基于專利SAO 鏈的技術預見方法研究
——以工業機器人領域為例

賴朝安，侯延行，文雄輝

（華南理工大學工商管理學院，廣東廣州 510640）

1 研究背景

當今，國家的發展越來越依賴于技術的創新，分析預測戰略性新興產業發展的軌跡，尋找最具發展潛力的技術領域，已經成為各國政府及企業關注的核心問題。科學地對技術進行預見分析可有效解決這一問題，技術預見的范圍包括系統地研究未來科技的發展及其與經濟、社會發展的關系，并基于此識別出具有高價值的研究領域，找出潛在的技術機遇，并提前做好準備和規劃［1］。

技術預見方法在很大程度上決定著技術預見結果的可靠性和目標實現的可行性，當前主要的技術預見方法可以歸納為定性分析和定量分析兩種。其中，定性方法以專家經驗為基礎，主要有德爾菲法、頭腦風暴法、專家咨詢法、同行評議法、情景分析法等。定性分析方法在國內外的多次技術預見活動中被使用［2-3］，但該方法過度依賴專家的知識和經驗，具有很強的主觀性，導致預見結果的可靠性不高［4］。基于定量分析的方法主要有基于引文的文獻計量法，基于趨勢分析法、生長曲線法、層次分析法的數學建模以及專利分析。其中文獻計量法以文獻整體作為研究對象，忽略掉了技術細節的更新迭代，且存在一定的時滯性，模型分析法由于依賴數學研究，往往只能挖掘出宏觀層面的規律，兩者對于企業的研發方向難以起到具體的指導作用。專利中囊括了全世界90%～95%的最新科技信息，基于專利的分析是當下開展技術預見研究的重要方法，該方法目前有基于專利數據的統計分析和基于專利文本的價值挖掘兩大方向［5］，前者本質屬于文獻計量學的研究領域，存在傳統文獻計量學研究顆粒度較粗的弊端，而后者則屬于新興的數據挖掘領域，可以對文本展開多維度的分析以獲取深層次的信息，隨著各項技術分支的不斷細化和深入，針對專利文本挖掘的研究受到越來越多的重視。專利的文本特征表示是挖掘分析的基礎，關鍵詞（keywordbased analysis，KWA）和SAO（Subject -Action -Object）是常用的表示元素［6-7］。關鍵詞分析法是將專利文本作為一個詞袋來處理，由于關鍵詞通常是名詞或名詞詞組，使得詞與詞之間的關聯關系無法得到體現，使用SAO 的方法可以將專利文本以主語-謂語-賓語的結構表示，能夠融入更多的語義信息，但是本質上利用的還是碎片化信息，忽略了專利所承載技術的層次性和整體結構［8-11］。因此，本文在已有SAO 方法的基礎上考慮了SAO 之間的關聯性，將專利文本的技術內容和技術層次融合，以SAO 鏈的形式表達，并以此作為分析的出發點，結合社會網絡學及TRIZ 相關理論展開技術預見研究。

圖1 基于SAO 鏈的技術預見方法框架

2 方法框架及SAO 鏈的構建規則

本文的分析框架如圖1 所示，首先通過專利平臺檢索下載專利，構建相關領域的專利庫，接著借助自然語言處理理論提取SAO 結構并存儲，然后通過SAO 連接規則將離散的SAO 連接成鏈并基于此計算專利技術方案的相似性，接著綜合專利的IPC 相似度后獲得專利的總相似度，最后結合社會網絡學的理論產出可視化圖譜，并將圖譜中蘊含的信息歸納整理，生成技術路徑圖、技術預見等結論。

其中，對于專利文本的表達模型是該方法的核心部分，主要涉及SAO 結構的提取和連接。SAO 理論發展多年，已經形成Knowledgist、AlchemyAPI、和Stanford Parser 等多款自然語言處理工具，可以快速地抽取文本中的SAO 結構。而對于SAO 關聯分析的研究近些年剛剛興起，目前仍處于起步階段，就已有研究來看都是針對小樣本通過人工閱讀的方法搭建SAO 鏈，在處理大量數據時效率較低［12-14］。基于此本文針對SAO 鏈做了系統的研究，提出系列規則以實現鏈條的自動搭建，并首次將專利文本以SAO 鏈進行特征表示，從技術方案的層次和內容兩個角度計算相似度，使專利相似度的衡量方法更加合理，保證了技術預見方法的有效性。

