本发明涉及产品概念设计
技术领域：
，具体涉及一种基于知识库的产品概念新颖性评价方法。
背景技术：
：在激烈的市场竞争环境下，新产品研发能力是企业保持竞争力的中重要源泉。在产品研发过程中，概念设计是最重要、最关键、最体现产品创新性的环节。它的主要任务是完成产品概念方案的生成与评价。概念方案的评价是对生成的一系列概念方案的在不同评价指标下进行打分，然后选出最有概念方案的过程。由于概念设计处于产品研发的早起，概念方案的好坏会对产品研发后续阶段产生很大的影响。有研究表明，最终产品70-80％的成本和80％的质量由概念设计阶段决定的。概念方案评价可以帮助设计者快速定位于最合适的方案，减少之后产品研发中的变更，并增加最终产品成功的机率。除此之外，在产品概念设计中，大约70％的设计工作为自适应设计和变形设计，新产品设计大约60％以上的工作都基于以往设计信息展开的。因此，如何利用历史产品设计数据建立一种完善的概念方案评价方法，对于提升产品设计质量、减少设计返工以及缩短产品设计周期具有重要意义。目前，已有一些专利利用定性分析的方法对产品概念进行评价。有的相关专利采用基于粗糙集理论，或是模糊集理论，结合偏好排序法，在给定设计要求下对产品方案进行评价，得到候选方案中的最佳方案。有的专利考虑主观评价下具有的不确定性以及主观偏好，采用多准则决策法，选出综合评价表现最佳的产品方案。在概念设计阶段由于涉及信息的不确定性以及模糊性等，会造成专家评价过程及结果缺乏准确性以及客观性。虽然这些专利能够通过模糊化处理以及其他方法针对设计信息的不确定性给予量化处理，降低主观因素及不确定性对评价过程带来的负面影响，提高评价方法的可信度以及准确性。但是，这些定性评价方法在评价过程中容易受专家个人偏好以及知识局限性的影响，为了使产品概念的评价更加客观和准确，需要引入一些定量评价的方法。目前尚未有针对产品概念新颖性的定量评价的方法。技术实现要素：有鉴于此，本发明提供了一种基于知识库的产品概念新颖性评价方法，能够根据已有的产品概念建立产品概念新颖性评价模型，并计算得到产品概念新颖性值，能够避免专家评价带来的不确定性。为达到上述目的，本发明的技术方案提供了一种基于知识库的产品概念新颖性评价方法，包括以下步骤：S1、从现有产品中提取产品概念并将其转化为数据表达形式，存储为产品概念知识库。S2、采用数理统计方法分析产品概念知识库，确定各产品概念的关键特性参数。S3、确定作为评价标准的新颖性指标，通过专家评价法获得各新颖性指标的值以及权重；采用不确定性分析法，确定各产品概念的新颖性值。S4、针对产品概念知识库中所有的产品概念，以产品概念的关键特性参数作为人工神经网络的输入，以产品概念的新颖性值作为人工神经网络的输出，对人工神经网络进行训练，获得产品概念新颖性评价模型。S5、采用产品概念新颖性评价模型针对待评价的产品概念进行新颖性评价。进一步地，将产品概念知识库中的产品概念转化为数据表达形式，存储为产品概念知识库，具体包括以下步骤：S101、针对现有产品提取产品概念，并通过功能术语集，组件术语集，流术语集构建产品概念结构图。S102、分别为功能术语集中的功能术语按顺序进行编号，为组件术语集中的组件术语按顺序进行编号，为流术语集中的流术语按顺序进行编号；产品概念结构图中节点同时代表产品功能以及实现该产品功能的组件，并对节点进行编号。S103、针对产品概念结构图各节点以及输入流和输出流，构建节点矩阵。针对功能术语集，构建功能向量。针对组件术语集，构建组件向量。将构建的节点矩阵、功能向量以及组件向量组合为产品概念表达模型，即获得产品概念的数据表达形式，存储产品概念表达模型为产品概念知识库。进一步地，采用数理统计方法分析产品概念知识库，确定各产品概念的关键特性参数，具体包括如下步骤：S201、统计产品概念知识库中所有产品概念中功能i由组件j实现的次数，构建功能组件映射关系矩阵FCMM；功能术语集中术语数量为GN时，GN为正整数，则i取1～GN；当组件术语集中术语数量为ZJ时，ZJ为正整数，则j取1～ZJ。统计产品概念知识库中组件j和组件k在所有产品概念中同时出现的次数，构建组件间映射关系矩阵CCM；k取1～ZJ。