用于基于机器学习的产品设计自动化和优化的系统和方法技术方案

本公开的实施例涉及用于基于机器学习的产品设计自动化和优化的系统和方法。本公开的各方面提供支持优化的产品设计过程的系统、方法和计算机可读存储介质。在设计过程期间，标识针对产品设计的特征集合的信息被接收，并对照机器学习逻辑而被评估以标识组件集合，该组件集合包括与该特征集合相对应的组件。一个或多个候选组件可以基于特性而被标识为对一个或多个组件集合的替代品，并且可以基于至少一个设计度量和一个或多个候选组件来确定用于优化(例如，降低成本、重量等)该组件集合的修改。可以输出相对于至少一个设计度量而优化的最终组件集合。最终组件集合。最终组件集合。

【技术实现步骤摘要】
用于基于机器学习的产品设计自动化和优化的系统和方法


[0001]本公开总体上涉及产品设计和开发方法，并且更具体地涉及用于自动化和优化产品设计和开发的基于机器学习(ML)的框架。

技术介绍

[0002]产品的开发常常涉及许多复杂的过程，诸如产品设计、原型制作、产品测试、组装等。设计过程对许多产品提出了重大挑战，尤其是涉及许多不同零件的复杂产品(例如汽车、飞机、船只、计算机组件或其他产品)。现有设计过程中出现的挑战之一是零件选择。举例来说，对于任何特定零件，可能有多个来源或许多潜在可行零件，其具有不同的特征、尺寸、成本等。当这种情形出现时，实施设计过程的人可能倾向于选择他们熟悉的零件(例如，他们过去使用过的零件、来自他们以前合作过的制造商的零件等)或基于设计者经验的其他个人偏向。虽然这样的技术可能会导致为产品设计选择适当的零件，但是这种类型的选择或设计过程没有导致相对于制造产品的总和的成本或产品的质量的最佳产品设计。此外，目前使用的手动设计过程也非常耗时，这会延迟完成设计过程所需的时间以及最终生产产品所需的时间。尽管是耗时的，但是现有技术常常以非详尽的方式来执行，这意味着许多零件或组件甚至可能不被考虑用于所提议的设计。现有方法的非详尽的性质导致许多零件或组件被忽略，并且在许多情形中，被忽略的零件或组件可能会在设计的产品的成本、相配和/或功能方面产生更优化的设计。

