 | 系统变量 | 范围 |
| 1 | X1，铁素体晶粒尺寸(Da) | 8-25um |
| 2 | X2，铁素体相分数(X<sub>f</sub>) | 0.1-0.9 |
不确定性参数及其可能范围如表2，表2如下：
表2
二、搜索
系统变量：X1，铁素体晶粒尺寸(Da)；X2，铁素体的相含率(Xf)
偏差变量：
三、满足
系统约束为：
(1)最小屈服强度约束YS≥220MPa；
(2)最大屈服强度约束YS≤330MPa；
(3)最小抗拉强度约束TS≥450MPa；
(4)最大抗拉强度约束TS≤750MPa；
(5)最低硬度约束HV≥131；
(6)最大硬度约束HV≤170；
(7)ITT最小约束ITT≥-100℃；
(8)ITT最大约束ITT≤100℃。
基于效能下系统目标的屈服强度，抗拉强度和硬度如下：
UYS：最大化屈服强度
UTS：最大化抗拉强度
UHV：最大化硬度
四、变量范围
偏差变量界限：
且
五、最小化
加权最大总效能偏差:Z＝1-(0.34UYS+0.33UTS+0.33UHV)。
找出不确定参数集。针对这一制造过程链问题，确定了五个不确定参数，如表2所示。其中包括珠光体层间距S0、奥氏体到铁素体转变温度Tmf、锰，硅，镍的浓度([Mn]、[Si]、[Ni])。这些参数被认为是不确定的，因为这些参数的精确值难以测量，并且由于制造过程链的复杂性使得这些参数的值容易发生变化，从而影响最终产品棒材的设计。
确定每个参数的上下界。定义边界来建立系统变量的上限和下限。定义约束条件，以确定机械性能的最大值和最小值，机械性能如：YS(屈服强度)，TS(拉伸强度)，HV(硬度)以及用冲击转变温度(ITT)测量的韧性。目标的目标值确定为YSTarget＝330MPa，TSTarget＝750MPa，HVTarget＝170MPa。本发明中的设计目标是在给定参数不确定性的情况下，通过对材料微观结构的解空间的探索，获得接近目标的高机械性能值。
本发明对不确定参数的信息获取所需做的预处理为信息源的准备，如前所述，五个参数(S0，Tmf，Mn，Si，Ni，Tmf)被确定为不确定参数，与其相关的不精确边界在表2中给出。这些参数的变化会影响设计人员选择适当的设计变量值，从而对总体效能和实现的效能最大化产生影响。为了减少不确定性，设计人员可以选择从信息源获取更多关于这些参数的信息。本发明假设对于每个不确定参数，都有五个与之相关的仿真模型，如表3所示。这些仿真模型构成了信息获取的来源。这些仿真模型的功能是逐步缩小参数范围，以使参数变得越来越确定。例如，参数S0的初始范围为[0.05,0.2]um，经过5次仿真模型M11-M15的信息获取试验之后，可以将参数S0的初始范围缩小到[0.135,0.14]um。值得注意的是，这些仿真模型必须以顺序方式使用，即从低保真度到高保真度。比如，M12不能在M11之前使用，因为它是在M11的基础上通过向M11添加更多的保真度来改进细化的。仿真模型逐渐细化，从而在预测系统行为时变得越来越精确。仿真模型的细化不可避免地会带来成本，这是设计人员在信息获取中必须付出的代价。为了反映通过增加更高保真度来提高仿真模型精度这一难度的增加，我们使用下面的指数函数来估计每个模型的成本。
其中B表示一个不确定参数的固有成本(在本实施例中，五个参数的固有成本分别为$3、$20、$3、$30和$30)，r为递增率，表示参数范围每减少10％，r增加0.5％。随着信息获取的逐步推进，仿真模型细化的成本将呈指数级增长。利用指数函数计算各仿真模型的成本，并在表3第三列中给出,表3如下：
表3信息源和信息获取对应的成本
表3中给出的信息源和相关成本，设计人员可以通过多种路径逐步地进行信息获取。例如，如果给设计人员五个总信息获取试验，则可能的路径数高达3125(即55)。本发明中设定了信息获取的约束条件，即预算为$1000，设计师需要明智地花费这些预算，以减少与这五个参数相关的不确定性。
本发明提出的一种基于信息效能的产品设计决策的确定方法，即在每次不确定参数范围更新中获取效能值最高的信息源，直到$1000预算用完为止。某一特定信息源的效能是当前模型改进潜力、不确定参数灵敏度、不确定参数初始范围、范围更新的不确定参数范围以及信息的成本，这些构成的函数。效能函数需要在每次每次不确定参数范围更新之前进行评估，以方便设计人员选择性能最高的信息源。结合表2中给出的五个参数的初始范围，计算得到初始的改进潜力PI为0.2152，计算得到五个参数(S0，Tmf，Mn，Si，Ni，Tmf)的灵敏度,五个不确定参数的灵敏度分别为0.0002、0.2825、0.0003、0.4135、0.2243。使用改进潜力指数和灵敏度作为输入，第一次信息获取试验中可用的五种方案(M11、M21、M31、M41、M51)所对应的效能分别为0.0013、0.2732、0.0019、0.2689、0.1430。从效能求值结果可以看出，M21的效能最好，其值为0.2732，因此第一次信息获取试验选用M21。在第一次信息获取试验之后，Mn的浓度范围从[0.6％，2％]降低到[0.8％，1.9％]。这个新的参数范围将再次被用来计算新的改进潜力、新的灵敏度，结合更新的成本，用这些更新的指标评估下一次信息获取试验中信息源的效能，然后进行第二次更新(信息获取过程)。信息获取过程将会不断地迭代进行，直到累计成本达到预算$1000(没有设置改善潜力的阈值来停止该过程，除非预算用完)。本发明中实施例所有信息获取试验的过程路径如图5所示，相关数据如表4所示，表4如下：
