大规模定制生产模式的目的是以大规模生产的成本生产出定制化的产品,满足顾客多样化的需求。如何在有限的成本约束下最大化产品性能和产品多样性是产品族设计的核心问题,因此,合理的产品族设计是实施大规模定制的基础和保证。产品族设计理论包括模块化产品族设计和参数化产品族设计,前者是通过添加、删除、修改产品各个模块,组成不同的模块组合实现产品的多样化,后者是通过改变产品各个设计参数的取值,组成不同的取值组合实现产品的多样化。由于参数化产品族比模块化产品族容易量化,产品族设计的结果也更能满足顾客需求,应用更加广泛,所以本文主要研究参数化产品族设计。参数化产品族设计的核心是平台参数的识别和产品参数的优化设计。在平台参数识别领域,目前主要是通过无平台参数优化取值处设计参数的敏感度或变异系数大小来识别平台参数,未考虑产品的顾客需求重要度和设计参数对顾客需求的影响程度,为此本文将QFD引入到参数化产品族设计中,但是传统的QFD方法在确定顾客需求重要度时没有考虑顾客需求随时间的规律性变化,所得到的顾客需求重要度滞后于实际情况,而在关联关系矩阵元素的确定方面存在着过于依赖专家经验,具有较强的主观性以及取值过于离散等缺点。针对以上不足,本文提出基于改进QFD的产品平台参数识别方法。首先,基于聚类分析和灰色预测确定顾客需求重要度。根据顾客需求重要度随时间规律性变化的特点,本文利用企业的历史交易记录,通过一致性分析确定一致度较高的顾客群和设计参数类,利用模糊成对比较方法计算过去若干周期内的顾客需求重要度,并根据灰色预测模型进行趋势分析,预测未来周期内的顾客需求重要度。其次,基于敏感度分析建立顾客需求和产品设计参数间的关联关系矩阵。为了克服传统专家打分法的主观性强、取值离散等缺点,本文引入敏感度分析方法来分析自变量对因变量的影响程度,以此作为确定平台参数的依据。根据设计参数的取值范围选取设计参数的取值水平,利用正交试验表选取有代表性的取值组合进行试验根据试验结果计算敏感度,以敏感度矩阵作为关联关系矩阵。此外,为了克服QFD评价信息中的模糊性和随机性,引入云模型对QFD中的顾客需求重要度、敏感度、竞争性评价信息等进行处理,使得计算出的结果更加精确客观。在产品参数的优化设计领域,目前相容决策支持问题是解决参数化产品族设计的主要方法,然而该方法仅能满足产品族的设计目标而不能优化产品族的性能,所以本文在现有研究基础上,根据参数化产品族固有的特征,提出了一种基于拥挤距离的多目标多约束遗传算法,解决参数化产品族设计过程中的诸多问题。首先,根据企业成本、顾客需求满意度和产品性能等目标构建多个目标函数,根据顾客需求、设计参数间关系、产品结构等构建模型的约束条件,再结合每个设计参数的定义域最终建立多目标优化模型。然后,利用基于拥挤距离的遗传算法对模型求解,经过染色体的编码与初始化、解码、复制选择、交叉变异等操作得到模型的帕累托最优集,最终通过模糊优选的方法选择最优解,得到平台参数和个性化参数的最优取值。最后将上述方法应用于通用电动机的产品族设计,结果表明:在产品生产成本固定的情况下,利用本文的方法设计出的产品族比原有产品族的效率提高了2%~5%,重量降低了5%~10%,验证了本文方法的有效性。