2.1 SAO 的語義分類

SAO 語義分析有助于理解技術系統的結構及功能［15］，根據所包含的語義信息特征對SAO 結構進行分類是進行深層次文本分析的基礎。本文通過研究S、A、O 三個部分的結構特征將SAO 結構分為主題T、方案S、功能F 和效果E 四類，如表1 所示。其中，T 類SAO 結構是專利文本對要保護的發明特征最直接簡明的表述，一般使用一種特殊的表達形式出現在摘要的首句，本文研究的SAO 鏈全部以該類作為開端；方案S 類SAO 結構是對專利所陳述的技術主題的拓展性描述，主要包括對新技術元素的結構性描述或過程描述；功能F 類SAO 結構表示的是產品/部件/材料/技術要素間的功能性關系，方案S 和功能F 描述是專利文本摘要部分的主體內容，這兩類SAO 結構通常成對出現，因為闡明一種創新活動產生的技術元素時，首先需要說明這是什么（方案S），另外還需要表明這樣安排的用處（功能F）；效果E 類SAO 結構表示的是發展創新活動的最終目的，是需要增加或減少的技術屬性。

表1 SAO 語義分類表

2.2 SAO 鏈的識別和構建

圖2 三種基本的SAO 鏈式結構類型

專利文本可以看作是多個SAO 結構的集合體，兩個SAO 首先連接成上圖所示的三類基本鏈式結構，然后多個鏈式結構再按照同樣的規則連接，最終形成錯綜復雜的二維網狀結構。為了降低無關SAO 噪音對結果的影響，本文構建的SAO 鏈僅使用包含專利核心內容的SAO 結構，即主題T、方案S 和功能F 類SAO。構建SAO 鏈需要分析兩條SAO 結構相似時的層次關系，具技術形態結構研究［14］指出S/S，O/O，S/O 之間相似時可以根據A 的特征確定S 和O之間的層次關系，A 的類別分為包含和包含于兩種。本文提出的SAO 鏈涉及“S/S”“O/O”“S/O”3 種連接形式，同時A 類型組合共有“A1 包含/A2 包含”“A1 包含/A2 包含于”“A1 包含于/A2 包含”“A1包含于/A2 包含于”4 種，則每一個SAO 結構的S和O 之間共存在12 種可能的層次關系。為了減少關系類別以降低復雜度，本文通過修正SAO 結構將被動關系轉換成主動關系，即將表示“包含于”的S 類SAO 結構轉化為表示“包含”的S 類SAO 結構。在研究過程中發現，S 類SAO 結構中的謂語A除了表示“包含”“包含于”這類“部分和整體”的關系，還有表示非部分和整體關系的SAO 結構，比如“control unit - connect to - online system”中的S和O 表示的是一種在層級上平等的空間關系，此類SAO 在鏈條上搜尋到相似的SAO 結構時，如果是形成S/S，O/O 結構，應歸入與之相似的SAO 結構的同級層次中；如果是形成S/O 這類基本的鏈式結構，則代表兩個SAO 結構之間存在某種邏輯關系，則歸入鏈上與之相似的SAO 結構的下級層次中。最終的規則見表2，每一種基本的鏈式結構代表一種層級關系，構建時按照類型1、類型2 和類型3 的順序識別SAO 的層級，然后借鑒詞匯鏈［16-17］的構建思路連接成為SAO 鏈。

表2 SAO 鏈中層級關系識別規則

表2（續）

表3 專利US8761987 文本信息表

為了方便后續的計算，本文在構建SAO 鏈的過程中為SAO 賦予身份標志信息，表示為（）（u ,）：

（1）u 表示當前鏈式結構最新一層中正在搜索鏈接對象的SAO 的編號；

（2）v 表示當前通過相似度計算新加入鏈式結構中的SAO 的編號；

（3）x 表示當前新加入鏈式結構中的SAO 被劃入的層級數；

（4）y 表示當前新加入鏈式結構中的SAO 所屬的語義類型；

以表3 專利為例抽取SAO 結構并繪制SAO 鏈，如圖3 所示，圖中的箭頭代表T 類SAO 結構，實線連接代表S 類SAO 結構，虛線連接代表F 類SAO 結構，身份標識信息前的序號為識別次序。

