新能源汽车焊装产线的价值评价方法

计算;推算;计数设备的制造及其应用技术1.本发明涉及新能源汽车焊装产线技术领域，具体涉及一种新能源汽车焊装产线的价值评价方法。背景技术：2.随着新能源汽车在我国的快速发展，消费者对于汽车的需求逐渐趋于个性化，厂商传统的生产模式已经无法满足市场需要。借助工业互联平台实现在新能源汽车产线上的个性化定制能够节省生产准备的成本，大大缩短制造的开发周期，满足个性化订单需求、准确交付。3.当前工业互联平台环境下新能源汽车焊装产线价值评价机制匮乏，各环节缺乏信任，溯源能力欠缺，生态资源和个性化需求匹配性不佳。而传统的评价方法中评价指标权重主观性较强，评价过程中定性成分较多，定量数据较少，需要一种科学、客观的方法对其进行改进。4.因此，如何改进新能源汽车焊装产线价值评价体系，使其能够根据用户个性化定制需求对其做出合理评价，成为目前亟待解决的问题。技术实现要素：5.有鉴于此，本发明实施例提供了一种新能源汽车焊装产线的价值评价方法，以解决现有技术中新能源汽车焊装产线价值评价机制存在个性化需求匹配性不佳的问题。6.本发明实施例提供了一种新能源汽车焊装产线的价值评价方法，包括：7.获取新能源汽车焊装产线的四种评价指标；四种评价指标包括设计环节评价指标、装配环节评价指标、配件供应环节评价指标和运维环节评价指标；8.将评价指标作为第一遗传算法的初始化种群，基于第一遗传算法的种群各个体适应度最大化和指标重要度获取与四种评价指标对应的目标权重约束表达；9.通过第二遗传算法对目标权重约束表达进行全局搜索，获得多个第一权重；10.通过梯度投影法对多个第一权重进行局部搜索，获得目标权重；11.根据目标权重和评价指标，获得新能源汽车焊装产线的评价值。12.可选地，设计环节评价指标包括：设计价格及设计价格稳定度、设计准时完成率、设计周期和研发能力；13.装配环节评价指标包括：装配价格及装配价格稳定度、装配准时完成率、对接响应速度和装配返工率；14.配件供应环节评价指标包括：配件价格及配件价格稳定度、配件质量、生产速度和供应速度；15.运维环节评价指标包括：运维价格及运维价格稳定度、服务响应次数、服务时间和客户满意度。16.可选地，在获取新能源汽车焊装产线的四种评价指标之后，还包括：17.将研发能力、设计准时完成率、对接响应速度、配件质量、生产速度、供应速度、服务响应次数和客户满意度设为正向评价指标；18.将设计价格及设计价格稳定度、装配价格及装配价格稳定度、配件价格及配件价格稳定度、运维价格及运维价格稳定度、设计周期、装配返工率和服务时间设为负向评价指标；19.负向评价指标取倒数；20.对正向评价指标和负向评价指标进行归一化处理。21.可选地，将评价指标作为第一遗传算法的初始化种群，基于第一遗传算法的个体适应度最大化和指标重要度获取与四种评价指标对应的目标权重约束表达，包括：22.获取进化结束后的种群指标矩阵和种群综合适应度向量；其中，种群综合适应度向量根据进化结束后的种群指标矩阵和第一权重矩阵组成；23.结合指标重要度矩阵对种群综合适应度向量计算方差；24.若方差结果在预设范围内，则保留与方差结果相对应的第二权重矩阵；预设范围根据指标重要度矩阵进行设置。25.可选地，指标重要度矩阵的大小根据评价指标的个数进行概率组合计算得出。26.可选地，还包括：27.对第二遗传算法设置第一约束条件；28.其中，第一约束条件根据指标重要度进行设置。29.可选地，还包括：30.根据第一约束条件生成第一梯度投影矩阵；31.通过第二约束条件将第一梯度投影矩阵与第二遗传算法的交叉操作相结合；32.通过第三约束条件将第一梯度投影矩阵与第二遗传算法的变异操作相结合。33.可选地，还包括：34.在执行第二遗传算法的交叉操作前，从目标权重约束表达中选取第一解作为第二遗传算法的第一父体；从目标权重约束表达中选取第二解作为第二遗传算法的第二父体；其中，第一解符合第一约束条件；第二解为任意选取；35.根据第一约束条件和第一父体生成第一梯度投影矩阵。36.可选地，还包括：37.第二约束条件根据第一约束条件、第一父体、第二父体和第一梯度投影矩阵进行设置；38.