莫振沖，宮 琳,2+，葉 帆，祝德剛，謝 劍

(1.北京理工大學(xué) 機械與車輛學(xué)院，北京 100081；2.北京理工大學(xué) 長三角研究院(嘉興)，浙江 嘉興 314011)

0 引言

隨著制造業(yè)自動化水平的提高，產(chǎn)品的更迭速度也在不斷加快，產(chǎn)品生命周期中，概念設(shè)計階段決定了70%～80%的成本、性能和質(zhì)量[1]，因而起著至關(guān)重要的作用[2]。產(chǎn)品概念設(shè)計是需求驅(qū)動的創(chuàng)造性活動，核心過程是將用戶需求轉(zhuǎn)換為產(chǎn)品功能，再由功能出發(fā)搜索結(jié)構(gòu)解，最終輸出概念方案[3]。在概念設(shè)計的模糊前端，自然語言表述的用戶需求中包含大量的產(chǎn)品性能期望型需求，導(dǎo)致產(chǎn)品概念設(shè)計在需求獲取與表征準確性、需求轉(zhuǎn)換效率和設(shè)計解搜索全面性等方面受到了嚴重挑戰(zhàn)。作為產(chǎn)品概念設(shè)計源動力，模糊前端性能期望型用戶需求的結(jié)構(gòu)化表征、補全及設(shè)計解生成問題成為了國內(nèi)外領(lǐng)域?qū)W者的研究熱點。

傳統(tǒng)的客戶需求獲取方法包括詢問觀察和問卷調(diào)查、深度訪談、營銷走訪和企業(yè)數(shù)據(jù)分析[4]等方法，相關(guān)研究中的前沿技術(shù)包括：基于改進需求模板/索引的需求獲取技術(shù)[5]，基于本體的需求表達技術(shù)[6]，借助計算機技術(shù)開發(fā)的用戶需求獲取輔助系統(tǒng)/軟件[7]，以及產(chǎn)品協(xié)同創(chuàng)新設(shè)計過程中，客戶知識的獲取、集成和管理等；數(shù)據(jù)驅(qū)動的需求獲取方法大多建立在對產(chǎn)品、市場和技術(shù)3個方面的分析技術(shù)上，主要包括分析產(chǎn)品性能等數(shù)據(jù)[8]、面向產(chǎn)品全生命周期的需求獲取[9]、基于目標市場的需求獲取[10]、基于技術(shù)預(yù)測的需求獲取[11]等。隨著客戶在產(chǎn)品設(shè)計過程中的角色越來越重要，客戶對產(chǎn)品或服務(wù)的感知成為了需求補全的重要研究對象。LEONG等[12]和RAJA等[13]揭示了產(chǎn)品性能、質(zhì)量、銷售、服務(wù)等感知要素與客戶需求之間的關(guān)系；陳振頌等[14]在經(jīng)典Markov模型中引入了廣義證據(jù)理論，充分利用了客戶需求重要度信息，對客戶需求進行了動態(tài)補全；張雷等[15]則突破了傳統(tǒng)產(chǎn)品需求的范疇，提出了基于客戶特征的產(chǎn)品環(huán)境需求補全方法；針對需求的模糊性特征，相關(guān)研究還包括基于改進的模糊集理論[16]和灰色系統(tǒng)理論[17]等方法，降低了需求的語義模糊性，并在一定程度上對客戶需求進行了補全處理。然而上述研究從研究對象的角度出發(fā)，難以深入到用戶對產(chǎn)品性能的期望層面；另一方面，上述方法大多基于傳統(tǒng)設(shè)計問題解決思維，較多過程需要人工完成，受主觀性影響較大。

隨著計算機技術(shù)的飛速發(fā)展，研究人員也提出了多種面向概念設(shè)計的需求分析與轉(zhuǎn)換方法。CHIOU等[18]提出在滿足設(shè)計約束時的需求—功能—結(jié)構(gòu)轉(zhuǎn)換映射方法；崔劍等[19]通過建立需求流動鏈信息功能模型，提出需求—功能—設(shè)計特征的轉(zhuǎn)換映射方法；部分需求轉(zhuǎn)換方法采用基于改進的質(zhì)量功能展開(Quality Functional Development, QFD)或改進的質(zhì)量屋(House of Quality, HoQ)方法等，如：李延來等[20]以及ZHANG等[21]提出了基于粗糙集理論的質(zhì)量屋方法，JIA等[22]通過在QFD中融合模糊證據(jù)推理方法，提取了工程特性與客戶需求的映射關(guān)系和關(guān)聯(lián)程度。除與QFD相結(jié)合外，張青等[23]利用改進的功能—行為—結(jié)構(gòu)(Function-Behavior-Structure, FBS)模型分析產(chǎn)品得到模糊需求，結(jié)合彈性界限概念，運用自然交互技術(shù)求解需求；李玉鵬等[24]提出一種基于有向加權(quán)網(wǎng)絡(luò)模型的復(fù)雜產(chǎn)品多源設(shè)計變更路徑優(yōu)化方法，并用Linkrank算法計算零部件連接重要度，同時考慮節(jié)點出度和入度定義變更傳播指數(shù)建立分析網(wǎng)絡(luò)模型；CHIU等[25]融合了文本挖掘和感性工程分析在線評論和客戶偏好，以實現(xiàn)數(shù)據(jù)驅(qū)動的概念設(shè)計自動化；LI等[26]結(jié)合知識圖譜和概念知識(Concept-Knowledge, C-K)模型，提出一種改進設(shè)計方法，以此輔助智能產(chǎn)品服務(wù)系統(tǒng)的設(shè)計開發(fā)。上述研究的問題在于：在針對模糊前端需求的分析與轉(zhuǎn)換過程中，上述方法的自動化實現(xiàn)需要大量需求數(shù)據(jù)的支持，而在該領(lǐng)域高質(zhì)量的樣本數(shù)據(jù)量較少，難以支持需求的精準分析與自動化轉(zhuǎn)換映射，因此，該問題的進一步解決需要結(jié)合領(lǐng)域設(shè)計知識的支持。

