论文部分内容阅读
本文对国内外产品快速报价系统的发展现状进行了总结,结合我国中小型企业的实际需求,设计出一种适合我国中小型企业的快速报价系统。本文提出将客户关系管理(CRM)引入报价系统,应用SWOT模型分析法,引入模糊逻辑推理法得到最后的报价结果,应用B/S架构模式解决不同部门间数据实时共享的问题,对加速我国中小型企业的科学化管理提供了有益的建议。
在面向订单生产的产品经营过程中,报价是一个重要环节。能否及时给出合理的价格对企业产品的销售、企业的利润等有很大的影响。
1研究背景
1.1 国内外企业报价系统的现状
目前国内外很多企业都有自己的报价系统,尤其是制造业。
1.1.1报价系统以其功能可分为以下六类
技术型报价系统;商务型报价系统;工程型报价系统;投标型报价系统;集成型报价系统;虚拟制造环境下的报价系统。
1.1.2从报价模型来分,可以分为三类
1)Carr等人建立的基于概率的报价模型,不需要花费学习时间,但是这种基于概率方法建立的报价模型较难保证输出的可靠性,从而限制了其在经济领域中的应用。
2)Seydel等人利用决策分析技术建立的报价模型,这种模型的输出精度有所提高,不足之处是开发费用过高,难以推广。
3)利用各种各样的人工智能技术,比较常见的方法是建立报价专家系统。
1.1.3从采用的算法来分,可以分为两种
1)基于模糊逻辑推理的报价模型:这种方法一般包括模糊化、推理和清晰化过程,由于规则表达式的多样性以及模拟方法的灵活性而产生了各种结构和算法,主要有时间序列预测和多种信息融合等方法。
2)基于神经网络算法的报价模型:该模型的结构沿袭普通的多层前向网络,但是输入输出为模糊语言值,权值一般取模糊数或清晰数,主要用于模拟模糊规则集。
在该报价系统中,由于所用的基础数据(包括历史数据,同类商品的数据)都具有时间推移性,而且最后报价的给出是融合了多种不同层面的数据,因此最终采用了基于模糊逻辑推理的报价模型。
1.2 目前报价系统的主要问题
大多数报价系统所计算的最终价格一般是产品成本加利润的模式,往往忽视其它辅助报价因素,例如:客户信息、客户对商品的性能、质量、交货期、售后服务等因素的要求。然而,这些因素往往是影响报价的关键,成本的计算可以达到很准确,先进生产系统中常采用作业成本法精确计算成本。然而,成功的报价常常产生于对客户和竞争对手行为的分析中,而不是产生于对费用的精确测算中。这里提出合理有效的SWOT分析法,对客户需求、产品优劣势、竞争对手和市场状况等报价过程中辅助因素进行分析,然后用指数平滑法得到预期的价格,最后将所有因素输入到模糊推理模型中,用神经网络学习的方法得到最后的报价,这样能够保证报价结果的科学性、合理性。
2报价系统实现方案
要给出合理的报价结果,企业领导层必须对自己的企业有个清晰的把握.SWOT模型给出了解决方案。
2.1 SWOT分析法
SWOT模型是英文Strengths(竞争优势)、Weaknesses(竞争劣势)、Opportunities(机会)和Threats(威胁)的缩写.结合公司的实际情况,应用SWOT模型的框架图如图1所示:
信息获取平臺,是应用各种手段得到报价系统所需要的各种因素,包括量化的和非量化的。获取手段一般是自动和手工两种方式.信息评估是将获取到的各种资料进行有效性评估分析得到哪些因素对报价有决定性作用,并分析权重.信息挖掘与应用就是将评估后的各种因素进行在处理,赋以相应的权重,根据权重比例列出SWOT矩阵进行评价。SWOT分析模型要建立在对企业和所处环境有充分认识的基础上,然后根据框图的流向一步步进行信息获取与分析。
2.1.1客户关系管理(CRM)
