一种基于相关性与依赖性分析的适应性设计方法与流程

本发明涉及产品适应性设计方法
技术领域：
，尤其涉及一种基于关联性和依赖性分析的适应性设计方法。
背景技术：
：自动驾驶汽车和机器人等智能产品发展迅速。这些复杂产品的复杂性增加了产品设计和开发过程中的挑战，产品的适应性设计需要多学科设计团队的努力。通过物联网技术将大数据和云计算环境中的数字绳、区块链等先进信息技术连接起来，是进一步提升产品开发和生命周期工程分析的高效方法和工具。这些技术进步针对基本的设计问题，如产品开发中的设计变化，得到有效的处理。设计变更源于需求的变化和不确定的制造环境，在产品开发过程中经常发生，例如有些设计变更可能需要修改产品指标和设计参数。由于重大的指标变更可能会影响产品的功能、质量、成本、甚至可靠性和安全性，因此有必要评估设计变更对产品指标的影响以及变更的后果。由于产品指标和参数之间复杂且可能未知的关系，通常需要设计迭代来减少设计更改的潜在影响，从而导致过多的资源和时间消耗。产品指标和设计参数之间的关系被嵌入到产品数据中。研究表明，大部分产品是在现有产品的基础上进行改进开发的。可以收集大量的产品指标和参数数据作为有价值的数据来源，以支持设计更改的设计决策。技术实现要素：本发明实施例所要解决的技术问题在于，提供一种基于相关性与依赖性分析的适应性设计方法。可根据产品指标和设计参数之间的相关性和依赖性分析来确定关键设计参数的设计变更决策框架和相关方法。预测关键设计参数的值，以最小化设计更改对产品指标的影响。为了解决上述技术问题，本发明实施例提供了一种基于相关性与依赖性的适应性设计方法，包括以下步骤：s1：产品指标与设计参数历史数据搜集与处理：对产品历史开发数据进行搜集构成数据集；s2：产品指标和设计参数的依赖关系分析：包括产品指标与设计参数的逐步回归分析方法和产品指标与设计参数的依赖性矩阵表示；s3：产品指标和设计参数的相关分析：包括产品指标和设计参数之间的相关系数计算、产品指标和设计参数相关系数矩阵表示以及基于相关性的聚类方法；s4：设计修改的分析和关键设计参数的识别：根据所述的产品指标和设计参数的依赖性和关联性，通过聚类结果与依赖性矩阵选取关键设计参数；s5：关键设计预测：根据产品指标与设计参数的依赖性分析，通过历史数据构建预测模型，通过所述预测模型对关键设计参数进行预测和调整，以此满足产品指标的适应性设计要求。进一步地，所述产品历史开发数据包括产品指标项、产品设计参数项与相应的数值。进一步地，所述步骤s2中，所述依赖性矩阵包括两种关系：构成依赖关系、不构成依赖关系。进一步地，所述产品指标和设计参数两两之间通过相关系数进行表示，并以此构成相关系数矩阵，且通过层次聚类的方法依据相关系数矩阵进行聚类。进一步地，所述步骤s4具体还包括：如果pi，sj在相关性分析中同属于一个集合且pi与sj构成依赖关系，则pi是sj的关键设计参数。其关键设计参数需满足条件表示如下：pi，sj∈ck∩dij＝1其中，pi表示第i个产品设计参数、sj表示第j个产品指标、ck表示根据相关性的聚类结果中的一个集合、dij表示pi，与sj的依赖关系。进一步地，所述步骤s5中通过历史数据构建预测模型的构建方法为：根据所述依赖性矩阵，对目标产品指标作为因变量，将与其构成依赖关系的设计参数作为自变量，构建映射关系，所述映射关系依据所述数据集，通过机器学习方式训练，以此作为该阶段的预测模型。实施本发明实施例，具有如下有益效果：本发明克服现有基于专家经验的适应设计方法的局限性，旨在提出一种基于相关性与依赖性的适应性设计方法。该发明基于产品历史开发数据集，提出了一种分析产品指标与设计参数相关性与依赖性的方法。本发明在考虑产品指标与设计参数相关性与依赖性的基础上，提出了产品指标适应设计的关键设计参数选取和预测方法，以此支持产品设计。