基于数据挖掘的绿色设计中客户需求向工程特性权重转化方法

张 雷 钟言久 袁 远 李 璟 秦 旭 董万富

合肥工业大学机械工程学院，合肥，230009

0 引言

一款产品能否成功，取决于产品的设计是否满足客户的需求。市场竞争逐渐从“以产值为中心”过渡到“以客户需求为中心”，企业赢得市场的关键在于能否对客户需求进行快速响应，并将其准确地反映到产品中。现有的一些设计原理和方法，如质量功能展开(quality function deployment，QFD)、公理化设计(axiomatic design，AD)及TRIZ等[1]，可以帮助设计人员分析客户需求与产品特性之间的关系，从而将客户需求转化为产品工程特性。但是这些转化方法仍主要依赖于设计者的主观打分，且转化过程比较复杂，会严重影响客户定制化产品的设计效率和效果。随着大数据、云计算和物联网等新技术的兴起，新一轮的工业革命悄然发生，大数据正在给经济的发展带来不可估量的价值[2-3]，因此，如何利用大数据技术进行客户需求分析，成为未来研究的重点。

目前相关学者在客户需求向产品特性的转化方面进行了研究。袁长峰等[4]提出了需求单元的概念和需求单元粒度的思想，旨在对客户需求进行分解，同时，他们从分析客户需求语义入手，提出“语义分割、语义转化、人-机-环境补充或细分、需求语义合并”的需求分解方法，用该方法合理控制需求元粒度，可有效分解客户最初的定制需求；王鹏家等[5]基于粗糙集理论，提出了面向客户需求的机床产品配置方法，并开发了优化决策系统；李瑞森等[6]通过研究需求元的客户需求多级递阶分析方法，提出了基于黑箱原理的设计参数建模及设计方案择优的方法；高洋等[7]提出了一种基于数据包网络分析和灰色关联分析方法的绿色设计工程参数转化方法，用绿色性能和功能技术需求关系矩阵代替技术竞争性矩阵，用功能技术需求约束和功能技术需求关系矩阵代替自相关矩阵，对传统质量屋进行了改进；SOOTA[8]提出了一种启发式的方法，用分析网络和质量功能展开的综合方法来进行产品开发；LIU等[9]提出了一种新的两阶段方法来帮助企业实现客户协同产品设计，在第一阶段，提出了基于模糊多准则决策和供应商预算约束的质量功能配置，以最大限度地提高客户满意度，在第二阶段，提出了一种有效的方法来确定设计结构矩阵中具有最小总反馈时间的几个耦合活动的适当序列。在客户需求向工程特性的转化方面，QFD是企业的重要方法，但CARNEVALLI等[10]通过对QFD三次实地应用研究发现，该方法既复杂又耗时，还有改进的空间。

由于客户需求向工程特性权重转化过程受多因素耦合影响，现有的大部分转化方法仍然存在主观性和复杂性等问题。针对上述问题，本文提出了一种基于数据挖掘的客户需求向工程特性权重转化的方法。利用模糊层次分析法对采集的客户需求进行分析，得到客户需求重要度，建立单一客户的质量屋，构建多层感知器模型(multilayer perceptron，MLP)来挖掘客户需求数据与工程特性权重之间的关系。基于历史转化数据，确定客户需求向工程特性权重之间的转化模型，当新的需求输入时可以避免主观性和模糊性，得到客户需求所对应的工程特性权重，从一定程度上降低了客户需求到工程特性权重转化中的主观性，并优化了复杂的转化过程。

1 客户需求向工程特性权重转化

数据挖掘技术是一个新兴的、非常重要的、具有广阔应用前景和富有挑战性的研究课题，目前已经广泛应用于保险、医学、零售等领域[11]。在产品设计领域，已有相关研究者应用该方法对客户进行分类[12-13]。本文在此基础上，将该方法应用于客户需求数据向工程特性权重的转化中，其主要步骤如下。

(1)采集训练样本数据。采用模糊层次分析法对客户需求数据进行分析，确定各自的权重。并对不同的客户需求分别建立质量屋，得到与之对应的工程特性权重，从而得到客户需求到工程特性权重的训练样本数据。

