袁雨陽(yáng)，吳 曉，何麗娜，王 昕，吳青科

（西南交通大學(xué) 機(jī)械工程學(xué)院，成都 610031）

0 引言

在全球市場(chǎng)競(jìng)爭(zhēng)環(huán)境下，顯著提升的客戶“自我消費(fèi)”意識(shí)以及差異化的客戶購(gòu)買(mǎi)力使得客戶對(duì)產(chǎn)品的需求越來(lái)越多樣化、個(gè)性化，分化變動(dòng)的買(mǎi)方市場(chǎng)逐步替代了統(tǒng)一穩(wěn)定的賣(mài)方市場(chǎng)。制造企業(yè)需要從以產(chǎn)品為中心的大規(guī)模定制轉(zhuǎn)變?yōu)橐钥蛻魹橹行牡膫€(gè)性化定制，向客戶提供個(gè)性化產(chǎn)品。企業(yè)在激烈競(jìng)爭(zhēng)中實(shí)現(xiàn)轉(zhuǎn)型成功的關(guān)鍵在于能否準(zhǔn)確、快速地滿足客戶的個(gè)性化需求，這就對(duì)個(gè)性化產(chǎn)品配置的客戶化、智能化提出要求。構(gòu)建客戶需求及產(chǎn)品配置方案之間的配置網(wǎng)絡(luò)，基于配置網(wǎng)絡(luò)實(shí)現(xiàn)客戶需求驅(qū)動(dòng)的個(gè)性化產(chǎn)品配置是實(shí)現(xiàn)客戶化、智能化定制的有效方法。

產(chǎn)品配置是一個(gè)產(chǎn)品快速設(shè)計(jì)的過(guò)程，它在企業(yè)已有產(chǎn)品標(biāo)準(zhǔn)化和規(guī)范化，以及新產(chǎn)品開(kāi)發(fā)成果的基礎(chǔ)上，根據(jù)特定客戶訂單需求進(jìn)行有針對(duì)性的目標(biāo)匹配，最后形成完整的、客戶滿意的產(chǎn)品信息的過(guò)程[1]。產(chǎn)品配置實(shí)施的一般過(guò)程是：建立產(chǎn)品配置模型，提取并表示配置知識(shí)，對(duì)客戶需求進(jìn)行分析與分解并驅(qū)動(dòng)配置模型的求解與優(yōu)化[2]。目前關(guān)于產(chǎn)品配置的研究，主要有李妮婭等[3]提出基于結(jié)構(gòu)的產(chǎn)品配置方法；Gasca等[4]將配置建模轉(zhuǎn)化為基本單元的約束滿足問(wèn)題，提出了基于約束的配置模型；但斌等[5]提出了基于本體映射面向模糊客戶需求的產(chǎn)品配置方法；王世偉、譚建榮等[6]提出了基于GBOM的產(chǎn)品配置模型；Wang S W，Tan J R 等[7]提出了基于實(shí)例的產(chǎn)品配置方法?，F(xiàn)有研究中產(chǎn)品配置過(guò)程一方面過(guò)多依賴于設(shè)計(jì)者、專(zhuān)家等的主觀決策，容易導(dǎo)致主觀臆斷；另一面現(xiàn)有配置方法需要將客戶需求轉(zhuǎn)化成產(chǎn)品特性，再基于產(chǎn)品特性配置產(chǎn)品方案，涉及到客戶域、產(chǎn)品技術(shù)特性域及配置方案域之間的信息轉(zhuǎn)換，轉(zhuǎn)換過(guò)程存在信息的缺失及錯(cuò)誤傳遞，從而導(dǎo)致配置方案的個(gè)性化缺失，同時(shí)配置效率較低；其次，現(xiàn)有研究缺乏對(duì)企業(yè)產(chǎn)品交易記錄信息的挖掘，而這些交易記錄能夠客觀反映客戶需求及產(chǎn)品配置方案之間的關(guān)系。

