面向产品规划的结构化时序知识挖掘及应用研究

随着客户个性化需求急剧上升，如何高效进行产品规划，以较低成本设计出具有较高客户满意度的产品，是大规模定制企业能否赢得市场的关键。现有研究关注于使用数据挖掘方法抽取历史案例库中的知识，并据此实现产品规划。由于缺乏对产品功能结构和案例所处时间的考虑，所挖掘的知识往往难以有效利用，无法帮助工程师正确把握当前的客户需求及其发展趋势。因此，本项目重点研究面向产品规划的结构化时序知识挖掘方法，包括产品规划知识表达机制、需求映射知识挖掘机制、结构化知识挖掘机制、时序知识挖掘机制和面向产品规划的知识演化及应用机制。使用基于神经网络集成、粒子群算法、遗传算法的多种数据挖掘技术，实现高维非线性映射知识的学习和表达。基于有效的知识挖掘和应用机制，本项目可以帮助企业降低产品规划的时间和成本，提高产品规划的效率和效益，从而提升企业的核心竞争能力。

产品规划是指准确把握客户的需求，并将之转化为可以用于生产制造的产品参数，即功能特征。产品规划是整个产品设计过程中的关键步骤，这一阶段的决策直接决定了产品开发所需的时间和成本，以及产品与客户期望之间的契合程度。由于处在产品开发的前端，产品规划阶段面临众多不确定性和动态性。此外，设计信息的复杂性和设计知识的匮乏也增加了产品规划实现的难度。本研究以数据挖掘方法为工具，学习历史设计信息中隐含的设计知识，并用以辅助实现新产品的开发和规划，提高企业对客户需求的响应能力，推动我国制造业的信息化和智能化发展。. 项目的主要研究内容包括4个方面：.（1）基于数据挖掘技术和智能算法，构建了涵盖产品族映射、产品检索、产品参数调整的产品规划实现机制。.（2）以需求为导向，构建了基于神经网络集成的产品族映射模型，并结合决策树方法实现了知识的显性化。在此基础上，结合Latin hypercube方法、kriging近似模型和多目标遗传算法，实现Pareto最优参数集的搜索，并结合单因子实验和综合评分法实现了工艺设计参数的高效选择。.（3）在带惯性因子的粒子群算法的基础上，引入了带扰动变异和交叉等遗传算子，构建了混合进化算法模型，以充分发挥粒子群算法的局部寻优能力和遗传算法的全局寻优能力。同时，以客户需求和产品参数之间的映射关系为对象，构建了结构化设计规则挖掘模型。此模型建立了包括支持度、置信度、可理解度、产品参数结构特征等要素的规则评价指标体系，并结合基于PSO和GA的混合进化算法实现了最优规则集的挖掘。.（4）结合序列模式挖掘方法，建立了动态客户偏好分析模型。此模型首先构建了基于AprioriAll的改进算法，以实现高效的序列模式挖掘，然后构建了时序设计知识的转化和应用机制，有效分析客户需求和产品参数之间的动态关联关系。此外，结合序列模式挖掘技术构建了功能趋势分析模型，可以分析产品参数取值随时间变化的规律。