针对包含不确定因素的产品绿色优化设计问题的解决方法专利检索-控制论生物机器人技术机器人技术人工智能人工智能专利检索查询-专利查询网

针对包含不确定因素的产品绿色优化设计问题的解决方法

阅读：718发布：2020-05-26

专利汇可以提供针对包含不确定因素的产品绿色优化设计问题的解决方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种针对包含不确定因素的产品绿色优化设计问题的解决方法。该方法由产品功能-结构映射树、产品绿色设计的多重广义算子模型、多层不确定优化模块配置模型及其转换、确定型模块优化配置模型及求解构成，具体步骤为：根据企业现有的模块化产品，针对包含不确定因素的产品绿色优化设计问题，在产品功能-结构映射树的基础上，结合大系统控制论，建立其多重广义算子模型；根据产品绿色优化设计准则和绿色度计算方法，建立与多重广义算子模型相对应的多层不确定优化模块配置模型，采用“ 去模糊化”方法将其转化为确定型模块优化配置模型，然后采用遗传算法进行求解。本发明方法有效提高企业的资源利用率，降低能耗，减小对环境的影响。，下面是针对包含不确定因素的产品绿色优化设计问题的解决方法专利的具体信息内容。

权利要求

1.一种针对包含不确定因素的产品绿色优化设计问题的解决方法，其特征在于：该方法由产品功能-结构映射树、产品绿色设计的多重广义算子模型、多层不确定优化模块配置模型、确定型模块优化配置模型及求解构成。
2.根据权利要求1所述的针对包含不确定因素的产品绿色优化设计问题的解决方法，其特征在于具体步骤为：
根据企业现有的模块化产品，针对包含不确定因素的产品绿色优化设计问题，在产品功能-结构映射树的基础上，结合大系统控制论，建立产品绿色设计的多重广义算子模型；
根据产品绿色优化设计准则和绿色度计算方法，建立与多重广义算子模型相对应的多层不确定优化模块配置模型，采用“去模糊化”方法将其转化为确定型模块优化配置模型，然后采用遗传算法进行求解。
3.根据权利要求1或2所述的针对包含不确定因素的产品绿色优化设计问题的解决方法，其特征在于：
(1)产品功能-结构映射树
产品总功能可分为若干个子功能，每个子功能又可分为几个子子功能，直到不能再分的原子功能；功能的载体是结构，按产品功能的构成，将产品总功能及其子功能分层映射为一个或多个成熟的产品模块、零件；
(2)产品绿色设计的多重广义算子模型
采用变粒度模型分别对产品的总体设计、模块设计、零件设计建立相应的粗粒度广义算子、中粒度广义算子和细粒度广义算子的模型；利用广义算子可以建立各层之间的纵向关系模型和同层的横向关系模型；由变粒度广义算子模型和广义算子关系模型就可以构成多重广义算子模型，这样建立了产品绿色优化设计过程的一种多重广义算子模型；
(3)多层不确定优化模块配置模型
在概念设计阶段，现有模块化产品的绿色优化设计过程是：上层将产品性能需求对下层合理分配，得到该层最优客户满意度(产品的技术功能)和最高绿色度的产品设计方案，并降低成本；下层根据分配到的性能需求指标，进行本层各模块或零件的选配，满足技术经济和资源环境指标最优，因会涉及到不确定因素，这是一种多层的指标分派、模块配置及其不确定优化的问题；
根据绿色设计中产品族模块配置的原则：成本最低、客户满意度最高、绿色度最高，则产品模块的优化配置为三层规划模型，每一层希望成本最低、客户满意度最高、绿色度最高；
①产品层，产品总体目标为总成本C最低、客户满意度最高和绿色度最高：
式中，Ci为第i个模块在分派的技术指标为fti、环境
指标为fgi时的成本；
②模块层，在模块层中第i个模块成本Ci最低、技术指标最优和绿色度最高G：
式中，Cij为第i个模块的第j个零件在分派的技术
指标为ftij、环境指标为fgij时的成本；Ni为第i个模块包含的零件数目；
③零件层，产品分解的最低层为零件，产品配置设计是从每个零件所对应的结构中选择一个，组合成相应的模块结构，各模块结构再组合成产品方案；
(4)确定型模块优化配置模型及求解
产品绿色设计的模块优化配置为三层多目标规划模型，每层都是包含三角模糊数多目标不确定优化问题，可以将其转化为确定型优化问题；首先，按三角模糊数运算法则，进行不确定优化模型内数据计算，然后采用加权重心法，进行清晰化，这样就转换得到一个确定型的模块优化配置模型，模块配置问题属于典型的组合最优化困难问题，是NP-Hard问题，尤其当模块多、组合规模大时，采用遗传算法进行求解。