第三约束条件根据第一约束条件、第一父体、第一梯度投影矩阵、第一梯度投影矩阵的取值范围和进化结束后的种群指标矩阵进行设置。39.可选地，通过梯度投影法对多个第一权重进行局部搜索，获得目标权重，包括：40.从多个第一权重中任取一个第三权重矩阵；41.获取与第三权重矩阵相对应的第二梯度投影矩阵；42.根据第二梯度投影矩阵获取第三权重矩阵的梯度；43.获取第三权重矩阵的梯度的欧氏距离不为零时的迭代步长因子上限；44.根据第三权重矩阵、迭代步长因子上限和第三权重矩阵的梯度，获取迭代步长因子的取值范围；45.在迭代步长因子的取值范围中，选取与迭代步长因子上限最接近的值作为最佳迭代步长。46.本发明实施例的有益效果：47.本发明实施例提供了一种新能源汽车焊装产线的价值评价方法，将用户偏好设置为指标重要度，参与到遗传算法中，再通过遗传算法与梯度投影法对目标权重进行快速精准地优化求最优解，实现了根据用户个性化定制需求对新能源汽车焊装产线的合理、客观评价。附图说明48.通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：49.图1示出了本发明实施例中一种新能源汽车焊装产线的价值评价方法的流程图；50.图2示出了本发明实施例中一种新能源汽车焊装产线的价值评价方法的评价模型结构图；51.图3示出了本发明实施例中一种新能源汽车焊装产线的价值评价方法的遗传算法流程图。具体实施方式52.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。53.本发明实施例提供了一种新能源汽车焊装产线的价值评价方法，如图1所示，包括：54.步骤s10，获取新能源汽车焊装产线的四种评价指标。四种评价指标包括设计环节评价指标、装配环节评价指标、配件供应环节评价指标和运维环节评价指标。55.在本实施例中，评价指标采用量化的形式参与到后续的遗传算法以及梯度投影法中。56.步骤s20，将评价指标作为第一遗传算法的初始化种群，基于第一遗传算法的种群各个体适应度最大化和指标重要度获取与若干个评价指标对应的目标权重约束表达。57.在本实施例中，将步骤s10中的各个评价指标作为遗传算法的初始化种群，获得进化结束后的种群指标矩阵。将各个评价指标与各个评价指标对应的权重一一相乘，得到评价值，将评价值作为遗传算法的输入量，利用遗传算法的适应度函数使评价值最大化，从而得出目标权重约束表达。58.指标重要度根据用户需要进行设置，在具体实施例中，对设计环节、装配环节、配件供应环节和运维环节中的评价指标进行重要度设置，重要值置1，不重要值置-1，一般值置0。59.步骤s30，通过第二遗传算法对目标权重约束表达进行全局搜索，获得多个第一权重。60.在本实施例中，目标权重约束表达为第二遗传算法的初始化种群。先通过遗传算法获取全局最优解。61.步骤s40，通过梯度投影法对多个第一权重进行局部搜索，获得目标权重。62.在本实施例中，由于遗传算法的逼近精度不高，再通过梯度投影法进行局部搜索，获取有效的全局最优解。63.步骤s50，根据目标权重和评价指标，获得新能源汽车焊装产线的评价值。64.在本实施例中，将用户偏好设置为指标重要度，参与到遗传算法中，再通过遗传算法与梯度投影法对目标权重进行快速精准地优化求最优解，实现了根据用户个性化定制需求对新能源汽车焊装产线的合理、客观评价。65.作为可选的实施方式，如图2所示，设计环节评价指标包括：设计价格及设计价格稳定度、设计准时完成率、设计周期和研发能力；66.装配环节评价指标包括：装配价格及装配价格稳定度、装配准时完成率、对接响应速度和装配返工率；67.配件供应环节评价指标包括：配件价格及配件价格稳定度、配件质量、生产速度和供应速度；68.运维环节评价指标包括：运维价格及运维价格稳定度、服务响应次数、服务时间和客户满意度。69.为了实现对新能源汽车焊装产线的价值评价，考虑到新能源汽车焊装产线价值评价的整体性和全面性，将新能源汽车焊装产线分为四个环节，分别为产品设计环节a、装配环节b、配件供应环节c和运维环节d。70.在具体实施例中，评价指标获取并定义的具体步骤如下：71.四个环节中相同的指标用同一标准进行设置：72.