基于知識的數字化產品創新設計方法

柴俊霞，劉道華

(1.北京市東城區職業大學計算機系,北京 100020；2.信陽師范學院計算機與信息技術學院,信陽 464000)

基于知識的數字化產品創新設計方法

柴俊霞1，劉道華2

(1.北京市東城區職業大學計算機系,北京 100020；2.信陽師范學院計算機與信息技術學院,信陽 464000)

在分析數字化產品創新設計的基礎上，給出基于知識的數字化產品創新設計的基本原理及創新設計實施的過程。以知識為中心，提出支持數字化產品創新設計體系，并給出創新設計體系的兩種實施方案及創新設計方案的模糊綜合評價。這種基于知識的創新體系為設計出更多的創新產品提供很好的具體設計方法。

數字化產品；創新過程；創新體系；知識表達；模糊綜合評價

0 引言

創新是設計的靈魂，形態創新設計可抽象為形態的組合分解問題。目前對形態創新設計的研究主要有基于組合原理的創新方法，其側重基于分解組合的創新模式研究，但缺少篩選導向的控制機制，也缺少基于知識的推理搜索機制[1～2]。傳統的基于知識的設計方法因存在“知識獲取瓶頸”、知識“窄臺階”效應、推理能力弱、智能水平低、系統層次少、實用性差等問題。此外，這種基于知識的設計方法在處理過程中還存在難以克服的“組合爆炸”、“推理復雜性”及“無窮遞歸”等困難[3～4]。正是因為這些明顯的局限性，使其對那些不精確、不完全、環境信息不十分清楚的非單調知識處理顯得能力不足，加之在知識獲取、知識表示等實際應用方面的局限性，使得基于知識的創新設計方法發展緩慢。產品的創新設計是一個具有復雜性及創新性的過程，其設計的本質是創造性思維的結晶，而不僅僅是計算和繪圖。因此構建多模塊涵蓋多學科領域的知識庫相當重要，在該知識庫中，各種領域的知識依照功能進行組織，創新設計者利用該知識庫就可跳出自己專業領域的狹小空間、打破專業的限制在更廣泛的領域中尋求針對某個功能的其他可用的科學及工程原理，最終搜索推理出創造問題的答案[5～6]。

基于知識的數字化產品創新設計新方法以知識模塊化推理為前提，合理構建產品設計模塊，并對合理的設計模塊采用合適的知識表示，運用合理的知識推理機制，恰當利用神經網絡的知識表示及推理的優越性和遺傳演化的優點，并采用知識評價模塊對設計出的創新產品進行模糊評價，并提煉出合理的知識來充實知識庫。這種知識的增加方法為后期設計出更多的創新產品提供了知識獲取途徑。同時各設計模塊的知識也為基于網絡的協同設計提供了寶貴知識，這一整個創新設計思想對其他復雜制造業也具有借鑒作用。

1 基于知識的創新設計原理及過程

1.1 創新設計原理

以數字化產品為實例，通過確定實例的可變參數，應用變量化創新設計方法，構建主模型（主模型由主三維模型及主圖構成），通過對主模型的構型、組合、分解、派生、選擇、交叉、變異、重用、實驗、聯想、創成、優化，建立基于主模型的創新庫，在基于創新庫的基礎上，以知識為核心，通過對知識的分類、搜索、推理和評價，最終獲得新的創新產品。

1.2 創新設計過程

創新設計是一個復雜的過程，它的設計絕不能以以往產品的變形或改裝，它必須借助于人類已有的設計知識，依據一定的知識推理出新的設計方案，然后從創新出的新方案提煉知識反饋到各知識庫中。整體創新設計過程圖如圖1。

圖1 創新設計過程圖

具體創新設計過程以下：

（1）依據數字化產品設計的原理，合理劃分設計各層次的模塊并構建對應模塊的知識庫；如機械設計大的方面劃分為:執行件模塊、傳動件模塊、結構件模塊、原動件模塊等。

（2）選擇復雜知識庫模塊的知識表達，由于機械設計自身的復雜性，設計目標的多解性及有些問題的不確定性，因此建立不同的知識表達方式及對應的推理機制來處理設計階段的不同創造是相當必要的。因此合理運用產生式規則表式法、帶可信度因子的產生式規則表示法、帶區間值的規則模糊表式法、面向對象的知識表式法、利用圖論的知識構建有向圖知識表示法及利用數據結構的樹及森林知識表示法，同時研究對應的知識表示的推理機制，在各種設計方面創造性地運用人的思維來進行設計的推理。

