構建基於實例的三維PIC模型研究批量定製汽車配件的配置技術論文

大規模定製既有大規模生產的低成本優勢，又可以在一定程度上滿足客戶的需求，因此受到越來越多的公司的關注.產品配置設計作爲能夠滿足個性化客戶需求並有效支持產品快速定製設計手段，已經成爲大規模定製的核心設計方法.目前，對於解決大規模定製產品配置的研究內容主要有產品配置成本評估,產品配置知識獲取,產品配置動態驅動,產品配置性能預測,並取得了一定的成果。但是上述研究多集中在產品配置規劃方面，對產品微觀配置過程涉及不多。對於產品配置知識的表示，近年來的研究熱點有基於約束滿足的知識表示,基於資源的知識表示和基於描述邏輯的知識表示,並取得了一定進展，解決了一些實際問題。

但是對於像汽車這樣複雜的產品，這些方法都有一定的不足：①產品知識獲取困難；②忽略了過去已有的很有價值的設計知識和經驗；③利用配置模板對產品從頭開始配置設計，既耗時又易出錯。

基於實例推理（case-basedreasoning,CBR）的產品配置方法能夠充分考慮過去已有的有價值的設計知識和經驗，已成爲產品設計開發的一種有效實現方式.據調查，產品設計活動中有大約75%的設計是基於實例的產品設計.對於基於實例推理的產品配置技術，有學者從不同方面進行了研究。AHN等將CBR與基於知識的技術相結合來實現定製過程中多種類型過程知識的共享與重用；王新等提出了產品組需求類和需求匹配模板的概念，通過二級實例匹配求解實現產品配置；CHENG等提出將CBR與產品生命週期建模技術結合，應用於綠色產品配置開發。這些配置設計方法在解決產品的快速響應設計問題時具有一定優勢，但是對於大規模定製下汽車的設計還存在以下不足：產品配置模型並沒有全面表達像汽車這樣複雜產品配置模塊之間多層次的複雜約束信息和三維信息等，由於缺少這些重要的設計信息，可能導致最終得出的BOM無法或很難造型、佈局或裝配；對於客戶的需求，多是對其進行分解和分析，然後轉化爲各種設計參數，作爲產品配置的輸入，而客戶並沒有實際參與到產品的設計中，像汽車這種很難量化的產品，如果客戶沒有實際參與到產品的設計過程中，很難得到令其滿意的結果。

因此，針對以上問題，筆者提出一種基於實例的PIC模型，將汽車的部件、三維和約束信息整合爲一個整體，然後利用交互式遺傳算法進行產品配置的'求解，並建立基於PIC模型的汽車操控臺定製設計系統進行驗證。

1.基於實例推理的PIC模型

產品配置知識的表示是解決產品配置問題的基礎，其實質是對企業擁有的設計實例資源的整合，使其結構化、規範化，便於產品的快速定製。

筆者提出了一種基於實例的PIC3層模型，將企業擁有的設計實例資源整合爲一個整體，以滿足產品配置求解的要求，如圖1所示。

圖1基於實例推理的PIC模型

（1）P（parts）層爲部件層，是PIC3層模型的基礎層，實質爲產品的各個組成部分的模塊化樹狀模型。其可以表示爲P=（NUM,NAME,F,PA）。NUM爲各部件模塊的標識；NAME爲各部件模塊的名稱；F={f1,f2,…，fq}（q>0）爲各部件模塊的功能屬性；PA={pa1,pa2,…，pau}（u>0）爲各部件模塊的特徵參數。

（2）I（information）層爲信息層，是P層的實例化，包含有P層各個部件的不同實例的三維信息、裝配信息和拓撲信息，可以表示爲I=（NUM,PNUM,3Dinfo,Tinfo,Ainfo）。其中：NUM爲該實例信息模塊的標識；PNUM爲該實例信息模塊對應的P層部件模塊的標識；3Dinfo爲該實例的3D信息，能夠描述出該實例模塊的基本空間位置和幾何形狀，並不涉及具體的尺寸與設計細節；Tinfo爲該實例模塊的拓撲信息，即在產品組裝時與該實例模塊相鄰的上級、下級和同級的模塊位置信息；Ainfo爲該實例的裝配信息，能夠描述該實例模塊在產品組裝時自身的特徵參數以及對相鄰各模塊的參數要求。

（3）C（constrains）層爲約束層，是對於P層和I層約束信息的提取和整合，包括來自P層的非結構性約束和來自I層的結構性約束，可以表示爲C=（NUM,NAME,TYPE,IF,THEN）。其中：NUM爲該約束的標識；NAME爲該約束的名稱；TYPE爲該約束的類型，TYPE=0,則該約束爲結構性約束；TYPE=1,該約束爲非結構性約束；IF爲該約束的條件輸入項；THEN爲該約束的結論輸出項。

2.基於交互式遺傳算法的產品配置求解

對於產品配置問題的求解，充分考慮用戶的個性需求，對於汽車的評價，不同的人有不同的看法，主觀性很強，難以量化，因此筆者應用交互式遺傳算法來解決產品配置問題。交互式遺傳算法是將傳統進化計算與人的智能評價有機結合，是一種解決隱式性能指標優化問題的有效方法。交互式遺傳算法需要用戶的評價來實現進化，因此能使用戶積極地參與到產品定製設計中，最大限度地滿足其要求。傳統的交互式遺傳算法流程如圖2所示。

