技术领域
[0001] 本
发明涉及一种模块化产品设计评价方法，具体涉及一种基于数据驱动的面向产品设计者的产品设计评价方法。
背景技术
[0002] 随着新一代IT技术(例如：
云计算、
物联网、
大数据、
深度学习等)的逐步深入研究和应用落地，数据驱动制造的时代已经来临。新产品开发被认为是企业在激烈的市场竞争者保持持续竞争
力的重要环节之一，企业被迫需要持续不断的开发新产品来适应不断变化的客户个性化需求。如何高效利用产品在设计、制造、销售、使用、评价过程的大数据，不断地分析不同的设计参数对于客户体验的耦合影响，在设计阶段帮助设计者快速估计市场评价结果，对于提升产品设计
质量有重要的意义。
[0003] 目前，有关于模块化产品设计评价的方法多局限于基于规则，具体方法主要是通过分析产品结构和影响因素，建立相应的数学模型，最后验证模型的有效性。例如中国
专利文献CN105675539公开了一种农产品品质综合评价方法，该方法基于振动
光谱定量
预测模型，收集待测样品的多个评价指标的预测值和模型参数，结合模型参数和评价指标的权重稀疏，求得反应农产品的综合评价值并进行分级。CN104376434A公开了一种
卷烟多点加工质量的综合评价方法，该方法通过建立数学模型，计算每一指标相对于上一目标的权重，计算各指标与最优指标的关联系数，获得不同生产企业
单层次和多层次质量
水平。
[0004] 但是随着产品评价体系复杂性的不断增加，以及企业对于产品评价指标的不断变化，导致原有基于规则的方法难以适应新的需求。但经检索发现，尚未有关于针对模块化产品的、基于数据驱动的、多阶段的产品设计评价方法的报道。
发明内容
[0005] 针对
现有技术的不足，本发明提供一种基于数据驱动的模块化产品设计评价方法。
[0006] 为了达到上述目的，本发明提供的技术方案是：一种基于数据驱动的模块化产品设计评价方法，包括如下步骤：
[0007] 步骤1，持续性的采集产品生命周期数据，包括：产品设计参数数据、产品过程评价指标数据和最终评价指标数据；
[0008] 步骤2，将步骤1中采集的产品生命周期数据进行归一化处理，并选取一定比例的数据作为训练集，剩余数据作为测试集；
[0009] 步骤3，分解产品结构，假设一个产品P是由n个不同的模块组成，该产品由P＝{P1,…,Pi,…,Pn}表示，任何一个模块Pi被分解为一系列的子模块，由Pi＝{Pi1,…,Pij,…,Pim}表示，假设每个Pij在设计的过程中具有的多种产品设计参数{DAij1,…,DAijk,…,DAijp}，那么该产品表示为：
[0010]
[0011] 其中，DAijk表示设计参数，xijk是决策变量，1表示DAijk被选择，0表示DAijk没有被选择；
[0012] 步骤4，根据产品特点，建立产品评价指标体系，即建立产品的最终评价指标、产品的过程评价指标与产品设计参数之间的关系；针对产品的评价指标体系，建立两阶段神经网络，第一阶段输入和输出分别为产品设计参数和产品过程评价数据，第二阶段输入和输出分别为产品过程评价数据和产品最终评价数据，第一阶段输出与第二阶段输入相同；
[0013] 两阶段神经网络的结构为：
输入层、第一阶段隐含层、第一阶段
输出层、第二阶段输入层、第二阶段隐含层和输出层；
[0014]
[0015]
[0016] 其中， 和 代表第k层的第i各
节点到第k+1层的第j个节点的线性映射；对于第一阶段神经网络First_layer而言，p等于输入产品设计参数DP的数量，q代表第二层神经元的数量，r代表第一阶段输出层的神经元数量，同时r也是第二阶段输入层的神经元数量，r等于过程评价指标FE的数量；
[0017] 对于第二阶段神经网络Second_layer而言，其输入层神经元等于First_layer输出层神经元，s代表第二层神经元的数量，t代表第二阶段输出层的神经元数量；
[0018] 步骤5，设计混合粒子群
算法和Adam混合
