CN115470690A - 用于基于机器学习的产品设计自动化和优化的系统和方法 - Google Patents

用于基于机器学习的产品设计自动化和优化的系统和方法 Download PDF

Info

Publication number
CN115470690A
CN115470690A CN202210658158.2A CN202210658158A CN115470690A CN 115470690 A CN115470690 A CN 115470690A CN 202210658158 A CN202210658158 A CN 202210658158A CN 115470690 A CN115470690 A CN 115470690A
Authority
CN
China
Prior art keywords
components
component
design
candidate
metric
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
Application number
CN202210658158.2A
Other languages
English (en)
Inventor
A·库玛
N·梅塔
P·马诺查
A·T·古普塔
A·阿南德
N·桑卡兰
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.)
Accenture Global Solutions Ltd
Original Assignee
Accenture Global Solutions Ltd
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 Accenture Global Solutions Ltd filed Critical Accenture Global Solutions Ltd
Publication of CN115470690A publication Critical patent/CN115470690A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules

Abstract

本公开的实施例涉及用于基于机器学习的产品设计自动化和优化的系统和方法。本公开的各方面提供支持优化的产品设计过程的系统、方法和计算机可读存储介质。在设计过程期间，标识针对产品设计的特征集合的信息被接收，并对照机器学习逻辑而被评估以标识组件集合，该组件集合包括与该特征集合相对应的组件。一个或多个候选组件可以基于特性而被标识为对一个或多个组件集合的替代品，并且可以基于至少一个设计度量和一个或多个候选组件来确定用于优化(例如，降低成本、重量等)该组件集合的修改。可以输出相对于至少一个设计度量而优化的最终组件集合。

