按单设计型复杂产品的配置设计技术综述

王 建，黎 荣，武浩远，丁国富，郑宇飞

(西南交通大学 机械工程学院，四川 成都 610031)

1 问题的提出

大规模定制(Mass Customization, MC)生产模式融合了大规模生产与定制生产两种模式的优点，是21世纪制造企业主流的生产模式[1]。产品配置技术因能有效组合企业已有的可配置组件研发技术，快速形成符合定制要求的新产品，而成为大规模定制的关键支撑技术之一，在过去十几年得到了广泛研究和应用[2-3]。产品配置的概念最早于上世纪80年代提出，目前尚未形成统一的定义，目前学术界普遍接受的定义由Mittal和Frayman提出[4]，即产品配置设计是基于固定的、预定义的组件集合，根据配置需求的描述和一些优化配置的标准，按照预知的组件连接关系构建一个或多个满足所有要求的配置结果，配置结果由组件集及组件之间的连接关系构成。借助产品配置技术，企业得以实现以较少的内部多样化(即预定义的组件)向较多的外部多样化(即定制化产品)转化[5]，因此产品配置设计本质上是一种设计知识的重用过程。

产品配置设计对知识的重用通过两个阶段完成：①构建配置模型，企业分析和预测客户需求，对已有设计知识进行规范化、结构化表达，构建出满足某一细分市场的产品结构，并预定义设计组件和配置规则；②配置求解，即当客户提出定制化需求后，基于所构建的配置模型进行配置求解得到产品的配置方案。大规模定制本身存在多种形式，学术界按客户订单分离点(Customer Order Decoupling Point, CODP)的不同将大规模定制产品分为4类[6]，如图1所示。在完成按单销售型(Sale-To-Order, STO)产品的CODP研发后，定制仅发生在运输和销售等阶段，对研发过程没有影响。大规模定制研发技术的研究主要针对按单装配型(Assemble-To-Order, ATO)[7]、按单制造型(Make-To-Order, MTO)[8]、按单设计型(Engineer-To-Order, ETO)[9]3类产品。不同类型大规模定制产品的配置设计对象不同，因此预定义组件和配置规则所包含的设计知识差异很大。

ATO定制模式下，企业保持一定数量的零部件库存，在接到客户订单后迅速按订单的定制要求装配出产品。为此，配置设计系统需要预先定义出装配知识单元和基于装配知识的配置规则，而其配套的制造系统则需要与可装配设计单元对应的部件及柔性的组装车间，以便在最短的时间内组装出满足定制需求的产品。MTO定制模式下，企业的生产计划是根据所接到订单中指定的产品物料清单(Bill of Material，BOM)来规划生产排程并购买原料，配置设计系统预先定义制造知识单元和基于制造知识的配置规则，企业通过有效组织柔性生产制造系统来定制顾客所需的产品。与ATO相同，MTO类产品的零部件设计虽然是定型的，不会改变，但是能解决部件的时效性问题，将存货降至最低，从而避免企业预先制造部件带来的库存积压和资金占用问题。我国传统的定制生产企业基本都属于ATO或MTO类企业，其设计知识固定不变，产品配置设计技术成熟。随着客户需求不断向多样化和个性化发展，ETO类产品越来越多，尤其是复杂产品[10-11]。对ETO复杂产品而言，需要针对客户的多样性和个性化需求进行定制设计并组织生产，该类产品的复杂性导致其相对于简单产品具有更大的设计规模(产品组件数量多、设计任务量大)和更高的技术含量(组件间关联关系复杂、多学科技术耦合)[12]。因此，该类产品的定制设计难度大、设计附加值高。目前， ETO复杂产品定制企业通常根据客户订单组织设计团队和设计资源有针对地进行研发，缺乏对复杂产品设计知识的良好组织与充分重用，导致研发周期长、成本高，生产能力受到挑战，极大地影响了产品交付和客户体验。因此，如何依赖配置设计技术实现ETO复杂产品的快速定制设计，是学术界产品设计领域的研究热点及难点，对定制企业则是制约其能否有效组织设计知识、实现创新研发的瓶颈技术之一。

目前基于产品配置技术研究ETO复杂产品定制的单项技术研究已经起步，例如：鲁玉军等[13]提出将ETO产品的零部件划分为不同定制类型，使ETO产品的整体设计变为对其零部件的配置变型设计；Levandowski等[14]和Zheng等[15]提出两阶段式配置求解方法，实现了模块配置与模块参数柔性调节的集成。与一般产品的配置设计一样， ETO复杂产品配置设计主要由3方面关键技术组成：①客户需求分析技术，包括客户需求的获取、预测和转化；②配置建模技术，包括配置组件的预定义、组件间的影响关系分析以及配置模型表达；③配置求解技术，包括配置求解实现逻辑、配置求解算法等。3方面关键技术之间的关系如图2所示。为了使产品配置技术能够有效支持ETO复杂产品的快速定制，本文从客户需求分析、配置建模、配置求解3方面收集、整理了时间跨度为1982年～2018年的相关文献114篇(2001年～2018年文献105篇)，评述既有研究的现状和技术特点，分析其对ETO复杂产品配置设计的支持与不足，并指出可进一步深入研究的方向。

2 客户需求分析

客户需求描述了客户对产品功能、性能、价格等多个方面的期望，是产品配置过程的输入和评价配置结果是否满足客户期望的标准，准确地获取与描述客户需求是配置过程开展的前提。由于客户对产品结构、性能等缺乏了解，其需求多根据自身的使用体验和偏好提出，具有模糊性和不确定性[16]，然而模糊、不确定的客户需求无法直接对开展配置过程进行指导，必须将其转化为明确的、设计人员可理解的技术需求(也称为工程特征或产品设计特征)。因此，客户需求分析的研究内容主要为需求的获取与转化两方面。

