文摘

优化汽车产品设计的传播路径的变化,我们的复杂网络理论应用于汽车产品结构建模,建立了一个有向加权网络模型汽车的一部分。在这个模型中,我们定义了部分节点之间的物理连接部分的边缘,和变化的影响传播作为边的权值。根据改变传播的特点,我们构建了一个多目标优化模型,该模型同时考虑了开发时间,开发成本,改变的风险。使用多目标粒子群优化算法(MOPSO),我们解决了模型,并获得了帕累托最优解集,为设计师提供了一个基础来选择最优设计更改计划。我们的空调系统进行了多目标优化设计更改传播路径在一个汽车模型来验证该方法的可行性和有效性。

1。介绍

产品设计是一个动态变化的过程。从捕捉用户需求和企业偏好获得产品概念、产品开发进度和预期成本受设计变更(1]。设计变更的现象尤为重要的汽车产品的设计过程。的部分汽车产品高复杂性的特点,长期研究和开发周期,和高水平的设计耦合和自定义2]。单一部分的设计变化直接影响相邻部分的变化。设计更改传播的影响产品的全面发展的结果和带来的风险是很难估计的3]。研究汽车产品设计更改的传播路径可以有效地减少变更风险,开发时间和成本4]。不同的变化产生不同的传播路径变化实现成本与开发支出,交货期,质量损失,等等。

首先,氮化镓等人构建一个扩展Petri网模型来描述产品属性设计变化的传播关系(5]。王等人提出了一种优化方法的机械产品基于一个维度改变传播路径parameter-associated网络模型(6]。殷等人提出了一个基于复杂理论最优传播路径变化,使用这种方法,开发支出的成本,交货期和质量损失变化可以最小化(7]。

另一方面,Tohidi AlGeddawy提出了两个数学模型来优化一个被动的使用模块化装配夹具计划自动装配系统通过考虑不同的生产情况和约束(8]。魏等人开发了一种多目标重新分配模型与一个可行的假设任务执行时间是可控的,在执行时间压缩策略提出了在产品设计过程中(9]。李等人提出了一种数据驱动机制来构建设计更改模型与改进的树突神经网络(10]。李等人开发了一个通用模型,描述了基于复杂网络的动态设计更改传播(11]。德莱尼等人回顾了产品设计的基本因素有能力影响和提高产品的整体环境可持续性12]。设计更改的部分可以沿着不同路径传播。通过改变不同的部分来满足最初的变化需求,设计师可以选择相应的传播路径和做决定12,13]。因此,对于传播路径变化的非唯一性的特点,它的现实意义研究复杂产品设计变化的传播路径,考虑到产品开发时间,成本和风险因素。

在本研究中,基于复杂网络(13,14),我们进行了多目标优化设计更改传播路径。我们首先建立网络的物理连接关系复杂产品零件。接下来,我们介绍了开发时间的优化目标,开发成本,和变化的风险,我们建立了一个多目标优化模型的基础上,设计更改传播的特征。然后,我们解决了模型,通过迭代得到帕累托解集使用多目标粒子群优化算法(MOPSO) (14]。我们达到了有效控制传播的汽车产品设计更改,可以迅速为设计者提供设计更改计划提高设计的灵活性。

2。模型建设

2.1。网络部分的建设

可以描述复杂的相互关系的复杂网络模型(15,16]领域的自然科学、社会科学、管理科学、工程技术等。近年来,四种类型的复杂网络模型(无向和未加权的网络,无向加权网络,和未加权的网络,和导演和加权网络)提出了(16]。可以表示为一个复杂的网络 ,在哪里 代表了节点和的集合 ( , )代表的边缘。一个复杂的产品由很多部分组成。在网络中,每个部分抽象为节点和两个部分之间的结构连接关系被抽象为一个优势。根据研究对象在这一领域,一些研究人员使用部分设计参数(17),设计任务(18),和部分(19作为网络的节点。因为我们学习的优化开发过程变化的传播与部分开发单位,我们使用有向加权网络模型的模型产品的水平。在传播的设计变化,变化的上游部分影响了下游部分。映射到网络设计更改传播优势的方向和部分连接网络可以用邻接矩阵表示一个(组成元素一个_ij)。 在元素一个_ij≥0是重量的优势直接加权网络,由边缘的厚度图1,这显示了邻接矩阵的转换直接加权网络。

