面向产品设计的多维度知识推送研究

王有远，赵 璐

（南昌航空大学 工业工程研究所，南昌 330063）

0 引言

随着产品的复杂程度和技术难度与日俱增，涉及的学科领域知识较广，采用网络化协同产品设计的方法来共同完成设计任务，设计人员花费在知识查找的时间越来越长，导致产品开发周前长，开发成本高。为解决以上问题，有效的知识服务是关键。

国内外研究者从不同角度对知识推送服务进行了研究。吉祥等[1]提出基于本体和粗糙集的产品设计知识推送方法，建立了产品设计任务和设计知识的本体模型；利用粗糙集和信息技术从知识使用日志中抽取知识推送规则，完成产品设计知识的推送；王生发等[2]提出了以工作流驱动的知识主动推送方式，利用基于设计对象的文本相似度算法实现了设计任务、设计人员与设计知识的主动匹配，通过知识管理和工作流驱动的结合完成推送设计知识；Seung Ki Moon等[3]提出一种基于多Agent的设计知识推送方法，以支持动态电子市场环境下的产品族设计，它通过对用户的偏好进行学习并将合适的产品设计知识品推送给用户；杨洁等[4]提出了基于粗糙集的产品协同设计知识推送方法，运用粗糙集理论对设计子任务进行重要度排序，结合文本相似度方法解决约束条件的相关知识，完成产品设计需求的知识推送。

以上研究对产品设计中知识推送服务的不同形式进行了卓有成效的探讨，但针对多个设计任务协同参与的多维度产品设计知识推送建模还无人涉及。本文在产品设计需求的驱动下，结合集对分析法对待推送知识进行筛选和排序，辅助设计人员进行产品设计，提高了知识获取的速度和准确性，加快了产品的研发速度。

1 面向产品设计知识多维度的概念

多维度是指衡量设计知识的多样性，对知识的整体进行立体的、较为全面的认识。

1.1 面向产品设计的知识多维度描述方法

根据设计需求将设计任务分解成多个设计子任务。设计任务T被分为一个设计子任务集T={T1,T2,…,TN}，根据设计需求可进一步对设计子任务进行分解，通过抽象、细化，得到更精确的任务子元集Tj={T1j,T2j,…,TMj}。

产品设计在各个阶段需要不同的设计知识，为了从繁杂的设计知识中获取更准确、有效的知识，需要解决多维度知识与设计任务之间的描述问题。

定义1：需求知识模块是由多个与设计任务相关的知识节点组成，构成的一个知识节点集E={E1,E2,…,EN}，各节点之间既相互独立又相互联系，其中知识节点Er代表与设计任务相关的源文献、实例以及文档等形式的知识。

定义2：在需求知识模块中，知识节点向量Er={KP1r,KP2r,…,KPMr}中的知识点KPkr为数据对象，描述了形如主题、关键词、概念词、术语等形式的知识点在源文献中的重要度，组成了一个M×N维识别矩阵D=(dkr)M×N，dkr为知识点KPkr对设计子任务Tj的支持度，

产品设计知识多维度描述模型如图1所示。

图1 产品设计知识多维度描述模型

如图1所示，根据设计任务需求将知识节点中若干知识点组成多维度知识空间向量集。

1.2 知识权重的确定

在产品设计过程中，决定产品性质的属性很多，与属性相关的设计知识类型不同。在产品设计知识多维度空间集中知识点的相对重要程度不同，即知识的评价权重不同。

知识点相对于知识节点的特征权重计算方法如下：

其中，ω(KPkr，Er)为知识点KPkr在知识节点Er中的特征权重；MKPkr,Er表示KPkr在Er中出现的次数；N为知识节点集的个数；NKPkr,Er为出现知识点KPkr的节点个数。

2 面向产品设计的知识多维度知识检索

集对分析是一种处理事物之间确定性与不确定性相互作用的系统和数学分析方法[5]。优点在于简单有效的分析处理复杂问题，并对其进行计算、预测和评价等，为处理不确定性以及多目标识别的问题提供了新的解决思路。

2.1 集对分析的原理

集对是指在某一背景下，具有一定联系的两集合A和B组成的集对子，记为W=(A,B)，对这两个集合的特性作同一性、差异性和对立性分析，并用联系度u描述如式(2)所示。

式中a和c是相对确定的，b为相对不确定的；a，b和c均为非负值且满足a+b+c=1，i∈[-1,1]表示差异， j取-1表示对立。

2.2 基于集对分析的知识多维度筛选模型

应用集对的联系度描述设计知识与设计任务间的不确定性关系，结合集对贴近度对设计知识进行排序，提高了知识获取的效率和准确性。

知识节点集E对设计子任务Tj的最大支持度集和最小支持度集分别记为BU和BV，对E和Tj构建集对联系度[6]；根据定义1，计算得到。

设计知识节点Er中的知识点KPkr对设计任务Tj的支持度Br为：

本文参考文献[7]集对分析模型，则，设计子任务Tj在知识节点集E上的集对[Br，BU]联系度ur为：

同一度ar和对立度cr分别表示知识节点与设计子任务的相近和相反程度，差异度br则表示知识推送具有不确定性。知识节点Er对设计子任务Tj的相对贴近度rφ可以定义为：

式中，rφ值越大，表示Er越贴近最佳识别结果因而对设计子任务Tj的支持度也越高，即知识节点Er与设计子任务Tj的相似性越大；反之，rφ值越小，知识节点Er与设计子任务Tj的相似性越小。