优化算法实现对两阶神经网络的训练，获得满意的网络结构，其优化目标为两阶神经网络的均方误差最小；
[0019] 步骤6，利用训练好的两阶神经网络实现待测产品的设计评价。
[0020] 进一步的，步骤4中建立手机的评价指标体系，其中最终评价指标、过程评价指标与产品设计参数包括如下内容，
[0021] 最终评价指标FE指的是市场对于产品的综合评价，包括：成本、环保性、性能和服务；
[0022] 过程评价指标PE指的是产品分解到各个模块和功能后的分阶段评价指标，包括：设计成本、原材料成本、销售成本、服务成本、制造成本、材料绿色性、运行速度、拍照效果、能耗、使用寿命、返修率、投诉率、可回收性；
[0023] 产品设计参数DP指的是产品在设计的过程中，影响上述评价指标的设计参数，包括：屏幕类别、屏幕尺寸、屏幕材料、
分辨率、屏占比、CPU品牌、CPU主频、CPU主核数、内存容量、闪存容量、
电池容量、充电速度、是否支持红外功能、是否支持指纹功能、是否支持NFC功能、网络类别、是否支持双卡双待、是否支持OTG、相机
像素、
机身颜色数量、机身厚度、机身重量、机身材质、操作类型、
操作系统。
[0024] 进一步的，步骤5的具体实现方式如下，
[0025] 步骤5.1，首先设计PSO算法进行全局搜索，用于寻找较好的神经网络初始权值和
阈值，采用一维向量编码方式，编码结构表示为式中，ni代表第l层的神经元数量， 代表第k层的第i各节点到第k+1层的第j个节点的线性映射权值， 代表第k层的第i各节点到第k+1层的第j个节点的线性映射权值，其长度为2*(n0×n1+n1×n2)；
[0026] 步骤5.2，初始化PSO种群，按照设定的参数初始化PSO种群，同时计算粒子适应度，即粒子
位置，如不满足条件，重新初始化；随机初始化每个粒子的初始速度，粒子位置和速度如式(9)和式(10)表示；
[0027]
[0028]
[0029] 步骤5.3，全局搜索，采用式(11)和(12)更新粒子位置和速度，其中，表示粒子i在进化代数t的速度矢量， 表示粒子i在进化代数t的位置矢量，c1和c2是
加速度常量，r1和r2是随机数服从均匀分布，Pi表示种群中，粒子i的最优位置，PG表示所有粒子的全局最优位置；
[0030]
[0031]
[0032] 步骤5.4，从上述搜索结果中选择最好的M个体，分别利用Adam算法继续进行局部搜索，同样以MES最小为目标，当MES的值收敛时，算法停止。
[0033] 与现有技术相比，本发明的优点和有益效果：(1)本发明建立了一个动态的产品设计评价模型(两阶段神经网络)，模型中的参数可以根据历史数据和实时数据动态调整，随着数据的积累，本发明将会具有更高的精确性。(2)与传统产品设计评价模型相比，本发明不需要参考专家经验，具有更好的客观性。
附图说明
[0035] 图2为产品结构分解示意图；
[0037] 图4为优化算法的整体流程；
[0039] 图6为PSO算法编码方式。
具体实施方式
[0040] 下面结合附图和实施例对本发明的技术方案作进一步说明。
[0041] 如图1所示，以某模块化智能手机为对象，本发明实施例提供的一种基于数据驱动的模块化产品设计评价方法，包括如下步骤：
[0042] 1)持续性的采集产品生命周期数据，包括：产品设计数据、产品运行数据和产品评价数据。
[0043] 产品设计数据指的是产品设计过程中的屏幕、
硬件、网络与连接、相机、外观等参数，可以通过使用产品数据管理(Product Data Management，PDM)、企业资源计划(Enterprise Resource Plan，ERP)等信息化系统采集。
[0044] 产品运行数据指的是产品在使用过程中产品关键部件所产生的核心运行数据，也指的是利用物联网设备安装在产品关键部件上所监测的数据，可以在产品上安装通信模块利用
服务器远程实时采集。