表4
由图5和表4可知，本发明实施例中由M21-M41-M51-M22-M42-M52-M23,通过这个过程，可以看到模型改进潜力从最初的0.2152降低到了0.0714，这意味着由输入参数的不确定性而导致总体效能的不确定性已经相当低。与此同时，在最后一次结束时，累计更新成本已经达到937.41，非常接近预算的上限，因为下一个高性能信息源的成本远远超出剩余预算，因此这个过程停止。这七次更新过程主要分布在参数Mn，Ni和Tmf，参数S0和Si的范围没有更新，这是因为和S0和Si的灵敏度几乎接近于0(这意味着它们的变化对整体效能的影响可以忽略不计)；尽管它们的成本相对较低，但它不能补偿低灵敏度。从图5中还可以看出，采集试验经常在，Mn，Ni和Tmf之间交替进行。这是因为这些参数的灵敏度在每次采集试验之后都会发生变化，参数灵敏度的变化又会影响下一次采集试验。从整体的角度来看，可以看到模型改进潜力的降低和使用Hurwicz准则(H)的效能的增加，如图6所示。在前两次更新中，改进潜力指数和H的变化都很小。然而，通过第三次更新中(即，温度Tmf的范围从最初的[570℃,700℃]降低到[583℃,687℃])，改进潜力指数和H均发生显著变化；改进潜力指数从0.1826降低到0.1112，H从0.8561增加到0.9083。这种快速的变化是由于Tmf在[570℃,700℃]界限处的灵敏度相对较高，它一旦改变，将导致效能的显著变化。在第三次试验后，改进潜力指数和H都会经历一个平缓的变化，直到采集过程停止。
图7展示了在停止信息获取过程之后，对两个设计变量Dα和Xf的决策。对于设计变量(Dα和Xf)不同取值下的效能的下界绘制为Umin，而上界绘制为Umax。Hurwicz效能被绘制为H，在Dα＝8um和Xf＝0.63处取得最大值。H的最大值记为(H)*，其值等于0.9129。在某些设计变量的范围内(如Xf＝0.63,Dα[20,25])，Umin的一些样本点为0。这是因为在这些范围内的解违反了约束条件，被视为效能值为0的不可行解。从图中可以看出，Umax和Umin的总体效能值的不精确边界在决策点(Dα＝8，Xf＝0.63)附近非常接近。它们之间的差异是通过改进潜力PI来衡量的，改进潜力等于0.0714，表示总体效能的不精确性较低。本发明提出的方法应用于此实施例可得：$1000的预算被明智的使用，以减少总体效能的不确定性到一个相对较低的水平，这对于制定决策是相当安全的。如果没有预算的限制，不确定性将会随着无限的信息获取试验而不断减小，接近于0。
根据上述确定的不确定参数的范围，进行棒材轧制。
图8为本发明所提供的一种基于信息效能的热棒轧制工艺设计决策系统结构示意图，如图8所示，一种基于信息效能的产品设计决策的确定系统，包括：模型构建模块801、不确定参数确定模块802、不确定参数范围确定模块、803改进潜力指数确定模块804、第一判断模块805、灵敏度确定模块806、不确定参数的缩小后范围确定模块807、不确定参数的效能值确定模块808、效能值最大确定模块809、累计更新成本确定模块810、第二判断模块811、更新模块812、最终范围第一确定模块813、最终范围第二确定模块814和产品设计决策确定模块815。
模型构建模块801用于构建多参数多目标产品设计问题模型；所述多参数多目标产品设计问题模型基于效能的妥协决策支持问题架构构建。
不确定参数确定模块802用于根据所述多参数多目标产品设计问题模型，确定产品设计的多个不确定参数。
不确定参数范围确定模块803用于确定所有不确定参数的范围。
改进潜力指数确定模块804用于根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数。
第一判断模块805用于判断所述改进潜力指数是否大于改进潜力指数阈值，得到第一判断结果。
灵敏度确定模块806用于当所述第一判断结果表示所述改进潜力指数大于改进潜力指数阈值时，则根据所有不确定参数的范围，确定所有不确定参数的灵敏度。
不确定参数的缩小后范围确定模块807用于采用所有不确定参数的仿真模型确定所有不确定参数的缩小后范围。