Description

用于基于机器学习的产品设计自动化和优化的系统和方法
技术领域
本公开总体上涉及产品设计和开发方法，并且更具体地涉及用于自动化和优化产品设计和开发的基于机器学习(ML)的框架。
背景技术
产品的开发常常涉及许多复杂的过程，诸如产品设计、原型制作、产品测试、组装等。设计过程对许多产品提出了重大挑战，尤其是涉及许多不同零件的复杂产品(例如汽车、飞机、船只、计算机组件或其他产品)。现有设计过程中出现的挑战之一是零件选择。举例来说，对于任何特定零件，可能有多个来源或许多潜在可行零件，其具有不同的特征、尺寸、成本等。当这种情形出现时，实施设计过程的人可能倾向于选择他们熟悉的零件(例如，他们过去使用过的零件、来自他们以前合作过的制造商的零件等)或基于设计者经验的其他个人偏向。虽然这样的技术可能会导致为产品设计选择适当的零件，但是这种类型的选择或设计过程没有导致相对于制造产品的总和的成本或产品的质量的最佳产品设计。此外，目前使用的手动设计过程也非常耗时，这会延迟完成设计过程所需的时间以及最终生产产品所需的时间。尽管是耗时的，但是现有技术常常以非详尽的方式来执行，这意味着许多零件或组件甚至可能不被考虑用于所提议的设计。现有方法的非详尽的性质导致许多零件或组件被忽略，并且在许多情形中，被忽略的零件或组件可能会在设计的产品的成本、相配和/或功能方面产生更优化的设计。
发明内容
本公开的各方面提供支持优化的产品设计过程的系统、方法、装置和计算机可读存储介质。在对设计产品的过程期间，可以产生标识针对产品的特征集合的信息。例如，用户或设计者可以利用设计者设备来编译与产品的设计相关的特征集合。特征集合可以包括从客户要求(例如，针对由寻求生产产品的实体对产品所指定的要求)、营销要求(例如，消费者感兴趣的特征、安全性等)、工程要求(例如，关于产品的耐用性、功率要求等的因子)中导出的信息。一旦产品规格被最终确定，就可以针对对照机器学习逻辑评估正被设计的产品的特征集合，以标识与该特征集合相对应的组件集合。在一方面，该组件集合可以包括适用于不同特征中的每个不同特征的零件或组件，并且可以根据零件中的每个零件与对应特征之间的相关性，来对零件或组件进行排序或确定优先级。在附加的方面，可以根据成本(例如，从最低成本到最高成本或从最高成本到最低成本)对零件或组件进行排序或确定优先级。然后，设计者可以从由机器学习逻辑所标识的组件集合中为所提议的设计来选择组件，以产生工程物料清单(eBOM)。请注意，eBOM中包括的零件或组件可能在成本或其他因子方面未被优化，而是可能仅包括设计者认为非常适合该产品设计的组件。
然后可以分析eBOM以标识重复零件或组件(如果有的话)以及一个或多个候选零件或组件。候选零件或组件可能是设计者在eBOM中所指定的零件或组件的潜在替换品或替代品。然后可以使用一个或多个设计度量来评估一个或多个候选组件，以优化产品设计。对候选零件或组件的评估可以包括对零件或组件的特性的分析，以及对照一个或多个设计度量的对这些特性的评估。例如，设计度量可以指定支持特定特征的零件可以由材料a、材料b、材料c制成，并且设计者可能已经选择了由材料a制成的零件，而没有考虑由材料b或材料c制成的零件是否将导致更优化的产品设计(例如，保持产品的结构完整性但是降低成本或重量)。在评估候选零件期间，本公开的实施例可以自动评估将候选零件之一替换为eBOM中指定的零件是否会导致更优化的设计。作为对候选零件或组件的评估结果，可以标识优化产品设计的候选零件和组件，并且可以对eBOM进行修改以优化产品设计(例如，降低成本、减轻重量、改进性能等等。)。可以输出相对于至少一个设计度量而被优化的最终组件集合，从而产生优化的产品设计，其然后可以被用来以更优化的方式制造产品。
前面已经相当广泛地概述了本公开的特征和技术优势，以便更好地理解下面的详细描述。下文将描述形成本公开的权利要求的主题的附加特征和优点。本领域技术人员应当了解，所公开的概念和具体方面可以很容易被用作修改或设计用于实现本公开的相同目的的其他结构的基础。本领域技术人员还应该认识到，这样的等效结构没有脱离如所附权利要求中所阐述的本公开的范围。当结合附图考虑时，从以下描述中将更好地理解本文所公开的关于组织和操作的方法的新颖特征以及进一步的目的和优点。然而，应明确理解，提供每个附图仅是用于说明和描述的目的，而并不旨在作为对本公开的限制的定义。
附图说明
为了更完整地理解本发明，现结合附图对以下描述进行参考，其中：
图1是根据本公开的支持设计过程的系统的示例的框图；
图2示出了说明根据本公开的设计过程的示例性方面的框图；
图3示出了说明根据本公开的设计过程的附加示例性方面的框图；和
图4是说明了根据本公开的用于设计过程的方法的示例的流程图。
应当理解，附图不一定按比例绘制，并且所公开的各方面有时以图解方式和部分视图的形式而被图示。在某些情形中，对于理解所公开的方法和装置而言是不必要的、或者使得难以觉察其他细节的那些细节可能已被省略。当然，应当理解，本公开不限于本文所说明的特定方面。
具体实施方式
本公开的各方面提供支持用于设计产品的过程的自动化和优化的系统、方法、装置和计算机可读存储介质。如将在下文中详细描述的，实施例可以提供用于将针对产品所指定的设计特征集合自动转化为组件集合的功能性，该组件集合包括适用于设计特征集合的不同特征中的每个特征的零件或组件。可以通过利用机器学习逻辑来快速标识不同特征与一个或多个零件或组件之间的相关性从而提供这样的能力。该组件集合可以被呈现给设计者，然后设计者可以从所标识的零件或组件之中进行选择，以生成针对产品设计的初始eBOM。然而，该eBOM可能没有相对于一个或多个设计度量(例如，成本、大小、重量等)进行优化或完全优化。
为了增强产品设计，初始eBOM可以经受进一步分析，以标识重复的零件或组件(如果有的话)以及可以替换初始eBOM中包括的零件或组件中的一个或多个零件或组件的候选零件或组件。例如，可以通过评估在初始eBOM中标识的零件或组件与其他已知零件或组件的属性之间的差异来标识候选组件。设计度量可以指定可以被用来确定是否应选择特定候选零件或组件作为针对初始eBOM的零件或组件中的一个零件或组件的替代品的标准。为了说明，如果候选零件或组件具有较低的重量，即使其他参数相同，则重量度量也可以指定候选零件或组件应该替换初始eBOM中包括的零件或组件。通过这样的分析，可以生成相对于(多个)设计度量进行优化的最终eBOM(例如，产生优化设计的产品的成本、重量、大小或其他方面的最终eBOM)。
参见图1，根据本公开的支持设计过程的系统的示例被示为系统100。系统100可以被配置为使产品设计过程的各方面自动化，并且在这样做时，相对于一个或多个设计度量(例如，成本、大小、重量等)来优化产品的设计。如图1中所示，系统100包括计算设备110，该计算设备110经由一个或多个网络150而可通信地耦合到设计者设备130。在一些实现中，图1中所示的设备中的一个或多个设备可以是可选的。例如，作为非限制性示例，本文描述为由计算设备110提供的功能性可以经由基于云的部署而被提供，如由设计优化器152所示，或者系统100可以包括附加组件，诸如设计者设备130。
作为非限制性示例，计算设备110可以包括或对应于台式计算设备、膝上型计算设备、个人计算设备、平板计算设备、移动设备(例如，智能电话、平板电脑、个人数字助理(PDA)、可穿戴设备等)、服务器、虚拟现实(VR)设备、增强现实(AR)设备、扩展现实(XR)设备、车辆(或其组件)、娱乐系统、其他计算设备或它们的组合。计算设备110包括一个或多个处理器112、存储器114、推荐引擎120、合理化引擎122、设计引擎124和一个或多个输入/输出(I/O)设备126。在一些其他实现中，组件112至组件126中的一个或多个组件可以是可选的，一个或多个附加组件可以被包括在计算设备110中，或两者兼有。注意，参考计算设备110描述的功能性是为了说明的目的而不是作为限制来提供的，并且本文描述的示例性的功能性可以经由其他类型的计算资源部署来提供。例如，在一些实现中，结合计算设备110描述的计算资源和功能性可以被提供在使用多个服务器或其他计算设备的分布式系统中，或者被提供在使用由可通过网络(诸如一个或多个网络170之一)访问的基于云的环境所提供的计算资源和功能性的基于云的系统中。为了说明，本文参考计算设备110描述的一个或多个操作可以由与一个或多个客户端或用户设备(诸如设计者设备130)进行通信的一个或多个服务器或设计优化器152来执行。附加地或替代地，由计算设备110提供的功能性可以由设计者设备130来提供。
根据本公开的各方面，一个或多个处理器112可以包括一个或多个微控制器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、具有一个或多个处理核心的中央处理单元(CPU)、或其他被配置为促进计算设备110的操作的电路和逻辑。存储器114可以包括随机存取存储器(RAM)设备、只读存储器(ROM)设备、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、一个或多个硬盘驱动器(HDD)、一个或多个固态驱动器(SSD)、闪存设备、网络可访问存储(NAS)设备或其他被配置为以持久或非持久状态存储数据的存储器设备。被配置为促进计算设备110的操作和功能性的软件可以作为指令116而被存储在存储器114中，指令116在由一个或多个处理器112执行时，使一个或多个处理器112执行本文关于计算设备110描述的操作，如下面更详细描述的。附加地，存储器114可以被配置为将数据和信息存储在一个或多个数据库118中。一个或多个数据库118的说明性方面在下文中被更详细地描述。
虽然图1中未示出，但是计算设备110可以包括一个或多个通信接口，该通信接口被配置为经由根据一个或多个通信协议或标准(例如以太网协议、传输控制协议/互联网协议(TCP/IP)、电气和电子工程师协会(IEEE)802.11协议、IEEE 802.16协议、第三代(3G)通信标准、第四代(4G)/长期演进(LTE)通信标准、第五代(5G)通信标准等)建立的有线或无线通信链路而将计算设备110可通信地耦合到一个或多个网络150。计算设备110还可以包括一个或多个输入/输出(I/O)设备126，其包括一个或多个显示设备、键盘、触控笔、一个或多个触摸屏、鼠标、触控板、麦克风、相机、一个或多个扬声器、触觉反馈设备或者使得用户能够从计算设备110接收信息或向计算设备110提供信息的其他类型的设备。在一些实现中，计算设备110被耦合到显示设备，诸如监视器、显示器(例如液晶显示器(LCD)等)、触摸屏、投影仪、虚拟现实(VR)显示器、增强现实(AR)显示器、扩展现实(XR)显示器等等。在一些其他实现中，显示设备被包括在或被集成在计算设备110中。
如图1中所示，计算设备110可以被可通信地耦合到设计者设备130。设计者设备130包括一个或多个处理器132、存储器134和一个或多个I/O设备140。根据本公开的各方面，一个或多个处理器132可以包括一个或多个处理核心的一个或多个微控制器、ASIC、FPGA、CPU或者被配置为促进设计者设备130的操作的其他电路和逻辑。存储器134可以包括RAM设备、ROM设备、EPROM、EEPROM、一个或多个HDD、一个或多个SSD、闪存设备、NAS设备或被配置为以持久或非持久状态存储数据的其他存储设备。被配置为促进计算设备130的操作和功能性的软件可以作为指令136而被存储在存储器134中，指令136在由一个或多个处理器132执行时，使一个或多个处理器132执行本文关于设计者设备130描述的操作，如下面更详细描述的。附加地，存储器134可以被配置为将数据和信息存储在一个或多个数据库138中。一个或多个数据库138的说明性方面在下面被更详细地描述。
虽然图1中未示出，但是设计者设备130可以包括一个或多个通信接口，该通信接口被配置为经由根据一个或多个通信协议或标准(例如以太网协议、传输控制协议/互联网协议(TCP/IP)、电气和电子工程师协会(IEEE)802.11协议、IEEE 802.16协议、第三代(3G)通信标准、第四代(4G)/长期演进(LTE)通信标准、第五代(5G)通信标准等)建立的有线或无线通信链路而将设计者设备130可通信地耦合到一个或多个网络150。一个或多个I/O设备140可以包括一个或多个显示设备、键盘、触控笔、一个或多个触摸屏、鼠标、触控板、麦克风、相机、一个或多个扬声器、触觉反馈设备或使得用户能够从设计者设备130接收信息或向设计者设备130提供信息的其他类型的设备。在一些实现中，设计者设备130被耦合到显示设备，诸如监视器、显示器(例如，LCD等)、触摸屏、投影仪、VR显示器、AR显示器、XR显示器等等。在一些其他实现中，显示设备被包括或被集成在设计者设备130中。
诸如产品设计者之类的用户可以利用设计者设备130来设计诸如车辆、电子设备、玩具或其他有形物品之类的产品。作为设计过程的部分，用户可以实施产品特征收集过程，以获得有关正被设计的产品的组件和特征的信息。产品特征收集过程可以涉及：从客户(例如，由制造商为其设计产品的客户)获得输入，从涉及市场上与正被设计的产品相似的其他产品的市场研究中获得输入，或者可以指导设计过程的其他类型的信息(例如，目标产品成本、产品发布目标等等)。例如，参与设计新车的设计者可以获得针对车辆的特征列表，诸如引擎规格、车辆重量、座位容量、气候控制特征(例如空调、加热座椅、冷却座椅等等)、音频/视频特征(例如，扬声器配置、视频能力、摄像头能力、接收器能力)或车辆设计的其他类型的特征和能力。在一方面，可以对在产品特征收集阶段期间获得的各种特征和能力进行分类(例如，分类为必须具备的特征和最好具备的特征)，并且可以为每个特征和能力分配权重。该信息可以被存储在诸如一个或多个数据库138之类的数据库中。
