一种基于产品结构的定制产品相似度判断方法
【技术领域】
[0001] 本发明属于大批量定制生产技术领域，涉及一种设计方法学，具体的说，涉及一种 大批量定制生产设计阶段，检索与用户定制产品结构相似的现有产品结构的方法。
【背景技术】
[0002] 大批量定制是一种集企业、客户、供应商和环境于一体，在系统思想指导下，用整 体优化的观点，充分利用企业已有的各种资源，在标准化技术、现代设计方法学、信息技术 和先进制造技术等的支持上，根据客户的个性化需求，以大批量生产的低成本、高质量和高 效率提供定制广品和服务的生广方式。
[0003] 大批量定制的基本思路是，基于相似性原理、重用性原理和全局性原理，将定制产 品的生产问题通过产品重组和过程重组转化为或部分转化为批量生产问题，尽可能减少产 品的内部多样化，增加产品的外部多样化，实现以大批量生产的低成本、高质量和短交货期 向客户提供个性化的定制产品。
[0004] 大批量定制的关键是识别和利用大量不同产品和过程中的相似性。通过充分识别 和挖掘存在于产品和过程中的几何相似性、结构相似性、功能相似性和过程相似性，利用标 准化、模块化和系列化等方法减少产品的内部多样化，提高零部件和生成过程的可重用性。
【发明内容】
[0005] 为了克服现有技术在实施时运算量大、且计算结果不显著的不足，本发明通过构 建目标产品-查询产品库矩阵，运用非负矩阵分解技术，对产品结构的映射空间进行了降 维，提供了一种基于产品结构的产品相似度判断方法。
[0006] 本发明解决其计算问题所采用的技术方案如以下内容：
[0007] -种基于产品结构的定制产品相似度判断方法，其特征在于：该方法包括如下步 骤：
[0008] 步骤一：构建产品结构邻接矩阵
[0009] 用树形表示产品结构时，树的节点表示部件或者零件，树的边表示零部件之间的 装配或者隶属关系，边的权重表示单位父件使用子件的数量，产品结构的层次关系和权重 用矩阵Μ表示
[0010]
[0011] 其中，mij表示零部件j作为零部件i的子件时，单位零部件j使用零部件i的个 数。
[0012] 步骤二：构建目标产品-查询产品库矩阵
[0013] 以列向量描述产品结构邻接矩阵Μ =[ α ρ α 2，…，a J，在此基础上构造邻接向 量夕?，<，...,<]7'，再将目标产品结构的邻接向量与查询产品结构的邻接向量合并组成 目标产品-查询产品库矩阵s= [0g，^，…，βη]。
[0014] 步骤三：目标产品-查询产品库矩阵非负矩阵分解
[0015] ^xfn+l) _ ^/i2xr*^x(n+D
[0016] 其中，是目标产品-查询产品库矩阵，基于MultiplicativeUpdates(MU) 算法进行非负矩阵分解表示，itMn+1)包括了目标产品和各查询产品经过非负矩阵分解后降 维后的向量表示。
[0017] 步骤四：产品相似度判断
[0018] 矩阵^x(n+1)表示目标产品结构和查询产品结构通过非负矩阵分解后均可用r维 向量表示，计算目标产品结构的的向量与各查询产品结构的向量之间的欧氏距离，就可检 索出与目标产品结构最相似的查询产品结构，当距离越小时，越相似。
[0019] 本发明的有益效果表现为：1、目标产品结构和查询产品结构统一到相同空间中， 便于计算；2、目标产品结构和查询产品结构的高维矩阵表示利用非负矩阵分解，经过一步 运算就可实现统一降维，避免了分别比较、运算的繁琐；3、目标产品结构和查询产品结构降 到低维空间，产品结构之间的相似、相异性关系更加显著，计算更加准确、方面。
【附图说明】
[0020] 图1是相似度判定算法原理流程。
[0021] 图2是某系列定制电灯客户定制广品和实例库现有广品的广品结构图。
[0022] 图3是目标产品结构和查询产品结构降维后在三维空间中的表示。
[0023] 具体实施方法
[0024] 下面结合附图进一步描述本发明。
[0025] 本发明的算法原理流程如图1所示。