圖3 專利US8761987 的SAO 鏈式結構

2.3 SAO 鏈的相似度計算

將專利文本以SAO 鏈進行特征表示后，可以綜合技術鏈的內容和層次兩個角度進行專利文本相似度計算。其中，內容部分的相似度依據傳統SAO 相似度的計算方法，即比較兩個文檔SAO 中相似的詞匯個數，然后基于此衡量文本的總相似度。層級相似度本文使用變量μ 表示，處于i 和j 層的兩個SAO 的層級相似度計算如式（1）所示：

較只考慮SAO 內容的傳統相似度計算方法，考慮鏈條層級可以有效利用技術的結構信息，提高準確度。例如同樣內容的SAO 結構“servo motor - drive - manipulator”，出現在第一層表示一篇專利要描述的是關于“servo motor”如何驅動“manipulator”的創新方案，而在最后一層往往僅表示該專利使用到了“servo motor”來驅動“manipulator”，只是對已有技術元素的應用而已，兩者的技術內涵在本質上是不同的，使用μ可以衡量出此差異性。

3 實證研究

工業機器人是智能制造裝備產業的重要分支，可以衡量出一個國家科技創新及高端制造業發展的水平，是制造轉型的核心產業，也是國家戰略產業之一。選取此領域進行技術預見分析，可以指引相關企業針對關鍵技術和潛在機遇戰略性地側重研發，對于實現我國“制造強國”的目標具有重大意義。

3.1 數據獲取

本文通過Innography 專利分析平臺檢索并下載 專 利，檢 索 式 為：@(title ，abstract， claims， body) (( “industr* robot*”～1)or( “industr* manipulat*”～1)) @(title ，abstract， claims) ( “robot*”or “manipulat*”) @* (inno_utility_patent) @* (inno_patent_grant)，檢索日期為2019 年2 月20 日，同族專利去重檢索出17 811 條專利，剔除專利強度為1 的低質量專利后剩余5 018 條，清洗摘要缺失的專利后，最終得到5 002 條專利數據作為后續分析的語料庫。

3.2 SAO 鏈的構建及專利相似度計算

獲取專利后，本文使用JAVA 編程語言調用Stanford Parser 自然語言工具提取SAO 結構，初步得到45 028 條有效的SAO 結構。依據表1 的分類規則對SAO 進行清洗及分類，最終共得到5 002 條T 類SAO，25 644 條方案S 類SAO，14 027 條功能F 類SAO 以及5 357 條效果E 類SAO。然后依據表2 的識別規則進行SAO 鏈的構建，鏈式結構的輸出結果是一張身份標簽信息表，代表的是每一個SAO 結構在整個鏈式結構中的層次信息，如表4 所示。從表中可以看出專利c1 共有12 條SAO 結構，構建的鏈式結構共有5 層。

表4 鏈式結構結果輸出表（部分）

將專利鏈式結構的層次信息結合SAO 詞匯信息可計算出專利SAO 鏈的相似度。首先依據式（1）進行層次相似度計算，然后使用java 的開源項目JWS，基于2.1 版本的WordNet 詞典結合層次相似度計算出文本相似度。

IPC 分類號能反映專利的應用領域信息，屬于同一應用領域的專利擁有相同的編號，反應了專利宏觀層面上的相似性。因此，本文在計算出文本相似度的基礎上，結合IPC 相似度衡量出專利的總相似度，在計算時本文賦予兩類相似度同樣的權重，其中IPC 相似度通過依次對比兩個專利IPC 的部、大類、小類、大組和小組等信息求得，最終獲得5 002 ×5 002 的相似性矩陣，專利網絡圖和地圖的繪制將基于此矩陣進行。