個(gè)性化產(chǎn)品定制的關(guān)鍵在于滿足客戶需求。產(chǎn)品對(duì)客戶需求的滿足程度是客戶購(gòu)買(mǎi)產(chǎn)品的決策依據(jù)。因此個(gè)性化產(chǎn)品定制的關(guān)鍵在于確定客戶需求與產(chǎn)品配置方案之間的關(guān)系。而客戶需求的多樣化、個(gè)性化產(chǎn)品的復(fù)雜化需要設(shè)計(jì)人員投入大量的精力開(kāi)展客戶需求域及產(chǎn)品配置方案域的信息表達(dá)及關(guān)系梳理，從而使設(shè)計(jì)人員產(chǎn)生感知困擾，導(dǎo)致配置網(wǎng)絡(luò)的個(gè)性化缺失；同時(shí)客戶需求與產(chǎn)品配置方案之間存在復(fù)雜的關(guān)聯(lián)關(guān)系，難以應(yīng)用數(shù)學(xué)模型準(zhǔn)確表達(dá)。

企業(yè)中大量的個(gè)性化產(chǎn)品交易記錄可以客觀、動(dòng)態(tài)地反映客戶需求及產(chǎn)品配置方案之間的關(guān)系，為配置網(wǎng)絡(luò)的構(gòu)建提供大數(shù)據(jù)支持。多層感知機(jī)（Multilayer Perceptron，MLP）又稱多層感知神經(jīng)網(wǎng)絡(luò)[8]，是一種模擬人類(lèi)神經(jīng)元的傳統(tǒng)監(jiān)督學(xué)習(xí)方法，在處理多分類(lèi)問(wèn)題時(shí)，能夠通過(guò)學(xué)習(xí)非線性函數(shù)以無(wú)限逼近輸入特征空間X和輸出標(biāo)簽向量Y之間的實(shí)際映射關(guān)系[9]。在產(chǎn)品配置網(wǎng)絡(luò)中，多層感知機(jī)可以通過(guò)監(jiān)督學(xué)習(xí)，挖掘客戶需求域與產(chǎn)品配置域之間的關(guān)系?；诖?，本文采用多層感知機(jī)基于歷史交易記錄挖掘個(gè)性化產(chǎn)品的配置網(wǎng)絡(luò)。

針對(duì)當(dāng)前個(gè)性化產(chǎn)品配置網(wǎng)絡(luò)的構(gòu)建需求，本文通過(guò)對(duì)企業(yè)的大量交易記錄挖掘，提出一種基于多層感知機(jī)配置模型的個(gè)性化產(chǎn)品配置網(wǎng)絡(luò)構(gòu)建方法。利用歷史交易數(shù)據(jù)中的客戶需求和對(duì)應(yīng)的產(chǎn)品配置方案對(duì)配置模型進(jìn)行訓(xùn)練，得到基于數(shù)據(jù)挖掘的個(gè)性化產(chǎn)品配置網(wǎng)絡(luò)。將基于客戶需求的產(chǎn)品配置問(wèn)題轉(zhuǎn)化成輸入項(xiàng)為客戶需求特征項(xiàng)，輸出項(xiàng)為實(shí)例模塊類(lèi)別選擇的多分類(lèi)問(wèn)題，建立子配置模型。針對(duì)新客戶需求，基于配置網(wǎng)絡(luò)可得到其對(duì)應(yīng)的產(chǎn)品配置信息，使配置過(guò)程更智能化、客戶化，為后續(xù)產(chǎn)品配置提供很好的決策信息，避免配置過(guò)程中主觀錯(cuò)誤的產(chǎn)生，并且能夠挖掘企業(yè)產(chǎn)品的歷史數(shù)據(jù)價(jià)值，提供數(shù)據(jù)價(jià)值再生思路。目前供應(yīng)鏈可靠性的研究未能與實(shí)時(shí)的診斷及預(yù)測(cè)很好的結(jié)合。

1 性化產(chǎn)品配置網(wǎng)絡(luò)模型的表達(dá)