其最大特点是基于相关性的产品指标和设计参数的聚类方式和考虑依赖性与相关性的关键设计参数选取和预测。附图说明图1是本发明方法流程示意图；图2是电池包结构说明模型；图3是电动车指标与设计参数依赖关系矩阵热力图。图4是电动车指标和设计参数相关系数矩阵热力图。图5是基于相关性的电动车指标和设计参数聚类树状图。其中英文与中文翻译对照如下：英文中文英文中文lengthofbatterybox电池箱体长度topcoverofbatterybox电池箱上盖widthofbatterybox电池箱体宽度coolingtube冷却带batterymanagementsystem电池管理系统(bms)batterycell电芯(电池单体)batterymodule电池模组widthofbatterymodule电池模组宽度lengthofbatterymodule电池模组长度batterybox电池箱parameterandspecification产品参数与规模singlelinkdistance单一距离连接方式具体实施方式为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。本发明实施例的一种基于相关性与依赖性分析的适应性设计方法，通过以下步骤进行实施。s1：产品指标与设计参数历史数据搜集与处理：对产品历史开发数据进行搜集，所述数据包括：产品指标项，产品设计参数项与相应的数值；产品指标和参数设计的数值类型可以是布尔型、离散型或连续型。因此，从一批l产品中收集到的数据可以组织到一个数据集矩阵中，具体如下所示：所述产品指标表示为：s＝[s1，s2，...，sn]；所述产品设计参数表示为：p＝[p1，p，...，pm]；所述产品指标与设计参数数据集为：为了更好地方便电池组的设计变更，本实施例研究收集了208个不同的产品数据，通过之前的电动汽车电池包的设计和试验，对其指标和参数之间进行相关性和依赖性分析。对原始数据集进行预处理，删除具有常数或缺失项的产品指标和设计参数，即s3，s14，s15，s16，s17，p9，p17和p18.表1和表2是该类型电动汽车电池包的产品指标和设计参数名录，其中包括13种指标和15个设计参数的数据及其各自的数值范围。图表中的各个简称都与表格中各项相对应。表1：产品指标id产品指标数值范围s1电池包长度(mm)[1700－3800]s2电池包宽度(mm)[1100－2500]s4电池包重量(kg)[300－800]s5制造成本(cny)[135000－380000]s6电池包容量(kwh)[60－100]s7电池包能量密度(wh/kg)[90－200]s8充电截止电压(v)[300－450]s9放电截止电压(v)[180－350]s10标称电压(a)[280－420]s11最大持续充电电流(a)[250－600]s12最大持续放电电流(a)[250－600]s13电池包循环寿命(at80％dod)[150－700]s18电芯内阻(mω)[40－80]表2：产品设计参数id设计参数数值范围p1阴极活性物质含量[67－90]％p2电池电解质浓度[25－100]％p3电池阳极材料[li，graphite，litio]p4电池阴极晶体结构[spinel，layered]p5电池模块内并电池联数[60－120]p6电池模块内串联电池数[4－8]p7电池模块长度(mm)[400－800]p8电池模块宽度(mm)[200－600]p10电池模块数量[14－20]p11电池模块内电芯个数[200－600]p12电芯型号18650，22650p13冷却带条数[14－20]p14每条冷却带的冷却管数量[4－8]p15电池箱体长度(mm)[1700－3800]p16电池箱体宽度(mm)[1100－2500]s2：产品指标和设计参数的依赖关系分析：包括产品指标与设计参数的逐步回归分析方法和产品指标与设计参数的依赖性矩阵表示。