包 装 工 程 第44卷  第8期
48 PACKAGING ENGINEERING 2023年4月
收稿日期：2022–11–27
基金项目：国家重点研发计划（2020YFB1711400）
作者简介：林茂（1979—），男，博士生，副教授，主要研究方向为现代机械设计理论方法。 通信作者：张冠伟（1965—），男，博士，教授，主要研究方向为制造业信息化、数字化设计。
基于知识图谱的产品适应性设计辅助决策方法
林茂1,2，李佳骏1，郭伟1，张冠伟1，王磊1
（1.天津大学 机械工程学院, 天津 300350；2.海南大学 机电工程学院，海口 570228）
摘要：目的 针对当前产品适应性设计过程中缺乏需求与运维知识的融合、设计案例知识难以有效组织、设计知识重用率低等问题，提出一种基于知识图谱的产品改进设计辅助决策方法。方法 建立产品适应性设计辅助决策框架；采用知识图谱构建的方法，通过对产品运维知识数据源的特性分析，完成
本体建模，实现知识图谱模式层的定义、知识实体与实体关系的抽取以及知识融合数据层的构建；在运行环境-故障模式映射关系与子图的匹配下，实现新的产品运行环境中潜在故障模式的推理，以及案例数据与CBR 适应性设计措施的匹配，生成潜在故障模式下改进设计方案的候选集，并对改进设计方案进行多属性评价，实现改进方案的排序和决策。结果 以工程盾构螺旋输送机产品的适应性设计过程辅助决策为例，验证了该辅助决策方法的可行性和有效性。结论 采用知识图谱技术构建产品全生命周期数据实体关系，能够较好地解决知识融合、知识组织以及知识重用率低等问题，提高了设计效率。 关键词：知识图谱；适应性设计；故障模式；分类模型；辅助决策
中图分类号：TB472  文献标识码：A    文章编号：1001-3563(2023)08-0048-13 DOI ：10.19554/jki.1001-3563.2023.08.005
Product Adaptive Design-assisted Decision-making Method
Based on Knowledge Graph
LIN Mao 1,2, LI Jia-jun 1, GUO Wei 1, ZHANG Guan-wei 1, WANG Lei 1
(1.School of Mechanical Engineering, Tianjin University, Tianjin 300350, China;
2.College of Mechanical and Electrical Engineering, Hainan University, Haikou 570228, China)
ABSTRACT: The work aims to propose a knowledge mapping-based product improvement design-assisted deci-sion-making method to solve the current problems of lack of integration of requirements, operation and maintenance knowledge, difficulty of effective organization of design cases knowledge, and low reuse rate of design knowledge in the product adaptive design. Firstly, a framework of product adaptive design-assisted decision-making was established. Then the method of knowledge graph construction was adopted to complete ontology modeling through characteristic analysis of product operation and maintenance knowledge data sources and realize the definition of knowledge graph pattern layer, the extractionof knowledge entities and entity relationships and the construction of knowledge fusion data layer. Then the potential fault mode in the new product operation environment was inferred under the operation environment-failure mode mapping relationship and subgraph matching, and the cases data were matched with CBR adaptive design measures to generate the candidate set of improvement design solutions for potential failure modes. The improvement design solutions were evaluated with multiple attributes to realize the ranking and decision making of the improvement solutions. Finally, the feasibility and the effectiveness of the assisted decision-making method were verified with the adaptive design process of the engineering shield screw conveyor product as an example. Construction of the entity relationship of product life cycle data with the knowledge graph technique can solve the problems of knowledge fusion, knowledge organization and low knowledge reuse rate, and improve the design efficiency.