智能化和客戶化的需求使得產(chǎn)品配置問(wèn)題十分復(fù)雜，運(yùn)用多層感知機(jī)技術(shù)，將產(chǎn)品配置問(wèn)題轉(zhuǎn)化為從客戶需求域到產(chǎn)品配置域的映射問(wèn)題，將配置網(wǎng)絡(luò)轉(zhuǎn)化為由多個(gè)子配置模型組合而成的網(wǎng)絡(luò)。客戶需求域由客戶需求特征項(xiàng)組成，產(chǎn)品配置域由產(chǎn)品配置方案組成，配置方案由產(chǎn)品的實(shí)例模塊構(gòu)成。個(gè)性化產(chǎn)品配置的基礎(chǔ)是模塊化產(chǎn)品開(kāi)發(fā)，本文所處理的產(chǎn)品配置方案都是基于模塊來(lái)開(kāi)展配置。設(shè)產(chǎn)品共有m個(gè)模塊，需要建立m個(gè)子配置模型，子配置模型的配置結(jié)果組合得到產(chǎn)品配置方案。在子配置模型中，輸入項(xiàng)為客戶需求特征項(xiàng)，其數(shù)值是客戶對(duì)產(chǎn)品的需求數(shù)值，輸出項(xiàng)為產(chǎn)品實(shí)例模塊的類(lèi)別選擇，即選擇的實(shí)例模塊。

如圖1所示，客戶需求域中，共有n項(xiàng)客戶需求特征項(xiàng)，客戶Ci的需求特征項(xiàng)為Ci=（Ci1，Ci2，…，Cin）。Cij（其中1≤i≤d，1≤j≤n，d為客戶的個(gè)數(shù)）是第i個(gè)客戶的第j個(gè)客戶需求特征項(xiàng)值，表示第i個(gè)客戶對(duì)第j個(gè)需求的期望數(shù)值，數(shù)值類(lèi)型分為連續(xù)型、離散型、布爾型等。

圖1 基于多層感知機(jī)的產(chǎn)品配置網(wǎng)絡(luò)構(gòu)建方法

產(chǎn)品配置域由產(chǎn)品配置方案信息構(gòu)成，被選擇實(shí)例模塊的信息組成配置信息。設(shè)某產(chǎn)品有m個(gè)模塊，模塊Mk有若干個(gè)實(shí)例模塊Mk=（IMk1，IMk2，…，IMkm（k））。IMku（1≤K≤m，1≤u≤m（k））表示第K個(gè)模塊的第u個(gè)實(shí)例模塊，m（k）為第k個(gè)模塊的實(shí)例模塊數(shù)量。第i個(gè)產(chǎn)品的配置方案為Pi=（IM1a，IM2b，…，IMmc），其中1≤a≤m（1），1≤b≤m（2），1≤c≤m（m），表示從m個(gè)模塊中選擇的實(shí)例模塊的組合信息。對(duì)于實(shí)例模塊有系數(shù)X，滿足，Xki∈[0，1]，Xki取值為0時(shí)表示不選擇第k個(gè)模塊的第i個(gè)實(shí)例模塊，Xki取值為1時(shí)表示第K個(gè)模塊的第i個(gè)實(shí)例模塊參與產(chǎn)品配置。

基于客戶需求和產(chǎn)品配置的描述，在歷史交易記錄中客戶需求Ci和產(chǎn)品配置方案Pi之間存在一一對(duì)應(yīng)的關(guān)系。產(chǎn)品配置網(wǎng)絡(luò)模型構(gòu)建的目的為根據(jù)歷史交易記錄挖掘配置網(wǎng)絡(luò)，完成從客戶需求域到產(chǎn)品配置方案域的映射，基于配置網(wǎng)絡(luò)確定新客戶需求所對(duì)應(yīng)的配置方案，即C*→P*。

2 基于多層感知機(jī)的個(gè)性化產(chǎn)品配置網(wǎng)絡(luò)構(gòu)建

2.1 多層感知機(jī)

多層感知機(jī)在感知機(jī)結(jié)構(gòu)基礎(chǔ)上加入隱含層，增加模型復(fù)雜度的同時(shí)增強(qiáng)了模型的表達(dá)能力，且輸出層神經(jīng)元可以有多個(gè)輸出，能夠靈活應(yīng)用于分類(lèi)回歸問(wèn)題。

