基于知识图谱的产品适应性设计辅助决策方法_林茂.pdf

包 装 工 程 第 44 卷 第 8 期 48 PACKAGING ENGINEERING 2023 年 4 月 收稿日期：20221127 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/ki.1001-3563.2023.08.005 Product Adaptive Design-assisted Decision-making Method Based on Knowledge Graph LIN Mao1,2,LI Jia-jun1,GUO Wei1,ZHANG Guan-wei1,WANG Lei1(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 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 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 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 53 图 5 基于 Bert-BiLSTM-CRF 的实体抽取模型 Fig.5 Entity extraction model based on Bert-BiLSTM-CRF 施的方法是将文本数据进行实体标注，输入 SVM 分类模型，结合模式层关系的重用，对实体关系的概率进行预测，选取概率的最大值为对应的关系类别，并通过准确率 P、召回率 R 和 F1值等指标进行评估。实体的抽取效果测试选用产品运维故障数据进行，数据源由某重工集团盾构螺旋输送机设计质量文档、产品故障问题记录，以及知网平台下载的该类产品故障分析与改进设计相关主题的文献组成。测试共筛选了2 500 条段落文本并进行标注，用于实体抽取模型效果的测试，通过 82 的比例进行划分，选用其中的2 000 条文本数据作为训练集，使模型进行文本特征的学习；500 条文本数据作为测试集，用于测试模型实体抽取的性能。测试中采用准确率 P、召回率 R 和F1值（H-mean 值）3 个指标评估实体抽取结果，评估指标的计算公式为：/()100%PTPTPFP (1)/()100%RTPTPFN (2)12/()100%FPRPR (3)式中，TP 表示识别正确的实体数目，即抽取结果和实际标注均为该标签；FP 表示识别错误的实体数目，即抽取结果为某一标签、但实际标注不是该标签的实体数目；FN 表示实际标注为某一标签，但未识别出的实体数目。测试的目的是通过对比 BiLSTM-CRF、BERT-CRF等当前主流的基于深度学习的实体抽取模型，验证所提出的基于 Bert-BiLSTM-CRF 的实体抽取模型对运维知识数据的抽取效果。取五次实验结果的平均值，模型的识别结果如表 5 所示。通过上述基于 BERT-BiLSTM-CRF 的实体抽取算法完成知识实体抽取后，为了使知识图谱内容更加完善与准确，同时便于后期设计知识匹配过程中进行属性相似度的计算，需要继续对实体包含的属性进行抽取，主要有量值属性和程度属性两类，如表 6 所示。表 5 模型实体识别结果对比 Tab.5 Comparison of model identification results 模型 准确率 P/%召回率 R/%F1值/%BiLSTM-CRF 88.63 89.30 88.96 BERT-CRF 94.20 93.87 94.03 Bert-BiLSTM-CRF94.48 94.17 94.32 表 6 实体属性类别与示例 Tab.6 Types and examples of entity attributes 类别 示例 量值属性最大抗拉强度为“200 MPa”、漂石含量为“25%”程度属性地下水含量“较多”、渗透系数“低”2.5 基于 SVM 的实体关系分类 支持向量机（SVM）模型是文本关系分类领域应用较为广泛的一种模型。它的原理是在样本空间中确定一个最优的分类平面，将不同特征的数据划分到对应的类别中。基于 SVM 的领域文本实体关系分类流程为：将文本数据及各实体的标签输入 SVM 分类模型，输出对实体关系的预测概率，选取概率的最大值为对应的关系类别，并通过准确率 P、召回率 R 和F1值等指标进行评估。为降低实体在文本中分布不均对测试结果产生的影响，进行了 5 次数据划分与训练测试，以测试结果的平均值作为模型评估依据，准确率 P、召回率 R 和 F1值分别为 83.69、80.88 和 82.25，充分说明了 SVM 模型对文本数据中知识实体关系具有良好的分类效果，同时对知识图谱模式层关系类别的重用，简化了数据关系的建立过程，证明该方法对54 包 装 工 程 2023 年 4 月 知识数据实体关系抽取的有效性。2.6 知识融合 在完成对知识数据的抽取后，必须进行知识融合处理，使不同数据源的知识在同一个框架下进行异构数据整合、实体重要度计算以及推理验证等步骤23。