面向產(chǎn)品設(shè)計(jì)的知識(shí)推理綜述

蔣婷 丁晟春

〔摘 要〕產(chǎn)品設(shè)計(jì)支持系統(tǒng)是建立在知識(shí)重用的基礎(chǔ)上的，知識(shí)推理作為其中的重要技術(shù)，能夠維護(hù)和擴(kuò)充知識(shí)庫(kù)，實(shí)現(xiàn)設(shè)計(jì)知識(shí)重用。本文綜述了近年來(lái)國(guó)內(nèi)外產(chǎn)品設(shè)計(jì)知識(shí)推理的發(fā)展，重點(diǎn)研究了3個(gè)方面：案例推理、不確定推理、混合推理及新推理技術(shù)，總結(jié)了各種方法和技術(shù)的優(yōu)勢(shì)以及待解決的問(wèn)題，并探索了新的產(chǎn)品設(shè)計(jì)推理技術(shù)的發(fā)展。

〔關(guān)鍵詞〕推理；產(chǎn)品設(shè)計(jì)；案例推理；不確定推理；混合推理

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１２．０６．０４２

〔中圖分類號(hào)〕Ｇ２５０保 〔文獻(xiàn)標(biāo)識(shí)碼〕Ａ 〔文章編號(hào)〕１００８－０８２１（２０１２）０６－０１６９－０５

研究數(shù)據(jù)表明，機(jī)械制造業(yè)內(nèi)平均一個(gè)新產(chǎn)品中的大約40%～50%的零件和已有的零件完全一樣，30%～40%要在己有零件基礎(chǔ)上作很少的修改，只有10%～20%的零件是全新的設(shè)計(jì)［１］。在產(chǎn)品設(shè)計(jì)過(guò)程中，設(shè)計(jì)人員大多在過(guò)去相似設(shè)計(jì)案例的基礎(chǔ)上進(jìn)行修改調(diào)整而生成新的設(shè)計(jì)方案。由此可見(jiàn)，絕大多數(shù)的產(chǎn)品設(shè)計(jì)都是對(duì)己有設(shè)計(jì)知識(shí)的重用。重用已有的知識(shí)可以節(jié)省資源，并提高產(chǎn)品可靠質(zhì)量。面向產(chǎn)品設(shè)計(jì)的知識(shí)推理就是針對(duì)用戶提出的問(wèn)題，對(duì)產(chǎn)品設(shè)計(jì)知識(shí)庫(kù)中的知識(shí)進(jìn)行推理，得到問(wèn)題的答案，最終實(shí)現(xiàn)知識(shí)的重用。現(xiàn)有的產(chǎn)品設(shè)計(jì)知識(shí)推理主要完成兩種任務(wù)：一是維護(hù)和擴(kuò)展產(chǎn)品設(shè)計(jì)知識(shí)庫(kù)，針對(duì)知識(shí)庫(kù)中的知識(shí)，通過(guò)推理得到隱含的信息或者不一致的信息；二是針對(duì)待解決的問(wèn)題，從知識(shí)庫(kù)中找出與其相似的已有問(wèn)題解決的方法。

經(jīng)典的知識(shí)推理模式是規(guī)則推理，規(guī)則推理是將知識(shí)、經(jīng)驗(yàn)表述成規(guī)則，找到事實(shí)庫(kù)中與規(guī)則前提相匹配的事實(shí)的過(guò)程。由于規(guī)則推理直觀、模塊性強(qiáng)、邏輯清晰，所以被用來(lái)作為早期專家系統(tǒng)的開(kāi)發(fā)。CONDES［２］是基于規(guī)則推理的產(chǎn)品概念設(shè)計(jì)系統(tǒng)。規(guī)則推理適用于知識(shí)比較規(guī)范、嚴(yán)謹(jǐn)?shù)念I(lǐng)域，但是規(guī)則推理不能適應(yīng)知識(shí)庫(kù)的動(dòng)態(tài)發(fā)展；問(wèn)題必須和規(guī)則相匹配；系統(tǒng)開(kāi)發(fā)和維護(hù)困難；不具備記憶能力；推理效率低下、自適應(yīng)能力差等。隨著人工智能的發(fā)展，案例推理和不確定推理等相關(guān)推理模式得到運(yùn)用，綜合使用多種推理方法的混合推理也逐漸成為知識(shí)推理發(fā)展的熱點(diǎn)。

１ 案例推理

案例推理是利用案例庫(kù)存儲(chǔ)歷史經(jīng)驗(yàn)，檢索案例庫(kù)以找到與現(xiàn)有問(wèn)題相似的案例，是重用過(guò)去的知識(shí)來(lái)解決當(dāng)前問(wèn)題的一種推理方法［３］。案例推理具有信息的完全表達(dá)、增量式學(xué)習(xí)、知識(shí)獲取較為容易、求解效率高的優(yōu)點(diǎn)，早期出現(xiàn)基于案例推理的機(jī)械輔助設(shè)計(jì)系統(tǒng)CADET［４］，能檢索出以往成功的設(shè)計(jì)，同時(shí)避免出現(xiàn)過(guò)的問(wèn)題。經(jīng)典的案例推理步驟是Aamodt在1994年提出的著名的4階段循環(huán)的“4R”理論，分別是檢索、重用、修正和保存。案例推理中重點(diǎn)要解決的問(wèn)題是：案例表示，案例檢索與案例修正問(wèn)題：

