CN102622469A - 一种基于相似度的产品可拓分类知识挖掘方法 - Google Patents

Abstract

一种基于相似度的产品可拓分类知识挖掘方法，其从企业的产品设计数据库出发，获取关于结构变换等的定性与定量相结合的静、动态设计知识。本发明包括下列步骤：首先提出实例推理中区间与区间相似度的基本性质，然后根据改进后的可拓距给出相似度的计算模型，之后给出可拓分类知识的定义，所得正质变、负质变、正量变、负量变知识为产品可拓分类知识挖掘结果。本发明提供一种有效获取产品的模糊信息、适用于不确定环境下的产品配置、实用性良好的基于相似度的产品可拓分类知识挖掘方法。

Description

一种基于相似度的产品可拓分类知识挖掘方法

技术领域

本发明提出一种基于性能意图的产品配置设计的知识获取新方法，为了总结产品改型设计中成功或失败的设计知识，而采用一种定性与定量相结合的基于相似度的产品可拓设计分类器。

背景技术

随着企业和数据库技术的迅猛发展以及数据库管理系统的广泛应用，企业中的产品数据会越来越多，经常呈指数级或更快地增长。然而，存储在各种数据媒介中的海量的产品相关数据，在缺乏强有力的工具的情况下，已经远远的超出了人的理解和概括的能力。因此，在产品设计的过程中，如何通过有效的方法从这些数据中提取出对产品设计有用的知识与信息一直是企业关注的问题。

产品的性能具有模糊性和动态性，导致复杂产品的性能配置设计相当复杂，需要集成多学科、多领域内的性能知识与实际经验。只有对性能知识进行分类抽取和综合分析后，才能获得合理的设计方案解。配置知识通常很难直接、准确地获取或估算，且理论估算与实际结果之间往往差别很大，尤其是在对复杂产品进行性能配置设计的过程中，而数据挖掘技术则为配置知识的获取提供了一条新的途径，其通过挖掘隐藏于企业产品库背后的设计知识，获取与产品性能相关的配置知识，能有效提高配置效率及准确性。

传统的基于实例推理的产品配置设计往往是在对各个性能属性进行相似度计算并赋予相应权重后，匹配出最相似产品并调整相应的方案解。然而，由于客户对产品内部结构、实现原理及使用环境等的不充分认识，最初的性能需求仍存在不确定性和模糊性。而且，传统的数据挖掘技术往往是在静态层面上挖掘配置知识，无法实现动态知识的挖掘。针对这些问题，本发明提出基于相似度的产品可拓设计分类器，对知识获取方法做了一种新的尝试。

发明内容

为了克服现有的产品分类知识挖掘方法的不能获取产品的模糊信息、不能适用于不确定环境下的产品配置、实用性较差的不足，本发明提供一种有效获取产品的模糊信息、适用于不确定环境下的产品配置、实用性良好的基于相似度的产品可拓分类知识挖掘方法。

本发明解决其技术问题所采用的技术方案是：

一种基于相似度的产品可拓分类知识挖掘方法，该方法包含一下步骤：

1)、在CAD、CAE制图分析软件平台上进行开发，构建产品实例库。在Solidworks三维制图软件上借用API接口和Access2003、VC++6.0进行(油锯)开发，并在开发平台上建立产品实例库；

2)、客户需求物元描述，产品需求物元是以该产品O_m为对象，c_m为需求产品性能特征，v_m为关于c_m的量值构成的有序三元组。如果该产品O_m有多个特征c₁，c₂，L，c_n及相应的量值v₁，v₂，L，v_n，则可用多维需求物元来表示：

$M=\left[\begin{array}{ccc}{O}_m& c_1& v_1\\ & c_2& v_2\\ & M& M\\ & c_n& v_n\end{array}\right];$

