基于數據挖掘的綠色設計中客戶需求向工程特性權重轉化方法

張 雷 鐘言久 袁 遠 李 璟 秦 旭 董萬富

合肥工業大學機械工程學院，合肥，230009

0 引言

一款產品能否成功，取決于產品的設計是否滿足客戶的需求。市場競爭逐漸從“以產值為中心”過渡到“以客戶需求為中心”，企業贏得市場的關鍵在于能否對客戶需求進行快速響應，并將其準確地反映到產品中。現有的一些設計原理和方法，如質量功能展開(quality function deployment，QFD)、公理化設計(axiomatic design，AD)及TRIZ等[1]，可以幫助設計人員分析客戶需求與產品特性之間的關系，從而將客戶需求轉化為產品工程特性。但是這些轉化方法仍主要依賴于設計者的主觀打分，且轉化過程比較復雜，會嚴重影響客戶定制化產品的設計效率和效果。隨著大數據、云計算和物聯網等新技術的興起，新一輪的工業革命悄然發生，大數據正在給經濟的發展帶來不可估量的價值[2-3]，因此，如何利用大數據技術進行客戶需求分析，成為未來研究的重點。

目前相關學者在客戶需求向產品特性的轉化方面進行了研究。袁長峰等[4]提出了需求單元的概念和需求單元粒度的思想，旨在對客戶需求進行分解，同時，他們從分析客戶需求語義入手，提出“語義分割、語義轉化、人-機-環境補充或細分、需求語義合并”的需求分解方法，用該方法合理控制需求元粒度，可有效分解客戶最初的定制需求；王鵬家等[5]基于粗糙集理論，提出了面向客戶需求的機床產品配置方法，并開發了優化決策系統；李瑞森等[6]通過研究需求元的客戶需求多級遞階分析方法，提出了基于黑箱原理的設計參數建模及設計方案擇優的方法；高洋等[7]提出了一種基于數據包網絡分析和灰色關聯分析方法的綠色設計工程參數轉化方法，用綠色性能和功能技術需求關系矩陣代替技術競爭性矩陣，用功能技術需求約束和功能技術需求關系矩陣代替自相關矩陣，對傳統質量屋進行了改進；SOOTA[8]提出了一種啟發式的方法，用分析網絡和質量功能展開的綜合方法來進行產品開發；LIU等[9]提出了一種新的兩階段方法來幫助企業實現客戶協同產品設計，在第一階段，提出了基于模糊多準則決策和供應商預算約束的質量功能配置，以最大限度地提高客戶滿意度，在第二階段，提出了一種有效的方法來確定設計結構矩陣中具有最小總反饋時間的幾個耦合活動的適當序列。在客戶需求向工程特性的轉化方面，QFD是企業的重要方法，但CARNEVALLI等[10]通過對QFD三次實地應用研究發現，該方法既復雜又耗時，還有改進的空間。

由于客戶需求向工程特性權重轉化過程受多因素耦合影響，現有的大部分轉化方法仍然存在主觀性和復雜性等問題。針對上述問題，本文提出了一種基于數據挖掘的客戶需求向工程特性權重轉化的方法。利用模糊層次分析法對采集的客戶需求進行分析，得到客戶需求重要度，建立單一客戶的質量屋，構建多層感知器模型(multilayer perceptron，MLP)來挖掘客戶需求數據與工程特性權重之間的關系。基于歷史轉化數據，確定客戶需求向工程特性權重之間的轉化模型，當新的需求輸入時可以避免主觀性和模糊性，得到客戶需求所對應的工程特性權重，從一定程度上降低了客戶需求到工程特性權重轉化中的主觀性，并優化了復雜的轉化過程。

1 客戶需求向工程特性權重轉化

數據挖掘技術是一個新興的、非常重要的、具有廣闊應用前景和富有挑戰性的研究課題，目前已經廣泛應用于保險、醫學、零售等領域[11]。在產品設計領域，已有相關研究者應用該方法對客戶進行分類[12-13]。本文在此基礎上，將該方法應用于客戶需求數據向工程特性權重的轉化中，其主要步驟如下。

(1)采集訓練樣本數據。采用模糊層次分析法對客戶需求數據進行分析，確定各自的權重。并對不同的客戶需求分別建立質量屋，得到與之對應的工程特性權重，從而得到客戶需求到工程特性權重的訓練樣本數據。