１.１ 案例表示

案例表示是將知識(shí)表示成案例的形式。Gilboa在1995年提出了案例的三元組表示方法：〈問(wèn)題描述、解描述、效果描述〉。常用的案例表示方法有：特征向量表示法、框架表示法、語(yǔ)義網(wǎng)絡(luò)表示法、面向?qū)ο蟊硎痉ǖ龋部梢曰旌鲜褂眠@些方法進(jìn)行案例表示。

特征向量表示法是將案例的各個(gè)屬性提取出來(lái)，并賦予相應(yīng)的權(quán)值，案例就表示成一組特征向量。產(chǎn)品創(chuàng)新設(shè)計(jì)原型系統(tǒng)PIRS［５］中，采用87個(gè)屬性作為特征，案例檢索時(shí)將待檢索的案例與案例庫(kù)中的案例進(jìn)行匹配。特征向量表示模型簡(jiǎn)單，結(jié)構(gòu)清晰，但是只能定量的描述簡(jiǎn)單案例，這種方法存在很多缺陷：如果對(duì)新問(wèn)題不熟悉就無(wú)法確定案例的特征，也無(wú)法表示案例中隱含的信息，并且很難確定一組適用于所有產(chǎn)品案例的權(quán)重值。

語(yǔ)義網(wǎng)絡(luò)表示法是利用概念及語(yǔ)義關(guān)系來(lái)表示知識(shí)。維修案例推理［６］采用六元組形式的產(chǎn)品本體。語(yǔ)義網(wǎng)絡(luò)表示法明確、簡(jiǎn)潔，表示范圍廣泛，表示能力強(qiáng)；但是網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜時(shí)推理就難以進(jìn)行，不便于表達(dá)判斷性知識(shí)與深層知識(shí)。

面向?qū)ο蟊硎痉ㄖ邪咐怯蓪?duì)象組成，對(duì)象表示案例的一個(gè)部分。如采用面向?qū)ο蟮漠a(chǎn)品設(shè)計(jì)［７］，實(shí)現(xiàn)了模塊化設(shè)計(jì)，具有較高的推理效率。其優(yōu)點(diǎn)是自然，易于理解；繼承的層次性和結(jié)構(gòu)性能降低問(wèn)題描述和推理的復(fù)雜度；便于知識(shí)庫(kù)的修改和維護(hù)，推理效率高。面向?qū)ο蟊硎痉ň哂辛己玫募嫒菪院挽`活性，能夠結(jié)合其它表示方法進(jìn)行表示，常用面向?qū)ο蟊硎痉ㄅc框架表示法結(jié)合［８］，案例作為對(duì)象，一個(gè)框架描述一個(gè)對(duì)象，框架的槽描述對(duì)象的特征，框架的值用來(lái)描述案例對(duì)象的特征參數(shù)。

復(fù)雜產(chǎn)品的知識(shí)類型多樣、結(jié)構(gòu)復(fù)雜，單一表示方法表示產(chǎn)品案例存在一定的局限性，一些案例還包含許多非結(jié)構(gòu)化的設(shè)計(jì)信息，因此，要確定合理的案例表示方法來(lái)解決問(wèn)題。

１.２ 案例索引與案例檢索

案例推理中主要采用的檢索策略有：最近相鄰策略、歸納推理策略、知識(shí)引導(dǎo)策略、模板檢索法、模糊檢索及神經(jīng)網(wǎng)絡(luò)檢索模型等，這些策略可以單獨(dú)使用也可以混合使用。案例的相似性計(jì)算則會(huì)結(jié)合一些技術(shù)：決策樹(shù)、粗糙集、證據(jù)理論、聚類分析、同異反度量算法、層次分析法。

最相鄰近方法適用于案例由特征向量表示的系統(tǒng)。該方法通過(guò)計(jì)算新舊案例各特征的加權(quán)平均和來(lái)度量案例的相似性，其優(yōu)點(diǎn)是方便實(shí)用，在案例數(shù)量較小的情況檢索效率較高，但是案例庫(kù)中案例數(shù)量增加時(shí)其檢索效率下降。一些研究針對(duì)最近相鄰法的不足提出了改進(jìn)：自動(dòng)武器設(shè)計(jì)系統(tǒng)［９］結(jié)合聚類算法對(duì)其進(jìn)行改進(jìn)，首先進(jìn)行案例的聚類，推理時(shí)新案例直接根據(jù)聚類的均值在聚類中搜索相近案例。產(chǎn)品設(shè)計(jì)［１０］研究結(jié)合模糊推理對(duì)其進(jìn)行改進(jìn)，解決相似度計(jì)算中屬性的非線性影響和權(quán)重的不精確性問(wèn)題。