[0026] 以某系列电灯的结构数据为对象，进行说明，如图2所示，图2中DpD2,D3,D4,D5， D6, 07和Ds是查询产品结构，Si是客户定制产品结构，各零部件编码如下表1所示。在接收 到客户的需求订单后，设计人员需要从现有的产品（即查询产品）中检索出与客户定制产 品最为相似的产品，在其基础上进行重用、修改，便可提高设计生产效率、缩短交货时间。
[0027] 表 1
[0028]
[0029] 以目标产品结构Si为例，构建邻接矩阵如下表2所示：
[0030] 表 2
[0031]
[0032] 其他查询产品结构的邻接矩阵构建方法类似，在此基础上，得到库矩阵S4MX9。
[0033] 基于MultiplicativeUpdates(MU)算法实现非负矩阵分解，即将库矩阵34。。><9表 示成§400X9-W4〇〇Xr·HrX9, 原理流程如图1所示。
[0034] 假设将产品将到3维空间，计算可得矩阵：
[0035]
[0036] 分别计算矩阵Η中第1列与第2列至第9列的欧氏距离，即为目标产品结构与查 询产品结构的相似度，结果如表3所示。根据定义，距离越小表示越相似。
[0037]表 3
[0038]
[0039] 本发明不但算过程简化、结果更为合理，而且相似度计算结果的显著性更明显。
[0040] 上述将目标产品结构和查询产品统一映射到三维空间中，如图3所示。
[0041] 实点表示目标产品结构Si，该点的坐标（0. 1174,0. 0032,0. 1264)即上述计算所得 Η矩阵的第1列，其余查询产品Di的坐标以此类推。
[0042] 图3中目标产品结构和查询产品结构的相似度（即欧氏距离）非常显著，不仅可 以判断出Di与目标产品结构最相似，D6、07和Ds与其相差较大，而且可以发现D3、04和D5的 产品结构很相近。
【主权项】
1. 一种基于产品结构的定制产品相似度判断方法，其特征在于：该方法包括如下步 骤： 步骤一：构建产品结构邻接矩阵 用树形表示产品结构时，树的节点表示零部件，树的边表示零部件之间的装配隶属关 系，边的权重表示单位父件使用子件的数量，产品结构的层次关系和权重用矩阵Μ表示其中，1?表示零部件j作为零部件i的子件时，单位零部件j使用零部件i的个数； 步骤二：构建目标产品-查询产品库矩阵 以列向量描述产品结构邻接矩阵M= [dp α2, ...，aj，在此基础上构造邻接向量，再将目标产品结构的邻接向量与查询产品结构的邻接向量合并组成目 标产品-查询产品库矩阵S = [ β g，β ρ . . .，β J ; 步骤三：目标产品-查询产品库矩阵非负矩阵分解其中，Ιμ,,+ιΤ是目标产品-查询产品库矩阵，基于Multiplicative Updates算法进行 非负矩阵分解表示，札>^+1)包括了目标产品和各查询产品经过非负矩阵分解后降维后的向 量表示； 步骤四：产品相似度判断 矩阵札>^+1)表示目标产品结构和查询产品结构通过非负矩阵分解后均用r维向量表 示，计算目标产品结构的的向量与各查询产品结构的向量之间的欧氏距离，检索出与目标 产品结构最相似的查询产品结构，距离越小时表示相比较两者越相似。
【专利摘要】本发明提供了一种基于产品结构的定制产品相似度判断方法，涉及大批量定制生产领域，首先，该方法通过邻接矩阵表示产品结构中零部件之间的隶属关系；其次，将代表单个产品结构的零件矩阵进行列向量重组，形成单个产品结构的邻接向量，在此基础上组合目标产品-查询产品的邻接向量构成库矩阵；然后，基于非负矩阵分解算法对目标产品-查询产品库矩阵进行分解，实现产品结构的降维；最后，通过计算降维后产品结构的向量之间的距离，判断产品相似度。本发明提供了一种能够减少运算步骤、提高准确度、增强相似度显著性的一种基于产品结构的定制产品相似度判断方法。
【IPC分类】G06F17/30
【公开号】CN105335528
【申请号】CN201510887519
【发明人】徐新胜, 王诚, 朱凡凡
【申请人】中国计量学院
【公开日】2016年2月17日
【申请日】2015年12月1日