统计产品概念知识库中功能i和功能p所有产品概念中同时出现的次数，构建功能间映射关系矩阵FCM；p取1～GN。S202、分别将功能组件映射关系矩阵FCMM、组件间映射关系矩阵CCM以及功能间映射关系矩阵FCM进行矩阵标准化计算后得到标准化的功能组件映射关系矩阵FCMMI、组件间映射关系矩CCMI以及功能间映射关系矩阵FCMI。S203、针对产品概念知识库中共m个产品概念。对于第a个产品概念，在矩阵FCMMI中关于第a个产品概念的功能组件映射关系之和的平均值即为第a个产品概念的功能组件映射关系参数FCMIa，在在矩阵CCMI中关于第a个产品概念的组件间映射关系之和的平均值即为第a个产品概念的组件间映射关系参数CCIa，在矩阵FCMI中关于第a个产品概念的功能间映射关系之和的平均值即为第a个产品概念的功能间映射关系参数FCIa；同时获取第a个产品概念的功能数量Fa；a取1～m。功能组件映射关系参数FCMIa、组件间映射关系参数CCIa以及功能间映射关系参数FCIa组成第a个产品概念的关键特征参数。S204、构建产品概念知识库的关键特征参数矩阵为：其中m为产品概念知识库中产品概念的数量。进一步地，确定作为评价标准的新颖性指标，通过专家评价法获得各新颖性指标的值以及权重；采用不确定性分析法，确定各产品概念的新颖性值，具体包括如下步骤：S301、确定新颖性指标，包括组件新颖性k1、功能新颖性k2以及产品科技含量k3，组成新颖性指标向量K＝[k1k2k3]T。S302、通过专家评价法获得产品概念知识库中所有产品概念的各新颖性指标的打分值，其中第1～第m个产品概念的组件新颖性k1的打分值分别为k11～k1m，第1～第m个产品概念的功能新颖性k2的打分值分别为k21～k2m，第1～第m个产品概念的产品科技含量k3的打分值分别为k31～k3m；利用k11～k1m、k21～k2m以及k31～k3m组成平均评价矩阵V：S303、采用层次分析法计算得到新颖性指标的权重向量P＝[p1p2p3]T；p1、p2和p3分别为新颖性指标k1、k2和k3的权重。S304、产品概念知识库中所有产品概念的新颖性值为向量N：N＝VP＝[vp1,vp2,……vpm]，其中vp1～vpm分别为产品概念知识库中各产品概念的新颖性值。有益效果：1、本发明基于现有产品的产品概念，建立产品概念知识库，以产品概念的功能以及组件作为新颖性的评价标准，通过模糊不确定分析法得到产品概念的新颖性值。将产品概念关键特性参数作为神经网络的输入，产品概念新颖性值作为输出，通过模型训练得到产品概念新颖性评价模型。该模型能够根据产品概念直接计算得到产品概念新颖性值，能过避免专家评价带来的不确定性。同时，此模型通过样本数量不断增多，模型不断训练，对新颖性值的预测将会更加精准。附图说明图1为本发明所提供的基于知识库的产品概念新颖性评价方法流程图。图2为本发明实施例中所构建的产品概念表达模型组成示意图。具体实施方式下面结合附图并举实施例，对本发明进行详细描述。本发明的原理为：现有产品设计数据中蕴含一定的设计原理以及设计规律，同时现有产品都具有一定的新颖性。因此，运用数据挖掘和统计学习的方法，可以从现有产品中构建评价模型以支持对产品概念的评价，有助于帮助逐步摆脱以个人经验为主的定性专家评价方法。产品的功能代表了客户需求，是产品设计开发的起点，同时也是检验产品设计结果的基本准则。实现功能的组件是反映产品性能的重要方面，是满足客户需求的重要方面，与设计环节的各方面都有直接联系。通过数据挖掘得到产品概念新颖性与产品概念设计过程中涉及到的功能与组件之间的关系，构建产品概念评价模型，从根本上评价产品概念。基于上述原理，本发明提供了一种基于知识库的产品概念新颖性评价方法，具体流程如图1所示，包括以下步骤：S1、从现有产品中提取产品概念并将其转化为数据表达形式，存储为产品概念知识库。具体地，该步骤可以分为如下几个步骤：S101、从现有产品概念中提取产品概念，并以结构化的形式表现出来。其中结构化的产品概念由功能术语集、组件术语集以及流术语集构成，产品概念结构图中节点为产品功能以及实现该产品功能的组件；节点与节点之间具有有向流。