汽车发动机零部件DVP辅助生成方法研究

张 云，盛步云，肖忠祥

（武汉理工大学机电工程学院湖北省数字制造重点实验室，湖北 武汉 430070）

1 引言

在汽车发动机产品设计研发过程中，发动机的零部件设计验证是保证发动机达到设计要求的必要环节。零部件设计验证计划（Design Verification Plan，DVP）的制定是一项知识密集型工作，产品DV工程师既要参考零部件的工程技术规范、法规要求、企业标准等标准规范类知识，又要熟悉客户需求并结合设计失效分析等文档，然后才能制定出各零部件合理的设计验证计划。

发动机产品系统结构复杂、零部件种类多，依靠人工编制发动机各种零部件的设计验证计划不仅费时费力，且质量不能保证。

零部件设计验证计划是网络进度计划的一种，目前企业使用较多的网络进度计划管理软件，如P6、Project等都没有提供针对性的辅助生成方法［1］。

基于知识的网络进度计划生成技术多位国内学者做了研究，文献［1］将目前有关的研究方法和模型归类为基于模块和基于案例的方法、基于知识的网络进度计划、基于信息软件的动态仿真三种方法，并对各类方法进行了评述。文献［2］引入了本体论的概念，通过融合专家经验、工程案例、模板、三维模型等多源知识，提出基于多知识源的网络进度计划辅助生成方法。文献［6］结合模糊数学逻辑理论，利用专家系统开发工具，设计并实现了模糊推理知识库系统，提出了基于智能体的任务分解算法。文献［7］对工程网络进度计划的检索和保存进行研究，将知识库中存储的工程进度计划分为案例和模板两种保存形式，提高了工程类型的存储与检索的灵活性。

上述研究方法对实现网络进度计划的生成做出了积极的探索和研究，但多数针对工程建设领域，还不能很好的适用于机械产品DVP的制定。这里在现有研究的基础上，提出了一种汽车发动机零部件DVP辅助生成方法。

采用框架表示法将零部件设计验证知识进行了规范化和统一化处理，建立了设计验证的案例库和规则库；对案例特征属性进行分类，结合相似度计算理论，给出了不同类别属性的相似度计算方法；最后提出的两阶段案例检索方法，实现快速精确检索，依据相似度所在阈值区间，采取不同决策实现零部件DVP的辅助生成。

这里方法极大地减少了DVP编制人员的工作量，有效提高了DVP编制效率。

2 DVP辅助生成系统框架构建

CBR（案例推理）和RBR（规则推理）的结合可以有效的利用历史案例知识与专家经验，解决产品变形和系列化设计过程中的设计验证问题。基于CBR和RBR的汽车发动机产品零部件DVP辅助生成系统框架，如图1所示。

图1 系统架构Fig.1 System Architecture

2.1 应用层

通过人机交互接口为汽车发动机零部件DVP管理人员提供案例检索与知识库维护服务，DVP辅助生成根据用户输入的新问题特征属性，依据设定的推理规则进行集成推理；知识库维护用于零部件设计验证相关知识的存储与更新。

2.2 知识层

根据发动机产品设计验证领域知识并结合知识表示技术构建领域知识表示框架，定义案例的组织结构，概念关系，根据领域知识表示框架构建案例库和规则库，设计验证案例库存放的是现有的发动机各类零件的设计验证案例，DVP规则库存放的是与设计验证的相关的规则。

2.3 推理层

推理层是实现发动机零部件DVP辅助生成的核心，主要结合设计验证案例库，利用CBR技术实现案例的检索与重用。

在此基础上，针对新问题与历史案例关联属性中存在的差异，再利用RBR 实现对检索结果的补充与修正，达到满意的结果。

3 设计验证知识的表达

3.1 设计验证案例表示与特征属性选择

发动机零部件设计验证案例作为知识传递的载体，对其合理的表示是进行案例推理与检索的基础。

案例表示的关键步骤是对案例主要特征的提取，包括关键概念、属性值等，这些特征是案例检索及管理的依据。

框架表示法常被用于表示经验性知识，可以更好的表达知识内部的逻辑结构。

框架表示法的结构通常为“槽-侧面-值”的方式展开，槽与侧面、侧面与值的对应关系根据零部件具体案例进行选择，发动机产品零部件设计验证案例框架的一般结构以巴克斯范式BNF（BackusNaur Form）表示。

