復雜產品全生命周期數據模型關聯優化技術*

余進文 佟國香 屈亞寧 王 萍

（1.上海理工大學光電信息與計算機工程學院 上海 200093）

（2.山東山大華天軟件有限公司 濟南 250000）

1 引言

伴隨著經濟全球化和信息技術的快速發展，產品全生命周期管理（Product Lifecycle Management，PLM）的概念隨之產生［1］。

PLM 系統是以數據為核心的集產品全生命周期的各個階段為一體的統一管理平臺［2］。企業員工、用戶及合作伙伴均可以使用該平臺進行高效協同工作。

全球各大知名企業如西門子公司、PTC 公司、達索公司的相關軟件都有力地證明了PLM 系統在大型制造業公司中的重要地位。

波音公司將PLM 系統應用到飛機制造領域，開創性地使用了協同制造技術和數字孿生技術，縮短了各型號飛機的研制周期，提高了生產效率和企業的競爭力。

PLM系統的關鍵技術是產品全生命周期建模，它覆蓋了產品全生命周期內的各種活動［3］。目前研究熱點主要有面向產品生命周期不同階段的產品信息建模、從動態可擴展的角度建立產品模型、以產品知識模型為核心建立產品模型、產品建模和過程建模相聯系、元數據建模技術與本體相結合等［4］。浙江大學顧巧祥等分析了產品全生命周期模型特點，結合元模型技術與本體建模技術，在元模型的基礎上構建產品全生命周期數據本體，基于元模型提出產品概念模型和產品全生命周期數據模型。通過描述產品本體論的概念描述了一個可擴展的產品數據框架［5］，該框架是分布式產品生命周期數據管理系統的基礎。Ghang 等開發了一種稱為喬治亞技術的從過程到產品建模（GTPPM）的PPM 方法［6］，并研究了PPM 的需求收集和建模的語義和語法。其需求收集方法提供了集成過程模型與其中使用的一組特定信息項的理論鏈接。這種理論聯系使建模人員能夠捕獲活動中使用的信息的內容、范圍、粒度和語義。提高了產品建模的效率。Xi等提出采用知識本體來描述信息模型的概念、屬性和關系。使用數據鏈接構建技術將信息模型轉換為基于本體的RDF 數據，并將這些實體與DBpedia 和GeoNames相連接。提高了數據庫中信息模型的可訪問性、互操作性和重用性［7］。

目前PLM 系統大多應用于文檔管理，難以解決跨系統異構平臺之間數據交互難的問題。PLM系統通常使用XML 文件作為中間介質完成模型之間的關聯與映射，再把系統中的模型信息存儲到知識庫中［8～9］。大多數方法缺乏統一規劃，難以做到信息模型的統一管理，只實現了關聯模型在分系統間的傳遞與交互［10］。復雜產品的研制涉及的數據信息遍歷概念、設計、采購、制造、銷售和售后各階段，數據間的相互關聯錯綜復雜。不同的信息模型在語義上需要一致的表達方法［11］。以不同領域目標設計為前提的優化，在面向產品整個生命周期時可能發生沖突［12］。本文以后機身平尾系統為例，分析了基于模型的產品全生命周期（PLMM）的知識獲取、構建、協同與管理技術，并提出一種模型關聯優化方法，用于引導系統建模。

2 PLMM模型分析

產品全生命周期的信息模型包含產品設計、制造、銷售、使用、維護和回收過程的所有信息，其數據源來自于需求說明書、CAD 模型、仿真模型、公式、工程圖、工藝文檔、生產規劃、檢驗標準、質量管控、安裝要求、銷售計劃、維修保養說明等［13］，這些文件以不同的文件格式描述了產品生命周期中的各種信息。本文在PLMM 建模管理中以視圖的方式將產品全生命周期分為6 個階段視圖：概念視圖，設計視圖，采購視圖，制造視圖，銷售視圖及售后視圖。據此將航天產品中后機身平尾系統的全生命周期信息模型劃分為118個模型，如圖1所示。

圖1 后機身平尾系統的模型架構圖

3 模型關系設計方法

3.1 建立模型關系矩陣和關系綜合矩陣

模型間的關系分為功能關系、空間關系、連接關系和數據關系。為量化模型之間的關系，利用層次分析法中的比較與定量法則，分別以9、3、1、0 來表征模型間關系的強、中、弱、無。這里，模型的自身綜合關系取特定值1［14～15］。根據這一原則，可以建立針對全生命周期的模型關系矩陣。表1 給出了后機身平尾系統部分模型的關系矩陣。其中，序號1至8分別代表系統需求模型、功能接口模型、結構模型、2D/3D 模型、制造工藝模型、運行數據模型、維護規劃模型和處置優化模型。

表1 后機身平尾系統模型功能關系矩陣

3.2 模型相互綜合關系分析

根據3.1中獲得的模型關系矩陣建立關系綜合矩陣。從功能優化和結構優化兩個屬性分析模型關聯優化問題時，模型關系矩陣包括數據關系、功能關系、結構關系和連接關系。如圖2 所示。圖中w表示相應的權重值。

圖2 模型關聯分析

按照比例構成，權重構成滿足下列公式：

上式中權重分配關系為w1:w2=1:1；w11:w12= 4:6；w13:w22=4:6。其中，功能優化和結構優化的權重比為1∶1。功能關系相近的兩個模型必然有數據之間的聯系，因此，功能關系和數據關系的權重比取值為6∶4。有連接關系的兩個模型，結構相似，因此連接關系和結構關系的權重比取值為6∶4。綜合關系計算公式為