价格及价格稳定度用p表示，p＝价格×(1+价格稳定度)。[0073][0074]其中，价格为近一年产品设计平均价格。[0075]准时完成率＝(准时完成的订单数量÷全部订单数量)×100％。[0076]针对产品设计环节a：设计周期用一个产品设计的时间表示，单位为天；研发能力以该机构的研究人数、发明专利、论文和软件著作权等数量进行计算。[0077]针对装配环节b：对接响应速度用每天生产线上装配的配件数表示，单位为件/天；装配返工率＝(装配返工数量÷平均装配出厂数量)×100％。[0078]针对配件供应环节c：配件质量根据汽车零配件国家标准对质量进行量化，用0-100分表示；生产速度用每天可生产配件数表示，单位为件/天；供应速度用每天供应给装配的配件数表示，单位为件/天。[0079]针对运维环节d：服务反馈次数指用近一年来企业对客户需求解决的响应次数表示；服务时间用平均每次运维从开始到结束的时间表示，单位为天；客户满意度通过完成运维后邀请客户为本次运维打分，用0-10分表示。[0080]根据以上环节及评价指标建立价值评价模型，新能源汽车焊装产线的价值评价值s＝fa+fb+fc+fd，fa、fb、fc和fd分别代表环节的评价值，每个环节的评价值由评价指标加权求和获得。[0081]作为可选的实施方式，在步骤s10之后，还包括：[0082]将研发能力、设计准时完成率、对接响应速度、配件质量、生产速度、供应速度、服务响应次数和客户满意度设为正向评价指标；[0083]将设计价格及设计价格稳定度、装配价格及装配价格稳定度、配件价格及配件价格稳定度、运维价格及运维价格稳定度、设计周期、装配返工率和服务时间设为负向评价指标；[0084]负向评价指标取倒数；[0085]对正向评价指标和负向评价指标进行归一化处理。[0086]在本实施例中，分析四个环节的评价指标属性，对评价指标数据进行处理。首先将各评价指标数据与评价方向统一，其次对不同属性的评价指标数据通过归一化处理以消除量纲影响。[0087]在本实施例中，将步骤s10中获取的各项评价指标分为正向指标和负向指标两类，正向指标代表指标数据越大，评价的效果越好。负向指标代表指标数据越小，评价的效果越好。以价格及价格稳定度为例，实际要求价格及价格稳定度越少评价效果越好，所对应的评价数值应越大，所以价格为负向指标。本实施例中将所有负向指标求倒数，从而使其与评估方向统一。[0088]由于不同的评价指标数据具有不同的量纲，不能对不同的数据直接进行数值上的线性求和，因此我们需要将评价指标数据进行归一化处理，本文选择的归一化公式如下：[0089][0090]其中，fs表示第s个评价指标，t为评价指标的总数，f′s表示归一化后的第s个评价指标。[0091]作为可选的实施方式，步骤s20包括：[0092]步骤s201，获取进化结束后的种群指标矩阵和种群综合适应度向量。其中，种群综合适应度向量根据进化结束后的种群指标矩阵和第一权重矩阵组成；[0093]步骤s202，结合指标重要度矩阵对种群综合适应度向量计算方差。[0094]步骤s203，若方差结果在预设范围内，则保留与方差结果相对应的第二权重矩阵；预设范围根据指标重要度矩阵进行设置。[0095]在本实施例中，若x＝[x1,x2,…,xm]为一组评价指标数据的解，按照遗传算法的进化原理，将其设置为初始进化种群，使种群规模为n，待优化问题包含k个性能指标，则每代进化结束后种群指标如矩阵a所示：[0096][0097]用fij表示第i个个体的第j个指标值，并采用前述实施例中的归一化方法进行归一化处理，得到f′ij，则种群综合适应度值b可以表示为：[0098][0099]其中，a'为a中元素归一化后的矩阵。不同的权重组合会导致向量b具有不同的元素，向量方差反映了向量间各元素的差异，若要从种群综合适应度向量b中选择最佳个体，则必须让向量b在所有可能的权重组合中具有最大的方差以最大化各个体综合适应度之间的差异，此时向量b方差计算公式为：[0100][0101]将归一化公式代入上述公式可得：[0102][0103]因为所以上述公式最终可简化为：[0104][0105]其中，h＝a′ta′，根据矩阵论知识可知，h为正定矩阵，它的最大特征值对应的特征向量we即可使式有最大值，但we未必能满足用户个性化定制的需求，所以我们要引入用户偏好矩阵，在满足用户个性化需求的同时使b的方差尽可能大，由此转换为解决约束优化问题：[0106][0107]其中，g为指标重要度矩阵，代表每两个元素的相比较下权重的优先级。