其中零部件设计验证案例特征属性框架，如表1所示。零部件设计验证案例结果框架，如表2所示。

表1 案例特征属性框架的BNF表示Tab.1 BNF Framework Representation of the Case’s Characteristic Attributes

表2 案例结果方案框架的BNF表示Tab.2 BNF Framework Representation of Case’s Plan

案例特征属性分为基本信息属性和案例关联属性，其中基本信息属性确定了零部件的主要参数和所属分类，主要包括零部件名称、参考标准编号、所属系统、零部件等级等子侧面。

案例关联属性确定了制定零部件DVP的参考依据来源，包括设计失效分析、技术标准、客户要求等侧面，其中零部件的技术标准规定了产品的使用条件、基本要求、性能指标、功能、环境承受能力、检验规则、运输存储等属性信息。

DVP 结果方案分为ANALYSIS/INSPECTION 和TESTING/MAPPING两个子侧面，分别表示设计验证计划的分析检查和设备测试两个阶段。

其中分析检查是验证计划的第一阶段，目的是确认零件模型是否符合设计图纸的基本要求和规范，例如：图纸模型匹配检查，安装间隙检查，螺栓安装校核，线束匹配检查。

设备测试在分析检查之后，主要完成对零部件的性能进行测试，不同的零部件根据设计要求和规范的不同安排不同的试验。

每一项设计验证试验任务包含了Orign、Method、Task-Description、Acceptance Criteria 等子侧面，表示每个试验任务的试验来源、试验方法、试验描述、通过标准等内容。

案例之间的属性比较主要是类比槽1及槽2的各个子侧面及其侧面值，根据设计验证案例中属性值表示的不同将以上属性分为两类：

（1）可以用数值、区间数、字符等进行确定性表示的属性，如零件名称、零件编号、零件级别、所属系统、系统编号、参考标准等；

（2）通过文本描述的模糊表示的属性，如零部件的技术标准中使用条件、基本要求、性能指标、功能、环境承受能力、检验规则等。

所有属性信息通过发动机产品零部件设计过程文档的信息抽取、PDM数据库数据及人机交互界面获取。

3.2 RBR推理规则设计

RBR将汽车发动机零部件设计验证规范知识以规则的形式表示，通过匹配和推断知识获得问题的解决方案，一个RBR系统一般由规则知识库、推理机和数据库构成。

汽车发动机产品零部件设计验证计划辅助生成可抽象为零部件的特征属性为前提条件，而设计验证计划内容为结论。

以《发动机装配技术规范》等企业标准为基础，根据产生式规则定义，构建以“变量-标准-规则”为体系的三级知识体系。将规则库分为变量知识、标准知识和规则知识三部分。

（1）变量知识：2.1节确定的所有子侧面（所属系统、零件类别、零件名称，基本要求等）即为变量性知识，构成规则库的底层；

（2）标准知识：《发动机装配技术规范》等标准规范中涉及的状态量之间的联系确定为标准性知识，如“安装间隙检查”、“线束检查”等内容；

（3）规则知识：建立标准性知识与事实之间的关联，如规则J-2等。

为了更好的描述规则库中的关系模型，将零部件DVP相关规则描述为以下四元组形式：

R=＜ID，Name，PS，CS ＞

式中：ID—规则编号；Name—规则类型名称；PS—前提集合；CS—

结论集合。前提与结论的因果关系通过if和then的形式连接，其一般形式如下：

if条件1 and 条件2and…and条件M

＜条件满足＞

Then结论1 and 结论2and…and结论N

＜执行动作＞

End if

例如规则J-2：“if：所属系统=“电气系统”；Then：线束匹配检查，检查线束与接插件是否能正确匹配”。

4 DVP辅助生成模型的建立

4.1 案例相似度计算方法

案例检索技术是案例推理在实际应用中的关键技术，案例相似度计算方法的合理性决定了案例检索的速度和准确性，根据2.1将案例的特征属性分为确定性表示属性和模糊性表示属性两类，相似度计算方法如下。