（3）研究基于知識數字化產品創新設計的知識獲得，能否創造性設計出創新產品是由設計庫知識的多少來決定，除充分運用人類現有的設計領域專家的知識構建知識庫外，還要充分構建自動知識的獲取機制，以便獲取更好的創新性設計方案。基于形象思維的神經網絡是目前自動知識獲取的最佳方式，因此研究運用神經網絡來表達機械設計各模塊知識，并通過已有的專家知識庫的實例作為訓練樣本來自動獲得新的創新知識。

（4）根據現有的知識庫中的知識選擇出機械設計的具體方案，和通過一般化規則的創新原理設計出的新的機械產品構型作為遺傳演化的初始群體，通過遺傳算法的選擇、交叉、變異算子產生新的創新機構。

（5）對新產生的創新結構附加各種設計約束及采用選優的知識對設計出的方案進行優化處理；因復雜系統的整體優化一般具有多目標、多約束和多混合變量的特點，維數甚至以千計，如直接進行整體優化，往往存在“維數災難”使得問題難以求解。分解協調法中無論是傳統的分解求解技術，還是普遍型分解協調規劃方法，都是將系統整體按一定的方式（如按結構層次、設計過程或性能等）分解為多個子系統（或領域），然后分別對各子系統進行求解。然而分解之后各子系統之間必然會存在相互藕合的因素，藕合因素的存在使得各子系統的求解不具有獨立性，造成最終結果很難收斂于系統整體最優解。為此創新不同的優化知識模塊通過設計專家的知識進行推理優化，從而找出最優解。

（6）運用工程分析及動態模擬仿真知識模塊對優化后的創新方案進行工程運動分析及三維動態仿真。

（7）對新創新出的優化后的設計方案借助事先建好的知識評價模塊來綜合模糊評價，從而提煉出最優的創新設計方案，并將創新設計好的方案抽象出新的知識，從而豐富整個設計過程中的相關知識模塊。

2 支持數字化工程產品創新設計體系

研究支持數字化產品創新的智能計算與創新設計體系的目的是擴展設計者的求解能力、控制和優化能力。

進化設計借鑒自然進化原理、對環境知識依賴較少，而且優良樣本的交叉、變異往往是創新的源泉，因此進化設計將是實現非常規設計的一種有效工具。本課題將以仿生學知識作指導，以多智能體及其改進技術的融合來實現創新和設計。以多智能體求解問題的收斂性、可行性、真實性、有效性等現有理論及數學基礎作保證，充分利用模擬退火算法、神經網絡、進化計算法（如遺傳算法、遺傳規劃、進化策略、進化規劃）、免疫算法、群智能模型算法（如螞蟻系統、蟻群算法、粒子群算法）、噪聲方法、變鄰域搜索、巢分區方法及其相關融合技術來解決數字化產品的創新與設計。其核心思想如圖2所示，簡稱為基于智能計算的雙路徑創新設計體系（DCDS:Doub1e-way Creative Design System based on Inte11igent Computation）。

圖2 基于智能計算的雙路徑創新設計體系（DCDS）

DCDS在數字化工程機械產品創新與設計上主要體現在以下兩個方面：

①基于特征參數的智能優化與創新（路徑1）

對依據數字化設計平臺構建的工程機械產品主模型，進行各種構型、變換、組合、交叉、變異、聯想、創成，對提取的產品特征參數附加具體的工程涵義，確定設計問題的最優化目標函數，并根據不同的求解問題，選擇合適的仿生學智能算法對參數進行優化，并對優化后的參數進行評價和檢驗，再借助數字化設計平臺生成優化后的數字化工程機械產品模型。

②基于最優化問題及多方案組合的創新設計（路徑2）

從宏觀角度上說，為了實現產品的某一功能要求，依據設計原理，通過進化規劃計算理論產生多種可行結（機）構集合，并通過綜合評價系統彰顯創新結構，從而獲得滿足設計要求而又優于常規結構的創新設計，并采用逐層過濾及合適的智能進化算法以避免多種組合結構方案產生的組合爆炸。從微觀角度上說，就是利用合適的智能算法模型求解設計的任一非線性多約束優化問題的最優解。

3 創新設計的模糊綜合評價

采用基于智能計算的雙路徑創新設計體系（DCDS）得到許多新的創新產品方案，但因一個產品的設計方案一般含有多個設計指標,這些指標之間往往是相互矛盾、相互制約的，側重于不同的目標,就會產生不同的方案。在機器方案設計中,眾多因素是不全然已知的,因而是灰色的。以遞階層次結構模型來建立產品設計方案的綜合評價指標體系。最高層次的指標是對整體性能的抽象描述,最低層次的指標是對系統基本性能各方面的描述。指標體系結構如圖3所示。

