構建基於例項的三維PIC模型研究批次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.產品配置設計作為能夠滿足個性化客戶需求並有效支援產品快速定製設計手段，已經成為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,產品配置效能預測,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。
基於例項推理（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，已成為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%的設計是基於例項的產品設計.對於基於例項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型別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，透過二級例項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組之間多層次的複雜約束資訊和三維資訊等，由於缺少這些重要的設計資訊，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，然後轉化為各種設計引數，作為產品配置的輸入，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，筆者提出一種基於例項的PIC模型，將汽車的部件、三維和約束資訊整合為一個整體，然後利用互動式遺傳演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.基於例項推理的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例項資源的整合，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例項的PIC3層模型，將企業擁有的設計例項資源整合為一個整體，以滿足產品配置求解的要求，如圖1所示。
圖1基於例項推理的PIC模型
（1）P（parts）層為部件層，是PIC3層模型的基礎層，實質為產品的各個組成部分的模組化樹狀模型。其可以表示為P=（NUM,NAME,F,PA）。NUM為各部件模組的標識；NAME為各部件模組的名稱；F={f1,f2,…，fq}（q>0）為各部件模組的功能屬性；PA={pa1,pa2,…，pau}（u>0）為各部件模組的特徵引數。
（2）I（information）層為資訊層，是P層的例項化，包含有P層各個部件的不同例項的`三維資訊、裝配資訊和拓撲資訊，可以表示為I=（NUM,PNUM,3Dinfo,Tinfo,Ainfo）。其中：NUM為該例項資訊模組的標識；PNUM為該例項資訊模組對應的P層部件模組的標識；3Dinfo為該例項的3D資訊，能夠描述出該例項模組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為該例項模組的拓撲資訊，即在產品組裝時與該例項模組相鄰的上級、下級和同級的模組位置資訊；Ainfo為該例項的裝配資訊，能夠描述該例項模組在產品組裝時自身的特徵引數以及對相鄰各模組的引數要求。
（3）C（constrains）層為約束層，是對於P層和I層約束資訊的提取和整合，包括來自P層的非結構性約束和來自I層的結構性約束，可以表示為C=（NUM,NAME,TYPE,IF,THEN）。其中：NUM為該約束的標識；NAME為該約束的名稱；TYPE為該約束的型別，TYPE=0,則該約束為結構性約束；TYPE=1,該約束為非結構性約束；IF為該約束的條件輸入項；THEN為該約束的結論輸出項。
2.基於互動式遺傳演算法的產品配置求解
對於產品配置問題的求解，充分考慮使用者的個性需求，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，因此筆者應用互動式遺傳演算法來解決產品配置問題。互動式遺傳演算法是將傳統進化計算與人的智慧評價有機結合，是一種解決隱式效能指標最佳化問題的有效方法。互動式遺傳演算法需要使用者的評價來實現進化，因此能使使用者積極地參與到產品定製設計中，最大限度地滿足其要求。傳統的互動式遺傳演算法流程如圖2所示。
圖2互動式遺傳演算法的流程
欲使用IGA進行產品配置求解，還需要對汽車的各個模組例項進行編碼，使之成為IGA能夠識別的“基因”.筆者根據PIC模型用二進位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，以汽車操控臺為例，總體分為6個部分，分別對應操控臺的5大模組和顏色模組，每一部分又進一步根據PIC模型中P層分為若干基因，每一個基因的二進位制程式碼均代表一個具體的例項。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”的例項。
將汽車的各個模組轉變為IGA能夠識別的“基因”之後，就可以按照IGA的演算法流程對其進行遺傳操作，經過進化最終得到使用者滿意的個體。
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互動式遺傳演算法的汽車操控臺定製設計系統採用3層體系結構，分別為資源層、應用層和使用者層，如圖4所示。
（1）資源層是系統的基礎層，為應用層以及使用者層的各個功能的實現提供基礎的資料和參考。資源層建立在包括硬體平臺、資料庫、PDM和網路等基礎設施上，透過資料庫伺服器與應用層的各個客戶端連線。資源層的資料涵蓋了基於改進的互動式遺傳演算法的汽車操控臺定製設計系統所需要的所有資料，包括產品例項庫、三維資訊庫、拓撲資訊庫和配置約束庫等。
（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。來自資源層的資料首先透過配置知識表示單元轉化為基於PIC模型的配置知識，進入到PIC模型資料庫，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，透過與使用者層互動，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新增到PIC模型資料庫中，實現資料的實時更新。
（3）使用者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。使用者層透過人機互動介面與應用層的應用伺服器連線，使得客戶對IGA演算法產生的個體進行評價，促使種群進化，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執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
將資源層中的各種資料轉換為能夠用來配置求解的知識，其過程透過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層實質為產品的各個組成部分的模組化樹狀模型，因此，將汽車操控臺分為5大模組：方向盤、中控臺、儀表盤、變速桿和空調出口。然後，每一模組又進一步向下細分，從而得出模組化樹狀模型，如圖5所示。每一層級的模組均有不同的例項與其對應，而每一個例項均有三維資訊、裝配資訊和拓撲資訊，從而引出I層模型。
（2）汽車操控臺的I層模型。I層是P層的例項化，包含P層各個部件的不同例項的三維資訊、裝配資訊和拓撲資訊。以方向盤為例，它的某一個具體例項的三維資訊（3Dinfo）如圖6所示，由若干曲線、曲面和基準特徵幾何結構組成，能夠描述出該例項模組的基本空間位置和幾何形狀；拓撲資訊（Tinfo）以二維表的形式表示出該例項與上級（操控臺整體）、下級（喇叭按鈕、音量調節鍵等）和同級（操控臺）的位置資訊；裝配資訊（Ainfo）描述該方向盤例項在產品組裝時自身的特徵引數以及對相鄰各模組（儀表盤）的引數要求。
（3）汽車操控臺的C層模型。C層是對於P層和I層約束資訊的提取和整合。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為系統的互動介面，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，使用者可以透過該介面來對系統產生的個體進行評價，促使種群進化，最終產生滿意的個體。初始介面上顯示的個體均為2D模式，如果對某一個體感興趣，可以點選“3D”來檢視該個體的3D影象。在使用者發現自己滿意的個體時，可以點選“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，提出一種基於例項推理的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互動介面資訊的問題，然後採用互動式遺傳演算法進行產品配置的求解，使得使用者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，充分考慮了其三維資訊和約束資訊，並能夠滿足使用者的個性化需求。（圖示、參考文獻略）