CN107451681B - 一种复杂定制装备的层次反馈需求数据预测方法 - Google Patents

Abstract

本发明公开了一种复杂定制装备的层次反馈需求数据预测方法。对复杂定制装备构建需求分层模型；由需求和创新之间关系，构建装备创新方案反馈数据模型，并存储于装备创新方案数据库中；用创新数据需求预测法，依次进行相关值计算、相关性筛选、决定因素分类、需求分布计算和阶段性对比，最终得到需求分布，作为用于复杂定制装备设计的隐层需求反馈。本发明针对复杂装备设计过程中，设计方向不明确、需求来源不明显、需求变化幅度大的特点，从根源上分析需求的影响因素，以产品需求者的需求为导向，构建多层需求模型、需求和创新关联模型，利用创新大数据，合理地对需求进行了预测。

Description

一种复杂定制装备的层次反馈需求数据预测方法

技术领域

本发明涉及一种需求数据预测方法，尤其是涉及一种复杂定制装备的层次反馈需求数据预测方法。

背景技术

需求预测作为未来工业智能制造发展的一部分，已经得到广泛关注。现有需求方法主要是：对客户的需求进行调查，并对不同需求属性进行重要程度区分，利用三角模糊函数对需求进行去模糊化，进而运用产品质量屋构建需求—技术矩阵计算出机制重要度，最后利用预测模型如自回归滑动平均模型、灰色预测、马尔科夫链、神经网络等对需求重要度或者技术重要度进行预测，从而对下一阶段的设计做出方向性指导。

目前，现有的预测模型都着重考虑以往公司的累积经验，利用已有数据，发现其发展规律，做出合理的预测。这样有利于预测的稳定性，但是还存在一些不足，其中最大的缺陷就在于没有充分考虑时效性影响因素的影响。这些动态变化的影响因素没有规律可循，但是又有着不可忽视的影响效果。定制装备是装备生产企业根据装备使用企业的个性化需求订单而设计出的个性化装备。由于个性化需求难以预测，装备生产企业需要花大量时间对各个订单逐一设计。对于复杂定制装备，其需求来源于装备购买厂家，而厂家的购买需求受到大众消费者的需求影响，目前对这种层层关联的需求进行预测的方法并不多。企业的创新是为了满足消费者的需求，创新带来的生产加工变化反馈到复杂装备上就是一种新需求的提出，对于这种多层次、创新需求关联的预测方法需要得到广泛研究。

发明内容

本发明的目的在于提出一种复杂定制装备的层次反馈需求数据预测方法，分析复杂装备需求的影响因素，构建出需求分层模型和需求创新关联模型，进而构建创新方案数据库，使用创新数据需求预测法预测出复杂定制装备在下一时刻的需求分布及其偏差，为复杂装备模块演进、创新提供指导。

为了实现上述目的，本发明采用技术方案是方法步骤如下：

1)对复杂定制装备构建需求分层模型；

2)由需求和创新之间关系，构建装备创新方案反馈数据模型，在后续步骤利用装备创新方案反馈模型创建方案、信息传递和需求反馈，并存储于装备创新方案数据库中；

3)用创新数据需求预测法，依次进行相关值计算、相关性筛选、决定因素分类、需求分布计算和阶段性对比，最终得到需求分布，作为用于复杂定制装备设计的隐层需求反馈。

具体实施中还根据实际的需求和隐层需求进行对比，获得预测的需求偏差，设计结果供应满足中层需求的复杂定制装备。

如图2所示，构建了具备三层客体、两层需求的需求分层模型，所述的需求分层模型具体为：根据复杂定制装备的生产需求和使用需求将客体分为定制装备生产产品的需求者、使用定制装备的企业和生产定制装备的企业，以定制装备生产产品的需求者作为表层，以使用定制装备的企业作为中间层，以生产定制装备的企业作为底层，以表层对中间层提出的需求为表层需求，以中间层对底层提出的需求为隐层需求，以此确定各个客体之间，需求之间的关系。

