CN104636528B - 基于行为流复杂产品功能群落及其演化的发动机建模方法 - Google Patents

Abstract

本发明提供一种基于行为流复杂产品功能群落及其演化的发动机建模方法，该方法包括以下步骤：使用行为来定义产品的初始状态和目标状态，再根据这两个状态得到实现该状态变化的合适的行为变化序列，从而建立产品设计过程的行为流模型；获得行为和功能的初始映射关系；建立基于行为流的发动机功能群落及演化模型。本发明致力于对行为流的表达问题进行深入研究，本研究通过提出行为流的空间序列这一全新概念，从空间序列的演进变化这一角度来描述基于行为流的产品智能设计过程，并提出两种行为流空间序列的表达方式以及这两种表达方式的转换原则。

Description

基于行为流复杂产品功能群落及其演化的发动机建模方法

技术领域

本发明涉及产品建模领域基于行为流复杂产品功能群落及其演化的发动机建模方法。

背景技术

复杂产品是指结构复杂、技术密集、制造要求和成本高、过程管理复杂、客户需求多变的一类产品。而概念设计则是复杂产品设计过程最为核心的阶段,是增强产品竞争力的根本环节。资料表明，只占成本5％的概念设计阶段决定了产品全生命周期成本的85％，产品设计质量的70％以上，时间和成本同质量一样成为决定产品成败的关键因素。由于概念设计处于产品生命周期的最早期阶段，对后续的设计环节有着极大的影响。概念设计从根本上决定了产品的功能、质量、成本、开发时间和产品的创新性，它包括设计人员对设计任务的理解，设计灵感的表达，设计理念的发挥。

现如今功能建模则是复杂产品建模最为普遍的方式，通过对产品功能的研究，以产品功能为核心来看待整个模型，一般的方法中都采用自上而下的功能分解来建立模型的层次，引导功能建模。而当前建立的功能分解方法，都是在尽最大的可能对已有的功能划分的知识或者经验的总结利用，来指导功能分解。这些知识的总结都是来自部分领域人员大脑思考的结果，从出发点上就具有片面性，可能只适用于部分领域，不具备通用性；另一方面，人的知识，经验，其实也就是寻找功能设计优化解的经过部分验证的估值函数，并不保证是最优解，也不保证找到当前相对更好的一个选择；再次，如果提出的模型产生的设计结果不具备可行性，一切都变得毫无意义，因此功能模型是从主观到客观，从抽象到具体的过程，但是也要考虑到是否有实现的可能性，以往的从上往下单一的路线会造成结果和现实的脱离。

因此Gero提出了产品设计的FBS(Function-Behavior-Structure)模型，他认为设计过程是设计者将产品的功能需求转化为预期可以实现该功能的行为，然后根据行为选择相应的结构单元，再将结构的实际行为与预期能够实现功能的行为进行比较，如果结果较为匹配则能得出符合功能需求的结构单元，若不匹配则重复上述过程，在FBS理论提出后，产品概念设计过程更加注重了对产品建模过程中行为的研究，通过建立产品的行为流模型来解决以上问题。产品行为是客观的，可以无歧义的表达复杂产品的建模过程，此外通过直接对行为的研究，可以明确定义建模过程中产品的一系列状态，特别是起始状态和目标状态。通过这两个状态以及之间触发状态发生变化的的行为，得出最优行为变化序列来实现状态的转变，从而实现产品的创新设计，建立新产品的行为流模型，而且行为可以直接对应到结构，可以得到产品的实现，产品的行为流模型具有实用性，覆盖智能设计的整个生命周期。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于行为流复杂产品功能群落及其演化的发动机建模方法，用于实现智能化设计。

为实现上述目的及其他相关目的，本发明提供一种基于行为流复杂产品功能群落及其演化的发动机建模方法，该方法包括以下步骤：

1)使用行为来定义产品的初始状态和目标状态，再根据这两个状态得到实现该状态变化的合适的行为变化序列，从而建立产品设计过程的行为流模型；

2)获得行为和功能的初始映射关系；

3)建立基于行为流的发动机功能群落模型及功能群落演化模型。

优选地，将发动机行为流功能群落模型中功能群落分为进气，压缩，燃烧，排气四个状态。

优选地，还包括步骤：针对功能描述的主观性和机械产品的行为构建行为矩阵，再根据功能行为的映射关系判断产品种群是否能够实现如上行为，从而得到产品种群的功能基因编码矩阵。

