王有遠,趙 璐
(南昌航空大學 工業(yè)工程研究所,南昌 330063)
隨著產品的復雜程度和技術難度與日俱增,涉及的學科領域知識較廣,采用網絡化協(xié)同產品設計的方法來共同完成設計任務,設計人員花費在知識查找的時間越來越長,導致產品開發(fā)周前長,開發(fā)成本高。為解決以上問題,有效的知識服務是關鍵。
國內外研究者從不同角度對知識推送服務進行了研究。吉祥等[1]提出基于本體和粗糙集的產品設計知識推送方法,建立了產品設計任務和設計知識的本體模型;利用粗糙集和信息技術從知識使用日志中抽取知識推送規(guī)則,完成產品設計知識的推送;王生發(fā)等[2]提出了以工作流驅動的知識主動推送方式,利用基于設計對象的文本相似度算法實現了設計任務、設計人員與設計知識的主動匹配,通過知識管理和工作流驅動的結合完成推送設計知識;Seung Ki Moon等[3]提出一種基于多Agent的設計知識推送方法,以支持動態(tài)電子市場環(huán)境下的產品族設計,它通過對用戶的偏好進行學習并將合適的產品設計知識品推送給用戶;楊潔等[4]提出了基于粗糙集的產品協(xié)同設計知識推送方法,運用粗糙集理論對設計子任務進行重要度排序,結合文本相似度方法解決約束條件的相關知識,完成產品設計需求的知識推送。
以上研究對產品設計中知識推送服務的不同形式進行了卓有成效的探討,但針對多個設計任務協(xié)同參與的多維度產品設計知識推送建模還無人涉及。本文在產品設計需求的驅動下,結合集對分析法對待推送知識進行篩選和排序,輔助設計人員進行產品設計,提高了知識獲取的速度和準確性,加快了產品的研發(fā)速度。
多維度是指衡量設計知識的多樣性,對知識的整體進行立體的、較為全面的認識。
根據設計需求將設計任務分解成多個設計子任務。設計任務T被分為一個設計子任務集T={T1,T2,…,TN},根據設計需求可進一步對設計子任務進行分解,通過抽象、細化,得到更精確的任務子元集Tj={T1j,T2j,…,TMj}。
產品設計在各個階段需要不同的設計知識,為了從繁雜的設計知識中獲取更準確、有效的知識,需要解決多維度知識與設計任務之間的描述問題。
定義1:需求知識模塊是由多個與設計任務相關的知識節(jié)點組成,構成的一個知識節(jié)點集E={E1,E2,…,EN},各節(jié)點之間既相互獨立又相互聯(lián)系,其中知識節(jié)點Er代表與設計任務相關的源文獻、實例以及文檔等形式的知識。
定義2:在需求知識模塊中,知識節(jié)點向量Er={KP1r,KP2r,…,KPMr}中的知識點KPkr為數據對象,描述了形如主題、關鍵詞、概念詞、術語等形式的知識點在源文獻中的重要度,組成了一個M×N維識別矩陣D=(dkr)M×N,dkr為知識點KPkr對設計子任務Tj的支持度,
產品設計知識多維度描述模型如圖1所示。
圖1 產品設計知識多維度描述模型
如圖1所示,根據設計任務需求將知識節(jié)點中若干知識點組成多維度知識空間向量集。
在產品設計過程中,決定產品性質的屬性很多,與屬性相關的設計知識類型不同。在產品設計知識多維度空間集中知識點的相對重要程度不同,即知識的評價權重不同。
知識點相對于知識節(jié)點的特征權重計算方法如下:
其中,ω(KPkr,Er)為知識點KPkr在知識節(jié)點Er中的特征權重;MKPkr,Er表示KPkr在Er中出現的次數;N為知識節(jié)點集的個數;NKPkr,Er為出現知識點KPkr的節(jié)點個數。
集對分析是一種處理事物之間確定性與不確定性相互作用的系統(tǒng)和數學分析方法[5]。優(yōu)點在于簡單有效的分析處理復雜問題,并對其進行計算、預測和評價等,為處理不確定性以及多目標識別的問題提供了新的解決思路。
集對是指在某一背景下,具有一定聯(lián)系的兩集合A和B組成的集對子,記為W=(A,B),對這兩個集合的特性作同一性、差異性和對立性分析,并用聯(lián)系度u描述如式(2)所示。
式中a和c是相對確定的,b為相對不確定的;a,b和c均為非負值且滿足a+b+c=1,i∈[-1,1]表示差異, j取-1表示對立。
應用集對的聯(lián)系度描述設計知識與設計任務間的不確定性關系,結合集對貼近度對設計知識進行排序,提高了知識獲取的效率和準確性。
知識節(jié)點集E對設計子任務Tj的最大支持度集和最小支持度集分別記為BU和BV,對E和Tj構建集對聯(lián)系度[6];根據定義1,計算得到。
設計知識節(jié)點Er中的知識點KPkr對設計任務Tj的支持度Br為:
本文參考文獻[7]集對分析模型,則,設計子任務Tj在知識節(jié)點集E上的集對[Br,BU]聯(lián)系度ur為:
同一度ar和對立度cr分別表示知識節(jié)點與設計子任務的相近和相反程度,差異度br則表示知識推送具有不確定性。知識節(jié)點Er對設計子任務Tj的相對貼近度rφ可以定義為:
式中,rφ值越大,表示Er越貼近最佳識別結果因而對設計子任務Tj的支持度也越高,即知識節(jié)點Er與設計子任務Tj的相似性越大;反之,rφ值越小,知識節(jié)點Er與設計子任務Tj的相似性越小。
設計人員的知識需求取決于其所要完成的設計任務和在此任務中擔當的角色。設計人員的知識需求通過設計任務的驅動來觸發(fā)。設計人員的知識需求描述為如下形式。