客户关系管理一般分为三部分:过程、人的因素和技术。过程:包括市场,销售和服务三部分。其中,市场过程是处于核心地位的。人的因素:抓住客户心理,充分展示本产品优势,引起客户的兴趣。技术:一般来说,公司已经拥有了有关顾客的信息了,数据库的目标是建立一个知识库,使其他人员和系统能够读取和应用这些数据。对CRM系统来说,了解谁是利益最大的客户,和如何从他们建立客户忠诚是非常重要的。例如,2007年的前六个月该公司的销售情况如下图2所示。从下图中我们可以分析得到,西班牙1和西班牙2的销售情况是一直上升的,说明该销售商的业绩正处于成长阶段,尽管每个月数量都低于新西兰,但是这是我们所说的潜在用户,对这部分用户我们要注意其发展;新西兰和西班牙3虽然基数比较大,但是起伏比较大,所以可以称为老客户,要稳住这部分客户。
2.1.2竞争对手分析
市场上要形成自己的产品优势,必须对竞争对手的信息进行分析,包括新产品发布,价格信息,产品优势等等信息。那么如何应用SWOT模型分析各种因素对报价的影响呢?首先对企业进行定位分析,分析得到这些因素后并将这些因素填充到下面的象限图中:
同时,由于SWOT分析得到的结果是一个评估矩阵,如图3所示,该评估结果可以使原本无重点无序的业务发展变成以企业核心能力为焦点的业务递进式发展模式。
2.2 信息预测方法
基于目前的现状,我们对报价采用了历史数据结合经验的方式。
2.2.1用指数平滑法预测相关数据
“指数平滑”分析工具基于前期预测值导出相应的新预测值,并修正前期预测值的误差。此方法将使用平滑常数 a,其大小决定了本次预测对前期预测误差的修正程度。指数平滑法预测的公式是:Ft+1=Ft+a(At-Ft)=Ft+(1-DampFact)(At-Ft).即:下期预测值=本期预测值+平滑系数(本期实际值-本期预测值)=a本期实际值+(1-a)本期预测值。平滑系数a的取值没有一定的标准,根据需要,如果原数据波动大则小些;若波动大可以取的大点,如0.6~0.8.对上面数据中的西班牙2的值应用平滑法预测如下:
上面得到的预测值反映了季节波动情况,趋势是根据历年的数据预测出来的,能够反映出销售和价格的变化趋势,对最终的报价决策起到了关键性的作用。
2.3 报价结果的推导
由于原材料的价格是固定的,如果得出其他的因素,例如:人员开支,机器磨损,税等,那么再加上预期价格和SWOT分析得到的公司战略决策,综合这些影响因素给出产品的最终报价就非常容易了,该系统采用的是基于模糊逻辑推理的报价模型。该报价模型根据公司数据库中的数据确定规则层的神经元数,减少了运算量,然后根据已经确定的规则决定规则层与模糊化层之间的连接,最后用BP算法得到报价结果。
2.3.1模糊逻辑推理过程
模糊推理过程是一种近似推理,它是从一组模糊“If-Then”规则和已知条件得出的推理过程。如果有m条规则,每条规则得到的结论分别是C1,C2,C3,…,Cm,则由m条规则集得到的最终结论为各个结论的模糊逻辑和,即C=C1∪C2∪C3∪…∪Cm。推理过程首先在推理前提中选取各个条件中隶属度最小值,然后对各个规则进行综合,选取适配度最大的部分,即取大操作。
2.3.2结构设计
针对有高可信度要求的模糊规则,我们可以选用Zadeh-Mamdani模糊规则。If x1 is A(DI1) and x2 is B(DI2), Then y is C(CFc).其中,DI1,DI2表示每个条件的重要性;CFc表示可信度。根据该规则建立一种模糊逻辑推理神经网络,结构如图所示。分为模糊化层,规则层和清晰化层。输入为n个:x1,x2,…,xn;输出为y。每个输入有m个语言值,规则层节点数为l。
在图4中,x1,x2,...,xn分别代表影响最后报价结果的各种因素,Y代表最后的报价结果。中间的是模糊化推理过程。
1.模糊化层:用带有模糊化语气的语言值代替精确地值,可以使用“差,中,好”3个.假设和分别是论域的最小值和最大值,变量有3个语言值,中间的隶属度函数表示为:
左右的隶属度函数分别为,。其中:,,分别是3个隶属度函数的均值和均方差,利用一般方法确定为:;;;
。如果模糊化层的权值为Aij和Bij,则模糊化层的输出为: 。 i=1,2,…,n,j=1,2,…,m
