基于知识融合的汽车覆盖件模具设计方法研究

文家富，郭 伟,2

(1.天津大学 机械工程学院，天津 300072；2．天津大学 装备设计与制造技术天津市重点实验室，天津 300072)

0 引 言

汽车覆盖件模具尺寸大、结构复杂、精度要求高，涉及企业需求、设计理论、标准件和非标件的选择以及设备参数等多方面的问题，因此，汽车覆盖件是一种典型的知识密集型产品。对应设计知识的多源性、复杂性和分散性导致了设计知识重用效率难以提高。面向定制化设计需求，设计人员往往要花费大量时间搜集整合各类设计知识，随着设计经验以及设计标准的快速更新，设计知识融合不足造成的设计缺陷、精度不达标和设计周期长等问题，严重制约着我国模具设计企业的快速发展。因此，如何对分散、异构的设计知识进行组织并融合到动态的设计过程中是提升复杂产品设计效率的关键问题。

针对上述问题，国内外学者进行了积极探索，并取得了一定进展。苏海等[1]采用多视图方式构建了设计知识地图，防止了知识孤岛的产生；石美红等[2]针对信息泛滥和知识迷航问题，建立了一种基于工作流引擎和知识流引擎的知识主动推送机制；李海生等[3]利用知识元之间的关联矩阵实现了对设计知识的有序组织；敬石开，刘继红等[4]采用文档实例映射方法实现了不同类型知识地图的集成。徐赐军等[5]提出了一种基于本体的知识融合框架模型；Eric等[6]提出了一种处理非结构化信息的算法。但目前的知识管理研究主要是对静态知识的组织和查找，面向复杂产品的设计过程，研究知识的动态组织和知识自动融合问题的文献较少。且当前研究未考虑知识之间的关联性，导致设计过程中，知识查准、查全的效率低。

本文针对知识密集型产品设计知识分散、异构和融合效率不高的问题，面向模具产品设计过程建立了设计知识需求模型，以知识元为建模单位对设计知识进行统一表示，采用本体理论对分散的知识元进行组织，采用知识融合算法，实现设计知识元的自动拼装，提高设计知识层次。最后针对模具产品设计过程，验证了所用知识融合方法的有效性。

1 需求建模及知识的组织

设计流程和设计任务与合适的设计知识融合才能为设计人员的决策提供支撑作用，知识融合是将来自不同渠道、不同表示类型的多源知识根据约定的规则进行比较、合并以及协调的融合过程，从而提高知识的层次、内涵和可重用性，帮助设计者提高决策水平，使异构知识能更好地服务于产品设计[7]。知识融合的主要步骤包括：①知识需求模型的建立；②知识元的表示和组织；③知识融合运算；④知识的评价更新。知识融合需要根据设计任务类型、知识融合需求和融合环境，采用合适的融合算法实现各类设计知识的融合。

1.1 知识需求模型的建立

产品设计知识的融合必须考虑设计任务类型、设计流程和设计者的真实需求，才能有效提高产品设计效率，因此，需要对知识需求进行定义。

定义1知识需求模型(design require model，DRM)可以表示为一个三元组

DRM=(DTK,DPR,PR)

(1)

(1)式中：DTK(design task)表示根据设计任务的类型差异所定义的知识需求集合，DTK={dtki,i=1,2,…,|DTK|}；DPR(design process)表示根据设计实践经验，针对设计流程的节点所定义的知识需求，使设计人员不仅明确设计任务，还对知识的整体应用场景有所了解，DPR={dpri,i=1,2,…,|DPR|}；PR(person requisition)表示根据人员的认知推理能力所定义的知识需求，是从知识使用者的角度对知识需求进行限定，PR={pri,i=1,2,…,|PR|}。知识融合的过程就是根据需求模型中的变量逐次对信息进行筛选组合的过程。

1.2 知识元的表示和组织

知识元作为解决特定设计问题的知识组织单元，是知识融合的基本元素，为了降低多源知识的异构复杂度，需要对知识元进行一致性表示，消除表现形式上的差异。从而可通过知识融合方法对不同类型知识进行统一处理，使之融合成为新的知识单元。

定义2本文构建的知识元(knowledge unit,KU)通过一个三元组的变量进行描述

KU=(AK,CK,RK)

(2)

(2)式中：AK(attribute of knowledge)表示知识元的基本属性，包括知识元的创建时间、创建者、知识来源和适用阶段，用于知识元的识别，AK={aki,i=1,2,…,|AK|}；CK(content of knowledge)表示知识元的主要内容，通过标准格式进行表示CK={cki,i=1,2,…,|CK|}；RK(relationship of knowledge)用于描述与其他知识元之间的逻辑关系，RK={rki,i=1,2,…,|RK|}。