3 需求驱动的产品设计知识推送模型

设计人员的知识需求取决于其所要完成的设计任务和在此任务中担当的角色。设计人员的知识需求通过设计任务的驱动来触发。设计人员的知识需求描述为如下形式。

KN为产品设计的需求知识；T为设计任务；KC为设计任务所需的知识属性集合，其中每个知识属性集合对应于T中的一个设计子任务；P表示设计人员在该设计任务中所担当的角色（即对设计知识和设计任务的熟练程度，假定初始化为1）。

在产品设计知识资源中，根据设计知识需求分析，构建基于需求驱动的产品设计知识推送模型，如图2所示。

图2 需求驱动的设计知识推送模型

在产品设计需求的驱动下，设计人员通过分析知识需求创建设计任务模型，根据设计人员所担当的角色将设计任务划分成多个设计子任务并分配给相应的设计人员，系统根据设计人员的角色及设计子任务的特点，通过领域知识分析映射与设计需求相对应的关联知识，将需求的领域知识与设计任务之间建立映射关系，通过需求知识点KPkr在知识节点Er中的重要度，来反映任务子元Tij对相关知识的需求程度，结合筛选方法，筛选出与需求知识相关性较大的设计知识，推送给相关设计人员。

推送步骤如下：

Step1：分析设计产品的属性、结构、应用领域等，创建设计任务模型，确定设计产品所需知识。

Step2：结合设计人员的专业技能熟练度，将设计任务分为若干个设计子任务并分配给设计人员。

Step3：根据需求驱动，确定知识评价权重，并知识点与知识节点之间的关系构建识别矩阵。

Step4：利用集对分析法，结合评价权重和识别矩阵进行数据处理，得到贴近度rφ，筛选出与设计目标相似性较大的设计知识并排序。

Step5：根据设计人员的知识需求，确定待推送知识范围（若rφ>0.7，则对应的文档知识作为待推送知识），从而保证推送知识的有效性和准确性。

4 应用案例

以某企业的滚动轴承设计为例，其主要设计任务分为：性能、结构、分类、尺寸、材料、轴承参数、润滑和密封以及应用领域等，首先分析滚动轴承的产品设计需求，对滚动轴承的产品设计信息进行分析、整理和分类。滚动轴承的部分设计任务分解模型如图3所示。

图3 滚动轴承的部分设计任务分解模型

根据知识筛选方法，以任务需求为驱动，实现按需求匹配知识，包括概念、经验、实例以及关联性知识等从源文献或文档中提取出来，并将筛选出的相关知识快速准确的推送给设计人员。如表1所示为滚动轴承的设计任务与需求知识对应关系。

根据设计人员所担当的角色将设计子任务分配给相应的设计人员，如某设计人员主要进行运转状态分析，参数属性有材料密度、壁厚、外径、内切圆直径偏差、转速、温度、耐磨性能、接触疲劳强度、硬度等。壁厚t=30mm、外径D∈[68，73]（单位：mm）、内切圆直径偏差Δd∈[25，50]（单位：um）、转速1650r/min、温度T≤70℃。

根据用户需求获取候选设计知识文档，通过对设计知识文档进行分词处理，构建成一个词－文档的识别矩阵，并对数据归一化处理，消除不同量纲的影响。同时利用式(1)计算得到各属性的权值分别为：ω11=0.2，ω12=0.1，ω13=0.25，ω14=0.25，ω15=0.2。

取20类设计知识文档进行筛选排序，利用式(7)设计知识与设计子任务间的贴近度，计算得出20类设计知识文档与设计任务的贴近度，排序结果如图4所示。

图4 20类设计知识文档的贴近度排序

表1 滚动轴承的设计任务与需求知识对应关系

从图4可以看出，知识文档E4与设计任务的贴近度值最大，知识文档E2次之，知识文档E14与设计任务的贴近度值最小。根据到贴近度的取值范围rφ>0.7，筛选出知识文档1、知识文档2、知识文档3、知识4、知识文档19作为推送目标。

通过集对贴近度对待推送的知识进行筛选排序，确定与设计任务相关性较大的知识作为推送目标，可以有效的提高推送效率和准确性。

5 结束语

本文通过对设计任务的分解，并结合设计知识的多维度描述，对设计所需知识进行赋权值，利用集对分析法建立知识多维度筛选模型，在产品设计需求的驱动下，对设计知识进行筛选、排序。该方法解决了产品设计中多维度知识推送过程中存在不确定性的问题，满足了设计人员的需求，减少了重复性搜索的工作，使得推送结果更加客观、有效和准确。同时提高了产品研发的效率，缩短了研发周期，为知识的传递和服务提供了新的思路。

[1] 吉祥,顾新建,代风,等.基于本体和粗糙集的产品设计知识推送技术[J].计算机集成制造系统,2013,19(1):8-20.

[2] 王生发.顾新建.郭剑锋,等.面向产品设计的知识主动推送研究[J].计算机集成制造系统,2007,13(2):234-239.

[3] Seung Ki Moon,Timothy W. Simpson,Soundar R. T. Kumara.An agent-based recommender system for developing customized families of products[J].Journal of Intelligent Manufacturing,2009,20(6):649-659.

[4] 杨洁,杨育,王伟立,等.基于粗糙集的产品协同设计知识推送方法研究[J].中国机械工程,2009,20(20):2452-2456.

[5] 赵克勤.集对分析及其初步应用[M].杭州:浙江科学出版社,2000.

[6] 吴乔,罗键,林金有.基于集对分析与NSGA-II的生产作业多目标优化[J].计算机应用研究,2014,31(5):1414-1416.

[7] 安相华,冯毅雄,谭建荣,等.基于集对分析与演化细胞学习自动机的质量—成本控制方法[J].计算机集成制造系统,2011,17(2):353-361.