基于TRIZ 理论和LSTM 的技术成熟度评估及预测方法

魏 延，杨春颖，王永芳，刘鹏飞

（中国航天系统科学与工程研究院，北京，100142）

0 引 言

技术成熟度（Technology Readiness Level，TRL）是国际上广泛使用的对重大科技攻关和工程项目的技术研发进展进行量化评价的方法，它表明了一个技术相对于系统或者整个项目而言所处的发展状态，技术成熟度评估是确定装备研制关键技术的成熟程度进行量化评价的一套系统化标准、方法和工具。

有关技术成熟度评估研究一直都是国内外的研究重点，以往的研究中多采用专家评审的方法，缺乏规范客观的标准，1995 年美国航天局发布了技术成熟度白皮书，系统地提出了技术成熟度的9 个等级。同期，俄罗斯科学家Altshuller 在研究了250 万例世界上不同的技术领域专利的基础上，提出一套系统的高效创新方法——TRIZ 理论。该理论中的技术进化论认为，每一个产品都是一个不断进化的系统，技术系统会随着时间向更高级的方向发展和进化，都会经历孕育、成长、成熟、衰退的过程，即技术的进化规律满足技术系统成熟度曲线（S 曲线）。

1 研究现状

近年来，随着专利数据的日益增多，从专利的视角开展研究更能体现出一项技术系统的价值，研究者主要通过TRIZ 理论对当前技术成熟度进行评估分析。

Altshuller 提出以专利数量、专利等级、产品性能、经济收益4 个指标与系统进化之间的关系来评估技术成熟度，后继研究者也在此基础上进行了多种改进。Mann提出通过降低成本的专利和弥补缺陷的专利考察技术产品是否到达成熟期；王秀红提出根据专利数量、专利级别、性能、销售量4 个指标对电动车技术进行成熟度评估；刘玉琴提出以专利技术新颖度反映专利质量等级、以专利维持成本代替利润，与专利数量共同建立技术成熟评估模型；王道平和孙庆彬克服经济收益指标不方便计算的缺陷，提出专利数量、弥补缺陷的专利数量、弥补成本的专利数量和专利等级4 个指标对工业煤粉锅炉相关专利进行了评估。

以上研究基本上只对技术的当前成熟度进行评估，而并没有进一步的未来成熟度预测。谢国辉通过回归分析，估计光热发电4 个关键技术S 型曲线的参数，基于逻辑方程由此得到光热发电技术成熟度预测曲线模型。由于技术的生命周期不是完全标准的Logistic 方程，导致拟合误差较大。

因此，本文拟采用TRIZ 理论进行成熟度评估，通过LSTM 网络模型对专利指标进行时序预测，并将LSTM 与SARIMA 进行对比，最后建立技术成熟度组合评估模型，实现技术成熟度的评估和预测。

2 基于TRIZ 理论的技术成熟度评估模型

2.1 TRIZ 理论在技术成熟度上面的应用

TRIZ 技术进化理论认为，任何一个技术系统都会经历一个从低级到高级的过程，该过程刚好与一条S 型曲线相契合，被称为技术系统进化S 曲线，如图1所示，该曲线解释了技术系统进化的各个发展阶段，包括婴儿期、成长期、成熟期、衰退期。

图1 技术系统进化S 曲线Fig.1 Technological Systems Evolution S curve

第1 阶段：婴儿期。产品的诞生需要引入新技术，由于新技术还不能解决关键性问题，产品性能进步速度缓慢，只有极少数抗压能力强的企业进入该市场。

第2 阶段：成长期。技术的关键性问题得以解决，产品性能快速提升，企业的盈利水平大幅提高，吸引更多企业进入市场。

第3 阶段：成熟期。基本解决了该技术系统所有的技术难题，型号多样化，专利数量持续增加。

第4 阶段：衰退期。技术系统进入发展极限期，无论怎样加大投入，技术系统的性能也无法提升，由于企业竞争加剧导致盈利水平降低，产品濒临淘汰。

通过选取合适的技术性能指标，确定产品位于S 曲线的位置就可以评估出该产品的当前技术成熟度。

2.2 评估指标的选取

评估指标的标准曲线如图2 所示。

图2 评估指标的标准曲线Fig.2 Standard Curves for Evaluating Indicators

2.2.1 专利数量

Altshuller 提出了专利数量在技术系统进化过程中的变化曲线，如图2a 所示。随着时间推进，专利数量先后出现3 个极值点，形成了生命周期中不同发展阶段的临界点。当一项突破性的专利出现之后，围绕该技术形成一个研究热潮，专利申请数量短期内突增，达到第1 个小峰值，即点。此后进入成长期，初期由于专利的垄断以及市场的不确定性因素，专利的申请数量逐渐下降，随着专利价值的挖掘，推进技术系统的快速发展，达到第2 个峰值。之后技术系统进入衰退期，可挖掘的技术问题越来越少，相应的专利数量也越来越少，开始转向替代技术的研究。

