基于知識(shí)融合的汽車(chē)覆蓋件模具設(shè)計(jì)方法研究

文家富，郭 偉,2

(1.天津大學(xué) 機(jī)械工程學(xué)院，天津 300072；2．天津大學(xué) 裝備設(shè)計(jì)與制造技術(shù)天津市重點(diǎn)實(shí)驗(yàn)室，天津 300072)

0 引 言

汽車(chē)覆蓋件模具尺寸大、結(jié)構(gòu)復(fù)雜、精度要求高，涉及企業(yè)需求、設(shè)計(jì)理論、標(biāo)準(zhǔn)件和非標(biāo)件的選擇以及設(shè)備參數(shù)等多方面的問(wèn)題，因此，汽車(chē)覆蓋件是一種典型的知識(shí)密集型產(chǎn)品。對(duì)應(yīng)設(shè)計(jì)知識(shí)的多源性、復(fù)雜性和分散性導(dǎo)致了設(shè)計(jì)知識(shí)重用效率難以提高。面向定制化設(shè)計(jì)需求，設(shè)計(jì)人員往往要花費(fèi)大量時(shí)間搜集整合各類(lèi)設(shè)計(jì)知識(shí)，隨著設(shè)計(jì)經(jīng)驗(yàn)以及設(shè)計(jì)標(biāo)準(zhǔn)的快速更新，設(shè)計(jì)知識(shí)融合不足造成的設(shè)計(jì)缺陷、精度不達(dá)標(biāo)和設(shè)計(jì)周期長(zhǎng)等問(wèn)題，嚴(yán)重制約著我國(guó)模具設(shè)計(jì)企業(yè)的快速發(fā)展。因此，如何對(duì)分散、異構(gòu)的設(shè)計(jì)知識(shí)進(jìn)行組織并融合到動(dòng)態(tài)的設(shè)計(jì)過(guò)程中是提升復(fù)雜產(chǎn)品設(shè)計(jì)效率的關(guān)鍵問(wèn)題。

針對(duì)上述問(wèn)題，國(guó)內(nèi)外學(xué)者進(jìn)行了積極探索，并取得了一定進(jìn)展。蘇海等[1]采用多視圖方式構(gòu)建了設(shè)計(jì)知識(shí)地圖，防止了知識(shí)孤島的產(chǎn)生；石美紅等[2]針對(duì)信息泛濫和知識(shí)迷航問(wèn)題，建立了一種基于工作流引擎和知識(shí)流引擎的知識(shí)主動(dòng)推送機(jī)制；李海生等[3]利用知識(shí)元之間的關(guān)聯(lián)矩陣實(shí)現(xiàn)了對(duì)設(shè)計(jì)知識(shí)的有序組織；敬石開(kāi)，劉繼紅等[4]采用文檔實(shí)例映射方法實(shí)現(xiàn)了不同類(lèi)型知識(shí)地圖的集成。徐賜軍等[5]提出了一種基于本體的知識(shí)融合框架模型；Eric等[6]提出了一種處理非結(jié)構(gòu)化信息的算法。但目前的知識(shí)管理研究主要是對(duì)靜態(tài)知識(shí)的組織和查找，面向復(fù)雜產(chǎn)品的設(shè)計(jì)過(guò)程，研究知識(shí)的動(dòng)態(tài)組織和知識(shí)自動(dòng)融合問(wèn)題的文獻(xiàn)較少。且當(dāng)前研究未考慮知識(shí)之間的關(guān)聯(lián)性，導(dǎo)致設(shè)計(jì)過(guò)程中，知識(shí)查準(zhǔn)、查全的效率低。

本文針對(duì)知識(shí)密集型產(chǎn)品設(shè)計(jì)知識(shí)分散、異構(gòu)和融合效率不高的問(wèn)題，面向模具產(chǎn)品設(shè)計(jì)過(guò)程建立了設(shè)計(jì)知識(shí)需求模型，以知識(shí)元為建模單位對(duì)設(shè)計(jì)知識(shí)進(jìn)行統(tǒng)一表示，采用本體理論對(duì)分散的知識(shí)元進(jìn)行組織，采用知識(shí)融合算法，實(shí)現(xiàn)設(shè)計(jì)知識(shí)元的自動(dòng)拼裝，提高設(shè)計(jì)知識(shí)層次。最后針對(duì)模具產(chǎn)品設(shè)計(jì)過(guò)程，驗(yàn)證了所用知識(shí)融合方法的有效性。

