面向成本的设计dfc在家用越野车概念设计中的应用

面向成本的设计dfc在家用越野车概念设计中的应用

在中国的一些地区，私家车已经开始大规模进入家庭。如果汽车开始入家庭，将大大提高家庭生活的质量，加快生活节奏，提高时间观念，提高工作效率，扩大活动范围，加快信息交流，加强城乡联系，丰富生活内容，增加生活体验，丰富家庭生活。如果说家用电器的普及是居民生活走向小康的主要标志,而轿车进入家庭则是居民生活从小康走向富裕的主要标志。虽然家用轿车的需求正越来越大,但市场竞争也日益加剧,销售价格不断降低,家用轿车生产企业的利润日益降低,为了提高经济效益,降低成本就是关键问题。产品设计一般决定了产品成本的60%～70%,还可能更多,因此在设计阶段进行成本的控制就是关键,所以在设计阶段的成本估算就是核心问题。消费者在购买轿车的时候不仅需要考虑购买的价格,也必须考虑使用费用,因此本文从面向成本设计的角度,采用基于特征的神经网络方法对家用轿车的全生命周期成本进行了估算。1成本估算方法库的构成DFC(designforcost)的意思是面向成本的设计,它最早出现于90年代初期,是指在满足用户需求的前提下,尽可能地降低成本,通过分析和研究产品制造过程及其相关的销售、使用、维修、回收、报废等产品全生命周期中的各个部分的成本组成情况,并进行评价后,对原设计中影响产品成本的过高费用部分进行修改,以达到降低成本的设计方法。DFC将全生命周期成本作为设计的一个关键参数,并为设计者提供分析、评价成本的支持工具。DFC的主要研究内容有:(1)对全生命周期成本进行分析,提取相应的成本特征,建立全生命周期成本数据库和成本估算方法库。(2)分析设计过程和模型,在不同的设计模型中提取与全生命周期成本有关的设计特征,为成本估算提供设计方面的信息。(3)DFC软件工具的设计与开发:DFC是面向设计者的设计方法,为了提高设计效率和提高设计质量,就需要使用DFC软件工具进行产品设计。(4)依据市场情况进行设计和成本的平衡:在市场竞争日益激烈的情况下,只是具有最低的成本已经不够了,必须寻求最佳的性能/价格比,即在客户能接受的范围内以适当的价格提供最佳的功能,而价格主要是由成本决定的,产品性能与设计是密切相关的,即成本与设计之间需要进行平衡。(5)与其他DFX工具的集成:由于DFC是面向产品全生命周期的,这就要求它必须能够与其他DFX(如:DFM、DFA等)工具协调一致进行工作,即需要建立不同评价标准的协调原则和方法。另外还有建立目标成本说明书和对照表、依据产品和投入工程的费用进行设计和制造手段的选择等。由于本文篇幅所限,有关DFC的详细论述请参考文献。在DFC中的成本是指全生命周期成本(lifecyclecost,LCC),它是指产品从开始酝酿,经过论证、研究、设计、发展、生产、使用一直到最后报废的整个生命周期内所耗费的研究、设计与发展费用、生产费用、使用和保障费用及最后废弃费用的总和。LCC的概念最早由美国国防部(departmentofdefense,DOD)提出并使用,因为在一个典型的武器系统中运行和维护的成本占总成本的75%,对LCC的研究是迫不得已的,但DOD开发的方法不是用于设计的,而是用于采购的。从全生命周期的角度探讨成本的组成,一般包括设计成本、制造成本、销售成本、维修成本、使用成本和回收报废成本,其分布大致为设计成本占全生命周期成本的10%～15%,制造成本约占30%～35%,使用与维修成本约占50%～60%,其他成本所占比例一般小于5%。2使用神经网络进行成本估算的优越性为了降低产品的全生命周期成本,采用合适的方法进行LCC的估算是个关键问题。本文根据概念设计的特点,选择了基于特征的神经网络方法。使用神经网络进行成本估算主要需要以下一些步骤:(1)识别与产品成本有关的特征,如:材料、工艺、产品结构、公差等。(2)对识别出的特征进行分类与量化。由于输入神经网络的特征值一般在0～1之间,需要对实际中的特征值进行处理,这一过程称为量化。(3)构造并训练神经网络。(4)在实际使用中不断训练、校正神经网络的权值。