S102、分别为功能术语集中的功能术语按顺序进行编号，为组件术语集中的组件术语按顺序进行编号，为流术语集中的流术语按顺序进行编号；其中功能术语集中包含涉及产品功能的术语，可以从目前已有的词汇集中进行词汇的选取，例如在论文“AfunctionalbasisforengineeringdesignReconcilingandevolvingpreviousefforts”中提及的功能术语集，其中的功能术语集包含多级，可以根据需要选取其中的一级或多级的组合，例如可以采用其中的Secondary、Tertiary和Correspondents放在一起并排序。组件术语集中包含组成产品的部件，也可以从目前已有的词汇集中进行词汇的选取，例如在论文“DERIVINGACOMPONENTBASISFORCOMPUTATIONALFUNCTI0ONALSYNTHESIS”中提及的组件术语集，其中可能不能包含产品所有的组件，因此可以根据需要在原有的组件术语集的基础上进行扩充，本发明实施例扩充后得到106个组件术语。流术语集中包含组件和组件之间的关联关系或者功能与功能之间的关联关系，可以从目前已有的词汇集中进行词汇的选取，例如在论文“AfunctionalbasisforengineeringdesignReconcilingandevolvingpreviousefforts”中提及的流能术语集，其中的流术语集包含多级，可以根据需要选取其中的一级或多级的组合，例如可以采用其中的第二级Secondary和第三级Tertiary放在一起排序。S103、针对产品概念结构图各节点以及输入流和输出流，构建节点矩阵。本发明中提供了一种实施例，该实施例中采用一个大小为(n+1)×(n+1)的矩阵，n为产品概念结构图中节点个数；其中对于前n行和前n列的每一行和每一列代表相应的节点序号，每个矩阵元素代表从行节点指向列节点的流的编号，如若两节点之间没有信息流动，矩阵元素设为0；第n+1行代表结构图的输入，即指外部环境施与产品的输入，例如可能是人施与产品的力或能量；第n+1列代表结构图的输出，即产品在上述输入下产生的对外部环境的输出。针对功能术语集，构建功能向量；本发明提供了一种实施例，该实施例中，功能向量长度为n+1，按照结构图节点顺序，向量元素为相应序号节点的实际功能编号，向量末尾元素为0。针对组件术语集，构建组件向量；组件向量C长度为n+1，按照结构图节点顺序，向量元素为相应序号节点的实际组件编号(节点和组件之间的关系)，向量末尾元素设为0。将构建的节点矩阵、功能向量以及组件向量组合为产品概念表达模型，依照本发明提供的实施例，最终形成(n+3)×(n+1)矩阵，所组成的产品概念表达模型如图2所示，该产品概念表达模型即为产品概念的数据表达形式，存储产品概念表达模型为产品概念知识库。S2、采用数理统计方法分析产品概念知识库，确定各产品概念的关键特性参数。本发明中，产品概念的关键特性参数设定为包括功能组件映射关系参数FCMI、组件间映射关系参数CCI以及功能间映射关系参数FCI以及功能个数F。产品概念的关键特性参数计算采用如下步骤进行：S201、统计产品概念知识库中所有产品概念中功能i由组件j实现的次数，构建功能组件映射关系矩阵FCMM。其中i为功能术语集中功能的编号，j为组件术语集中组件的编号；当功能术语集中术语数量为GN时，GN为正整数，则i取1～GN；当组件术语集中术语数量为ZJ时，ZJ为正整数，则j取1～ZJ。本发明实施例中，功能术语集中术语数量GN为191，组件术语集中术语数量ZJ为106，则所得到的FCMM为：其中fcij为所有产品概念中功能i由组件j实现的次数。统计产品概念知识库中组件j和组件k在所有产品概念中同时出现的次数，构建组件间映射关系矩阵CCM。k取1～ZJ。本发明实施例中，所得到的CCM为：其中ccjk为所有产品概念组件j和组件k在所有产品概念中同时出现的次数统计产品概念知识库中功能i和功能p所有产品概念中同时出现的次数，构建功能间映射关系矩阵FCM。p取1～GN。本发明实施例中，所得到的FCM为：其中ffip为所有产品概念功能i和功能p所有产品概念中同时出现的次数S202、分别将功能组件映射关系矩阵FCMM、组件间映射关系矩阵CCM以及功能间映射关系矩阵FCM进行矩阵标准化计算后得到标准化的功能组件映射关系矩阵FCMMI、组件间映射关系矩CCMI以及功能间映射关系矩阵FCMI。