KEY WORDS: knowledge graph; adaptive design; failure modes; classification model; auxiliary decision-making
第44卷第8期 林茂，等：基于知识图谱的产品适应性设计辅助决策方法 49
当今的设计制造类企业想在激烈竞争的市场中保持竞争力，必须不断改进产品的开发周期，而产品设计理论方法及决策评价方法对产品全生命周期起着关键性的指导作用。近十年来，产品适应性设计方法一直是一个比较热门的研究领域[1]。适应性设计方法从经济和环境的角度，通过修改设计使产品适应新需求的变化，具有更长的使用寿命[2]。适应性设计方法在运用过程中，一般分为产品的适应性和设计的适应性两种。前者是指产品能够被修改，使之功能发生改变以满足新用户的需求；后者是指在原产品的设计方案上经过修改，形成新的满足新需求的设计方案。在修改产品或设计方案的过程中，会受到用户需求变化、环境变化、组件及装配件变化等多种因素的影响，使设计人员在面对设计过程的复杂性时仅凭个人经验难以作出较好的决策。此外，在产品全生命周期数据中，以产品故障运维数据为代表，多源数据需要进行有效处理及组织管理，使之与适应性设计过程进行充分融合，从而支持适应性设计方案的决策。然而，在目前的产品适应性设计过程中，存在缺乏与运维知识有效融合、难以对改进设计知识有效组织、设计知识重用率较低等问题，不能较好地把有效知识组织起来支持设计决策。因此，如何充分利用现有改进设计案例等数据中的故障运维知识，保障产品满足不同环境下的良好性能需求，成为适应性设计过程辅助决策研究待解决的一个关键问题。
知识图谱的概念由谷歌公司于2012年提出[3-4]，是一种结构化的语义知识库，能以符号形式描述客观世界中的概念及其相互关系，以“实体–关系–实体”三元组构成网状的知识结构。近年来知识图谱技术在商业、医疗、金融、企业管理、农业、建筑等领域得到迅速发展和运用，它的重要运用价值体现在改变了现有的信息检索方式（字符串模糊匹配方式），可以通过推理实现概念检索，并能够以图形化方式向用户展示经过分类整理的结构化知识[3]，在医疗诊断辅助决策、企业经营风险决策和金融风险决策等领域取得了一定的研究成果[5-7]。基于知识图谱的技术特点，可以从产品全生命周期中为数据驱动的适应性设计辅助决策方法研究提供一种新的探索思路。
1 基于知识图谱的适应性设计辅助决策框架
1.1 适应性设计过程分析
产品适应性设计过程一般是指针对用户需求的变化和环境的变化，设计者对原产品或设计方案进行修改，形成满足新变化要求的产品或方案。适应性设计的显著优点是在原有产品或方案的设计知识和规则的基础上，对产品或方案进行修改和调整，大大减少了设计过程的重复工作，提高了效率[8-9]。目前，适应性设计在复杂机械工程装备的设计复杂性、环境多样性、工况扰动性、需求多样性等方面还存在不少挑战和难题[10]。适应性设计过程一般是针对不同的设计目标开展的，例如针对产品结构、产品功能、性能或设计流程。现有的适应性设计过程从产品全生命周期数据中考虑产品运维数据、环境
数据与产品适应性之间的关系的相关研究文献较少，对快速响应外部环境变化的适应性设计尚有一定的差距。
适应性设计是一种建立在融合多种先进设计方法之上的应用性设计方法[11]，在具体的设计过程中，一般选择一个特定的理论技术方法作为主要支撑进行研究，例如基于公理化设计、基于功能映射、基于知识重用、基于可拓理论、基于产品基因、基于生命周期理论等[12-17]。但基于知识图谱技术并运用于适应性设计过程的研究鲜有报道。
1.2 辅助决策框架分析
适应性设计过程以现有产品与环境需求之间适应性最高的版本为母版，借助产品实例库、规则库、参数库、知识库等，面向设计目标需求进行替换或修改现有产品中适应性较低的零部件、结构或原方案里的某一环节，从而实现适应性设计的目的[12]。由此可知，适应性设计的基础是产品在全生命周期演化中形成并存储积累的数据库。从知识图谱技术的角度来看，数据库也是其技术运用的一个基础。如何从实例库、规则库、参数库、知识库等数据库中替换或修改某数据来支持辅助设计过程的决策，需要采用一定的技术方法并经过一定的步骤来实现。
目前对适应性设计过程的辅助决策研究主要有数据驱动以及知识驱动两种，其中数据驱动方式是研究的热点[1,12,18-22]。从知识图谱实现的流程可知[23]，需要以关联数据集等知识库为支撑，从数据集
中抽取事实数据、理论知识、案例知识等，从而完成知识图谱构建的第一个知识获取环节。因此，对企业内部相关数据库进行规范化管理，第一步就是实现多源异构数据管理，同时这一步也是基于知识图谱技术的适应性设计过程辅助决策方法的前奏。从适应性设计过程分析可知，对产品全生命周期数据进行管理是首要任务，然后依据需求变化和环境变化引起的用户要求，确定产品或方案修改的领域词汇和领域本体，对其数据和知识进行抽取、构建和组织，再经过一系列推理、查询、匹配等操作活动，最终达到辅助产品适应性设计方案修改决策的目的。适应性设计辅助决策体系可由多源异构数据管理、面向适应性设计过程的知识图谱构建、融合知识图谱与CBR的适应性设计方案辅助决策三个模块组成，如图1所示。