因为客户需求分析在不同应用场合有不同的目的，所以研究侧重点和具体实现过程会有差异。为支持配置建模，需要在市场细分的基础上获取某一细分市场客户群的需求并进行分析和预测，以保证配置模型在一定时间内能够适应某细分市场的客户需求变化。为支持配置求解，需要获取某一特定订单的客户需求并将其转化为技术需求，旨在全面、准确地理解订单客户的意图，根据客户需求将该订单定位到特定的细分市场中，以指导配置求解过程并获得最优配置方案。

2.1 客户需求获取

根据是否直接面向客户获取需求，可将客户需求获取方法分为市场调查法和数据分析法。市场调查法是一种直接面向客户的主观调查方法，具体通过销售人员与客户直接交互或通过需求获取系统引导客户进行需求表达来获取客户需求，其优点是可以方便、直观地获取客户需求，但所获取的需求可能存在模糊、不准确和片面等问题。针对这些问题，近年来的研究趋势是采用智能、规范化方法来提高需求获取的客观性和准确性，例如Blecker等[17]提出咨询系统的体系结构，该系统可以通过模拟领域专家与客户进行智能对话来获取客户需求信息；但斌等[18]提出一种考虑不同客户需求表达能力存在差异的需求智能获取方法，该方法根据客户的个人特征和使用情景，向客户提供与其需求表达能力相匹配的需求表达方式，使不同客户均能按照系统引导便捷地完成需求表达；Farfeleder等[19]提出一种语义引导系统用于辅助需求工程师以半结构化的表达方式捕获客户需求，系统采用领域本体中的概念、关系和公理等提供一系列建议来辅助定义客户需求。为了快速获得客户使用复杂产品时的体验，有学者运用虚拟现实技术为用户创造尽可能真实的产品使用情景，引导客户表达其需求，例如Carulli等[20]通过建立产品虚拟样机和沉浸式虚拟现实环境，使客户在产品开发初始阶段就能对产品有较为真实的感知，再经过与专业设计人员交流即可获取客户关于产品视觉特征、触觉特征、听觉特征的需求。

数据分析法是一种根据历史数据进行分析和推理从而得出客户需求的方法，该类方法目前常用的实现技术有需求间关联规则挖掘、客户需求实例类比推理等。刘斌等[21]结合数据挖掘与可拓变换，通过粒子群优化算法挖掘用户需求之间的关联规则知识，利用可拓变换生成新的关联规则知识，以便更好地理解用户的潜在需求；Zhou等[22]提出一种客户需求获取的双层模型，第一层基于产品属性与普通客户用例，采用情感分析法识别出明确的客户需求，第二层通过对特殊客户用例和普通客户用例的语义相似性与差异性进行类比推理来识别潜在的顾客需求。随着互联网的发展，消费者更多地通过网络商店购买产品并在线发表对产品的评论，许多学者研究采用数据挖掘从海量网络评论中挖掘有用的客户需求信息的方法，并提出产品的改进思路，例如姜巍等[23]为获取能准确描述用户需求的客户评论，提出一种基于复杂网络的评论有用性分析方法，该方法将评论看作一种内容互联的网络拓扑形态，利用网络节点的重要性度量评论的有用性；Qi等[24]采用数据爬虫方法从网络收集大量客户评论，并从产品设计者的角度挖掘对产品改进有效的评论，据此进行产品改进策略分析；Jin等[25]从产品竞争性分析的角度研究如何从大量客户评论中挖掘具有代表性、可比较的评论，该方法可用于竞争产品之间的客户需求对比分析，进而确定产品的改进方向。

复杂产品配置设计在配置建模和配置求解两个阶段可根据具体条件选择市场调查法、数据分析法来获取客户需求数据，然而两个阶段中的需求数据获取对象存在一定的差异，例如配置建模时获取的是客户群体需求，配置求解时获得的是单个客户的需求。值得注意的是，配置建模是配置求解的支撑，在根据需求构建配置模型时必须预测客户需求在未来一定时期内的变化趋势，因此难度更大。例如Raharjo等[26]考虑快速变化的市场环境下客户需求相对重要度随时间变化的动态特性，研究了基于层次分析法(Analytic Hierarchy Process，AHP)的预测技术来估计未来客户需求重要度的不确定性；李玉鹏等[27]为提高需求预测的准确性，构建了多变量灰色组合需求预测模型对客户可感知的主要需求进行预测。根据需求预测的结果构建产品配置模型可使配置模型具备一定的柔性和适应性，以满足未来需求的变化。

2.2 客户需求转化

从公理化设计(Axiomatic Design, AD)[28]的角度来说，客户需求的转化就是将用户域中的客户需求映射为功能域中的功能需求，即技术需求。AD为客户需求的转化过程提供了概念性的描述，其强调用户域与功能域之间的映射为“Z字形”，质量功能展开(Quality Function Deployment, QFD)[29]则提供了一套可操作的方法来实现客户需求向技术需求的转化。QFD的核心是利用质量屋(House of Quality, HoQ)建立客户需求与技术需求的相关性矩阵及技术需求的自相关矩阵，实现客户需求重要度向技术需求重要度的转化，并通过竞争性评估确定具有竞争优势的技术需求目标值。因此，基于QFD的客户需求转化过程的本质是以客户满意度为目标，对技术需求及其重要度进行优化的过程。