歸納索引法不斷的從案例的各組織成分中歸納出最能將該案例與其它案例區(qū)分開(kāi)來(lái)的成分，并對(duì)案例庫(kù)建立索引，將案例組織成一個(gè)層次結(jié)構(gòu)。歸納法適用于案例比較多的情況；但是歸納索引必須有足夠的典型案例，才能進(jìn)行有效的歸納；復(fù)雜產(chǎn)品案例庫(kù)的規(guī)模往往比較大，對(duì)于以歸納法為基礎(chǔ)的檢索模型，建立案例庫(kù)的決策樹(shù)需要花費(fèi)大量的時(shí)間。

知識(shí)引導(dǎo)策略是利用已知的知識(shí)來(lái)引導(dǎo)和確定案例檢索中關(guān)鍵的特征屬性，并根據(jù)這些特征屬性來(lái)進(jìn)行案例檢索，其特點(diǎn)是案例的組織和檢索具有動(dòng)態(tài)的特征。如產(chǎn)品包裝設(shè)計(jì)研究［１１］中，按產(chǎn)品特性對(duì)產(chǎn)品包裝的影響程度依次檢索，直至得到與該產(chǎn)品各個(gè)特性最接近的產(chǎn)品包裝設(shè)計(jì)方案。該策略常和其它策略一起使用，特別在大型案例庫(kù)及領(lǐng)域理解還不一致的情況。需要人工確定產(chǎn)品案例中重要影響的特征。

一些研究結(jié)合多種檢索策略，智能方案設(shè)計(jì)支持系統(tǒng)［１２］中，檢索策略結(jié)合最近相鄰策略和知識(shí)引導(dǎo)策略。首先根據(jù)關(guān)鍵指標(biāo)對(duì)案例庫(kù)進(jìn)行初步檢索，然后將初步檢索后得到的各案例指標(biāo)集輪流與設(shè)計(jì)方案要求指標(biāo)集輸入神經(jīng)網(wǎng)絡(luò)推理機(jī)進(jìn)行相似度計(jì)算。

目前的相似度計(jì)算方法在復(fù)雜環(huán)境下，明顯存在下列不足：相似度的計(jì)算難以處理不確定屬性，而且很難綜合考慮表層特征和深層信息。

１.３ 案例修正

案例修正就是對(duì)案例進(jìn)行調(diào)整、修改，使其更能準(zhǔn)確地反映問(wèn)題的本質(zhì)特征，并向?qū)嶋H情況逐漸逼近。案例修正［１３－１４］的方法主要有4類：替換修正，將舊的案例中的相關(guān)值進(jìn)行替換；轉(zhuǎn)換修正，使用啟發(fā)方式來(lái)修正案例；特定目標(biāo)驅(qū)動(dòng)修正，利用規(guī)則推理給進(jìn)行適應(yīng)性修改；派生重演，將基于回歸分析和規(guī)則推理相結(jié)合［１５］修正案例。目前實(shí)現(xiàn)上述修正方法主要是運(yùn)用一些人工智能和機(jī)器學(xué)習(xí)的技術(shù)，如數(shù)據(jù)挖掘、約束滿意問(wèn)題解決、基于規(guī)則推理等。其中規(guī)則推理是比較常用的方法，在混合推理部分進(jìn)行介紹。

１.４ 案例推理的改進(jìn)

現(xiàn)有的復(fù)雜產(chǎn)品設(shè)計(jì)研究理論大多是針對(duì)單級(jí)案例的檢索方法進(jìn)行討論的，而實(shí)際工程設(shè)計(jì)中，一個(gè)復(fù)雜產(chǎn)品案例包含有多個(gè)且具有多層次結(jié)構(gòu)的功能，由此很多研究提出多級(jí)案例推理算法模型，對(duì)案例進(jìn)行深入檢索。