2.规则层:全部可能规则为mn个,但并不是说所有的规则都有意义,所以要先根据公司的数据确定初始的规则集。假设共有p个样本集{S1,S2,…,Sp},将训练样本输人已确定隶属度的模糊化层进行模糊化,取隶属度最大的语言值作为输入量的模糊值。假设输入的语言值划分为3个,分别为1-“小”,2-“中”,3-“大”。每输入一个样本就可以得到一条规则;然后对于重复的规则只保留一个,而对于矛盾的规则,予以保留,以便在以后的网络训练中进行选择。规则层中的每个神经元代表一条规则,根据规则集的条件,可以确定规则层与模糊化层的连接。例如规则:If x1 is Small and x2 is Big, Then y is Small..则代表x1是“小”的神经元和代表x2是“大”的神经元分别与代表这条规则的神经元相连,根据模糊推理过程,规则层的输出为:。其中,i= 1,2,…,l, j1,j2,…,jn是1~m之间的数,由i条规则的前提条件确定。
3. 清晰化层:清晰化利用重心法,根据重心法公式,网络输出:
其中,Wi是C3层的权值。
2.3.3用BP算法得到各层的权值
对于A层的初始权值我们可以利用黄金分割模型确定,而C层的初始权值一般可以随机确定,然后利用训练的方法观察最后的输出是否收敛,将能使模型收敛的权值记录下来以便后来的应用。A和C层最终权值的调整过程是根据多层网络误差反向传播法(BP)实现的。应用模糊逻辑推理来得到报价结果的过程如下,假设有三个变量需要通过模糊推理来得到对价格的影响,他们是:人员开支x1,机器磨损x2和税x3。输出语言值的隶属度函数取高斯函數,某一规则的结论为“中”,其隶属度为0.4,分别加减0.1得到隶属度选择区间[0.3,0.5],当 =0.3时,x=a或x=d;当 =0.5时,x=b或x=c。清晰化初始值的可选择区间为[a,b]或[c,d]。对这两个区间进行随机选取,产生一随机数rand1,如果rand1≥0.5,则产生另一个随机数rand2,清晰化初始值Wi=a+rand2*(b-a);如果rand1<0.5,则产生随机数rand2,Wi=c+rand2*(d-c)。这样确定初始的清晰化权值,使得权值的确定范围缩小在可能的最小区间。如图5所示。图4中的A层模糊化层的神经元是第一种,一个输入x,两个参数a和b,为高斯函数,;B层规则层的神经元和C2层的神经元是第二种,各个输入相乘,f取线性函数,;C3层中的神经元是第三种,属于普通神经元,一般取线性函数或sigmoid函数,此处取线性函数。为使目标函数
最小,其中是期望输出,y是实际输出,利用初始的权值,通过神经网络的训练和学习,不断的反馈修正,得到理想的权值和输出,这个输出通过清晰化以后便是我们想要的价格。这其中的各个阶段的关系函数都是由前一段的输出值决定的,那么我们在第一层应该输入x1,x2和x3,把这三个模糊化的值输入到网络中进行训练和学习,输出的范围我们可以参照市场上的最高价格和最低价格,那么我们的价格应该最好小于市场上的最小值,但是有时候不能够做到这一点,那么可以将输出的理想值定为(min,max),那么我们最后得到的报价也是合理的。
3基于B/S架构的报价系统的实现
由于当前很多公司的生产和管理都是分开的,所以要对生产过程进行监控的最好办法是建立B/S架构的管理系统,这样在公司的局域网内管理人员可以实时掌控生产的信息.B/S(Brower/Server)架构即浏览器和服务器结构.在这种架架下,用户通过网络浏览器来实现,极少部分事务逻辑在前端实现,主要事务在服务器端(Server)实现(这样大大简化了客户端的负荷,减轻了维护与升级的成本与工作量),形所成所谓的三层结构。
本系统采用如图6所示的结构,也即信息的录入等操作界面由客户端实现,数据处理与分析集中到服务器上实现,处理的结果发送到客户端上显示。这样,通过不同的权限限制,可以让公司管理人员看到货物的进出情况,资金的流向状况,成本的控制重点等等上层监控。同时,由于大量的历史数据都在数据库中保存,对我们应用历史数据进行相关分析提供了可能。数据库中存放的是公司的历史信息,例如,货物进出库,价格的变动,成品的构成部分等等,这些都为最后的报价系统的形成提供了数据,从数据库中查询公司的历史数据,在后台服务器中分析这些数据,找出规律最后结合历史经验给出最新的报价。