在对单个产品设计问题进行需求转化时，为避免需求模糊性对QFD转化所得技术需求的准确性造成不良影响，学术界常依靠模糊集理论来解决客户需求权重、客户需求与技术需求间的关联性测度等不确定性问题，例如何桢等[30]针对需求转化过程中的不确定性，提出基于α-截集的模糊加权平均法来计算技术需求的重要度；Yang等[31]考虑模糊成本约束，建立了一个以客户满意度最大为目标的模糊线性规划模型对技术需求取值进行优化。对复杂产品而言，必须对不同层级的需求进行有效归类，通用的方法是采用Kano模型来描述需求的分类以及不同类别需求对客户满意度的影响，而将Kano模型与QFD有效结合，能够使设计人员更好地理解客户需求及其与客户满意度之间的关系。Ji等[32]通过分析客户需求与客户满意度之间的关系，将Kano模型进行定量化描述，并将Kano模型的分析结果与QFD集成，形成了以客户满意度为目标的混合整数非线性规划优化模型，以此决策出最优的技术需求取值。针对传统QFD对技术需求间的相关性考虑不足，耿秀丽等[33]通过模糊QFD获取技术需求的初始重要度，采用决策试验与实验评估法分析技术需求之间的相关性，对技术需求初始重要度进行修正，并在模糊Kano问卷调查的基础上建立了不同类型技术需求与客户满意度之间的函数关系，基于该函数关系建立了以客户满意度为目标的规划模型，实现了产品技术需求的优化设计。

与单个产品设计问题不同的是，配置建模的客户需求转化针对产品族设计问题，需要考虑细分市场中整个客户群体的需求。客户群体中每个个体对需求重要度的判断以及不同QFD人员对客户需求与技术需求之间的关联性判断均存在差异，为保证转化结果的一致性，通常采用QFD与群决策相结合的方法，例如Kwong等[34]同时考虑客户评价的不确定性和不同客户判断的差异性，提出一种集成模糊加权平均法和一致序数排序技术的模糊群决策法来计算技术需求的重要度；Wang等[35]认为将群决策问题通过简单的方法整合为非群决策问题，无法反映不同客户或QFD人员判断的差异性，因此将不同客户对需求重要度的判断和不同QFD人员对客户需求与技术需求间关联强度的判断进行交叉组合，形成大量的非群决策问题，通过对非群决策问题计算出的技术需求重要度进行加权累加得到最终的技术需求重要度。为更好地支持面向产品族和产品平台的配置建模，有学者从区分产品族工程特征的共性与差异性的角度研究了客户需求转化，例如雒兴刚等[36]构建了一个以产品族中所有产品变体的客户满意度均值最大为目标、客户需求和工程特性的函数关系及工程特性的自相关函数关系为约束的优化模型，以求取最优的平台工程特性值和非平台工程特性值；王红军等[37]为了使QFD支持产品族的规划，将超图理论与QFD结合对质量屋进行扩展，以描述和实现客户差异化需求向产品族工程技术特征的映射；Simpson等[38]在产品平台规划框架基础上，将市场细分、设计结构矩阵、代际变化指数、共性指标等进行集成，将客户需求映射为产品族的共性特征。

除QFD外，也有学者采用数据挖掘获取客户需求与技术需求之间的关联规则，以实现客户需求向技术需求的映射，例如Jiao等[39]提出模糊聚类与关联规则挖掘相结合的方法，将客户需求映射为功能需求，其中模糊聚类方法用于将不同订单的功能需求进行聚类，关联规则挖掘方法则用于挖掘客户需求与不同功能需求聚类之间的映射规则，同时提出一套关联规则挖掘系统架构以支持客户、营销人员、设计者进行功能需求分析；Wang等[40]针对消费类电子产品，将其产品的技术需求分为与客户情感相关和与功能实用相关两类，分别采用关联规则挖掘方法、认知成对评分法和理想解相似度顺序偏好法(Technique for Order Preference by Similarity to Ideal Solution，TOPSIS)获取优化的产品技术需求取值。

2.3 ETO复杂产品客户需求分析

ETO复杂产品的研发成本高、技术难度大，其客户需求具有多样化、个性化的特点，为了在满足客户个性化需求的同时尽可能地控制产品的研发成本和时间，需要对客户需求本身进行共性与个性分析，并研讨不同类型需求的演化形式，然而这类研究才开始起步，而且主要关注对客户个性化偏好需求的理解[41]。站在产品研发的角度，在对产品预定义组件(模块)进行分类时，现有研究均忽视了对客户需求的共性和个性分类及其对预定义组件分类的影响。因此在将来的客户需求分析研究中，可以进一步从客户需求的历史变化情况、未来需求的发展趋势以及需求与组件间的关联关系等角度研究客户需求的共性与个性分类，根据客户需求分类、客户需求与技术需求之间的映射关系研究技术需求的分类；另外，在产品定制设计中，除了产品功能、性能、质量、交货时间、价格等基本需求外，客户越来越关注产品维修、再制造、回收报废等服务性需求，目前各领域关于服务需求的研究正在逐渐增多[42-43]，因此在产品配置设计领域，可以进一步研究服务需求的获取及其向服务性指标的转化、服务需求对配置建模和配置求解的影响等。

3 配置建模

配置建模是通过对可配置组件、可配置组件间约束关系等配置知识进行组织、表达得到配置模型的过程[44]。因此，可配置组件知识表示、结构组成关系构建、配置约束构造、配置知识的计算机化表达等是配置建模的关键问题，是实现产品配置设计的基础。现有研究从侧重表达不同的配置知识类型或配置知识计算机化表达的角度形成了多种配置建模方法，如基于规则的配置建模、基于结构的配置建模、基于约束的配置建模、基于本体的配置建模等。