说明书全文

针对包含不确定因素的产品绿色优化设计问题的解决方法

技术领域

[0001] 本发明涉及一种针对包含不确定因素的产品绿色优化设计问题的解决方法，该方法主要应用于具有模块化基础的企业产品的绿色设计。

背景技术

[0002] 目前，随着国家调整产业结构，加快转变经济发展方式等政策的实施，众多企业尤其是中小企业，因为资源利用率低，能源消耗高，对环境影响大而出现困境，与此同时绿色设计给企业走出困境创造了机遇。

发明内容

[0003] 本发明的目的是提供一种针对包含不确定因素的产品绿色优化设计问题的解决方法。

[0004] 本发明方法由产品功能-结构映射树、产品绿色设计的多重广义算子模型、多层不确定优化模块配置模型、确定型模块优化配置模型及求解构成。

[0005] 具体步骤为：

[0006] 根据企业现有的模块化产品，针对包含不确定因素的产品绿色优化设计问题，在产品功能-结构映射树的基础上，结合大系统控制论，建立其多重广义算子模型；根据产品绿色优化设计准则和绿色度计算方法，建立与多重广义算子模型相对应的多层不确定优化模块配置模型，采用“去模糊化”方法将其转化为确定型模块优化配置模型，然后采用遗传算法进行求解。

[0007] (1)产品功能-结构映射树

[0008] 产品总功能可分为若干个子功能，每个子功能又可分为几个子子功能，直到不能再分的原子功能；功能的载体是结构，按产品功能的构成，将产品总功能及其子功能分层映射为一个或多个成熟的产品模块、零件等，如图1所示产品功能-结构映射树。

[0009] (2)产品绿色设计的多重广义算子模型

[0010] 采用变粒度模型分别对产品的总体设计、模块设计、零件设计建立相应的粗粒度广义算子、中粒度广义算子和细粒度广义算子的模型；利用广义算子可以建立各层之间的纵向关系模型和同层的横向关系模型；由变粒度广义算子模型和广义算子关系模型就可以构成多重广义算子模型，这样建立了产品绿色优化设计过程的一种多重广义算子模型，如图2所示。

[0011] (3)多层不确定优化模块配置模型

[0012] 在概念设计阶段，现有模块化产品的绿色优化设计过程是：上层将产品性能需求对下层合理分配，得到该层最优客户满意度(产品的技术功能)和最高绿色度的产品设计方案，并降低成本；下层根据分配到的性能需求指标，进行本层各模块或零件的选配，满足技术经济和资源环境指标最优，因会涉及到不确定因素，这是一种多层的指标分派、模块配置及其不确定优化的问题。

[0013] 根据绿色设计中产品族模块配置的原则：成本最低、客户满意度最高、绿色度最高，则产品模块的优化配置为三层规划模型，每一层希望成本最低、客户满意度最高、绿色度最高。

[0014] ①产品层，产品总体目标为总成本C最低、客户满意度最高和绿色度最高：式中，Ci为第i个模块在分派的技术指标为fti、环境
指标为fgi时的成本。

[0015]j个零件在分派的技术指标为ftij、环境指标为fgij时的成本；Ni为第i个模块包含的零件数目。

[0016] ③零件层，产品分解的最低层为零件，产品配置设计是从每个零件所对应的结构中选择一个，组合成相应的模块结构，各模块结构再组合成产品方案。

[0017] (4)确定型模块优化配置模型及求解

[0018] 产品绿色设计的模块优化配置为三层多目标规划模型，每层都是包含三角模糊数多目标不确定优化问题，可以将其转化为确定型优化问题；首先，按三角模糊数运算法则，进行不确定优化模型内数据计算，然后采用加权重心法，进行清晰化，这样就转换得到一个确定型的模块优化配置模型，模块配置问题属于典型的组合最优化困难问题，是NP-Hard问题，尤其当模块多、组合规模大时，采用遗传算法进行求解。