不确定参数的效能值确定模块808用于根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值。
效能值最大确定模块809用于确定效能值最大的不确定参数。
累计更新成本确定模块810用于根据所述效能最大的不确定参数的缩小后范围，确定累计更新成本；所述累计更新成本为每一次更新产生的成本之和；所述更新产生的成本为将所述效能值最大的不确定参数的范围更新至缩小后范围产生的成本。
第二判断模块811用于判断所述累计更新成本是否小于预算成本，得到第二判断结果。
更新模块812用于当所述第二判断结果表示累计更新成本小于预算成本时，将所述效能值最大的不确定参数的范围更新至缩小后范围，返回根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数的步骤。
最终范围第一确定模块813用于当所述第二判断结果表示累计更新成本大于或等于预算成本时，则将所述不确定参数的范围确定为最终范围。
最终范围第二确定模块814用于当所述第一判断结果表示所述改进潜力指数小于或等于改进潜力指数阈值时，则将所述不确定参数的范围确定为最终范围。
产品设计决策确定模块815用于根据所述最终范围确定产品设计决策。
所述改进潜力指数确定模块804，具体包括：改进潜力指数函数确定单元和改进潜力指数确定单元。
改进潜力指数函数确定单元用于采用所述试验设计方法，确定改进潜力指数函数。
改进潜力指数确定单元用于利用改进潜力指数函数确定所述多参数多目标产品设计问题模型的改进潜力指数；所述改进潜力指数函数为PI＝max(Umax)-(Umin)*；其中，PI为所述多参数多目标产品设计问题模型的改进潜力指数，max(Umax)为设计空间可实现的最大收益，(Umin)*表示决策点处期望收益最小值。
一种基于信息效能的产品设计决策的确定系统，还包括：更新产生的成本确定模块。
更新产生的成本确定模块用于根据所述不确定参数的缩小后范围，确定所述不确定参数更新产生的成本。
所述不确定参数的效能值确定模块808具体包括：不确定参数的效能值确定单元。
不确定参数的效能值确定单元用于利用公式
确定不确定参数的效能值；其中，i为不确定参数，i＝1，...，k；j为不确定参数i更新的次数，j＝1，2，...；
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种基于信息效能的产品设计决策的确定方法，其特征在于，包括：
构建多参数多目标产品设计问题模型；所述多参数多目标产品设计问题模型基于效能的妥协决策支持问题架构构建；
根据所述多参数多目标产品设计问题模型，确定产品设计的多个不确定参数；
确定所有不确定参数的范围；
根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数；
判断所述改进潜力指数是否大于改进潜力指数阈值，得到第一判断结果；
当所述第一判断结果表示所述改进潜力指数大于改进潜力指数阈值时，则根据所有不确定参数的范围，确定所有不确定参数的灵敏度；
采用所有不确定参数的仿真模型确定所有不确定参数的缩小后范围；
根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值；
确定效能值最大的不确定参数；
根据所述效能值最大的不确定参数的缩小后范围，确定累计更新成本；所述累计更新成本为每一次更新产生的成本之和；所述更新产生的成本为将所述效能值最大的不确定参数的范围更新至缩小后范围产生的成本；
判断所述累计更新成本是否小于预算成本，得到第二判断结果；
当所述第二判断结果表示累计更新成本小于预算成本时，将所述效能值最大的不确定参数的范围更新至缩小后范围，返回根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数的步骤；
当所述第二判断结果表示累计更新成本大于或等于预算成本时，则将所述不确定参数的范围确定为最终范围；
当所述第一判断结果表示所述改进潜力指数小于或等于改进潜力指数阈值时，则将所述不确定参数的范围确定为最终范围；
根据所述最终范围确定产品设计决策；
所述根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数，具体包括：
采用所述试验设计方法，确定改进潜力指数函数；
利用改进潜力指数函数确定所述多参数多目标产品设计问题模型的改进潜力指数；所述改进潜力指数函数为PI＝max(Umax)-(Umin)*；其中，PI为所述多参数多目标产品设计问题模型的改进潜力指数，max(Umax)为设计空间可实现的最大收益，(Umin)*表示决策点处期望收益最小值。