文獻(xiàn)［１６］提出的多級(jí)案例推理模型就是首先將案例庫(kù)分為若干個(gè)模塊，每個(gè)模塊對(duì)應(yīng)相應(yīng)的模塊案例庫(kù)，檢索時(shí)根據(jù)模塊特征屬性檢索模塊案例庫(kù)，對(duì)搜索結(jié)果進(jìn)行綜合處理形成初始設(shè)計(jì)方案；若模塊結(jié)構(gòu)特征比較復(fù)雜，則可以分解為更多級(jí)，通過(guò)檢索子模塊的解決方案來(lái)獲得父模塊的解決方案。類似研究有：大型水輪機(jī)結(jié)構(gòu)投標(biāo)方案設(shè)計(jì)［１７］、大型復(fù)雜產(chǎn)品方案設(shè)計(jì)［１８］。多級(jí)案例推理與重用方法的實(shí)施，使得只需修改或者替換歷史相似設(shè)計(jì)實(shí)例的部分模塊就可以得到目標(biāo)方案，并且有可能在實(shí)例不充分的情況下獲得有效的設(shè)計(jì)方案，豐富了復(fù)雜產(chǎn)品方案設(shè)計(jì)與知識(shí)重用技術(shù)的研究?jī)?nèi)容。還有一些學(xué)者將案例分為兩個(gè)層次［１９］：原型案例概括設(shè)計(jì)過(guò)程的基本特征并對(duì)應(yīng)一組功能案例；功能案例檢索限制在所選擇的原型案例的范圍內(nèi)，推理進(jìn)行兩次檢索和匹配，通過(guò)限定檢索空間提高檢索效率。一些研究引入其它的方法來(lái)進(jìn)行案例庫(kù)的構(gòu)建［２０］：使用自組織映射神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)案例的動(dòng)態(tài)聚類，并在此基礎(chǔ)上構(gòu)造分層多級(jí)案例庫(kù)，采用粗、細(xì)兩級(jí)檢索策略進(jìn)行相似案例的選擇。

與傳統(tǒng)單級(jí)案例推理相比較，多級(jí)案例推理將復(fù)雜產(chǎn)品設(shè)計(jì)過(guò)程中的所有特征屬性映射至各級(jí)模塊中，使整個(gè)產(chǎn)品案例的檢索分解為各級(jí)模塊檢索，簡(jiǎn)化了復(fù)雜產(chǎn)品的檢索難度，因此多級(jí)案例推理方法更具靈活性，檢索結(jié)果更準(zhǔn)確合理，能有效提高案例推理系統(tǒng)性能。

２ 不確定推理

產(chǎn)品設(shè)計(jì)問(wèn)題的求解必須面向結(jié)構(gòu)不良的復(fù)雜問(wèn)題，設(shè)計(jì)問(wèn)題的信息常常具有不確定性、模糊性和不完備性。不確定推理的過(guò)程就是由初始證據(jù)的可信度值和規(guī)則強(qiáng)度出發(fā)，更新結(jié)論的可信度值生成新的證據(jù)及其可信度值，重復(fù)過(guò)程直到得出結(jié)論為止［２１］。產(chǎn)品設(shè)計(jì)的推理中最常用的不確定推理方法有：模糊Petri網(wǎng)，模糊神經(jīng)網(wǎng)絡(luò)，定性推理、多色集合理論等。

２.１ 模糊Petri網(wǎng)（Fuzzy Petri Net，F(xiàn)PN）

模糊Petri網(wǎng)是基于模糊產(chǎn)生式規(guī)則的FPN模型和基于遞歸的逆向知識(shí)推理算法。具有較強(qiáng)的動(dòng)態(tài)分析能力，突出的并發(fā)性；適合描述系統(tǒng)的并發(fā)，資源的競(jìng)爭(zhēng)、同步等特性，因而常用于產(chǎn)品設(shè)計(jì)中流程的建模、工作流、計(jì)算機(jī)系統(tǒng)設(shè)計(jì)等方面［２２］。采用Petri網(wǎng)推理進(jìn)行數(shù)碼產(chǎn)品的設(shè)計(jì)［２３］；提出基于面向?qū)ο笾R(shí)Petri網(wǎng)的產(chǎn)品設(shè)計(jì)和規(guī)劃集成方法；一些研究結(jié)合其它方法針對(duì)Petri網(wǎng)進(jìn)行改進(jìn)［２４］：提出基于分層有色Petri網(wǎng)的設(shè)計(jì)流程建模方法，既能層次化的描述復(fù)雜的建模過(guò)程，避免了系統(tǒng)結(jié)構(gòu)過(guò)于龐大缺乏柔性，又把簡(jiǎn)單模型和詳細(xì)模塊有效的結(jié)合在一起。

２.２ 模糊神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是模擬人腦組織結(jié)構(gòu)和人類認(rèn)知過(guò)程的信息處理系統(tǒng)。神經(jīng)網(wǎng)絡(luò)的推理過(guò)程實(shí)際上是數(shù)值計(jì)算，神經(jīng)網(wǎng)絡(luò)利用遺傳算法的學(xué)習(xí)能力，輔助專家系統(tǒng)自動(dòng)獲取知識(shí)，形成決策規(guī)則。把神經(jīng)網(wǎng)絡(luò)應(yīng)用于知識(shí)推理，能夠充分利用其學(xué)習(xí)能力、集團(tuán)運(yùn)算能力以及大規(guī)模并行分布式存儲(chǔ)與處理能力，實(shí)現(xiàn)求解空間的并行聯(lián)想搜索和自適應(yīng)推理。如橋梁甲板的結(jié)構(gòu)優(yōu)化問(wèn)題研究［２５］，將人工神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合，用于橋梁甲板的結(jié)構(gòu)優(yōu)化問(wèn)題，通過(guò)集成推理，使得到優(yōu)化方案的時(shí)間大大減少。但模糊神經(jīng)網(wǎng)絡(luò)還存在著一些不足：難以表達(dá)知識(shí)，需要大量數(shù)據(jù)，且訓(xùn)練時(shí)間長(zhǎng)；依賴于設(shè)計(jì)特征和特征值的相似性，難以處理事先未訓(xùn)練的異常情況。因此，實(shí)際應(yīng)用中往往與其他推理技術(shù)結(jié)合使用。