[0019] 本发明方法有效提高企业的资源利用率，降低能耗，减小对环境的影响。附图说明

[0020] 图1为本发明方法的产品功能-结构映射树示意图。

[0021] 图2为本发明方法的产品绿色设计的多重广义算子模型示意图。

[0022] 图中K31表示产品层的粗粒度广义算子；K21、K22、…、K2N表示模块层的中粒度广义算子；在模块层中，K2i(i＝1,2,Λ,N)也是寻求i个模块成本最低、技术指标最优和绿色度最高的优化算子。K11、…、K1L、K1L+1、…、K1M表示零件层的细粒度广义算子，是计算零件结构的绿色度和确定其技术指标满意度、成本。R31、R32、…、R3N、R21、…、R2L、R2L+1、…、R2M表示多重广义算子模型中各层之间的纵向关系模型。从产品层向下到模块层是分派成本、技术指标、绿色度等需求指标；而从模块层向上集结这些指标的设计值到产品层，形成产品总体设计方案的目标值。故产品层与模块层的广义关系算子R3i是第i(i＝1,2,Λ,N)个模块权重；模块层与零件层的广义关系算子R2j(j＝1,2,Λ,M)是第j个零件权重。Y211、Y221、…、Y2N1表示多重广义算子模型中模块层模块之间的横向关系模型；在模块层，Y2ij表示第i个模块与第j个模块的关系；设某产品有N个模块，可构造模块间的关联矩阵：根据A可计算出模块权重R3i。Y111、…、Y1L1、…、Y1M1表示零件之间的横向关系模型；Y1ij表示第i个零件与第j个零件的关系；设某模块有M个零件，可构造零件间的关联矩阵：根据B可计算出零件权重R2j。

[0023] 图3为本发明实施例中起升装置绿色配置设计的多重广义算子模型示意图。

[0024] 图4为本发明实施例的仿真运行结果图。

具体实施方式

[0025] 实施例：

[0026] 本实施例以某桥式起重机起升装置的绿色配置设计为例，说明模型建立及其求解的具体方法和步骤，其结果验证了所提出方法的有效性。

[0027] 设有某用户定制某桥式起重机的起升装置，厂家需要基于起升装置现有的模块对其进行绿色配置。根据桥式起重机起升装置的功能-结构映射树，可以建立其绿色配置设计的多重广义算子模型，如图3所示。

[0028] 模块之间、零件之间的横向广义关系算子由模块之间、零件之间的关联矩阵决定，并计算出产品层和模块层之间、模块层与零件层之间的纵向广义关系算子(这里为模块、零件的权重)，已标明在图中。

[0029] 电气传动系统、制动装置、减速器、取物装置和卷绕装置等各有2-3种结构可供选择；从它们之中各选1个，可组合配置成一种起升装置的设计方案。对这些可选结构的价格、技术和绿色性(按前面所述绿色度计算公式确定)指标评价见表1所示。

[0030] 表1起升装置各零件结构评价的属性值

[0031]

[0032] 在表1中，与度量绿色准则指标类似，也采用5个语言标度来评价各零件结构的价格、技术和绿色性指标，其中“很好”，即[0.6,0.8,1]的评价等级最高。

[0033] 起升装置绿色配置设计的目标函数：① ②③ 式中，ω1＝0.27,ω2＝0.35,ω3＝0.38，和表示电气传动系统
(i＝1)、传动机构(i＝2)和起降机构(i＝3)的价格、技术和绿色性评价的属性值，用三角模糊数表达。和对应表1中的第一行或第二行的属性值。

[0034] ④ ⑤ ⑥ ⑦ ⑧⑨ 式中，ω21＝0.2,ω22＝0.15,ω31＝0.25,ω32＝0.13，和对应
表1中的第三行或第四行或第五行的属性值；和对应表1中的第六行或第七行的属性值；和对应表1中的第八行或第九行的属性值；和对应表1中
的第十行或第十一行或第十二行的属性值。皆用三角模糊数表达。