3)、基于相似度的产品可拓分类，其算法包括以下步骤：

(3.1)、为衡量相似度计算模型能否正确反映性能属性间的相似程度，现给出区间与区间相似度所应具有的性质：

I.sim(A，B)∈[0，1]，

II.sim(A，B)＝1，当且仅当A＝B，即具有自反性，

III.sim(A，B)＝sim(B，A)，即具有对称性；

(3.2)、给定点与点、点与区间和区间到区间的距离公式。设区间A＝[a1，a2]，B＝[b1，b2]，且

则可拓学给出的区间与区间之距为式(1)：

$\mathrm{dis}(A,B)=|\frac{b2+b1}{2}-\frac{a2+a1}{2}|-(\frac{b2-b1}{2}-\frac{a2-a1}{2})---\left(1\right);$

由于上式不满足dis(A，B)＝dis(B，A)，现将其改进为式(2)：

$\mathrm{dis}(A,B)=|\frac{b2+b1}{2}-\frac{a2+a1}{2}|+|\frac{b2-b1}{2}-\frac{a2-a1}{2}|---\left(2\right);$

当a1＝a2＝a时，由式(1-2)可推导出点与区间之距为式(3)：

$\mathrm{dis}(a,B)=|\frac{b2+b1}{2}-a|+\frac{b2-b1}{2}=\left\{\begin{array}{c}b2-a,a\≤\frac{b2+b1}{2}\\ a-b1,\mathrm{af}\frac{b2+b1}{2}\end{array}\right.---\left(3\right);$

当a1＝a2＝a，b1＝b2＝b时，由式(1-3)可进一步推导出点与点之距为式(4)：

$\mathrm{dis}(a,b)=|b-a|=\left\{\begin{array}{c}b-a,a\≤b\\ a-b,\mathrm{af\; b}\end{array}\right.---\left(4\right);$

(3.3)、相似度计算。给出(3.2)所示的距(2)、(3)和(4)三式后，可将相似度相应定义为式(5)：

sim(A，B)＝1-dis(A，B)                      (5)；

其中，当A、B均为区间，或A为数值、B为区间，或A、B均为数值时，sim(A，B)分别表示区间与区间、点与区间和点与点3种类型的相似度计算，且区间与区间的相似度计算经证明均能满足上述的三条基本性质；

4)、可拓分类知识挖掘是基于结构变换等的分类方法，其集合论基础为产品可拓配置集，其根据是否发生结构变换等可分别获得静、动态设计知识，算法步骤如下：

(4.1)、设论域U＝{u₁，u₂，L，u_m}为某一产品现有实例库中的性能属性集合，其中元素u_i表征该类产品论域U中的某个属性，sim⁽ⁱ⁾(i＝1，2，L，m)则为该属性关于现有实例与性能需求之间相似程度的计算式，可取为上述的区间与区间、点与区间或点与点的相似度计算式之一，并根据经验由客户及设计师共同确定某一阈值s_i来定量判断性能需求的准确程度；T_ui为给定的关于元素u_i的变换，具体表现为结构改变等引起该产品某一属性值的改变，记为论域U上关于元素u_i的产品可拓配置集如式(6)：

E⁽ⁱ⁾(T_ui)＝{u_i|u_i∈U，y＝sim⁽ⁱ⁾(u_i)∈R，y′＝sim⁽ⁱ⁾(T_uiu_i)∈R}     (6)；

(4.2)、当面向新的客户性能需求时，产品现有实例库中的可拓配置集记为式(7)：

E⁽ⁱ⁾＝{u_i|u_i∈U，y＝sim⁽ⁱ⁾(u_i)∈R}                 (7)；

正域为式(8)：

$E_{+}^{\left(i\right)}=\left\{u_i\right|u_i\∈U,y=\mathrm{si}{m}^{\left(i\right)}\left(u_i\right)-s_i\≥0\}---\left(8\right);$

负域为式(9)：

$E_{-}^{\left(i\right)}=\left\{u_i\right|u_i\∈U,y=\mathrm{si}{m}^{\left(i\right)}\left(u_i\right)-s_{i}p0\}---\left(9\right);$

5)、通过变换结构尺寸、型式等引起产品属性u_i改变后，获取动态分类知识，称(10)式为E⁽ⁱ⁾(T_ui)的正质变域：

$E_1^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i<0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_i\&GreaterEqual;0\}---\left(10\right);$