(2)建立有监督的机器学习模型。首先建立多层感知器模型，设定输入层和输出层神经元个数以及隐含层层数。同时，根据数据特性选定激活函数。

(3)模型的训练与验证。利用样本数据对已建立的模型进行训练，从而建立客户需求向工程特性权重的转化模型，并通过测试数据来验证模型的可行性和准确度。

传统转化方法与基于数据挖掘的转化方法之间的对比见图1。基于数据挖掘的转化方法优化了转化的步骤及复杂程度，同时降低了转化过程中的主观性。

图1 基于数据挖掘的客户需求转化与传统方法对比Fig.1 Comparison between customer demand converting based on data mining and traditional method

1.1 客户需求与工程特性权重样本采集

客户需求重要度反映了客户对某一产品需求的重视程度，不同的客户需求在产品绿色设计中的影响是不同的，具有不同的重要度。客户需求重要度决定着工程特性的优化与决策,因此，在产品绿色设计中，应按照产品客户需求的重要度排序，应优先考虑重要的、必须满足的客户需求。本文首先采用模糊层次分析法(fuzzy-analytic hierarchy process，F-AHP)来确定产品的客户需求重要度，同时采用绿色质量功能配置(QFD for environment，QFDE)进行客户需求向工程特性的认知转化。具体步骤如下。

(1)客户需要按照表1的标度，对每一项需求选择一个分值。客户需求采集时，需要记录客户个人对每一项需求的分值，并按照下式记录客户需求数据：

R(X)={R1,R2,…,Rm} (1)

其中，R表示客户需求，Rm表示客户的某一项需求，R(X)表示第X个人的客户需求集合。

(2)使用模糊层次分析法处理客户需求数据，得到客户需求重要度，过程如下。

将获取的客户需求，按表2中的0.1～0.9标度建立客户需求优先级关系矩阵F=[fij]m×m，具体含义见表2。有

(2)

将优先关系矩阵F转化为模糊一致判断矩阵W=[wij]m×m，即

(3)

按行求和，可得

(4)

由模糊一致化判断矩阵W求产品客户需求重要度α=(α1，α1，…，αm)。客户需求之间的模糊一致化判断矩阵W为：

R1R2…RmL

(5)

对li归一化处理，即可得到每一项客户需求的重要度：

(6)

式中，m为矩阵阶数。

由此，得到客户需求重要度α=(α1，α1，…，αm)。

(3)工程特性是用以满足客户需求的手段，是工程技术人员根据需求制定的，通常是根据类似产品的技术特性采用类比的方法，或者根据经验确定的，即

C={C1,C2,…,Cn}

(7)

式中，C为工程特性集合；Cn为某项工程特性。

通过建立质量屋，将客户需求重要度α=(α1，α1，…，αm)转化到工程特性重要度w=(w1，w1，…，wn)。

通过步骤(2)确定客户需求重要度，建立客户需求与工程特性的关系矩阵R。矩阵R反映了从客户需求到工程特性的一种映射关系，表明了工程特性和客户需求的相关程度，一般用强相关、弱相关和不相关进行描述。构建矩阵R是客户需求转化的关键，有以下2个步骤:

①用0-1-9标度分别表示客户需求与技术特性之间的“不相关”、“弱相关”和“强相关”，构建关系矩阵B=[bij]m×n，对bij进行归一化处理，即

(8)

②将关系矩阵B改造成客户需求与产品绿色设计工程特性之间的转化矩阵R，定义如下：

R=rijrij≥0

(9)

通过客户需求与工程特性的关系矩阵R，结合客户需求重要度，可以计算出任意一项工程特性重要度。已知客户需求重要度α=(α1，α1，…，αm)，转化得到的工程特性重要度可表示为w=(w1，w1，…，wn)，其计算公式如下：

(10)

工程特性重要度表示该产品设计要求对产品绿色性能影响的程度。重要度大的绿色产品设计要求，在设计时需重点考虑。整理获得客户需求与工程特性的样本数据集(R，Cω)，其中，Cω为某项工程特性的权重。