(作者单位:中国人民解放军空军第一航空学院计算机科学与技术系)
在面向订单生产的产品经营过程中,报价是一个重要环节。能否及时给出合理的价格对企业产品的销售、企业的利润等有很大的影响。
1研究背景
1.1 国内外企业报价系统的现状
目前国内外很多企业都有自己的报价系统,尤其是制造业。
1.1.1报价系统以其功能可分为以下六类
技术型报价系统;商务型报价系统;工程型报价系统;投标型报价系统;集成型报价系统;虚拟制造环境下的报价系统。
1.1.2从报价模型来分,可以分为三类
1)Carr等人建立的基于概率的报价模型,不需要花费学习时间,但是这种基于概率方法建立的报价模型较难保证输出的可靠性,从而限制了其在经济领域中的应用。
2)Seydel等人利用决策分析技术建立的报价模型,这种模型的输出精度有所提高,不足之处是开发费用过高,难以推广。
3)利用各种各样的人工智能技术,比较常见的方法是建立报价专家系统。
1.1.3从采用的算法来分,可以分为两种
1)基于模糊逻辑推理的报价模型:这种方法一般包括模糊化、推理和清晰化过程,由于规则表达式的多样性以及模拟方法的灵活性而产生了各种结构和算法,主要有时间序列预测和多种信息融合等方法。
2)基于神经网络算法的报价模型:该模型的结构沿袭普通的多层前向网络,但是输入输出为模糊语言值,权值一般取模糊数或清晰数,主要用于模拟模糊规则集。
在该报价系统中,由于所用的基础数据(包括历史数据,同类商品的数据)都具有时间推移性,而且最后报价的给出是融合了多种不同层面的数据,因此最终采用了基于模糊逻辑推理的报价模型。
1.2 目前报价系统的主要问题
大多数报价系统所计算的最终价格一般是产品成本加利润的模式,往往忽视其它辅助报价因素,例如:客户信息、客户对商品的性能、质量、交货期、售后服务等因素的要求。然而,这些因素往往是影响报价的关键,成本的计算可以达到很准确,先进生产系统中常采用作业成本法精确计算成本。然而,成功的报价常常产生于对客户和竞争对手行为的分析中,而不是产生于对费用的精确测算中。这里提出合理有效的SWOT分析法,对客户需求、产品优劣势、竞争对手和市场状况等报价过程中辅助因素进行分析,然后用指数平滑法得到预期的价格,最后将所有因素输入到模糊推理模型中,用神经网络学习的方法得到最后的报价,这样能够保证报价结果的科学性、合理性。
2报价系统实现方案
要给出合理的报价结果,企业领导层必须对自己的企业有个清晰的把握.SWOT模型给出了解决方案。
2.1 SWOT分析法
SWOT模型是英文Strengths(竞争优势)、Weaknesses(竞争劣势)、Opportunities(机会)和Threats(威胁)的缩写.结合公司的实际情况,应用SWOT模型的框架图如图1所示:
信息获取平臺,是应用各种手段得到报价系统所需要的各种因素,包括量化的和非量化的。获取手段一般是自动和手工两种方式.信息评估是将获取到的各种资料进行有效性评估分析得到哪些因素对报价有决定性作用,并分析权重.信息挖掘与应用就是将评估后的各种因素进行在处理,赋以相应的权重,根据权重比例列出SWOT矩阵进行评价。SWOT分析模型要建立在对企业和所处环境有充分认识的基础上,然后根据框图的流向一步步进行信息获取与分析。
2.1.1客户关系管理(CRM)
客户关系管理一般分为三部分:过程、人的因素和技术。过程:包括市场,销售和服务三部分。其中,市场过程是处于核心地位的。人的因素:抓住客户心理,充分展示本产品优势,引起客户的兴趣。技术:一般来说,公司已经拥有了有关顾客的信息了,数据库的目标是建立一个知识库,使其他人员和系统能够读取和应用这些数据。对CRM系统来说,了解谁是利益最大的客户,和如何从他们建立客户忠诚是非常重要的。例如,2007年的前六个月该公司的销售情况如下图2所示。从下图中我们可以分析得到,西班牙1和西班牙2的销售情况是一直上升的,说明该销售商的业绩正处于成长阶段,尽管每个月数量都低于新西兰,但是这是我们所说的潜在用户,对这部分用户我们要注意其发展;新西兰和西班牙3虽然基数比较大,但是起伏比较大,所以可以称为老客户,要稳住这部分客户。