图1是复杂定制装备层次反馈需求预测总图，其中的三层客体，两层需求是核心部分。表层定制装备生产产品的需求者和中间层使用定制装备的企业通过需求和创新方案的信息交流与反馈，得到了创新方案数据库，底层生产定制装备的企业利用创新方案数据库，通过创新数据需求预测法，依次进行相关值计算、相关性筛选、决定因素分类、需求分布计算和阶段性对比，最终得到需求分布，作为用于复杂定制装备设计的隐层需求反馈。

图3是创新方案反馈数据模型，根据需求传递顺序，明确三个重要客体，即表层—定制装备生产产品的需求者，中间层—使用定制装备的企业，底层—生产定制装备的企业。首先表层对中间层提出产品功能需求—表层需求，导致中间层对底层提出装备改进需求—隐层需求。确定隐层需求需要间接的确定表层需求。由需求和创新的联系，构建了创新方案数据结构P，创新方案是表层和中间层间的信息传递的集成表示。表层对产品的改进需求衍生出中间层对产品的创新方案，表层和中间层通过互联网平台交互，不断的优化、改进、推出新方案，表层对产品需求的升级，提出新的改进，在这个过程中大量的创新方案构成了创新方案数据库。对该数据库的利用，信息的挖掘能够预测出隐层需求。

所述步骤2)创新方案数据库构建方式如下：装备创新方案反馈数据模型中，对每个复杂定制装备中的每个零件，构建一个创新方案结构P，P表示为P＝{name,part,process,material,size,content}，其中name表示零件产品名，part表示零件所属于的部件位置，process表示零件的加工工艺要求，material表示零件的所用材料，size表示零件的外形尺寸，content表示零件的具体方案内容；其中前五个name,part,process,material,size是基本属性。

一个创新方案对应一个创新方案结构P，所有零件的创新方案结构P组成装备创新方案数据库。

所述步骤3)具体如下：

3.1)由底层的生产定制装备的企业提供的筛选条件集合M，结合每个创新方案结构P采用以下公式进行相似度计算，获得第一相关度矩阵F；

3.2)相似度筛选，通过判断第一相关度矩阵F[i,j]是否大于预设阈值A来对第一相关度矩阵F进行筛选；

3.3)对相关创新方案进行分类，将由底层的生产定制装备的企业提供的设计需求不明确的装备模块S，并结合装备创新设计决定性因素集合N进行相似度计算，设计需求不明确的装备模块S是由底层的生产定制装备的企业对装备设计的模块进行统计选出，装备创新设计决定性因素集合N影响了装备模块S的结构参数，获得第二相关度矩阵G：

3.4)第二相关度矩阵G中将同列元素相加获得决定因素判别矩阵H；

3.5)由决定因素判别矩阵H多阶段处理获得分类矩阵L；

3.6)预先设定分类阈值B(取相关程度值为0.8以上)，比较分类矩阵L中的每个元素和分类阈值B，将相关创新方案结构集合C中所有的相关创新方案结构根据决定性因素分类；

3.7)计算获得需求分布W。

优选地，所述步骤3)具体如下：

3.1)由筛选条件集合M的每个元素和创新方案结构P的每个元素计算后构成与各个创新方案结构P对应的第一相关度矩阵F；第一相关度矩阵F中保存了方案P中各个基本元素与筛选条件M中各个具体筛选信息的相关度数值。

F[i,j]＝sim<M[i],P[j]>

其中，sim表示相似度计算函数，M[i]表示筛选条件集合M中的第i个元素，P[j]表示创新方案结构P中的第j个元素，i＝1…k，j＝1…r-1，k表示筛选条件集合M中元素总数，i表示筛选条件集合M中元素序数，r表示创新方案结构P中元素个数，j表示创新方案结构P中元素序数，F[i,j]表示第一相关度矩阵F中的第i行第j列元素的值；

筛选条件集合M表示如下：

M＝{m1,m2,…mk}

其中，m1,m2,…mk均为具体筛选要求；

3.2)采用以下方式判断来对与所有创新方案结构P对应的第一相关度矩阵F进行筛选：如果第一相关度矩阵F中只要有一个元素满足大于预设阈值A(一般相关度值在0.75以上则认为两者意思相同)，则将第一相关度矩阵F对应的创新方案结构P作为相关创新方案结构c，存储到相关创新方案结构集合C中，C＝{c1,c2,…,ci,…,cz}；