2.根据权利要求1所述的一种基于信息效能的产品设计决策的确定方法，其特征在于，所述采用所有不确定参数的仿真模型确定所有不确定参数的缩小后范围，之后还包括：
根据所述不确定参数的缩小后范围，确定所述不确定参数更新产生的成本。
3.根据权利要求2所述的一种基于信息效能的产品设计决策的确定方法，其特征在于，所述根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值，具体包括：
利用公式
确定不确定参数的效能值；其中，i为不确定参数，i＝1，...，k；j为不确定参数i更新的次数，j＝1，2，...；
K为比例系数，PI为改进潜力指数，Si为不确定参数i的灵敏度，PI·Si为不确定参数i带来的改进潜力；
为缩小不确定参数的范围的能力；
为不确定参数i第j次更新产生的成本；Bavai为预算成本，
为不确定参数的缩小后范围，
为不确定参数的范围。
4.一种基于信息效能的产品设计决策的确定系统，其特征在于，包括：
模型构建模块，用于构建多参数多目标产品设计问题模型；所述多参数多目标产品设计问题模型基于效能的妥协决策支持问题架构构建；
不确定参数确定模块，用于根据所述多参数多目标产品设计问题模型，确定产品设计的多个不确定参数；
不确定参数范围确定模块，用于确定所有不确定参数的范围；
改进潜力指数确定模块，用于根据所有不确定参数的范围，采用试验设计方法，确定所述多参数多目标产品设计问题模型的改进潜力指数；
第一判断模块，用于判断所述改进潜力指数是否大于改进潜力指数阈值，得到第一判断结果；
灵敏度确定模块，用于当所述第一判断结果表示所述改进潜力指数大于改进潜力指数阈值时，则根据所有不确定参数的范围，确定所有不确定参数的灵敏度；
不确定参数的缩小后范围确定模块，用于采用所有不确定参数的仿真模型确定所有不确定参数的缩小后范围；
不确定参数的效能值确定模块，用于根据不确定参数的灵敏度、所述改进潜力指数以及所述不确定参数的缩小后范围，确定所述不确定参数的效能值；
效能值最大确定模块，用于确定效能值最大的不确定参数；
累计更新成本确定模块，用于根据所述效能值最大的不确定参数的缩小后范围，确定累计更新成本；所述累计更新成本为每一次更新产生的成本之和；所述更新产生的成本为将所述效能值最大的不确定参数的范围更新至缩小后范围产生的成本；
第二判断模块，用于判断所述累计更新成本是否小于预算成本，得到第二判断结果；
更新模块，用于当所述第二判断结果表示累计更新成本小于预算成本时，将所述效能值最大的不确定参数的范围更新至缩小后范围，返回改进潜力指数确定模块；
最终范围第一确定模块，用于当所述第二判断结果表示累计更新成本大于或等于预算成本时，则将所述不确定参数的范围确定为最终范围；
最终范围第二确定模块，用于当所述第一判断结果表示所述改进潜力指数小于或等于改进潜力指数阈值时，则将所述不确定参数的范围确定为最终范围；
产品设计决策确定模块，用于根据所述最终范围确定产品设计决策；
所述改进潜力指数确定模块，具体包括：
改进潜力指数函数确定单元，用于采用所述试验设计方法，确定改进潜力指数函数；
改进潜力指数确定单元，用于利用改进潜力指数函数确定所述多参数多目标产品设计问题模型的改进潜力指数；所述改进潜力指数函数为PI＝max(Umax)-(Umin)*；其中，PI为所述多参数多目标产品设计问题模型的改进潜力指数，max(Umax)为设计空间可实现的最大收益，(Umin)*表示决策点处期望收益最小值。
5.根据权利要求4所述的一种基于信息效能的产品设计决策的确定系统，其特征在于，还包括：
更新产生的成本确定模块，用于根据所述不确定参数的缩小后范围，确定所述不确定参数更新产生的成本。
6.根据权利要求5所述的一种基于信息效能的产品设计决策的确定系统，其特征在于，所述不确定参数的效能值确定模块具体包括：
不确定参数的效能值确定单元，用于利用公式
确定不确定参数的效能值；其中，i为不确定参数，i＝1，...，k；j为不确定参数i更新的次数，j＝1，2，...；
K为比例系数，PI为改进潜力指数，Si为不确定参数i的灵敏度，PI·Si为不确定参数i带来的改进潜力；
为缩小不确定参数的范围的能力；
为不确定参数i第j次更新产生的成本；Bavai为预算成本，
为不确定参数的缩小后范围，
为不确定参数的范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911086363.0A CN110852605B (zh) | 2019-11-08 | 2019-11-08 | 一种基于信息效能的产品设计决策的确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911086363.0A CN110852605B (zh) | 2019-11-08 | 2019-11-08 | 一种基于信息效能的产品设计决策的确定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110852605A CN110852605A (zh) | 2020-02-28 |