优选地，所述机械产品的行为包括平移、旋转、连接、覆盖、咬合以及定位。

优选地，还包括步骤：由成熟度公式和设计聚合熵势公式分别求得产品功能种群的成熟度和聚合熵势。

优选地，所述功能种群FP的成熟度M表示如下：

1≤i≤n，n为原子功能数量，f_i是FP的功能描述矩阵中的第i列。

优选地，所述功能种群设计聚合熵势指产品的客观物质存在在空间和状态上的分布状态势能，主要取决于当前功能群落的相关度和成熟度，即：

其中m为功能种群中功能数量，R表示该功能种群的相关度属性，M表示该功能种群的成熟度。

如上所述，本发明具有以下有益效果：

1.使用行为来定义产品的初始状态和目标状态，再根据这两个状态得到实现该状态变化的合适的行为变化序列；

2.行为可以直接对应到结构；

3.每个行为可以作为行为库的一个元素，通过建立行为库来保存已有的产品的行为，从而实现人的知识的积累和重复使用；

4.复杂产品的子部件类比生态系统中的种群能够单独实现某些功能，又能通过行为这一概念作用于其他子部件。

附图说明

图1显示为功能、行为与结构关系图。

图2显示为基于行为流的产品建模框架图。

图3显示为行为—功能初始映射关系图。

图4显示为基于行为流的产品功能群落及演化模型框架图。

图5显示为功能群落演化算法流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅附图。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明在FBS设计模型和行为流的基础上，针对当前概念设计中的不足，从行为的角度出发，创新性的引入种群和群落这两个生态学范畴，提出基于行为流的功能群落及演化模型来解决以上问题。

为实现上述目的及其他相关目的，本发明提供一种基于行为流复杂产品功能群落及其演化的发动机建模方法，该方法至少包括：

1.行为作为一个客观的概念，和功能不同，可以有确定唯一的表达方式，具有广泛适用性，非常适合于计算机描述；

2.，使用行为来定义产品的初始状态和目标状态，再根据这两个状态得到实现该状态变化的合适的行为变化序列，从而可以建立新产品设计过程的行为流模型；

3.行为可以直接对应到结构，在行为流的基础上研究行为—结构耦合问题可更快更准确地得到产品的实现，因此产品的行为流模型具有实用性，覆盖智能设计的整个生命周期；

4.每个行为可以作为行为库的一个元素，通过建立行为库来保存已有的产品的行为，从而实现人的知识的积累和重复使用，具有学习和重用等智能因素，实现产品的智能演化。

5.复杂产品的子部件如同生态系统中的种群能够单独实现某些功能，又能通过行为这一概念作用于其他子部件，而且各个子部件又能像生态系统中的种群一样按照一定的规则有机的结合在一起，能够协同实现个体无法实现的功能。

1.功能群落模型

自然界本身就是一个鲜明的复杂系统，在这个系统中各种生物都能稳定有序的生存和进化，即便有人为和非人为的因素影响，也能很好的体现在演化的过程中。生态群落又称生物群落，是指具有直接或间接关系的多种生物种群的有规律的组合，具有复杂的种间关系。组成群落的各种生物种群不是任意地拼凑在一起的，而有规律组合在一起才能形成一个稳定的群落。考虑到这一点，所以本文引入群落这一个生态学范畴，提出功能群落的概念。

1.1.功能群落模型相关概念

定义1.1

对于不能再分解的功能称为原子功能，用AF表示，原子功能对应于行为元。

定义1.2

若干原子功能组成的集合称为功能种群，用FP表示，对于一个由n个原子功能组成的功能种群FP，如下所示：

其中1≤i≤n，AF_i表示其中某一原子功能。

定义1.3

对于某一具有n个功能种群组成且已经最终成型的功能群落FC，可如下表示：

其中FP_i表示该产品中的一个功能种群且互异，即不存在满足条件的i和j，使得FP_i＝FP_j。

定义1.4

功能种群的表示。对于任意一个功能种群，我们按照如下规定的属性将其如下表示。

FP:＝[标识号(ID)，类型(Type)，数量(Quantity)，相关度(Relationship)，成熟度(Maturity)]。

1.2功能种群成熟度定量计算

对于功能种群FP，成熟度是反映其功能完善程度的一个属性。

定义1.5

功能种群FP的功能描述矩阵如下所示：

GM_FP＝[f₁,...,f_i,…,f_n]＝[β₁,…,β_j,...,β_m]*A^T

其中A为行为—功能映射矩阵，f_i＝1当且仅当该种群能够实现第i号原子功能，其余情况下f_i＝0；当且仅当该功能种群具备第j号行为元时，β_j＝1，其余情况下β_j＝0，1≤i≤n，1≤j≤m，n为原子功能数量，m为行为库中行为元数量。

定义1.6

对于某一特定功能种群中的各种原子功能，其被使用概率各不一样，但能反映其在实际使用中的适应程度，我们定义功能种群的适应度矩阵FM如下：

FM_FP＝[p₁,p₂,p₃,…,p_n]

其中p_i代表第i号原子功能对应的行为元在实现功能种群所有功能时被使用的概率，1≤i≤n，n为常用功能数量。

定义1.7

一个功能种群向外界体现出来的功能相对于最终功能群落成型时的程度，称为成熟度，用M表示。一个功能种群相对于其他功能种群的依赖程度越低，其成熟度越高，反之越低。

所以，功能种群的FP的成熟度M表示如下：

1≤i≤n，n为原子功能数量，f_i是FP的功能描述矩阵中的第i列。

例如，某个功能种群的基因编码矩阵GM＝[1,1,0,0,1,0,0,0],其对应的适应度矩阵FM＝[0.3,0.2,0,0,0.5,0,0,0]，根据上述公式可求得此功能种群的成熟度：