多層感知機(jī)結(jié)構(gòu)圖如圖2所示，由輸入層、隱含層、輸出層組成，屬于全連接神經(jīng)網(wǎng)絡(luò)。各層級(jí)中同層各個(gè)神經(jīng)元相互獨(dú)立，互不連接，相鄰兩層之間的神經(jīng)元全連接。每個(gè)神經(jīng)元都有對(duì)應(yīng)的輸入權(quán)值、偏差，以及激活函數(shù)，連接強(qiáng)度由神經(jīng)元之間的權(quán)值大小決定。輸入層和輸出層神經(jīng)元個(gè)數(shù)可以是一個(gè)，也可以是多個(gè)，隱含層層數(shù)可以為單層，也可以為多層。數(shù)據(jù)在神經(jīng)元之間的傳遞具有方向性，前向計(jì)算時(shí)，由輸入向輸出逐層級(jí)計(jì)算，反向計(jì)算時(shí)，誤差反向傳播修正連接權(quán)值。

圖2 多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

設(shè)X是輸入層神經(jīng)元的標(biāo)記，輸入層神經(jīng)元個(gè)數(shù)有n個(gè)；H是隱藏層神經(jīng)元標(biāo)記，隱藏層神經(jīng)元個(gè)數(shù)有d個(gè)，激活函數(shù)為fh；輸出層神經(jīng)元標(biāo)記為Y，輸出層神經(jīng)元個(gè)數(shù)有m個(gè)，對(duì)應(yīng)的激活函數(shù)為fY。在本文中，輸入層神經(jīng)元為客戶需求特征項(xiàng)，輸出層神經(jīng)元為所選擇的實(shí)例模塊編碼。

隱含層中，第j個(gè)神經(jīng)元的輸出為：

輸出層中，第k個(gè)神經(jīng)元的輸出為：

其中v，w為權(quán)重；a，b為隱含層和輸出層偏差。

常見(jiàn)的激活函數(shù)有Sigmoid函數(shù)，tanh函數(shù)，以及relu函數(shù)等。Sigmoid函數(shù)比較簡(jiǎn)單，有用良好的非線性映射；tanh函數(shù)輸出均值是0，收斂速度較Sigmoid函數(shù)快；relu函數(shù)的梯度收斂快，且梯度計(jì)算量相對(duì)前兩種函數(shù)較少。

由于本文主要研究的是多分類(lèi)問(wèn)題，所以選用relu函數(shù)作為激活函數(shù)，有：

2.2 個(gè)性化產(chǎn)品配置網(wǎng)絡(luò)模型構(gòu)建

產(chǎn)品方案由選擇的各個(gè)模塊中的實(shí)例模塊組合而成，個(gè)性化產(chǎn)品配置問(wèn)題在大數(shù)據(jù)背景下轉(zhuǎn)換成從客戶需求域到產(chǎn)品配置域之間的映射問(wèn)題，實(shí)現(xiàn)基于客戶需求的產(chǎn)品智能配置。

本文考慮將產(chǎn)品配置網(wǎng)絡(luò)劃分成多個(gè)子配置模型，每個(gè)子配置模型的輸入項(xiàng)為客戶需求特征項(xiàng)Ci=（Ci1，Ci2，…，Cin），輸出項(xiàng)表示某模塊中選擇的實(shí)例模塊，以模塊1為例，M1有三個(gè)實(shí)例模塊（IM11，IM12，IM13），輸出值可為（1，2，3），若輸出值為2，則表示在模塊1中選擇實(shí)例模塊IM12。

最后將得到的多個(gè)子配置模型結(jié)果組合，即可得到一個(gè)完整的由客戶需求驅(qū)動(dòng)的產(chǎn)品配置方案Pg=（IM1a，IM2b，…，IMmc），其中1≤a≤m（1），1≤b≤m（2），1≤c≤m（m）。如圖3所示多層感知機(jī)子配置模型的流程為：