1.2 有监督的机器学习模型的构建

客户需求数据与工程特性之间是一种复杂的多对多映射关系，为了研究这种复杂的多对多映射关系，采用机器学习中监督学习的思想对样本数据进行挖掘。监督学习是一种通过已有的训练样本训练得到一个最优模型，利用该模型将所有的输入映射到相应的输出，从而实现对未知数据进行预测的能力。本文采用多层感知器模型来拟合客户需求数据向工程特性权重转化的映射过程。该模型根据输入数据自动调整权值，使得输出值更加接近希望值，从而实现高精度的拟合。

多层感知器神经网络模型结构图见图2，它由输入层、隐含层和输出层组成，每层可以为单层或多层。选择输入变量时，应选择对输出层影响大并且能够检测或提取的变量作为输入层，各输入变量之间互不相关或相关性很小。

图2 多层感知器神经网络模型结构Fig.2 Model structure of MLP neural network

在该模型中，将客户需求数据作为输入，将工程特性权重作为输出，利用多层感知器神经网络模型建立绿色设计工程特性权重预测模型，以反映客户需求数据与工程特性权重之间的复杂映射关系。该模型计算流程见图3。

图3 机器学习流程Fig.3 Machine learning process

假设输入层神经元有r个，输入层为X，隐含层为h，隐含层内包含m个神经元，激活函数为fh，输出层为Y，输出层内有k个神经元，对应的激活函数为fY。则隐含层中第j个神经元的输出为

(11)

输出层第k个神经元的输出为

(12)

式中，v、w为权重；a、b为隐含层与输出层偏差。

函数f为非线性激活函数，常见的有sigmoid或tanh，本文选取sigmoid作为激活函数，即

(13)

1.3 客户需求向工程特性权重转化

客户需求向工程特性的转化是将客户需求转化为设计人员容易理解的工程特性的过程，快速、高效且相对客观地实现客户需求向工程特性的转化，有利于提升产品的开发质量和效率。本文建立了一种基于数据挖掘的客户需求数据向工程特性权重的转化方法，通过分析历史设计数据，建立客户需求与工程特性之间的映射关系，利用多层感知器建立客户需求向工程特性权重的转化模型，实现快速、高效且相对客观的转化。转化方法的流程见图4。

图4 客户需求数据向工程特性权重转化流程Fig.4 The transform process of customer demand to engineering characteristics weight

一般情况下，客户对理想的产品缺乏系统、明确的描述，并且描述中存在大量的冗余信息(需求冗余)，因此，在获取客户需求后，需要对其进行分析、筛选和整理。将整理后的客户需求数据按照表1的标度进行表达，表达完成的客户需求数据即为客户需求样本数据。

采用F-AHP对样本数据进行处理，通过优先关系和模糊一致化处理可以得到客户需求重要度，依据该客户需求重要度建立质量屋，通过质量屋的转化可以得到与之对应的工程特性权重。将客户需求与工程特性权重进行整理，得到(R,Cω)样本集。

将样本集输入到多层感知器模型中进行学习，经过自学习后可以训练出客户需求数据与工程特性权重之间的非线性、多对多的学习模型。通过多层感知器的学习可以得到客户需求数据与工程特性权重之间的学习模型，并将工程特性权重输入映射到向量w=(w1，w1，…，wn)。多维模型的整合见图5，实现多维客户需求数据向多维工程特性的映射分析。

图5 多维模型Fig.5 Multi-dimension model

2 应用实例

在机械传动领域，减速器作为动力源和执行机构的中间装置，已经有数百年的历史，并且产品类型丰富，例如，圆柱齿轮减速器、涡轮减速器、行星齿轮减速器等。随着环保意识的提高，客户对减速器的功能需求也越发丰富，如何快速实现减速器的客户需求向工程特性权重转化将成为重点研究方向。本文以某型号的单极圆柱减速器为例，对所提方法进行验证。该单极圆柱减速器的零件见表3。

表3 减速器的主要零部件

经过整理获得减速器的完整客户需求数据集(R,C)。其中，R为通过需求采集获取的客户需求数据，C为技术工程人员根据类似产品的技术特性采用类比方法得到的工程特性。R和C见表4。