圖2交互式遺傳算法的流程

欲使用IGA進行產品配置求解，還需要對汽車的各個模塊實例進行編碼，使之成爲IGA能夠識別的“基因”.筆者根據PIC模型用二進制來對汽車操控臺進行編碼。如圖3所示，一條染色體代表一個設計產品，以汽車操控臺爲例，總體分爲6個部分，分別對應操控臺的5大模塊和顏色模塊，每一部分又進一步根據PIC模型中P層分爲若干基因，每一個基因的二進制代碼均代表一個具體的實例。圖3中中控臺的編碼001001001即代表“第一類GPS導航、DVD音響系統、液晶顯示屏”的實例。

將汽車的各個模塊轉變爲IGA能夠識別的“基因”之後，就可以按照IGA的算法流程對其進行遺傳操作，經過進化最終得到用戶滿意的個體。

3.基於PIC模型的操縱檯定製設計系統

3.1系統的設計原理與結構

筆者提出的基於改進的交互式遺傳算法的汽車操控臺定製設計系統採用3層體系結構，分別爲資源層、應用層和用戶層，如圖4所示。

（1）資源層是系統的基礎層，爲應用層以及用戶層的各個功能的實現提供基礎的數據和參考。資源層建立在包括硬件平臺、數據庫、PDM和網絡等基礎設施上，通過數據庫服務器與應用層的各個客戶端連接。資源層的數據涵蓋了基於改進的交互式遺傳算法的汽車操控臺定製設計系統所需要的所有數據，包括產品實例庫、三維信息庫、拓撲信息庫和配置約束庫等。

（2）應用層是系統的核心層，由配置知識表示單元、配置知識管理單元，以及產品配置求解單元組成。來自資源層的數據首先通過配置知識表示單元轉化爲基於PIC模型的配置知識，進入到PIC模型數據庫，再由配置知識管理單元進行維護。然後產品配置求解單元根據配置知識，通過與用戶層交互，最終得出配置結果。每次的配置結果都會由配置知識管理單元自動添加到PIC模型數據庫中，實現數據的實時更新。

（3）用戶層是整個系統的關鍵，由客戶、設計人員、系統維護人員和其他人員構成。用戶層通過人機交互界面與應用層的應用服務器連接，使得客戶對IGA算法產生的個體進行評價，促使種羣進化，最終得出滿意個體。設計人員、系統維護人員和其他人員負責系統的正常運行和對客戶提出的問題進行解答。

圖4基於PIC模型的汽車操縱檯定製設計系統

3.2系統的實現

將資源層中的各種數據轉換爲能夠用來配置求解的知識，其過程通過PIC模型來實現。下面針對汽車操控臺，說明PIC模型的實施過程。

（1）汽車操控臺的P層模型。P層實質爲產品的各個組成部分的模塊化樹狀模型，因此，將汽車操控臺分爲5大模塊：方向盤、中控臺、儀表盤、變速桿和空調出口。然後，每一模塊又進一步向下細分，從而得出模塊化樹狀模型，如圖5所示。每一層級的模塊均有不同的實例與其對應，而每一個實例均有三維信息、裝配信息和拓撲信息，從而引出I層模型。

（2）汽車操控臺的I層模型。I層是P層的實例化，包含P層各個部件的不同實例的三維信息、裝配信息和拓撲信息。以方向盤爲例，它的某一個具體實例的三維信息（3Dinfo）如圖6所示，由若干曲線、曲面和基準特徵幾何結構組成，能夠描述出該實例模塊的基本空間位置和幾何形狀；拓撲信息（Tinfo）以二維表的形式表示出該實例與上級（操控臺整體）、下級（喇叭按鈕、音量調節鍵等）和同級（操控臺）的位置信息；裝配信息（Ainfo）描述該方向盤實例在產品組裝時自身的特徵參數以及對相鄰各模塊（儀表盤）的參數要求。

（3）汽車操控臺的C層模型。C層是對於P層和I層約束信息的提取和整合。操控臺的C層部分約束如表1所示。

表1操控臺的C層部分約束

圖7爲系統的交互界面，左側可以顯示這一代的個體（每代9個個體），右側顯示目前最優個體和上代最優個體以供參考，用戶可以通過該界面來對系統產生的個體進行評價，促使種羣進化，最終產生滿意的個體。初始界面上顯示的個體均爲2D模式，如果對某一個體感興趣，可以點擊“3D”來查看該個體的3D圖像。在用戶發現自己滿意的個體時，可以點擊“best”來結束進化，系統則會自動輸出最優個體對應的BOM.

4.結論

針對現有的汽車產品大規模定製中的產品配置方法存在的一些不足，提出一種基於實例推理的PIC模型來進行產品知識的表示，成功地解決了傳統知識表示方法不能很好地表達三維和約束圖7操控臺定製設計系統交互界面信息的問題，然後採用交互式遺傳算法進行產品配置的求解，使得用戶能夠充分參與到汽車產品的定製設計中，最大限度地滿足其個性需求。最後建立了基於PIC模型的汽車操控臺定製設計系統來對該方法進行驗證。結果證明該方法能夠較好地實現汽車產品的大規模定製設計，充分考慮了其三維信息和約束信息，並能夠滿足用戶的個性化需求。（圖標、參考文獻略）