然后可以将特征集合作为输入提供给计算设备110的推荐引擎120。推荐引擎120可以被配置为分析由设计者编译的各种特征和能力，并且输出满足为设计中的产品所指定的特性和能力集合的零件或组件集合。推荐引擎120可以被配置为利用各种过程和操作来将特征和能力输入集合变换成零件或组件集合。例如并且参见图2，示出了说明根据本公开的设计过程的附加示例性方面的框图。图2中所示的设计过程的具体操作可以由推荐引擎200执行，推荐引擎200可以与图1的推荐引擎120相同或相似。如图2中所示，推荐引擎200包括特征分析器210和成本分析器220。
特征分析器210可以被配置为利用机器学习技术来标识满足为正被设计的产品所指定的特征和能力的组件集合。为了说明，特征分析器210可以包括训练数据生成器212和机器学习引擎214。训练数据生成器212可以编译可以被用来训练机器学习引擎214的机器学习模型的训练数据集。训练数据集可以包括从一个或多个数据库(诸如图1的一个或多个数据库118)编译的信息。例如，一个或多个数据库可以包括组件信息库，诸如库存量单位(SKU)数据、与不同组件相关联的特征信息、关于跨多种产品的不同组件的信息或其他类型的信息。SKU数据可以包括针对不同组件的标识信息。请注意，一些组件可能与多个SKU相关联。例如，制造商可以从不同的制造商获得组件，并且可以为每个组件分配不同的SKU(例如，针对从第一组件制造商获取的组件的第一SKU和针对从第二组件制造商获取的组件的第二SKU)。特征信息可以包括与各种组件相关联的尺寸信息(例如，长度、宽度、高度、直径等等)、各种组件的材料特性(即，制成组件的材料的类型和属性)、指示不同类型的连接的连接性特性(例如，关于组件的螺纹部分、卡扣配合组件、压力或摩擦配合组件等等的信息)，其可以被用来将组件固定到位或将组件中的不同组件彼此连接、组件的描述、或附近类型的特征、或有关各种组件的信息。跨多种产品的不同组件的信息可以包括有关组件兼容性的信息，诸如已经一起被并入到产品中的组件，产品系列中使用的组件(例如，可以被分类为“杆”的所有零件或组件可能是“杆”系列或产品的部分)等等。注意，提供上述示例性类型的信息是为了说明的目的而不是作为限制，并且组件信息库可以包括除了上面提供的特定示例之外的附加信息。
特征分析器210可以从一个或多个数据库中选择信息，以创建可以被提供给机器学习引擎214的训练数据集。训练数据集可以被机器学习引擎214利用来训练机器学习模型，以基于特征和能力信息(诸如由设计者设备130所编译的特征和能力信息)为提议的产品设计标识合适的组件或零件。在训练期间，针对先前产品设计的特征和能力信息可以由机器学习引擎214利用来训练机器学习模型，以基于特征和能力信息来标识合适的零件或组件。例如，特征和能力信息可以指示组件应满足大小和尺寸要求、材料要求或有关被设计产品的零件或组件的其他信息。机器学习模型可以被配置为基于特征和能力信息而从训练数据集之中标识适合于设计的产品的零件或组件。
注意，机器学习引擎214可以执行关于特征和能力信息的预处理操作。例如，特征和能力信息可以被写成自然语言，并且经过自然语言处理、向量化或其他类型的处理步骤，以将设计的产品的特征和能力信息变换成可以被摄取到机器学习模型中的格式。作为非限制性示例，预处理操作可以将自然语言数据转换成经处理的数据(例如，一个或多个数值向量等)，并且可以针对经处理的数据评估机器学习模型以标识满足特征和能力信息的零件或组件。作为模型训练的部分，在训练期间标识的组件可以被评估并被用来调整模型参数。该调整可以被配置为改进机器学习模型的准确度，并使得模型能够更准确地标识满足针对设计的产品的特征和能力信息的零件或组件。
注意，训练数据生成器212可以被配置为输出不同类型的训练数据。例如，训练数据生成器212可以输出训练数据集、验证数据集和测试数据集。训练数据集可以被利用来对模型进行训练，并且验证数据集可以被利用来对模型进行验证。然后可以使用测试数据集来测试经验证的模型，这可以包括在基于反馈218(或反馈218的一个或多个迭代)进行调整之后对照测试数据集来评估模型。
在一些方面，设计者反馈回路可以被利用来生成反馈218。设计者反馈回路可以被配置为分析设计者对零件或组件的选择，并且确定可以被用来调整机器学习引擎214的机器学习模型以改进模型的输出的提升因子和/或惩罚因子。在一方面，反馈回路算法可以被配置为考虑多个不同的因子，诸如挑选的和建议的零件之间的距离、挑选或不挑选相同零件的次数、关于系列产品或非系列产品的信息、针对特定建议的零件或组件所报告的故障(例如，来自售后数据)或其他因子。例如，提升因子可以被配置为调谐机器学习模型，以为由设计者选择的零件提供更高的相关系数，诸如尽管相关性系数低于其他零件、但是被设计者选择的零件。当针对特定零件或组件报告故障时，当设计者持续选择具有比其他零件或组件更低的相关性系数的其他零件或组件时，或者由于其他因子，惩罚因子可以被配置为惩罚或减少由机器学习模型为零件或组件输出的相关系数。
作为根据本公开的各方面的设计者反馈回路的非限制性说明性示例，令b1,2,3,...,n是针对SKU的特定特征的建议的零件列表(例如，由模型输出的零件或组件)，并且令
Figure BDA0003689241380000111
是针对特征j的建议的零件列表的相关性系数列表，诸如
Figure BDA0003689241380000112
(系数分级比例从0到1)。针对每个特征j的挑选的零件的累积提升因子α可以被计算为：
Figure BDA0003689241380000113
针对每个特征j的未挑选的零件的累积提升因子βn可以被计算为：
Figure BDA0003689241380000114
在上述等式(1)和(2)中，n＝1,2,3,...,n表示(多个)未挑选的的零件，ni＝1,2,3,...,ni表示未挑选的零件，其相关性系数大于(>)(多个)选择的零件，k标示挑选的零件，以使k不等于1，c是特定建议的零件被挑选的次数，d是特定建议的零件未被挑选的次数，Y是乘法因子，以使对于相同系列产品Y＝1.2和对于非系列产品Y＝1，并且x是惩罚因子，以使故障率惩罚因子(x)可以是：
0-5％-10
5-10％-8
10-20％-6
20-40％-4
40-80％-2
80-100％-1
注意，在上面的等式(1)和(2)中，术语“零件”还可以包括组件或/和子组合件。还应注意，提供以上所示的示例性等式是为了说明的目的而不是作为限制，并且本公开的实施例可以使用其他技术来计算惩罚和提升因子。
一旦模型被验证并且被确定在令人满意的等级上执行(例如，基于测试数据集)，就可以对照新设计的产品(诸如，经由图1的设计者设备130设计的产品)的特征和能力信息来评估模型。例如，机器学习引擎214可以被提供有针对新设计的产品的特征和能力信息，诸如上面相对于图1的设计者设备130所描述的特征和能力信息。特征和能力信息可以经受如上所述的预处理操作以产生模型输入数据(即，已被转换为适合由机器学习模型评估的格式的数据)。一旦预处理完成，模型输入数据可以对照经训练的机器学习模型而被评估，以产生模型输出。在一方面，模型输出可以包括组件集合216。组件集合216可以对应于满足为新设计的产品所指定的特征和能力的零件或组件。
在一方面，组件集合216可以包括关于所标识的零件或组件的信息，诸如特征信息、成本信息、SKU信息、尺寸信息或关于由机器学习模型标识的零件的其他类型的信息。可以从一个或多个数据库中提取包括在组件集合216中的信息。例如，模型输出可以包括与由机器学习模型标识为满足特征和能力信息的零件或组件相对应的值集合(例如，SKU值、数字值或其他类型的标识信息)。该值集合可以被映射到其信息被存储在一个或多个数据库中的零件或组件。然后可以基于该值集合从一个或多个数据库中提取关于所标识的零件或组件的信息(例如，特征信息、尺寸信息、材料信息等)，并且可以将该信息呈现给用户，诸如图1的设计者设备130的用户。在附加或备选方面，由机器学习引擎214所标识的组件集合216可以被提供给外部设备，诸如图1的设计者设备130，并且外部设备可以利用包括在组件集合216中的信息(例如，上述值集合)来从一个或多个数据库中提取信息以呈现给用户。注意，在组件集合216中标识的一个或多个零件或组件可能不是唯一的，并且这种非唯一的零件或组件具有彼此相同或基本相似的特征或特性。这可能发生是因为如上面所解释的，产品制造商可以从不同的组件制造商采购零件或组件，这可能导致在组件集合216中被标识的多个零件具有相同或相似特性或特征。由于由机器学习模块214标识相同或基本相似的多个零件或组件的可能性，设计者可能难以选择要被用来制造新设计的产品的组件或零件的特定子集。这样的困难可能会造成设计过程的延迟，并且可能最终导致组件或零件的选择对于生产预期产品而言不是最佳的，如下文更详细描述的。
在一些方面，机器学习引擎可以基于机器学习模型输出相关性系数集合。相关性系数集合可以指示一个或多个零件和组件与该特征或能力集合的特定特征或能力之间的相关性。例如，该相关性系数集合可以指示：针对新设计的产品的n个特征或能力，其中n≥1，第一零件或组件集合与新设计的产品的第一特征或能力之间的相关性，第二零件或组件集合与新设计的产品的第二特征或能力之间的相关性，以此类推。相关性系数可以被利用来相对于新设计的产品的特征或能力中的每个特征或能力而对零件或组件进行排名，并且设计者然后可以选择零件或组件的子集作为零件或组件的候选集合。如以下更详细描述的，成本分析器220然后可以被利用来评估一个或多个候选零件或组件集合，这可以包括考虑与产品的不同特征或能力相关联的优先化信息。
在一些方面，推荐引擎200或另一组件(例如，计算设备110的)或外部设备(例如，图1的设计者设备130)可以获得与在组件集合216中标识的每个零件或组件的成本相关联的信息。成本分析器220可以被配置为对组件集合216执行成本分析。更具体地，成本分析器220可以被配置为基于“应该成本(should cost)”值来评估为新设计的产品建议的零件或组件，该值可以表示制造新设计的产品的目标成本。下面更详细地描述执行“应该成本”值分析的示例性方面。
如图2中所示，成本分析器220可以包括成本逻辑222、评估逻辑224、优先级逻辑226、重置逻辑228、选择逻辑230和成本函数逻辑232。成本逻辑222可以被配置为接收与由特征分析器210标识的零件或组件相关联的成本信息。在一方面，成本信息可以与组件集合216中标识的零件或组件的子集相关联。例如，设计者可以评审组件集合216并且选择特定零件或组件作为候选零件或组件。在这样的示例中，成本信息可以包括与由设计者选择的每个候选零件(即，由设计者选择用于在生产产品中使用的零件)相关联的成本。在另一示例中，与零件或组件相关联的相关性系数以及设计的产品的特征和能力可以被利用来选择零件或组件。例如，可以选择对于每个特征或能力具有最高相关系数的零件作为新设计的产品的候选零件或组件。
成本逻辑222可以使用与候选零件或组件相关联的成本信息来计算生产新设计的产品的成本的总和(B)。总和的成本(B)可以被提供给评估逻辑224。除了总和的成本(B)之外，评估逻辑224还可以接收与“应该成本”(A)相关联的信息。可以基于来自客户(例如，要求生产新设计的产品的实体)的输入以及来自其他来源(例如，工程团队、营销团队或其他来源)的信息来确定“应该成本”(A)。评估逻辑224可以确定总和的成本(B)是否大于(>)“应该成本”(A)。如果总和的成本(B)不大于(>)“应该成本”(A)(例如，B≤A)，则成本分析器的操作可以完成并且最终候选组件集合234可以由成本分析器220输出。
如果总和的成本(B)大于(>)“应该成本”(A)，则成本分析器220的操作可以进行到优先级逻辑226，优先级逻辑226可以被配置为基于特征优先化数据(FP)来评估候选零件或组件的集合(例如，由设计者从组件216，或成本分析器220的后续迭代之中选择的候选零件或组件集合)。可以基于来自设计者、客户、其他实体或用户、或它们的组合的输入来指定特征优先化数据，并且为经历设计过程的产品的不同特征或能力提供优先级或排名。优先级逻辑226可以被配置为从正被设计的产品的特征或能力之中来标识最低优先级特征。如以下更详细解释的，标识下一最低特征集合可以启用与下一最低优先级特征或能力相对应的不同候选零件集合，这可能具有较低的成本。在一方面，成本分析器220可以包括重置逻辑228，重置逻辑228被配置为在迭代之间或者每当满足条件B≤A时来重置优先化逻辑226。成本分析器检查是否B>A，在该情况下，对于每个特征(逐优先级(priority-wise))，它考虑倒数第二个组件(逐系数(coefficient-wise))并且找到随后的总和。这个过程可以一直持续到B≤A。在成本分析器运行通过所有特征的倒数第二个组件并且仍然B>A的情况下，那么重置逻辑228对针对特征列表的计数器进行，以使得与第一次迭代的情况一样，这次循环从第一特征开始运行，并且相对于先前循环中考虑的那些，这次倒数第二个组件被占用。
优先级逻辑226可以向选择逻辑230提供关于下一最低优先级特征或能力的信息。选择逻辑230可以选择新的候选零件或组件集合，其可以包括对应于下一最低优先级特征并且具有比先前考虑的零件或组件更低的成本的新的零件或组件。选择逻辑230可以被配置为从由特征分析器210标识的零件或组件之中选择新的候选零件或组件。例如，选择逻辑230可以选择对正在考虑的可应用特征或能力(例如，由选择逻辑230所标识的特征或能力)具有下一最高相关性的一个或多个零件。