3.3 基于專利網絡的分析

專利申請的年分布如圖4 所示，由于專利從申請到最后的授權公布一般需要18 個月，所以2018年和2019 年的專利數據未體現在圖中。

圖4 工業機器人專利的年申請量趨勢圖

根據數量變化特征本文將工業機器人技術發展歷程分為三個階段：（1）嬰兒期的概念提出階段（1954—1987 年）。20 世紀30 年代，開始出現機器人這個概念。1954 年美國人喬治德沃爾申請了全球第一份工業機器人專利，提供了一種可編程關節式轉移物料裝置，該階段屬于技術的萌芽期，市場規模較小。20 世紀70 年代后期，許多歐美日公司開始了工業機器人專利全球布局。（2）嬰兒期的熱潮消退階段（1987—2005 年）。該階段發明專利的數量呈逐年下降的趨勢，熱潮消退的原因主要有缺乏統一的行業標準，跨行業合作壁壘未打破和重要生產工藝技術形成專利壟斷導致技術受限，產品價值與大眾需求存在錯位等。（3）成長期的快速發展階段（2006 至今）。進入這一階段的標志及動力是相關人工智能、機器學習等技術有所突破及各國對工業機器人產業發展的政策支持力度紛紛加大。比如在“工業轉型升級規劃（2011—2015 年）”中，我國政府明確了智能制造裝備的發展方向，包括加快發展焊接、搬運、裝配等工業機器人。

使用 Ucinet 分析工具，對三個時期的工業機器人專利數據分別繪制專利網絡。通過計算各階段各節點在專利網絡中的中心度來識別各個階段的核心專利，某節點的中心度即指與該專利相連的其他專利的數量，數量越多表示該節點的重要性越高，其在圖中呈現的形狀也就越大。

圖5 生命周期不同階段的工業機器人技術專利網絡圖

通過對上圖專利網絡中核心專利的分析，結合 TRIZ 進化理論得出工業機器人技術的發展路徑如圖6 所示。

圖6 工業機器人技術發展路徑

在傳感技術方面，體現了提高自動化和智能化程度的進化法則。傳感器的類別從最初的力、距離、等傳感器發展到光電傳感器、視覺單元等多類別的傳感器。隨著傳感器類別不斷豐富，工業機器人所具有的感知能力也越來越接近甚至超過人類的感知系統，機器視覺技術是其中最突出的感知技術。當前的發展趨勢是多傳感器融合形成工業機器人智能感知系統，其研究熱點在于有效可行的多傳感器融合算法，將多傳感器獲取的內部及外部環境信息進行有效的整合并加以應用。隨著智能感知技術的進一步發展，傳感技術的發展將結合增加集成度再進行簡化的法則，多傳感器融合增加了感知系統的復雜性，這時就需要通過組合具有相近功能的傳感單元進行部分簡化，或通過應用自然現象或“智能”物替代原來的傳感系統進行整體簡化。

在網絡通訊技術方面，體現了動態性和可控性進化法則、提高理想度法則和向微觀級及場的應用進化法則。早期的電纜通訊、光纖通訊等有線通信方式逐漸發展成無線通信方式，在此過程中又細分出遠場通信和近場通訊，后者主要包括WIFI、Bluetooth、RFID、Zigbee 等。從有線通信到無線通信這一過程，無形的場代替了有形的電線，通信的范圍不再受限于線路布局，通信效率和通信質量得到了極大的提升。同時通訊網絡覆蓋面在不斷地擴大，越來越多的對象能夠實現互聯互通，系統的可控性得到有效增加。網絡化依然是未來的主流趨勢，處理越來越多的數據量需要對信息傳輸、儲存方式進行優化，往云端遷移會成為主流的解決方案。

在控制技術方面，體現了增加集成度再進行簡化法則、動態性和可控進化法則、提高理想度法則、減少人工介入進化法則、子系統協調性進化法則。控制技術的發展脈絡大致可分為程序控制階段，適應性控制階段和當前的智能控制階段，在此過程中控制系統的整體結構也經歷了集中式、主從式和分布式三個階段。在早期的程序控制階段，主要以示教再現控制技術為主，隨著傳感器的使用和內外部感知系統的不斷豐富，以伺服控制為代表的具有反饋功能的適應性控制方式得以實現，在這一過程中逐漸發展出柔性控制、安全控制、同步控制、遠程控制等多使用場景的控制技術，現階段以模糊控制、最優控制、神經網絡控制等為代表的智能控制是發展機器人技術的終極目標之一，這將會是未來很長一段時間的重點研究方向。