3.1 基于规则的配置建模

基于规则的配置建模用规则的形式表达预定义组件之间或组件属性参数之间的关联关系，一般采用产生式规则(if〈条件〉，then〈结论〉)描述，著名的计算机配置系统R1/XCON即采用了基于规则的配置建模方法[45]。赵韩等[46]从质量功能、性能、配合公差、几何结构、装配位置等多个维度描述零部件间的关联规则，实现多维关联规则驱动的产品配置，该方法可以选出修改较少的配置设计方案，但文献没有给出具体的修改方式。基于规则的配置模型中，规则的维护和更新是制约模型合理性和有效性的瓶颈，耿秀丽等[47]应用变精度粗糙集方法，根据产品实例数据建立配置决策表，研究了配置规则的增量式更新方法；徐剑等[48]为及时从配置物料清单中提取配置规则并将其更新到配置知识库，采用粗糙集理论提取需求与模块实例间的配置规则，并对配置规则按历史成功匹配次数进行优先级排序。为了提高配置规则提取和更新的质量与效率，有学者研究了数据挖掘技术、人工神经网络技术等在配置规则提取与更新中的应用，例如Kusiak等[49]采用关联规则挖掘、K均值聚类等方法，从产品历史销售数据中挖掘产品的必选件之间、可选件之间、必选件与可选件之间的配置规则，并根据所挖掘的规则推理出客户将来的购买行为，确定产品的基本配置和常用子装配;Chen等[50]将产品配置规则视为功能需求与设计参数之间的映射关系，采用人工神经网络与RULEX相结合的方法获取配置规则，人工神经网络用于获取功能需求与设计参数之间的函数关系，RULEX算法则将函数关系转换为配置规则，当新规则出现且与已有规则矛盾时，该方法可通过快速重构训练样本重新获取新的配置规则;沈瑾等[51]研究了联合实施LC(local cluster)神经网络和RULEX算法下，基于历史数据获取个性化产品服务配置规则的方法。

基于规则的配置建模方法侧重于对组件之间依赖和选配关系的规则化表达，其优点是知识表示直观、便于推理，适用于简单产品的配置建模。对复杂产品而言，其组件层级和组件数量较多、组件间关系复杂，导致规则提取和一致性维护比较困难[52]，而且仅依靠规则很难对复杂的配置关系进行表示，因此面向产品族的复杂产品配置模型研究的侧重点是基于结构的配置建模技术。

3.2 基于结构的配置建模

基于结构的配置建模即对预定义的组件之间的聚集关系(part-of)、层次关系(is-a)、组件属性(has-sth)等配置知识进行结构化表达，适合于对结构层次化特征、组件分类特征明显的产品进行配置建模。该类方法有基于通用物料清单(Generic Bill of Material，GBOM)的方法、基于与或树的方法及基于类和特征的方法等。GBOM由Hegge等于1991年提出，它引入了类产品、类部件、类零件等概念来描述一个产品族的通用产品结构[53]，王世伟等[54]以GBOM作为产品族的知识表示方法，构建基于GBOM的产品配置模型(GBOM-based Product Configuration Model，GPCM)；但斌等[55]基于GBOM构建了产品族结构模型，采用面向对象的方式对该模型进行了形式化定义。与或树通过与、或、异或等逻辑关系表达一组变型产品的结构，用于表示产品组成结构的必选关系、可选关系等，刘裕等[56]采用与或树的形式表示产品部件的替换关系和可选关系，将产品结构配置任务看作寻找最佳子与或树的过程；江伟光等[57]对传统的与或树进行扩展，与装配有向图相结合构建了可配置产品结构模型；刘晓冰等[58]采用面向对象的方式表示配置模型的结构，通过建立类的封装、继承和类间的特征关系来构建产品配置模型。

基于结构的配置建模侧重于描述产品组件的结构层次关系、聚集关系等，能很好地对配置知识进行概念化表达，便于设计人员理解。主流的产品数据管理(Product Data Management，PDM)软件基于BOM对产品数据进行管理，因此基于结构，尤其是GBOM构建的配置模型容易与PDM软件集成。然而，基于结构的配置建模不便于描述组件之间的各类规则和约束关系，为了有效地支持配置求解，需与基于规则、基于约束等配置建模方法相结合。

3.3 基于约束的配置建模

基于约束的配置建模将产品配置知识用约束满足问题(Constraint Satisfaction Problem, CSP)的方式进行表达。CSP用一个三元组(V,D,C)描述，其中：V表示一组变量集合，D表示相应变量的值域的集合，C表示作用在不同变量上的约束集合[59]。在产品配置问题中，一般可将组件对象、组件的参数及接口等表示为变量V，组件对象的可选实例、参数可选值等表示为对应变量的值域D，组件间的功能性、结构性约束等表示为约束集合C。李伟等[60]将产品配置模型构建为CSP模型，并论证了基于CSP的方法能够很好地表示产品配置问题；Jannach等[61]研究了地理分散的供应链条件下，分布式配置问题的约束满足知识建模方法； Xie等[62]考虑产品配置中的重要约束多为数学公式和计算程序，利用改进的CSP方法建立了产品配置模型。

与基于规则和基于结构的配置建模相比，基于约束的配置建模方法侧重于采用抽象的数学模型而不是产品的物理关系对配置问题进行建模，从而使配置问题的描述与求解相分离，虽然可以方便地求解产品配置问题，但是也使该方法局限于描述组件间的各种约束关系，缺乏对配置知识的概念化表示，知识表达不直观。