S203、针对产品概念知识库中共m个产品概念。对于第a个产品概念，在矩阵FCMMI中关于第a个产品概念的功能组件映射关系之和的平均值即为第a个产品概念的功能组件映射关系参数FCMIa，在在矩阵CCMI中关于第a个产品概念的组件间映射关系之和的平均值即为第a个产品概念的组件间映射关系参数CCIa，在矩阵FCMI中关于第a个产品概念的功能间映射关系之和的平均值即为第a个产品概念的功能间映射关系参数FCIa；同时获取第a个产品概念的功能数量；a取1～m。功能组件映射关系参数FCMIa、组件间映射关系参数CCIa以及功能间映射关系参数FCIa组成第a个产品概念的关键特征参数。S204、构建产品概念知识库的关键特征参数矩阵为：其中m为产品概念知识库中产品概念的数量。S3、确定作为评价标准的新颖性指标，通过专家评价法获得各新颖性指标的值以及权重；采用不确定性分析法，确定各产品概念的新颖性值。具体包括如下步骤：S301、确定新颖性指标，包括组件新颖性k1、功能新颖性k2以及产品科技含量k3，组成新颖性指标向量K＝[k1k2k3]T；S302、通过专家评价法获得产品概念知识库中所有产品概念的各新颖性指标的打分值，其中第1～第m个产品概念的组件新颖性k1的打分值分别为k11～k1m，第1～第m个产品概念的功能新颖性k2的打分值分别为k21～k2m，第1～第m个产品概念的产品科技含量k3的打分值分别为k31～k3m；利用k11～k1m、k21～k2m以及k31～k3m组成平均评价矩阵V：S303、采用层次分析法计算得到新颖性指标的权重向量P＝[p1p2p3]T；p1、p2和p3分别为新颖性指标k1、k2和k3的权重。其中层次分析法为常用的方法，本发明实施例中给出如下具体步骤：构建成对比较矩阵C：Cxy为kx与ky的比值，当x＝y时，Cxy＝1，x取1～3，y取1～3。Cxy的取值可参考下述标度，Cxy在1-9及其倒数中间取值。Cxy＝1，指标x与指标y对新颖性重要性相同；Cxy＝3，指标x比指标y略重要；Cxy＝5，指标x比指标y重要；Cxy＝7，指标x比指标y重要得多；Cxy＝9，指标x比指标y极其重要；Cxy＝2q，q＝1,2,3,4，指标x与指标y的重要性介于Cxy＝2q-1与Cxy＝2q+1之间；Cxy＝1/p，p＝1,2,…,9，当且仅当Cxy＝p。计算成对比较矩阵C的不一致程度指标CI：λmax(C)是成对比较矩阵C的最大的特征值；计算随机一致性比率CR＝CI/RI。其中RI为平均随机一致性指标，与阶数有关，通过查平均随机一致性指标表可得，例如本发明实施例中，可以采用如下现有的RI表。表1RI表阶数123456789RI000.580.901.121.241.321.411.45当CR小于0.1时，表示矩阵C可以接受，计算矩阵C的最大特征值对应的特征向量并进行标准化后得到权重向量P＝[p1p2p3]T；p1、p2和p3分别为k1、k2和k3的权重；当CR大于或者等于0.1时，返回调整成对比较矩阵C中Cxy的取值，直到遇到满意的一致性为止。S304、产品概念知识库中所有产品概念的新颖性值为向量N：N＝VP＝[vp1,vp2,……vpm]，其中vp1～vpm分别为产品概念知识库中各产品概念的新颖性值。S4、针对产品概念知识库中所有的产品概念，以产品概念的关键特性参数作为人工神经网络的输入，以产品概念的新颖性值作为人工神经网络的输出，对人工神经网络进行训练，获得产品概念新颖性评价模型。颖性评价模型选择BP神经网络,输入为输出为N＝[n1...nm]T。样本分布70％为训练样本，15％验证样本，15％为测试样本，一个隐含层，两个节点。通过30多次训练得到以神经网络为模型的产品概念新颖性评价模型，MSE为0.3709。S5、采用产品概念新颖性评价模型针对待评价的产品概念进行新颖性评价。针对待评价的产品概念通过产品概念新颖性评价模型计算新颖性值之后，该新颖性值可以对待评价的产品概念的优化迭代过程起到评判作用。综上，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。当前第1页1 2 3