在工業機器人作業模式方面，體現了減少人工介入進化法則，動態性和可控性進化法則。早期單個的工業機械手需要人工示教和協助完成工藝流程，隨著技術的發展，衍生出協作多機器人系統和工作站作業模式，機器人之間能夠通過協作獨立地完成一系列工序。自動化生產線則是能夠自動完成完整工藝流程的機器群，柔性制造系統在自動化生產線的基礎上實現了混合生產的功能，增加了系統的靈活性和適應性，再到發展到現在以智能倉儲和智慧工廠為代表的智能作業模式。而在現階段，由于智能化水平的限制，智能作業模式的實現還無法完全依賴工業機器人，一些高智能的行為還需要人的輔助，所以人機協作的工作模式依然存在。根據動態性和可控性進化法則以及小批量定制生產模式的發展趨勢，對非專用系統的完全集成方法的探索和實現將會是重點研究方向之一。

在編程技術方面，體現了減少人工介入的進化法則，提高理想度法則。傳統在線示教編程技術通常由操作人員通過示教盒控制機械手進行操作，后來逐漸被離線編程和半自動化編程技術所取代，現階段基于感知系統的自主編程技術則實現了不需要人參與的自主編程功能，控制器根據傳感器反饋信息自動完成軌跡規劃，并生成計算機執行程序，自主編程技術是未來的主流編程技術，也是實現智能化的關鍵技術。今后的發展中，自主編程技術會重點關注如何高效地將感知系統反饋過來的多種信息自動轉換成可執行的控制程序。

在交互技術方面，交互設備的發展體現了提高理想度法則和增加集成度再進行簡化法則，從早期的示教盒、普通顯示屏到現在的智能終端，交互設備從原來的系統中分離出來，既簡化了原來的工業機器人系統，又能夠實現更人性化的交互場景。在今后的發展中，人機交互將進一步朝著智能、便捷、易于操作和理解的用戶友好型方向發展，比如進一步發展通過手勢、語言和表情來控制機器人的智能交互技術，此外基于虛擬現實、增強現實技術的遠程臨場交互將成為重要的研究方向。

在形態結構方面，體現了向微觀系統進化法則和提高理想度法則。在形態結構的變化上一個明顯的趨勢是在滿足作業要求的前提下，工業機器人的尺寸越來越小，結構越來越緊湊。由于在眾多領域都有著巨大的應用空間，微型機器人將繼續朝著超微型機器人方向發展，在超微型化的過程中，核心零部件微控制器、微驅動器、微傳感器技術系統的不均衡進化問題是研究的重點。

在移動技術方面，體現了動態性和可控性進化法則。從剛開始導軌移動發展到現在的工業用無人機，工業機器人的可移動性越來越強，隨著可移動的范圍越來越大，可移動的路徑選擇越來越多，設備的能耗可能會逐漸提高，移動效率可能會逐漸降低，而設備與設備之間的安全性也會顯得更為重要，發展碰撞檢測、免碰撞路徑規劃、最優化路徑規劃等智能技術將會是解決上述問題的關鍵，也是未來的研究重點。

3.4 基于專利地圖的分析

使用Ucinet工具采用多維尺度法繪制專利地圖，如圖7 所示，通過專利地圖上的技術空位挖掘潛在的技術機遇，本文共識別出5 個有價值的技術空位，基于對空位附近SAO 鏈及文本的分析可以得出以下技術趨勢與機遇。

圖7 工業機器人領域專利地圖及相關SAO 鏈

（1）共融工業機器人系統。空位1 專利主要涉及到協作機器人相關技術，包括人機協作、機器人之間的協作以及機器人與環境的信息交互。未來的工業機器人將朝著協作機器人的方向發展，能夠與作業環境、操作者和其他機器人之間自然互動，實現人和機器之間、機器與機器之間的協同智能操作，發展人機協作型工業機器人將會是發展機群協同智能型機器人的過渡階段，能夠以較低的成本彌補當前工業機器人智能化水平的不足。協作機器人最核心的兩個問題是安全性和可控性，在安全性方面已經實現了安全級監控停止、碰撞檢測等安全控制，未來基于虛擬現實和遠程操作技術將人和機器進行物理隔離以提高安全性將會是一個主要的發展方向。協作機器人通常集成了機器視覺，并具有六軸以上的自由度，因此控制技術將成為難點，多臺協作機器人的聯合操控對控制系統與算法的要求將不斷提高，這將是發展協作型機器人要解決的問題之一。