知识元之间的逻辑关系主要有①上下游关系，2个知识元之间具有顺序关系；②联合作用关系，2个知识元需要共同作用才能做出决策；③演化递进关系，比如企业新标准是旧标准的改进和优化；④互斥关系，2个知识元之间的应用场景不同，只能选其中之一，例如氮气缸和减振弹簧之间只能选择一个方案。图1为一种起吊装置的设计知识元。

定义3知识单元的构建模型可以表述为

KM=(KUi,LR,PA)

(3)

(3)式中：KU表示组成知识单元的各个知识元，KU={kui,i=1,2,…,|KU|};LR用于描述知识单元之间的逻辑关系，根据设计任务类型及设计流程对知识单元进行组织，LR={lri,i=1,2,…,|LR|}；PA表示知识单元中各个知识元的存储物理地址，用于知识元的更新和导航，PA={pai,i=1,2,…,|PA|}。

知识单元是面向某一具体的设计任务，按照设计流程及任务之间的逻辑关系，对所需知识元的完整组合封装。在模具设计过程中，涉及到的知识包括经验类知识、标准类知识和原理类知识。采用分类组织的形式对3种类型的设计知识分开管理和更新。知识元之间的组织关系通过本体语言进行描述，本体是知识的结构化表示，是领域术语的结构化表达[8]，具有良好的可扩展性和移植性，通过概念本体结构树能对知识元进行有效组织。为了实现知识元的快速检索，对知识元的关键语义概念进行提取，构建完整的概念本体结构树，形成概念与知识元之间的映射关系。模具设计理论知识部分本体结构树如图2所示，设计标准类知识和经验类知识的本体结构树在此不再赘述。

根据知识元之间的语义作用关系，一方面能有效地完成知识元的存储和管理，提供知识发现和知识更新的途径和方式；另一方面，可以根据设计者的真实需求，实现设计知识元的合理聚集，快速提高设计知识的层次和内涵，为后续的知识融合处理提供基础。

图1 起吊装置设计知识元Fig.1 Knowledge element of lifting device

图2 模具设计理论知识部分本体结构树Fig.2 Design theory ontology tree of die

2 设计知识融合模型

知识融合是从多源、异构的知识元中提取与设计任务、设计流程节点以及设计人员最相关的知识内容，并加以筛选优化组合，提高整体的设计决策效率[9]。本文提出的整体产品设计知识融合系统的框架如图3所示。

整个知识融合系统框架包含3个模块：①知识元的组织模块。通过构建设计资源库，对设计知识进行规范，表示成各个独立的知识元，并根据知识元之间的逻辑关系进行统一组织，形成各类知识元与对应本体概念之间的映射关系；②语义检索模块。根据设计人员实际需求，提取关键语义概念，通过本体语义距离计算，检索最相关知识元形成候选知识元集，降低设计知识的复杂度，形成解知识空间；③知识融合模块。面向知识元候选集，采用知识融合算法，计算融合适应度，匹配出融合适应度最高的知识单元，最后对知识单元进行评价，并对数据记录进行更新。

图3 设计知识融合框架模型Fig.3 Framework of design knowledge fusion

2.1 候选知识元集的构建

语义距离计算能够根据设计者的实际需求对应的概念关键词对整个知识库进行快速检索，构成候选知识元集，降低知识融合的维度，提高知识元的融合效率。汽车覆盖件模具设计包含的本体结构树包括：原理性知识、经验性知识和设计标准知识。典型的知识概念本体结构如图4所示。根据知识概念之间的语义距离能够根据需求描述快速找到所需知识元，形成知识元候选集。

在本体结构概念体系中，2个本体概念(Ci,Cj)的语义距离Dis(Ci,Cj)越小，则2个概念之间的语义相似度越大，二者之间的关系表示为

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

(4)

基于信息论的语义相似度，利用共享信息的多少进行衡量。信息量用来表征一个概念所包含的语义信息的多少，通过(5)式可以对概念在一段信息中出现的频次进行具体量化。对于概念本体中的概念C，其信息量可用(6)式进行定义，基于信息论的语义相似度可以表示为(7)式。

(5)

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

(6)

(7)

图4 知识概念本体结构Fig.4 Structure of knowledge concept ontology

用共同父节点的信息量计算相似度的计算精度不高。本文采用语义距离对2个概念之间的相似度进行量化，概念节点(Ci,Cj)的语义距离可表示为

(8)

(8)式中，wt(C,parent(C))表示连接边中子概念与父概念之间的权重

wt(C,parent(C))=

(9)