表4 用户需求与工程特性

为了研究客户需求与工程特性之间的关系，选择用户需求集合{承载能力大，振动噪声低，故障少，性价比高，便于拆卸，降低能耗}作为输入。选择某一位客户的需求数据进行模糊层次分析确定客户需求重要度，然后进行QFDE的质量屋构建，确定工程特性权重。该客户的需求数据见表5。

表5 客户A的客户需求

对客户需求数据进行模糊一致化处理，得到优先关系矩阵F和模糊一致性矩阵W：

同时，进行归一化处理，即可得到客户需求的重要度(0.156 666 667,0.136 666 667,0.156 666 667，0.196 666 667,0.216 666 667,0.136 666 667)。

在确定客户需求重要度的基础上，建立该减速器客户需求的质量屋，计算与之对应的工程特性权重。用(0，1，3，5)表示客户需求与工程特性之间的关系，分别表示不相关、弱相关、一般相关和强相关。建立客户需求向工程特性权重转化的质量屋。该客户的需求数据与工程特性权重之间的对应关系为(R,Cw)={(3,1,3,7,9,1),(0.81,1.53,1.20,1.76,1.81,1.74,1.55,1.98)}。根据以上计算结果，整理得到一个样本数据集，该样本集即客户需求数据与工程参数权重之间的对应关系。样本数据集见表6，质量屋见表7。

表6 样本数据集

表7 客户需求的减速器质量屋

本文采用IBM SPSS Statistics 22对数据样本集进行MLP分析。在客户需求向工程特性权重的转化模型建立过程中，客户需求数据作为输入层，工程特性权重作为输出层，隐含层为2层。选择总体数据的70%作为训练样本，30%作为测试样本，激活函数选择sigmoid函数，选择批处理的培训类型，调整共轭梯度的优化算法，该方法可以实现直接总误差的最小化，最初学习率为0.4，排除存在缺失值的数据，终止条件依次为预测误差未减少情况下的最大步骤数、最长培训时间、最长培训时程(最大收敛次数)、培训误差的相对变化率、培训误差率准则。建立图6所示的模型，并将该模型导出至XML文件。

图6 MLP模型Fig.6 Model of MLP

因变量的观察预测图见图7，残差分析图见图8。模型回归平方和为0.633，相对精度较高，将该模型视为客户需求向工程特性权重转化的最优模型，由于因变量的工程特性较多，每一工程特性存在一个输出的XML模型文件，故客户需求数据向工程特性的转化模型需要将输出的XML文件进行封装。建立客户需求数据向工程特性的转化模型，通过代码分别调用MLP输出的XML模型，并将模型进行封装，即可得到客户需求向工程特性转化的MLP模型。为了验证最优模型的可行性，输入新的客户需求数据，进行模型计算和传统计算，对比结果见图9。

图7 MLP观察预测图Fig.7 Observation and forecast of MLP

图8 MLP残差分析图Fig.8 Residual analysis of MLP

由图9可知，对比分析误差最大值为0.6，预测效果较好。将该最优模型封装，当分析新的客户需求时，只需要利用模型进行计算，就可以降低主观性以及转化过程的复杂性。

图9 模型计算与传统计算的对比Fig.9 Comparison between model calculation and traditional calculation

3 结论

本文研究了基于数据挖掘的客户需求数据向工程特性权重的转化方法。通过研究客户需求数据与对应的工程特性权重之间关系，可以有效地预测新的客户需求所对应工程特性权重。该方法具有以下特点：

(1)区别于传统的客户需求向工程特性的转化方法，有效地规避了转化过程中的主观性和模糊性。

(2)降低了客户需求向工程特性转化过程的复杂程度，可以快速分析客户需求并得到与之对应的工程特性权重。

(3)根据客户需求，建立MLP最优模型，实现了多维客户需求数据向多维工程特性权重的映射分析。

(4)利用监督学习的思想，挖掘客户需求数据与工程特性权重之间的关系，且精度较高，可以用来预测新客户需求所对应的工程特性权重。