4.1.1 属性相似度计算

（一）模糊性表示属性相似度计算

对于文本描述的模糊性表示属性，进行文本分词和词的向量化预处理后，设计了基于词性加权语句向量的余弦相似度算法，以提高模糊表示属性相似度计算的准确性。词向量是将词语表示为由数字组成的向量，映射到一个低维的空间中。词向量作为深度学习模型中词语的一种分布式表达方式，能够很好的表达词语在文本中的特征和语义信息。基于词性加权语句向量的模糊性表示属性相似度计算过程如下。

（1）文本分词表示与词性标注。将属性的描述文本划分为有效的n个词语集合，则文本表示的模型为表示为：

（2）词的向量化表示。采用谷歌开源Word2vec语言模型对采集的试验语料进行词向量训练学习，向量维度为64维。在词向量集合中检索得到（1）所得文本分词结果中各词语的词向量。

（3）获取文本特征向量。文本的向量可以表示为将各特征词语的词向量的累加，考虑各词语在文本语义表达中的重要性不同，在此基础上使用加权的方式表示对文本相似度计算的重要度的不同。根据词语在文本中词性的不同赋予不同的权重的方法进行加权，具体定义如下：

描述文本的特征向量表达式为：

式中：v（d）—文本d的特征向量表示；v（wi）—文本中第i个特征词的词向量；ω（wi，d）—第i个特征词在文本d中的重要性。

（4）文本相似度计算。对于两个不同的文本A和文本B，通过以上步骤得到文本的特征向量va，vb，文本的相似度通过两个文本的特征向量之间的夹角θ余弦值大小来度量。计算公式如下：

（二）确定性表示属性相似度计算

对于用集合表示属性，如｛QC/T14311，QC/T14269｝，相似度计算公式为：

式中：xa，ya—案例x，y的属性项a的值；分子为集合xa与集合ya交集中元素的个数，分母为集合xa与集合ya中元素个数的最大值。

对于用概念或符号表示的确定性属性，如“电气系统”、“ISZ”等，相似度计算公式为：

Sim( )

s1，s2=s1==s2？1：0 （6）

若s1=s2，则相似度为1，否则为0。

4.1.2 全局/局部相似度计算

在计算两个案例各个特征属性之间的相似度以后，将各属性相似度进行加权之后得到两个案例之间的全局/局部相似度。

式中：Sim（Ci）—设计案例与案例库中第i个案例的相似度；m—案例特征属性个数；ωj—第j个特征属性在参与匹配检索的指标中所占的权重，权重值的确定采用AHP算法。Sim（Cij）表示案例库中第i个案例的第j个属性特征与目标问题案例的第j个属性特征的相似度。

4.2 集成推理的DVP辅助生成方法

案例库中案例容量的数量级为几K，通过全局相似度计算进行检索的效率低下。为提高检索效率，设计了两阶段案例检索与RBR修正融合的集成推理模型。

首先进行案例基本信息属性相似度计算快速缩小案例范围，然后采用案例关联属性相似度计算提高检索精确度，最后对相似度在设定阈值范围的案例通RBR进行修正。案例检索与修正方法流程图，如图2所示。

图2 案例检索与修正流程Fig.2 Case Retrieval and Revision Process

具体步骤如下。

（1）提取目标案例的特征属性值。利用前文的案例表示框架中槽1与槽2对当前零部件设计验证案例进行特征描述，Cnew=｛P1，P2｝。

（2）计算案例间的基本信息属性相似度值。遍历案例库中案例，利用前文的局部相似度计算公式计算案例库中各案例与目标案例在槽1的局部相似度，得到相似度集合｛α1，…αm｝，并选择相似度最大的k个案例作为候选案例库，设定k=5。

（3）计算案例间的关联信息属性相似度值。遍历（2）所得候选案例库，利用前文的局部相似度计算公式计算候选案例库中各案例与目标案例在槽2的局部相似度，得到相似度集合｛β1，…βk｝，选择最大的相似度值λ=max｛β1，…βk｝。

（4）设置案例匹配相似度阈值（γ1，γ2），根据经验，设定阈值为（0.85，0.95）。若λ＜γ1，表明检索得到的案例不具有指导意义，转至（5）；若γ1≤λ≤γ2，表明检索得到的案例可以借鉴重用，转至（6）；若λ≥γ2，表明检索得到的案例可以应用，转至（7）。