為實現(xiàn)設(shè)計知識重用以支持需求分析，提出了多種知識重用模型被，以結(jié)構(gòu)化存儲設(shè)計知識，提高需求分析的效率。例如重疊技術(shù)領(lǐng)域圖譜[27]、基于本體的設(shè)計知識層次結(jié)構(gòu)[28]、基于本體的文獻知識圖譜和推理網(wǎng)絡(luò)模型[29]以及幾種演化模型[30-31]。在此基礎(chǔ)上，結(jié)合設(shè)計知識重用的手段，可進一步實現(xiàn)概念設(shè)計的自動化。此外，基于知識重用支持產(chǎn)品設(shè)計的相關(guān)研究也逐漸開展。蔡文沁等[32]提出一種基于實例的設(shè)計知識重用方法，借鑒以往的設(shè)計方案，提取結(jié)構(gòu)設(shè)計知識，基于相似度檢索實例以獲得符合設(shè)計要求的方案。王朝霞等[33]基于概念設(shè)計的知識需求，利用詞法、句法、語義分析等自然語言處理技術(shù)，獲取不同層次的專利知識來輔助產(chǎn)品概念設(shè)計。肖人彬等[34]將公理化設(shè)計理論和設(shè)計關(guān)聯(lián)矩陣相結(jié)合，將產(chǎn)品功能需求轉(zhuǎn)化為設(shè)計參數(shù)，構(gòu)建關(guān)聯(lián)矩陣，并進行功能的獨立性分析以確定概念設(shè)計方案。一些經(jīng)典知識重用的改進模型也被提出，例如在結(jié)構(gòu)—行為—功能(Structure-Behavior-Function, SBF)模型的基礎(chǔ)上的R-SBF模型[35]、將知識位置和擴展路徑疊加為網(wǎng)絡(luò)子圖的技術(shù)網(wǎng)絡(luò)模型[36]、基于本體和自然語言處理的自動文獻知識圖和推理網(wǎng)絡(luò)模型[37]、改進的維度分析概念建模(Dimensional Analysis Concept Modeling, DACM)框架[38]、結(jié)合概念用戶中心設(shè)計(User-Centered Design, UCD)的潛在語義工程(Latent Semantic Engineering, LSE)等[39]。此外，為輔助用戶需求的分析及映射轉(zhuǎn)換，一些工具或方法已經(jīng)被開發(fā)出來，并得到了較為廣泛的應(yīng)用，例如：IHS Goldfire[40]、概念設(shè)計功能建模方法[41]、根原因分析(Root Cause Analysis, RCA)[42]、失效模式和效應(yīng)分析(Failure Mode and Effect Analysis, FMEA)[43]、發(fā)明問題解決理論(Teoriya Resheniya Izobreatatelskikh Zadatch, TRIZ)[44]等。以上相關(guān)研究中：一方面，知識表征與重用對象和源頭大多定位在產(chǎn)品設(shè)計方案與設(shè)計知識，導(dǎo)致面向需求的知識推薦局限于產(chǎn)品整體需求視角，難以觸及到敏感的、細粒度的客戶模糊前端需求；另一方面，針對性能期望型需求的輔助知識表征在本體層層面略顯粗糙，在數(shù)據(jù)層面更難以實現(xiàn)性能參數(shù)需求的精準識別與面向設(shè)計過程的精準自動化轉(zhuǎn)換。

綜上所述，作為產(chǎn)品功能需求的重要體現(xiàn)，性能期望型需求極易出現(xiàn)在模糊前端用戶自然語言形式的需求表述中，但卻未能被結(jié)構(gòu)化分析、表征和精準轉(zhuǎn)換。本文提出基于知識圖譜的概念設(shè)計模糊前端需求結(jié)構(gòu)解生成方法。首先，針對自然語言表述的模糊前端性能期望型用戶需求，進行了需求特性及內(nèi)在設(shè)計問題分析，并基于設(shè)計行為構(gòu)建了產(chǎn)品(專利/需求)—通用工程參數(shù)—結(jié)構(gòu)(Product (patents/requirements)—General engineering parameters—Structure, PGS)映射模型；其次，在設(shè)計問題及映射模型的引導(dǎo)下，提取專利中的產(chǎn)品設(shè)計知識形成領(lǐng)域設(shè)計知識圖譜，在圖譜構(gòu)建過程中通過本體層性能參數(shù)實體的識別，顯著提升了知識圖譜所含信息的全面性和實用性；最后，融合知識圖譜與映射模型，實現(xiàn)了模糊前端需求的結(jié)構(gòu)化表征與補全，并進一步實現(xiàn)了結(jié)構(gòu)解空間的構(gòu)建，以推動產(chǎn)品用戶滿意度及創(chuàng)新設(shè)計效率的提升。

1 基于知識圖譜的模糊前端需求結(jié)構(gòu)解生成框架

本文構(gòu)建了如圖1所示的框架，該框架描述了通過構(gòu)建PGS映射模型及領(lǐng)域設(shè)計知識圖譜，實現(xiàn)對模糊前端性能期望型需求結(jié)構(gòu)化表征、補全及結(jié)構(gòu)解構(gòu)建的過程。在產(chǎn)品概念設(shè)計的模糊前端，用戶需求中包含大量性能期望型需求，這類需求往往是產(chǎn)品提升用戶滿意度和實現(xiàn)創(chuàng)新改進的關(guān)鍵。然而，這一類需求由于顯著的模糊性、非完備性及主觀局限性特征，極難在概念設(shè)計過程中被挖掘、表征和轉(zhuǎn)換。通過引入通用工程參數(shù)，構(gòu)建PGS映射模型為該問題的解決提供了理論上的支持；進一步地，對產(chǎn)品專利文件中的設(shè)計知識進行挖掘與表征，構(gòu)建領(lǐng)域知識圖譜，支持設(shè)計知識更高效的檢索與重用；最后，考慮到概念設(shè)計階段是產(chǎn)品創(chuàng)新的重要階段，而創(chuàng)新意味著在方案組合數(shù)量方面的發(fā)散性，因此，本研究融合映射模型和設(shè)計知識圖譜，實現(xiàn)性能期望型需求下的設(shè)計結(jié)構(gòu)解空間構(gòu)建，通過基于形態(tài)學(xué)矩陣的結(jié)構(gòu)解空間組合爆炸特性，支持設(shè)計過程的創(chuàng)新性探索。本文所構(gòu)建的技術(shù)體系，有效地推動了模糊前端需求自動化且精準地向概念設(shè)計過程的轉(zhuǎn)換。

2 面向概念設(shè)計的產(chǎn)品域—通用工程參數(shù)—結(jié)構(gòu)組件映射模型

本章首先基于公理設(shè)計理論梳理了產(chǎn)品概念設(shè)計過程中基于領(lǐng)域設(shè)計知識的重要行為，并進明確了模糊前端性能期望型需求特性和對應(yīng)的設(shè)計問題；其次，針對所述設(shè)計問題，引入了TRIZ理論中的通用工程參數(shù)[31]，構(gòu)建了支持概念設(shè)計行為的產(chǎn)品(專利/需求)—通用工程參數(shù)(General Engineering Parameters, GEP)—結(jié)構(gòu)組件(PGS)映射模型定義與表征，并在該模型基礎(chǔ)上實現(xiàn)了映射關(guān)系構(gòu)建。產(chǎn)品概念設(shè)計中的行為及PGS設(shè)計映射總結(jié)如圖2所示。

