面向成本的设计方法研究

面向成本的设计方法研究

在中国的一些地区，家庭开始大规模地向家庭销售豪华轿车，对家庭的豪华轿车的需求越来越高，但市场竞争日益增长，销售价格不断下降。国内采购公司的产量也在下降。为了提高经济效益，降低成本是关键。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。当前,由于美国次级债等因素引发的金融危机席卷了发达国家的金融和实体经济,因为全球化市场的关系,我国的经济也会受到影响。人们的消费会受到收入减少的影响,花钱更为谨慎。消费者在购买轿车的时候不仅需要考虑购买的价格,也会更加重视使用费用,因此文中从面向成本的设计的角度,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,并通过神经网络集成提高了对LCC估算的精度。同时,对部分性能指标进行了预测。面向成本的设计(DFC),最早出现于20世纪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。由于篇幅所限,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(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%。1家庭车辆lcc估算方法的选择和成本效益分析1.1设计特征映射法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。文中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。这一方法的主要优点有:(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。1.2神经网络集成的基础1990年Hansen和Salamon开创性地提出了神经网络集成方法。他们证明,可以简单地通过训练多个神经网络并将其结果进行合成,显著地提高神经网络系统的泛化能力。1996年Sollich和Krogh为神经网络集成下了一个定义,即“神经网络集成是用有限个神经网络对同一个问题进行学习,集成在某输入示例下的输出由构成集成的各神经网络在该示例下的输出共同决定”。目前这个定义已被广泛接受。1993年Perrone和Cooper证明,在将神经网络集成用于回归估计时,如果采用简单平均,且各网络的误差是期望为0且互相独立的随机变量,则集成的泛化误差为各网络泛化误差平均值的1/N,其中N为集成中网络的数目。常用的一些神经网络模型在学习过程中容易陷入局部极小,这通常被认为是神经网络的主要缺点之一。然而,Perrone和Cooper却认为,这一特性对神经网络集成泛化能力的提高起到了重要作用。这是因为,如果各神经网络互不相关,则它们在学习中很可能会陷入不同的局部极小,这样神经网络集成的差异度(variance)就会很大,从而减小了泛化误差。换句话说,各局部极小的负作用相互抵消了。对于相同的输入,集成中所有网络都给出相同或相近的输出,此时集成的差异度接近于0,其泛化误差接近于各网络泛化误差的加权平均。反之,若集成中各网络是相互独立的,则集成的差异度较大,其泛化误差将远小于各网络泛化误差的加权平均。因此,要增强神经网络集成的泛化能力,就应该尽可能地使集成中各网络的误差互不相关。1.3dfc特征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。文中重点研究的是概念设计的前期,此时一般可以确定的内容有:汽车的总体尺寸、轴距、发动机、车身结构尺寸等。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、汽车质量、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,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)、最大转矩(N·m)和排量(cc)。LCC数据获得比较困难,通过使用100km耗油量、每天100km的行车里程和10a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。文中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。2lcc对家用车的估计和性能预测的例子2.1含层数的输出文中选择了3层神经网络结构,由7个输入节点,1个输出节点作为成本的输出值,一般从简化网络结构的角度看,隐含节点不宜过多,通过实际试算,选择一个隐含层共8个隐含节点已经足够。为了方便程序设计,选择了MATLAB7.0中的神经网络工具箱进行了有关计算。2.2训练样本的选择通过互联网,共收集到经济型家用轿车数据样本19组,其购买费用从3万元～30万元不等,采用12组作为训练样本,7组作为检验样本。LCC训练样本的输出值为:检验样本输出值为:在设计中的汽车性能也是需要关注的指标,对于家用轿车的性能指标数据也进行类似的选择。在2.5节中还给出了SUV(SportUtilityVehicle)的LCC估算结果,说明了文中方法的适用性。2.3结果分析和应用传统的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。文中采用了改进的训练算法,即:LM法(Levenberg-Marquardt)和遗传算法GA(GeneticAlgorithm)。LM法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,使用的算法均存在局部问题,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LM法和遗传算法可以获得相对较好的结果。采用表1中LM训练方法和GA训练方法得到LCC估算结果进行神经网络集成,其估算结果见表2。可以发现平均相对误差明显小于单独使用LM或GA方法。上文是将LCC作为一个整体进行估算的,下文将使用费用(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和GA训练方法的效果较好,以下的估算分别使用了两种方法。从表3、表4和表1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,但总的平均误差都减少了。在表5中给出了最终的结果,可以发现其平均相对误差是最小的,这就是神经网络集成的结果。即使用神经网络估算LCC,分别估算LCC中各个组成部分,然后相加得到LCC,通过神经网络集成的方法是可行的。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。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LCC估算结果看,误差基本控制在-15%～+25%之间,取得了很好的估算结果。2.4神经网络训练算法根据对LCC估算的方法,分别采用家用轿车的100km耗油量和车身质量的样本数据,对神经网络进行训练,训练算法采用了遗传算法和LM方法,得到了如表6和表7的预测结果。从表中数据可以发现,采用神经网络集成后的结果比单独采用遗传算法或LM方法好。2.5全球生命周期成本的估算结果2.5.1训练样本的确定为了说明文中方法的有效性,采用了相同的参数和估算方法得到了SUV的LCC。以收集到的12组数据作为训练样本,6组作为检测样本。其输入属性值如下:75.0220]万元检测样本的属性值:2.5.2lcc的估计SUV的LCC神经网络集成估算结果见表8。3不同神经网络方法下的结果对比文中分别采用LM算法和遗传算法训练BP神经网络,对经济型家用轿车的LCC进行了估算,同时预测了其部分性能指标(100km耗油量和车身质量)。采用遗传算法对BP神经网络的权值进行全局优