2.2。设计更改传播

由于本研究的网络模型建立部分低粒度和研究对象的汽车产品,模型假设包括设计迭代;也就是说,每个部分在传播过程中可能经历多个变化。有两种模式的设计更改传播部分:串行和并行传播传播。在串行传输模式中,一部分的变化只能传播到一个连接部分。在平行传播模式中,一部分的变化可以同时传播到两个或两个以上的连接部分。平行传播路径是由多个串行传播路径。我们只研究了串行传播,也就是说,只有一部分可以选择一次搜索路径。

为了建立传播过程模型中,我们介绍了传播的可能性和传播的影响。传播的可能性l_ij上游部分的可能性吗我影响下游部分j在时间间隔(可能性l_ijl,l_iju)。l_ijl是最低传播的可能性。l_iju是最大的传播可能性。对传播的影响我_ij的设计比上游部分我与下游部分j传播的可能性l_ij。传播的可能性和传播影响的范围在0到1。传播和传播影响可能性矩阵是由经验丰富的设计和制造工程师使用设计更改数据库。此外,权重的设计和制造工程师的意见在各自专业领域被认为是为了获得更合理的传播可能性和传播影响矩阵。我_ij0代表的最大传播造成的设计比上游部分我下游部分j最大的传播可能性,我_0我代表了最初的最初改变节点的变化的影响我。的传播影响kth迭代计算根据以下:

在改变的过程中传播,传播的可能性越小,越少的下游部分受到影响。我们有以下假设。在k设计迭代过程,传播可能性和传播的影响是线性相关的。的方程,代表了设计师的熟悉或学习结果部分的设计。因为我_ij0还不到一个,代表了传播的影响在随后的减少设计迭代。这是因为作为设计师更加熟悉设计单位,设计单位的设计更改的影响减弱。l_ij(k)代表传播的可能性k迭代的上游部分我下游部分j。在改变的过程中传播,是传播影响较小的上游部分,这是不太可能的部分影响其下游地区。因此,假设传播的可能性kth设计迭代与传播的影响,传播的可能性kth迭代是如下: 在哪里我_我−1我(k)代表的影响kth传播部分我的上游部分的设计部分我。在这项研究中,假设当初始变化的影响小于0.001,传播的传播改变停止。

2.3。多目标优化

由于激烈的市场竞争,公司需要开发高质量、低成本的产品,同时,公司需要缩短产品开发周期,提高设计的灵活性。设计更改传播扩展产品交货时间,增加开发成本。改变处理消耗大量的人力和物力资源。决定如何平衡开发时间和开发成本,如何减少变化风险是许多企业面临的关键问题,在变更控制。设计变更的传播有着深刻影响的设计阶段和生产阶段的产品。因此,我们认为开发时间,开发成本,改变风险的优化目标。文献[13]提出的方法分析变更的影响基于可能性的影响。本研究中定义的变化风险直接改变风险,不包括间接改变的风险。变化的风险r_ij产品的传播可能性和改变传播的影响,如方程所示(4)。传播过程如图2。