２.３ 定性推理

定性推理在信息不完全情況下可以給出系統(tǒng)的行為預(yù)測(cè)及大致的設(shè)計(jì)方向，能夠部分提高概念設(shè)計(jì)階段的計(jì)算機(jī)輔助設(shè)計(jì)水平。文獻(xiàn)［２６］研究了定性推理在產(chǎn)品概念設(shè)計(jì)中的應(yīng)用，利用定性推理在信息不完全情況下所具有的定性行為預(yù)測(cè)功能，能夠部分提高概念設(shè)計(jì)階段的計(jì)算機(jī)輔助設(shè)計(jì)水平。

２.４ 多色集合理論

多色集合中元素及集合可通過(guò)顏色來(lái)描述，用來(lái)表示研究對(duì)象和其元素的性質(zhì)，能很好地描述功能方法樹(shù)中層與層之間的關(guān)系，因而用多色集合理論可以作為功能分解和方案求解的推理基礎(chǔ)，文獻(xiàn)［２７］則采用多色集合理論建立工藝規(guī)劃模型，并結(jié)合模糊算法和遺傳算法進(jìn)行決策推理。

３ 混合推理及新技術(shù)

隨著系統(tǒng)要求的提高，單個(gè)推理方法逐漸不能滿足推理要求，混合推理是使用兩種或兩種以上的推理技術(shù)，通過(guò)一定的信息交換和相互協(xié)作共同生成概念設(shè)計(jì)優(yōu)化方案，解決單一推理方法效率低下、不能快速獲得最優(yōu)方案的缺點(diǎn)。

３.１ 結(jié)合案例推理與規(guī)則推理

大多數(shù)產(chǎn)品設(shè)計(jì)的推理研究采用案例推理和規(guī)則推理相結(jié)合的方法，規(guī)則推理的案例推理的混合推理一般有兩種模式：一是采用規(guī)則推理對(duì)檢索出來(lái)的案例進(jìn)行案例修正或改寫參數(shù)實(shí)現(xiàn)改型設(shè)計(jì)，當(dāng)案例不存在或者不完全匹配時(shí)，直接采用規(guī)則推理得到的參數(shù)。如PANDA［２８］是發(fā)動(dòng)機(jī)設(shè)計(jì)系統(tǒng)，采用規(guī)則和子案例組合實(shí)現(xiàn)案例修正，采用KNN策略進(jìn)行案例檢索。采煤機(jī)概念設(shè)計(jì)［２９］研究中，首先進(jìn)行案例推理，檢索到相似案例，然后利用規(guī)則推理改寫參數(shù)，最后人工干預(yù)修改后為新問(wèn)題所重用。類似研究有計(jì)算機(jī)輔助產(chǎn)品的過(guò)程設(shè)計(jì)［３０］。但規(guī)則推理進(jìn)行案例修正主要存在以下問(wèn)題：如何保證規(guī)則的一致性及完備性；如何提高推理速度等。二是先進(jìn)行規(guī)則推理形成初始方案，然后再進(jìn)行案例推理。如規(guī)則推理解決參數(shù)之間的關(guān)聯(lián)問(wèn)題，如斗式提升機(jī)設(shè)計(jì)專家系統(tǒng)［３１］研究，利用規(guī)則推理初算一個(gè)可行解，再根據(jù)這個(gè)可行解進(jìn)行案例推理。針對(duì)復(fù)雜產(chǎn)品中的案例推理和規(guī)則推理相結(jié)合可以處理不同的知識(shí)，產(chǎn)品設(shè)計(jì)中可用規(guī)則推理定位需求再進(jìn)行案例推理。

３.２ 結(jié)合模糊神經(jīng)網(wǎng)絡(luò)和案例推理

結(jié)合神經(jīng)網(wǎng)絡(luò)和案例推理主要有兩種方式：一是利用與求解問(wèn)題及初始條件相關(guān)的案例訓(xùn)練神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)的運(yùn)算結(jié)果還原后就是案例推理的結(jié)果，如［３２］產(chǎn)品設(shè)計(jì)系統(tǒng)，利用神經(jīng)網(wǎng)絡(luò)對(duì)案例訓(xùn)練，能增強(qiáng)案例推理的自學(xué)習(xí)，自適應(yīng)能力。二是將神經(jīng)網(wǎng)絡(luò)用于案例的相似度計(jì)算：如［３３］導(dǎo)彈產(chǎn)品設(shè)計(jì)，將知識(shí)表示成廣義模糊產(chǎn)生式規(guī)則，然后將規(guī)則轉(zhuǎn)化為神經(jīng)網(wǎng)絡(luò)，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)樣本的學(xué)習(xí)自動(dòng)修正網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)和連接權(quán)值。經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)計(jì)算后的輸出即是當(dāng)前設(shè)計(jì)任務(wù)與各案例的相似度。