产品运维故障记录文本和相关文献等数据源均属于专业领域的文本，抽取到的知识为特定领域的词汇，因此存在歧义的情况较为少见，可以采用基于语义相似度的计算方法8对实体间的相似程度进行评估，能够更好地将异构数据进行融合。此外，知识融合后还需进行知识加工，具体操作内容包括本体抽取、知识推理以及知识质量评估三个阶段，在此不再展开赘述。2.7 知识存储与更新 在各类图谱构建工具中，Neo4j 作为当前应用最为广泛的图数据库，具有免费开源、高性能、操作灵活、便于扩展等特点，因此选用 Neo4j 进行知识数据的存储。Neo4j 通过其固有的 Cypher 语言完成知识数据的存储、查询与更新30-31，Cypher 语言的语法较为简单且功能完备，不需要编写遍历代码即可访问图谱中的节点和边。将抽取完成的知识数据导入 Neo4j中，进行数据的可视化。随着应用场景的变化与知识数据的不断累积，需要对知识图谱进行质量评估。具体评估的内容包括对数据源的真实性、模式层与数据层的简洁性，以及查询过程的效率和准确性等指标进行定性或定量评估，并及时对图谱内容进行更新与修正。知识更新主要分为全面更新和增量更新两种方式，前者需要基于新知识对图谱进行重新构建，而后者在现有图谱的基础上进行扩展，资源消耗更小，适用于专业领域知识的更新32。因适应性设计知识类别具有有限性以及领域性，故采用增量更新的方式实现知识的扩展。知识图谱的构建是一个迭代更新的过程，根据知识获取的逻辑，每一轮的迭代都包括了数据信息抽取、知识融合、知识加工等三个阶段。3 适应性设计辅助决策生成 3.1 辅助决策总流程 面向适应性设计的知识图谱构建完成后，需要针对产品在特定运行环境下的潜在故障模式，进行改进设计措施知识的检索匹配，以及最终适应性改进设计方案的辅助决策。首先对新的设计需求进行输入，识别产品运行环境信息并构建查询图，通过子图匹配检索知识图谱数据，并基于环境-故障映射关系进行潜在故障模式的推理；然后通过基于案例的推理技术（CBR）方法计算改进设计案例的环境属性相似度，匹配改进设计措施知识，构建形态学矩阵生成改进设计方案集合；最后通过定义评价指标，针对生成的不同改进设计方案进行多属性评价，实现适应性改进设计方案的辅助决策，总体流程如图 6 所示。图 6 融合知识图谱与 CBR 的改进设计辅助决策过程 Fig.6 Improvement design-assisted decision-making process by integrating knowledge graph and CBR 3.2 辅助决策的关键过程分析 3.2.1 产品改进设计案例知识检索 通过对辅助决策框架和辅助决策过程的分析可知，案例知识的检索是适应性设计辅助决策的核心环节，改进设计案例知识的检索可以转化为基于知识图谱的实体搜索和基于 CBR 的相似案例匹配过程，主要包括潜在故障模式的推理与改进设计措施知识匹配两部分内容。潜在故障模式的推理可以依据适应性设计知识图谱和运行环境-故障模式映射模型，针对设计输入的运行环境及其属性，可实现潜在故障模式的推理。映射关系的构建过程将产品运行环境信息映射为预防潜在故障模式的性能需求，实现了用户定制信息到产品特性的转化；同时将案例数据提取归纳为关联规则，为当前产品运行环境下的潜在故障模式的匹配推理提供关系模型支持。检索的步骤依次是：输入新的产品设计任务，提取运行环境类型及其属性信息，同时构建运行环境查询图；由查询图通过基于语义相似度的子图匹配方法，从知识图谱中查询相似案例，构建查询结果子图；基于运行环境-故障模式映射关系，提取查询结果子图中的故障模式实体，推理当前运行环境下的潜在故障模式；根据潜在故障模式匹配查询结果子图中的改进设计措施实体，并依据运行环境-故障模式-改进措施的映射关系，生成“环境因素-关系-改进措施”候选三元组集合；计算运行环境查询图与查询结果子图中运行环境属性的相似度，并设定相似度阈值，去除计算结果小于阈值的案例；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 55 最后提取相似度较高的“改进措施”实体，构建当前运行环境下潜在故障模式的改进设计措施集合。3.2.2 运行环境信息-故障模式映射关系的生成 根据知识图谱本体层中的运行环境概念和类别，对设计质量文档等数据源进行分类，归纳每一类运行环境下的故障模式集合，生成环境类别-故障模式映 射。然后继续根据环境概念本体提取每一类环境条件下的环境属性与故障模式信息，基于知识图谱数据层中的“环境属性-关系-故障模式”三元组，将相同的环境属性实体进行合并，归纳环境属性-故障模式的匹配关系，实现运行环境信息到故障信息的完整映射。具体实例如图 7 所示。图 7 运行环境-故障模式映射关系的生成 Fig.7 Generation of operating environment-fault mode mapping relationship 3.2.3 潜在故障模式推理过程 子图匹配是实现图数据高效查询的一种基本操作，被广泛应用于各个领域的问题研究中33。