2.1 產(chǎn)品概念設(shè)計中的行為與模糊前端需求特性

2.1.1 產(chǎn)品概念設(shè)計中的行為

公理化設(shè)計理論[30]是1990年由美國麻省理工學(xué)院(MIT)Suh教授提出的，其目的是引導(dǎo)設(shè)計者在設(shè)計過程中找準決策方向，并為創(chuàng)新設(shè)計或改良已有產(chǎn)品提供設(shè)計思維方法。為了將設(shè)計流程規(guī)范化，該理論將不同設(shè)計活動劃分界限，統(tǒng)稱為域，包含用戶域、功能域、結(jié)構(gòu)域和工藝域；相應(yīng)的每個層域包含相應(yīng)的設(shè)計元素：用戶需求項(CNs)、功能要求項(FRs)、設(shè)計參數(shù)項(DPs)和工藝過程項(PVs)。在產(chǎn)品設(shè)計過程中，基于4個設(shè)計領(lǐng)域中的設(shè)計要素往復(fù)映射轉(zhuǎn)換完成設(shè)計的方案求解。其中獨有之處在于FRs→DPs和DPs→PVs兩個映射過程采用的映射方式為“之字形”映射，以功能域到結(jié)構(gòu)域的映射為例，該理論采用了層級的概念，即將功能要求項和設(shè)計參數(shù)項分為不同的層級，設(shè)計過程由功能域的最高層級FR1出發(fā)，基于FR1來設(shè)計相應(yīng)層級DP1，然后基于DP1對FR1作進一步細分，迭代此過程直到最高層級功能細分到不能分解為止，并且相應(yīng)層級的設(shè)計結(jié)構(gòu)均能滿足相應(yīng)的功能需求項。

如圖2所示，基于公理設(shè)計理論，本文歸納的設(shè)計行為包括正向設(shè)計行為和觸發(fā)型設(shè)計行為兩種。

(1)正向設(shè)計行為

1)用戶需求的多層拆解與轉(zhuǎn)換，包括用戶需求向產(chǎn)品功能描述的拆解轉(zhuǎn)換、用戶需求向結(jié)構(gòu)參數(shù)描述的拆解轉(zhuǎn)換、用戶需求向工藝過程描述的拆解轉(zhuǎn)換；

2)產(chǎn)品設(shè)計多粒度解搜索，包括產(chǎn)品功能描述的結(jié)構(gòu)參數(shù)解檢索、實現(xiàn)結(jié)構(gòu)參數(shù)的工藝過程解檢索。

(2)觸發(fā)型設(shè)計行為

1)基于公理設(shè)計理論的層級觸發(fā)行為，包括工藝過程解的實現(xiàn)對其他結(jié)構(gòu)參數(shù)問題的觸發(fā)、結(jié)構(gòu)參數(shù)接的實現(xiàn)對其他功能需求問題的觸發(fā)等；

2)面向用戶需求的反向觸發(fā)行為，包括功能需求、結(jié)構(gòu)參數(shù)及工藝過程的實現(xiàn)對需求的改進或推動式觸發(fā)行為等。

2.1.2 產(chǎn)品概念設(shè)計模糊前端性能期望型需求特性分析

在產(chǎn)品概念設(shè)計的模糊前端，絕大多數(shù)用戶需求中包含對產(chǎn)品性能的期望型需求，例如“提升傳送效率”、“減小設(shè)備尺寸”等。一方面，性能期望型需求是產(chǎn)品客戶滿意度的重要評價指標；另一方面，這類需求也是推動產(chǎn)品改進和創(chuàng)新的源泉。本文所述研究以概念設(shè)計模糊前端性能期望型需求為研究對象，首先針對該類需求挖掘難、表征難、轉(zhuǎn)換難的問題，分析其需求特性，從而為針對性地提出解決方案奠定理論基礎(chǔ)。

產(chǎn)品概念設(shè)計模糊前端性能期望型需求特性總結(jié)如表1所示。

表1 產(chǎn)品概念設(shè)計模糊前端性能期望型需求特性

2.2 支持概念設(shè)計的產(chǎn)品—工程參數(shù)—結(jié)構(gòu)組件映射模型定義與表征

2.2.1 PGS映射表征模型定義

面向產(chǎn)品概念設(shè)計行為，針對模糊前端性能期望型需求難以挖掘、表征、轉(zhuǎn)換的設(shè)計問題，如圖2所示，本文引入通用工程參數(shù)作為由設(shè)計需求到設(shè)計解之間的跳板，構(gòu)建PGS映射模型。通過引入GEP作為映射過程的跳板，實現(xiàn)了需求、知識和結(jié)構(gòu)等創(chuàng)新設(shè)計問題的終端節(jié)點，向通用的、本質(zhì)的表征模型轉(zhuǎn)換過程，是本研究對面向創(chuàng)新設(shè)計過程的設(shè)計原理表征與映射的探索。

PGS過程模型是通過設(shè)計知識在產(chǎn)品域、GEPs模塊和結(jié)構(gòu)域的映射轉(zhuǎn)換實現(xiàn)的。其中，產(chǎn)品域是不同類的大量產(chǎn)品專利描述或產(chǎn)品需求描述組成，每類產(chǎn)品(專利/需求)稱為一個產(chǎn)品集(Product Set, PS)，在映射過程中，產(chǎn)品專利集可以基于國際專利分類體系(International Patent Classification, IPC)小類對單個產(chǎn)品專利分類得到；GEPs模塊源自TRIZ理論中的48個通用工程參數(shù)，如表2所示，包含了描述技術(shù)特征的標準術(shù)語，例如物體的能耗、控制的復(fù)雜性等；結(jié)構(gòu)域由多個結(jié)構(gòu)實體組成，包含單一結(jié)構(gòu)或結(jié)構(gòu)組件等形式，每一個產(chǎn)品方案包含多個結(jié)構(gòu)或結(jié)構(gòu)組件，統(tǒng)稱為結(jié)構(gòu)集(Structure Set,SS)，結(jié)構(gòu)以結(jié)構(gòu)知識及關(guān)系結(jié)構(gòu)三元組表示，描述了產(chǎn)品專利包含的結(jié)構(gòu)或組件以及它們之間的關(guān)系。

表2 TRIZ中的48個通用工程參數(shù)(GEPs)

(1)PGS映射模型中，產(chǎn)品模型表征為：

P=(Pid,Pn,{PSEP})。

式中:P表示產(chǎn)品模型，可以為產(chǎn)品專利或產(chǎn)品需求;Pid為產(chǎn)品唯一標識符，產(chǎn)品模型源于產(chǎn)品專利時，對應(yīng)的id號用專利的授權(quán)號或申請?zhí)柋硎?Pn為專利名稱，產(chǎn)品模型源于產(chǎn)品需求時，Pn為產(chǎn)品名稱;{PSEP}為設(shè)計需求中的特定工程參數(shù)(Special Engineering Parameters, SEP)集合。特定工程參數(shù)是指在產(chǎn)品設(shè)計模糊前端的用戶需求中，對產(chǎn)品參數(shù)或性能的期望型需求描述，如提升運行效率、減小設(shè)備體積等。

(2)PGS映射模型中，通用工程參數(shù)(GEP)模型表征為：

G=(Pid,Gid,Gn,Gd)。

式中:G表示產(chǎn)品的GEP參數(shù);Gid為GEP唯一標識符;Gn為GEP名稱;Gd表示GEP是正向效應(yīng)還是負向效應(yīng)，正向表示為“1”，負向為“0”，例如：減小能耗為正向效應(yīng)，增大能耗為負向效應(yīng)，由于數(shù)據(jù)源為產(chǎn)品專利，一般是對產(chǎn)品進行改進行為較多，所匹配的GEP一般為正向效應(yīng)。