称(11)式为E⁽ⁱ⁾(T_ui)的负质变域：

$E_2^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i\&GreaterEqual;0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_{i}p0\}---\left(11\right);$

称(12)式为E⁽ⁱ⁾(T_ui)的正量变域：

$E_3^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i\&GreaterEqual;0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_i\&GreaterEqual;0\}---\left(12\right);$

称(13)式为E⁽ⁱ⁾(T_ui)的负量变域：

$E_4^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i<0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_{i}p0\}---\left(13\right);$

6)、给出产品可拓配置集的定义后，可进一步提炼出关于结构变换等引起属性改变的正质变、负质变、正量变、负量变知识，具体表达形式如下所示：

正质变知识如式(14)：

负质变知识如式(15)：

正量变知识如式(16)：

负量变知识如式(17)：

其中，T_ui表征引起性能属性u_i改变的相应结构变换等，可采用可拓学中的基元及复合元等予以表达，而s_i则为客户与设计者根据经验确定的关于该属性的性能需求准确程度的描述；

所述正质变、负质变、正量变、负量变知识为产品可拓分类知识挖掘结果。

本发明的工作原理：在实际生产中，往往用经典集来描述事物的确定性，用0和1两个数来表征对象属于某一集合或不属于该集合；用模糊集来描述事物的模糊性，用[0，1]中的数来描述事物具有某种性质的程度。然而，事物具有可变性，即事物能在“是”与“非”、“不行”与“行”之间相互转换，如减少油锯的振动可提高工作性能并延长其使用寿命，而提高油锯的工作频率、降低发动机与人手之间的接触刚度、增加减振器的减振效果等均可减少其振动，而不同的结构尺寸、型式等变换，导致油锯的工作性能亦不同；不同的结构变换之间所固有的耦合性，也增加了配置设计的复杂程度。若能从现有的产品设计数据等出发，进行相应的可拓分类知识挖掘，可获取关于结构变换等的定性与定量相结合的静、动态设计知识，进而可用于指导基于可拓分类知识挖掘的产品配置设计。

可拓学是中国学者蔡文先生于1983年创立的一门用于解决矛盾问题的新兴学科。经过多年的理论研究与实际应用探索，现已形成了富有理论深度的框架形式，主要包括：1、可拓工程理论基础；2、可拓集与可拓逻辑；3、可拓数据挖掘方法。

在产品配置设计中，客户的性能需求应自始至终贯穿于产品设计的全过程。然而，客户的性能需求虽可部分量化为数值或区间，但由于客户对产品内部结构、实现原理和使用环境等的不充分认识，性能需求仍存在不确定性和模糊性。为此，由客户与设计人员根据经验等共同确定每一性能属性的阈值后，本发明提出基于可量化性能的产品现有实例模糊的静态分类方法。当一个或多个公共实例存在于每一性能的正域时，配置在经过可能的方案选优后结束，否则设计者需参考现有的相关设计并提出多种可能可拓变换后，进行产品可拓动态分类，若此时导致多个设计方案均满足客户的个性化需求，应在性能改进与结构配置等的约束下甄选出最佳方案，并将其存储在相应的产品原有实例库中。

本发明的有益效果表现为：1、能获取产品模糊信息；2、通过可拓变换获取动态分类知识；3、适用于不确定环境下的个性化产品实际配置；4易于计算机实现。

附图说明

图1是基于可拓分类挖掘的产品配置流程图。

图2是伐木直径u₁区间与区间相似度比较图。

图3是额定转速u₃点与点相似度图。

图4是油箱体积u₂点与区间相似度比较图。

图5是连接刚度u₄点与区间相似度比较图。

具体实施方式

下面结合附图对本发明进一步描述。

参照图1，一种基于相似度的产品可拓分类知识挖掘方法，包括以下步骤：

1)、在制图分析软件平台上进行开发，构建产品实例库；

2)、客户需求物元描述，产品需求物元是以该产品O_m为对象，c_m为需求产品性能特征，v_m为关于c_m的量值构成的有序三元组。如果该产品O_m有多个特征c₁，c₂，L，c_n及相应的量值v₁，v₂，L，v_n，则可用多维需求物元来表示：