一些研究結(jié)合定性推理和案例推理，如［３４］中案例推理采用基于劃分聚類和模糊神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)案例相似性檢索方法。案例調(diào)整采用神經(jīng)規(guī)則的定性描述量參數(shù)調(diào)整和基于定性規(guī)則的量化參數(shù)調(diào)整。

３.３ 語(yǔ)義網(wǎng)推理技術(shù)

由于本體具有共享和重用的特性，本體技術(shù)也逐漸應(yīng)用到產(chǎn)品設(shè)計(jì)的支持系統(tǒng)中。通過(guò)語(yǔ)義技術(shù)，信息能被計(jì)算機(jī)本身所理解，計(jì)算機(jī)能在理解的基礎(chǔ)上進(jìn)行推理操作。本體推理的目標(biāo)一方面是從已知的知識(shí)中推理隱含的知識(shí)，另一方面是沖突檢測(cè)、優(yōu)化表達(dá)等。

基于本體推理在產(chǎn)品設(shè)計(jì)系統(tǒng)中的應(yīng)用主要體現(xiàn)在兩個(gè)方面：描述邏輯推理和SWRL推理。描述邏輯的主要作用是進(jìn)行隱含信息推理，支持描述邏輯的推理機(jī)有Racer、Pellet、FACT+ +等。采用描述邏輯推理實(shí)現(xiàn)產(chǎn)品的概念分類。Jess、prolog、CLIPS等推理引擎支持SWRL，能夠利用OWL DL進(jìn)行規(guī)則推理［３５］，采用Jess推理機(jī)在OWL知識(shí)庫(kù)上進(jìn)行推理。SPARQL偏重于對(duì)本體進(jìn)行查詢，Jena推理引擎支持查詢。這些方法無(wú)法單純的應(yīng)用到復(fù)雜產(chǎn)品的推理中，僅僅使用本體無(wú)法全面的對(duì)復(fù)雜產(chǎn)品領(lǐng)域的知識(shí)進(jìn)行表示和推理，因此常常將語(yǔ)義網(wǎng)技術(shù)結(jié)合其它方法來(lái)進(jìn)行知識(shí)推理。

將案例推理技術(shù)結(jié)合語(yǔ)義網(wǎng)技術(shù)應(yīng)用到產(chǎn)品開(kāi)發(fā)設(shè)計(jì)過(guò)程中在國(guó)內(nèi)外均處于起步階段，國(guó)內(nèi)外相關(guān)的研究主要集中在兩個(gè)方面：一是本體與案例推理相結(jié)合的方法研究，如基于語(yǔ)義的案例推理框架［３６］研究，知識(shí)密集型領(lǐng)域的案例推理框架［３７］研究。二是利用本體對(duì)產(chǎn)品設(shè)計(jì)的案例進(jìn)行表示，然后進(jìn)行推理應(yīng)用。這樣的研究有：產(chǎn)品設(shè)計(jì)原型系統(tǒng)［３８］，復(fù)雜產(chǎn)品層次語(yǔ)義模型的研究［３９］。有些學(xué)者針對(duì)本體表示和案例推理的方法進(jìn)行改進(jìn)，如［４０］用本體描述復(fù)雜產(chǎn)品案例的子案例，以框架組織子案例成復(fù)雜產(chǎn)品案例，采用語(yǔ)義相似度計(jì)算子案例的相似度，采用最近相鄰策略來(lái)進(jìn)行整體案例的相似度計(jì)算。與傳統(tǒng)案例知識(shí)的表示相比，結(jié)合語(yǔ)義網(wǎng)的案例表示方法具有如下特點(diǎn)：良好可擴(kuò)展性，采用本體進(jìn)行表示，這種案例組織結(jié)構(gòu)自然，結(jié)構(gòu)清晰；數(shù)據(jù)與方法相獨(dú)立，本體數(shù)據(jù)與案例推理方法相獨(dú)立；可重用性和共享，案例庫(kù)之間可以進(jìn)行共享。

４ 總 結(jié)

對(duì)產(chǎn)品設(shè)計(jì)來(lái)說(shuō)需要用到各種知識(shí)，經(jīng)驗(yàn)型和案例型知識(shí)通常可以用案例推理來(lái)解決，而啟發(fā)式知識(shí)、過(guò)程知識(shí)、約束知識(shí)等解決產(chǎn)品結(jié)構(gòu)參數(shù)設(shè)計(jì)比較適合用規(guī)則推理來(lái)解決。產(chǎn)品設(shè)計(jì)中存在一些模糊知識(shí)，無(wú)法用確定的知識(shí)表示方法進(jìn)行表示，因而適用不確定推理進(jìn)行表示。而混合推理能夠結(jié)合多種方法的優(yōu)勢(shì)，能夠彌補(bǔ)單一推理方法的缺陷，也成為近年來(lái)復(fù)雜產(chǎn)品知識(shí)表示研究的重點(diǎn)。