选择逻辑230可以向成本函数232提供新的组件集合，成本函数232可以向成本逻辑222提供信息。成本逻辑222可以基于由选择逻辑230确定的新的零件或组件集合来生成总和的成本(B')，其可能具有与在先前迭代中考虑的零件或组件不同的成本。如上所述，总和的成本(B')可以被提供给评估逻辑224对照“应该成本”(A)进行评估。如果总和的成本(B')小于或等于(≤)“应该成本”(A)(例如，B'≤A)，则成本分析器的操作可以完成并且最终候选组件集合234可以由成本分析器220输出。如果总和的成本(B')大于(>)“应该成本”(A)(例如，B'>A)，则成本分析器220的操作可以进行到优先逻辑226，其中可以选择下一最低优先级特征或能力，并且上述迭代可以继续，直到标识出满足条件B≤A的零件或组件集合或者已经考虑了所有特征或能力为止。可以将组件集合234提供给设计者设备(例如，设计者设备130)，并且设计者可以通过从组件集合234中标识的零件或组件之中选择零件或组件来生成初始eBOM。eBOM可以包括与正被设计的产品的特征或能力相对应且小于或等于“应该成本”(A)的零件或组件列表。
返回参见图1，由设计者使用设计者设备130生成的eBOM可以表示可以被用来生产正被设计的产品的零件或组件的初步集合。eBOM可以被提供给合理化引擎122，其可以被配置为跨多种因子来优化eBOM。例如，合理化引擎122可以被配置为标识eBOM中标识的一个或多个零件或组件的替换零件或组件。替换零件的标识可以包括标识与eBOM中标识的零件关于属性、尺寸或成本方面不同的零件。附加地，合理化引擎122可以被配置为标识eBOM中(或替换零件)包括的3D可打印的零件(或替换零件)。标识3D可打印零件的能力在若干方面可能是有利的。首先，3D打印实现了可以比其他制造技术更快实现的新的零件或组件设计，这可以使得设计的产品能够更快地被生产或被推向市场(例如，因为制造商不必建立新的基础设施来生产新组件或寻找可以生产新组件的供应商)。其次，可能存在使用非3D打印技术来生产零件的一些情形，但是经由3D打印技术生产零件来可能会节省成本。由合理化引擎122对替换零件的标识可以产生新的eBOM，该新的eBOM标识包括至少一些替换零件和/或3D可打印零件的零件或组件集合。由合理化引擎122生成的eBOM中标识的零件或组件可以降低制造新设计的产品的成本(例如，因为替换零件或组件可能比作为由推荐引擎120执行的过程的结果而生成的初始eBOM的原始零件或组件便宜)。附加地，合理化引擎122还可以被配置为跨度量优化eBOM的零件或组件而不是成本。例如，在标识替换零件期间，合理化引擎122可以标识可以减少产品重量的零件(例如，通过在适当的情况下用塑料零件替换钢零件)。
作为说明性示例，并参见图3，示出了说明根据本公开的设计过程的附加示例性方面的框图。图2中所示的设计过程的特定操作可以由合理化引擎300执行，该合理化引擎300可以与图1的合理化引擎122相同或相似。如图3中所示，合理化引擎300包括组件特征模块310、替换模块330和3D打印机模块350，下面将更详细地描述其中的每一个。
组件特征模块310可以被配置为标识eBOM内的重复零件或组件，诸如在完成图1的推荐引擎200或图2的推荐引擎200的处理后生成的eBOM。组件特征模块310可以包括特征提取模块320和特征分析模块322。特征提取模块320可以被配置为接收eBOM作为输入并且输出包括标识eBOM中的不同零件或组件的信息的数据集。例如，由特征提取模块320输出的数据集可以包括针对eBOM中包括的每个零件或组件的标识信息，以及关于零件或组件的描述或其他信息。
由特征提取模块320输出的数据集可以被提供给特征分析模块322以供分析。由特征分析模块322执行的分析可以包括重复零件或组件和非重复零件或组件的标识。例如，特征分析模块322可以利用一种或多种算法来分析包括在数据集中的文本和其他类型的信息，以标识每个零件或组件的不同特性或特征。可以由特征分析模块322评估的示例性特性或特征包括：零件名称、零件描述、材料属性、创建日期、尺寸、包括在零件或组件中的材料数量、材料群组信息、存货或库存数据、成本数据、供应商数据(例如，供应零件或组件的一个或多个供应商)、零件群组信息、重量信息(例如，零件或组件的重量、组件可能支持的重量等)或其他类型的信息。注意，上述特征分析模块322分析的信息类型为了说明的目的而不是作为限制来提供的，并且根据本公开的特征分析模块可以分析上面列出的所有类型的信息、上面列出的类型的信息的子集、附加类型的信息或它们的组合。
在特征的分析期间，特征分析模块322可以基于在eBOM中标识的零件或组件集合，来标识零个或多个重复零件或组件的集合以及零个或多个非重复零件的集合。重复零件或组件可以是被标识为具有与在eBOM中标识的零件或组件的属性和特性相同或相似的特征的零件或组件。非重复零件或组件可以对应于在eBOM中标识的零件或组件，对于这些零件或组件，找不到具有相同或相似属性和特性的其他零件。注意，特征分析模块322可以利用eBOM来标识感兴趣的特征(例如，属性和特性)，然后评估未在eBOM中标识但与该eBOM的零件或组件共享相同或相似特性的零件或组件的特征。例如，可以基于存储在一个或多个数据库(例如，图1的一个或多个数据库118)中的关于零件或组件的信息来标识重复零件，并且非重复零件或组件可以对应于零件或组件，对于这些零件或组件，不能从一个或多个数据库中标识出共享相同或相似特性的其他零件或组件。
可以经由对由特征提取模块320输出的特性或特征的分析来实现重复零件或组件和非重复零件或组件的标识。例如，在eBOM的第一零件或组件的特性或特征与eBOM的第二零件或组件的特性或特征相同或基本上相似的情况下，可以标识重复零件或组件，并且在eBOM的特定零件或组件的特性或特征与eBOM的其他零件的特性或特征或组件不相同且基本上不相似的情况下，可以标识非重复零件或组件。注意，尽管特征或特性在一个或多个方面不同(例如，不同的描述、不同的供应商数据、不同的存货或库存数据等)，但是两个零件可能基本上相似。
除了标识重复和非重复零件之外，组件特征模块310以及由特征提取模块320和特征分析模块322执行的过程还可以标识任何eBOM中标识的零件或组件是否是3D可打印的。了解任何零件或组件是否是3D可打印的可能是有益的，因为它可能会影响生产时间(例如，由于打印零件或组件所需的持续时间或其他原因)。下文更详细地描述了分析3D可打印组件的附加方面。
在一方面，特征分析模块322可以利用各种技术来分析在eBOM中标识的零件或组件的特性或特征。例如，零件或组件的特性或特征可以被表示为字符串，并且特征分析模块322可以利用编辑距离(Levenshtein)算法来确定对应于不同零件或组件的不同字符串之间的距离。该距离可以表示两个字符串之间的相似性的度量(例如，第一零件或组件的特性或特征以及第二零件或组件的特性或特征)。附加地或替代地，特征分析模块322可以利用其他技术来分析零件或组件的特征或特性，诸如语音算法、Jaro-Winkler距离算法或其他模糊字符串搜索技术。应注意，本文所公开的示例性算法是为了说明的目的而不是作为限制来提供的，并且本公开的特征分析模块可以利用其他算法和技术来标识来自eBOM的重复零件和非重复零件。
如图3中所示，组件特征模块310可以输出组件数据集合324，其可以包括标识eBOM的零个或多个重复零件或组件的集合以及eBOM的零个或多个非重复零件或组件的集合的信息。组件数据集合324可以被提供给替换模块330以供组件逻辑332分析。组件逻辑332可以被配置为向属性方差逻辑336提供重复零件数据334。重复零件数据334可以对应于从零个或多个重复组件中选择的特定零件或组件的特征或特性。属性方差逻辑336可以被配置为确定特定零件或组件是否在针对正被设计的产品的属性方差(或公差)内。属性方差(或公差)可以指定关于零件或组件的各种属性的方差。例如，eBOM可以指定由第一种材料制成的零件或组件，但是由另一种材料制成的零件或组件可能是可接受的(例如，基于两种不同材料的性质，诸如抗拉强度、绝缘或导电性质等等)。如果由属性方差逻辑336正在考虑的特定零件或组件不在属性方差内(例如，可接受的材料之一等)，则组件逻辑332可以选择下一重复零件以供属性方差逻辑336进行评估，并且向属性方差逻辑336提供与下一重复零件相关联的更新后的重复零件数据334。如果由属性方差逻辑336考虑的特定零件或组件在属性方差(或公差)内，则特定零件或组件可以被提供给成本分析逻辑338，其中可以相对于从eBOM中选择的零件或组件来评估特定零件或组件的成本，以确定该特定(重复)零件或组件是否具有比eBOM的选择的零件或组件更低的成本。此外，在发现重复零件或组件具有比在eBOM中标识的零件更低的成本的情况下，成本分析逻辑338可以在后续迭代期间考虑该重复零件的较低成本。这个过程可以以迭代的方式继续，直到属性方差逻辑336和在适当的情况下成本分析逻辑338已经评估了所有重复零件为止。
类似地，组件逻辑332可以向属性方差逻辑342提供非重复零件数据340。非重复零件数据340可以对应于从零个或多个非重复组件中选择的特定零件或组件的特征或特性。属性方差逻辑342可以被配置为确定特定非重复零件或组件是否在针对被设计产品的属性方差(或公差)内，如上文参考属性方差逻辑336所述。例如，属性方差逻辑342可以对照eBOM中标识的非重复零件的特征或属性来评估eBOM中未标识的零件或组件的特征或属性，以确定在为考虑的非重复零件所指定的属性方差内的几乎相同的零件可用。在一方面，在eBOM中未标识的一个或多个零件或组件的特征或属性可以从存储在一个或多个数据库(例如，图1的一个或多个数据库118)中的信息来导出。如果由属性方差逻辑342考虑的特定零件或组件不在属性方差内，则组件逻辑332可以选择下一非重复零件以供属性方差逻辑342进行评估，并且向属性方差逻辑342提供与下一非重复零件相关联的更新后的非重复零件数据340。
如果属性方差逻辑342考虑的特定零件或组件在属性方差(或公差)内，则与特定零件或组件相关联的信息可以被提供给尺寸方差逻辑344。尺寸方差逻辑344可以被配置为确定特定零件或组件是否满足针对设计的产品的尺寸方差(或公差)。例如，产品设计可以指定特定零件或组件(诸如杆)的应该具有如下尺寸：10毫米(mm)长和5mm直径，但是可以使用偏差在±10％内的零件(例如，9-11mm的长度和/或4.5-5.5mm的直径)。在该示例中，尺寸方差逻辑344可以确定特定零件是否具有在指定方差内的尺寸(例如，由属性方差逻辑输出的特定零件或组件的尺寸是否在9-11mm的长度和/或4.5-5.5mm的直径的尺寸内)。如果特定零件或组件的尺寸在为该设计所指定的方差内，则组件逻辑332可以通过属性方差逻辑342来选择下一非重复零件，并且向属性方差逻辑342提供与下一非重复零件相关联的更新后的非重复零件数据340。如果特定零件或组件的尺寸在为该设计所指定的方差内，则尺寸方差逻辑344可以将与特定零件或组件相关联的信息提供给成本分析逻辑338，其中可以相对于从eBOM中选择的零件或组件来评估特定零件或组件的成本，以确定特定零件或组件是否具有比eBOM的选择的非重复零件或组件更低的成本。此外，在发现零件或组件具有比在eBOM中标识的零件更低的成本的情况下，成本分析逻辑338可以在后续迭代期间考虑该较低成本。这个过程可以以迭代的方式继续，直到属性方差逻辑342和在适当的情况下尺寸方差逻辑344和成本分析逻辑338已经评估了所有非重复零件为止。
如图3中所示，合理化引擎300可以包括3D打印模块350。包括标识来自eBOM的3D可打印零件或组件的信息的组件数据集合346的部分可以被提供给3D打印模块350，以供组件逻辑352进行分析。组件逻辑352可以被配置为向属性方差逻辑354提供与从3D可打印零件或组件中选择的特定零件或组件的特征或特性相关联的信息。属性方差逻辑354可以被配置为确定特定3D可打印零件或组件是否在针对正被设计的产品的属性方差(或公差)内，如上文参考属性方差模块336和342所述。如果由属性方差逻辑354考虑的3D可打印零件或组件不在属性方差内，则组件逻辑352可以选择下一3D可打印零件或组件以供属性方差逻辑354进行评估，并且向属性方差逻辑354提供与下一3D可打印零件相关联的更新后的3D可打印零件或组件数据。如果由属性方差逻辑354考虑的3D可打印特定零件或组件在属性方差(或公差)内，则特定3D可打印零件或组件可以被提供给尺寸方差逻辑356，其可以被配置为确定特定3D可打印零件或组件是否在针对正被设计的产品的指定尺寸方差(或公差)内，如上文参考尺寸方差模块344所述。在一些方面，3D打印模块350还可以被配置为利用成本逻辑来评估由属性方差模块354和尺寸方差模块356标识的几乎相同的3D可打印零件是否与比在eBOM中标识的3D可打印零件或由3D打印模块350执行的分析的先前迭代更便宜的成本相关联。在一些方面，组件逻辑352、属性方差逻辑354和尺寸方差逻辑356中的一个或多个的操作可以包括分析3D打印文件、与3D打印文件相关联的元数据、或与3D可打印零件或组件相关联的其他类型信息。分析3D打印文件的示例性方面在2018年3月9日提交的题为“DECENTRALIZED SUPPLY CHAIN FOR THREE-DIMENSIONAL PRINTING BASED ONDISTRIBUTED LEDGER TECHNOLOGY”的共同拥有的美国专利号10,520,922中进行了描述，其内容通过引用全部并入本文。
经由组件特征模块310、替换模块330和3D打印模块350的上述操作，合理化引擎300可以产生各种类型的数据(例如，组件数据324、组件数据346、组件数据358)，这些数据可以提供对产品设计的了解，并且优化和降低生产设计的产品的成本。应当注意，虽然替换模块330和3D打印模块350主要是相对于在成本方面优化零件或组件来描述的，但是合理化引擎300的实施例也可以被配置为基于其他因子(诸如重量)来优化产品设计。例如，代替比较候选组件或零件(例如，由替换模块330和3D打印模块350标识的零件)的成本或者除此之外，合理化引擎300还可以评估候选组件是否具有比可能被候选组件取代的组件更低的重量。在产品的重量减少的情况下，候选组件可以替换先前指定的组件，从而降低产品的总重量。当产品的重量是整体设计中的重要因子时，基于重量或者重量和成本二者来优化产品设计的能力可能是有利的。