技术实现思路

[0003]本公开的各方面提供支持优化的产品设计过程的系统、方法、装置和计算机可读存储介质。在对设计产品的过程期间，可以产生标识针对产品的特征集合的信息。例如，用户或设计者可以利用设计者设备来编译与产品的设计相关的特征集合。特征集合可以包括从客户要求(例如，针对由寻求生产产品的实体对产品所指定的要求)、营销要求(例如，消费者感兴趣的特征、安全性等)、工程要求(例如，关于产品的耐用性、功率要求等的因子)中导出的信息。一旦产品规格被最终确定，就可以针对对照机器学习逻辑评估正被设计的产品的特征集合，以标识与该特征集合相对应的组件集合。在一方面，该组件集合可以包括适用于不同特征中的每个不同特征的零件或组件，并且可以根据零件中的每个零件与对应特征之间的相关性，来对零件或组件进行排序或确定优先级。在附加的方面，可以根据成本(例如，从最低成本到最高成本或从最高成本到最低成本)对零件或组件进行排序或确定优先级。然后，设计者可以从由机器学习逻辑所标识的组件集合中为所提议的设计来选择组件，以产生工程物料清单(eBOM)。请注意，eBOM中包括的零件或组件可能在成本或其他因子方面未被优化，而是可能仅包括设计者认为非常适合该产品设计的组件。
[0004]然后可以分析eBOM以标识重复零件或组件(如果有的话)以及一个或多个候选零件或组件。候选零件或组件可能是设计者在eBOM中所指定的零件或组件的潜在替换品或替代品。然后可以使用一个或多个设计度量来评估一个或多个候选组件，以优化产品设计。对
候选零件或组件的评估可以包括对零件或组件的特性的分析，以及对照一个或多个设计度量的对这些特性的评估。例如，设计度量可以指定支持特定特征的零件可以由材料a、材料b、材料c制成，并且设计者可能已经选择了由材料a制成的零件，而没有考虑由材料b或材料c制成的零件是否将导致更优化的产品设计(例如，保持产品的结构完整性但是降低成本或重量)。在评估候选零件期间，本公开的实施例可以自动评估将候选零件之一替换为eBOM中指定的零件是否会导致更优化的设计。作为对候选零件或组件的评估结果，可以标识优化产品设计的候选零件和组件，并且可以对eBOM进行修改以优化产品设计(例如，降低成本、减轻重量、改进性能等等。)。可以输出相对于至少一个设计度量而被优化的最终组件集合，从而产生优化的产品设计，其然后可以被用来以更优化的方式制造产品。
[0005]前面已经相当广泛地概述了本公开的特征和技术优势，以便更好地理解下面的详细描述。下文将描述形成本公开的权利要求的主题的附加特征和优点。本领域技术人员应当了解，所公开的概念和具体方面可以很容易被用作修改或设计用于实现本公开的相同目的的其他结构的基础。本领域技术人员还应该认识到，这样的等效结构没有脱离如所附权利要求中所阐述的本公开的范围。当结合附图考虑时，从以下描述中将更好地理解本文所公开的关于组织和操作的方法的新颖特征以及进一步的目的和优点。然而，应明确理解，提供每个附图仅是用于说明和描述的目的，而并不旨在作为对本公开的限制的定义。
附图说明
[0006]为了更完整地理解本专利技术，现结合附图对以下描述进行参考，其中：
[0007]图1是根据本公开的支持设计过程的系统的示例的框图；
[0008]图2示出了说明根据本公开的设计过程的示例性方面的框图；
[0009]图3示出了说明根据本公开的设计过程的附加示例性方面的框图；和
[0010]图4是说明了根据本公开的用于设计过程的方法的示例的流程图。
[0011]应当理解，附图不一定按比例绘制，并且所公开的各方面有时以图解方式和部分视图的形式而被图示。在某些情形中，对于理解所公开的方法和装置而言是不必要的、或者使得难以觉察其他细节的那些细节可能已被省略。当然，应当理解，本公开不限于本文所说明的特定方面。
具体实施方式
[0012]本公开的各方面提供支持用于设计产品的过程的自动化和优化的系统、方法、装置和计算机可读存储介质。如将在下文中详细描述的，实施例可以提供用于将针对产品所指定的设计特征集合自动转化为组件集合的功能性，该组件集合包括适用于设计特征集合的不同特征中的每个特征的零件或组件。可以通过利用机器学习逻辑来快速标识不同特征与一个或多个零件或组件之间的相关性从而提供这样的能力。该组件集合可以被呈现给设计者，然后设计者可以从所标识的零件或组件之中进行选择，以生成针对产品设计的初始eBOM。然而，该eBOM可能没有相对于一个或多个设计度量(例如，成本、大小、重量等)进行优化或完全优化。