圖3 子配置模型流程

1）數(shù)據(jù)采集及處理。從歷史配置數(shù)據(jù)中提取出客戶需求數(shù)值，以及其對(duì)應(yīng)的產(chǎn)品配置方案信息，對(duì)客戶需求特征項(xiàng)數(shù)據(jù)進(jìn)行歸一化處理。選擇需要配置的模塊，即選擇需要訓(xùn)練的子配置模型，對(duì)其實(shí)例模塊進(jìn)行編碼，以此替代實(shí)例模塊編號(hào)。客戶需求特征項(xiàng)Ci=（Ci1，Ci2，…，Cin）和對(duì)應(yīng)實(shí)例模塊的編碼（Q）組成樣本集（Ci，Q）。采用隨機(jī)算子對(duì)樣本集進(jìn)行隨機(jī)分類(lèi)，百分之70樣本集作為測(cè)試集，百分之30樣本集作為訓(xùn)練，對(duì)子配置模型進(jìn)行訓(xùn)練。

2）配置模型的建立。建立多層感知機(jī)子配置模型，設(shè)置輸入層和輸出層神經(jīng)元個(gè)數(shù)，以及隱含層層數(shù)。輸入層神經(jīng)元個(gè)數(shù)為客戶需求特征項(xiàng)數(shù)，輸出層神經(jīng)元只有一個(gè)，其值表示某實(shí)例模塊對(duì)應(yīng)的編碼。隱含層越多，越容易擬合更復(fù)雜的函數(shù)，理論上只要隱含層的節(jié)點(diǎn)足夠多，可以擬合任意函數(shù)，但是隱含層過(guò)多會(huì)導(dǎo)致訓(xùn)練過(guò)慢且出現(xiàn)過(guò)擬合、參數(shù)難以調(diào)試、梯度彌散等問(wèn)題，所以需要根據(jù)具體問(wèn)題選擇隱含層層數(shù)和節(jié)點(diǎn)。

3）配置模型的訓(xùn)練。利用處理后的樣本數(shù)據(jù)對(duì)建立好的子配置模型進(jìn)行訓(xùn)練，以此來(lái)建立從客戶需求域向產(chǎn)品配置域映射的轉(zhuǎn)化模型。

4）配置模型的驗(yàn)證。完成訓(xùn)練后，通過(guò)測(cè)試集對(duì)模型的可行性和準(zhǔn)確性進(jìn)行驗(yàn)證。

5）構(gòu)建配置網(wǎng)絡(luò)。同理，其他子配置模型也可應(yīng)用相同流程構(gòu)建，從而得到整個(gè)網(wǎng)絡(luò)模型，完成配置網(wǎng)絡(luò)的構(gòu)建。

3 實(shí)例分析驗(yàn)證

本文以某公司某品牌的洗衣機(jī)為例，對(duì)所提方法進(jìn)行驗(yàn)證。該洗衣機(jī)的主要模塊有10個(gè)，包括箱體模塊，門(mén)體模塊，洗滌劑抽屜模塊，傳動(dòng)模塊，洗滌模塊，減振模塊，給排水模塊，控制系統(tǒng)模塊，除菌模塊，操作面板模塊。各模塊有對(duì)應(yīng)實(shí)例模塊，如表1所示。

表1 洗衣機(jī)產(chǎn)品模塊信息表

以傳動(dòng)模塊（M4）示例。將歷史客戶需求特征項(xiàng)數(shù)據(jù)和對(duì)應(yīng)的產(chǎn)品配置信息中M4選用的實(shí)例模塊整理得到訓(xùn)練集（Ci，Q）。其中，Ci是歷史客戶需求數(shù)據(jù)庫(kù)中的客戶需求數(shù)據(jù)，Q是模塊編碼數(shù)字，表示最終選定產(chǎn)品配置信息中模塊4選擇的實(shí)例模塊。Ci和Q具體信息如圖4所示。

圖4 傳動(dòng)模塊子配置模型信息

據(jù)2.2中描述的流程，運(yùn)用PYTHON對(duì)子配置模型進(jìn)行編程，利用處理好的樣本數(shù)據(jù)集（Ci，Q）對(duì)其進(jìn)行訓(xùn)練。部分樣本數(shù)據(jù)集如表2所示。