虽然以上图3的描述概念性地说明了合理化引擎300的操作，但是上述操作也可以用数学方式来表示。例如，假设Fi标示特定的产品的不同SKU，其中i＝1,2,3,...,n(n＝SKU的数目)；Cj标示跨产品的若干SKU中的不同组件，其中j＝1,2,3,...,m，其中m＝组件的数目；Hk标示跨产品的各SKU中的不同特征，其中k＝1,2,3…o(o＝特征数目)；Fx标示所需的SKU；Hp标示所需的特征，其中p＝1,2,3...l，其中l＝特征的数目。让
Figure BDA0003689241380000231
为跨特征的每个组件的系数，其标示组件对特征的适用性，使得
Figure BDA0003689241380000232
那么，对于每个Hp＝Hk，
Figure BDA0003689241380000233
标示每个组件对该特征的相关系数。
为了确定系数
Figure BDA0003689241380000234
可以用特定的值集合来训练系统。在一方面，训练可以与图2的机器学习模块214相关联。一旦被训练，机器学习模型或技术可以被用来预测实际系数值。在一方面，机器学习技术可以包括多项式回归。
假设
Figure BDA0003689241380000235
则，
Figure BDA0003689241380000236
其中e＝残差。误差函数J(e)可以被定义为：
Figure BDA0003689241380000237
其中J(e)是误差函数。目标是尽可能地减少误差函数。
Figure BDA0003689241380000238
求解
Figure BDA0003689241380000239
并保持
Figure BDA00036892413800002310
对于出现的任何新特征，可以获得跨组件的
Figure BDA00036892413800002311
的预测值并且将其用来相应地训练系统。在一段时间内，可以计算所有这样的相关系数以建立组件和特征之间的关系。
Figure BDA00036892413800002312
的更高预测值可以指示特定组件与对应的特征更对齐。
Figure BDA00036892413800002313
值被预测介于(-1-0.3)之间的组件可以被忽略，因为它们不太可能相关。这个能力可以被用来向设计者建议开发SKU或产品所需的特征集合的最适用的组件列表。可以向用户呈现图形用户界面以允许用户(例如，设计者)评审指示组件和特征之间的关系的系数。如果用户发现修正的系数值更能反映特征和组件之间的关系，则图形用户界面可以包括允许用户输入修正的系数值来取代预测的系数值的选项。注意，任何修正的系数都可以被捕获或被并入到机器学习模型中，以使得修正的系数可以以更准确的方式被输出。
为了根据本公开的各方面执行“应该成本计算(should costing)”，让O标示一函数，以使得O(Cj)＝组件Cj的成本，其中j＝1,2,3,...,n，其中n表示(例如，在一个或多个数据库中可用的)组件的数目。让M标示一函数，该函数基于作为输入给出的特征与组件之间的相关系数而返回对应的组件，其中M可以被表达为
Figure BDA0003689241380000241
注意，
Figure BDA0003689241380000242
可以返回多个组件，诸如C1,C2,C3等等，其中多个组件中的每个组件都与考虑的特征相关。
让高性能成本(Gpc)表示为产品设计所考虑的最适用组件的成本，可以确定高性能成本组件列表＝Lpc，其中Gpc可以被定义为：
Figure BDA0003689241380000243
其中n表示函数M返回的组件数目，其中Lpc可以被定义为：
Figure BDA0003689241380000244
让X表示针对产品设计的“应该成本”，可以定义“应该成本”(Rsc)内的组件列表。列表Rsc的成本可以由Vsc表示，并且特征Hk的优先级可以被定义为qk，其中k＝1,2,3,...,n，其中升序表示更高的优先级。现在，让T是返回给定优先级的特征的函数，以使得t(qk)＝Hk，并让submax是返回变量集合中的第二高值的函数，并且让Y＝max(qk)，其中Y的第一次值＝0，然后＝max(qk)。最后，让w＝T(max(qk–{Y}))。考虑到上述情况，Rsc可以由下式给出：
Figure BDA0003689241380000251
其中
Figure BDA0003689241380000252
利用Y，Z的第一次值＝0，然后
Figure BDA0003689241380000253
Vsc可以被表达为：
Figure BDA0003689241380000254
等式(7)可以继续找到合适组件的列表，直到Vsc≤X。以这种方式，可以减少针对每个特征的实际成本和“应该成本”之间的成本差异百分比，这可以促进eBOM的创建。
如上所述，一旦设计者完成设计并且生成eBOM，其可以与成本计算输入一起被接收到合理化引擎。主数据集(例如，图1的一个或多个数据库118)可以包括关于所有组件或零件及其对应细节的信息。如上所述，合理化引擎可以被配置为标识重复组件，并且为eBOM中列出的组件或零件建议成本更低的替代(或替换)组件或零件，我们还为成本更低的重复组件建议几乎相同的组件，和/或为非重复组件建议成本更低的几乎相同的组件。为此，自然语言处理(NLP)技术可以被用来确定来自主数据集的重复组件(例如，基于零件名称、零件描述等)。如上所述，NLP技术可以包括：编辑距离算法，它可以被用来确定最近的正确单词的长度；以及语音算法，用于标识听起来相似但拼写不同的单词。散列图可以被用作用于这样的查询的数据结构，以实现更好更快的搜索结果。NLP处理的输出可以包括被标识为重复组件的数目和在eBOM中被设备为重复的组件的百分比。
现在，让c1,c2,c3,...,cn是被标识的重复零件的列表，其中n表示重复组件的数目。让Cc1,Cc2,Cc3,...,Ccn是那些重复组件的对应成本，其可以根据主数据集来确定，并且让Ic1,Ic2,Ic3,...,Icn是由设计者创建的eBOM中的那些重复组件的对应成本。让Pd是由于价格差异(例如，I和C之间的价格差异)而可以实现的成本节约。让Tc是来自eBOM的设计总和，可以根据以下来确定成本节约：
Pd＝(Ic1-Cc1)+(Ic2-Cc2)+(Ic3-Cc3)+...+(Icn-Ccn), (9)
如果Pd>0，则通过标识重复组件所实现的成本节约可以被表达为Pd/Tc*100％。
主数据集中的若干因子可以被用来确定几乎相同的零件。一个这样的因子可以是为重复项所建议的具有较低成本的替换零件(例如，基础零件属性)。为了说明，让主数据集中的零件属性1-i由a1,a2,a3,...,ai表示，并且让eBOM中的零件属性1-j由b1,b2,b3,...,bj表示，其中j≤i。让c1,c2,c3,...,cn是所标识的重复零件的列表，其中n＝重复零件的数目，并且让d1,d2,d3,...,dm是主数据集中的零件的列表，以使得m＝主数据集中的零件总数目。让Zdm是主数据集中的任何零件m的对应成本，以使得m＝主数据集中的零件总数目。让Ic1,Ic2,Ic3,...,Icn是由设计者创建的eBOM中的那些重复组件的对应成本，U是eBOM的总成本，并且±yj％是允许有资格作为替换零件的变型，并且±yj％可以由设计者(或其他用户)来调整或配置。
然后，对于每个重复零件cn，检查跨主数据集，评估：
[(c1(b1)*(100-y1)/100≤d1(a1)≤c1(b1)*(100+y1)/100)||(c1(b2)*(100-y2)/100≤d1(a2)≤c1(b2)*(100+y2)/100)...||...(c1(bj)*(100-yj)/100≤d1(aj)≤c1(bj)*(100+yj)/100)&&Zd1<Ic1)]？建议d1作为替换零件 (10)
针对所有cn，可以执行c1与d2,d3,...,dm等等的比较，并且可以产生替换零件的列表，可以针对成本低于与设计者所创建的eBOM相关联的成本的所有重复零件向设计者建议该替换零件的列表。
在所有这些建议的dm之后，与eBOM中的初始成本相比，降低的成本百分比可以被计算为：
Figure BDA0003689241380000271
为了标识具有为非重复项(例如，基于零件属性和零件尺寸)所建议的较低成本的几乎相同的组件，让v1,v2,v3,...,vt是主数据集中的尺寸类型的数目，w1,w2,w3,...,wx是针对eBOM中的零件的尺寸类型的数目，并且g1,g2,g3,...,gs是eBOM中的非重复零件的列表，其中s+n表示eBOM中的组件的总数目。让Hg1,Hg2,Hg3,...,Hgs是由设计者创建的eBOM中的非重复组件的对应成本，并且±zx％是有资格作为几乎相同的零件的尺寸中允许的变型，其中±zx％可以由设计者(或其他用户)调整或配置。然后，对于每个非重复零件gs，算法将根据以下来检查跨主数据集：
[{(g1(b1)*(100-y1)/100≤d1(a1)≤g1(b1)*(100+y1)/100)||(g1(b2)*(100-y2)/100≤d1(a2)≤g1(b2)*(100+y2)/100)...||...(g1(bj)*(100-yj)/100≤d1(aj)≤g1(bj)*(100+yj)/100)}&&{(g1(w1)*(100-z1)/100≤d1(v1)≤g1(w1)*(100+z1)/100)||(g1(w2)*(100-z2)/100≤d1(v2)≤g1(w2)*(100+z2)/100)||(g1(wx)*(100-zx)/100≤d1(vx)≤g1(wx)*(100+zx)/100)}&&(Zd1<Hg1)]？建议d1作为几乎相同的零件 (12)
针对所有gs，可以针对d2,d3,...,dm等等重复与g1的比较，以便产生几乎相同的零件的列表，这些零件可以针对所有非重复零件(每个零件可以具有低于由设计者所创建的eBOM中的对应零件或组件的成本)而被建议给设计者。
在所有这些建议的dm之后，与eBOM中的初始成本相比，降低的成本百分比可以被计算为：
Figure BDA0003689241380000272
该算法与另一种算法相结合还可以基于零件或组件的材料和尺寸来建议3D可打印和非3D可打印的零件或组件。在一方面，输出可以是以下形式：30％3D可打印；70％非3D可打印。附加地，对于非3D可打印零件，该算法可以建议几乎相同的零件或组件(例如，基于零件属性和零件尺寸)，其具有低于或高于eBOM中的原始成本的成本。为了说明，让r1,r2,r3,...,rq是eBOM中的非3D可打印零件的列表，其中q＝非3D可打印零件的总数目。然后，对于每个非3D可打印零件rq，该算法可以根据以下来检查跨主数据集：[{(r1(b1)*(100-y1)/100<＝d1(a1)<＝r1(b1)*(100+y1)/100)||(r1(b2)*(100-y2)/100<＝d1(a2)<＝r1(b2)*(100+y2)/100)...||...(r1(bj)*(100-yj)/100<＝d1(aj)<＝r1(bj)*(100+yj)/100)}&&{(r1(w1)*(100-z1)/100<＝d1(v1)<＝r1(w1)*(100+z1)/100)||(r1(w2)*(100-z2)/100<＝d1(v2)<＝r1(w2)*(100+z2)/100)||(r1(wx)*(100-zx)/100<＝d1(vx)<＝r1(wx)*(100+zx)/100)}]？建议d1作为几乎相同的零件
针对所有rq，可以重复r1与d2,d3,...,dm等等的比较，以产生几乎相同的零件的列表，这些零件可以针对成本可能高于或低于eBOM中的原始成本的所有非3D可打印零件而被建议给设计者。
如上所示并返回参见图1，用户(例如，设计者)可以利用设计者设备130来设计要被制造的产品。作为设计过程的部分，产品的特征和能力可以被定义并且确定优先级。由设计者所指定的特征和能力可以被提供给计算设备110，并且更具体地提供给推荐引擎120。如在上面参考图2所描述的，推荐引擎120可以使用机器学习逻辑(例如，图2的机器学习引擎214)来评估特征和能力，以标识与指定的特征或能力相关的组件集合。此外，推荐引擎120的成本分析器(例如，图2的成本分析器220)用于在组件和特征的基础上在成本方面优化产品设计。然后推荐引擎120的输出可以被提供给设计者设备130并且被用来为正被设计的产品建立eBOM。
一旦创建了eBOM，就可以将其作为输入提供给合理化引擎122。如在上面参考图3所描述的，合理化引擎122可以被配置为标识重复零件、非重复零件、替换零件、几乎相同的零件、3D可打印零件和非3D可打印零件等等。合理化引擎122的操作可以使得产品设计过程能够考虑“应该成本”，这是使用目前可用的技术难以执行的。由合理化引擎122利用的“应该成本”方法可以使得所提议的产品设计(例如，在初始eBOM中指定的产品设计)能够以降低的生产成本并且基于重复零件、非重复零件、替换零件、几乎相同的零件和3D可打印零件跨各种因子进行优化。注意，除了优化eBOM，推荐引擎120和合理化引擎122的操作也可以提高可以产品可以被设计的速度。为了说明，通过利用机器学习逻辑来标识适用于正被设计的产品的特征和能力的零件和组件，推荐引擎120可以使得设计者能够更快速地执行零件或组件选择，这可以使得与设计的产品的特征或能力相关的零件或组件的eBOM能够更快被创建。此外，合理化引擎122的操作可以被利用来标识替代产品或组件(即，对初始eBOM的替代品)，它们在降低产品成本的同时，还满足针对产品的特征和能力要求并且在被允许的属性和尺寸方差内。