3.4 基于本体的配置建模

本体是对领域内共享概念的一种明确化、形式化的规范描述[63]，可以用来组织知识库较高层次的知识抽象，也可以描述特定领域的知识。基于本体的配置建模即是将本体引入产品配置领域来表达配置知识。配置本体的构建是基于本体配置建模的基础，其作用是明确定义配置问题中的相关概念及其关系，概念通常包括组件、资源、端口、功能、约束和关系等[64]。Soininen等[65]以Ontolingua中的框架本体为基础，首次提出产品配置本体的概念，并给出了配置本体的一般结构，根据配置本体所定义的词汇、术语和关系，将特定领域的产品配置知识进行表达、组织即可实现基于本体的配置建模;Felfernig等[66]提出采用基于统一建模语言描述的本体来建立产品配置模型，并构建配置知识库，按对知识的抽象层次不同，将本体分为通用本体、领域本体和应用本体等多种;Yang等[67-68]为了快速有效地重用配置知识，提出一种基于本体的、层次化的产品配置知识建模方法，在较低层次定义各领域通用的配置元模型，在较高层次定义特定领域的配置模型，后者通过重用或继承前者中的类或关系得到，其中配置元模型定义了配置领域中通用的词汇、术语、关系等，分别采用Web本体描述语言(Web Ontology Language，OWL)和语义网规则描述语言(Semantic Web Rule Language，SWRL)表达配置结构知识和约束知识;Helo等[69]根据车辆配置中的客户域、产品域、生产域等多个领域信息构建了一个综合的应用本体框架;但斌等[70]将本体和产品族的概念与配置实例相结合，建立了产品族实例的领域本体模型，基于此构建了定制产品配置框架。

基于本体的配置建模方法能够使产品配置知识在不同抽象层级上建立语义关系，不但可以保证配置设计过程中不同角色间的语义一致性，而且有力支持了配置知识的共享与重用，以及基于计算机的配置推理。相比于前几种建模方法，该方法重点关注配置知识在计算机语言实现层面的表达，具体的配置组件、约束关系等则需要依赖基于规则、基于约束、基于结构等方法进行组织和描述。

3.5 ETO复杂产品配置建模分析

上述4种配置建模方法从不同角度研究了产品配置知识的组织和描述，不同的方法各有其优缺点和适用场合。基于规则的方法适用于简单产品的配置建模，它以规则的方式描述组件间的关联关系，虽然知识表达直观，但是对复杂产品而言，规则的提取与一致性维护是个难点[52]，且仅依靠规则也难以表示其复杂的配置关系；基于结构的方法适用于结构组成复杂的产品，它侧重于表达产品的结构层次关系、聚集关系等，具有较好的知识概念化表达效果，也易于与PDM软件集成，但是为了支持复杂产品的配置求解，该方法需要与基于规则、基于约束等方法结合；基于约束的方法将组件及组件间的约束关系描述为CSP，可以方便地求解产品配置问题，然而该方法对知识的表达较抽象，不便于理解配置模型；基于本体的方法从计算机语言实现的层面表达配置知识，其具体内容与描述方式取决于配置本体和领域本体的定义，该方法有利于配置知识的共享与重用。

目前的配置建模方法研究基本都遵循Mittal等[4]提出的配置定义，即配置建模是对固定的、预定义的组件及其关系的表示，因此配置设计多是针对MTO和ATO产品。在ETO复杂产品配置中，由于多样化、个性化需求的影响，其配置过程中存在设计知识的变更和创新，不可避免地带来配置组件、产品结构、配置规则的动态改变。正如近两年Chen等[71]提出的开放式配置(open configuration)和Zhang等[72]提出的开放式架构(open architecture)等概念，指出ETO产品的配置不应该局限于固定的组件集合，而应该能包含新增的组件，而且还需要考虑新增组件对已预定义组件和规则的影响。因此，为了满足ETO复杂产品配置设计时知识动态变化的需求，配置模型应具备足够的柔性。已有学者将动态的结构、规则和约束进行融合，提出基于动态约束满足问题(Dynamic Constraint Satisfaction Problem, DCSP)的配置建模方法[73-74]，该方法通过预定义具有一定冗余(即柔性)的变量集、变量值域和约束来解决配置知识的动态问题，例如Yang等[75]考虑产品结构的层次特征(part-of,is-a)，提出一种将产品配置模型表达为DCSP模型的方法，将产品组件表达为DCSP中的变量，结构层次关系表达为DCSP的激活变量，配置约束表达为DCSP的兼容性约束，求解时只有高层级的组件参与配置，低层级的组件才能参与到配置过程中；Wang等[76]将产品族中的模块、模块实例、模块属性以及模块的成本动因等表达为变量，考虑结构层级约束、模块属性的激活约束、成本约束3类约束，提出一种扩展的DCSP配置建模方法，实现了产品配置与成本估算的集成。然而，现有研究在DCSP中预定义变量集、变量值域和约束关系等配置知识时，没有考虑预定义的配置知识如何与细分市场内需求的变化范围以及企业可提供柔性的能力相匹配，即无法保证预定义配置知识的合理性(可能存在欠柔性、过柔性或错误的柔性)，因此还不能很好地支持ETO复杂产品的配置建模。为了有效地支持多样化、个性化需求驱动下ETO复杂产品的配置建模，需要研究柔性配置知识的预定义方法及其表示机制，包括：

(1)权衡某细分市场在一定时期内的客户需求变化范围与企业能够提供的柔性定制能力，研究如何预定义合理的、柔性的产品结构、可配置组件、配置规则、约束关系等配置知识。

(2)结合既有的基于规则、约束、结构等配置建模方法，研究柔性的产品结构、可配置组件、配置规则与约束等的表示机制及其管理方法。

(3)采用基于本体的配置建模方法，研究柔性配置知识的配置本体、领域本体和应用本体的构建方法，以提高配置模型的共享性和可重用性。

4 配置求解

产品配置求解是在客户需求的驱动下，以产品配置模型为基础，对可配置组件间的规则和约束关系进行求解，对可配置组件进行实例化并组合得到产品配置方案的过程[77]。产品配置求解技术是支持客户需求驱动下获取产品配置方案的关键技术，其求解可在抽象组件层和组件实例层两个层次上开展。抽象组件层的求解对应产品的方案设计阶段，其目的是根据产品的技术需求确定产品的组件构成和主要特征参数；组件实例层的求解对应产品的详细设计阶段，其目的是根据产品级分解而来的技术需求确定各组件的属性参数值，以满足客户对产品性能、成本等的需求。根据产品配置所针对的层次以及配置建模方法的不同，现有研究产生了不同配置求解方法，如基于规则的求解、基于CSP的求解、基于实例推理(Case-Based Reasoning，CBR)的求解、基于智能算法的求解等，不同配置求解方法与配置建模方法、配置求解层次的对应关系如图3所示。