（2）硬件模塊化、可重構、微型化。空位2 專利主要涉及到模塊化機器人、可重構機器人以及微型部件等領域的相關技術。模塊化的機器人具有通用性和任務適應能力強兩個優點，而且能夠有效地降低成本。模塊化機器人的升級版是可重構機器人，可重構機器人能夠根據具體的任務及工作環境，快速對自身的結構進行調整，從而適用于多種多樣的工作環境。可重構機器人使得小批量定制化的生產模式成為可能，特別是對中小企業有著巨大的吸引力。工業機器人硬件還有一個顯著的特點就是朝著微型化方向發展，隨著電子產品越來越輕薄小巧，對微型機器人的需求也會是一種必然趨勢。

（3）軟件專用化與通用化。空位3 的專利描述的是工業機器人的軟件技術，機器人智力主要體現在軟件上，未來工業機器人相關軟件將朝著專用化和通用化兩個方向發展。專用化方面是指與工藝相關的軟件開發，比如點焊接機器人、弧焊機器人從本質上來說就是分別適用于點焊和弧焊工藝的軟件產品；通用化方面指的是通用軟件平臺的開發和實現，目前不同的工業機器人廠商使用的系統及語言各有區別，既限制了工業機器人應用范圍又增加了其應用成本，需要通用平臺來解決上述問題。未來通用軟件平臺和專用工藝軟件的發展將極大地降低工業機器人的研發門檻，在這樣的大背景下，小企業甚至個人都有可能參與到工業機器人相關軟件的開發中。

（4）智能感知與智能學習。空位4 的大部分專利提供了與智能感知和智能學習相關的技術方案。機器人的控制和感知系統是核心技術，發展并利用包括臨場感技術、虛擬現實技術、放聲技術和多傳感器融合等技術讓工業機器人建立自主判斷能力，在不同的環境中自適應工作，是工業機器人發展的主流模式。隨著智能工業機器人和工業大數據的發展，未來必將持續提升工業機器人的環境感知能力，增強機器的視覺和預判斷能力。隨著人工智能的發展，工業機器人將能夠通過試錯學習、經驗分享學習、類比及事例學習等多種方式進行自主學習，成為真正的生產體系主體。未來開發時可綜合運用遺傳算法、遠程監控最優化路徑規劃等技術，包括參數自整定、抑震算法、轉矩波動補償等控制算法，以增強機器人的自學習能力和智能水平。

（5）云服務工業機器人。空位5 的相關專利都涉及云端與工業機器人融合的技術。隨著工業機器人的數據獲取、存儲和處理越來越多地往云端遷移，未來將進入云服務工業機器人時代。云服務工業機器人是云計算和工業機器人的結合，工業機器人不需要存儲全部的信息，也不需要具備計算能力，只需要對云端提出需求，云端進行相應響應并滿足，這種信息存取方式能夠實現資源共享，減輕工業現場的數據存儲和處理負擔，而且云端大數據存儲與處理系統還能夠幫助工業機器人相互學習和知識共享。云服務工業機器人的完全實現，還依賴于遠程網絡通訊技術和信息安全技術的發展，特別是云端的安全性和云服務的穩定性，這也是未來的一個重要技術發展方向。

4 結論

在科技迅猛發展的時代中，對技術作出正確的預見可以幫助政府和企業針對性地進行戰略部署，提高自身競爭力。專利中蘊含了大量的技術資料，以專利為中心構建合理的分析方法可以迅速獲取技術情報，把握技術的發展路徑及未來的趨勢。本文在基于SAO 的傳統專利挖掘方法上作出改進，賦予了各個SAO 層級信息，以提高專利相似度計算的準確性。然后將該方法應用到技術預見方法體系中，結合工業機器人領域進行了實證分析，獲取到工業機器人在作業模式、控制、編程、傳感、通訊、交互、移動和形態結構等8 個領域上的技術路徑圖，同時結合生成的專利地圖和相關的SAO 鏈識別出了工業機器人未來的5 個發展機遇，為工業機器人相關企業的發展規劃和政府人員的政策制定提供了方向，同時也為其他領域的研究人員提供了可參考的研究思路。