一经最终确定eBOM，可以制造产品。例如，可以为组装或生产产品而创建eBOM和其他信息(例如，工作流程、零件或组件物流和采购等)。eBOM和其他信息可以被用来配置制造基础设施160，并且一旦被配置，制造基础设施160可以被用来生产新设计的产品。例如，配置制造基础设施可以包括配置3D打印机，以基于所标识的3D可打印零件或组件来打印针对设计的产品的一个或多个组件。在一些方面，可以基于针对特定组件或零件的CAD绘图或其他规范来生成3D打印文件。作为另一个非限制性示例，基于机器的制造工具(例如，机械臂、驱动器等)可以基于一个或多个选择的组件的尺寸来进行校准。为了说明，在使用紧固件(例如，销、杆、螺钉等)将第一组件固定到第二组件的情况下，可以校准机器人装配工具以使第一和第二组件对齐，以使得机器人驱动器然后可以使用紧固件将组件插入并且固定在一起。机器人装配工具的校准可以至少部分地基于组件的尺寸或与最终eBOM相关联的其他信息来确定。注意，上述示例性操作是为了说明的目的而不是作为限制来提供的，并且可以结合本文公开的概念来利用其他类型的制造基础设施配置操作。
参见图4，根据本公开的一个或多个方面的用于优化产品设计的方法的示例的流程图被示为方法400。在一些实现中，方法400的操作可以被存储为指令(例如，图1的指令116或指令136)，该指令在由一个或多个处理器(例如，计算设备或服务器的一个或多个处理器，图1的诸如一个或多个处理器112或一个或多个处理器132)执行时，使一个或多个处理器执行方法400的操作。在一些实现中，方法400可以由诸如图1的计算设备110或图1的设计者设备130之类的计算设备来执行。方法400的某些方面可以涉及诸如图1的推荐引擎120和/或图2的推荐引擎200之类的推荐引擎以及诸如图1的合理化引擎122和/或图3的合理化引擎300之类的合理化引擎的操作。方法400的附加或备选方面可以涉及基于云的系统的操作，诸如图1的设计优化器152。
在步骤410处，方法400包括由一个或多个处理器接收标识针对产品设计的特征集合的信息。如上所述，特征集合可以包括与正被设计的产品的特征和能力相关联的信息。可以基于来自各种来源的输入来创建特征集合，诸如产品为其设计的客户、基于市场研究的输入(例如，消费者或行业感兴趣的特征等)、来自设计者的输入或其他来源。在步骤420处，方法400包括由一个或多个处理器执行针对特征集合的机器学习逻辑以标识组件集合。在一方面，机器学习逻辑可以是图2的机器学习引擎214。如上所述，由机器学习逻辑标识的组件集合可以包括与特征集合中的每个特征相对应的组件。在一些方面，组件的标识还可以涉及成本分析器的操作，如上面参考图2所描述的。另外，组件集合可以基于从设计者(例如，经由图1的设计者设备130)接收的输入。
在步骤430处，方法400包括由一个或多个处理器确定与组件集合中的每个组件相关联的特性。在一些方面，可以使用诸如图1的合理化引擎122或图3的合理化引擎300之类的合理化引擎来确定特性。如上所述，可以基于从eBOM提取的信息，使用自然语言处理技术(诸如编辑距离算法、语音算法等)来比较特性。在步骤440处，该方法包括由一个或多个处理器基于特性将一个或多个候选组件标识为对组件集合中的一个或多个组件的替代品。如上所述，可以基于重复组件、几乎相同的组件和3D可打印组件的标识来选择候选组件。
在步骤450处，方法400包括由一个或多个处理器基于至少一个设计度量和一个或多个候选组件，来确定用于优化组件集合的一个或多个修改。如上面参考图3所解释的，至少一个设计度量可以包括属性方差度量、尺寸方差度量、成本度量、重量度量或它们的组合。至少一个设计度量可以被用来评估候选组件是否适合作为在步骤420中确定的组件集合中标识的组件的替换品或替代品。注意，各种设计度量可以各自基于不同的标准来评估候选组件。为了说明，尺寸方差度量可以评估候选组件的尺寸，以确定候选组件的尺寸是否在允许的方差等级(或公差等级)内，而成本度量可以确定候选组件的成本是比组件集合中的组件更高还是更低。
在步骤460处，方法400包括由一个或多个处理器基于一个或多个修改来输出针对产品设计的最终组件集合。最终组件集合可以包括从在步骤450处评估的一个或多个候选组件中选择的至少一个候选组件，并且相对于至少一个设计度量而与组件集合相比，至少一个候选组件可以优化最终组件集合。例如，包括至少一个候选组件的最终组件集合可以相对于成本度量来进行优化，以使得使用最终组件集合生产产品比使用组件集合更便宜。作为另一示例，包括至少一个候选组件的最终组件集合可以相对于重量度量来进行优化，以使得使用最终组件集合生产产品导致产品比使用组件集合生产的产品更轻。
在一些方面，上述技术可以被利用在产品设计的上下文中。例如，方法400和参考图1至图4描述和说明的其他概念可以被利用来提供简化和加速产品设计过程的产品设计方法。此外，提供自动化或半自动化产品设计方法的能力可以使得产品能够跨各种设计度量而进行优化，从而导致更高效(例如，重量更轻)或生产效率更高(例如，以更低的成本生产、使用更适合产品特征的组件来生产等)的产品。此外，由本公开所提供的设计方法和能力利用反馈循环和机器学习来标识设计者的偏向和偏好，并将这些偏向和偏好考虑在内，以更有效和快速地执行组件选择。需要注意的是，这些仅仅是本公开的实施例所提供的优点中的一些，并且本领域技术人员可以容易地认识到其他改进和优点。
应当注意，可以根据本公开的各方面来提供其他类型的设备和功能性，并且为了说明的目的而不是作为限制，已经提供了本文对特定设备和功能的讨论。应注意，图4的方法400的操作可以以任何顺序来执行，或者一种方法的操作可以在执行另一种方法期间被执行。还应注意，图4的方法400还可以包括与图1的系统100、图2的推荐引擎200或图3的合理化引擎300的操作的描述一致的其他功能或操作。
本领域技术人员将理解，可以使用任何各种不同技术和科技来表示信息和信号。例如，在整个以上描述中可以引用的数据、指令、命令、信息、信号、位、符号和芯片可以由电压、电流、电磁波、磁场或粒子、光场或粒子或它们的任何组合来表示。
在本文中相对于图1至图4描述的组件、功能块和模块包括处理器、电子设备、硬件设备、电子组件、逻辑电路、存储器、软件代码、固件代码等等示例或它们的任何组合。此外，本文讨论的特征可以经由专用处理器电路、经由可执行指令或它们的组合来实现。
本领域技术人员将进一步了解，结合本文的公开所描述的各种说明性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，各种说明性组件、块、模块、电路和步骤已经在上面大体上根据它们的功能性进行了描述。这种功能性是作为硬件还是软件来实现取决于特定应用和施加在整个系统上的设计约束。熟练的技术人员可以针对每个特定应用以不同的方式实现所描述的功能性，但是这样的实现决策不应被解释为导致背离本公开的范围。本领域技术人员还将容易地认识到，本文描述的组件、方法或交互的顺序或组合仅仅是示例，并且本公开的各个方面的组件、方法或交互可以以与本文说明和描述的那些不同的其他方式来组合或执行。
结合本文公开的实现所描述的各种说明性逻辑、逻辑块、模块、电路和算法过程可以被实现为电子硬件、计算机软件或两者的组合。硬件和软件的可互换性已经根据功能性大体上进行了描述，并在上述各种说明性组件、块、模块、电路和过程中进行了说明。这种功能性是在硬件还是软件中实现取决于特定应用和施加在整个系统上的设计约束。
被用来实现结合本文公开的各方面描述的各种说明性逻辑、逻辑块、模块和电路的硬件和数据处理装置可以用被设计来执行本文所述功能的通用单芯片或多芯片处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、分立门或晶体管逻辑、分立硬件组件或其任何组合来实现或执行。通用处理器可以是微处理器，或者是任何常规处理器、控制器、微控制器或状态机。在一些实现中，处理器也可以被实现为计算设备的组合，例如DSP和微处理器的组合、多个微处理器、一个或多个微处理器与DSP核的结合、或者任何其他这样的配置。在一些实现中，特定过程和方法可以由特定于给定功能的电路来执行。
在一个或多个方面，所描述的功能可以以硬件、数字电子电路、计算机软件、固件来实现，包括在本说明书中公开的结构及其结构等价物、或它们的任何组合。本说明书中描述的主题的实现也可以被实现为编码在计算机存储介质上以供数据处理装置执行或控制数据处理装置的操作的一个或多个计算机程序，即计算机程序指令的一个或多个模块。
如果以软件实现，则功能可以作为一个或多个指令或代码在计算机可读介质上部存储或传输。本文公开的方法或算法的过程可以被实现在可以驻留在计算机可读介质上的处理器可执行软件模块中。计算机可读介质包括计算机存储介质和通信介质，包括可以被实现为将计算机程序从一个地方传送到另一个地方的任何介质。存储介质可以是计算机可以访问的任何可用介质。作为示例而非限制，此类计算机可读介质可以包括随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、CD-ROM或其他光盘存储、磁盘存储或其他磁存储设备、或者任何其他可以被用来存储指令或数据结构形式的期望程序代码并且可以由计算机访问的介质。此外，任何连接都可以适当地被称为计算机可读介质。如本文中所使用的磁盘(disk)和光盘(disc)包括压缩盘(CD)、激光盘、光盘、数字通用盘(DVD)、软盘、硬盘、固态盘和蓝光光盘，其中磁盘通常以磁性方式再现数据，而光盘用激光以光学方式再现数据。上述的组合也应被包括在计算机可读介质的范围内。此外，方法或算法的操作可以作为一个或任何组合或一组代码和指令而驻留在机器可读介质和计算机可读介质上，它们可以被并入到计算机程序产品中。
对本公开中描述的实现的各种修改对于本领域技术人员来说是清楚的，并且在不背离本公开的精神或范围的情况下，本文所定义的一般原理可以被应用于一些其他实现。因此，权利要求不旨在局限于本文中所示的实现，而是要被赋予与本公开、本文所公开的原理和新颖特征相一致的最宽范围。
另外，本领域的普通技术人员将容易了解，术语“上”和“下”有时被使用是为了便于描述附图，并指示在适当的定向页面上与附图的取向相对应的相对位置，并且可能无法反映所实现的任何设备的正确取向。
本说明书中在分开实现的上下文中描述的某些特征也可以在单个实现中被组合实现。相反，在单个实现的上下文中描述的各种特征也可以在多个实现中被分开实现或以任何合适的子组合来实现。此外，尽管特征可以在上面描述为在某些组合中起作用并且甚至最初如此要求保护，但是在一些情况下，来自要求保护的组合的一个或多个特征可从组合中被删除，并且要求保护的组合可以涉及子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描述了操作，但是这不应被理解为要求以所示出的特定顺序或以连续的顺序执行这样的操作，或者执行所有所图示出的操作以实现期望的结果。此外，附图可以以流程图的形式示意性地描绘一个或多个示例过程。然而，未描绘的其他操作可以被并入在示意性地图示出的示例过程中。例如，一个或多个附加操作可以在任何图示出的操作之前、之后、同时或之间被执行。在某些情形中，多任务和并行处理可能是有利的。此外，上述实现中的各种系统组件的分离不应被理解为在所有实现中都需要这种分离，并且应当理解，所描述的程序组件和系统通常可以一起被集成在单个软件产品中或被封装成多个软件产品。此外，一些其他实现在以下权利要求的范围内。在一些情况下，权利要求中记载的动作可以以不同的顺序来执行，并且仍能达到期望的结果。
如本文中(包括在权利要求中)所使用的，各种术语仅出于描述特定实现的目的，而不旨在限制实现。例如，如本文中所使用的，用于修饰诸如结构、组件、操作等元素的序数术语(例如，“第一”、“第二”、“第三”等)其本身不指示元素相对于另一个元素的任何优先级或顺序，而只是将该元素与具有相同名称的另一个元素区分开来(但是使用了序数术语)。术语“耦合”被定义为连接，但不一定是直接的，也不一定是机械的；“耦合”的两个项目可能彼此是一体的。术语“或”在两个或多个项目的列表中使用时，意指所列项目中的任何一个可以被单独采用，或者可以采用两个或多个所列项目的任何组合。例如，如果组合物被描述为包含组分A、B或C，则该组合物可以包含单独A；单独B；单独C；A和B组合；A和C组合；B和C组合；或A、B和C组合。此外，如本文中(包括在权利要求中)所使用的，在以“至少一个”开头的项目列表中使用的“或”指示析取列表，因此例如“A、B或C中的至少一个”的列表意指A或B或C或AB或AC或BC或ABC(即A和B和C)或这些的其任何组合。术语“基本上”被定义为在很大程度上但不一定完全是所指定的内容——并且包括所指定的内容；例如，基本上90度包括90度并且基本上平行包括平行——如本领域普通技术人员所理解的。在任何公开的方面，术语“基本上”可以替换为在所指定的内容“的[百分比]内”，其中百分比包括0.1、1、5和10％；并且术语“大约”可以替换为在所指定的内容“的10％以内”。短语“和/或”意指和或。
尽管已经详细描述了本公开的各方面及其优点，但是应当理解，在不背离由所附权利要求限定的本公开的精神的情况下，可以在本文中进行各种改变、替换和变更。此外，本申请的范围不旨在局限于说明书中描述的过程、机器、制造、物质组成、部件、方法和过程的特定实现。如本领域普通技术人员将从本公开中容易了解的那样，根据本公开，可以利用执行与本文所述的对应方面基本相同的功能或实现基本相同的结果的当前存在或以后将开发的过程、机器、制造、物质组成、部件、方法和过程。因此，所附权利要求旨在将这样的过程、机器、制造、物质组合、部件、方法或操作包括在它们的范围内。