3.3)由装备创新设计决定性因素集合N的每个元素和相关创新方案结构集合C的每个元素采用以下公式计算后构成与各个相关创新方案结构c对应的第二相关度矩阵G，第二相关度矩阵G[i,j]表示C中每个基本元素与每个决定性因素之间的相关度值：

G[x,y]＝sim<N[x]，c[y]>

其中，sim表示相似度计算函数，N[x]表示装备创新设计决定性因素集合N中的第x个元素，c[y]表示相关创新方案结构c中的第y个元素，x＝1…e，y＝1…r-1，r表示相关创新方案结构c中的元素个数，y表示相关创新方案结构c中元素序数，e表示装备创新设计决定性因素集合N中元素总数，x表示装备创新设计决定性因素集合N中元素序数，G[x,y]表示第二相关度矩阵G中的第x行第y列元素的值；

装备创新设计决定性因素集合N表示如下：

N＝{n1，n2…ne}

其中，n1,n2…ne均为具体决定性因素；

3.4)将第二相关度矩阵G每列中的各个元素累加，得到1行r-1列的决定因素判别矩阵H；不同的相关创新方案结构c计算得到不同的第二相关度矩阵G，不同的第二相关度矩阵G每列累加对应获得不同的决定因素判别矩阵H，决定因素判别矩阵H中各个元素表示矩阵c中各个基本元素与决定因素的相关值之和，其值的大小可以表征基本元素与决定因素的相关程度。

3.5)由相关创新方案结构集合C中所有相关创新方案结构c对应获得的决定因素判别矩阵H组成第三相关度矩阵I，I＝H1+H2+…Hz；

对于第三相关度矩阵I，这是一个1行r-1列的矩阵，每列的值表征了所有相关创新方案c的基本属性与决定性因素的相关程度找到其中最大值元素所在列所对应的相关创新方案结构c中的基本属性作为划分创新方案类别的基准属性，将所有相关创新方案结构c对应的基准属性信息合并到集合J中：

J[i]＝ci[u]

其中，J[i]表示基准属性信息集合J中的第i个元素，ci[u]表示第i个相关创新方案结构c中的第u个基本属性，并且该基本属性对应的相关度数值在第三相关度矩阵I中的所有值中是最大的；

对基准属性信息集合J采用以下公式构建分类矩阵L：

L[a,b]＝sim<J[a]，J[b]>，a≠b

其中，J[a]表示基准属性信息集合J中的第a个元素，J[b]表示基准属性信息集合J中的第b个元素，L[a,b]表示分类矩阵L中的第a行第b列元素的值，取值为第a个方案的第u个基本属性与第b个方案的第u个基本属性的相似性程度，a＝1,2,3…z,b＝a+1,a+2,a+3…z，z表示相关创新方案结构集合C中的元素总数；

3.6)针对每一行，将分类矩阵L中大于分类阈值B的元素所对应的所有相关创新方案结构c归为一类相似创新方案集合Vt，若某两相似创新方案集合Vm和Vn中存在共同的相关创新方案结构cx，则将Vm和Vn合并为同一类相似创新方案集合Vx，所有相似创新方案集合的集合为V＝{V1,V2,…Vt,…Vq}，t为相似创新方案集合的序数，q为相似创新方案集合的总数；

3.7)采用以下方式计算需求分布W：

W[t]＝f(Vt)/z

其中，f(Vt)为取相似创新方案集合Vt中元素个数的函数，z表示相关创新方案结构集合C的创新方案总数；矩阵W[t]表示第t类相似创新方案集合Vt中相关创新方案结构c的个数占总方案结构数z的百分比。