假设每个部分都有一个固定的开发时间和开发成本。对于不同的传播影响,每个部分的重建成本和时间是不同的:传播影响越大,越大合成开发成本和开发时间。因此,开发时间,开发成本,改变每个变更的风险传播路径,和模型的目标函数可以定义如下: 在哪里T代表所有部分的总开发时间的变化传播路径,C代表总开发成本,R代表总变化风险。T_我和C_我开发时间和开发成本的一部分我,分别。l_我−1我代表了传播的可能性的上游部分的设计变化的部分我宣传部分我。我_我−1我代表了设计变更的影响在一个上游部分的一部分我宣传部分我。n是数量的总和改变传播路径上的所有部分的变化。因为设计变更在实际工程消耗大量人力和物质资源,优化模型的复杂产品设计更改传播也需要满足中定义的约束方程(6),C_米和T_米代表了最大的开发成本和时间最长的产品交货时间,分别,产品设计变化可以接受。

2.4。基于MOPSO Model-Solving过程

传统的数学规划方法很难解决上述多目标组合问题在合理的时间内。提出(MOPSO17,20.有效地解决这些问题。该算法包括两个固定大小的解决方案集。一套用于实现全球nondominated解决方案,和另一组是用来达到历史记录的每个粒子达到最好的解决方案,这也代表着精英主义的进化算法。在迭代过程中,density-based健身计算方法被用来更新粒子的速度和位置,选择全局最优的解决方案。只有当前者控制后者是当地的解集所取代。因此,我们使用的算法来解决多目标模型设计更改传播路径。算法流程图如图3。

详细的步骤如下:

步骤1。(初始化):首先,N粒子, ,可行解空间中随机生成的初始速度 。初始种群的粒子根据目标函数进行评估。当地最好的位置将粒子本身, 。然后,本地nondominated解集的构造,nondominated寻求解决方案。其次,全球nondominated解集构造,粒子与最近的距离被选为局部最优解的全局最优解。最后,设定的迭代次数 ,和最大迭代次数设置为 。

步骤2。(速度和位置更新):速度和这个职位的 - - - - - -th粒子在 - - - - - -th迭代的 - - - - - -维空间更新根据以下方程。 在哪里是权重系数,和代表了个人学习系数和全球学习系数,分别和随机数在[0,1]。

步骤3。(Nondominated解集更新):更新的位置我th粒子添加到nondominated当地的解集 。主导解决方案被截断。然后,所有nondominated本地解决方案集的合并和nondominated解决方案集,除了那些在当地解决方案集添加到全球nondominated解集 。如果大小的超过了预定的范围内,多余的解集的一部分将被消除。复制到外部帕累托解集,并主导解决方案搜索和删除。同样,如果nondominated个体的数量在外部实现帕累托解集超过预定的范围内,截断了一个聚类算法。

步骤4。(当地最优解和全局最优解更新):如果和的最小距离吗和 ,分别被选为局部最优解和全局最优的解决方案我粒子。

第5步。(迭代)结束:如果当前迭代次数超过了最大数量的迭代,迭代停止。否则,一步2返回,进行下一次迭代。

3所示。案例分析

3.1。模型建设和解决方案

为了验证所提模型和算法的有效性,一个汽车的空调系统模型用于案例分析。空调系统包含32个部分。为了降低设计成本,节省设计时间,缩短交货时间,优化空调在汽车产品设计变化的传播路径需要执行。通过空调系统的结构模型和历史数据,并通过与大量的研发和制造工程师的空调制造公司,我们获得了邻接矩阵,每个部分的开发时间和成本。开发成本包括设计过程中所需的成本和制造过程,它主要包括材料成本、能源、设备、人力和其他相关因素。开发时间包括重新设计和制造所需的时间。开发时间是类似于开发成本的评估过程。部分列表,空调的开发时间和成本如表所示1。

根据研发和制造工程师,设计更改数据库,我们获得了改变传播可能性区间每个连接的优势,并通过最大似然的变化传播影响通过每条边,我们获得了改变风险矩阵,如表所示2。优势体重代表最大的改变传播的影响通过每条边的可能性。的价值优势体重与交叉数据的价值。的价值优势体重越大,越大的价值相应的交叉表中的数据。