Claims (20)

1.一种方法，包括：
由一个或多个处理器接收标识针对产品设计的特征集合的信息；
由所述一个或多个处理器执行针对所述特征集合的机器学习逻辑以标识组件集合，其中所述组件集合包括与所述特征集合中的每个特征相对应的组件；
由所述一个或多个处理器确定与所述组件集合中的每个组件相关联的特性；
由所述一个或多个处理器基于所述特性将一个或多个候选组件标识为对组件集合中的一个或多个组件的替代品；
由所述一个或多个处理器基于至少一个设计度量和所述一个或多个候选组件，来确定用于优化所述组件集合的一个或多个修改；以及
由所述一个或多个处理器基于所述一个或多个修改来输出针对所述产品设计的最终组件集合，其中所述最终组件集合包括选自所述一个或多个候选组件的至少一个候选组件，并且其中相对于所述至少一个设计度量而与所述组件集合相比，所述至少一个候选组件优化所述最终组件集合。
2.根据权利要求1所述的方法，其中所述机器学习逻辑被配置为输出表示每个组件与所述特征集合之间的相关性的相关性系数，所述方法包括：
至少部分地基于由所述机器学习逻辑输出的所述相关性系数来确定所述组件集合。
3.根据权利要求1所述的方法，其中标识所述一个或多个候选组件包括标识所述产品设计的重复组件，并且其中所述至少一个设计度量包括属性方差度量和成本度量。
4.根据权利要求1所述的方法，其中标识所述一个或多个候选组件包括标识所述产品设计的非重复组件，并且其中所述至少一个设计度量包括属性方差度量、尺寸方差度量和成本度量。
5.根据权利要求1所述的方法，其中标识所述一个或多个候选组件包括标识所述产品设计的3D可打印组件，并且其中所述至少一个设计度量包括属性方差度量和尺寸方差度量。
6.根据权利要求1所述的方法，其中所述至少一个设计度量包括属性方差度量、尺寸方差度量、成本度量、重量度量或其组合。
7.根据权利要求1所述的方法，其中基于所述特性将一个或多个候选组件标识为对所述组件集合中的一个或多个组件的替代品是基于所述特征集合迭代地执行的。
8.根据权利要求7所述的方法，还包括：在所述标识的至少一次迭代期间将第一候选组件标识为对第二候选组件的替代品，在所述标识的先前迭代期间，选择所述第二候选组件作为对所述组件集合中的组件的替代品。
9.一种系统，所述系统包括：
存储器；以及
可通信地耦合到所述存储器的一个或多个处理器，所述一个或多个处理器被配置为：
接收标识针对产品设计的特征集合的信息；
执行针对所述特征集合的机器学习逻辑以标识组件集合，其中所述组件集合包括与所述特征集合中的每个特征相对应的组件；
确定与所述组件集合中的每个组件相关联的特性；
基于所述特性将一个或多个候选组件标识为对组件集合中的一个或多个组件的替代品；
基于至少一个设计度量和所述一个或多个候选组件，来确定用于优化所述组件集合的一个或多个修改；以及
基于所述一个或多个修改来输出针对所述产品设计的最终组件集合，其中所述最终组件集合包括选自所述一个或多个候选组件的至少一个候选组件，并且其中相对于所述至少一个设计度量而与所述组件集合相比，所述至少一个候选组件优化所述最终组件集合。
10.根据权利要求9所述的系统，其中所述机器学习逻辑被配置为输出表示每个组件与所述特征集合之间的相关性的相关性系数，并且其中所述一个或多个处理器被配置为：
基于由设计者的组件选择来接收反馈；以及
基于所述反馈来更新由所述机器学习逻辑输出的所述相关性系数。
11.根据权利要求9所述的系统，其中所述一个或多个候选组件的标识包括标识所述产品设计的重复组件，并且其中所述至少一个设计度量包括属性方差度量和成本度量。
12.根据权利要求9所述的系统，其中所述一个或多个候选组件的标识包括标识所述产品设计的非重复组件，并且其中所述至少一个设计度量包括属性方差度量、尺寸方差度量和成本度量。
13.根据权利要求9所述的系统，其中所述一个或多个候选组件的标识包括标识所述产品设计的3D可打印组件，并且其中所述至少一个设计度量包括属性方差度量和尺寸方差度量。
14.根据权利要求9所述的系统，其中所述至少一个设计度量包括属性方差度量、尺寸方差度量、成本度量、重量度量或其组合。
15.根据权利要求9所述的系统，其中所述一个或多个处理器被配置为：
基于所述特性迭代地将所述一个或多个候选组件标识为对组件集合中的一个或多个组件的替代品，其中每次迭代与所述特性中的不同特性相关联；以及
在所述标识的至少一次迭代期间，将第一候选组件标识为对第二候选组件的替代品，在所述标识的先前迭代期间，选择所述第二候选组件作为对所述组件集合中的组件的替代品。
16.一种非暂态计算机可读存储介质，其存储指令，所述指令当由一个或多个处理器执行时，使所述一个或多个处理器执行操作，所述操作包括：
接收标识针对产品设计的特征集合的信息；
执行针对所述特征集合的机器学习逻辑以标识组件集合，其中所述组件集合包括与所述特征集合中的每个特征相对应的组件；
确定与所述组件集合中的每个组件相关联的特性；
基于所述特性将一个或多个候选组件标识为对组件集合中的一个或多个组件的替代品；
基于至少一个设计度量和所述一个或多个候选组件，来确定用于优化所述组件集合的一个或多个修改；以及
基于所述一个或多个修改来输出针对所述产品设计的最终组件集合，其中所述最终组件集合包括选自所述一个或多个候选组件的至少一个候选组件，并且其中相对于所述至少一个设计度量而与所述组件集合相比，所述至少一个候选组件优化所述最终组件集合。
17.根据权利要求16所述的非暂态计算机可读存储介质，其中所述机器学习逻辑被配置为输出表示每个组件与所述特征集合之间的相关性的相关性系数，所述方法包括：
至少部分地基于由所述机器学习逻辑输出的所述相关性系数来确定所述组件集合。
18.根据权利要求17所述的非暂态计算机可读存储介质，所述操作还包括：
修改由所述机器学习逻辑输出的至少一个相关性系数；以及
至少部分地基于所修改的至少一个相关性系数来训练所述机器学习。
19.根据权利要求16所述的非暂态计算机可读存储介质，所述操作还包括：基于所述最终组件集合来配置制造基础设施，其中所述设计的产品至少部分地由所述制造基础设施基于所述配置来生产。
20.根据权利要求16所述的非暂态计算机可读存储介质，其中基于所述特性将一个或多个候选组件标识为对所述组件集合中的一个或多个组件的替代品是基于所述特征集合迭代地执行的，所述操作包括：
在所述标识的至少一次迭代期间，将第一候选组件标识为对第二候选组件的替代品，在所述标识的先前迭代期间，选择所述第二候选组件作为对所述组件集合中的组件的替代品。
CN202210658158.2A 2021-06-11 2022-06-10 用于基于机器学习的产品设计自动化和优化的系统和方法 Pending CN115470690A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/346,098 2021-06-11
US17/346,098 US20220398365A1 (en) 2021-06-11 2021-06-11 Systems and methods for machine learning based product design automation and optimization