$M=\left[\begin{array}{ccc}{O}_m& c_1& v_1\\ & c_2& v_2\\ & M& M\\ & c_n& v_n\end{array}\right];$

3)、基于相似度的产品可拓分类，其算法包括以下步骤：

(3.1)、为衡量相似度计算模型能否正确反映性能属性间的相似程度，现给出区间与区间相似度所应具有的性质：

I.sim(A，B)∈[0，1]，

II.sim(A，B)＝1，当且仅当A＝B，即具有自反性，

III.sim(A，B)＝sim(B，A)，即具有对称性；

(3.2)、给定点与点、点与区间和区间到区间的距离公式。设区间A＝[a1，a2]，B＝[b1，b2]，且

区间与区间之距如式(2)：

$\mathrm{dis}(A,B)=|\frac{b2+b1}{2}-\frac{a2+a1}{2}|+|\frac{b2-b1}{2}-\frac{a2-a1}{2}|---\left(1\right);$

当a1＝a2＝a时，由式(1)可推导出点与区间之距为式(2)：

$\mathrm{dis}(a,B)=|\frac{b2+b1}{2}-a|+\frac{b2-b1}{2}=\left\{\begin{array}{c}b2-a,a\&le;\frac{b2+b1}{2}\\ a-b1,\mathrm{af}\frac{b2+b1}{2}\end{array}\right.---\left(2\right);$

当a1＝a2＝a，b1＝b2＝b时，由式(1-3)可进一步推导出点与点之距为式(4)：

$\mathrm{dis}(a,b)=|b-a|=\left\{\begin{array}{c}b-a,a\&le;b\\ a-b,\mathrm{af\; b}\end{array}\right.---\left(3\right);$

(3.3)、相似度计算。给出(3.2)所示的距(2)、(3)和(4)三式后，可将相似度相应定义为式(4)：

sim(A，B)＝1-dis(A，B)                 (4)；

其中，当A、B均为区间，或A为数值、B为区间，或A、B均为数值时，sim(A，B)分别表示区间与区间、点与区间和点与点3种类型的相似度计算，且区间与区间的相似度计算经证明均能满足上述的三条基本性质；

4)、可拓分类知识挖掘是基于结构变换等的分类方法，其根据是否发生结构变换等可分别获得静、动态设计知识，算法步骤如下：

(4.1)、设论域U＝{u₁，u₂，L，u_m}为某一产品现有实例库中的性能属性集合，其中元素u_i表征该类产品论域U中的某个属性，sim⁽ⁱ⁾(i＝1，2，L，m)则为该属性关于现有实例与性能需求之间相似程度的计算式，可取上述的式(1)、(2)和(3)相似度计算式之一，并根据经验由客户及设计师共同确定某一阈值s_i来定量判断性能需求的准确程度；T_ui为给定的关于元素u_i的变换，具体表现为结构改变等引起该产品某一属性值的改变，记为论域U上关于元素u_i的产品可拓配置集如式(5)：

E⁽ⁱ⁾(T_ui)＝{u_i|u_i∈U，y＝sim⁽ⁱ⁾(u_i)∈R，y′＝sim⁽ⁱ⁾(T_uiu_i)∈R}(5)；

(4.2)、当面向新的客户性能需求时，产品现有实例库中的可拓配置集记为式(6)：

E⁽ⁱ⁾＝{u_i|u_i∈U，y＝sim⁽ⁱ⁾(u_i)∈R}         (6)；

正域为式(7)：

$E_{+}^{\left(i\right)}=\left\{u_i\right|u_i\&Element;U,y=\mathrm{si}{m}^{\left(i\right)}\left(u_i\right)-s_i\&GreaterEqual;0\}---\left(7\right);$

负域为式(8)：

$E_{-}^{\left(i\right)}=\left\{u_i\right|u_i\&Element;U,y=\mathrm{si}{m}^{\left(i\right)}\left(u_i\right)-s_{i}p0\}---\left(8\right);$

5)、通过变换结构尺寸、型式等引起产品属性u_i改变后，称(9)式为E⁽ⁱ⁾(T_ui)的正质变域：

$E_1^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i<0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_i\&GreaterEqual;0\}---\left(9\right);$