(2)建立有監督的機器學習模型。首先建立多層感知器模型，設定輸入層和輸出層神經元個數以及隱含層層數。同時，根據數據特性選定激活函數。

(3)模型的訓練與驗證。利用樣本數據對已建立的模型進行訓練，從而建立客戶需求向工程特性權重的轉化模型，并通過測試數據來驗證模型的可行性和準確度。

傳統轉化方法與基于數據挖掘的轉化方法之間的對比見圖1。基于數據挖掘的轉化方法優化了轉化的步驟及復雜程度，同時降低了轉化過程中的主觀性。

圖1 基于數據挖掘的客戶需求轉化與傳統方法對比Fig.1 Comparison between customer demand converting based on data mining and traditional method

1.1 客戶需求與工程特性權重樣本采集

客戶需求重要度反映了客戶對某一產品需求的重視程度，不同的客戶需求在產品綠色設計中的影響是不同的，具有不同的重要度。客戶需求重要度決定著工程特性的優化與決策,因此，在產品綠色設計中，應按照產品客戶需求的重要度排序，應優先考慮重要的、必須滿足的客戶需求。本文首先采用模糊層次分析法(fuzzy-analytic hierarchy process，F-AHP)來確定產品的客戶需求重要度，同時采用綠色質量功能配置(QFD for environment，QFDE)進行客戶需求向工程特性的認知轉化。具體步驟如下。

(1)客戶需要按照表1的標度，對每一項需求選擇一個分值。客戶需求采集時，需要記錄客戶個人對每一項需求的分值，并按照下式記錄客戶需求數據：

R(X)={R1,R2,…,Rm} (1)

其中，R表示客戶需求，Rm表示客戶的某一項需求，R(X)表示第X個人的客戶需求集合。

(2)使用模糊層次分析法處理客戶需求數據，得到客戶需求重要度，過程如下。

將獲取的客戶需求，按表2中的0.1～0.9標度建立客戶需求優先級關系矩陣F=[fij]m×m，具體含義見表2。有

(2)

將優先關系矩陣F轉化為模糊一致判斷矩陣W=[wij]m×m，即

(3)

按行求和，可得

(4)

由模糊一致化判斷矩陣W求產品客戶需求重要度α=(α1，α1，…，αm)。客戶需求之間的模糊一致化判斷矩陣W為：

R1R2…RmL

(5)

對li歸一化處理，即可得到每一項客戶需求的重要度：

(6)

式中，m為矩陣階數。

由此，得到客戶需求重要度α=(α1，α1，…，αm)。

(3)工程特性是用以滿足客戶需求的手段，是工程技術人員根據需求制定的，通常是根據類似產品的技術特性采用類比的方法，或者根據經驗確定的，即

C={C1,C2,…,Cn}

(7)

式中，C為工程特性集合；Cn為某項工程特性。

通過建立質量屋，將客戶需求重要度α=(α1，α1，…，αm)轉化到工程特性重要度w=(w1，w1，…，wn)。

通過步驟(2)確定客戶需求重要度，建立客戶需求與工程特性的關系矩陣R。矩陣R反映了從客戶需求到工程特性的一種映射關系，表明了工程特性和客戶需求的相關程度，一般用強相關、弱相關和不相關進行描述。構建矩陣R是客戶需求轉化的關鍵，有以下2個步驟:

①用0-1-9標度分別表示客戶需求與技術特性之間的“不相關”、“弱相關”和“強相關”，構建關系矩陣B=[bij]m×n，對bij進行歸一化處理，即

(8)

②將關系矩陣B改造成客戶需求與產品綠色設計工程特性之間的轉化矩陣R，定義如下：

R=rijrij≥0

(9)

通過客戶需求與工程特性的關系矩陣R，結合客戶需求重要度，可以計算出任意一項工程特性重要度。已知客戶需求重要度α=(α1，α1，…，αm)，轉化得到的工程特性重要度可表示為w=(w1，w1，…，wn)，其計算公式如下：

(10)

工程特性重要度表示該產品設計要求對產品綠色性能影響的程度。重要度大的綠色產品設計要求，在設計時需重點考慮。整理獲得客戶需求與工程特性的樣本數據集(R，Cω)，其中，Cω為某項工程特性的權重。