1 需求建模及知識(shí)的組織

設(shè)計(jì)流程和設(shè)計(jì)任務(wù)與合適的設(shè)計(jì)知識(shí)融合才能為設(shè)計(jì)人員的決策提供支撐作用，知識(shí)融合是將來(lái)自不同渠道、不同表示類(lèi)型的多源知識(shí)根據(jù)約定的規(guī)則進(jìn)行比較、合并以及協(xié)調(diào)的融合過(guò)程，從而提高知識(shí)的層次、內(nèi)涵和可重用性，幫助設(shè)計(jì)者提高決策水平，使異構(gòu)知識(shí)能更好地服務(wù)于產(chǎn)品設(shè)計(jì)[7]。知識(shí)融合的主要步驟包括：①知識(shí)需求模型的建立；②知識(shí)元的表示和組織；③知識(shí)融合運(yùn)算；④知識(shí)的評(píng)價(jià)更新。知識(shí)融合需要根據(jù)設(shè)計(jì)任務(wù)類(lèi)型、知識(shí)融合需求和融合環(huán)境，采用合適的融合算法實(shí)現(xiàn)各類(lèi)設(shè)計(jì)知識(shí)的融合。

1.1 知識(shí)需求模型的建立

產(chǎn)品設(shè)計(jì)知識(shí)的融合必須考慮設(shè)計(jì)任務(wù)類(lèi)型、設(shè)計(jì)流程和設(shè)計(jì)者的真實(shí)需求，才能有效提高產(chǎn)品設(shè)計(jì)效率，因此，需要對(duì)知識(shí)需求進(jìn)行定義。

定義1知識(shí)需求模型(design require model，DRM)可以表示為一個(gè)三元組

DRM=(DTK,DPR,PR)

(1)

(1)式中：DTK(design task)表示根據(jù)設(shè)計(jì)任務(wù)的類(lèi)型差異所定義的知識(shí)需求集合，DTK={dtki,i=1,2,…,|DTK|}；DPR(design process)表示根據(jù)設(shè)計(jì)實(shí)踐經(jīng)驗(yàn)，針對(duì)設(shè)計(jì)流程的節(jié)點(diǎn)所定義的知識(shí)需求，使設(shè)計(jì)人員不僅明確設(shè)計(jì)任務(wù)，還對(duì)知識(shí)的整體應(yīng)用場(chǎng)景有所了解，DPR={dpri,i=1,2,…,|DPR|}；PR(person requisition)表示根據(jù)人員的認(rèn)知推理能力所定義的知識(shí)需求，是從知識(shí)使用者的角度對(duì)知識(shí)需求進(jìn)行限定，PR={pri,i=1,2,…,|PR|}。知識(shí)融合的過(guò)程就是根據(jù)需求模型中的變量逐次對(duì)信息進(jìn)行篩選組合的過(guò)程。

1.2 知識(shí)元的表示和組織

知識(shí)元作為解決特定設(shè)計(jì)問(wèn)題的知識(shí)組織單元，是知識(shí)融合的基本元素，為了降低多源知識(shí)的異構(gòu)復(fù)雜度，需要對(duì)知識(shí)元進(jìn)行一致性表示，消除表現(xiàn)形式上的差異。從而可通過(guò)知識(shí)融合方法對(duì)不同類(lèi)型知識(shí)進(jìn)行統(tǒng)一處理，使之融合成為新的知識(shí)單元。

定義2本文構(gòu)建的知識(shí)元(knowledge unit,KU)通過(guò)一個(gè)三元組的變量進(jìn)行描述

KU=(AK,CK,RK)

(2)

(2)式中：AK(attribute of knowledge)表示知識(shí)元的基本屬性，包括知識(shí)元的創(chuàng)建時(shí)間、創(chuàng)建者、知識(shí)來(lái)源和適用階段，用于知識(shí)元的識(shí)別，AK={aki,i=1,2,…,|AK|}；CK(content of knowledge)表示知識(shí)元的主要內(nèi)容，通過(guò)標(biāo)準(zhǔn)格式進(jìn)行表示CK={cki,i=1,2,…,|CK|}；RK(relationship of knowledge)用于描述與其他知識(shí)元之間的邏輯關(guān)系，RK={rki,i=1,2,…,|RK|}。

知識(shí)元之間的邏輯關(guān)系主要有①上下游關(guān)系，2個(gè)知識(shí)元之間具有順序關(guān)系；②聯(lián)合作用關(guān)系，2個(gè)知識(shí)元需要共同作用才能做出決策；③演化遞進(jìn)關(guān)系，比如企業(yè)新標(biāo)準(zhǔn)是舊標(biāo)準(zhǔn)的改進(jìn)和優(yōu)化；④互斥關(guān)系，2個(gè)知識(shí)元之間的應(yīng)用場(chǎng)景不同，只能選其中之一，例如氮?dú)飧缀蜏p振彈簧之間只能選擇一個(gè)方案。圖1為一種起吊裝置的設(shè)計(jì)知識(shí)元。