多源异构数据管理模块是指对产品设计过程中需要用到的数据和知识进行采集，并存储到企业数据库中。数据主要源自产品设计质量文档、产品故障案例和相关领域文献案例等，它以半结构化和非结构化
50 包 装 工 程 2023年4月
图1  基于知识图谱的适应性设计辅助决策框架
Fig.1 Framework of adaptive design-assistant decision-making based on knowledge graph
文本数据为主，包括复杂产品改进设计案例的运行环境及其属性、潜在故障模式类型以及对应的改进设计措施，为领域知识图谱的构建提供数据基础，将历史故障案例进行知识重用。
面向适应性设计过程的知识图谱构建模块分为三个部分，依次是本体定义与模式层构建、知识抽取与数据层构建和知识图谱的存储与更新。此模块为应用实施层中潜在故障模式的推理、相似改进案例的输出等提供了知识支持，核心部分为知识图谱模式层和数据层的构建。适应性设计方案辅助决策过程主要包括潜在故障模式推理、改进设计方案生成与多属性评价等关键内容，涉及图结构数据匹配、案例推理等技术。面向新的产品运行环境，基于知识图谱数据匹配潜在故障模式与对应的改进设计措施，形成改进设计方案集合，并通过多属性评价的方式实现适应性设计的辅助决策。
2  面向适应性设计的知识图谱构建
2.1  知识图谱数据源的特性分析
面向复杂产品适应性改进设计过程的知识数据具有多源异构的特点，其中最为常见的信息记录形式为文本描述。企业或相关研究机构将故障诊断专家的知识与实际工程的经验，以维修记录、设计质量文
档、学术文献等非结构化文本数据的形式记录下来[24]，如表1所示，其中包含大量的产品故障模式、运行环境及改进设计案例知识，对提升产品的环境适应性和可靠性、保证产品具备良好的运行性能有重要的参考价值。
对复杂产品运维故障记录等文本数据进行分析，可发现与常见文本数据相比，本文构建的知识图谱数
表1  主要知识数据来源
Tab.1 Main sources of knowledge data
数据来源 数据源主要类型
企业数据 设计质量案例文档、设计任务书、产品设计手册、故障记录文本、专家经验 网络数据 文献案例、百科网站 专业资料
领域著作、行业标准
据源具有3个特点：（1）知识实体的语义丰富；（2）知识实体的类型多样性；（3）知识实体间的关系复杂性。产品故障记录文本等数据源包含大量的专业词汇，涉及环境、故障运维、产品结构等领域，且各领域内均含有大量的专业知识实体。知识实体类型包括环境因素、故障模式、结构部件和改
进设计措施，各实体类型又包含多类具体的知识实体。例如环境信息包括地质、水文、气候、社会等；故障模式包含所属系统类别和不同的故障表现；结构部件包含大量的产品结构及参数知识；改进设计措施可针对结构尺寸、配置、工艺、材料等进行调整。
由于知识图谱的文本数据源具有较强的专业领域性和语义复杂性，因此在抽取知识实体、构建复杂产品知识图谱的过程中应充分考虑上述特征，选用适合的实体抽取算法模型与图谱构建方案，面向适应性设计的知识图谱的拟构建方案如图2所示。 2.2  知识图谱构建流程
依据知识图谱的逻辑架构和数据处理顺序，其构建方式主要分为自顶向下（Top-down ）和自底向上（Bottom-up ）两种[4]。自底向上的构建方法抽象得到的概念缺乏显性约束，实体关系类型较为模糊，不利于知识图谱的构建。若知识图谱包含较为明确的专业领域知识，则优先选用自顶向下的方式进行知识图谱的构建工作。
面向适应性设计的知识图谱构建流程主要包含模式层构建、数据层构建、知识存储与可视化等步骤，构建流程如图3所示，最终达成可视化结果。 2.3  知识图谱模式层构建方法
模式层是知识图谱的核心组织架构，其作用是表达领域概念实体、实体间关系和属性等信息。在自顶向下的知识图谱模式层构建过程中，通常从最顶层的概念开始构建本体，对实体类型和关系类型进行定义，并规范化实体、属性及关系的描述[25]。此处知识图谱是面向适应性设计的特定领域构建，因此
实体及关系类型的定义应充分考虑实体要素在产品适应性设计过程中的作用。以运维数据为例，构建模式层本
第44卷  第8期 林茂，等：基于知识图谱的产品适应性设计辅助决策方法 51
图2  面向适应性设计的知识图谱构建方案
Fig.2 Construction scheme of knowledge graph oriented to adaptive design
图3  知识图谱构建流程
Fig.3 Construction process of knowledge graph
体主要包含环境信息、故障信息和产品参数信息三大领域，可以对相应概念的定义进行重用。具体的思路方法是先明确构建本体的专业领域和范围，分析重用现有本体的可能性，确定本体中的重要术语；