[0108]在具体实施例中，针对产品设计环节a，设计价格及设计价格稳定度、设计准时完成率、设计周期和研发能力这四个指标依次对应权重ω1、ω2、ω3、ω4，指标重要度矩阵g的大小根据评价指标的个数进行概率组合计算得出，g矩阵为矩阵。根据用户个性化定制需求，假设用户要求产品成本尽可能少的情况下质量最好，则设置ω1》ω2》ω3》ω4》0，则指标重要度矩阵g为：[0109][0110]在具体实施中，步骤s203中的预设范围根据指标重要度矩阵g进行调整设置。[0111]作为可选的实施方式，还包括：对第二遗传算法设置第一约束条件；其中，第一约束条件根据指标重要度进行设置。[0112]在本实施例中，根据指标重要度设置第一约束条件，使第二遗传算法向用户需求的方向进行优化求解。[0113]如图3所示，第二遗传算法具体实现为：[0114]1)对待优化问题的自变量进行基因编码。[0115]本实施例采用实数编码原则对自变量进行编码。[0116]2)随机初始化种群。[0117]在自变量可选取的区间范围内随机生成多组解向量，作为遗传算法的初始种群以作于后续繁衍迭代，种群规模可自定义设置。[0118]3)计算种群个体适应度。[0119]设置适应度函数，计算种群个体的适应度，若适应度越优，则表示种群个体是较优的个体。以此为方向繁衍出最优个体，一般地，适应度函数为我们待求解函数本身。[0120]4)对种群进行选择、交叉、变异操作。[0121]根据自然界优胜劣汰的原则，适应度越优的个体被选择的概率越大，此处一般选择轮盘赌法确定选择概率，选择两个个体作为父方与母方，分别随机选取各一半的基因繁殖出新的个体，即为交叉操作。然后进行变异操作，即对新生成的个体的基因序列中的某一个信息有几率随机变化，类似于生物体中的基因突变。重复上述操作直至达到预设的繁衍次数或个体的适应度满足了预先设定的值，最终确定最优个体。[0122]在本实施例中，种群规模设置为100，交叉概率设置为0.7，变异概率设置为0.3，迭代次数为300次。[0123]为了便于优化，将待优化问题的求最大值条件转化为求解由于h为正定矩阵，为凸函数，对于凸函数来说只有一个最低点，因此极值点即为最值点。非凸函数拥有多个极值点，而函数f不一定为凸函数，因此需要重新分析f的函数性质。[0124]首先验证待优化问题的可行域是否为凸集，假设可行域为集合d，且x∈d，y∈d，满足g×x≥0，g×y≥0；e×x＝1，e×y＝1；任取λ∈(0,1)，只要满足z＝λx+(1-λ)y∈d，则可行域为凸集。因为gz＝λgx+(1-λ)gy≥0，且ez＝λ(ex-ey)+ey＝ey＝1，分别满足等式约束与不等式约束条件，所以可行域为凸集。在此基础上验证f是否为凸函数，若f的hessien矩阵为正定矩阵，则f为凸函数，f的hessien矩阵为：[0125][0126]其中由此可知，f的hessien矩阵与权重取值有关，以此无法确定是否为正定矩阵，因此f为非凸函数。[0127]利用约束遗传算法进行全局搜索。上述分析得知，待优化问题搜索到的局部最小值未必是全局最小值，只有利用遗传算法等搜索算法才能获得全局最优解，而遗传算法在收敛速度与逼近精度方面效率不高，因此需要对第二遗传算法进行条件约束，从而实现有效、快速地求取全局最优解。[0128]作为可选的实施方式，还包括：[0129]根据第一约束条件生成第一梯度投影矩阵；[0130]通过第二约束条件将第一梯度投影矩阵与第二遗传算法的交叉操作相结合；[0131]通过第三约束条件将第一梯度投影矩阵与第二遗传算法的变异操作相结合。[0132]在本实施例中，通过梯度投影矩阵实现对第二遗传算法优化方向的约束。当遗传算法逼近全局最优解时，由于遗传算法缺少梯度信息的指引而容易在局部振荡，因此可以利用梯度投影法在遗传算法搜索的基础上再进行局部搜索。