[0013]为了增强产品设计，初始eBOM可以经受进一步分析，以标识重复的零件或组件(如果有的话)以及可以替换初始eBOM中包括的零件或组件中的一个或多个零件或组件的候选
零件或组件。例如，可以通过评估在初始eBOM中标识的零件或组件与其他已知零件或组件的属性之间的差异来标识候选组件。设计度量可以指定可以被用来确定是否应选择特定候选零件或组件作为针对初始eBOM的零件或组件中的一个零件或组件的替代品的标准。为了说明，如果候选零件或组件具有较低的重量，即使其他参数相同，则重量度量也可以指定候选零件或组件应该替换初始eBOM中包括的零件或组件。通过这样的分析，可以生成相对于(多个)设计度量进行优化的最终eBOM(例如，产生优化设计的产品的成本、重量、大小或其他方面的最终eBOM)。
[0014]参见图1，根据本公开的支持设计过程的系统的示例被示为系统100。系统100可以被配置为使产品设计过程的各方面自动化，并且在这样做时，相对于一个或多个设计度量(例如，成本、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种方法，包括：由一个或多个处理器接收标识针对产品设计的特征集合的信息；由所述一个或多个处理器执行针对所述特征集合的机器学习逻辑以标识组件集合，其中所述组件集合包括与所述特征集合中的每个特征相对应的组件；由所述一个或多个处理器确定与所述组件集合中的每个组件相关联的特性；由所述一个或多个处理器基于所述特性将一个或多个候选组件标识为对组件集合中的一个或多个组件的替代品；由所述一个或多个处理器基于至少一个设计度量和所述一个或多个候选组件，来确定用于优化所述组件集合的一个或多个修改；以及由所述一个或多个处理器基于所述一个或多个修改来输出针对所述产品设计的最终组件集合，其中所述最终组件集合包括选自所述一个或多个候选组件的至少一个候选组件，并且其中相对于所述至少一个设计度量而与所述组件集合相比，所述至少一个候选组件优化所述最终组件集合。2.根据权利要求1所述的方法，其中所述机器学习逻辑被配置为输出表示每个组件与所述特征集合之间的相关性的相关性系数，所述方法包括：至少部分地基于由所述机器学习逻辑输出的所述相关性系数来确定所述组件集合。3.根据权利要求1所述的方法，其中标识所述一个或多个候选组件包括标识所述产品设计的重复组件，并且其中所述至少一个设计度量包括属性方差度量和成本度量。4.根据权利要求1所述的方法，其中标识所述一个或多个候选组件包括标识所述产品设计的非重复组件，并且其中所述至少一个设计度量包括属性方差度量、尺寸方差度量和成本度量。5.根据权利要求1所述的方法，其中标识所述一个或多个候选组件包括标识所述产品设计的3D可打印组件，并且其中所述至少一个设计度量包括属性方差度量和尺寸方差度量。6.根据权利要求1所述的方法，其中所述至少一个设计度量包括属性方差度量、尺寸方差度量、成本度量、重量度量或其组合。7.根据权利要求1所述的方法，其中基于所述特性将一个或多个候选组件标识为对所述组件集合中的一个或多个组件的替代品是基于所述特征集合迭代地执行的。8.根据权利要求7所述的方法，还包括：在所述标识的至少一次迭代期间将第一候选组件标识为对第二候选组件的替代品，在所述标识的先前迭代期间，选择所述第二候选组件作为对所述组件集合中的组件的替代品。9.一种系统，所述系统包括：存储器；以及可通信地耦合到所述存储器的一个或多个处理器，所述一个或多个处理器被配置为：接收标识针对产品设计的特征集合的信息；执行针对所述特征集合的机器学习逻辑以标识组件集合，其中所述组件集合包括与所述特征集合中的每个特征相对应的组件；确定与所述组件集合中的每个组件相关联的特性；基于所述特性将一个或多个候选组件标识为对组件集合中的一个或多个组件的替代
品；基于至少一个设计度量和所述一个或多个候选组件，来确定用于优化所述组件集合的一个或多个修改；以及基于所述一个或多个修改来输出针对所述产品设计的最终组件集合，其中所述最终组件集合包括选自所述一个或多个候选组件的至少一个候选组件，并且其中相对于所述至少一个设计度量而与所述组件集合相比，所述至少一个候选组件优化所述最终组件集合。10.根据权利要求9所述的系统，其中所述机器学习逻辑被配置为输出表示每个组件与所述特征集合之间的相关性的相关性系数，并且其中所述一个或多个处理器被...

【专利技术属性】
技术研发人员：A，
申请(专利权)人：埃森哲环球解决方案有限公司，
类型：发明
国别省市：