表2 部分樣本數(shù)據(jù)信息

首先劃分?jǐn)?shù)據(jù)集，設(shè)計(jì)一個(gè)隨機(jī)種子，隨機(jī)劃分70%的總體數(shù)據(jù)作為訓(xùn)練樣本集，30%的總體數(shù)據(jù)作為測(cè)試樣本集。在配置網(wǎng)絡(luò)建立過(guò)程中，輸入項(xiàng)為客戶需求特征項(xiàng)數(shù)據(jù)，根據(jù)數(shù)據(jù)，輸入層神經(jīng)元個(gè)數(shù)為12個(gè)，輸出神經(jīng)元個(gè)數(shù)為1個(gè)，其值表示選擇的實(shí)例模塊對(duì)應(yīng)的編碼，M4有四個(gè)實(shí)例模塊（IM41，IM42，IM43，IM44），輸出值可為（1，2，3，4），若輸出值為3，則表示選擇實(shí)例模塊IM43。隱含層選用2層，激活函數(shù)選擇relu函數(shù)，訓(xùn)練次數(shù)100次，如圖5所示為訓(xùn)練過(guò)程中分類(lèi)預(yù)測(cè)精度呈現(xiàn)曲線，訓(xùn)練完成時(shí)訓(xùn)練過(guò)程準(zhǔn)確精度98%。

圖5 子分類(lèi)模型的訓(xùn)練過(guò)程

將測(cè)試樣本輸入訓(xùn)練所得到的模型，測(cè)試精度如圖6所示，target_y集是測(cè)試樣本結(jié)果，pred_y集是預(yù)測(cè)結(jié)果，測(cè)試后得到測(cè)試精度達(dá)到90%以上。經(jīng)過(guò)分析，本論文提出的方案是可行的。

圖6 測(cè)試結(jié)果對(duì)比圖

4 結(jié)語(yǔ)

本文針對(duì)從客戶需求到產(chǎn)品配置過(guò)程中存在的主觀性和復(fù)雜性問(wèn)題，提出利用多層感知機(jī)挖掘歷史交易記錄中客戶需求與產(chǎn)品模塊實(shí)例之間的關(guān)系，從而構(gòu)建個(gè)性化產(chǎn)品的配置網(wǎng)絡(luò)，并基于此實(shí)現(xiàn)客戶需求驅(qū)動(dòng)的個(gè)性化產(chǎn)品設(shè)計(jì)。該方法有以下優(yōu)勢(shì)：

1）根據(jù)客戶需求，建立子分類(lèi)模型，實(shí)現(xiàn)多維客戶需求域向產(chǎn)品配置域映射分析，降低了客戶需求向產(chǎn)品配置方案轉(zhuǎn)化過(guò)程中的復(fù)雜程度，可以基于客戶需求得到與其對(duì)應(yīng)的產(chǎn)品配置信息，實(shí)現(xiàn)了個(gè)性化產(chǎn)品配置的客戶化。

2）區(qū)別與傳統(tǒng)的客戶需求向產(chǎn)品配置信息轉(zhuǎn)化方法，基于配置網(wǎng)絡(luò)的個(gè)性化產(chǎn)品定制無(wú)需專(zhuān)家參與，可有效避免主觀錯(cuò)誤的產(chǎn)生，在一定程度上降低轉(zhuǎn)化過(guò)程中的主觀性和模糊性，提高配置的準(zhǔn)確性。

3）利用監(jiān)督學(xué)習(xí)的思想，挖掘客戶需求數(shù)據(jù)與產(chǎn)品配置信息之間的關(guān)系，可自動(dòng)確定配置方案，實(shí)現(xiàn)了配置過(guò)程的智能化。并且配置網(wǎng)絡(luò)可隨著歷史交易記錄的增加而動(dòng)態(tài)更新，有效提高了配置的準(zhǔn)確性、自適應(yīng)性，同時(shí)提升了數(shù)據(jù)的使用價(jià)值。