4.1 基于规则的求解

基于规则的配置求解依赖基于规则的配置模型。配置模型中的规则描述了组件之间的关系和操作，关系蕴含一定的领域知识，操作则表示控制配置求解逻辑的过程知识[78]。基于规则进行配置求解时，将组件设计目标与规则的条件部分进行匹配，按照配置逻辑执行向前推理(forward chaining reasoning)或向后推理(backward chaining reasoning)即可获得配置结果。基于规则的求解算法较简单，许多产品配置研究均采用了该方法，例如顾巧祥等[79]采用ECA(event-condition-action)规则描述产品模块间的相互约束规则和模块事物特性表，基于ECA规则的向前推理实现了产品族必选模块与可选模块的选配；Yang等[68]基于SWRL规则语言表达了产品配置规则，并采用SWRLTab自动将配置规则转化为Java 专家系统外壳(Java Expert System Shell，JESS)中的规则，实现了基于JESS规则引擎的计算机配置求解。由于规则的提取与一致性维护难题，以及规则对复杂产品配置知识表达的不足，如今已较少有研究单独使用基于规则的配置求解方法，而是将基于规则的求解方法与其他求解方法结合使用。

4.2 基于约束满足问题的求解

基于CSP的求解以产品配置CSP模型为基础，在所有变量值域构成的配置解空间搜索满足需求与约束的变量的取值组合，即搜索出所有的可行解。根据CSP模型中约束所包含变量的个数，即约束的维数，将CSP分为两类[80]：①二维约束满足问题(Binary CSP, Bi-CSP)，即所有约束均只包含两个变量；②非二维约束满足问题(non-binary CSP, nCSP)，即某些或所有约束中包含3个或3个以上变量。目前对CSP求解方法的研究大多集中于Bi-CSP，其主要求解方法为回溯法(Backtracking, BT)[81-82]。Yang等[75]将结构化产品的配置问题建模为DCSP后，采用回溯法进行求解；张雷等[83]对传统回溯算法进行改进，将一维约束过滤和建议性约束满足度计算融入回溯算法中，提出一种基于CSP的绿色产品配置算法。针对回溯法求解时因存在冗余搜索而影响求解效率的问题，出现了一些改进的回溯法，如前向检查法(Forward Checking, FC)[84]、Gaschnig回跳法[85]、基于图的回跳法[86]等。因为Bi-CSP能够方便地表示产品配置问题，具有丰富的求解方法且算法求解效率较高，所以应用较多。

实际的产品配置问题中，由于组件之间复杂的关联关系，通常存在3个及以上的组件或属性变量相互约束的情况，使得CSP多为nCSP。nCSP可以采用二重编码或隐变量变化[87]等方式转化为等价的Bi-CSP，因此也可采用回溯法及其改进算法进行求解。然而，高维度约束向二维约束转换会使CSP模型变得难以理解和维护，而且会使问题的搜索空间变得更大[88]，因此有学者针对nCSP研究了其求解方法，例如单汨源等[89]建立了nCSP框架的配置约束模型，并给出了一种求解非二维约束的基于动态变量序启发式方法的前向检查算法；袁际军等[90]提出一种基于关联约束非二维弧一致性的CSP求解方法。相比于Bi-CSP，nCSP的计算时间复杂度更高，计算效率相对较低。

4.3 基于实例推理的求解

CBR是一种类比推理方法，其假设前提是相似的需求有相似的配置方案。当有新的需求时，该方法通过搜索与新需求相似的产品配置方案或组件实例，将其应用到新需求的求解中[91]。在基于结构和基于本体等配置建模方法中，可将产品或组件的结构、属性参数、内部规则与约束等进行封装，构建产品或组件的实例库，此时产品配置求解问题即可采用CBR解决。基于CBR的配置求解不需要完整的配置规则或约束，在解决某些无法完整、明确描述配置知识的配置问题时具有一定优势。采用CBR进行配置求解是一个4R循环过程，即检索(retrieve)、重用(reuse)、修改(revise)、保存(retain)[92]。因此，可以将经实例推理所得的新产品实例或组件实例扩充到实例库中，以增加未来实例匹配的成功率。

CBR检索相似实例的准确性取决于合理的相似度算法以及实例特征选取。赵燕伟等[93]通过改进距离计算公式，针对检索特征值类型不同的情况，将局部相似度分为点到点、点到区间、区间到区间3类，提出不同的相似度计算方法；Wang等[94]提出一种将自组织映射和模糊相似优先比方法相结合的实例检索方法，自组织映射用于对实例聚类以减少检索的范围，模糊相似优先比方法用于评价综合相似度；Zhu等[95]提出一种领域粗糙集算法对问题域中的特征进行筛选，去除冗余特征，得到表征实例的最小特征集合；Tseng等[96]为了快速获取产品BOM，采用CBR方法对比目标产品特征树与已有产品特征树之间的相似度，从而快速获取相似实例BOM。