称(10)式为E⁽ⁱ⁾(T_ui)的负质变域：

$E_2^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i\&GreaterEqual;0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_{i}p0\}$

$\left(10\right);$

称(11)式为E⁽ⁱ⁾(T_ui)的正量变域：

$E_3^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i\&GreaterEqual;0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_i\&GreaterEqual;0\}---\left(11\right);$

称(12)式为E⁽ⁱ⁾(T_ui)的负量变域：

$E_4^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i<0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_{i}p0\}---\left(12\right);$

6)、给出产品可拓配置集的定义后，可进一步提炼出关于结构变换等引起属性改变的正质变、负质变、正量变、负量变知识，具体表达形式如下所示：

正质变知识如式(13)：

负质变知识如式(14)：

正量变知识如式(15)：

负量变知识如式(16)：

其中，T_ui表征引起性能属性u_i改变的相应结构变换等，可采用可拓学中的基元及复合元等予以表达，而s_i则为客户与设计者根据经验确定的关于该属性的性能需求准确程度的描述；

所述正质变、负质变、正量变、负量变知识为产品可拓分类知识挖掘结果。

实例：参照图2～图5，一种基于相似度的油锯可拓分类知识挖掘方法。包括一下步骤：

第一步、在Solidworks三维制图软件上借用API接口和Access2003、VC++6.0进行油锯的开发，并在开发平台上建立相应的油锯产品实例库；油锯是一种典型的系列化林业加工工具，大量油锯产品型号趋同现象严重。为了满足多样化的客户需求，有必要在现有的大量类似的油锯产品中应用基于可拓分类知识挖掘的产品配置设计方法。限于篇幅，现给出某一企业现有油锯实例库中的部分数据，如表1所示。

表1油锯实例库中的部分数据

第二步、获取客户对油锯产品需求物元描述，若现有某一客户提出如下所示的油锯配置性能需求，其物元描述为：

第三步、基于上述的相似度计算模型，现针对每一油锯性能属性计算实例与客户性能需求之间的相似程度，且伐木直径u₁采用区间与区间相似度计算，油箱体积u₂和连接刚度u₄采用点与区间相似度计算，而额定转速u₃则为点与点相似度计算，同时为有效比较本说明书给出的基于改进距的相似度计算方法，现同时给出区间与区间、点与区间的Slonim方法计算结果，点与区间的欧式和海明法计算结果，如图2至图5所示。

观察图2，油锯伐木直径u₁区间与区间相似度计算的可拓法区分度较高，且相似度均远大于Slonim法，从而更能准确反映客户性能需求的一致合理性；然而，观察图4和图5，当点不属于区间时，点与区间相似度计算的Slonim法急剧变化，而当点属于区间时，可拓法、Slonim法、海明法和欧式法等区别不大，且变化趋势一致，虽然可拓法较于Slonim法更能满足相似度的自反性和对称性，且能同时提供点与点、点与区间相似度计算的合理模型等。

第四步、根据以上结果，现由客户和设计师根据经验等共同确定某一阈值s_i来定量判断油锯各个性能需求的准确程度，本例中，s₁＝0.87，s₂＝0.80，s₃＝0.93，s₄＝0.70。以Case1为例，其伐木直径u₁、油箱体积u₂、额定转速u₃、连接刚度u₄与新的客户性能需求的相似值分别为0.61、0.82、1、0.71，则记为式(1)：

Case1： $E_{-}^{\left(1\right)}=\left\{u_1\right|u_1\&Element;U,y={\mathrm{sim}}^{\left(1\right)}\left(u_1\right)p{s}_1\}$

$E_{+}^{\left(2\right)}=\left\{u_2\right|u_2\&Element;U,y={\mathrm{sim}}^{\left(2\right)}\left(u_2\right)\&GreaterEqual;s_2\}$

(1)；

$E_{+}^{\left(3\right)}=\left\{u_3\right|u_3\&Element;U,y={\mathrm{sim}}^{\left(3\right)}\left(u_3\right)\&GreaterEqual;s_3\}$