Publications (1)

Publication Number Publication Date
CN115470690A true CN115470690A (zh) 2022-12-13

Family

ID=82067707

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210658158.2A Pending CN115470690A (zh) 2021-06-11 2022-06-10 用于基于机器学习的产品设计自动化和优化的系统和方法

Country Status (4)

Country Link
US (1) US20220398365A1 (zh)
EP (1) EP4102430A1 (zh)
JP (1) JP2022189794A (zh)
CN (1) CN115470690A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11861301B1 (en) * 2023-03-02 2024-01-02 The Boeing Company Part sorting system

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10380545B2 (en) * 2015-06-19 2019-08-13 Autodesk, Inc. Product inventory system
US10255386B2 (en) * 2015-11-25 2019-04-09 Siemens Product Lifecycle Management Software Inc. Space exploration with quantitative pruning and ranking system and method
US11132473B2 (en) * 2017-08-30 2021-09-28 Apriori Technologies, Inc. Manufacturing design modification system
US10520922B2 (en) 2018-03-09 2019-12-31 Accenture Global Solutions Limited Decentralized supply chain for three-dimensional printing based on distributed ledger technology

Also Published As

Publication number Publication date
EP4102430A1 (en) 2022-12-14
JP2022189794A (ja) 2022-12-22
US20220398365A1 (en) 2022-12-15

Similar Documents

Publication Publication Date Title
CN107515898B (zh) 基于数据多样性和任务多样性的轮胎企业销售预测方法
US20200333772A1 (en) Semantic modeling and machine learning-based generation of conceptual plans for manufacturing assemblies
US20170330078A1 (en) Method and system for automated model building
US20220215133A1 (en) Digital build package for manufacturing a product design
JP2023539284A (ja) 企業支出の最適化及びマッピングモデルアーキテクチャ
US10430529B1 (en) Directed design updates in engineering methods for systems
US10013510B1 (en) Replacement part suggestion methods and systems
JP6633354B2 (ja) リーン製品モデリングシステム及び方法
US20200184028A1 (en) Optimization method and module thereof based on feature extraction and machine learning
JP5803469B2 (ja) 予測方法及び予測プログラム
CN115470690A (zh) 用于基于机器学习的产品设计自动化和优化的系统和方法
KR20220155190A (ko) 프로세스 관리 계획서 디지털 트윈을 이용하는 제품의 개발
US20140136152A1 (en) Analyzing hardware designs based on component re-use
EP2846276B1 (en) Correlation of maximum configuration data sets
US10331808B1 (en) Feature recognition in engineering methods and systems
EP3547175A1 (en) Quester evaluation for additive manufacturing of a vehicle part
US20120317526A1 (en) Verification method, computer-readable recording medium, and design verification apparatus
US11954100B2 (en) Systems and methods for automating mapping of repair procedures to repair information
Lindemann et al. Methodical data-driven integration of perceived quality into the product development process
CN111768220A (zh) 生成车辆定价模型的方法和装置
CN114862482B (zh) 一种基于大数据预测产品需求的数据处理方法及系统
Friel et al. Tolerance aware product development using an enriched hybrid digital mock up
US20230237127A1 (en) Intelligent adaption for engineered prediction model for a model-based system upgrade
CN115997224A (zh) 自动概念规划过程、自动概念规划工具以及该过程的用途
Yejian et al. Review classification based on machine learning: classifying game user reviews

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