压缩机是空调的电源及其设计多样化的客户需求经常变化。节点号18的压缩机是用作初始变化节点在这种情况下验证。最初的变化的影响被设置为0.6。最大可接受的解决方案的成本是1600(元)。最长的产品交货时间是10(天)。NSGA-II算法是用来解决模型。算法参数设置如下。人口规模是100。解集的大小是100。最大迭代是100。 The individual learning coefficient and the global learning coefficient were set to 1. The weight for the maximum transfer velocity was 0.8. MATLAB was used to solve the model. The Pareto optimal solution set is shown in Figure4,每个点代表一个设计更改传播路径。

获得的帕累托解集包含15个最优解。三个优化目标的变化路径和值如表所示3。以下三个改变传播计划可能会建议根据不同的设计参数(如表所示4)。这三个方案都有自己的优点和缺点。例如,开发时间的计划一个₁5.09(天),短于方案的开发时间一个₆5.5(天)。变更的风险一个₁为0.65,小于改变的风险一个₆0.8点。然而,开发的成本一个₁839.5(元),高于开发成本一个₆810.4(元)。因为本研究的模型优化的三个目标同时,包括开发时间,开发成本,和变化的风险,与其他方案相比也发生过类似的情况。这三个目标之间的冲突避免同时优化。因此,获得最优设计更改传播方案是一套方案,而不是一个计划。

3.2。方法比较

表明该方法的可行性和性能优越,我们将我们的方法与改进的BFS(广度优先搜索,BFS)算法提出的李et al。19]。首先,BFS算法应用于案例研究中。因为该算法只能解决简略的问题,我们开发时间为优化目标,我们获得最佳的改变计划,这是一样的一个₁在表3的传播路径变化是18-19-5-6,开发时间为5.2(天),开发成本为850.5(元),和变化的风险为0.68。在这项研究中提出的优化模型MOPSO算法用来优化多个目标同时获得多个最优改变传播方案设计师选择根据不同的设计需求和偏好。同时,定义的空间复杂性BFS算法的改进O(B^D),B最大的分支系数和吗D是最大的路径长度。由于大空间的要求,BFS算法不适合解决优化问题的复杂产品设计变化的传播路径与大尺度网络。在传统的遍历方法解决问题,随着初始改变节点的数量继续增加,改变传播可行解决方案的数量成指数增加。当有太多的可行的解决方案,解决问题所需的时间太高了。MOPSO定义的时间复杂度 ,在哪里米目标函数的数量和吗N是人群中个体的数量。因此,MOPSO算法比现有方法更有效,特别适用于解决复杂产品的设计更改问题,和它允许设计师选择他们自己的偏好计划在帕累托解集改善设计灵活性。

4所示。结束语

解决多个问题的优先目标没有被认为是在传播路径优化的研究汽车产品设计变化,我们提出了一个多目标优化模型,同时考虑开发时间,开发成本,改变的风险。根据汽车零部件之间的物理连接结构,我们建立一个有向加权网络。我们介绍了开发时间的优化目标、开发成本、风险和改变,我们建立了一个多目标优化模型的设计更改传播路径。我们使用MOPSO算法来求解该模型,我们得到一个帕累托解集方案设计的变化。我们使用的应用程序和方法比较空调系统模型来验证我们方法的可行性。我们的方法考虑多个实际工程的优化目标。我们从采访汽车空调研发工程师,许多优化解决方案可以通过这种方法,这个方法也可以为企业提供不同的偏好。然而,不确定性等问题,动力学,和过度约束存在在实际工程实践中,因此,一些解决方案不符合实际工程约束。在未来的研究中,应该包括其他约束删除无效的解决方案,以更好地获得不同的首选解决方案来提高设计的灵活性。例如,部分可以定义之间的关系只有通过类型各部分之间的数量关系。 More uncertainties of these relationships including fuzzy uncertainties will be investigated in our future work.

数据可用性

作者确认数据支持本研究的发现可用的文章。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢研究项目(KJ2019A1160、KJ2020A1104 KJ2020A1110)自然科学基金委的安徽省的高等教育机构。