$E_{+}^{\left(4\right)}=\left\{u_4\right|u_4\&Element;U,y={\mathrm{sim}}^{\left(4\right)}\left(u_4\right)\&GreaterEqual;s_4\}$

即：按伐木直径u₁静态分类时，Case1属于负域；按油箱体积u₂静态分类时，Case1属于正域；按额定转速u₃静态分类时，Case1属于正域；按连接刚度u₄静态分类时，Case1属于正域。以此类推，可得表2所述的基于性能属性的油锯现有实例静态分类结果。

表2基于性能属性的油锯实例静态分类结果

由表2可知，由于现有实例各属性相似度不同时大于伐木直径u₁、油箱体积u₂、额定转速u₃和连接刚度u₄的客户阈值s_i(i＝1，2，3，4)，即各属性的正域中无公共实例，故油锯的初次配置以失败结束，此时应适当选取现有实例并对其作可拓变换以进行再配置，变换后的结果可能仍不满足客户定制需求，也可能满足，前者对应的可拓变换为负量变知识，后者则为正质变，本发明针对可能的可拓变换提取出了意义更为广泛的可拓分类知识定义。由于伐木直径u₁、油箱体积u₂、额定转速u₃的正域中均含有Case12，且其连接刚度u₄与性能需求的相似值为0.59，低于客户阈值s₄＝0.70，可考虑对该实例进行可拓变换，并尽量不同时增加油锯振动(国标规定标准油锯的振动加速度为12.5m/s²)，考虑到Case12对应的油锯型号为YD-KW-43，且其同时与油锯振动、连接刚度直接相关的零件为橡胶减振器，其物元描述为：

第五步、根据经验等及物元分析，可拓变换可能涉及以下基础变换库：

其中，1ⁱ(i＝1，2，3，4，5)表示材料分别为天然橡胶1152、天然橡胶1154、氯丁橡胶D117、乙丙橡胶8350及Zn-1阻尼胶料。根据理论估算，可得出将YD-KW-43油锯中的橡胶减振器实施对应的可拓变换后，油锯振动加速度及连接刚度如表3所示。

表3油锯振动加速度及连接刚度

材料	11	12	13	14	15
						振动加速度m/s2	6.00	7.35	5.45	14.82	7.87
连接刚度×105(N/m)	3.66	4.00	2.33	3.15	1.95

由于1⁴新方案的把手振动加速度大于国标12.5m/s²，初步将其剔除；再次计算材料1ⁱ(i＝1，2，3，5)对应的新油锯连接刚度u₄与性能需求的可拓相似值，其依次为0.79、0.72、0.59、0.51，根据客户阈值可将1¹，1²对应的新油锯作为正域，其余为负域，从而可按正质变、负量变格式存储成功或失败的设计以备参考，具体为式

(2)：

Case12： $E_1^{\left(4\right)}\left(T_{1^1}\right)=\left\{u_4\right|u_4\&Element;U,y={\mathrm{sim}}^{\left(4\right)}\left(u_4\right)-s_4<0,y^{\&prime;}={\mathrm{sim}}^{\left(4\right)}\left(T_{1^1}{u}_4\right)-s_4\&GreaterEqual;0\}$

$E_1^{\left(4\right)}\left(T_{1^2}\right)=\left\{u_4\right|u_4\&Element;U,y={\mathrm{sim}}^{\left(4\right)}\left(u_4\right)-s_4<0,y^{\&prime;}={\mathrm{sim}}^{\left(4\right)}\left(T_{1^2}{u}_4\right)-s_4\&GreaterEqual;0\}$

(2)；

$E_4^{\left(4\right)}\left(T_{1^3}\right)=\left\{u_4\right|u_4\&Element;U,y={\mathrm{sim}}^{\left(4\right)}\left(u_4\right)-s_4<0,y^{\&prime;}={\mathrm{sim}}^{\left(4\right)}\left(T_{1^3}{u}_4\right)-s_4<0\}$

$E_4^{\left(4\right)}=\left(T_{1^5}\right)=\left\{u_4\right|u_4\&Element;U,y={\mathrm{sim}}^{\left(4\right)}\left(u_4\right)-s_4<,y^{\&prime;}={\mathrm{sim}}^{\left(4\right)}\left(T_{1^5}{u}_4\right)-s_4<0\}$