2.1.2竞争对手分析
市场上要形成自己的产品优势,必须对竞争对手的信息进行分析,包括新产品发布,价格信息,产品优势等等信息。那么如何应用SWOT模型分析各种因素对报价的影响呢?首先对企业进行定位分析,分析得到这些因素后并将这些因素填充到下面的象限图中:
同时,由于SWOT分析得到的结果是一个评估矩阵,如图3所示,该评估结果可以使原本无重点无序的业务发展变成以企业核心能力为焦点的业务递进式发展模式。
2.2 信息预测方法
基于目前的现状,我们对报价采用了历史数据结合经验的方式。
2.2.1用指数平滑法预测相关数据
“指数平滑”分析工具基于前期预测值导出相应的新预测值,并修正前期预测值的误差。此方法将使用平滑常数 a,其大小决定了本次预测对前期预测误差的修正程度。指数平滑法预测的公式是:Ft+1=Ft+a(At-Ft)=Ft+(1-DampFact)(At-Ft).即:下期预测值=本期预测值+平滑系数(本期实际值-本期预测值)=a本期实际值+(1-a)本期预测值。平滑系数a的取值没有一定的标准,根据需要,如果原数据波动大则小些;若波动大可以取的大点,如0.6~0.8.对上面数据中的西班牙2的值应用平滑法预测如下:
上面得到的预测值反映了季节波动情况,趋势是根据历年的数据预测出来的,能够反映出销售和价格的变化趋势,对最终的报价决策起到了关键性的作用。
2.3 报价结果的推导
由于原材料的价格是固定的,如果得出其他的因素,例如:人员开支,机器磨损,税等,那么再加上预期价格和SWOT分析得到的公司战略决策,综合这些影响因素给出产品的最终报价就非常容易了,该系统采用的是基于模糊逻辑推理的报价模型。该报价模型根据公司数据库中的数据确定规则层的神经元数,减少了运算量,然后根据已经确定的规则决定规则层与模糊化层之间的连接,最后用BP算法得到报价结果。
2.3.1模糊逻辑推理过程
模糊推理过程是一种近似推理,它是从一组模糊“If-Then”规则和已知条件得出的推理过程。如果有m条规则,每条规则得到的结论分别是C1,C2,C3,…,Cm,则由m条规则集得到的最终结论为各个结论的模糊逻辑和,即C=C1∪C2∪C3∪…∪Cm。推理过程首先在推理前提中选取各个条件中隶属度最小值,然后对各个规则进行综合,选取适配度最大的部分,即取大操作。
2.3.2结构设计
针对有高可信度要求的模糊规则,我们可以选用Zadeh-Mamdani模糊规则。If x1 is A(DI1) and x2 is B(DI2), Then y is C(CFc).其中,DI1,DI2表示每个条件的重要性;CFc表示可信度。根据该规则建立一种模糊逻辑推理神经网络,结构如图所示。分为模糊化层,规则层和清晰化层。输入为n个:x1,x2,…,xn;输出为y。每个输入有m个语言值,规则层节点数为l。
在图4中,x1,x2,...,xn分别代表影响最后报价结果的各种因素,Y代表最后的报价结果。中间的是模糊化推理过程。
1.模糊化层:用带有模糊化语气的语言值代替精确地值,可以使用“差,中,好”3个.假设和分别是论域的最小值和最大值,变量有3个语言值,中间的隶属度函数表示为:
左右的隶属度函数分别为,。其中:,,分别是3个隶属度函数的均值和均方差,利用一般方法确定为:;;;
。如果模糊化层的权值为Aij和Bij,则模糊化层的输出为: 。 i=1,2,…,n,j=1,2,…,m