(3)PGS映射模型中，結(jié)構(gòu)組件模型表征為：

S=(Pid,Sid,{Si})。

式中：S表示結(jié)構(gòu)模型;Sid為該結(jié)構(gòu)或組件唯一標識符;{Si}為Gn結(jié)構(gòu)解集合。Gn結(jié)構(gòu)解是指可以實現(xiàn)通用工程參數(shù)Gn所代表的產(chǎn)品性能需求的結(jié)構(gòu)或組件。

2.2.2 PGS映射關(guān)系模型構(gòu)建

如本文2.1.1節(jié)所述，面向概念設(shè)計的正向設(shè)計行為與PGS映射關(guān)系，基于PGS映射表征模型，本文構(gòu)建了如下3種PGS映射關(guān)系模型：

(1)P-G映射 針對概念設(shè)計前端用戶以自然語言形式表述的性能期望型需求的非完備性與主觀局限性，構(gòu)建P-G映射關(guān)系：對于每一個特定產(chǎn)品需求類型P，均有一個特定的GEPs集合，一方面補全非完備的用戶需求，另一方面實現(xiàn)主觀局限性需求的通用結(jié)構(gòu)化表征；

(2)G-P-S映射 針對概念設(shè)計前端需求的模糊性以及結(jié)構(gòu)解生成問題，構(gòu)建G-P-S映射關(guān)系：對于每一個GEP，首先搜索與之匹配的SEP所屬的專利集合，實現(xiàn)G-P映射；其次，提取專利中實現(xiàn)該GEP的結(jié)構(gòu)或組件集合，實現(xiàn)G-P-S映射。通過構(gòu)建G-P-S映射，一方面將用戶的模糊需求落實到具體作用的結(jié)構(gòu)組件上，另一方面實現(xiàn)基于通用工程參數(shù)的領(lǐng)域結(jié)構(gòu)解搜索。

(3)P-S映射 概念設(shè)計前端用戶需求含有少量描述較為精確的結(jié)構(gòu)化需求，或是待設(shè)計的產(chǎn)品結(jié)構(gòu)較簡潔清晰，針對這樣類型的設(shè)計問題，構(gòu)建P-S映射關(guān)系，即對于每一個特定產(chǎn)品需求，基于領(lǐng)域設(shè)計知識直接匹配其結(jié)構(gòu)解。

3 面向PGS映射模型的領(lǐng)域?qū)＠O(shè)計知識圖譜構(gòu)建

3.1 領(lǐng)域?qū)＠O(shè)計知識圖譜本體層構(gòu)建

在產(chǎn)品概念設(shè)計過程中，通常從結(jié)構(gòu)、功能、性能和技術(shù)等不同抽象層次為設(shè)計者提供概念設(shè)計方案的設(shè)計知識元素，通過知識圖譜表征以上設(shè)計知識及其之間的關(guān)聯(lián)關(guān)系，可以實現(xiàn)概念設(shè)計過程中對知識的檢索、重用以及支持概念設(shè)計解方案生成。

因此，將專利以及專利包含的設(shè)計知識以知識圖譜的形式表征，節(jié)點表示產(chǎn)品專利實體，其中根據(jù)概念設(shè)計的抽象層次，設(shè)計知識實體可以分為結(jié)構(gòu)實體、功能實體、技術(shù)實體、工程參數(shù)實體等；邊表示設(shè)計知識實體之間的關(guān)系，如結(jié)構(gòu)之間的包含、連接關(guān)系等；以頭實體，關(guān)系，尾實體的三元組形式進行表征。綜上所述，本文定義的領(lǐng)域設(shè)計知識圖譜本體層結(jié)構(gòu)如圖3所示。

3.2 領(lǐng)域設(shè)計知識圖譜實體層構(gòu)建

基于專利知識模型所涉及的設(shè)計知識，需要將專利摘要中包含的零部件、功效、技術(shù)領(lǐng)域及其之間的關(guān)系術(shù)語等數(shù)據(jù)抽取出來，為知識圖譜構(gòu)建提供基礎(chǔ)知識元素，根據(jù)抽取的對象將知識抽取方法分為實體抽取和關(guān)系抽取。本文所構(gòu)建的領(lǐng)域設(shè)計知識圖譜實體層構(gòu)建流程如圖4所示。

3.2.1 基于BERT技術(shù)的圖譜實體抽取

實體抽取過程也稱為命名實體識別過程，即從文本數(shù)據(jù)中識別出命名實體，并將其分類到事先定義好的類別中[45]，該過程是其他抽取任務(wù)的基礎(chǔ)。面向非結(jié)構(gòu)化文本主要有以下幾種抽取方法，包括基于人工的抽取方法、基于規(guī)則的抽取方法、基于統(tǒng)計的抽取方法和基于深度學(xué)習(xí)的方法。2018年，谷歌提出一種語言表示模型——BERT(bidirectional encoder representations from transformers)，即來自變換器的雙向編碼表示。BERT模型采用基于變換器的多層雙向編碼器作為模型的核心結(jié)構(gòu)，模型架構(gòu)采用編碼器—解碼器結(jié)構(gòu)，在此基礎(chǔ)上，使用堆疊的自注意力機制，構(gòu)成編碼器和解碼器的全連接層。BERT模型的預(yù)訓(xùn)練過程使用遮蔽語言模型(Masked Language Model, MLM)和下一句預(yù)測(Next Sentence Prediction, NSP)來捕獲單詞或句子級別的關(guān)系特征。在若干自然語言處理任務(wù)上的實驗證明，BERT模型具有較強的魯棒性，本文基于BERT技術(shù)的專利設(shè)計知識實體抽取方法的流程如下：

(1)數(shù)據(jù)源獲取。將已經(jīng)包含了專利文檔所涉及的結(jié)構(gòu)、功能、技術(shù)領(lǐng)域和效應(yīng)等主要信息的專利標題和摘要作為實體抽取任務(wù)的語料集，并將它們存儲到關(guān)系數(shù)據(jù)庫中，用于統(tǒng)計、關(guān)系抽取和分析。

(2)數(shù)據(jù)預(yù)處理。專利文檔的摘要內(nèi)容主要是以自然語言的形式展現(xiàn)，文本中涉及到特殊字符顯示需要將去除，并避免網(wǎng)頁數(shù)據(jù)加載不完全出現(xiàn)的空值情況。針對上述問題，通過利用正則表達式等方法對文本進行預(yù)處理和篩選，獲取到可以作為BERT模型的輸入語料。

(3)標注訓(xùn)練數(shù)據(jù)。本研究采用BIO(begin-inside-outside)標注法對專利文檔的摘要內(nèi)容進行手動標注，標注的標簽主要包括：“B-”表示實體關(guān)鍵詞的詞首，“I-”表示實體關(guān)鍵詞的非詞首的后續(xù)詞，“O”表示非實體關(guān)鍵詞，“S”表示實體關(guān)鍵詞屬于結(jié)構(gòu)、組件或系統(tǒng)等，“R”表示結(jié)構(gòu)、組件或系統(tǒng)之間的邏輯關(guān)系，例如“固定連接”、“焊接”等，“F”表示專利文檔中描述功能的實體關(guān)鍵詞，“E”表示工程參數(shù)的實體關(guān)鍵詞，“T”表示技術(shù)領(lǐng)域的實體關(guān)鍵詞。詳細的BIO標注示例如表3所示。