2.2.2 专利等级

新的技术系统诞生往往伴随着高质量专利的出现，诞生时专利等级最高，但由于在婴儿期和成长期技术发展缓慢，投入的人力和财力有限，很多专利都未解决进入市场所面临的关键性问题，专利等级出现波动。成熟期通过进一步对技术系统进行结构创新，性能水平达到最优，由于只是对系统的局部完善，专利级别会更低。衰退期的专利级别继续逐渐降低。专利等级-时间变化曲线如图2b 所示。

专利等级指标一般通过专家进行经验界定，费时费力且主观性因素过强。围绕着定量计算，本文引入专利授权占比来量化专利等级。

2.2.3 技术强度

技术强度来量化技术的创新程度，通过专利申请量和当前技术影响指数的乘积，从质和量两个方面对技术的创新程度进行评价。

式中为当前专利申请总量；，分别为前3 年的授权量和申请量；为当前技术影响指数，通过前3 年平均被引率来量化，反映研究对象技术影响力。

对于专利申请总量，在一个技术的生命周期中，专利申请总量呈现出S 曲线趋势。对于当前影响指数，技术诞生之初由于被引次数较少，所以影响指数较低，随着技术发展而逐渐增大，到达顶峰后开始降低。二者共同作用下技术强度也呈现出先增后减的趋势，如图2c 所示。

2.3 技术成熟度评估模型

技术成熟度评估模型主要分为2 个模型，分别是特征曲线拟合模型和特征组合评估模型。

2.3.1 特征曲线拟合模型

为更好地判断产品在各项评估指标中所在的生命周期阶段，对评估指标特征数据进行曲线拟合，常用的曲线拟合算法有时间序列分析法、生长曲线回归法。本文采用多项式曲线拟合，多项式曲线拟合模型为

式中，，…， b为模型参数；为时间变量。

2.3.2 组合评估模型

根据以上选取的成熟度评估指标，通过获取各指标的数据，绘制相关曲线，并通过曲线拟合，根据曲线的斜率来组合判断该技术系统目前所处的S 曲线的位置，评估对应的技术成熟度。组合评估模型见表1。

表1 技术成熟度组合评估模型Tab.1 Technology Maturity Portfolio Assessment Model

3 基于LSTM 的时序数据预测

首先进行数据扩充，通过缩短指标统计时间间隔，从按年统计缩短到按月统计，由此实现对3 个指标的数据进行扩充，然后基于LSTM 算法对指标数据进行预测，并基于预测的指标数据对未来15 年的技术成熟度进行预测，下面介绍LSTM 进行时序预测的原理。

长短时记忆神经网络模型（LSTM）是由Hochreiter和Schmidhuber 提出的一种特殊的循环神经网络模型（RNN），适用于学习长期依赖关系，核心在于记忆块（Memory Block）的部分，如图3 所示。

图3 LSTM 在时序数据上的展开形式Fig.3 The Expansion Form of LSTM on Time Series Data

记忆块包括了记忆细胞和3 个门控单元，通过记忆细胞与门控单元的合作，LSTM 具有强大的预测具有长期依赖性的时间序列的能力。门控单元分别为输入门、输出门和遗忘门。输入门控制有多少新信息流入记忆细胞，遗忘门通过循环连接控制旧信息留在当前记忆细胞中。输出门决定了哪些信息计算记忆块的输出激活，并进一步流入网络的其余部分。基于以上，每个单元都可以在任意时间间隔内记住所需要的信息，LSTM 算法对时序数据预测的原理如下。

对于一个时间序列，LSTM 块通过从当前时刻的输入来计算当前时刻的输出和前一个时刻的隐藏层状态，基于过去数据提供的信息计算下一时刻的预测输出，这一过程也就是LSTM 的正向传播过程，形式如下：

记忆块的输出向量经过全连接层，得到预测值ˆ为

经过多层LSTM 结构，得到预测的输出值为

式中为记忆单元的输入向量；为遗忘门的激活向量；为输入门的激活向量；为输出门的激活向量；t为长短期记忆单元的输出向量；为单元状态向量；，表示权重矩阵；，均为激活函数；为待预测的时间长度。