需求分布矩阵W＝[w1,w2,…]可以直观的描述由表层需求引导的创新方案在底层设计的不确定因素在总数中的比值情况。

后续可再对两个需求分布矩阵做如下计算，得到需求分布偏差δ，需求分布偏差δ的计算公式如下：

δ＝W₁—W₀

其中，已知现有产品的需求分布矩阵为W₀，本发明预测获得的需求分布矩阵为W₁。

需求分布偏差矩阵δ能够直观的表示下一时期的需求相对本时期需求的变化情况。将它作为最后需求预测的结果，输出到底层，对产品创新方案设计进行针对性作用。

本发明具有的有益效果是：

1.采用复杂定制装备层次反馈的需求预测方法可以有效的对复杂定制装备的定制需求进行预测，提前设计出满足各个中间层定制装备使用企业的新产品族，大大缩短了设计周期。

2.本发明提出的需求分层模型和创新需求层次反馈模型能够准确的分析多层需求的变化以及影响因素，有利于多层需求的预测方向发展。

3.本发明提出的创新数据需求预测法可以从创新方案数据库中定向挖掘出需求变化趋势，并且考虑了不确定因素的影响，为波动较大的需求预测提供了有效的方法。

附图说明

图1是本发明的复杂定制装备层次反馈需求预测总图。

图2是本发明的复杂定制装备需求分层模型。

图3是本发明的复杂定制装备创新需求层次反馈模型。

图4是本发明的创新数据需求预测法。

具体实施方式

下面结合附图和实施例对本发明做进一步的说明。

本发明的实施例及其实施过程如下：

注塑机是社会生产中一个必不可缺的制造机器。但是注塑材料不同，对注塑机的螺杆参数的影响很大，如果使用一种参数的螺杆去注塑多种材料的注塑元件，生产出的产品的质量、精度会大大降低。下面就注塑机螺杆这一复杂装备关键模块的需求预测做简单阐述。

1、对复杂定制装备构建需求分层模型

分析注塑机的需求来源，构建需求分层模型，表层—注塑产品的使用者，中间层—用注塑机生产注塑产品的企业，底层—生产注塑机的企业，表层需求—注塑产品改进需求，隐层需求—注塑机改进需求。

2、由需求和创新之间关系，构建装备创新方案反馈数据模型，在后续步骤利用装备创新方案反馈模型创建方案、信息传递和需求反馈，并存储于装备创新方案数据库中。

中间层利用互联网平台，调查使用注塑产品的消费者的使用意见，采集改良建议，包括外观性状，触摸手感，材质硬度，材料质感等需求。中间层的设计师，对采集到的需求做出解决方案，即创新方案。两层客体在互联网环境下交流反馈，大量的创新方案汇聚成创新方案数据库。其中创新方案以P结构的形式存储，如P5＝{笔记本，b面外壳，注塑成型，聚氯乙烯(pvc)，264*386*5，为了改善外壳质量，同时达到好的外观、触摸效果，采用pvc注塑一次成型以提高强度，外表采用磨砂工艺升级触感，表面粗糙度Ra12.5}

3、用创新数据需求预测法，依次进行相关值计算、相关性筛选、决定因素分类、需求分布计算和阶段性对比，最终得到需求分布，作为用于复杂定制装备设计的隐层需求反馈。

3.1、底层注塑机生产企业想要对注塑机的螺杆模块在未来的阶段进行预测，提出的筛选条件M＝{塑料，注塑}，将M输入到创新方案数据库中，对每一个创新方案P依次计算第一相关度矩阵F，并判断F中是否存在大于阈值A＝0.75的数值，若存在F[i,j]>A，则由此筛选出与M＝{塑料，注塑}相关的创新方案集合C。第一相关度矩阵F和相关创新方案集合C的结构如下：

C＝[c1，c2…ci…cz]

3.2、底层分析螺杆模块的影响因素如下表：

上表中可见螺杆关键结构参数L1和L2受到注塑材料影响很大，说明对螺杆模块影响因素最大的即为注塑材料种类。

输入影响因素N＝{材料类型}，对相关创新方案结构c，依次计算c中元素与N中元素的相关性数值，得到第二相关度矩阵G，第二相关度矩阵G的结构如下：

将第二相关度矩阵G中的各列元素累加，得到决定因素判别矩阵H，因素判别矩阵H的结构如下：

每一个相关创新方案c计算得到一个因素判别矩阵H，将所有的H相加，得到综合所有方案的决定性因素影响的第三相关度矩阵I，I＝H1+H2+…Hz；

第三相关度矩阵I其中最大值元素所在列所对应的相关创新方案结构c中的基本属性作为划分创新方案类别的基准属性u。在本例中通过计算可以得到c中与材料类型相关的即为material属性，即第4基本属性为关键属性。