第六步、在考虑对旧方案中的橡胶减振器实施主动变换后，结合上述可得出如下所示的可拓分类知识如式(3)：

(3)；

对于1¹，1²对应的新油锯(橡胶减振器材料、结构尺寸等的改变同样会引起油锯其它零件属性的改变)，此时还需进一步在结构配置与性能改进的共同约束下进行配置方案选优，并将最终方案所对应的再配置知识适当存储于油锯原实例库中。

在SolidWorks中建立油锯装配体并另存为*.X_T格式，然后将其导入到ANSYS Workbench中的Design Modeler中，点击Project菜单界面中的NewSimulation项，则会跳转到仿真界面。其中，Geometry为导入到Workbench中的零件库，可对其中的每个零件添加材料属性(材料密度、泊松比、弹性模量、屈服强度、阻尼比等)。活塞环是合金铸铁，外壳件是聚乙烯，左右曲轴是20CrMn，前后把手是30％玻璃纤维增强尼龙6，导板是65Mn，减振器为天然橡胶1154，而其他零件均采用结构钢。Connections则显示这些零件之间的连接关系，可对其中的每个连接关系进行判别，包括其是否合理、是否需要修改、添加或删除连接关系(粘合关系，摩擦关系、相对独立关系等)等。

之后，对油锯整机进行网格划分，可试用自动网格生成；由于油锯振动仿真需要对左箱体、前把手和后把手作单独网格划分，可在整机网格划分完毕后自定义该部分网格尺寸。

最后，选择柔性体动态仿真，先进行分析设置并添加力与压力载荷、一些零部件之间的约束和重力加速度，然后点击Solution选择需要仿真的选项。

由油锯变换前后的前把手振动仿真结果可知，变换后振动幅度有一定的降低，与经验计算中的变化趋势一致，说明在仿真当中对油锯进行简化所得到的仿真结果虽然可能与经验计算相差较多，但能保证变换趋势较为一致。

Claims (1)

1.一种基于相似度的产品可拓分类知识挖掘方法，其特征在于：所述产品可拓分类知识挖掘方法包括以下步骤：

1)、在制图分析软件平台上构建产品的实例库；

2)、产品需求物元是以该产品O_m为对象，c_m为需求产品性能特征，v_m为关于c_m的量值构成的有序三元组，如果该产品O_m有多个特征c₁，c₂，L，c_n及相应的量值v₁，v₂，L，v_n，则用多维需求物元来表示：

$M=\left[\begin{array}{ccc}{O}_m& c_1& v_1\\ & c_2& v_2\\ & M& M\\ & c_n& v_n\end{array}\right];$

3)、基于相似度的产品可拓分类，包括以下步骤：

(3.1)、为衡量相似度计算模型能否正确反映性能属性间的相似程度，现给出区间与区间相似度所应具有的性质：

I.sim(A，B)∈[0，1]，

II.sim(A，B)＝1，当且仅当A＝B，即具有自反性，

III.sim(A，B)＝sim(B，A)，即具有对称性；

(3.2)、给定点与点、点与区间和区间到区间的距离公式。设区间A＝[a1，a2]，B＝[b1，b2]，且

区间与区间之距如式(2)：

$\mathrm{dis}(A,B)=|\frac{b2+b1}{2}-\frac{a2+a1}{2}|+|\frac{b2-b1}{2}-\frac{a2-a1}{2}|---\left(1\right);$

当a1＝a2＝a时，由式(1)可推导出点与区间之距为式(2)：

$\mathrm{dis}(a,B)=|\frac{b2+b1}{2}-a|+\frac{b2-b1}{2}=\left\{\begin{array}{c}b2-a,a\&le;\frac{b2+b1}{2}\\ a-b1,\mathrm{af}\frac{b2+b1}{2}\end{array}\right.---\left(2\right);$