定義3知識(shí)單元的構(gòu)建模型可以表述為

KM=(KUi,LR,PA)

(3)

(3)式中：KU表示組成知識(shí)單元的各個(gè)知識(shí)元，KU={kui,i=1,2,…,|KU|};LR用于描述知識(shí)單元之間的邏輯關(guān)系，根據(jù)設(shè)計(jì)任務(wù)類(lèi)型及設(shè)計(jì)流程對(duì)知識(shí)單元進(jìn)行組織，LR={lri,i=1,2,…,|LR|}；PA表示知識(shí)單元中各個(gè)知識(shí)元的存儲(chǔ)物理地址，用于知識(shí)元的更新和導(dǎo)航，PA={pai,i=1,2,…,|PA|}。

知識(shí)單元是面向某一具體的設(shè)計(jì)任務(wù)，按照設(shè)計(jì)流程及任務(wù)之間的邏輯關(guān)系，對(duì)所需知識(shí)元的完整組合封裝。在模具設(shè)計(jì)過(guò)程中，涉及到的知識(shí)包括經(jīng)驗(yàn)類(lèi)知識(shí)、標(biāo)準(zhǔn)類(lèi)知識(shí)和原理類(lèi)知識(shí)。采用分類(lèi)組織的形式對(duì)3種類(lèi)型的設(shè)計(jì)知識(shí)分開(kāi)管理和更新。知識(shí)元之間的組織關(guān)系通過(guò)本體語(yǔ)言進(jìn)行描述，本體是知識(shí)的結(jié)構(gòu)化表示，是領(lǐng)域術(shù)語(yǔ)的結(jié)構(gòu)化表達(dá)[8]，具有良好的可擴(kuò)展性和移植性，通過(guò)概念本體結(jié)構(gòu)樹(shù)能對(duì)知識(shí)元進(jìn)行有效組織。為了實(shí)現(xiàn)知識(shí)元的快速檢索，對(duì)知識(shí)元的關(guān)鍵語(yǔ)義概念進(jìn)行提取，構(gòu)建完整的概念本體結(jié)構(gòu)樹(shù)，形成概念與知識(shí)元之間的映射關(guān)系。模具設(shè)計(jì)理論知識(shí)部分本體結(jié)構(gòu)樹(shù)如圖2所示，設(shè)計(jì)標(biāo)準(zhǔn)類(lèi)知識(shí)和經(jīng)驗(yàn)類(lèi)知識(shí)的本體結(jié)構(gòu)樹(shù)在此不再贅述。

根據(jù)知識(shí)元之間的語(yǔ)義作用關(guān)系，一方面能有效地完成知識(shí)元的存儲(chǔ)和管理，提供知識(shí)發(fā)現(xiàn)和知識(shí)更新的途徑和方式；另一方面，可以根據(jù)設(shè)計(jì)者的真實(shí)需求，實(shí)現(xiàn)設(shè)計(jì)知識(shí)元的合理聚集，快速提高設(shè)計(jì)知識(shí)的層次和內(nèi)涵，為后續(xù)的知識(shí)融合處理提供基礎(chǔ)。

圖1 起吊裝置設(shè)計(jì)知識(shí)元Fig.1 Knowledge element of lifting device

圖2 模具設(shè)計(jì)理論知識(shí)部分本體結(jié)構(gòu)樹(shù)Fig.2 Design theory ontology tree of die

2 設(shè)計(jì)知識(shí)融合模型

知識(shí)融合是從多源、異構(gòu)的知識(shí)元中提取與設(shè)計(jì)任務(wù)、設(shè)計(jì)流程節(jié)點(diǎn)以及設(shè)計(jì)人員最相關(guān)的知識(shí)內(nèi)容，并加以篩選優(yōu)化組合，提高整體的設(shè)計(jì)決策效率[9]。本文提出的整體產(chǎn)品設(shè)計(jì)知識(shí)融合系統(tǒng)的框架如圖3所示。