2.规则层:全部可能规则为mn个,但并不是说所有的规则都有意义,所以要先根据公司的数据确定初始的规则集。假设共有p个样本集{S1,S2,…,Sp},将训练样本输人已确定隶属度的模糊化层进行模糊化,取隶属度最大的语言值作为输入量的模糊值。假设输入的语言值划分为3个,分别为1-“小”,2-“中”,3-“大”。每输入一个样本就可以得到一条规则;然后对于重复的规则只保留一个,而对于矛盾的规则,予以保留,以便在以后的网络训练中进行选择。规则层中的每个神经元代表一条规则,根据规则集的条件,可以确定规则层与模糊化层的连接。例如规则:If x1 is Small and x2 is Big, Then y is Small..则代表x1是“小”的神经元和代表x2是“大”的神经元分别与代表这条规则的神经元相连,根据模糊推理过程,规则层的输出为:。其中,i= 1,2,…,l, j1,j2,…,jn是1~m之间的数,由i条规则的前提条件确定。
3. 清晰化层:清晰化利用重心法,根据重心法公式,网络输出:
其中,Wi是C3层的权值。
2.3.3用BP算法得到各层的权值
对于A层的初始权值我们可以利用黄金分割模型确定,而C层的初始权值一般可以随机确定,然后利用训练的方法观察最后的输出是否收敛,将能使模型收敛的权值记录下来以便后来的应用。A和C层最终权值的调整过程是根据多层网络误差反向传播法(BP)实现的。应用模糊逻辑推理来得到报价结果的过程如下,假设有三个变量需要通过模糊推理来得到对价格的影响,他们是:人员开支x1,机器磨损x2和税x3。输出语言值的隶属度函数取高斯函數,某一规则的结论为“中”,其隶属度为0.4,分别加减0.1得到隶属度选择区间[0.3,0.5],当 =0.3时,x=a或x=d;当 =0.5时,x=b或x=c。清晰化初始值的可选择区间为[a,b]或[c,d]。对这两个区间进行随机选取,产生一随机数rand1,如果rand1≥0.5,则产生另一个随机数rand2,清晰化初始值Wi=a+rand2*(b-a);如果rand1<0.5,则产生随机数rand2,Wi=c+rand2*(d-c)。这样确定初始的清晰化权值,使得权值的确定范围缩小在可能的最小区间。如图5所示。图4中的A层模糊化层的神经元是第一种,一个输入x,两个参数a和b,为高斯函数,;B层规则层的神经元和C2层的神经元是第二种,各个输入相乘,f取线性函数,;C3层中的神经元是第三种,属于普通神经元,一般取线性函数或sigmoid函数,此处取线性函数。为使目标函数
最小,其中是期望输出,y是实际输出,利用初始的权值,通过神经网络的训练和学习,不断的反馈修正,得到理想的权值和输出,这个输出通过清晰化以后便是我们想要的价格。这其中的各个阶段的关系函数都是由前一段的输出值决定的,那么我们在第一层应该输入x1,x2和x3,把这三个模糊化的值输入到网络中进行训练和学习,输出的范围我们可以参照市场上的最高价格和最低价格,那么我们的价格应该最好小于市场上的最小值,但是有时候不能够做到这一点,那么可以将输出的理想值定为(min,max),那么我们最后得到的报价也是合理的。
3基于B/S架构的报价系统的实现
由于当前很多公司的生产和管理都是分开的,所以要对生产过程进行监控的最好办法是建立B/S架构的管理系统,这样在公司的局域网内管理人员可以实时掌控生产的信息.B/S(Brower/Server)架构即浏览器和服务器结构.在这种架架下,用户通过网络浏览器来实现,极少部分事务逻辑在前端实现,主要事务在服务器端(Server)实现(这样大大简化了客户端的负荷,减轻了维护与升级的成本与工作量),形所成所谓的三层结构。
本系统采用如图6所示的结构,也即信息的录入等操作界面由客户端实现,数据处理与分析集中到服务器上实现,处理的结果发送到客户端上显示。这样,通过不同的权限限制,可以让公司管理人员看到货物的进出情况,资金的流向状况,成本的控制重点等等上层监控。同时,由于大量的历史数据都在数据库中保存,对我们应用历史数据进行相关分析提供了可能。数据库中存放的是公司的历史信息,例如,货物进出库,价格的变动,成品的构成部分等等,这些都为最后的报价系统的形成提供了数据,从数据库中查询公司的历史数据,在后台服务器中分析这些数据,找出规律最后结合历史经验给出最新的报价。
(作者单位:中国人民解放军空军第一航空学院计算机科学与技术系)