| CN110852605B true CN110852605B (zh) | 2022-05-27 |
Family
ID=69598491
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911086363.0A Active CN110852605B (zh) | 2019-11-08 | 2019-11-08 | 一种基于信息效能的产品设计决策的确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110852605B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111950855A (zh) * | 2020-07-15 | 2020-11-17 | 武汉科技大学 | 基于能值再制造工艺的经济与环境一体化决策模型 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5930762A (en) * | 1996-09-24 | 1999-07-27 | Rco Software Limited | Computer aided risk management in multiple-parameter physical systems |
| CN104850711A (zh) * | 2015-05-26 | 2015-08-19 | 重庆大学 | 一种机电产品设计标准选择方法 |
| CN104915478A (zh) * | 2015-05-24 | 2015-09-16 | 浙江大学 | 基于多参数不确定性分析的产品设计模型等效简化方法 |
| CN109858779A (zh) * | 2019-01-14 | 2019-06-07 | 河海大学 | 一种水环境数学模型水质参数不确定性与敏感性分析方法 |
-
2019
- 2019-11-08 CN CN201911086363.0A patent/CN110852605B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5930762A (en) * | 1996-09-24 | 1999-07-27 | Rco Software Limited | Computer aided risk management in multiple-parameter physical systems |
| CN104915478A (zh) * | 2015-05-24 | 2015-09-16 | 浙江大学 | 基于多参数不确定性分析的产品设计模型等效简化方法 |
| CN104850711A (zh) * | 2015-05-26 | 2015-08-19 | 重庆大学 | 一种机电产品设计标准选择方法 |
| CN109858779A (zh) * | 2019-01-14 | 2019-06-07 | 河海大学 | 一种水环境数学模型水质参数不确定性与敏感性分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| Ontology-based executable design decision template representation and reuse;Ming Zhenjun等;《Artificial intelligence for engineering design, analysis and manufacturing: AI EDAM》;20160131;第30卷(第4期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110852605A (zh) | 2020-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A hybrid method using experiment design and grey relational analysis for multiple criteria decision making problems | |
| Allik et al. | The Tobit Kalman filter: An estimator for censored measurements | |