1.2 有監督的機器學習模型的構建

客戶需求數據與工程特性之間是一種復雜的多對多映射關系，為了研究這種復雜的多對多映射關系，采用機器學習中監督學習的思想對樣本數據進行挖掘。監督學習是一種通過已有的訓練樣本訓練得到一個最優模型，利用該模型將所有的輸入映射到相應的輸出，從而實現對未知數據進行預測的能力。本文采用多層感知器模型來擬合客戶需求數據向工程特性權重轉化的映射過程。該模型根據輸入數據自動調整權值，使得輸出值更加接近希望值，從而實現高精度的擬合。

多層感知器神經網絡模型結構圖見圖2，它由輸入層、隱含層和輸出層組成，每層可以為單層或多層。選擇輸入變量時，應選擇對輸出層影響大并且能夠檢測或提取的變量作為輸入層，各輸入變量之間互不相關或相關性很小。

圖2 多層感知器神經網絡模型結構Fig.2 Model structure of MLP neural network

在該模型中，將客戶需求數據作為輸入，將工程特性權重作為輸出，利用多層感知器神經網絡模型建立綠色設計工程特性權重預測模型，以反映客戶需求數據與工程特性權重之間的復雜映射關系。該模型計算流程見圖3。

圖3 機器學習流程Fig.3 Machine learning process

假設輸入層神經元有r個，輸入層為X，隱含層為h，隱含層內包含m個神經元，激活函數為fh，輸出層為Y，輸出層內有k個神經元，對應的激活函數為fY。則隱含層中第j個神經元的輸出為

(11)

輸出層第k個神經元的輸出為

(12)

式中，v、w為權重；a、b為隱含層與輸出層偏差。

函數f為非線性激活函數，常見的有sigmoid或tanh，本文選取sigmoid作為激活函數，即

(13)

1.3 客戶需求向工程特性權重轉化

客戶需求向工程特性的轉化是將客戶需求轉化為設計人員容易理解的工程特性的過程，快速、高效且相對客觀地實現客戶需求向工程特性的轉化，有利于提升產品的開發質量和效率。本文建立了一種基于數據挖掘的客戶需求數據向工程特性權重的轉化方法，通過分析歷史設計數據，建立客戶需求與工程特性之間的映射關系，利用多層感知器建立客戶需求向工程特性權重的轉化模型，實現快速、高效且相對客觀的轉化。轉化方法的流程見圖4。

圖4 客戶需求數據向工程特性權重轉化流程Fig.4 The transform process of customer demand to engineering characteristics weight

一般情況下，客戶對理想的產品缺乏系統、明確的描述，并且描述中存在大量的冗余信息(需求冗余)，因此，在獲取客戶需求后，需要對其進行分析、篩選和整理。將整理后的客戶需求數據按照表1的標度進行表達，表達完成的客戶需求數據即為客戶需求樣本數據。

采用F-AHP對樣本數據進行處理，通過優先關系和模糊一致化處理可以得到客戶需求重要度，依據該客戶需求重要度建立質量屋，通過質量屋的轉化可以得到與之對應的工程特性權重。將客戶需求與工程特性權重進行整理，得到(R,Cω)樣本集。

將樣本集輸入到多層感知器模型中進行學習，經過自學習后可以訓練出客戶需求數據與工程特性權重之間的非線性、多對多的學習模型。通過多層感知器的學習可以得到客戶需求數據與工程特性權重之間的學習模型，并將工程特性權重輸入映射到向量w=(w1，w1，…，wn)。多維模型的整合見圖5，實現多維客戶需求數據向多維工程特性的映射分析。

圖5 多維模型Fig.5 Multi-dimension model

2 應用實例

在機械傳動領域，減速器作為動力源和執行機構的中間裝置，已經有數百年的歷史，并且產品類型豐富，例如，圓柱齒輪減速器、渦輪減速器、行星齒輪減速器等。隨著環保意識的提高，客戶對減速器的功能需求也越發豐富，如何快速實現減速器的客戶需求向工程特性權重轉化將成為重點研究方向。本文以某型號的單極圓柱減速器為例，對所提方法進行驗證。該單極圓柱減速器的零件見表3。

表3 減速器的主要零部件

經過整理獲得減速器的完整客戶需求數據集(R,C)。其中，R為通過需求采集獲取的客戶需求數據，C為技術工程人員根據類似產品的技術特性采用類比方法得到的工程特性。R和C見表4。