表3 實體抽取過程的BIO標注示例

(4)基于Pytorch框架搭建BERT模型。①將非結(jié)構(gòu)化語料進行預(yù)處理，對于超出模型規(guī)定尺寸的句子進行截斷處理；②對句子進行特征轉(zhuǎn)換，轉(zhuǎn)換為BERT模型的輸入數(shù)據(jù)的特征形式；再次，對BERT模型進行訓(xùn)練和測試過程，保存最佳模型參數(shù)；最后，通過加載訓(xùn)練階段的最佳模型，識別未標注過的但是符合本文需要的實體關(guān)鍵詞。

(5)基于訓(xùn)練完成的BERT模型對測試數(shù)據(jù)進行命名實體識別，獲得對應(yīng)所述類型的實體關(guān)鍵詞。

3.2.2 基于自然語言處理技術(shù)的圖譜實體關(guān)系抽取方法

本節(jié)主要介紹基于自然語言技術(shù)的關(guān)系三元組的識別和抽取，其目的是將設(shè)計知識構(gòu)建為三元組，為知識圖譜構(gòu)建提供數(shù)據(jù)，從而清晰地描述產(chǎn)品專利的設(shè)計知識的邏輯關(guān)系。本文關(guān)系三元組抽取過程中涉及到以下兩個難點：①對于摘要中出現(xiàn)的指代詞需要進行指代消解任務(wù)，將指代詞準確地鏈接到同一設(shè)計知識實體節(jié)點；②所涉及的關(guān)系類型較多，要對關(guān)系類型進行歸類和標準化，為知識庫管理奠定基礎(chǔ)。

為了挖掘?qū)＠谋局须[含的設(shè)計知識之間的關(guān)系，本文提出一種基于自然語言處理技術(shù)中指代消解和依存句法分析的方法，對專利語料進行關(guān)系三元組識別與抽取，具體流程分為圖譜實體指代消解、基于依存句法分析的關(guān)系三元組識別和基于BERT技術(shù)的關(guān)系三元組抽取3個階段。

(1)領(lǐng)域?qū)＠O(shè)計知識圖譜實體指代消解

1)構(gòu)造模型輸入數(shù)據(jù)及訓(xùn)練數(shù)據(jù)集。首先，對分句后專利摘要文本進行篩選和截斷；其次，對預(yù)處理后的文本進行指代詞識別，并基于命名實體識別過程獲得設(shè)計知識，構(gòu)建模型輸入數(shù)據(jù)；最后，劃分訓(xùn)練數(shù)據(jù)集并進行標注。

2)基于Pytorch框架搭建Roberta模型。Roberta模型是BERT模型的優(yōu)化方案，指代消解過程使用Roberta模型的原因在于該模型可以對較大的語料進行處理，使結(jié)果更加精確。具體地，對輸入數(shù)據(jù)進行特征轉(zhuǎn)換，然后對Roberta模型進行訓(xùn)練和測試，最后保存最佳模型，用于對測試集數(shù)據(jù)的預(yù)測。

3)完成測試集的指代詞預(yù)測。對測試集進行指代詞預(yù)測，得到預(yù)測結(jié)果。然后篩選指代標簽正確的數(shù)據(jù)，對指代詞進行替代。

(2)基于依存句法分析的關(guān)系三元組識別

1)對專利摘要進行正則處理。為了更精確地對語料進行分析，需要將摘要中涉及到的非指代詞的卻有指向的詞匯進行正則處理，將相關(guān)代詞用相應(yīng)的專利標題進行替換。

2)構(gòu)建分詞自定義詞典。將命名實體識別任務(wù)中識別得到的設(shè)計知識添加到自定義詞典中。

3)對語料進行分句、分詞和詞性標注?；诠ご笳Z言技術(shù)平臺(Language Technology Platform, LTP)對文本進行詞性標注、依存句法分析等處理：對文本進行分句，然后對每條文本進行分詞處理，并基于LTP中的詞性標注功能對文本進行詞性標注，作為依存句法分析的輸入數(shù)據(jù)。

4)構(gòu)建三元組識別規(guī)則?；贚TP分析詞匯之間的依存關(guān)系，并構(gòu)建三元組識別原則，對每個詞進行規(guī)則匹配，識別關(guān)系三元組知識，具體的依存關(guān)系組合規(guī)則如表4所示。

表4 實體抽取過程的BIO標注示例

(3)基于BERT技術(shù)的關(guān)系三元組抽取

1)若兩個設(shè)計知識實體存在關(guān)聯(lián)，則將該實體對的核心動詞作為關(guān)系實體。針對系統(tǒng)、結(jié)構(gòu)或組件等實體對之間的關(guān)系進行總結(jié)，將關(guān)系類型分為3種，分別是包含關(guān)系(包括、裝設(shè))、結(jié)構(gòu)與結(jié)構(gòu)/組件之間的組合關(guān)系(連接、焊接、安裝),以及未能識別出的關(guān)系“unknown”。

2)基于深度學(xué)習(xí)精確識別關(guān)系三元組?；贐ERT模型，以專利摘要為訓(xùn)練語料，通過標注訓(xùn)練數(shù)據(jù)進行BERT模型訓(xùn)練，對文本中的實體對之間的關(guān)系進行概率計算，具有最高概率值的關(guān)系詞與實體對進行匹配構(gòu)成三元組，實現(xiàn)關(guān)系三元組的抽取任務(wù)。

4 融合領(lǐng)域設(shè)計知識圖譜與PGS映射模型的概念設(shè)計解空間生成方法

本文基于所構(gòu)建的領(lǐng)域知識圖譜，實現(xiàn)面向概念設(shè)計的PGS映射模型映射關(guān)系的生成，從而支持產(chǎn)品概念設(shè)計過程中模糊用戶需求的完備化、結(jié)構(gòu)化表征與補全，以及概念設(shè)計結(jié)構(gòu)解空間生成等階段。具體流程如圖5所示。

4.1 產(chǎn)品概念設(shè)計性能期望型需求結(jié)構(gòu)化表征與補全方法

4.1.1 基于專利數(shù)據(jù)的P-G映射關(guān)系生成

本文提出的基于專利數(shù)據(jù)的P-G映射過程分為3個步驟：首先，IPC對產(chǎn)品專利進行分類；其次，對每一類專利知識中特定工程參數(shù)(Specific Engineering Parameters, SEPs)實體進行聚類；最后，歸納SEPs(簇)—GEP匹配關(guān)系，實現(xiàn)產(chǎn)品專利到GEPs的映射。

其中，核心過程為專利知識中的SEPs實體聚類技術(shù)，基于前文對專利非結(jié)構(gòu)化文本的命名實體過程，可以獲取到每個產(chǎn)品專利對應(yīng)的SEPs實體。然而，輸入數(shù)據(jù)為SEPs，屬于短文本，且相應(yīng)關(guān)鍵詞的數(shù)據(jù)量較少，對應(yīng)的GEPs種類卻有48類之多，較難通過編碼或訓(xùn)練樣本集的方法實現(xiàn)技術(shù)知識分類。因此，基于無監(jiān)督學(xué)習(xí)方法將未標注的輸入數(shù)據(jù)自動分類成簇。