为了快速调整检索到的相似实例，有学者将CBR与基于规则、基于CSP等求解方法结合，例如孙毅等[97]针对模架产品的配置，提出CBR和基于规则推理相结合的配置方法，CBR方法用于检索相似实例，基于规则推理的方法用于实例修正；肖刚等[98]在板构件的产品配置研究中，采用CBR方法获取与需求最相似的板构件产品，并定义了属性配置规则、装配约束规则、设计经验规则、结果校核规则对相似的产品实例进行调整与优化；Lee等[99]、Wang等[100]和但斌等[101]将CBR与CSP方法相结合进行产品的配置设计，即采用CBR方法获取相似的产品实例，并识别出相似实例中不满足需求的产品特征，采用CSP方法对相似实例进行调整，最终获得满足要求的产品实例。

4.4 基于智能算法的求解

智能算法结合随机性与一定的规则来模仿自然现象，是一种全局寻优的方法，常用的智能算法有遗传算法、模拟退火算法、粒子群优化算法、蚁群优化算法等[102]。某些包含可配置组件较多的产品的配置解空间较大，满足特定客户需求的可行产品配置方案种类较多，常采用智能算法进行产品配置优化求解，以获得一个或若干个较优的配置方案，配置优化求解目标通常有成本、出货期、性能、可装配性、可拆卸性等。Zhou等[103]提出一种客户需求驱动的配置优化方法，以效用与成本之比最大为优化目标建立配置优化数学模型，并采用遗传算法进行求解；Wei等[104]以成本、出货期、性能为目标，构建了产品的多目标配置优化数学模型，采用改进的非支配排序遗传算法对模型进行求解，获得了配置方案的Pareto最优解集；王海军等[105]通过衡量客户需求与定制产品性能的关联度，构造了相应的线性配置优化数学模型，并采用模拟退火算法得到符合客户个性化需求的最优配置方案；刘琼等[106]采用遗传算法的交叉与变异策略和模拟退火算法的Metropolis准则对粒子群优化算法进行改进，得到混合粒子群算法作为产品配置优化求解的方法；Tang等[107]以客户满意度与产品的温室气体排放为优化目标构建了一个双目标配置优化模型，模型考虑了必要的约束，如选择约束、成本约束、兼容性约束等，并采用多目标遗传算法求解优化的产品配置方案。

4.5 ETO复杂产品配置求解分析

上述4种配置求解方法根据配置建模方法和产品配置求解层次的不同，采用不同的机制求解配置问题。基于规则的求解方法根据配置逻辑执行向前或向后推理得到配置结果，该方法实现简单，但因为规则对复杂产品配置知识的表达具有局限性，而且规则的获取与管理难度较大，所以较少单独使用；基于CSP的求解方法通过搜索满足需求和约束的变量取值组合获得配置方案，求解方法多且效率高；CBR求解方法通过检索相似的配置方案，并对其进行调整得到准确的配置方案[91]，适用于某些无法完整描述领域知识的配置问题；基于智能算法的求解方法通过构建面向特定目标的优化模型，采用各种智能优化算法搜寻最优配置方案。4种配置求解算法中基于规则、基于CSP、基于智能算法的求解方法均将产品配置问题视为组合问题，通过确定性推理获得配置结果，而CBR配置求解方法将配置问题视为相似实例的检索与调整问题，即采用类比推理获得配置结果，该方法有利于提高ETO产品定制设计的起点，然而实例的调整却是一个难点，该方法本身并不提供相似实例的调整机制，因此还需研究实例调整中的各种问题。

由于ETO复杂产品配置模型存在柔性的可配置组件、配置规则与约束，在个性化需求的驱动下存在组件属性参数变化、组件动态参与配置等问题，因此其配置求解与MTO和ATO产品不同，即不再是简单的组合问题。目前已有部分学者针对该类产品的特点研究了其配置求解方法，例如黄长林等[108]针对ETO产品中不同类型模块的特点，提出一种多层次规则的配置设计方法，采用强条件规则实现模块精确配置，弱条件规则实现模块相似配置，然而文章没有给出强、弱条件规则分别何时使用，以及如何处理弱条件匹配造成的不准确性；鲁玉军等[13]将ETO产品的零部件分为不同的定制设计类型，将其定制设计过程分为非精确配置和精确配置两个阶段，然而文献对产品粗、精结构的定义不明确，也没有分析两个阶段配置与需求的关系，仅从概念层面描述了ETO产品的配置方法；Levandowski等[14]和Zheng等[15]将ETO产品配置设计问题描述为基于模块化的产品架构配置和基于模块参数的可拓展配置两阶段模型，该模型可在设计重用的同时保持设计的柔性，然而两篇文献均仅限于对ETO产品配置求解思路的探讨，没有给出具体的求解算法或工具；Du等[109]认为上述两阶段模型中的模块配置与参数优化相互耦合，构建了一个Stackelberg博弈理论模型用于解决两者的联合优化问题，然而该方法缺乏与客户个性化需求的关联；Kristianto等[110]提出一种双层随机规划框架对模块配置和模块参数调整进行联合优化，实现了ETO产品的大规模定制。从现有研究可以看出， ETO复杂产品的配置设计具有较复杂的求解过程，无法直接采用现有的基于规则、基于CSP、CBR、基于智能算法等配置求解方法进行求解，而目前关于ETO产品配置求解的研究仍然较少且存在不足，为了更好地解决多样化、个性化需求驱动下ETO复杂产品的配置求解问题，可从以下几个方面进一步研究：

(1)ETO复杂产品的配置求解存在组件属性参数变化、组件动态参与配置的特点，而且组件之间通过配置规则、约束等相互耦合，因此需要研究如何规划合理、动态的配置求解逻辑指导其产品配置求解过程。

(2)由于组件之间复杂的耦合关系，配置设计过程中的组件配置方案变更、组件属性参数变化、组件动态参与配置等情况均会引发设计变更，因此需要研究配置设计过程中的变更传播路径分析、变更风险分析、变更路径规划等问题。