整個(gè)知識(shí)融合系統(tǒng)框架包含3個(gè)模塊：①知識(shí)元的組織模塊。通過(guò)構(gòu)建設(shè)計(jì)資源庫(kù)，對(duì)設(shè)計(jì)知識(shí)進(jìn)行規(guī)范，表示成各個(gè)獨(dú)立的知識(shí)元，并根據(jù)知識(shí)元之間的邏輯關(guān)系進(jìn)行統(tǒng)一組織，形成各類(lèi)知識(shí)元與對(duì)應(yīng)本體概念之間的映射關(guān)系；②語(yǔ)義檢索模塊。根據(jù)設(shè)計(jì)人員實(shí)際需求，提取關(guān)鍵語(yǔ)義概念，通過(guò)本體語(yǔ)義距離計(jì)算，檢索最相關(guān)知識(shí)元形成候選知識(shí)元集，降低設(shè)計(jì)知識(shí)的復(fù)雜度，形成解知識(shí)空間；③知識(shí)融合模塊。面向知識(shí)元候選集，采用知識(shí)融合算法，計(jì)算融合適應(yīng)度，匹配出融合適應(yīng)度最高的知識(shí)單元，最后對(duì)知識(shí)單元進(jìn)行評(píng)價(jià)，并對(duì)數(shù)據(jù)記錄進(jìn)行更新。

圖3 設(shè)計(jì)知識(shí)融合框架模型Fig.3 Framework of design knowledge fusion

2.1 候選知識(shí)元集的構(gòu)建

語(yǔ)義距離計(jì)算能夠根據(jù)設(shè)計(jì)者的實(shí)際需求對(duì)應(yīng)的概念關(guān)鍵詞對(duì)整個(gè)知識(shí)庫(kù)進(jìn)行快速檢索，構(gòu)成候選知識(shí)元集，降低知識(shí)融合的維度，提高知識(shí)元的融合效率。汽車(chē)覆蓋件模具設(shè)計(jì)包含的本體結(jié)構(gòu)樹(shù)包括：原理性知識(shí)、經(jīng)驗(yàn)性知識(shí)和設(shè)計(jì)標(biāo)準(zhǔn)知識(shí)。典型的知識(shí)概念本體結(jié)構(gòu)如圖4所示。根據(jù)知識(shí)概念之間的語(yǔ)義距離能夠根據(jù)需求描述快速找到所需知識(shí)元，形成知識(shí)元候選集。

在本體結(jié)構(gòu)概念體系中，2個(gè)本體概念(Ci,Cj)的語(yǔ)義距離Dis(Ci,Cj)越小，則2個(gè)概念之間的語(yǔ)義相似度越大，二者之間的關(guān)系表示為

Sim(Ci,Cj)=1-Dis(Ci,Cj)

(4)

基于信息論的語(yǔ)義相似度，利用共享信息的多少進(jìn)行衡量。信息量用來(lái)表征一個(gè)概念所包含的語(yǔ)義信息的多少，通過(guò)(5)式可以對(duì)概念在一段信息中出現(xiàn)的頻次進(jìn)行具體量化。對(duì)于概念本體中的概念C，其信息量可用(6)式進(jìn)行定義，基于信息論的語(yǔ)義相似度可以表示為(7)式。

(5)

I(C)=log(1/P(C))

(6)

(7)

圖4 知識(shí)概念本體結(jié)構(gòu)Fig.4 Structure of knowledge concept ontology

用共同父節(jié)點(diǎn)的信息量計(jì)算相似度的計(jì)算精度不高。本文采用語(yǔ)義距離對(duì)2個(gè)概念之間的相似度進(jìn)行量化，概念節(jié)點(diǎn)(Ci,Cj)的語(yǔ)義距離可表示為

(8)

(8)式中，wt(C,parent(C))表示連接邊中子概念與父概念之間的權(quán)重

wt(C,parent(C))=

(9)

為了方便計(jì)算，可將連接邊的權(quán)重設(shè)為相同值，則語(yǔ)義距離可以表示為連接邊數(shù)之和，語(yǔ)義相似度表示為

(10)

圖4中，概念E，F(xiàn)及其共同父節(jié)點(diǎn)旁邊的數(shù)字表示該本體概念出現(xiàn)的概率，連線上的數(shù)字表示該連線的權(quán)重，兩者之間的語(yǔ)義相似度計(jì)算為

wt(E,parent(E)=

(11)

SimDis(Ci,Cj)=1-Dis(Ci,Cj)=

1-(0.06+0.06)=0.88

(12)

根據(jù)二者之間的語(yǔ)義距離查找最相近的語(yǔ)義概念節(jié)點(diǎn)，概念節(jié)點(diǎn)對(duì)應(yīng)的映射知識(shí)元組成候選知識(shí)元集，然后通過(guò)知識(shí)元融合算法，對(duì)候選解空間中的相關(guān)知識(shí)元進(jìn)行融合，實(shí)現(xiàn)設(shè)計(jì)知識(shí)的快速有效聚集。由于語(yǔ)義相似度的計(jì)算是為了提供候選知識(shí)元集，對(duì)語(yǔ)義距離的計(jì)算區(qū)分度要求較低，因此，本文在計(jì)算語(yǔ)義距離時(shí)未考慮語(yǔ)義深度及語(yǔ)義概念密度。