本文基于復(fù)雜網(wǎng)絡(luò)的Infomap算法[46]實現(xiàn)SEPs聚類過程。Infomap算法是一種社區(qū)發(fā)現(xiàn)類算法，初衷是用最短編碼表示隨機游走路徑，采用雙層編碼結(jié)構(gòu)，將網(wǎng)絡(luò)的不同節(jié)點劃分社區(qū)。訪問頻率較高的節(jié)點賦予短編碼，訪問頻率較低的賦予長編碼，大幅縮短所描述的信息長度。假設(shè)通過某種社區(qū)劃分方式M將節(jié)點劃分為m個群組，描述隨機游走的平均每步編碼長度表示為：

(1)

基于Infomap算法進行SEPs聚類的具體流程為：首先，基于工程參數(shù)知識對應(yīng)的標注抽取SEPs知識實體；其次，將SEPs知識實體轉(zhuǎn)換為嵌入詞向量作為Infomap的輸入；最后，基于Infomap算法對其詞向量特征進行社區(qū)劃分以得到多個SEPs簇。

4.1.2 融合知識圖譜與映射模型的設(shè)計需求結(jié)構(gòu)化表征與補全

輸入模糊前端需求，基于領(lǐng)域設(shè)計知識圖譜和P-G映射過程實現(xiàn)對需求GEP形式的結(jié)構(gòu)化表征與補全：一方面將特定性能需求進行通用化表征，解決了用戶需求受主觀專業(yè)局限性的問題；另一方面將通過匹配目標產(chǎn)品相關(guān)的GEPs集合，實現(xiàn)了非完備性需求的補全，具體過程如下：

(1)基于領(lǐng)域設(shè)計知識圖譜的需求獲取。在領(lǐng)域設(shè)計知識圖譜中，匹配提取包括目標產(chǎn)品PCN和特定工程參數(shù)SEPs在內(nèi)的知識實體，實現(xiàn)模糊前端用戶需求的獲取。

(2)基于SEPs-GEPs映射的用戶需求結(jié)構(gòu)化表征。輸入第(1)步獲取的SEPs集合，將SEPs集合中每個SEP轉(zhuǎn)換為相應(yīng)的GEP，實現(xiàn)通用工程參數(shù)形式的用戶需求結(jié)構(gòu)化表征。

(3)基于P-G映射的需求結(jié)構(gòu)化補全。基于P-G映射關(guān)系生成技術(shù)，獲取目標產(chǎn)品匹配的GEPs集合，進一步實現(xiàn)產(chǎn)品概念設(shè)計通用工程參數(shù)形式的用戶需求補全。

(4)定義最終完備的、結(jié)構(gòu)化的設(shè)計需求表征為GEPs模塊，即多個GEP的集合為：

CRs={GEP1，GEP2，…，GEPi，…，GEPm}，

i∈(1,m)。

為方便接下來的設(shè)計解空間映射生成過程，此處省略了對工程參數(shù)的情感期望和動作模式，故此表征不代表用戶需求，僅是通用工程參數(shù)的集合。

4.2 面向產(chǎn)品概念設(shè)計的需求結(jié)構(gòu)解空間映射生成方法

結(jié)合所構(gòu)建的領(lǐng)域知識圖譜與PGS映射模型，本文提出面向產(chǎn)品概念設(shè)計的需求解空間映射生成方法，具體流程如圖6所示。

4.2.1 基于領(lǐng)域設(shè)計知識圖譜的結(jié)構(gòu)集導(dǎo)向映射關(guān)系生成

(1)G-P-S映射。在完備的、結(jié)構(gòu)化的產(chǎn)品概念設(shè)計需求驅(qū)動下，基于需求中通用工程參數(shù)與產(chǎn)品的特定工程參數(shù)的關(guān)聯(lián)性，可以找到實現(xiàn)該通用工程參數(shù)的相關(guān)專利方案，通用工程參數(shù)與專利方案解為一對多的關(guān)系；進一步地，基于知識圖譜，計算GEP實體及其匹配的SEP簇中實體與結(jié)構(gòu)組件實體在同一句話中的共現(xiàn)度，歸納相應(yīng)通用工程參數(shù)的結(jié)構(gòu)或組件解集合，以實現(xiàn)G-P-S的映射。

(2)P-S映射。當產(chǎn)品概念設(shè)計用戶需求表述專業(yè)明確且目標產(chǎn)品結(jié)構(gòu)簡介清晰，可以忽略GEPs到結(jié)構(gòu)集的映射過程，直接基于領(lǐng)域設(shè)計知識圖譜檢索并實現(xiàn)產(chǎn)品→結(jié)構(gòu)集的映射。

4.2.2 融合知識圖譜與映射模型的概念設(shè)計結(jié)構(gòu)解空間生成

基于結(jié)構(gòu)集導(dǎo)向的映射模型，本文提出依托領(lǐng)域知識圖譜的計算式結(jié)構(gòu)解空間生成方法。

GEPi對應(yīng)的產(chǎn)品專利方案集合定義為Pati，

Pati={Pati1,Pati2,…,Patij,…,Patin}，

j∈(1,n)。

結(jié)構(gòu)解定義為：

SSij={Patij,{SPOj}}。

其中：Patij表示專利的產(chǎn)品模型，即2.1.1節(jié)中對產(chǎn)品模型的定義;{SPOj}表示產(chǎn)品專利包含的結(jié)構(gòu)集合。

具體的結(jié)構(gòu)解空間生成方法如下：

(1)判斷概念設(shè)計問題的復(fù)雜度。若用戶需求表述專業(yè)明確且目標產(chǎn)品結(jié)構(gòu)簡介清晰，則直接檢索匹配專利實體，生成結(jié)構(gòu)解空間并反饋給用戶；否則，則基于G-P-S映射模型形成結(jié)構(gòu)解集合。

(2)G-P映射。集合中的GEPi作為被檢索項，以設(shè)計知識圖譜為檢索庫，得到包含實體GEPi或該實體匹配的SEP實體的專利。

(3)計算單個專利與設(shè)計需求的相關(guān)性分數(shù)。通過式(2)和式(3)，計算由檢索得到的專利所包含的SEPij與目標產(chǎn)品GEPi之間的相關(guān)度rel(GEPi,SEPij)；基于式(4)～式(8)計算目標產(chǎn)品與檢索得到的專利i的語義相似度值sim(PCN,Patij)；通過式(9)得到專利方案與需求之間的相關(guān)性分數(shù)值，當計算結(jié)果高于閾值時，保留專利i至候選集中。

rel(GEPi,SEPij)表示GEPi與SEPij的相關(guān)度，定義為目標產(chǎn)品的GEPi與專利Patij所包含的SEPij之間的相關(guān)程度，可以用來體現(xiàn)目標產(chǎn)品與專利產(chǎn)品的性能要求的一致性，計算方法如式(2)和式(3)所示。

(2)