[0035] 将式①至式⑨合并，得到起升装置绿色配置设计的总体目标函数：

[0036] 式中，ωc,ωt,ωg分别为价格因素、技术性和绿色性在总体目标中的比重，即权重。

[0037] 该起升装置共有模块组合方式，即72种配置设计方案。完全靠人工手算费间、费事，采用遗传算法让计算机自动求解。

[0038] 算法采用“染色体按零件分段、段内按零件所对应结构排列”的二进制编码方法。

[0039] 本绿色配置设计的目标函数为产品的价格、技术和绿色性评价值最高,属于极大化问题,因此遗传算法中，规模为M的种群中个体k(k=1,2,…,M)的适值函数定义为：fk＝Ak；其中，Ak为本代中个体k的价格、技术和绿色性综合评价值，按总体目标函数计算。

[0040] 采用按比例的适应度分配法，个体k的适应度为fk,则k被复制的概率为：

[0041] 采用单点交叉法，交叉概率为pc。记参与交叉运算的两个体为m和f，选择一随机整数q(1≤q≤J，J为染色体长度值)，由m和f通过在q点交叉运算产生两个后代分别d和s。在d的任务链表中，前q个位置继承于m，而后J-q个位置来自于f，s。的形成过程类似。

[0042] 由于采用二进制编码，变异操作是以概率pm随机翻转种群中个体的某基因位。交叉操作和变异操作后，都需要验证约束条件是否满足。若不满足，则本次操作结果取消，重新进行交叉操作或变异操作，直到满足约束条件为止。

[0043] 具有最佳适应度值的个体称为优良个体，在算法中从上一代中复制一定数量h的优良个体直接进入下一代，有利于优良个体特性的传播和对后代的教育作用。这样，算法流程如下所示：

[0044] 初始化参数：M、N、pc、pm、h采用随机方法产生初始种群POP0，并计算个体适应度值；

[0045] n=0

[0046] WHILE n

[0047] 比例复制M个个体并两两匹配；

[0048] 对匹配后的个体利用交叉算子进行操作，生成POP’n；

[0049] 利用变异算子对POP’n进行操作，生成POP”n；

[0050] 计算POP”n个体的适应度值和h；

[0051] 从POPn中选择h个最优个体，从POP”n选择M-h个最优个体形成POPn+1[0052] n=n+1

[0053] ENDWH IL E;

[0054] 输出POPN中适应度值最好的个体;

[0055] 设ωc,ωt,ωg都为0.5，建立其绿色配置设计的不确定组合优化模型，并将其转换为确定型规划模型。

[0056] 由于有12个基本零件结构单元，所以染色体总长度为12。采用二进制编码，则染12
色体数为2 ，种群规模M取10，迭代代数N取20，交叉概率pc取0.8，变异概率pm取0.05，直接进入下一代优良个体数h取2。

[0057] 在MATLAB7.1环境中，编写了遗传算法程序，对本实例的模型进行GA求解的仿真测试。结果如图4所示。在图4中，左边为各代平均适用度值(已归一化，用‘*’表示）；右边2列为遗传算法求解后的最优个体，即100101010010，表示得到理想的绿色配置设计方案：电气传动系统选择晶闸管定子调压YZR型绕线转子电动机、传动机构选择电力液压块式制动器和QJ型起重机圆柱直齿齿轮减速器、起降机构选择短型钓钩式取物装置和短轴式卷筒的卷绕装置。

标题	发布/更新时间	阅读量
一种模拟电路多参数鲁棒稳定性分布分析的方法	2020-05-18	994
基于疾病控制论的中枢神经系统损伤疾病的康复方法	2020-05-22	113
一种考虑弧长随机变化的动态电弧模型构建方法	2020-05-08	713
一种光电稳定平台控制器在线自整定方法及装置	2020-05-13	378
一种工件抓取装置	2020-05-11	147
Social Identity Models for Automated Entity Interactions	2020-05-19	709
Social identity models for automated entity interactions	2020-05-20	539
부도체-도체 전이현상을 이용한 뉴런 소자를 포함한 고집적 뉴로모픽 시스템 및 고집적 뉴로모픽 회로	2020-05-15	643
GALVANIC SKIN RESPONSE DETECTION WITH CRANIAL MICRO DIRECT CURRENT STIMULATION	2020-05-13	6
PROCEDE ET DISPOSITIF DE DETECTION D'UN CHANGEMENT DE COMPORTEMENT DE CONDUCTEUR D'UN VEHICULE AUTOMOBILE	2020-05-17	790

针对包含不确定因素的产品绿色优化设计问题的解决方法

针对包含不确定因素的产品绿色优化设计问题的解决方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：