2.2 知識(shí)融合適應(yīng)度計(jì)算

多個(gè)知識(shí)元的融合可構(gòu)成知識(shí)單元，是針對(duì)設(shè)計(jì)任務(wù)構(gòu)建的知識(shí)元及數(shù)據(jù)的動(dòng)態(tài)組合和封裝，知識(shí)單元包括：原理類(lèi)知識(shí)元(設(shè)計(jì)準(zhǔn)則、設(shè)計(jì)分析理論、設(shè)計(jì)準(zhǔn)則)、經(jīng)驗(yàn)類(lèi)知識(shí)元(產(chǎn)品設(shè)計(jì)案例知識(shí))和標(biāo)準(zhǔn)類(lèi)知識(shí)元(企業(yè)標(biāo)準(zhǔn)、行業(yè)標(biāo)準(zhǔn)、模型庫(kù)等)。知識(shí)單元是對(duì)知識(shí)元及各類(lèi)數(shù)據(jù)項(xiàng)的歸集和整理，是針對(duì)具體的設(shè)計(jì)任務(wù)和設(shè)計(jì)流程要求，對(duì)設(shè)計(jì)知識(shí)的深度組合，能夠直接支持設(shè)計(jì)決策。知識(shí)融合算法主要有貝葉斯方法、證據(jù)理論方法和模糊集理論方法[10]。

設(shè)有一類(lèi)知識(shí)為候選知識(shí)元，采用貝葉斯知識(shí)融合算法，實(shí)現(xiàn)產(chǎn)品設(shè)計(jì)知識(shí)的融合運(yùn)算，其中，T={Tj,j=1,2,…,N}是設(shè)計(jì)任務(wù)集，這些任務(wù)的先驗(yàn)概率為P(Tj),(j=1,2,…,n)對(duì)應(yīng)設(shè)計(jì)任務(wù)的知識(shí)元表示為K={Ki,i=1,2,…,R}。在設(shè)計(jì)過(guò)程中，Tj的后驗(yàn)概率可以表示為(13)式，即在知識(shí)元的共同作用下，對(duì)應(yīng)設(shè)計(jì)任務(wù)的概率表示為

(13)

(13)式中，P(k1,k2,…,kn)表示各類(lèi)知識(shí)元的聯(lián)合概率分布函數(shù)。假設(shè)對(duì)知識(shí)元的觀察相互獨(dú)立統(tǒng)計(jì)，則有

(14)

貝葉斯知識(shí)融合判別準(zhǔn)則為，若

(15)

進(jìn)而可以得到

P(Tj|K1,K2,…,Kn)=

(16)

根據(jù)最大概率理論，將取得最大后驗(yàn)概率的各類(lèi)知識(shí)元融合成新的知識(shí)單元?；谥R(shí)元的使用獨(dú)立性，在知識(shí)元融合計(jì)算中，需提供先驗(yàn)概率數(shù)據(jù)。隨著知識(shí)元的不斷融合，先驗(yàn)概率數(shù)據(jù)將會(huì)發(fā)生動(dòng)態(tài)變化，可自動(dòng)實(shí)現(xiàn)知識(shí)單元的更新和調(diào)整，保持知識(shí)單元融合的實(shí)時(shí)性。

2.3 先驗(yàn)概率數(shù)據(jù)獲取

先驗(yàn)概率的計(jì)算需要根據(jù)知識(shí)元的歷史記錄信息進(jìn)行獲取。針對(duì)選定的設(shè)計(jì)任務(wù)類(lèi)型Ti，在歷史設(shè)計(jì)任務(wù)中，與之相關(guān)的知識(shí)元數(shù)量表示為N(Ti)；在產(chǎn)品設(shè)計(jì)過(guò)程中，知識(shí)元Ki被使用的次數(shù)為N(Ki)，二者的聯(lián)合概率分布可以表示為

P(Ki/Ti)=N(Ki)/N(Ti)

(17)

Max(P(Ki,Ti))對(duì)應(yīng)的知識(shí)元即為該設(shè)計(jì)任務(wù)的中心知識(shí)元，隨著知識(shí)元使用頻次的增加，先驗(yàn)概率將自動(dòng)演化更新，根據(jù)最大后驗(yàn)概率原則，單個(gè)設(shè)計(jì)知識(shí)元與設(shè)計(jì)任務(wù)共同出現(xiàn)的最大概率即為最佳知識(shí)融合匹配。

2.4 基于遺傳算法的知識(shí)融合過(guò)程

遺傳算法作為廣泛使用的組合優(yōu)化算法具有良好的全局自適應(yīng)能力，為了實(shí)現(xiàn)知識(shí)元的快速優(yōu)化組合，采用遺傳算法實(shí)現(xiàn)知識(shí)元的隨機(jī)搜索。選定中心知識(shí)元后，以中心知識(shí)元為核心，與候選知識(shí)元集中的其他知識(shí)元進(jìn)行組合匹配，通過(guò)知識(shí)融合算法能夠完成設(shè)計(jì)知識(shí)的快速融合，實(shí)現(xiàn)分散知識(shí)元的合理化聚集。經(jīng)過(guò)知識(shí)融合計(jì)算，將最相關(guān)的知識(shí)資源組合到同一個(gè)知識(shí)單元中，滿(mǎn)足產(chǎn)品設(shè)計(jì)知識(shí)的快速重用。具體實(shí)現(xiàn)步驟如下。

步驟1根據(jù)定義的種群數(shù)量P，隨機(jī)選擇P個(gè)知識(shí)單元，組成初始化種群H，共包含P個(gè)知識(shí)單元。對(duì)染色體進(jìn)行編碼，本文采用符號(hào)編碼，字母A表示編號(hào)為1的知識(shí)元，字母B表示編號(hào)為2的知識(shí)元，以此類(lèi)推，染色體的長(zhǎng)度表示知識(shí)單元中知識(shí)元的數(shù)量。例如：由Hi=(C1,C2,C3,C4)組成的知識(shí)單元編碼為ABCD，該知識(shí)單元共包含4個(gè)知識(shí)元。根據(jù)(16)式和(17)式計(jì)算對(duì)應(yīng)知識(shí)單元的整體適應(yīng)度值。

步驟2當(dāng)整體適應(yīng)度值Fitness(H)=P(Ti|k1,k2,…,kn)

交叉：從H中選擇rp/2對(duì)染色體進(jìn)行交叉操作，產(chǎn)生2個(gè)后代，并入H，對(duì)初始種群進(jìn)行更新；

變異：從H中選擇m%個(gè)染色體(個(gè)數(shù)取整)，對(duì)其對(duì)應(yīng)的點(diǎn)位上的當(dāng)前值進(jìn)行取反操作，并對(duì)初始種群進(jìn)行更新替換。

步驟3返回適應(yīng)度值最高的知識(shí)單元Hs，將其作為最終的求解結(jié)果返回給交互界面。

3 實(shí)驗(yàn)案例及分析

本文在算法研究的基礎(chǔ)上，采用Protégé3.5實(shí)現(xiàn)設(shè)計(jì)知識(shí)的概念本體構(gòu)建，通過(guò)Eclipse平臺(tái)完成相應(yīng)的交互界面開(kāi)發(fā)，以MySQL作為關(guān)聯(lián)數(shù)據(jù)庫(kù)對(duì)知識(shí)元進(jìn)行存儲(chǔ)管理。通過(guò)輸入對(duì)應(yīng)的概念關(guān)鍵詞，進(jìn)行語(yǔ)義距離計(jì)算，實(shí)現(xiàn)設(shè)計(jì)知識(shí)的檢索，生成候選知識(shí)元集，進(jìn)而執(zhí)行融合算法，實(shí)現(xiàn)知識(shí)融合，形成滿(mǎn)足設(shè)計(jì)需求的知識(shí)單元。為了驗(yàn)證知識(shí)融合系統(tǒng)的有效性，本文針對(duì)指定的產(chǎn)品設(shè)計(jì)任務(wù)，根據(jù)設(shè)計(jì)流程對(duì)知識(shí)元進(jìn)行調(diào)整，形成完整流暢的設(shè)計(jì)順序，實(shí)現(xiàn)知識(shí)的完整、準(zhǔn)確聚集。知識(shí)融合系統(tǒng)界面如圖5所示。

在汽車(chē)模具設(shè)計(jì)過(guò)程中，某項(xiàng)設(shè)計(jì)產(chǎn)品需求是“DZ-01車(chē)頂蓋模具結(jié)構(gòu)設(shè)計(jì)”，需要快速找到對(duì)應(yīng)知識(shí)元組成知識(shí)單元支撐設(shè)計(jì)決策，實(shí)驗(yàn)系統(tǒng)中知識(shí)元的先驗(yàn)概率根據(jù)企業(yè)歷史數(shù)據(jù)計(jì)算。將需求信息分解為對(duì)應(yīng)的概念關(guān)鍵詞實(shí)現(xiàn)語(yǔ)義檢索，并根據(jù)結(jié)構(gòu)設(shè)計(jì)流程進(jìn)行知識(shí)融合。通過(guò)上述過(guò)程將最相關(guān)的知識(shí)元進(jìn)行歸集。同時(shí)，計(jì)算出知識(shí)元之間的融合適應(yīng)度值，將適應(yīng)度值最大的知識(shí)單元作為結(jié)果輸出。通過(guò)語(yǔ)義距離檢索，設(shè)定知識(shí)單元中知識(shí)元數(shù)量和適應(yīng)度閾值可以獲得的結(jié)果如表1所示。

根據(jù)實(shí)例中的語(yǔ)義概念“拉延?！薄敖Y(jié)構(gòu)設(shè)計(jì)”“DZ-01車(chē)頂蓋”，通過(guò)2.1節(jié)的計(jì)算方法進(jìn)行語(yǔ)義距離計(jì)算，可求得滿(mǎn)足要求的知識(shí)元組成候選知識(shí)元集。與設(shè)計(jì)需求最相關(guān)的知識(shí)元是“DZ-01車(chē)頂蓋結(jié)構(gòu)設(shè)計(jì)標(biāo)準(zhǔn)”，相似度為0.95，“DZ-05車(chē)頂蓋凸模導(dǎo)板設(shè)計(jì)方法”與拉延模結(jié)構(gòu)設(shè)計(jì)本體中需求概念的語(yǔ)義距離為0.83。組成的候選知識(shí)元集中，與模面設(shè)計(jì)最相關(guān)的知識(shí)元為設(shè)計(jì)標(biāo)準(zhǔn)知識(shí)元，由(17)式可根據(jù)歷史數(shù)據(jù)計(jì)算得到其獨(dú)立概率為0.95。根據(jù)(16)式提供的最大后驗(yàn)概率方法，三者之間的融合概率計(jì)算過(guò)程為

(18)

(18)式中，知識(shí)融合常數(shù)設(shè)為1。本文所用遺傳算法的種群數(shù)量為20，交叉概率為0.25，變異率為0.001。為了對(duì)知識(shí)融合算法的效果進(jìn)行評(píng)價(jià)，引入評(píng)價(jià)指標(biāo):查準(zhǔn)率，查準(zhǔn)率表征檢出知識(shí)元中有效知識(shí)元與總量的比值。為了分析知識(shí)融合框架下的查準(zhǔn)率，對(duì)基于語(yǔ)義查找和基于知識(shí)融合算法的2種方法的結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表2所示。

表1 車(chē)頂蓋模具設(shè)計(jì)知識(shí)融合結(jié)果Tab.1 Design knowledge fusion result of roof cover die

表2 2種方法的檢索結(jié)果Tab.2 Search results of the two methods %

通過(guò)5組實(shí)驗(yàn)驗(yàn)證知識(shí)融合的效果，檢索結(jié)果的對(duì)比分析如圖6所示。由圖6可知，與語(yǔ)義查找方法相比，知識(shí)融合算法具有更高的查準(zhǔn)率，并且查準(zhǔn)率穩(wěn)定性更優(yōu)。這是因?yàn)楸疚奶岢龅娜诤纤惴ㄊ敲嫦蚝蜻x知識(shí)元集中的知識(shí)元，采用貝葉斯和遺傳算法進(jìn)行組合、提煉，能有效去除不相關(guān)知識(shí)元，針對(duì)設(shè)計(jì)任務(wù)和設(shè)計(jì)流程節(jié)點(diǎn)，將最相關(guān)的知識(shí)元組裝在同一個(gè)知識(shí)單元中，支持設(shè)計(jì)決策。在實(shí)際使用中，本方法能快速實(shí)現(xiàn)各類(lèi)設(shè)計(jì)知識(shí)的重用，提高產(chǎn)品設(shè)計(jì)效率。

圖6 檢索結(jié)果的對(duì)比分析Fig.6 Comparison of the accuracy of the two methods

4 結(jié)束語(yǔ)