(3)现有的配置优化求解均将配置问题视为基于固定的、预定义组件的组合优化问题，但对ETO复杂产品而言，需要综合考虑组件的动态参与配置、属性参数变化等特点，因此可结合现有的两阶段模型研究面向客户满意度、成本、性能、环保性等指标的配置优化求解方法。

5 结束语

为了解决需求动态变化的ETO复杂产品配置设计问题，本文重点梳理了近二十年来产品配置的研究文献，分别从客户需求分析、配置建模、配置求解3方面进行了研究现状综述，具体包括客户需求的获取与转化、4种配置建模方法和4种配置求解方法。客户需求分析分别为产品配置建模与配置求解提供输入，在面向配置建模与配置求解时具有不同的目标和研究重点。配置建模是对产品配置知识的组织与表达，配置建模方法不同，所侧重表达的配置知识或所采用的表达形式和语言也不同。配置求解则是在配置模型的基础上求解满足客户订单需求的配置方案，根据配置建模所采用的方法以及产品配置求解的层次，可以采用不同的配置求解方法获取可行或最优的产品配置方案。

总结现有研究发现，目前关于产品配置的研究多针对MTO和ATO产品，有关ETO产品配置的研究刚起步，仍有大量研究工作值得开展。应该指出的是，ETO产品的配置技术并非与MTO和ATO产品截然不同，MTO和ATO产品配置技术中的部分技术可以为ETO产品所用或为其提供支撑，目前就有学者提出以现有MTO和ATO配置技术为基础，探索ETO产品的配置技术[111]。随着客户个性化需求的兴起，为了在激烈的市场环境中保持竞争力，必然会有越来越多的ETO研发企业采用基于配置的方法实现产品的快速定制设计，因此有必要在现有基础上深入研究ETO复杂产品配置设计中的各种问题。由于ETO复杂产品多样化、个性化的客户需求，与MTO和ATO产品基于预定义组件的组合过程相比，其配置设计过程更加复杂，例如，需考虑如何根据需求分析定义合理的柔性配置知识，以及柔性配置知识引起的组件动态参与配置、组件属性参数变化、配置过程中的设计变更等问题。因此，针对ETO复杂产品，可进一步在以下3方面对产品配置及相关技术展开系统研究：

(1)客户需求分析方面 为了促进产品配置满足客户个性化需求的同时有效控制产品的研发周期和成本，可综合客户需求的历史情况、未来需求的发展趋势以及需求与组件间的关联关系等，从多个角度研究客户需求和技术需求的共性与个性的分类，用于指导产品预定义组件的分类研究。目前客户越来越看重产品服务，尤其对高成本、高技术含量的复杂产品，产品服务极大地影响着客户满意度[112]，因此可以研究产品服务需求的获取及其向服务性指标的转化、服务需求对配置建模和配置求解的影响等，以全面满足客户需求。互联网与智能移动终端的普及、电子商务的繁荣发展为客户需求的获取提供了新的数据源，大数据分析、语义分析等技术为客户需求的获取提供了新的途径，目前有部分研究采用数据挖掘方法从网络评论中获取有效的客户需求[24-25]，但主要针对手机、平板电脑等个人消费产品， ETO复杂产品的客户需求通常涉及多个利益相关者，例如地铁产品的利益相关者有乘客、运营单位、主机厂、部件供应商等，因此可以研究采用大数据分析等技术获取ETO复杂产品多个利益相关者相互博弈下的客户需求。

(2)配置建模方面 为了满足多样化、个性化的客户需求，配置建模时需定义合理、柔性的配置知识，柔性不足将无法满足多变的客户需求，而过多的柔性则会增加企业的成本投入[113]。因此，可结合需求预测技术判断某细分市场在一定时期内的客户需求变化范围，权衡其与企业的柔性定制能力，以提升企业的利润或市场占有率为目标，研究如何预定义合理、柔性的产品配置知识。另外，配置建模过程中考虑客户参与配置知识的预定义也是一个值得研究的方向，即可从客户群体中筛选具有代表性的“领先用户(lead users)”[114]，通过让其从客户的视角和比一般客户对产品更加深入的理解参与配置知识的预定义，来提升配置模型对客户需求变化的适应能力。在确定合理的柔性配置知识的基础上，可进一步研究如何结合基于规则、约束、结构等配置建模方法对柔性配置知识进行表示和管理，以及柔性配置知识的配置本体、领域本体和应用本体的构建与应用等。

(3)配置求解方面 基于柔性的产品配置模型，在个性化的客户需求驱动下，配置求解过程中将出现组件属性参数变化、组件动态参与配置求解等问题，因此一方面可研究如何规划合理、动态的配置求解逻辑以指导其配置求解过程，另一方面可研究配置设计过程中的变更传播路径分析、变更风险分析、变更路径规划等问题。从求取最优配置解的角度，可进一步结合现有的两阶段求解模型[109-110]研究面向客户满意度、成本、性能、环保性等指标的配置优化求解方法。为了更加充分地满足客户个性化需求，还可以考虑结合开放式架构[72]研究客户深度参与的配置求解过程，例如允许客户自定义或引入新的配置组件等，也可以研究客户自定义组件或新组件与预定义组件之间的接口匹配、性能匹配等问题。

相比于MTO和ATO定制模式，ETO模式能更好地满足客户的特殊定制需求，但因其设计阶段存在设计属性改变的问题，使受设计变更影响的后续产品研发阶段的复杂性大为提升，如工程物料清单(Engineering BOM，EBOM)管理、加工工艺规划、生产计划编制、生产资源协调、供应链动态调度等，因此未来深入研究ETO的配置设计机理，形成合理且可操作性强的配置设计方法，是后续生产资源协调与供应链动态调度的本质和必然的要求。