其中，Cij表示模型i與模型j的相互綜合關系，即一個模型在相關屬性下對另一個模型的影響力。

Cij越大，表示模型間相互影響力越大，這兩個模型劃為相同模塊的可能性就越大，反之亦然。表示模型i 與j 數據關系的量化值。以此類推，是功能關系的量化值；是結構關系的量化值；是連接關系的量化值。

考慮k(2或3)維定位場景,使用N+1個移動無線傳感器來定位一個移動的未知目標。將第i個運動的傳感器的位置和速度表示為已知的si,i=1,…,N 和未知目標的位置和速度分別表示為 x 和參考傳感器用s0表示,可將TDOA和FDOA測量模型表示為[10]:

將權重構成的分析結果代入式（2）得：

關系綜合矩陣，有如下特征：

1）C（ij）=C（ji），即該矩陣是一個對稱矩陣。

2）將所有模型對其自身的關系全部設置為1。即C（ii）=1。

最后的關系綜合矩陣為

4 模型關聯優化算法

根據關系綜合矩陣推斷模型的優化組合屬于物種類聚問題。解決此類問題的算法有閾值法（TA）、模擬退火法（SA）、蟻群算法（ACO）、一般遺傳算法（SGA）、種群遺傳算法（GGA）等［16］。各有優劣。通過性能對比實驗，種群遺傳算法在運算規模和搜索能力上展現出更好的效果，因此，本文選擇種群遺傳算法用于模型關聯優化，算法流程如下。

步驟1：生成初始化種群

假設模型數為N，隨機將這N 個模型放到m 個模塊中。重復這個操作，生成一定規模的初始種群即初始代。

步驟2：選擇

采用無回放余數隨機選擇策略和輪盤賭選擇法對種群中的個體進行選擇。步驟如下。

2）取Ni的整數部分為對應個體下下一代中的生存數目，這樣就確定了下一代M個種群中的個個體。

步驟3：交叉

選擇任意兩個初始代，保持原有模塊，設置交叉區域并以一定概率交叉。

步驟4：變異

去除交叉后存在冗余模型的模塊，將缺失的模型任意插入各個模塊或加入到新的模塊中。以0.001～0.2 概率從任意模塊中選取一個模型，放入其余任意模塊內，完成變異。

步驟5：生成優化結果

保證基因數不變，按適應值高低以優勝劣汰法則進行選擇。值越高，表示空間向量積越大，模塊的劃分結果與設定的目標越相似。經過多次迭代，種群中個體適應值最大的即為最優化模型組合。

5 實驗與結果分析

本 文 實 驗 在Intel core（TM）i5-8300H CPU 2.3GHz，Pyghon3.6 條件下，針對以下兩種不同的初始條件進行了算法性能分析實驗：

1）初始種群為90 個初始代，交叉率為0.3，變異率為0.1，迭代次數120次；

2）初始種群為70 個初始代，交叉率為0.3，變異率為0.2，迭代次數240次。

5.1 模型關聯算法性能分析

為選擇合適的模型關聯優化算法，本文針對常用的解決這類問題的算法閥值法（TA）、模擬退火法（SA）、蟻群算法（ACO）、一般遺傳算法（SGA）以及種群遺傳算法（GGA）進行了性能比較，如表2 所示。

針對模型關聯優化問題所關注的性能指標，將性能占比設置為運算規模25%、運算速度10%、搜索能力25%、限制條件10%、解決類聚問題30%。計算各個算法的適應值，如表3 所示，種群遺傳算法的適應值最高，說明解決模型關聯優化問題的能力最強。

表3 優化算法適應值

5.2 模型關聯優化實驗結果分析

為了選擇合適的初始種群數，本文對初始種群數和收斂速度的關系進行了評估。并給出了初始種群分別為70和90的模型關聯優化處理進程。

從圖3可以看到，初始種群數在60～80之間，收斂速度相對較快，獲得了更好的優化性能。為進一步驗證初始種群選擇區間的有效性，圖4 和圖5 給出了相同實驗環境下，初始種群分別為70 和90 的優化進程圖。分別使用逼近曲線表示平均函數適應值，使用階躍曲線表示最大函數適應值。

圖3 收斂速度與初始種群數的關系

由圖4 可以看到，由于初始種群較少，變異率較高，圖像抖動比較明顯。但迭代至82 時得到最優解。圖5 中變異率降低，圖像收斂較平緩，但迭代至126 時才獲得最優解，收斂速度明顯下降。進一步驗證了初始種群數在60～80 之間時，可以獲得相對較快的收斂速度。實驗表明，收斂速度與種群初始化有關，但都可以獲得統一的最優解，說明了最大值的全局性和有效性。因此，在實踐中選擇獲得最大適應值時的模型組合即可以作為產品全生命周期中最優化的數據模型組合。

圖4 初始種群為70時的優化進程

圖5 初始種群為90時的優化進程

6 結語

本文提出一種基于復雜產品全生命周期模型的關聯優化方法。基于種群遺傳算法利用模型之間的關聯尋找模型的最佳組合，以此引導系統工程建模，提高建模速度。本文提出的模型關聯優化方法在航天產品后機身平尾系統的建模過程中獲得了較好的成效。但由于后機身平尾系統中模型數量有限，對于更復雜的產品模型還缺乏驗證數據。因此，下一步的研究方向將針對更復雜的產品生命周期的建模需求，研究產品全生命周期模型的知識獲取、智能檢索與知識融合方法，從基礎的模型構建時便融入模型的關聯關系表達，實現跨單位、跨階段、跨層次全生命周期統一建模，進而實現產品全生命周期的信息交換與共享。