隨著語(yǔ)義網(wǎng)的發(fā)展，結(jié)合語(yǔ)義網(wǎng)技術(shù)的復(fù)雜產(chǎn)品推理也成為一個(gè)新的研究方向，復(fù)雜產(chǎn)品設(shè)計(jì)中存在大量概念和復(fù)雜的關(guān)系，通過(guò)語(yǔ)義技術(shù)可以使計(jì)算機(jī)在理解的基礎(chǔ)上推理出隱含的語(yǔ)義關(guān)聯(lián)，維護(hù)知識(shí)的一致性，實(shí)現(xiàn)知識(shí)的共享與重用。

參考文獻(xiàn)

［１］M.Rezayat.Knowledge-based Computer-Aided Design［Ｊ］.Product Development using XML and KCS，2002，(5):209-299．

［２］Kusiak A.,Szczerbicki E.,Vujosevic R.Intelligent design synthesis:an object-oriented approach［Ｊ］.International Journal of Production Research,1991,29(7)：1291-1308．

［３］Diaz-Agudo,B.and P.A.González-Calero,An Ontological Approach to Develop Knowledge Intensive CBR Systems,in Ontologies,R.Sharman,R.Kishore,and R.Ramesh,Editors.2007,Springer US.p.173-213.

［４］Sycara K.CADET:a case-based synthesis tool for engineering design［Ｊ］.International Journal for Expert System，1992,4(ii):157-88．

［５］Wu,M.C.,Y.F.Lo,and S.H.Hsu,A case-based reasoning approach to generating new product ideas［Ｊ］.International Journal of Advanced Manufacturing Technology,2006，30(1-2):166-173.

［６］聞敬謙,李青.基于本體的語(yǔ)義相似在維修案例推理中應(yīng)用［Ｊ］.北京航空航天大學(xué)報(bào),2009，(2)：223-226.

［７］張榮,段黎明,周劍波.基于案例推理的自動(dòng)化產(chǎn)品輔助設(shè)計(jì)研究［Ｊ］.機(jī)械制造與自化,2004，(3):67-69.

［８］宋玉銀，等.基于案例推理的產(chǎn)品概念設(shè)計(jì)系統(tǒng)［Ｊ］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版,1998，(8):6-9.

［９］胡良明．改進(jìn)最近鄰法在基于案例推理的自動(dòng)武器設(shè)計(jì)系統(tǒng)中的應(yīng)用［Ｊ］.制造業(yè)自化,2008，(11):93-95.

［１０］Cheng,C.B.,A fuzzy inference system for similarity assessment in case-based reasoning systems:An application to product design［Ｊ］.Mathematical and Computer Modelling,2003，38(3-4):385-394.

［１１］于江,王征,嚴(yán)新民．基于案例推理的產(chǎn)品包裝設(shè)計(jì)系統(tǒng)［Ｊ］.計(jì)算機(jī)應(yīng)用,2003，(1):39-40，43.

［１２］徐曉臻,卞瑞花,高國(guó)安．基于BP網(wǎng)的案例推理在智能方案設(shè)計(jì)支持系統(tǒng)中的實(shí)現(xiàn)［Ｊ］.哈爾濱工業(yè)大學(xué)學(xué)報(bào),2000，(4):10-13.

［１３］Policastro C A,Carvalho,A C P L F,Delbem,A C B,A Hybrid Case Adaptation Approach for Case-Based Reasoning［Ｊ］.Application Intelligent，2008,28:101-119.

［１４］Susan Craw,Nirmalie Wiratunga,Ray C Rowe.Learning Adaptation Knowledge to Improve Case-Based Reasoning［Ｊ］.Artificial Intelligence，2006,170(16-17):1175-1192.

［１５］宋欣, 郭偉，王志勇．基于回歸分析和規(guī)則推理的實(shí)例調(diào)整機(jī)制［Ｊ］.天津大學(xué)學(xué)報(bào),2009，(2):95-100.

［１６］凌衛(wèi)青,趙艾萍,謝友柏.基于案例的產(chǎn)品設(shè)計(jì)知識(shí)獲取方法及實(shí)現(xiàn)［Ｊ］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2002,14(11):1014-1019.

［１７］鐘詩(shī)勝,李江,王泉龍,等.基于案例的大型水輪機(jī)結(jié)構(gòu)投標(biāo)方案設(shè)計(jì)［Ｊ］.計(jì)算機(jī)集成制造系統(tǒng),2004,10(6).