[0133]作为可选的实施方式，还包括：[0134]在执行第二遗传算法的交叉操作前，从目标权重约束表达中选取第一解作为第二遗传算法的第一父体；从目标权重约束表达中选取第二解作为第二遗传算法的第二父体；其中，第一解符合第一约束条件；第二解为任意选取；[0135]根据第一约束条件和第一父体生成第一梯度投影矩阵。[0136]在本实施例中，从目标权重约束表达中选取w1和w2为遗传算法的两个父个体，按照梯度投影法原理，若w1满足ew1＝1，g1w1＝b1，g2w1》b2，其中：g＝[g1；g2]，b＝[b1；b2]＝0k×1，若令满秩矩阵m＝[g1；e]，则此时w1的梯度投影矩阵p1为：[0137][0138]将梯度投影法与交叉操作相结合，得：[0139][0140]将矩阵m与wnew1相乘可得：[0141][0142]第一约束条件即通过g和b实现。[0143]作为可选的实施方式，还包括：[0144]第二约束条件根据第一约束条件、第一父体、第二父体和第一梯度投影矩阵进行设置；[0145]第三约束条件根据第一约束条件、第一父体、第一梯度投影矩阵、第一梯度投影矩阵的取值范围和进化结束后的种群指标矩阵进行设置。[0146]在本实施例中，第二约束条件即αc、βc。[0147]经过前述实施例中的交叉操作生成的新个体满足等式约束条件，为了让生成的新个体也满足不等式约束条件，则必须有g(w1+αcp1(w2-w1))≥b，由于w1已满足不等式条件gw1-b≥0，因此αc和βc的上限计算公式为：[0148][0149][0150]上述遗传算法的交叉变异操作依旧能满足待优化问题的等式约束以及不等式约束，并且没有改变遗传算法随机优化的特性，算法依旧具有全局收敛性。[0151]为满足待优化问题的等式约束以及不等式约束条件，w取值初始化可以为：[0152][0153]其中，rand(0，1)表示在0-1之间生成的随机数。按上述公式随机生成的初始权重ω1可能不是满足用户偏好的权重大小，需手动将ω1，ω2，…，ωk重新排序以满足不等式约束。[0154]作为可选的实施方式，步骤s40包括：[0155]从多个第一权重中任取一个第三权重矩阵；[0156]获取与第三权重矩阵相对应的第二梯度投影矩阵；[0157]根据第二梯度投影矩阵获取第三权重矩阵的梯度；[0158]获取第三权重矩阵的梯度的欧氏距离不为零时的迭代步长因子上限；[0159]根据第三权重矩阵、迭代步长因子上限和第三权重矩阵的梯度，获取迭代步长因子的取值范围；[0160]在迭代步长因子的取值范围中，选取与迭代步长因子上限最接近的值作为最佳迭代步长。[0161]梯度投影法的基本思想为：当迭代点xk是可行域d内部的点时，取作为搜索方向，当迭代点xk是可行域d边界上的点时，取在这些边界面交集上的投影作为搜索方向。[0162]在本实施例中，p2为wk的梯度投影矩阵，则wk处的梯度为：[0163][0164]若‖dk‖≠0，则计算步长因子上限为：[0165][0166]上述公式只能确定步长的上限，要想获得最佳迭代步长，则需要进一步计算：[0167][0168]其中，由于h为正定矩阵，所以a》0，f的分母为向上开口的抛物线，对称轴横坐标为：[0169][0170]距离对称轴越远的αk具有更小的f值，根据αp与梯度投影法确定的步长区间上下限相对位置即可求得最佳的迭代步长。[0171]在本实施例中，通过混合优化算法优化得到最终的目标权重ω1、ω2、ω3、ω4，与处理过后的指标数据加权即可获得产品设计环节(a)的评价值fa，依次方法重复获得评价值fb、fc、fd，确定最终汽车焊装生产线评价值s。[0172]本发明实施例提出了一种新能源汽车焊装产线的价值评价模型和评价方法，通过对新能源汽车焊装产线各个生产环节的解析，在全域价值链生态资源重构体系中，系统的提出了一种科学的、适用的价值评价模型和评价方法，满足了面向生态资源重构下的用户个性化定制需求，并为生态资源价值体系构建提供了新的参考方向。[0173]虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!