当a1＝a2＝a，b1＝b2＝b时，由式(1-3)可进一步推导出点与点之距为式(4)：

$\mathrm{dis}(a,b)=|b-a|=\left\{\begin{array}{c}b-a,a\&le;b\\ a-b,\mathrm{a\; f\; b}\end{array}\right.---\left(3\right);$

(3.3)、相似度计算：给出(3.2)所示的距(2)、(3)和(4)三式后，可将相似度相应定义为式(4)：

sim(A，B)＝1-dis(A，B)               (4)；

其中，当A、B均为区间，或A为数值、B为区间，或A、B均为数值时，sim(A，B)分别表示区间与区间、点与区间和点与点3种类型的相似度计算，且区间与区间的相似度计算经证明均能满足上述的三条基本性质；

4)、可拓分类知识挖掘是基于结构变换等的分类方法，根据是否发生结构变换等可分别获得静、动态设计知识，具体过程如下：

(4.1)、设论域U＝{u₁，u₂，L，u_m}为某一产品现有实例库中的性能属性集合，其中，元素u_i表征该类产品论域U中的某个属性，sim⁽ⁱ⁾(i＝1，2，L，m)则为该属性关于现有实例与性能需求之间相似程度的计算式，取上述的式(1)、(2)和(3)相似度计算式之一，并根据经验由客户及设计师共同确定某一阈值s_i来定量判断性能需求的准确程度；T_ui为给定的关于元素u_i的变换，具体表现为结构改变等引起该产品某一属性值的改变，记为论域U上关于元素u_i的产品可拓配置集如式(5)：

E⁽ⁱ⁾(T_ui)＝{u_i|u_i∈U，y＝sim⁽ⁱ⁾(u_i)∈R，y′＝sim⁽ⁱ⁾(T_uiu_i)∈R}       (5)；

(4.2)、当面向新的客户性能需求时，产品现有实例库中的可拓配置集记为式(6)：

E⁽ⁱ⁾＝{u_i|u_i∈U，y＝sim⁽ⁱ⁾(u_i)∈R}                       (6)；

正域为式(7)：

$E_{+}^{\left(i\right)}=\left\{u_i\right|u_i\&Element;U,y={\text{si}m}^{\left(i\right)}\left(u_i\right)-s_i\&GreaterEqual;0\}---\left(7\right);$

负域为式(8)：

$E_{-}^{\left(i\right)}=\left\{u_i\right|u_i\&Element;U,y=\mathrm{si}{m}^{\left(i\right)}\left(u_i\right)-s_{i}p0\}---\left(8\right);$

5)、通过变换结构尺寸、型式等引起产品属性u_i改变后，称(9)式为E⁽ⁱ⁾(T_ui)的正质变域：

$E_{-}^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i<0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_i\&GreaterEqual;0\}---\left(9\right);$

称(10)式为E⁽ⁱ⁾(T_ui)的负质变域：

$E_2^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i\&GreaterEqual;0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_{i}p0\}---\left(10\right);$

称(11)式为E⁽ⁱ⁾(T_ui)的正量变域：

$E_3^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i\&GreaterEqual;0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_i\&GreaterEqual;0\}---\left(11\right);$

称(12)式为E⁽ⁱ⁾(T_ui)的负量变域：

$E_4^{\left(i\right)}\left(T_{\mathrm{ui}}\right)=\left\{u_i\right|u_i\&Element;U,y={\mathrm{sim}}^{\left(i\right)}\left(u_i\right)-s_i<0,y^{\&prime;}={\mathrm{sim}}^{\left(i\right)}\left(T_{\mathrm{ui}}{u}_i\right)-s_{i}p0\}---\left(12\right);$

6)、给出产品可拓配置集的定义后，进一步提炼出关于结构变换等引起属性改变的正质变、负质变、正量变、负量变知识，具体表达形式如下所示：

正质变知识如式(13)：

负质变知识如式(14)：

正量变知识如式(15)：

负量变知识如式(16)：

其中，T_ui表征引起性能属性u_i改变的相应结构变换，采用可拓学中的基元及复合元予以表达，s_i则为客户与设计者根据经验确定的关于该属性的性能需求准确程度的描述；

所述正质变、负质变、正量变、负量变知识为产品可拓分类知识挖掘结果。

Images