接着定义核心概念、层次结构、概念属性，再定义属性类型和属性关系，最后创建本体实例。依据适应性设计中各类要素及其相互关系，定义环境类型、环境属性、结构部件、故障模式、改进措施、设计参数等6种实体类型，如表2所示。以盾构螺旋输送机产品为例，
表2  实体类别及示例说明
Tab.2 Description of entities and examples
实体类别 符号 示例
环境类型 ET “卵石”“硬岩地层” 环境因素 EA “最大抗拉强度”“含水量” 结构部件 SC “螺旋轴”“叶片”“减速器” 故障模式
FM “卡死”“断裂”“喷涌”
改进措施 IM
“配置独立渣土改良注射点”“配置双
出料门” 设计参数
DP “最大通过粒径”“马达最大输出转矩”
模式层中概念实体及关系的定义和示例如图4所示，实体关系类型及描述如表3所示。 2.4  知识图谱数据层构建方法
在完成模式层的定义后，需要通过知识抽取与实例填充进行数据层的构建，主要包括数据预处理、知识抽取和知识融合等步骤。
文本数据预处理在采用自然语言处理技术进行半结构化或非结构化文本中的概念实体抽取时，可通过序列标注的方式对文本语料进行表达，将字符转化为段落语料集合中的元素。根据模式层所定义的实体种类，与实体边界标注符号组合形成实体标签，同时也将数据源文本中的字符进行序列标注。如表4所示为某条语句的标注示例。
常用的实体抽取方法有基于规则、基于统计机器学习和基于深度学习模型算法等，这些算法各有优缺点。其中，基于机器学习算法的CRF （Conditional Random Fields ）模型集成了基于规则算法中的MEMM （Maxi-mum Entropy Markov Models ）与HMM （Hidden Markov Model ）的优点，能避免标记偏执[26]；基于深
52 包 装 工 程 2023年4月
adaptive
图4  知识图谱模式层实体和关系示例
Fig.4 Examples of entities and relationships in knowledge graph pattern layer
表3  实体关系类型及描述
Tab.3 Type and description of entity relationship
关系类型 头实体类型 尾实体类型 关系描述
act-on 环境类型 结构部件 环境类型作用于结构部件
cause
环境类型 故障模式 环境类型引发故障模式
attribute-of 环境属性 环境类型 环境属性C 是环境类型D 的一种属性 cause 环境属性 故障模式 环境属性导致故障模式
consist-of 结构部件 结构部件 结构部件A 包含结构部件B
part-of 结构部件 结构部件 结构部件B 是结构部件B 的组成部分 occur
结构部件 故障模式 结构部件产生故障模式
attribute-of 设计参数 结构部件 设计参数是结构部件的属性 solved-by 故障模式 改进措施 故障模式由改进措施来解决 consist-of
改进措施
设计参数
改进措施包含设计参数的调整
表4  语句标注示例
Tab.4 Example of statement annotation
字符 标签 字符 标签 字符 标签 在 O 机 E-SC 杆 E-IM 富 B-ET 必 O 防 O 水 M-ET 须 O 止 O 地 M-ET 采 B-IM 排 B-SC 层 E-ET 用 M-IM 土 M-SC 中 O 有 M-IM 口 E-SC 螺 B-SC 轴 M-IM 发 O 旋 M-SC 式 M-IM 生 O 输 M-SC 螺 M-IM 喷 B-FM 送
M-SC
旋
M-IM
涌
E-FM
度学习算法中的BERT （Bidirectional Encoder Rep-resentations from Transformers ）模型引入注意力机制，
具有理想的文本处理效果[27]。此外，在BERT 模型基础
上引入双向长短期记忆网络BiLSTM （Bidirectional Long-Short Term Memory ）模块，能够对文本的上下文信息同时进行编码，有效利用上下文信息[28]，被广泛应用于实体抽取任务。根据上述模型算法的优点，构建了BERT-BiLSTM-CRF 深度学习算法模型，如图5所示，完成对文本数据源中目标实体的高效准确抽取。
在完成实体抽取后，需要进行实体关系的抽取。接着基于监督学习的方法，将抽取任务转化为样本数据中两个实体之间关系的判断与分类过程，通过将标注好的实体输入分类模型，最后判断实体之间是
否存在关系并确定其类别。与决策树、朴素贝叶斯等机器学习模型相比，支持向量机（Support Vector Machines ，SVM ）模型能够处理稀疏数据且泛化性较好，是文本关系分类领域应用较为广泛的模型之一[29-30]。本文实

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。