(3)

sim(PCN,Patij)表示設(shè)計需求的目標產(chǎn)品與專利方案涉及的產(chǎn)品關(guān)鍵詞的語義相似度，定義為基于目標產(chǎn)品和專利名稱兩者對應(yīng)的詞向量的余弦相似度，具體公式如下：

PCN=(PidCN,PnCN,{PSEPCN})；

(4)

Patij=(PidPAT-ij,PnPAT-ij,{PSEPij})；

(5)

eCN=vector(PnCN)；

(6)

ePAT=vector(PnPAT-ij)；

(7)

sim(PCN,Patij)=cos(eCN,ePAT)。

(8)

其中ei是通過基于BERT模型對關(guān)鍵詞i生成的詞向量，用函數(shù)vector()表示。

相關(guān)性分數(shù)計算公式如式(9)，該公式主要用于評價專利方案與GEPs的相關(guān)程度。

SCRij=ω1×rel(GEPi,SEPij)+ω2×

sim(PCN,Patij)。

(9)

式中：SCRij表示專利方案SSij對于GEPi的滿足程度的定量計算得到的分數(shù)，分數(shù)越高，該專利方案SSij對GEPi的匹配程度越高；ω1、ω2表示上述相關(guān)度和相似度值在該分數(shù)中的權(quán)重值。

(4)根據(jù)SCRij的值，從高到低進行排序，取分數(shù)前m的專利方案作為GEPi的專利候選集。

(5)基于領(lǐng)域知識圖譜，計算需求GEP實體或與之匹配的SEP實體與專利中所含結(jié)構(gòu)實體的共現(xiàn)度，定義域值并篩選相關(guān)的結(jié)構(gòu)解集合n個。

(6)基于形態(tài)學(xué)矩陣生成概念設(shè)計工程參數(shù)形式需求下的結(jié)構(gòu)解空間，支持從結(jié)構(gòu)解空間中選擇組合方案并實現(xiàn)概念設(shè)計。所述結(jié)構(gòu)解空間形態(tài)學(xué)矩陣如表5所示。

表5 通用工程參數(shù)形式需求下的結(jié)構(gòu)解形態(tài)學(xué)矩陣

5 實例驗證

為驗證本文所述領(lǐng)域設(shè)計知識圖譜構(gòu)建方法、PGS映射模型構(gòu)建方法，以及需求結(jié)構(gòu)化表征、補全和結(jié)構(gòu)解空間生成方法的有效性與實用性，實現(xiàn)了機械裝備領(lǐng)域知識圖譜構(gòu)建，并完成了一個機械產(chǎn)品概念設(shè)計需求實例。

5.1 機械領(lǐng)域知識圖譜與PGS映射模型構(gòu)建

本文的專利數(shù)據(jù)是基于中國專利庫中的中文實用新型類專利文檔。由于專利庫的數(shù)據(jù)龐大且計算設(shè)備的有限性，選取一定時間范圍的專利文檔進行獲取，即授權(quán)公告日在2010年～2020年間的專利數(shù)據(jù)，可以獲得約20萬條的專利數(shù)據(jù)，包含專利的標題、主分類號、授權(quán)公布號、摘要等重要信息，利用MySQL關(guān)系數(shù)據(jù)庫對所述數(shù)據(jù)進行存儲?；跈C械領(lǐng)域產(chǎn)品的專利特征，篩選出機械領(lǐng)域相關(guān)的專利約8萬條，以此作為設(shè)計知識來源。

基于第3章所述過程構(gòu)建機械領(lǐng)域設(shè)計知識圖譜，并依托第4章4.1.1節(jié)與4.2節(jié)所述過程，實現(xiàn)了基于圖譜中工程參數(shù)實體的PGS映射關(guān)系生成，最終，獲得實體數(shù)量約39.9萬個，關(guān)系三元組共121.6萬條。所述領(lǐng)域設(shè)計知識圖譜部分截圖如圖7所示，其中粉色節(jié)點為工程參數(shù)類實體。

5.2 機械手概念設(shè)計實例

(1)模糊需求結(jié)構(gòu)化表征與補全

本文以機械手為設(shè)計需求目標產(chǎn)品，真實用戶需求如下：

尋求機械手設(shè)計方案。要求該機械手需具備較高運行效率、結(jié)構(gòu)簡單、可拆卸、保證機器安全與防護。

首先，基于本文4.1.1節(jié)所述方法，針對設(shè)計需求，通過產(chǎn)品—通用工程參數(shù)映射方法，將設(shè)計需求的性能要求映射到通用工程參數(shù)，則其映射結(jié)果如表6所示。

表6 設(shè)計實例的特定工程參數(shù)—通用工程參數(shù)(SEPs-GEPs)映射結(jié)果

目標產(chǎn)品在IPC中所屬小類B25J，依托4.1.1小節(jié)所述映射模型與知識圖譜，可以得到該小類的通用工程參數(shù)，如表7所示。

表7 B25J產(chǎn)品—通用工程參數(shù)(P-GEPs)映射庫

基于4.1.2節(jié)所述方法，表7對設(shè)計需求目標產(chǎn)品機械手進行通用工程參數(shù)補全，在用戶需求以外補充2～5個通用工程參數(shù)，以拓展設(shè)計知識檢索空間，并且提高用戶需求滿意度。鑒于此，本研究隨機選取兩個通用工程參數(shù)進行補全，即15(10)力和41(32)可制造性(制造性)。因此，當前的設(shè)計需求通用工程參數(shù)模塊包含5個通用參數(shù)，其序號為24、34、37、15、41。至此，完成了設(shè)計需求工程參數(shù)化表征與補全的過程。

(2)基于P-G-S模型輔助產(chǎn)品概念設(shè)計

1)基于4.2.2節(jié)所述內(nèi)容，依托領(lǐng)域知識圖譜檢索待映射的通用工程參數(shù)，針對每個通用工程參數(shù)通過計算相關(guān)性分數(shù)排序篩選以獲取相應(yīng)的產(chǎn)品專利方案候選集。

2)計算相關(guān)度分數(shù)指標，設(shè)定閾值生成專利方案候選集?；?.2.2節(jié)所述相關(guān)度分數(shù)的計算，本文設(shè)定式(9)中的系數(shù)為ω1=ω2=0.5，閾值為0.75。依此得到GEPs模塊的相關(guān)度得分前3位候選產(chǎn)品方案如表8所示。

表8 設(shè)計實例的相關(guān)度得分排名前3位候選產(chǎn)品專利方案

3)基于產(chǎn)品專利方案集及其知識圖譜，提取GEPs對應(yīng)的結(jié)構(gòu)組件，通過4.2.2節(jié)所述過程構(gòu)建形態(tài)學(xué)矩陣，構(gòu)建結(jié)果如表9所示。