[0045] 产品评价数据指的是用户在购买产品并使用一段时间后，对产品的各个模块以及产品在价格、服务、质量、环保性等方面的综合评价结果，另外也包括第三方评价机构对产品以及产品的具
体模块和功能的评价数据，企业可以通过互联网在线收集用户反馈获得该数据。
[0046] 2)分解产品结构，本发明实施例以手机为例，如图2所示，假设一部手机P是由n个不同的模块组成(例如：屏幕、机身外科、元器件、通讯模块、
软件等)，该产品可以由P＝{P1,…,Pi,…,Pn}表示，任何一个模块Pi可以被分解为一系列的子模块，由Pi＝{Pi1,…,Pij,…,Pim}表示，假设每个Pij在设计的过程中具有的多种设计参数{DAij1,…,DAijk,…,DAijp}，那么一部手机可以表示为：
[0047]
[0048] 其中，DAijk表示设计参数，xijk是决策变量，1表示DAijk被选择，0表示DAijk没有被选择。
[0049] 3)根据产品特点，建立产品评价指标体系。
[0050] 分析现阶段市场对于智能手机的评价标准以及影响这些标准的设计因素，可以具体为产品的最终评价指标(Final Evaluation，FE)、产品的过程评价指标(Process Evaluation，PE)以及影响这些评价指标的设计参数(Design Parameters，DP)。其中，FE指的是市场对于智能手机的综合评价，包括：成本、环保性、性能和服务。PE指的是手机分解到各个模块和功能后的分阶段评价指标，包括：设计成本、原材料成本、销售成本、服务成本、制造成本、材料绿色性、运行速度、拍照效果、能耗、使用寿命、返修率、投诉率、可回收性。FE和PE所对应的数据为步骤1)中的产品运行数据和产品评价数据。DP指的是产品在设计的过程中，可能影响上述评价指标的设计参数，包括：屏幕类别、屏幕尺寸、屏幕材料、分辨率、屏占比、CPU品牌、CPU主频、CPU主核数、内存容量、闪存容量、电池容量、充电速度、是否支持红外功能、是否支持指纹功能、是否支持NFC功能、网络类别、是否支持双卡双待、是否支持OTG、相机像素、机身颜色数量、机身厚度、机身重量、机身材质、操作类型、操作系统等。DP所对应的数据即步骤1)中的产品设计数据，建立如图3所示的评价体系。
[0051] 4)
数据采集与处理：针对式(1)和步骤(2)的评价指标体系，通过互联网以及相关厂商的PDM、ERP、MES等信息化系统采集市场上较为主流的智能手机产品生命周期数据，如表1-1、表1-2、表2和表3所示(其中，考虑某些手机具有4个摄像头，因此将相机像素分为4个指标)，随机
抽取该数据的60％样本作为训练集LD，剩余40％作为测试集TD。最后针对每列的数据使用min-max标准化方法实现样本数据的归一化，具体公式如(2)所示。
[0052]
[0053] 其中x为未归一化的样本数据，x*是归一化后的样本数据，xmin是样本数据的最小值，xmax是样本数据的最大值。
[0054] 表1-1实施例数据集(产品设计参数)
[0055]
[0056]
[0057] 表1-2实施例数据集(产品设计参数)
[0058]
[0059]
[0060] 表2实施例数据集(最终评价指标)
[0061]
[0062]
[0063] 表3实施例数据集(过程评价指标)
[0064]
[0065]
[0066] 5)针对产品的评价指标体系，建立两阶段神经网络，第一阶段输入和输出分别为产品设计参数和产品过程评价数据，第二阶段输入和输出分别为产品过程评价数据和产品最终评价数据，第一阶段输出与第二阶段输入相同。两个阶段的隐含层选用单层网络，神经网络如图4所示，可以由式(3)和式(4)表示，共包括：输入层、第一阶段隐含层、第一阶段输出层、第二阶段输入层、第二阶段隐含层和输出层。
[0067]
[0068]
[0069] 其中， 和 代表第k层的第i各节点到第k+1层的第j个节点的线性映射。对于第一阶段神经网络First_layer而言，p等于输入设计参数DP的数量，q代表第二层神经元的数量，r代表第一阶段输出层的神经元数量，同时r也是第二阶段输入层的神经元数量，r等于过程评价指标FE的数量。