［１８］王體春,卜良峰,王威．基于知識(shí)重用的產(chǎn)品方案設(shè)計(jì)多級(jí)案例推理模型［Ｊ］.計(jì)算機(jī)集成制造系統(tǒng),2011，(3):571-576.

［１９］史琦,李原,楊海成．基于案例推理的產(chǎn)品概念設(shè)計(jì)模型研究［Ｊ］.計(jì)算機(jī)應(yīng)用,2000，(S1):81-83.

［２０］杜輝,葉文華,樓佩煌．基于案例推理技術(shù)在模塊變型設(shè)計(jì)中的應(yīng)用研究［Ｊ］.山東大學(xué)學(xué)報(bào)：工學(xué)版,2011，(1):78-85.

［２１］Zadeh L.A.，F(xiàn)uzzy sets,Information and Control,1965,（8）：338-353．

［２２］Yuan,S.C.and X.K.Jiang,Application of Petri net in digital product design.3rd China-Japan Conference on Mechatronics 2006 Fuzhou,2006:295-299.

［２３］X.F.Zha.An object-oriented knowledge based Petri net approach to intelligent integration of design and assembly planning［Ｊ］.Artificial Intelligence in Engineering，2000,14:83-112．

［２４］黃洪鐘,劉偉,李麗.產(chǎn)品協(xié)同設(shè)計(jì)過(guò)程建模研究［Ｊ］.計(jì)算機(jī)集成制造系統(tǒng)-CIMS.2003，9(11):955-959．

［２５］Srinivas V,Raman jane yulu K.Anintegrated approach for optimum design of bridge decks using genetical gorithms and artificial neural networks［Ｊ］.Advances in Engineering Software,2007,38(7):475-487.

［２６］趙克,李向?qū)?石莉.定性推理在產(chǎn)品概念設(shè)計(jì)中的應(yīng)用研究［Ｊ］.機(jī)械科學(xué)與技術(shù),2002,21(6)：1028-1030.

［２７］劉曉陽(yáng)．基于多色集合理論的加工工藝規(guī)劃建模與推理技術(shù)的研究［Ｄ］.河北科技大學(xué)，2011.

［２８］S Roderman,C Tsatsoulis.PANDA:A Case-Based System to Aid Novice Designers［Ｊ］.Artificial Intelligence for Engineering Design,Analysis and Manufacturing,1993(2)：125-134.

［２９］丁華,楊兆建,姚晶．采煤機(jī)概念設(shè)計(jì)的知識(shí)表示與知識(shí)推理［Ｊ］.機(jī)械設(shè)計(jì)與制造,2011，(6):216-218.

［３０］Pham,D.T.and C.Gologlu,A computer aided process planning system for concurrent engineering［Ｊ］.Proceedings of the Institution of Mechanical Engineers Part B-Journal of Engineering Manufacture,2001，215(8):1117-1131.

［３１］王飛．基于實(shí)例與規(guī)則推理的斗式提升機(jī)設(shè)計(jì)專家系統(tǒng)研究［Ｄ］.燕山大學(xué)，2006.

［３２］Jung,S.,T.Lim,and D.Kim,Integrating radial basis function networks with case-based reasoning for product design［Ｊ］.Expert Systems with Applications,2009，36(3):5695-5701.

［３３］李海剛,高國(guó)安．面向產(chǎn)品并行設(shè)計(jì)的知識(shí)基智能化推理決策系統(tǒng)研究［Ｊ］.機(jī)械設(shè)計(jì),2000，(2):37-39.

［３４］谷建光．基于知識(shí)工程的固體發(fā)動(dòng)機(jī)設(shè)計(jì)方法及其應(yīng)用研究［Ｄ］.國(guó)防科學(xué)技術(shù)大學(xué)，2008.

［３５］Tsai,M.P.,A Knowledge-based System for Product Design with Modules.Advanced Design and Manufacture Ii,2010：419-420，553-556.

［３６］Bichindaritz I．，M餰moire：A Framework for Semantic Interoperability of Case-based Reasoning Systems in Biology and Medicine［Ｊ］．Artificial Intelligence In Medicine，2006，36(2)：177-192．

［３７］Diaz-Agudo B．，Gonzalez-Calero P.A．Ontologies in the Context of Information Systems，An Ontological Approach to Develop Knowledge Intensive CBR systems, p.45．Springer，2006．

［３８］王生發(fā)，等．面向案例推理的產(chǎn)品設(shè)計(jì)本體建模研究及應(yīng)用［Ｊ］.機(jī)械工程學(xué)報(bào),2007，(3):112-117.

［３９］Christopher D C,William C R,Ilya B,et al.A collaborative 3D environment for authoring of design semantics［Ｊ］.IEEE Computer Grahics and Applications,2002,22(3):43-55．

［４０］張鵬程．基于語(yǔ)義的復(fù)雜產(chǎn)品案例庫(kù)和推理技術(shù)研究［Ｄ］.南京理工大學(xué)，2008.

（本文責(zé)任編輯：王 涓）