| CN111241657B (zh) | 一种基于深度学习的冷轧带钢板形预测方法 | |
| CN112507610B (zh) | 一种热轧卷取温度的区间预测方法 | |
| Baldacchino et al. | Computational system identification for Bayesian NARMAX modelling | |
| Shao et al. | Bayesian model comparison with the Hyvärinen score: Computation and consistency | |
| Yang et al. | Roll load prediction—data collection, analysis and neural network modelling | |
| JP2012027683A (ja) | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 | |
| CN110852605B (zh) | 一种基于信息效能的产品设计决策的确定方法及系统 | |
| CN114757660B (zh) | 一种基于应用分析的冷轧钢带制备方法及系统 | |
| Boyd et al. | Outliers in data envelopment analysis | |
| Klimczak et al. | Inverse problem in stochastic approach to modelling of microstructural parameters in metallic materials during processing | |
| Nadimi | A novel fuzzy linear regression model based on a non-equality possibility index and optimum uncertainty | |
| CN116689502A (zh) | 基于sa-scso-scn神经网络的热连轧厂精轧机组工艺的弯辊力参数设定方法 | |
| Pholdee et al. | Efficient hybrid evolutionary algorithm for optimization of a strip coiling process | |
| Zhao et al. | Prediction of mechanical properties of hot rolled strip by using semi-parametric single-index model | |
| CN105069214A (zh) | 一种基于非线性相关分析的工艺可靠性评估方法 | |
| Yang et al. | On stochastic optimization and its applications to manufacturing | |
| Williams et al. | Sequential design of computer experiments for constrained optimization | |
| Barkhori et al. | Kriging-aided cross-entropy-based adaptive importance sampling using Gaussian mixture | |
| Sbrana et al. | The RWDAR model: A novel state-space approach to forecasting | |
| Wang et al. | A robust inverse method based on least square support vector regression for johnson-cook material parameters | |
| Chang et al. | A grey-based rolling procedure for short-term forecasting using limited time series data. | |
| Ping et al. | Particle filter based time series prediction of daily sales of an online retailer | |
| Kagalwala et al. | A simple approach to dealing with partial contestation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |