基于知識融合技術的產品設計知識模型研究

摘 要:為解決機械產品設計中知識融合的問題，建立了一種基于本體的產品設計知識模型。基于此，提出了一種基于模糊證據理論的融合推理方法，這種方法將模糊集引入證據識別空間中，利用證據合成與決策規則得出知識融合的結果，這種方法彌補了本體建模時的不足并解決了不確定性知識的推理。最后，將該知識模型應用于制造行業產品設計中，幫助制造企業縮短產品設計周期和提高開發質量，同時也有利于產品設計知識的共享和重用。

關鍵詞:知識融合; 本體建模; 模糊證據理論; 設計知識模型

中圖分類號:TP391文獻標志碼:A

文章編號:1001-3695(2009)09-3235-04

doi:10.3969/j.issn.1001-3695.2009.09.009

Research of product design knowledge model based on knowledge fusion

ZHU Yu-ping， LIU Li-lan， YU Tao

(Key Laboratory of Mechanical Automation Robotics， Shanghai University， Shanghai 200072， China)

Abstract:To solve knowledge fusion from different resources in mechanical design， proposed a product design knowledge model based on ontology model. Based on the model， used an algorithm for knowledge fusion which combined with Dempster-Shafer evidence theory and fuzzy set in fusion reasoning. It introduced the fuzzy set into the evidence identification space and used the rule of evidence combination and decision which improved the effects of evidence combination. Used the fusion algorithm to make up the lack of ontology reasoning and help solve the reasoning of uncertainty knowledge. The knowledge model is successfully applied to manufacturing product design， and as verified， it’s an effective solution to help the manufacturing enterprises shorten product design cycles and improve the product development quality. Furthermore， it’s much better for designer to share and reuse product design knowledge.

Key words:knowledge fusion; ontology modeling; fuzzy D-S evidence theory; design knowledge model

0 引言

面對快速變化的市場條件下產品不斷推陳出新、升級換代的趨勢，如何在產品設計過程中從知識管理的角度及時準確地實現對設計知識和經驗的有效積累以及準確重用，已成為制造企業進一步提高設計效率和質量、縮短產品開發周期的一個重要問題。目前，產品設計正越來越受到企業的重視，企業可以通過先進的設計技術來改善產品質量、提高產品性能、降低產品成本。同時，產品設計從經驗設計轉變為基于知識驅動的設計，產品設計應用的知識也已不再是單一的學科知識，而是交叉的多學科綜合知識。因此對于多源知識融合的研究顯得十分重要。知識融合的研究源于知識工程的提出，早期大多數學者都將其作為知識工程的一部分內容與其他相關內容共同研究。而從1995年開始知識融合逐漸成為一個獨立的研究領域，明確地以知識融合為主題的研究項目越來越多，同時在研究過程中采用和涉及到的相關計算機技術也隨之增加。自2002年以來，知識融合的研究也受到國內學者的重視和政府的資助[1，2]。國外對知識融合尚未有公認的統一定義，研究的重點不同，但對知識融合的描述的含義基本一致。從知識科學本身研究和應用對象的角度出發基本上可以歸納為兩類[1]:

a)以KRAFT項目的相關文獻為代表[3~5]，該定義認為知識融合是指從眾多分布式異構的網絡資源中搜索和抽取相關知識，并轉換為統一的知識模式，為某一領域問題求解構造有效的知識資源。

b)強調集成過程的結果是新知識的產生，認為知識融合是一種服務，它通過對來自分布式信息源的多重心信息進行轉換、集成和合并等處理，產生新的集成化知識對象，同時可以對相關的信息和知識進行管理[6，7]。如圖1所示，這種定義對應的典型系統將知識融合系統分為四個主要功能模塊，即問題分析、本體管理、知識融合和知識同步[7~10]。

本文將基于第二類知識融合的定義，提出基于本體建模的產品設計知識模型，并針對其中的知識融合算法進行詳細的闡述，從而把產品相關的各種知識資源集成起來，有利于企業內設計知識的挖掘、重用和共享，從而縮短產品開發周期，提高產品開發質量，開拓企業技術創新之路。

1 基于本體的產品設計知識模型

從產品設計過程中來看，可以把知識融合看做是對產品設計過程中所涉及到的信息進行轉換、集成和合并等處理，產生新的集成化知識，從而更有力地幫助設計人員設計產品。同時，本體很好地表達了概念的結構、概念之間的關系等領域中實體的固有特征，因此比起其他知識表示方法，本體表述的語義更明確、一致和規范[11]，也更有利于設計知識的表達、交流和共享，同時很好地解決產品設計知識的表達、檢索和重用等問題。

在本文所建立的產品設計知識模型中，產品被劃分為幾個關鍵部件的集合，因此知識模型可以用如下的知識數學模型表達，用一個包括基本屬性、功能、關聯的三元組表示:

productInfo::={basicPropertySet，technologySet，relationSet}

其中:basicPropertySet為基本屬性集，表達產品部件的基本信息，包括名稱、知識類別、版本、供應商信息等;technologySet為產品技術功能集，定義該知識的具體技術信息，包括主要參數、技術規則、推理規則、設計實例等;relationSet為產品部件關系集合，定義上下文知識之間的關聯關系，構建復合知識資源。

1.1 技術知識功能集定義

技術知識涵蓋該關鍵部件的關鍵設計信息，是實現知識共享和重用的主要部分，其技術知識覆蓋面廣、表述方式復雜、邏輯關系復雜，因此本文采用知識本體建模方法。

知識本體表示本體的定義如今在計算機領域已比較統一，但在具體的應用環境中如何進行規范化描述至今還缺乏統一的標準。目前常用的本體表示方法有四元素表示法和六元組表示法兩種[12]。借鑒本體六元組表示法的思想，本文采用如下的概念設計知識本體表示方法:

Ckn={Ck，ACk，R，AR，H，X}(1)

參考一些現有的模型和理論建立如下的約束模型[13，14]:

Ck={Fck，Tek，Stk，Ck}(2)

1)功能知識集合

產品主要部件及其子部件相關功能知識的集合，包括功能內容、主要實現參數，主要性能指標等，可以描述為

Fc={Fck1，Fck2，NA1AD，Fckn}kn={Fca1，Fca2，NA1AD，Fcai};n，i=1，2，NA1AD(3)

其中:Fckn為功能空間中某一子功能知識元素，Fcai為該功能知識中的各種屬性。這一知識集合為后續的知識推理提供證據知識。

2)推理知識集合

描述與該部件中相關的技術原理、技術規則等。這部分知識提供對后續的知識推理規則的知識支持，可以表示為

Tek={Tek1，Tek2，NA1AD，Tekn}kn={Tea1，Tea2，NA1AD，Tean};n，i=1，2，NA1AD(4)

其中:Tekn為推理空間中某一子推理知識范疇，Tean為該推理知識中的各個屬性或解等。

3)結構知識集合

描述產品的結構設計狀況，是對部件內部結構的知識細化和擴充，因此可以描述產品關鍵部分的形狀、尺寸和參數。結構知識可以描述為

Stk={Sp，Fck，Pk，Ak}Sp={x|x∈Sa∪Sps};k=1，2，NA1AD，n(5)

其中:Sp為對應的具體零部件結構關系;Fck為該結構可實現的功能;Pk是內部結構主要參數集;Ak其他結構;Sa為本層裝配體;Sps為子裝配體的零件集合。

4)部件實例知識

該部件被引用的已經成功的或失敗的設計范例，包括方案設計實例、產品結構知識實例、技術原理實例等，它包含了更多的實際因素，是類比設計和基于實例推理設計的基礎。其中每個部件實例可以表示為

Ck={Cak1，NA1AD，Cakn}，Caki={Pi，Wi}; k，i=1，2，…，n(6)

其中:Caki為一個實例，包含屬性值Pi;Wi為權重。

1.2 產品部件關聯關系定義

在本體模型中存在一些邏輯關系，但是這些邏輯關系不能完全滿足對產品各個關鍵部件關系的描述，因此，還需要定義一些特別的關聯關系，其模型如下:

relationSet::={Rsd，Rad，Rud，Rof，Ron}

其中:Rsd為支持關系，即部件A的使用，需要另一種部件B的應用作為支持，但B卻不決定A的選擇，則B對于A定義為支持關系，表示為BRsdA;Rad為聯合關系，即部件A，B使用和選擇是需要同時發生，表達為Rad (A， B) 。Rud為上下游關系，即部件A的輸入參數于另一種部件B，則B對于A定義為上游資源關系，即A Rud B。Rof為互斥關系，定義為Rof(A，B);Ron泛指本體關系集。

2 基于模糊證據理論的融合算法

知識融合方法的重要作用是把多源知識信息經推理后進行融合，為產品設計提供一個新的方法和決策工具。因此，在知識融合過程中，知識推理是極其重要的一步。在知識推理中，雖然本體本身具有推理功能，但是本體本身的復雜性降低了融合算法的效率，同時在產品設計中，尤其是概念設計中，時常會遇到不確定的知識或不完備的知識，所以無法完全使用本體來實現有效的知識融合。因此需要其他的知識融合算法來實現部分的不確定性知識的融合。

不確定性的推理方法主要有主觀Bayes推理法、證據理論、模糊邏輯推理法、神經網絡和遺傳算法等[15]。比較這幾種推理方法，主觀Bayes方法的計算公式大多是在概率論的基礎上推導出來的，具有較堅實的理論基礎，它要求領域專家在給出規則的同時，給出H的先驗概率P(H)，在實際中這是比較困難的。神經網絡雖然在知識信息集中包含大量的噪聲輸入信息時也能工作得很好，但由于缺乏解釋自身行為的能力，尤其是缺乏解釋所學內容的能力，不能保證收斂得到最理想的結果。證據理論只需要滿足比概率論更弱的公理系統，而且能處理由“不知道”所引起的不確定性，知識的結論部分可以是更一般的假設，這就便于領域專家從不同的語義層次上表達他們的知識，而不必被限制在由單元素所表示的最明顯的層次上。因此本文選擇證據理論作為不確定性知識推理的主要方法。

2.1 證據理論推理模型

證據理論首先由Dempster提出，并由Shafer進一步發展起來，因而又稱為D-S理論。1981年Barnett把該理論引入專家系統中，同年，Garvey等人用它實現了不確定性推理。證據理論是用集合表示命題的，可分別用概率分配函數、信任函數和似然函數等概念來描述和處理知識的不確定性。

1)基本可信度分配

在識別框架Θ上的BPA是一個函數m: 2Θ→[0，1]，稱為mass函數，并且滿足下列條件:

m()=0;∑AΘm(A)=1(7)

2)信任函數

在識別框架Θ上基于基本可信度分配m的信任函數定義為

AΘ，bel(A)=∑BAm(B)(8)

3)似然函數

在識別框架Θ上基于基本可信度分配m的似然函數定義為

Pl(A)=1-bel(A);AΘ，Pl(A)=∑B∩A≠m(B)(9)

表示不懷疑A的程度。Pl(A)包含了所有與A相容集合的基本可信度。

4)合成規則

D-S理論的組合規則提供了組合兩個證據的規則。設m1、m2是2Θ上的兩個相互獨立的基本概率分配的值，現在的問題是如何確定組合后的基本概率賦值m1⊕m2。bel1，bel2是同一識別框架U上的兩個信任函數，m1和m2分別是其對應本概率賦值，焦元分別為A1，A2，NA1AD，AK和B1，B2，NA1AD，BJ，又設

K=∑Aii∩Bjj=m1(Ai)×m2(Bj)<1(10)

則m(C)=∑A∩B=Cm1(A)×m2(B)/(1-K) CΘ C≠0C=(11)

若K≠1，則m確定一個基本概率賦值;若K=1，則認為m1和m2矛盾，不能對基本概率賦值進行組合。對于多個證據合，可采用此組合規則對證據進行兩兩融合。

5)判決規則

設A1，A22Θ滿足

m(A1)=max{m(Ai)，AiΘ}

m(A2)=max{m(Ai)，AiΘ，且Ai≠A1}

若有:m(A1)-m(A2)>ε1m(Θ)<ε2m(A1)>m(Θ)(12)

則A為判決結果。其中ε1和ε2是預先設定的門限值[16]。

2.2 基于模糊集的證據理論

由于證據理論要求證據必須是獨立的，在實際中不易滿足，同時計算上存在著潛在的組合爆炸問題。從當前證據理論的發展趨勢來看，將相關理論(如模糊集理論、隨機集理論、粗糙集理論[17]等)與之結合是解決相關問題的重要途徑。

在機械產品設計中，常常會遇到設計知識是模糊的問題，因此本文將模糊集與證據理論相結合，利用兩者的優點來解決此類問題。zadeh是較早將D-S證據理論推廣到模糊集的學者之一，隨后， Yager等人也以不同的方式將D-S證據理論推廣到模糊集上[18~20]。

在本文中先根據實際情況構造融合對象的模糊集合，用隸屬函計算方法來劃分明確的集合空間。可用模糊數學中常見的三角函數等常用方法來計算。

mi(Aj)=μi，Aj(x)/∑nj=1μi，Aj(x)(13)

2.3 知識融合推理過程

根據以上所述，制訂如下的融合推理過程(圖2):

a)在深入分析決策問題的基礎上，構造系統的命題集，即系統識別框架Θ={A1，A2，NA1AD，AK};

b)針對目標信息系統，構造基于識別框架的證據體Ei;

c)判決是否需要對其進行模糊化，如果構建模糊識別框架，根據式(13)，用隸屬函數構建mass函數;

d)如果無須對證據進行模糊，則可根據所收集各證據體的資料，結合識別框架中各命題集合的特點，確定出各證據體的基本可信度分配mi(Aj);

e)由基本可信度分配mi(Aj)分別計算單證據體作用下識別框架中各命題的信度區間[beli，Pli];

f)利用D-S合成規則式(11)，計算所有證據體聯合作用下的基本可信度分配m(Aj)和信度區間[bel，Pl];

g)根據具體問題構造相應的決策規則，如式(12)，但決策規則也可根據具體情況具體分析;

h)根據該決策規則得出決策結論。

3 在數控機床設計中的應用

本文使用Protégé(Beta release-version 3.0)[21，22]作為本體和知識庫的開發工具。使用OWL-DL來定義和實例化本體。Protégé的OWL插件可被用來定義類和屬性，也可以編輯類的邏輯表達式，也可以調用推理工具。由于此處篇幅有限，不給出詳細的OWL代碼。

本文提出的知識融合模塊結構如圖3所示，主要包括設計知識本體庫的構建、相關設計知識的抽取、融合算法的設計與實現、新融合知識的本體化知識描述幾個功能模塊。

首先對概念設計知識本體庫中的知識，對應實際問題進行相關知識的抽取，形成需要進行知識融合的知識基;在融合模塊中采用融合算法對知識集里的知識進行融合處理，得到需要的(新)知識對象，或形成新的知識對象;將新的知識對象按照本體描述規范描述表示后作為一個融合結果加入到原有的知識庫中，同時通過本體概念約束對原有的知識進行適當的更新處理，這樣就完成了概念設計知識本體庫內知識融合模塊知識融合的過程。

在知識融合與轉換的過程中，知識推理是極其重要的一個關鍵問題。在設計系統中，知識來源于不同的企業經驗、行業標準、設計者的經驗和一些數據庫等。在這種情況下，存在知識的不確定性，按照不同的做法結果也可能是不一樣的。因此在知識推理當中，對不確定知識的推理顯得尤為重要，基于模糊證據理論的方法可以很好地解決這一問題。

本文將面向知識融合的機械產品設計系統應用于數控磨床的概念設計中。由于機床產品設計涉及到的專業包括機械、電氣、液壓、自動化控制等，同時投入高、技術門檻高、生產經營模式多樣、生產過程復雜、工程設計任務重且難度高，運用適當的知識融合的方法建立一個適用于數控機床產品概念設計的計算機輔助系統，為機床行業知識管理系統的實施奠定基礎，促進了企業內部知識分享，也加快了產品的開發周期，增強了企業創新能力。圖4為部分應用界面，圖5為知識建模的部分界面。

4 結束語

本文為解決機械產品設計過程中多源知識的融合，提出了基于本體的產品設計知識模型，并使用基于模糊證據理論的融合算法彌補了本體推理中的不足，從而使得機械產品設計資源能夠被有效地檢索、共享和重用。設計知識涉及的知識領域眾多，表達方式復雜多變、更新快，因此還需要在下一步的工作中完善模型，使其更好地借助于本體之間的交互操作來實現融合。

參考文獻:

[1]維錦.知識融合中若干關鍵技術研究[D].杭州:浙江大學，2005.

[2]顧邦軍.網絡環境下虛擬產品設計的知識融合技術研究[D].衡陽:南華大學，2007.

[3]PREECE A D， HUI K Y， GRAY W A， et al. Designing for scalability in a fusion system [J]. Knowledge Based Systems， 2001，14(3-4): 173-179.

[4]PREECE A D， HUI K Y， GRAY W A， et al. The KRAFT architecture for knowledge fusion and transformation[J]. Knowledge Based Systems， 2000， 13(2-3): 113-120.

[5]KRAFT home page at A[EB/OL]. [2005-11-01]. http://www.csd.abdn.ac.uk/research/kraft.

[6]CRRAY A， MARTI P， PREECE A D. Towards a scalable architecture for knowledge fusion[C]//Proc of International Workshop on Infrastructure for Scalable Multi-agent Systems.London:Springer-Ver-lag， 2000:279-292.

[7]XIE Neng-fu， CAO Cun-gen， GUO Hong-yu. A knowledge fusion model for Web information [C]//Proc of IEEE/WIC/ACM International Conference on Web Intelligence. Washington DC:IEEE Computer Society， 2005:67-72.

[8]顧芳， 曹存根. 知識工程中的本體研究現狀與存在問題[J].計算機科學，2004，31(10):1-11.

[9]LAWLESS W F， GRAYSON J M. A quantum perturbation model of knowledge fusion and organizational mergers [C]//Proc of International Symposium on Agent-mediated Knowledge Management. Berlin:Springer， 2003:24-26.

[10]LAWRY J， HALL J W，BOVEY R. Fusion of expert and learnt know-ledge in a framework of fuzzy labels[J]. International Journal of Approximate Reasoning， 2004， 36(2):151-198.

[11]鄧志鴻，唐世渭，張銘，等.Ontology研究綜述[J]. 北京大學學報:自然科學版，2002，38(5):730-738.

[12]余一嬌. 語義網和語義網格中的本體研究綜述，TR-2004-02[R]. 武漢:華中師范大學， 2004.

[13]WANG Ying-lin， WANG Wei-dong， WANG Zong-jiang. Reconfigurable platform for knowledge management based on ontology[J]. Computer Integrated Manufacturing Systems， 2003，9(12):1136-1144.

[14]胡建，廖文和，徐勇，等.基于本體的概念設計知識管理系統框架研究[J]. 中國機械工程，2006，17(2):172-176.

[15]蔡自興，徐光祐.人工智能及其應用:研究生用書[M].3版.北京:清華大學出版社，2004:107-120.

[16]孔金生，李文藝.基于模糊集合的證據理論信息融合方法[J].計算機工程與應用，2008，44(20):152-155.

[17]徐從富，耿衛東，潘云鶴.面向數據融合的DS方法綜述[J].電子學報，2001，29(3):393-397.

[18]方艮海，趙韓. 模糊證據理論的推廣及其在產品可靠性評估中的應用[J].機床與液壓，2006，35(3):199-201.

[19]YAGER R. Generalized probabilities of fuzzy events from fuzzy belief structures [J]. Information Sciences， 1982， 28: 45-62.

[20]MLSHIZUKA， FU K S， YAO J T P. Inference procedures and uncertainty for the problem-reduction method [J].Information Sciences， 1982， 28:179-206.

[21]OWL Web ontology language semantics and abstract syntax[EB/OL]. (2004-02-10) http://www.w3.org/TR/owl-semantics/syntax.html.

[22]The Protégé ontology editor and knowledge acquisition system[EB/OL]. http://protege.stanford.edu.