表9 設(shè)計實例的通用工程參數(shù)—結(jié)構(gòu)組件(GEPs-S)的形態(tài)學(xué)矩陣

4)基于形態(tài)學(xué)矩陣構(gòu)建結(jié)構(gòu)解空間，得到243組結(jié)構(gòu)解組合，均滿足所提出的設(shè)計需求。隨機選取一組結(jié)構(gòu)解并依此生成完整的概念設(shè)計方案：{電機}，{(電機,組合,關(guān)節(jié))}，{(角度檢測組件,組合,控制器)}，{吸附組件}，{基座,傳動機構(gòu),指段,關(guān)節(jié)軸}。生成滿足設(shè)計需求的產(chǎn)品概念設(shè)計方案為：該方案包含電機、關(guān)節(jié)、角度檢測組件、控制器、吸附組件、基座、傳動機構(gòu)、指段、關(guān)節(jié)軸，電機作為驅(qū)動力來源，電機連接關(guān)節(jié)軸驅(qū)動關(guān)節(jié)的旋轉(zhuǎn)運動，將吸附組件固定在指段上，基座固定上述機構(gòu)安裝，傳動機構(gòu)由兩個齒輪組成，連接指段；另外，補充氣缸控制吸附組件，補充重量傳感器檢測待抓取物體的質(zhì)量，補充控制器對運動系統(tǒng)進行中控，基本零件不再贅述。

本研究依托我校工程訓(xùn)練中心機器人創(chuàng)意實踐平臺，對上述提出的設(shè)計方案進行三維圖模擬和實物簡易搭建，如圖8所示。

6 結(jié)束語

產(chǎn)品概念設(shè)計模糊前端中含有大量性能期望型用戶需求，該類需求是產(chǎn)品用戶滿意度的重要依據(jù)，也是驅(qū)動產(chǎn)品創(chuàng)新設(shè)計的最佳動力，該類需求的獲取、表征、挖掘及面向設(shè)計轉(zhuǎn)換過程需要大量領(lǐng)域知識的支撐。因此，本文提出基于知識圖譜的概念設(shè)計模糊前端需求結(jié)構(gòu)解生成方法。分析了性能期望型需求特性及內(nèi)在的設(shè)計問題，基于設(shè)計行為構(gòu)建了產(chǎn)品—通用工程參數(shù)—結(jié)構(gòu)(PGS)映射模型，并在模型的引導(dǎo)下基于專利數(shù)據(jù)構(gòu)建了領(lǐng)域設(shè)計知識圖譜，最后依托映射模型與知識圖譜實現(xiàn)了需求結(jié)構(gòu)化表征、補全以及設(shè)計結(jié)構(gòu)解空間的構(gòu)建，在機械設(shè)備領(lǐng)域進行了圖譜構(gòu)建及實例驗證?？紤]到本文所提技術(shù)方案基于專利數(shù)據(jù)的知識建模與重用展開，本研究在實際應(yīng)用過程中主要針對模糊前端用戶需求這一問題對象，解決模糊需求的精準結(jié)構(gòu)解空間構(gòu)建問題，實現(xiàn)基于解空間支持創(chuàng)新設(shè)計與概念生成過程的應(yīng)用效果。

本文創(chuàng)新之處如下：

(1)本文從當前產(chǎn)品概念設(shè)計模糊前端大量存在的性能期望型需求及其重要意義出發(fā)，對該類需求進行了詳細分析，明確了需求特性及其為設(shè)計過程帶來的問題，豐富了面向產(chǎn)品創(chuàng)新概念設(shè)計的需求獲取、表征、分析及轉(zhuǎn)換相關(guān)研究的理論基礎(chǔ)。

(2)本文從支持模糊前端需求精確轉(zhuǎn)換的知識圖譜完備性和實用性等實際問題出發(fā)，通過對性能參數(shù)型實體的成功識別與提取，豐富了領(lǐng)域?qū)＠R圖譜本體層內(nèi)含，提升圖譜全面性與實用性，保障了設(shè)計問題解決技術(shù)的自動化程度與效率。

(3)本文針對模糊前端需求引導(dǎo)下的產(chǎn)品概念設(shè)計多階段問題，融合PGS映射模型和領(lǐng)域知識圖譜提出一系列針對性的需求分析方法體系，包括工程參數(shù)形式的模糊前端性能期望型需求結(jié)構(gòu)化表征、工程參數(shù)形式的產(chǎn)品概念設(shè)計需求結(jié)構(gòu)化補全以及性能期望型需求下的結(jié)構(gòu)解空間形態(tài)學(xué)矩陣的構(gòu)建等過程。

本研究仍存在一些不足，有待后續(xù)拓展和深入，未來可從以下幾個方面展開進一步研究：

(1)本文研究對象的局限性問題。本文考慮到用戶自然語言表述的模糊前端需求中，性能需求為需求核心和出現(xiàn)頻率最高的需求類型，故以此為研究對象，導(dǎo)致研究對象并不能覆蓋概念設(shè)計中最為突出的產(chǎn)品功能需求。未來研究可以此為方向進行擴展，全面分析模糊功能需求的類型與特性，擴展所提方法的適用范圍，推動本文技術(shù)的應(yīng)用發(fā)展。

(2)領(lǐng)域知識圖譜的知識損失問題。本文所構(gòu)建的領(lǐng)域知識圖譜由于關(guān)系實體數(shù)量較多，所以將關(guān)系實體歸納為兩種主要關(guān)系，這會損失詳細具體的關(guān)系實體及實體對關(guān)系的層次性。在未來研究中，需進一步對設(shè)計知識進行多層級劃分，細分關(guān)系實體，更加細化專利設(shè)計知識的層次。

(3)設(shè)計知識映射過程自動化程度不充分。本文所提出的產(chǎn)品—通用工程參數(shù)—結(jié)構(gòu)組件的設(shè)計過程模型是基于通用工程參數(shù)連接了產(chǎn)品域和結(jié)構(gòu)域的映射交換，擴大了設(shè)計方案的匹配空間，但是該設(shè)計過程屬于半自動化過程，部分過程缺乏成熟的算法技術(shù)實現(xiàn)映射自動化。未來可以基于概念設(shè)計的類比、推理等方法，結(jié)合計算機科學(xué)方法將推理過程定量分析，同時對于可獲得的產(chǎn)品設(shè)計方案進行積累并更新，以實現(xiàn)概念設(shè)計過程全自動化。

(4)結(jié)構(gòu)解空間生成后的專利規(guī)避設(shè)計問題。本文所提出的方法基于對專利數(shù)據(jù)的知識建模與重用，在形成支持概念設(shè)計結(jié)構(gòu)解空間后，將面臨專利規(guī)避設(shè)計問題。未來可以基于本文的輸出成果，引入專利規(guī)避設(shè)計傘型、鏈型、星型和束型模式，旨在生成具備準確性和創(chuàng)新性的概念設(shè)計方案。

(5)概念設(shè)計方法體系缺乏產(chǎn)品方案的評估。本文所提出的方法體系總體輸出為概念設(shè)計的結(jié)構(gòu)解空間，在生成過程中，對設(shè)計需求和產(chǎn)品專利的相關(guān)度進行了評價，但是對于生成的結(jié)構(gòu)解所構(gòu)成的方案缺乏評價。未來可以引入配置流圖、KANO模型等方法，增加對產(chǎn)品概念設(shè)計過程的約束，從而增加對設(shè)計方案的客觀的、科學(xué)的評價指標。