为了方便计算，可将连接边的权重设为相同值，则语义距离可以表示为连接边数之和，语义相似度表示为

(10)

图4中，概念E，F及其共同父节点旁边的数字表示该本体概念出现的概率，连线上的数字表示该连线的权重，两者之间的语义相似度计算为

wt(E,parent(E)=

(11)

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

1-(0.06+0.06)=0.88

(12)

根据二者之间的语义距离查找最相近的语义概念节点，概念节点对应的映射知识元组成候选知识元集，然后通过知识元融合算法，对候选解空间中的相关知识元进行融合，实现设计知识的快速有效聚集。由于语义相似度的计算是为了提供候选知识元集，对语义距离的计算区分度要求较低，因此，本文在计算语义距离时未考虑语义深度及语义概念密度。

2.2 知识融合适应度计算

多个知识元的融合可构成知识单元，是针对设计任务构建的知识元及数据的动态组合和封装，知识单元包括：原理类知识元(设计准则、设计分析理论、设计准则)、经验类知识元(产品设计案例知识)和标准类知识元(企业标准、行业标准、模型库等)。知识单元是对知识元及各类数据项的归集和整理，是针对具体的设计任务和设计流程要求，对设计知识的深度组合，能够直接支持设计决策。知识融合算法主要有贝叶斯方法、证据理论方法和模糊集理论方法[10]。

设有一类知识为候选知识元，采用贝叶斯知识融合算法，实现产品设计知识的融合运算，其中，T={Tj,j=1,2,…,N}是设计任务集，这些任务的先验概率为P(Tj),(j=1,2,…,n)对应设计任务的知识元表示为K={Ki,i=1,2,…,R}。在设计过程中，Tj的后验概率可以表示为(13)式，即在知识元的共同作用下，对应设计任务的概率表示为

(13)

(13)式中，P(k1,k2,…,kn)表示各类知识元的联合概率分布函数。假设对知识元的观察相互独立统计，则有

(14)

贝叶斯知识融合判别准则为，若

(15)

进而可以得到

P(Tj|K1,K2,…,Kn)=

(16)

根据最大概率理论，将取得最大后验概率的各类知识元融合成新的知识单元。基于知识元的使用独立性，在知识元融合计算中，需提供先验概率数据。随着知识元的不断融合，先验概率数据将会发生动态变化，可自动实现知识单元的更新和调整，保持知识单元融合的实时性。

2.3 先验概率数据获取

先验概率的计算需要根据知识元的历史记录信息进行获取。针对选定的设计任务类型Ti，在历史设计任务中，与之相关的知识元数量表示为N(Ti)；在产品设计过程中，知识元Ki被使用的次数为N(Ki)，二者的联合概率分布可以表示为

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

(17)

Max(P(Ki,Ti))对应的知识元即为该设计任务的中心知识元，随着知识元使用频次的增加，先验概率将自动演化更新，根据最大后验概率原则，单个设计知识元与设计任务共同出现的最大概率即为最佳知识融合匹配。

2.4 基于遗传算法的知识融合过程

遗传算法作为广泛使用的组合优化算法具有良好的全局自适应能力，为了实现知识元的快速优化组合，采用遗传算法实现知识元的随机搜索。选定中心知识元后，以中心知识元为核心，与候选知识元集中的其他知识元进行组合匹配，通过知识融合算法能够完成设计知识的快速融合，实现分散知识元的合理化聚集。经过知识融合计算，将最相关的知识资源组合到同一个知识单元中，满足产品设计知识的快速重用。具体实现步骤如下。

步骤1根据定义的种群数量P，随机选择P个知识单元，组成初始化种群H，共包含P个知识单元。对染色体进行编码，本文采用符号编码，字母A表示编号为1的知识元，字母B表示编号为2的知识元，以此类推，染色体的长度表示知识单元中知识元的数量。例如：由Hi=(C1,C2,C3,C4)组成的知识单元编码为ABCD，该知识单元共包含4个知识元。根据(16)式和(17)式计算对应知识单元的整体适应度值。

步骤2当整体适应度值Fitness(H)=P(Ti|k1,k2,…,kn)