使用神经网络进行成本估算的主要优点有:(1)不需要加工的详细时间。(2)不需要实际的成本函数,ANN具有对实际成本数据的自学学习能力。(3)在概念设计阶段对不同设计的成本估算可以帮助改进设计。(4)从DFC的角度看,为了在设计阶段对成本进行估算,需要将家用轿车的设计特征转换为成本特征,即进行特征映射。采用神经网络方法,可以实现特征的自动映射,减少了人们的工作量。汽车设计一般分为如下阶段:概念设计、技术设计、试制阶段和销售阶段。本文重点研究的是概念设计的前期,此时一般可以确定了内容有:汽车的总体尺寸、轴距、发动机、车身结构尺寸等。本文结合DFC理论和实际情况,提取的设计特征有:体积(长、宽、高)、发动机参数、汽车重量、电子设备特征和驱动特征。但考虑到数据收集的难易程度和概念设计阶段的特点,本文在进行实例计算的时候最终选择了如下特征:长度(mm)、宽度(mm)、高度(mm)、轴距(mm)、最大功率(kW/r/min)、排量(cc)和最大扭矩(nm/r/min)。LCC数据获得比较困难,本文通过使用百公里耗油量、每天100km的行车里程和10年的使用时间计算得到了使用费用,与销售价格相加后得到不十分完整的LCC。本文数据都是通过互联网得到,可能有些不准确,但说明方法的可行性是足够了。3家庭汽车lcc的估计3.1输入参数的数量及验证为了比较所选择的参数情况,我们首先进行了试算,BP神经网络的结构采用3层结构,输入层节点数与输入的特征数量一致,隐含层节点数为其输入特征数量加1,输出层为一个节点,是LCC,训练误差为0.001,试算结果如表1所示。通过比较发现,第二组和第三组的平均相对误差好于第六组,但考虑到实际应用时参数不可能太少,所以本文选择了7个输入参数。为了方便程序设计,我们选择了MATLAB6.5中的神经网络工具箱进行了有关计算。3.2训练样本的输出通过互联网,共收集到经济型家用轿车数据样本19组,其购买费用从3万至30万不等,本文采用12组作为训练样本,7组作为检验样本。训练样本的输出值为:11.132,15.514,16.122,15.488,18.572,20.076,24.124,24.198,37.29,35.788,21.133,40.074万元。检验样本为:35.388,10.112,14.618,17.096,19.887,20.29,24.514万元。3.3在实际应用中的应用结果传统的BP神经网络训练算法采用梯度下降法,收敛速度慢,易于陷入局部极小值,本文采用了改进的训练算法,即:附加动量法、结合自适应学习率的附加动量法和Levenberg-Marquardt(LM)法。Levenberg-Marquardt的长处是在网络权值数目较少时收敛非常迅速,它结合了梯度下降法和牛顿法的优点。需要指出的是,本文使用的算法均存在局部极小问题,所以对网络使用了不同的初始值进行多次的训练,最终运算结果在表1中给出。通过实际应用,发现Levenberg-Marquardt可以获得相对较好的结果。上文是将LCC作为一个整体进行估算的,下文我们将使用费用(油耗费用)和购买费用分别进行估算,然后相加得到LCC的估算结果。因为LM训练方法的效果较好,以下的估算都使用了这一方法。从表1和表2的对比中可以发现,有的估算值误差增加,有的减少,没有规律性,总的平均误差减少了4.445%,对于本文中的测试数据而言,取得了较好的效果。即使用神经网络估算LCC,分别估算LCC中各个组成部分,然后相加的方法是可行的。这样做虽然增加了计算量,但获得的信息也比仅仅估算LCC总量更丰富。当然,在实际应用的时候还可以结合这两种方法进行,然后评价所得到的结果。文献认为在得到成本数据的过程中,在不同的阶段需要在变化,产品信息在不断丰富,在概念设计阶段由于信息的不易获得和不完整,成本估算的准确性一般在-30%～+50%之间;当设计信息进一步丰富,并且可以利用与当前设计相似的历史成本数据时,估算的准确性一般可以达到-15%～+30%;从本文的LCC估算结果看,误差基本控制在了-30%～+30%之间,取得了很好的估算结果。4