表4 用戶需求與工程特性

為了研究客戶需求與工程特性之間的關系，選擇用戶需求集合{承載能力大，振動噪聲低，故障少，性價比高，便于拆卸，降低能耗}作為輸入。選擇某一位客戶的需求數據進行模糊層次分析確定客戶需求重要度，然后進行QFDE的質量屋構建，確定工程特性權重。該客戶的需求數據見表5。

表5 客戶A的客戶需求

對客戶需求數據進行模糊一致化處理，得到優先關系矩陣F和模糊一致性矩陣W：

同時，進行歸一化處理，即可得到客戶需求的重要度(0.156 666 667,0.136 666 667,0.156 666 667，0.196 666 667,0.216 666 667,0.136 666 667)。

在確定客戶需求重要度的基礎上，建立該減速器客戶需求的質量屋，計算與之對應的工程特性權重。用(0，1，3，5)表示客戶需求與工程特性之間的關系，分別表示不相關、弱相關、一般相關和強相關。建立客戶需求向工程特性權重轉化的質量屋。該客戶的需求數據與工程特性權重之間的對應關系為(R,Cw)={(3,1,3,7,9,1),(0.81,1.53,1.20,1.76,1.81,1.74,1.55,1.98)}。根據以上計算結果，整理得到一個樣本數據集，該樣本集即客戶需求數據與工程參數權重之間的對應關系。樣本數據集見表6，質量屋見表7。

表6 樣本數據集

表7 客戶需求的減速器質量屋

本文采用IBM SPSS Statistics 22對數據樣本集進行MLP分析。在客戶需求向工程特性權重的轉化模型建立過程中，客戶需求數據作為輸入層，工程特性權重作為輸出層，隱含層為2層。選擇總體數據的70%作為訓練樣本，30%作為測試樣本，激活函數選擇sigmoid函數，選擇批處理的培訓類型，調整共軛梯度的優化算法，該方法可以實現直接總誤差的最小化，最初學習率為0.4，排除存在缺失值的數據，終止條件依次為預測誤差未減少情況下的最大步驟數、最長培訓時間、最長培訓時程(最大收斂次數)、培訓誤差的相對變化率、培訓誤差率準則。建立圖6所示的模型，并將該模型導出至XML文件。

圖6 MLP模型Fig.6 Model of MLP

因變量的觀察預測圖見圖7，殘差分析圖見圖8。模型回歸平方和為0.633，相對精度較高，將該模型視為客戶需求向工程特性權重轉化的最優模型，由于因變量的工程特性較多，每一工程特性存在一個輸出的XML模型文件，故客戶需求數據向工程特性的轉化模型需要將輸出的XML文件進行封裝。建立客戶需求數據向工程特性的轉化模型，通過代碼分別調用MLP輸出的XML模型，并將模型進行封裝，即可得到客戶需求向工程特性轉化的MLP模型。為了驗證最優模型的可行性，輸入新的客戶需求數據，進行模型計算和傳統計算，對比結果見圖9。

圖7 MLP觀察預測圖Fig.7 Observation and forecast of MLP

圖8 MLP殘差分析圖Fig.8 Residual analysis of MLP

由圖9可知，對比分析誤差最大值為0.6，預測效果較好。將該最優模型封裝，當分析新的客戶需求時，只需要利用模型進行計算，就可以降低主觀性以及轉化過程的復雜性。

圖9 模型計算與傳統計算的對比Fig.9 Comparison between model calculation and traditional calculation

3 結論

本文研究了基于數據挖掘的客戶需求數據向工程特性權重的轉化方法。通過研究客戶需求數據與對應的工程特性權重之間關系，可以有效地預測新的客戶需求所對應工程特性權重。該方法具有以下特點：

(1)區別于傳統的客戶需求向工程特性的轉化方法，有效地規避了轉化過程中的主觀性和模糊性。

(2)降低了客戶需求向工程特性轉化過程的復雜程度，可以快速分析客戶需求并得到與之對應的工程特性權重。

(3)根據客戶需求，建立MLP最優模型，實現了多維客戶需求數據向多維工程特性權重的映射分析。

(4)利用監督學習的思想，挖掘客戶需求數據與工程特性權重之間的關系，且精度較高，可以用來預測新客戶需求所對應的工程特性權重。