其步骤如下：a)使用产品指标与设计参数数据集，分析产品指标si与[p1，p2，...，pm]的依赖关系，这一步是使用逐步回归的方法进行处理，根据回归中关系的统计显著性，从一个多线性模型中系统地添加和删除项。如果pi在这个多线性模型中，则sj与pi构成依赖关系。b)对所有产品指标s＝[s1，s2，...，sn]进行依赖分析，形成的依赖关系通过一个依赖关系矩阵d表示如下：其中，dj，i表示产品指标sj与pi的依赖关系。如果di，j＝0则sj与pi不构成依赖关系，如果di，j＝1则sj与pi构成依赖关系。在上述中，采用逐步回归的方法计算依赖关系矩阵，其计算是通过matlab中自带的stepwise函数模块完成，依赖关系矩阵以热力图形式表示，结果如图3所示。其中0表示不构成依赖关系，1表示构成依赖关系。s3：产品指标和设计参数的相关分析：包括产品指标和设计参数之间的相关系数计算、产品指标和设计参数相关系数矩阵表示以及基于相关性的聚类方法与聚类树状图绘制。一个变量相对于另一个变量的变化程度由相关系数来衡量，它量化了两个变量之间的相关强度。这个步骤的目的是通过调查收集到的数据集来分析规范和参数之间的相关性。具体方式如下：a)相关系数计算：对产品设计参数和指标两两之间进行相关系数计算，考虑到产品设计参数和指标具有的非线性关系，优先使用spearman(斯皮尔曼)相关系数，但不限于此种相关系数计算方法。斯皮尔曼相关系数计算需先对变量x，y的等级处理如下：序号xyx数值排列序号y数值排列序号观测值之差1x1y1x1′y1′d1＝x1′-y1′………………nxnynxn′yn′dn＝xn′-yn′皮尔曼相关系数计算公式如下：其中：其中di为两个观测值之差，n为观测值个数，即数据集的样本数。b)对产品指标和设计参数两两之间进行相关系数计算，构成产品指标和设计参数的相关系数矩阵r，其形式如下：其中ri，j＝|pi，j|，pi，j是第i个变量与第j个变量的相关系数。ri，j∈[0，1]，其数值越大表示的关联程度越强；c)基于相关性的聚类方法：关联系数矩阵r表示变量间的相关强度，通过层次聚类这种无监督式学习的方法将1-r作为距离矩阵输入，运用matlab中的数学函数“linkage”进行聚类。该函数就是将距离相近的集群连接到彼此，以创建更大的集群，直到这个集群大到可以将所有的对象都被包含进去；d)绘制聚类树状图。图4表示了包含产品指标和设计参数相关系数绝对值的热力图。本例中.其相关系数矩阵是通过斯皮尔曼相关系数计算方法计算，热力图中的颜色深浅表示相关系数绝对值的大小，其标准见图中的颜色标注。通过mtalab中“linkage”函数使用单一距离计算方法来确定集合内和集合间的距离，将矩阵‘1-r’作为距离矩阵进行层次聚类。聚类的截止阈值设置为3。聚类结果如图5的树状图所示，截止阈值为3时其包含的聚类信息见下表；表3：截止阈值为3的聚类结果集合序号集合组成元素c1p1，p2，p3，p4，p6，p10，p13，s8，s9，s10，s18c2p6，p11，p18，p14，s7，s18c3p7，p8，p16，p16，s1，s2，s4，s6c4s6，s11，s12s4：设计修改的分析和关键设计参数的识别：产品指标子集的修改必然会影响许多其他指标和参数。在这种情况下，需要对设计修改及其相关设计参数进行定位，以确定影响边界。使用层次聚类方法将数据分组到多级集合树或树状图中，从而在适当的级别或规模上灵活地决策。因此，集合作为规范和参数直接受到影响的边界，设计更改的影响仅限于集合元素。集合中关键设计参数的定义允许产品指标的更改，而不影响其他集合中的其他产品指标和设计参数。