現(xiàn)有知識(shí)管理系統(tǒng)主要采用知識(shí)地圖、添加索引或知識(shí)元鏈接對(duì)靜態(tài)知識(shí)進(jìn)行集成管理，對(duì)多源、異構(gòu)、分散的動(dòng)態(tài)知識(shí)融合效率不高，無(wú)法有效提高知識(shí)的內(nèi)涵和層次。本文提出的知識(shí)融合方法能夠面向設(shè)計(jì)任務(wù)及設(shè)計(jì)流程構(gòu)建設(shè)計(jì)知識(shí)元，并采用概念本體結(jié)構(gòu)樹(shù)對(duì)設(shè)計(jì)知識(shí)元進(jìn)行統(tǒng)一組織，通過(guò)知識(shí)融合運(yùn)算方法對(duì)設(shè)計(jì)知識(shí)元進(jìn)行合并處理，組建知識(shí)單元。通過(guò)軟件編程，完成了知識(shí)融合原型系統(tǒng)，實(shí)驗(yàn)結(jié)果表明，本文提出的方法能顯著提高知識(shí)的查準(zhǔn)率和結(jié)果穩(wěn)定性，提高設(shè)計(jì)效率。隨著知識(shí)元數(shù)量的快速增加，為了進(jìn)一步提高準(zhǔn)確率，將會(huì)在后續(xù)研究中引入知識(shí)元的屬性相似度計(jì)算。

參考文獻(xiàn)：

[1] 蘇海，蔣祖華，伍宏偉.面向產(chǎn)品開(kāi)發(fā)的知識(shí)地圖構(gòu)建[J].上海交通大學(xué)學(xué)報(bào), 2005, 39(12): 2034-2039.

SU Hai, JIANG Zuhua, WU Hongwei.Building Knowledge Map for Product Development. Journal of Shanghai jiaotong University, 2005, 39(12):2034-2039.

[2] 石美紅，王婷，陳永當(dāng)，等. 基于業(yè)務(wù)過(guò)程和知識(shí)需求的知識(shí)推送系統(tǒng)[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2011, 17(4): 882-887.

SHI Meihong, WANG Ting, CHEN Yongdang, et al.Knowledge push system based on business process and knowledge need[J].Computer Integrated Manufacturing Systems, 2011, 17(4): 882-887.

[3] 李海生，寇菲菲，蔡強(qiáng)，等.基于知識(shí)元的沖壓模具設(shè)計(jì)方法[J].計(jì)算機(jī)集成制造系統(tǒng)，2014, 20(02): 259-266.

LI Haisheng, KOU Feifei, CAI Qiang, et al.New stamping die design method based on knowledge-unit[J]. Computer Integrated Manufacturing Systems, 2014, 20(02): 259-266.

[4] 敬石開(kāi)，劉繼紅，鬲玲，等. 基于文檔實(shí)例映射的知識(shí)地圖集成方法[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2015, 21(07): 1702-1710.

JING Shikai, LIU Jihong, GE Ling,et al. Knowledge based maps integration approach based on document instance mapping[J]. Computer Integrated Manufacturing Systems, 2015, 21(07):1702-1710.

[5] 徐賜軍，李?lèi)?ài)平，劉雪梅. 基于本體的知識(shí)融合框架[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2010, 22(7): 1230-1236.

XU Cijun, LI Aiping, LIU Xuemei. Ontology-Based Knowledge Fusion Framework[J]. Journal of Computer-Aided Design& Computer Graphics, 2010, 22(07): 1230-1236.

[6] ERIC Tsui, WANG W M, CAI Linlin, et al. Knowledge-based extraction of intellectual capital-related information from unstructured data[J]. Expert Systems with Applications, 2014，41(4): 1315-1325.

[7] 周芳,劉玉戰(zhàn),韓立巖.基于模糊集理論的知識(shí)融合方法研究[J].北京理工大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版, 2013, 15(3): 67-73.

ZHOU Fang, LIU Yuzhan, HAN Liyan. Multiple Source Knowledge Fusion Technique Based on Fuzzy Sets Theory[J]. Journal of Beijing Institute of Technology：Social Sciences Edition, 2013, 15(3): 67-73.

[8] 周建慧，劉繼紅，楊海成. 面向復(fù)雜產(chǎn)品工程知識(shí)管理的動(dòng)態(tài)本體[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2016, 28(11): 1957-1964.

ZHOU Jianhui, LIU Jihong, YANG Haicheng. Dynamic Ontology for Engineering Knowledge Management of Complex Product Research & Development[J]. Journal of Computer-Aided Design& Computer Graphics, 2016, 28(11): 1957-1964.

[9] SMIRNOV A, LEVASHOVA T, SHILOV N. Patterns for context-based knowledge fusion in decision support systems[J]. Information Fusion, 2015(21) : 114-129.

[10] 周芳，王鵬波，韓立巖. 多源知識(shí)融合處理算法[J].北京航空航天大學(xué)學(xué)報(bào), 2013, 39(1): 109-114.

ZHOU Fang,WANG Pengbo,HAN Liyan. Multi-source knowledge fusion algorithm[J].Journal of Beijing University of Aeronautics and Astronautics, 2013, 39(1): 109-114.