交叉：从H中选择rp/2对染色体进行交叉操作，产生2个后代，并入H，对初始种群进行更新；

变异：从H中选择m%个染色体(个数取整)，对其对应的点位上的当前值进行取反操作，并对初始种群进行更新替换。

步骤3返回适应度值最高的知识单元Hs，将其作为最终的求解结果返回给交互界面。

3 实验案例及分析

本文在算法研究的基础上，采用Protégé3.5实现设计知识的概念本体构建，通过Eclipse平台完成相应的交互界面开发，以MySQL作为关联数据库对知识元进行存储管理。通过输入对应的概念关键词，进行语义距离计算，实现设计知识的检索，生成候选知识元集，进而执行融合算法，实现知识融合，形成满足设计需求的知识单元。为了验证知识融合系统的有效性，本文针对指定的产品设计任务，根据设计流程对知识元进行调整，形成完整流畅的设计顺序，实现知识的完整、准确聚集。知识融合系统界面如图5所示。

在汽车模具设计过程中，某项设计产品需求是“DZ-01车顶盖模具结构设计”，需要快速找到对应知识元组成知识单元支撑设计决策，实验系统中知识元的先验概率根据企业历史数据计算。将需求信息分解为对应的概念关键词实现语义检索，并根据结构设计流程进行知识融合。通过上述过程将最相关的知识元进行归集。同时，计算出知识元之间的融合适应度值，将适应度值最大的知识单元作为结果输出。通过语义距离检索，设定知识单元中知识元数量和适应度阈值可以获得的结果如表1所示。

根据实例中的语义概念“拉延模”“结构设计”“DZ-01车顶盖”，通过2.1节的计算方法进行语义距离计算，可求得满足要求的知识元组成候选知识元集。与设计需求最相关的知识元是“DZ-01车顶盖结构设计标准”，相似度为0.95，“DZ-05车顶盖凸模导板设计方法”与拉延模结构设计本体中需求概念的语义距离为0.83。组成的候选知识元集中，与模面设计最相关的知识元为设计标准知识元，由(17)式可根据历史数据计算得到其独立概率为0.95。根据(16)式提供的最大后验概率方法，三者之间的融合概率计算过程为

(18)

(18)式中，知识融合常数设为1。本文所用遗传算法的种群数量为20，交叉概率为0.25，变异率为0.001。为了对知识融合算法的效果进行评价，引入评价指标:查准率，查准率表征检出知识元中有效知识元与总量的比值。为了分析知识融合框架下的查准率，对基于语义查找和基于知识融合算法的2种方法的结果进行对比，实验结果如表2所示。

表1 车顶盖模具设计知识融合结果Tab.1 Design knowledge fusion result of roof cover die

表2 2种方法的检索结果Tab.2 Search results of the two methods %

通过5组实验验证知识融合的效果，检索结果的对比分析如图6所示。由图6可知，与语义查找方法相比，知识融合算法具有更高的查准率，并且查准率稳定性更优。这是因为本文提出的融合算法是面向候选知识元集中的知识元，采用贝叶斯和遗传算法进行组合、提炼，能有效去除不相关知识元，针对设计任务和设计流程节点，将最相关的知识元组装在同一个知识单元中，支持设计决策。在实际使用中，本方法能快速实现各类设计知识的重用，提高产品设计效率。

图6 检索结果的对比分析Fig.6 Comparison of the accuracy of the two methods

4 结束语

现有知识管理系统主要采用知识地图、添加索引或知识元链接对静态知识进行集成管理，对多源、异构、分散的动态知识融合效率不高，无法有效提高知识的内涵和层次。本文提出的知识融合方法能够面向设计任务及设计流程构建设计知识元，并采用概念本体结构树对设计知识元进行统一组织，通过知识融合运算方法对设计知识元进行合并处理，组建知识单元。通过软件编程，完成了知识融合原型系统，实验结果表明，本文提出的方法能显著提高知识的查准率和结果稳定性，提高设计效率。随着知识元数量的快速增加，为了进一步提高准确率，将会在后续研究中引入知识元的属性相似度计算。

参考文献：

[1] 苏海，蒋祖华，伍宏伟.面向产品开发的知识地图构建[J].上海交通大学学报, 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] 石美红，王婷，陈永当，等. 基于业务过程和知识需求的知识推送系统[J]. 计算机集成制造系统, 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，蔡强，等.基于知识元的冲压模具设计方法[J].计算机集成制造系统，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] 敬石开，刘继红，鬲玲，等. 基于文档实例映射的知识地图集成方法[J]. 计算机集成制造系统, 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] 徐赐军，李爱平，刘雪梅. 基于本体的知识融合框架[J].计算机辅助设计与图形学学报, 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,刘玉战,韩立岩.基于模糊集理论的知识融合方法研究[J].北京理工大学学报：社会科学版, 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，刘继红，杨海成. 面向复杂产品工程知识管理的动态本体[J]. 计算机辅助设计与图形学学报, 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，王鹏波，韩立岩. 多源知识融合处理算法[J].北京航空航天大学学报, 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.