其方法包含两个步骤，过程如下：a)基于相关性的聚类划分：对s3所述聚类树状图，按照一定阈值进行划分，通过聚类树状图将产品指标与设计参数聚合成g个集合，集合的组合关系如下所示：集合序号集合组成元素c1pa，sb，...，pc，sdc2pe，sf，...，pg，shc......cgpi，sj，...，pk，si其中，cg表示集合，[pa，sb，...，pc，sd]即该集合包含的产品指标或设计参数。阈值的划分影响着适应设计的调整范围，越高的阈值选择会得到越少的集合数量和越多的集合内组成元素，导致更多的关键设计参数和更大的设计影响范围。b)关键设计参数选取：如果pi，sj在相关分析中同属于一个集合且pi与sj构成依赖关系，则pi是sj的关键设计变量。其关键设计参数需满足条件表示如下：pi，sj∈gk∩dij＝1其中，pi表示第i个产品设计参数、si表示第j个产品指标、ck表示根据相关性的聚类结果中的一个集合、dij表示pi，与sj的依赖关系。参考c3，其包含的产品指标和设计参数如表3，依据4所述的关键设计参数分布如下：考虑一个场景设计更改时需要降低电池组的重量和长度指标而要求其它的产品指标尽可能不变。具体电动车电池包指标的适应性设计要求如下：原始设计：{s1＝1890，s2＝1135，s4＝375.70，s5＝145000}可适应设计要求：{s1＝1700，s2＝1135，s4＝350，s5＝145000}。s5：关键设计参数预测：根据产品指标与设计参数的依赖性分析，通过产品历史开发数据构建预测模型。对于在集合的产品指标通过预测模型对关键设计参数进行预测和调整，以此满足设计要求，具体方式如下：a)设计影响范围划分：对于目标产品指标st，依据s4所述的基于相关性的聚类划分结果，进行目标产品指标st设计时应该考虑的影响范围为包含st的集合，命名为ck；b)依据依赖关系矩阵的预测模型构建：依据s2所述依赖关系矩阵d，对在集合ck中的任意si构建映射关系如下：f(pa，...，pb)→si其中，pa，...，pb与si构成依赖关系，在依赖关系矩阵中dj，a，...dj，b＝1。对该映射关系通过s1所述搜集的产品历史开发数据集进行机器学习训练，构成具有一定精度的预测模型。关键设计参数预测：依据s4所述选取的关键设计参数进行全局遍历预测，选取与目标产品指标最近且具有可行性的产品设计，该设计参数组合即符合目标产品指标的较优设计方案。如若没有较为理想的设计方案，可以调整s3所述的聚类阈值，选取更多的关键设计参数。关键设计参数预测的关系建模：根据s4所述中s2的依赖关系矩阵(如图3，以热力图表示)，c3中各产品指标的映射关系如下：人工神经网络是一种非常强大的机器学习方式。在本案例研究中，我们使用levenbergmarquardt训练算法，将隐含层节点设置为10个。对c3中如s4所述的映射关系进行训练，四个神经网络训练的性能都具有很高的决定系数，即[1，0.99，0.99，1]，具有很好的回归能力。然后建立一个新的设计参数输入矩阵，每个关键设计参数采用200个离散值.(i.ep7，p8，p15)，在数据集包含的范围内，得到1353400个不同的设计参数组合。在这样的输入矩阵中，非关键的设计参数保持在当前的设计值。将这些参数矩阵输入训练后的神经网络，得到若干个指标值集。为了获得最佳的估计，将神经网络输出的参数集视为与新设计规范集的最小差值对应的参数集。关键设计参数的现有数值和预测数值如表4所示。从表3可以看出，在不影响其它集合中产品指标的情况下，为了减小电池组的长度和重量(s1和s4)，建议减小一个电池模块的宽度(p8)和电池盒的长度(p15)。因此，电池组(s5)的成本也略有变化，因为所需材料更少。表4：设计参数预测值以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。当前第1页12