（5）重新定制零部件的DVP。工程师根据收集的技术材料与信息，按照相关标准制定新的设计验证计划，并以3.1中案例表示框架的形式存入案例库中。转至（7）。

（6）案例修正。根据目标案例的特征属性，采用RBR 的规则库对案例进行修正，得出需要补充的试验项，使其满足当前问题。转至（7）。

（7）输出结果R=｛P1，P2，…，Pn｝。其中，P为各试验项。

5 算例与性能分析

5.1 算例分析

汽车发动机产品研发过程的设计验证涉及电气系统、配气机构、冷却系统、润滑系统、燃料供给系统等多个子系统及零部件。本节以某型汽车发动机的电气系统中的ISZ高边开关为例对其设计验证计划的制定过程进行分析。目标案例T的部分属性为已知条件。

（1）根据用户输入，获取目标案例的特征属性值，如表1所示。

（2）计算目标案例T与案例库中各案例的基本属性相似度。以案例S-20为例，根据2.3节计属性相似度算式（7），各基本信息属性的相似度，如表3所示。根据2.3节局部相似度计算公式，目标案例T与案例S-21 的基本属性相似度Sim1( )

表3 基本属性相似度算例Tab.3 Calculation Example of Basic Attribute Similarity

T，S- 20 = 1 ×0.15 + 0 × 0.15 + 1 × 0.3 + 1 × 0.25 + 1 × 0.15 = 0.85。同样可得相似度集合｛0.70，0.85，…，0.70，0.55｝，选取相似度最大的5个案例最为候选案例库。候选案例库集合为｛S-2，S-13，S-20，S-22，S-33｝。

（3）计算目标案例T与候选案例库中各案例的关联属性相似度。以案例S-21为例，根据前文计属性相似度算公式，部分关联信息属性的相似度，如表4所示。

表4 关联属性相似度算例Tab.4 Example of Similarity of Related Attributes

根据前文局部相似度计算式（7），目标案例T与案例S-20的关联属性相似度Sim2( )

T，S- 20 = 0.96 × 0.09 + 1 × 0.15 +0.85 × 0.15 + … + 0.1 × 0.15 = 0.96。同样可计算得到目标案例T与候选案例库中案例的关联属性相似度集合｛0.70，0.72，0.96，0.80，0.90｝。选取相似度最大的案例S-20，相似度λ=0.96。

（4）目标案例T与检索所得案例S-20的相似度λ=0.96大于设定相似度阈值γ2=0.95，所以案例S-20的试验计划可以直接用于目标案例。生成的ISZ高边开关的DVP的部分试验项，如图3所示。

图3 ISZ高边开关DVP部分内容Fig.3 Part of DVP for the ISZ High-Side Switch

5.2 性能分析

这里采用的案例来源于一家发动机设计制造企业，为验证上述方法的有效性，设计了以下试验。首先以该企业历史案例为基础构建设计验证知识库，选取该企业最新发布的不同分类的汽车发动机零部件设计验证案例40项，使用这里提供方法辅助生成零部件DVP，并对模型的检索与修正的结果进行了统计和分析，统计结果，如表5所示。

表5 DVP辅助生成方法有效性分析Tab.5 Effectiveness Analysis of Aided Generation Method of DVP

通过对试验结果的统计进行分析可知，通过这里的DVP辅助生成方法，能够通过检索直接重用生成的DVP占比约32.5%，检索相似案例通过规则修正生成的DVP占比约45.0%，相比零部件DVP的人工编制方式，综合可减少约77%的工作量。

6 结语

针对汽车发动机零部件DVP编制工作知识密集，效率低的问题，结合零部件设计验证知识特点，建立了发动机零部件设计验证案例知识的表达模型，规范和统一了发动机零部件设计验证领域的概念和术语，实现了设计验证案例在语义层上的统一表达；给出了设计验证案例属性的分类及其相似度计算方法，提出了分段案例检索与规则推理修正融合的集成推理模型实现DVP的辅助生成。

通过实例计算与对辅助生成结果的统计分析表明，基于集成推理的DVP辅助生成方法切实提高了汽车发动机零部件DVP编制效率。在未来工作中，还将进一步结合发动机开发过程，综合考虑相关试验资源和项目进度的约束，对设计验证任务的在时间序列上进行进一步优化，提高发动机零部件DVP整体的质量和效率。