采用基于子图匹配算法的潜在故障模式推理方法替代传统的案例匹配方法（通过关键词和属性值进行检索），可以提升检索的灵活性和扩展性。具体的实施步骤依次为：输入新的设计任务并提取运行环境信息，构建运行环境查询图；将运行环境查询图分解为单一路径子图，构建环境信息查询子图集合；输入知识图谱，选择查询子图起始节点，对知识图谱数据进行节点搜索；若在图谱中找到相同节点，则重复上一步骤进行下一节点的搜索，若未找到相同节点，则根据知识图谱本体概念进行语义相似度分析，检索相似实体；查询子图的节点路径完成匹配后，通过实体关系进行扩展搜索，匹配该查询子图对应的故障模式实体，并存入故障模式实体集合；继续搜索其他子图，直至查询图中全部节点搜索完毕，得到最终的故障模式实体集合，完成潜在故障模式推理。为了提高语义相似度的计算精度，引入子图实体概念节点之间的语义距离进行相似度计算。其中相似度的相关计算公式有：1）语义相似度计算公式 12121Sim(,)1Distance(,)D DD D (4)式中，12S(im,)D D表示两个实体的语义相似度，12Distance(,)D D表示两个实体之间的语义距离。2）精确数值相似度计算公式 12()|Sim,1enabD DR (5)式中，12Sim(,)enD D表示该实体精确属性值的数值相似度，a 为运行环境查询图中实体 D1的精确属性数值，b 为知识图谱中对应环境因素实体 D2的属性数值，R表示该属性数值的取值范围。3）确定区间数值的相似度计算公式 1212122211|,|,|Sim,M()(ax,Min,)(eia ab bD Da ba b (6)式中，实体1D的属性取值区间为12,a a，知识图谱中环境因素实体2D的属性取值区间为12,b b。4）模糊区间数值的相似度采用梯度函数计算公式 111222min()min(),)min()1,SimSim()max(),max()max()0 other(fiydydDDdyD Df xdyyDddD (7)式中，D1,D2表示属性值的最优取值区间，y 是对应属性的实际数值。3.2.4 适应性改进设计方案生成 在完成潜在故障模式的推理后，构建对应的故障模式实体集合，需要从知识图谱中通过扩展搜索故障模式对应的改进设计案例数据。在每一个改进设计案例中，既有对环境属性的描述，也有对应结构、参数的改进设计措施。在改进设计方案的生成过程中，主要根据对环境属性部分的相似度计算，检索最相近的案例，提取对应的改进设计措施知识，并通过组合形成改进设计方案候选集。具体生成的流程步骤依次为：将推理得到的故障模式实体作为索引，在知识图谱中检索到可重用的改进设计措施知识；根据子图匹56 包 装 工 程 2023 年 4 月 配过程，提取故障模式所在路径中的环境属性实体，组成“环境属性-改进设计措施”知识图谱案例集，为环境属性相似度的计算提供依据；将环境信息查询图与改进设计案例中的环境属性进行相似度计算，设定相似度阈值，提取符合条件的改进设计措施实体节点；最后通过形态学矩阵生成针对潜在故障模式的改进设计方案候选集。3.2.5 产品适应性改进设计方案多属性决策 以上由形态学矩阵组合生成的多种针对故障模式的改进方案，需要通过定义评价指标进行方案综合评估，最后依据评价结果选定最优的改进方案。在多属性问题优化过程中，逼近理想解排序法的基本原理为通过计算正负理想解与评估目标的距离值，对评估目标进行排序，选用基于三角模糊数的逼近理想解排序方法（Technique for Order Preference by Similarity to Ideal Solution，TOPSIS）可以达到最佳效果34，通过改进设计方案与理想目标相对贴近度的值来判断方案综合性能的好坏，值越大则方案综合性能越好。相对贴近度 Di的计算公式如下：iiiiDDDD (8)式中，iiDD、分别表示各方案的评分值到正、负理想解的距离。在确定适应性改进设计方案评价指标后，对候选方案进行多属性评价，最后将该过程得到的方案结果存储到对应的设计案例库中，完成改进设计方案多属性决策。根据相对贴近度计算结果进行排序，贴近度值最大的方案综合性能最优，作为最终的改进方案。4 工程案例验证 4.1 辅助决策方法的背景及流程 依托国家重点研发计划项目“产品自适应在线设计技术平台研发”，以某大型重工企业的盾构螺旋输送机产品的适应性设计过程为例，对本文提出的基于知识图谱的产品适应性设计辅助决策方法的可行性与有效性进行验证。螺旋输送机是盾构机实现渣土输送与排出、调整土压平衡的主要设备，保障其运行性能的稳定对盾构施工过程来说具有重要意义35。螺旋输送机由多个结构系统组成，零部件数目较多，集成多学科设计知识，属于典型的复杂产品。螺旋输送机主要由螺旋轴、筒体、驱动装置、伸缩节、出碴门和防涌门等组成，如图 8 所示。其工作原理是通过电机驱动液压泵带动液压马达，深入土舱内的螺杆和叶片，土舱内的渣土最终通过出渣门排出。盾构螺旋输送机的常规改进设计过程根据设计任务、工程地质状况、客户需求等信息，进行需求分析作为设计输入，检索设计方案库相关案例进行改 图 8 螺旋输送机主要结构模型 Fig.8 Main structu