以material属性为基准，提取所有c方案的material属性，存与J矩阵中，对J中元素进行两两计算相似度数值，得到分类矩阵L。将L中的各个数值与分类阈值B进行比较，最后将相关创新方案集合C分为q类。假定分类结果如下：

V1＝[c1,c5,c6,c8…]PC集合

V2＝[c2,c3,c11,c25…]PMMA集合

V3＝[c4,c7,c9,c10..]PA集合

…

Vq＝[c12,c20,c23,c24…]PVC集合

3.3各类代表了各种材料的创新方案集合，对各类求需求分布，需求分布矩阵W则反映各个材料在总方案中的使用程度。若W计算结果如下：

W＝{0.21，0.33，0.17，0，0.29}

则表示使用PC材料创新方案集合占总方案数的0.21，PMMA为0.33，PA为0.17，PA为0，PVC为0.29。

若W₀＝{0.13,0.21,0.27,0.19,0,20}，可求得需求分布偏差δ，其值为：

δ＝{0.08,0.12,0.10,-0.19,0.09}

δ的数值可以直观的反映下阶段表层对注塑产品材料的需求变化，由此能够提前设计出满足中间层需求的螺杆模块系列，当中间层企业提出需求时，就能智能匹配，提供合适的注塑机。

Claims (1)

1.一种复杂定制装备的层次反馈需求数据预测方法，其特征在于，该方法的步骤如下：

1)对复杂定制装备构建需求分层模型；

2)由需求和创新之间关系，构建装备创新方案反馈数据模型，并存储于装备创新方案数据库中；

3)用创新数据需求预测法，依次进行相关值计算、相关性筛选、决定因素分类、需求分布计算和阶段性对比，最终得到需求分布，作为用于复杂定制装备设计的隐层需求反馈；

所述的需求分层模型具体为：根据复杂定制装备的生产需求和使用需求将客体分为定制装备生产产品的需求者、使用定制装备的企业和生产定制装备的企业，以定制装备生产产品的需求者作为表层，以使用定制装备的企业作为中间层，以生产定制装备的企业作为底层，以表层对中间层提出的需求为表层需求，以中间层对底层提出的需求为隐层需求，以此确定各个客体之间，需求之间的关系；

所述步骤2)创新方案数据库构建方式如下：装备创新方案反馈数据模型中，对每个复杂定制装备中的每个零件，构建一个创新方案结构P，P表示为P＝{name,part,process,material,size,content}，其中name表示零件产品名，part表示零件所属于的部件位置，process表示零件的加工工艺要求，material表示零件的所用材料，size表示零件的外形尺寸，content表示零件的具体方案内容；其中前五个name,part,process,material,size是基本属性；

所述步骤3)具体如下：

3.1)由底层的生产定制装备的企业提供的筛选条件集合M，结合每个创新方案结构P采用以下公式进行相似度计算，获得第一相关度矩阵F；

3.2)相似度筛选，通过判断第一相关度矩阵F[i,j]是否大于预设阈值A来对第一相关度矩阵F进行筛选；

3.3)对相关创新方案进行分类，将由底层的生产定制装备的企业提供的设计需求不明确的装备模块S，并结合装备创新设计决定性因素集合N进行相似度计算，获得第二相关度矩阵G：