KN為產品設計的需求知識;T為設計任務;KC為設計任務所需的知識屬性集合,其中每個知識屬性集合對應于T中的一個設計子任務;P表示設計人員在該設計任務中所擔當的角色(即對設計知識和設計任務的熟練程度,假定初始化為1)。
在產品設計知識資源中,根據設計知識需求分析,構建基于需求驅動的產品設計知識推送模型,如圖2所示。
圖2 需求驅動的設計知識推送模型
在產品設計需求的驅動下,設計人員通過分析知識需求創(chuàng)建設計任務模型,根據設計人員所擔當的角色將設計任務劃分成多個設計子任務并分配給相應的設計人員,系統(tǒng)根據設計人員的角色及設計子任務的特點,通過領域知識分析映射與設計需求相對應的關聯(lián)知識,將需求的領域知識與設計任務之間建立映射關系,通過需求知識點KPkr在知識節(jié)點Er中的重要度,來反映任務子元Tij對相關知識的需求程度,結合篩選方法,篩選出與需求知識相關性較大的設計知識,推送給相關設計人員。
推送步驟如下:
Step1:分析設計產品的屬性、結構、應用領域等,創(chuàng)建設計任務模型,確定設計產品所需知識。
Step2:結合設計人員的專業(yè)技能熟練度,將設計任務分為若干個設計子任務并分配給設計人員。
Step3:根據需求驅動,確定知識評價權重,并知識點與知識節(jié)點之間的關系構建識別矩陣。
Step4:利用集對分析法,結合評價權重和識別矩陣進行數據處理,得到貼近度rφ,篩選出與設計目標相似性較大的設計知識并排序。
Step5:根據設計人員的知識需求,確定待推送知識范圍(若rφ>0.7,則對應的文檔知識作為待推送知識),從而保證推送知識的有效性和準確性。
以某企業(yè)的滾動軸承設計為例,其主要設計任務分為:性能、結構、分類、尺寸、材料、軸承參數、潤滑和密封以及應用領域等,首先分析滾動軸承的產品設計需求,對滾動軸承的產品設計信息進行分析、整理和分類。滾動軸承的部分設計任務分解模型如圖3所示。
圖3 滾動軸承的部分設計任務分解模型
根據知識篩選方法,以任務需求為驅動,實現按需求匹配知識,包括概念、經驗、實例以及關聯(lián)性知識等從源文獻或文檔中提取出來,并將篩選出的相關知識快速準確的推送給設計人員。如表1所示為滾動軸承的設計任務與需求知識對應關系。
根據設計人員所擔當的角色將設計子任務分配給相應的設計人員,如某設計人員主要進行運轉狀態(tài)分析,參數屬性有材料密度、壁厚、外徑、內切圓直徑偏差、轉速、溫度、耐磨性能、接觸疲勞強度、硬度等。壁厚t=30mm、外徑D∈[68,73](單位:mm)、內切圓直徑偏差Δd∈[25,50](單位:um)、轉速1650r/min、溫度T≤70℃。
根據用戶需求獲取候選設計知識文檔,通過對設計知識文檔進行分詞處理,構建成一個詞-文檔的識別矩陣,并對數據歸一化處理,消除不同量綱的影響。同時利用式(1)計算得到各屬性的權值分別為:ω11=0.2,ω12=0.1,ω13=0.25,ω14=0.25,ω15=0.2。
取20類設計知識文檔進行篩選排序,利用式(7)設計知識與設計子任務間的貼近度,計算得出20類設計知識文檔與設計任務的貼近度,排序結果如圖4所示。
圖4 20類設計知識文檔的貼近度排序
表1 滾動軸承的設計任務與需求知識對應關系
從圖4可以看出,知識文檔E4與設計任務的貼近度值最大,知識文檔E2次之,知識文檔E14與設計任務的貼近度值最小。根據到貼近度的取值范圍rφ>0.7,篩選出知識文檔1、知識文檔2、知識文檔3、知識4、知識文檔19作為推送目標。
通過集對貼近度對待推送的知識進行篩選排序,確定與設計任務相關性較大的知識作為推送目標,可以有效的提高推送效率和準確性。
本文通過對設計任務的分解,并結合設計知識的多維度描述,對設計所需知識進行賦權值,利用集對分析法建立知識多維度篩選模型,在產品設計需求的驅動下,對設計知識進行篩選、排序。該方法解決了產品設計中多維度知識推送過程中存在不確定性的問題,滿足了設計人員的需求,減少了重復性搜索的工作,使得推送結果更加客觀、有效和準確。同時提高了產品研發(fā)的效率,縮短了研發(fā)周期,為知識的傳遞和服務提供了新的思路。
[1] 吉祥,顧新建,代風,等.基于本體和粗糙集的產品設計知識推送技術[J].計算機集成制造系統(tǒng),2013,19(1):8-20.
[2] 王生發(fā).顧新建.郭劍鋒,等.面向產品設計的知識主動推送研究[J].計算機集成制造系統(tǒng),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] 楊潔,楊育,王偉立,等.基于粗糙集的產品協(xié)同設計知識推送方法研究[J].中國機械工程,2009,20(20):2452-2456.
[5] 趙克勤.集對分析及其初步應用[M].杭州:浙江科學出版社,2000.
[6] 吳喬,羅鍵,林金有.基于集對分析與NSGA-II的生產作業(yè)多目標優(yōu)化[J].計算機應用研究,2014,31(5):1414-1416.
[7] 安相華,馮毅雄,譚建榮,等.基于集對分析與演化細胞學習自動機的質量—成本控制方法[J].計算機集成制造系統(tǒng),2011,17(2):353-361.