圖3 產品設計方案評價指標體系

首先建立評價指標集U={技術，經濟，實用，市場分析，生態環境}，方案集P={P1，P2，…，Pn}，方案Pi對指標Uj的指標值記為aij（i=1，2，…，n；j=1，2，3，4，5），矩陣A=（aij）n×5表示方案P集對指標集U的屬性矩陣。

通常指標有效益型、成本型、定目標型和區間型4種類型。效益型指標是指屬性值越大越好的指標；成本型指標是指屬性值越小越好的指標；定目標型指標是指屬性值越接近某固定值越好的指標；區間型指標是指屬性值以落在某個固定區間為最佳的指標。依據對本評價體系中的指標的分析，可以知道經濟、生態環境屬于成本型指標，而技術、市場分析、實用屬于效益型指標。

不同的評價指標使用的量綱和單位是不一致的。為了保證評價的公正性，應將評價指標無量綱化，即作規范化處理。對不同類型的指標采用不同的規范化方法。

然后，分別計算屬性矩陣B中元素b1（j），b2（j），…，bn（j）（j=1，2，3，4，5）與最優參考數據列和最劣參考數據列的關聯系數ξ+和ξ-，計算公式如下:

其中bb（j）為最優參考數據列的元素，bw（j）為最差參考數據列的元素，ξ為分辨系數，取值在0到1之間，一般取0.5。則各決策方案與最優參考數據列和最差參考數據列的關聯度分別為：

γ+越大，表示決策方案與最優方案的關聯度越大，方案越佳；反之，γ-越大，表示決策方案與最劣方案的關聯度越大，方案越差。但是，根據灰色關聯分析的性質，如果某個方案與最優方案的關聯度最大，其與最劣方案的關聯度不一定最小。因此，不一定γ+最大，方案最好。為此，構造評價函數fi=ψ（γ+，γ-）。為簡單起見，采用線性評價函數fi=ω·γ++（ω-1）γ-，fi越大，表示方案越好。

4 結語

知識是數字化產品創新設計的核心，以知識為中心，給出了創新設計的基本原理及基本過程，提出了基于智能計算的雙路徑創新設計體系（DCDS），并給出了雙路徑創新設計具體實施的可操作路徑。該創新設計方法可操作性強，該方法能指導其他設計制造業獲得更多更好的創新產品。

[1] YE Xiu-zi，LIU Hong-zheng，CHEN Lei，et a1.Reverse Innovative Design-an Integrated Product Design Methodo1ogy[J].Computer-Aided Design，2008，40（7）:812～827

[2] WEN Hui-I，ZHANG Shu-jun，Kevin Hapeshi，et a1.An Innovative Methodo1ogy of Product Design from Nature[J].Journa1 of Bionic Engineering，2008，5（1）:75～84

[3] Ro1f Isermann.Mechatronic Systems-Innovative Products with Embedded Contro1[J].Contro1 Engineering Practice，2008，16（1）:14～29

[4] 連方圓，白靜.一種改進的基于神經網絡的WSN數據融合算法[J].計算機測量與控制，2014，22（2）：476～479

[5] 劉波，董小瑞，潘翠麗，等.面向局部特征優化的參數化設計方法[J].制造業自動化，2014，36（7）：131～135

[6] Liu Dao-hua，Yuan Si-cong，Zhang Xiao-1ong，et a1.Research on Know1edge's Acquisition Method about the IF/THEN Ru1es Based on Rough Set Theory[J].Journa1 of Systems Engineering and E1ectronics，2008，19（3）：628～634

Innovative Design Method for Digital Products Based on Knowledge

CHAI Jun-xia1，LIU Dao-hua2
(1.Schoo1 of Computer,Beijing Dongcheng District Vocationa1 University,Beijing 100020；2.Schoo1 of Computer and Information Techno1ogy,Xinyang Norma1 University,Xinyang 464000）

On the basis of ana1yzing innovative designs for digita1 products，proposes the basic princip1e and the imp1ementing process of designing digita1 products based on know1edge inc1uding the imp1ementing of key techno1ogies.Proves to support the innovative design system for digita1 products based on know1edge and puts forward two imp1ementing p1ans as we11 as fuzzy integrated eva1uation for innovative design system.This innovative design system based on know1edge provides a wonderfu1 specific method for designing more innovative products.

Digita1 Products;Innovative Process;Innovative Design System;Know1edge Expression;Fuzzy Integrated Eva1uation

1007-1423（2015）05-0029-05

10.3969/j.issn.1007-1423.2015.05.006

柴俊霞（1978-），女，山西運城人，碩士，講師，研究方向為神經網絡及其應用

劉道華（1974-），男，河南信陽人，博士，教授，研究方向為智能算法

2014-12-09

2015-01-15

河南省基礎與前沿計劃研究項目（No.142300410393）、河南省教育廳科學技術研究資助項目（No.14A520001）