[0070] 对于第二阶段神经网络Second_layer而言，其输入层神经元等于First_layer输出层神经元，s代表第二层神经元的数量，t代表第二阶段输出层的神经元数量，q和s的数量可以根据实际情况由下面公式选择一个计算得到。
[0071]
[0072]
[0073] k＝log2n (7)
[0074]
[0075] 式中，k是隐含层的节点数，规定当i>k时， n是输入层节点数，m是输出层节点数，N是样本数量，t是1至10的常数。本实施例中的神经网络参数如表4所示：
[0076] 表4神经网络参数
[0077]
[0078] 5)设计混合粒子群算法(Particle Swarm Optimization，PSO)和Adam混合优化算法实现对神经网络的训练，获得满意的网络结构，其优化目标为神经网络的均方误差(mean-square error,MSE)最小，具体内容包括：确定PSO编码方式和优化参数，初始化粒子种群中粒子位置和速度，利用PSO算法对神经网络进行全局搜索，利用Adam算法对神经网络进行局部搜索，如图5所示，具体步骤如下：
[0079] 步骤1：首先设计PSO算法进行全局搜索，用于寻找较好的神经网络初始权值和阈值，采用一维向量编码方式，编码结构可以表示为式中，ni代表第l层的神经元数量， 代表第k层的第i各节点到第k+1层的第j个节点的线性映射权值，代表第k层的第i各节点到第k+1层的第j个节点的线性映射权值，其长度为2*(n0×n1+n1×n2)，如图6所示。
[0080] 步骤2：初始化PSO种群，按照表5的参数设置初始化PSO种群，同时计算粒子适应度(即粒子位置)，如不满足条件，需要重新初始化。随机初始化每个粒子的初始速度，粒子位置和速度如式(9)和式(10)表示。
[0081]
[0082]
[0083] 表5 PSO初始化参数设置
[0084]
[0085]
[0086] 步骤3：全局搜索：在进化代数不断
迭代，采用式(11)和(12)更新粒子位置和速度，每次迭代过程中。其中， 表示粒子i在进化代数t的速度矢量， 表示粒子i在进化代数t的位置矢量，c1和c2是加速度常量，r1和r2是随机数服从均匀分布，Pi表示种群中，粒子i的最优位置，PG表示所有粒子的全局最优位置。
[0087]
[0088]
[0089] 步骤4：利用Adam局部搜索：从上述搜索结果中选择最好的M个体，分别利用Adam算法(该算法为现有技术，本发明不予撰述)继续进行局部搜索，同样以MES最小为目标，且MES的值收敛时，算法停止。同时，选取一定的测试数据集测试神经网络评价的准确性，神经网络的均方误差MES与拟合优度R2如表6所示。
[0090] 表6神经网络优化均方误差与拟合优度
[0091]
[0092] 从结果中可以看出，经过30次迭代后，使用本发明的方法能够获得较高的优化
精度和拟合优度。这主要是因为在全局优化阶段，本发明引入PSO进行并行寻优，很好地跳过了局部次优点与鞍点，将初始点优化到全局极值点附近，在局部优化阶段，引入Adam为每个参数自适应地计算学习率，降低了方法实施难度，更简单高效地搜索全局极值点，提高了
稳定性和精确性，令产品设计评价结果更加可信。
[0093] 6)完成神经网络的训练后，可以进行使用，实现产品的设计评价。
[0094] 使用本发明的方法进行产品设计评价，将表1中51行至53行的产品设计数据为例，将该参数输入优化过的神经网络，可获得较为精确的预测评价结果，其结果如表7所示：
[0095] 表7评价结果
[0096]
[0097] 本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的
修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附
权利要求书所定义的范围。