4 实例研究——航天器电推进技术为例

根据以上建立的评估模型和预测算法，可以实现技术的成熟度评估和预测，流程如图4 所示。

图4 技术成熟度评估及预测流程Fig.4 Technology Maturity Assessment and Prediction Process

4.1 航天器电推进技术概况

电推进技术是利用电能加速工质形成高速射流而产生推力的技术，是迄今发展最快最为成熟的非化学火箭推进技术。具有高比冲，寿命长等优点，电火箭推进的比冲高，可达250 kN·s/kg，累计工作时间上万小时，重复启动次数上万次。而且，电推进器的推力一般小于100 N，因而适用航天器的精确控制。未来的航天活动对电推进的需求可概括为高比冲、高调节比、高效率和高可靠性。

4.2 技术成熟度评估

4.2.1 全球专利检索

在全球专利数据库中，针对电推进技术进行检索，通过电推进相关技术关键词和分类号来命中专利。专利数据检索基本情况如表2 所示。

表2 航天器电推进技术专利检索表Tab.2 Patent Search Table for Spacecraft Electric Propulsion Technology

4.2.2 曲线拟合

为了更好地观察指标的变化趋势，采用多项式函数曲线拟合，如5 图所示。

图5 多项式函数拟合指标曲线Fig.5 Polynomial Functions Fit Index Curves

4.2.3 技术成熟度评估结果

航天器电推进技术自1965 年提出，1995 年专利申请数量大幅增加，1998 年，美国深空一号探测器推进系统首次成功使用电推进技术，此后该项技术迅速发展，申报专利数量继续增加。技术强度也迅速提升，并在2005 年达到顶峰。其后，技术强度和专利等级出现波动式下降。由3 个指标的拟合曲线，结合图2 标准曲线和技术成熟度组合评估模型，可得：1965~1995 年，技术处于婴儿期；1995~2005 年，技术处于成长期；自2005 年，航天器电推进技术进入成熟期。

4.3 基于LSTM 的技术成熟度预测

4.3.1 模型预测与性能评估

本文构建的模型主要由LSTM 及全连接层两个层级构成，将数据按照3:1 的比例划分为训练集和测试集，计算损失函数，通过Adam 算法，对最小均方根误差优化，得到预测结果。本文采用PRMSE 进行评估。

为对比验证LSTM 模型性能，采用季节性自回归移动平均模型（SARIMA）基于相同的训练集和测试集进行计算。模型预测效果对比见表3。由PRMSE 结果可得LSTM 模型在3 个特征表现出来的预测效果明显优于SARIMA 模型。

表3 模型预测效果对比Tab.3 Model Performance

4.3.2 未来15 年的预测结果

对未来15 年即180 个时间点使用LSTM 算法进行预测，设置试验参数如表4 所示。试验结果见图6。根据预测数据和曲线拟合结果，年专利申请量自2021 年持续上升，在2029 年到达拐点，此后持续下降；专利等级自2021 年持续下降；技术强度自2021 年逐年上升，自2029 年大幅下降，与专利申请数量的走势一致，侧面验证了预测的准确性。以上3 个特征的预测结果符合标准曲线模型中的成熟期到衰退期的趋势。航天器电推进技术成熟度预测2029 年进入衰退期。

表4 LSTM 预测试验参数Tab.4 LSTM Predicts Experimental Parameters

图6 基于LSTM 的特征预测结果及曲线拟合Fig.6 Feature Prediction Results and Curve Fitting Results Based on LSTM

续图6

5 结束语

本文基于TRIZ 理论的技术系统进化法则，从海量的专利数据中，挖掘出专利数量，专利等级和技术强度三个评估指标，建立了技术成熟度组合评估模型，通过航天器电推进技术实例论证了评估模型的有效性，分析了1965 年至2020 年的专利数据，通过指标数据提取，高次多项式曲线拟合和组合评估，该技术自2005 年开始，至今仍处于成熟期。

本文以月作为预测的时间尺度，预测未来180 个月的指标数据，通过LSTM 算法进行时序预测，并与SARIMA 算法预测结果进行比较，LSTM 算法在各项指标的百分均方误差表现均好于SARIMA 算法。通过对LSTM 预测的数据进行曲线拟合，根据组合评估模型，预测出航天器电推进技术在2029 年进入衰退期，该领域研究者需要尽快寻找突破技术或转向新的演进方向。