3.4)第二相关度矩阵G中将同列元素相加获得决定因素判别矩阵H；

3.5)由决定因素判别矩阵H多阶段处理获得分类矩阵L；

3.6)预先设定分类阈值B，比较分类矩阵L中的每个元素和分类阈值B，将相关创新方案结构集合C中所有的相关创新方案结构根据决定性因素分类；

3.7)计算获得需求分布W；

所述步骤3)具体如下：

3.1)由筛选条件集合M的每个元素和创新方案结构P的每个元素计算后构成与各个创新方案结构P对应的第一相关度矩阵F；

F[i,j]＝sim<M[i],P[j]>

其中，sim表示相似度计算函数，M[i]表示筛选条件集合M中的第i个元素，P[j]表示创新方案结构P中的第j个元素，i＝1…k，j＝1…r-1，k表示筛选条件集合M中元素总数，i表示筛选条件集合M中元素序数，r表示创新方案结构P中元素个数，j表示创新方案结构P中元素序数，F[i,j]表示第一相关度矩阵F中的第i行第j列元素的值；

筛选条件集合M表示如下：

M＝{m1,m2,…mk}

其中，m1,m2,…mk均为具体筛选要求；

3.2)采用以下方式判断来对与所有创新方案结构P对应的第一相关度矩阵F进行筛选：如果第一相关度矩阵F中只要有一个元素满足大于预设阈值A，则将第一相关度矩阵F对应的创新方案结构P作为相关创新方案结构c，存储到相关创新方案结构集合C中，C＝{c1,c2,…,ci,…,cz}；

3.3)由装备创新设计决定性因素集合N的每个元素和相关创新方案结构集合C的每个元素采用以下公式计算后构成与各个相关创新方案结构c对应的第二相关度矩阵G：

G[x,y]＝sim<N[x]，c[y]>

其中，sim表示相似度计算函数，N[x]表示装备创新设计决定性因素集合N中的第x个元素，c[y]表示相关创新方案结构c中的第y个元素，x＝1…e，y＝1…r-1，r表示相关创新方案结构c中的元素个数，y表示相关创新方案结构c中元素序数，e表示装备创新设计决定性因素集合N中元素总数，x表示装备创新设计决定性因素集合N中元素序数，G[x,y]表示第二相关度矩阵G中的第x行第y列元素的值；

装备创新设计决定性因素集合N表示如下：

N＝{n1，n2…ne}

其中，n1,n2…ne均为具体决定性因素；

3.4)将第二相关度矩阵G每列中的各个元素累加，得到1行r-1列的决定因素判别矩阵H；

3.5)由相关创新方案结构集合C中所有相关创新方案结构c对应获得的决定因素判别矩阵H组成第三相关度矩阵I，I＝H1+H2+…Hz；

对于第三相关度矩阵I，找到其中最大值元素所在列所对应的相关创新方案结构c中的基本属性作为划分创新方案类别的基准属性，将所有相关创新方案结构c对应的基准属性信息合并到集合J中：

J[i]＝ci[u]

其中，J[i]表示基准属性信息集合J中的第i个元素，ci[u]表示第i个相关创新方案结构c中的第u个基本属性，并且该基本属性对应的相关度数值在第三相关度矩阵I中的所有值中是最大的；

对基准属性信息集合J采用以下公式构建分类矩阵L：

L[a,b]＝sim<J[a]，J[b]>，a^≠b

其中，J[a]表示基准属性信息集合J中的第a个元素，J[b]表示基准属性信息集合J中的第b个元素，L[a,b]表示分类矩阵L中的第a行第b列元素的值，取值为第a个方案的第u个基本属性与第b个方案的第u个基本属性的相似性程度，a＝1,2,3…z,b＝a+1,a+2,a+3…z，z表示相关创新方案结构集合C中的元素总数；

3.6)针对每一行，将分类矩阵L中大于分类阈值B的元素所对应的所有相关创新方案结构c归为一类相似创新方案集合Vt，若某两相似创新方案集合Vm和Vn中存在共同的相关创新方案结构cx，则将Vm和Vn合并为同一类相似创新方案集合Vx，所有相似创新方案集合的集合为V＝{V1,V2,…Vt,…Vq}，t为相似创新方案集合的序数，q为相似创新方案集合的总数；

3.7)采用以下方式计算需求分布W：

W[t]＝f(Vt)/z

其中，f(Vt)为取相似创新方案集合Vt中元素个数的函数，z表示相关创新方案结构集合C的创新方案总数；矩阵W[t]表示第t类相似创新方案集合Vt中相关创新方案结构c的个数占总方案结构数z的百分比。

Images