M＝-(0.3*ln0.3+0.2*ln0.2+0.5*ln0.5)/3＝0.34。

在功能群落的演化过程中，若干功能种群之间通过信息交流产生联系，进而改变自身的依赖层次和成熟度。

功能种群相关度是一种面向产品总功能的子功能依赖关系的定量度量，表示与该功能种群产生直接联系并实现新功能的功能种群数目，我们用R表示，由于初始状态时功能种群并未参与到演化过程，故在此规定初始状态时，功能种群的相关度为1。

其中R(FP_i,t)表示功能种群FP_i在t时刻的相关度，t₀表示初始时刻，n表示功能种群的数量。

若干功能种群在演化过程中，通过通信交流产生新功能，从而改变功能种群的功能基因编码矩阵，我们称之为功能种群基因突变。通常，正是由于功能种群基因突变的存在，才能够引起功能种群的适应度矩阵发生变化，从而促使演化过程不断前进。

2.功能群落演化模型

在复杂产品功能群落模型及关系网络模型之上，需要建立行之有效的演化推理模型，因此可采用人工智能的进化推理理论及相关算法来解决复杂产品设计过程中产品状态和功能结构变化的过程模型建模问题，目的是通过行为这一客观概念能够深刻的刻画复杂产品在设计过程中的功能群落演化和功能分解合并过程，并在结构上体现这种变化。

复杂产品功能群落演化是一个动力学过程，假设复杂产品开始于一个各子部件间无关联的初态，伴随着时间的推移，由于为实现某一特定的功能，这个产品中子部件与子部件、子部件与外界环境间产生了交流，从而形成了一个复杂的关系网络，进而改变子部件和总系统的某些属性。产品从生态学角度是由许多产品种群组成的，这许许多多种产品种群相互之间、与外界环境之间产生了错综复杂的交流，从而推动了整个复杂产品功能群落演化过程，最终通过这种相互作用达到一个呈现高度关联的复杂状态。功能群落演化所需要的时间随系统的大小而呈指数增长，对一个较大的系统来说，例如发动机系统，复杂产品功能群落演化可能是一个极其漫长的过程。如果把复杂产品中的产品种群产生、壮大、衰退和消亡的过程从横断面上看作是一种演化过程，那么复杂产品系统是一个能够实现自我调节的自控系统。它表现为能够在外界的激励下，自动地从无序状态转变为有序状态。

从热力学的意义上讲，对于一个开放系统，在远离平衡的情况下，系统内部存在着非线性的相互作用时，可形成耗散结构。因此复杂性动力学演化过程就是复杂产品耗散结构的形成过程，在复杂产品中各子部件相互作用可以通过反馈来调节，从而使其结构有序化。稳定源于涨落，有序出自无序。这种动力学演化过程可以产生所谓的分层稳定性，也正是这种过程产生了开放系统的等级结构。由上所知，这种具有功能群落演化的复杂产品在功能层面表现出非常明显的层次结构特点。

在热力学系统中，熵值直接反映了它所处状态的均匀程度，系统的熵值越小，它所处的状态越是有序，越不均匀；系统的熵值越大，它所处的状态越是无序，越均匀。

根据行为流的观点，产品实现功能的过程是一个流动的过程，从初始状态到最终状态这个时间带上，连接所有操作状态的行为在时间概念上成为一个流体，产品结构的状态按照特定的时间顺序和空间顺序发生状态的改变，造成一系列子功能的顺序完成，最终完成特定的总功能。从总体结构角度来看，产品实现功能的过程是一个从空间无序到空间有序的过程，但是行为流只描述了行为流动，说明行为是状态转换的原因，并没有解释引发行为流动的动力根源。为此我们引入产品设计聚合熵势这一概念。

2.1设计聚合熵势

定义1.8

功能种群设计聚合熵势指产品的客观物质存在在空间和状态上的分布状态势能，主要取决于当前功能群落的相关度和成熟度，即：

其中m为功能种群中功能数量，R表示该功能种群的相关度属性，M表示该功能种群的成熟度。功能种群设计聚合熵势这一概念反映了功能种群在设计或者演化过程中的稳固程度。

2.2功能群落演化模型及演化算法

定义1.9

功能群落演化模型：随机生成一定数量的模块，将功能种群的功能通过行为映射到各个模块，如此反复操作，生成一个具有一定规模的初始种群。种群中，个体是各个初始代，染色体是各模块，而基因是每个模块所对应的行为。在每一代，根据问题域中个体的适应度(fitness)大小进行个体选择操作(selection)，并借助于自然遗传学的遗传算子(genetic operators)进行组合交叉(crossover)和变异(mutation)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。

基本演化算法：虽然功能群落遗传算法与一般遗传算法有不小差异，但在设计过程上却是相同的，都是对初始种群进行交叉与变异操作，进而寻找优化子代。结合本优化方法，其具体流程如下：

1)随机生成一系列模块，模块总数大于1，并为每个模块设置权重；

2)随机将实现功能群落的所有行为放入各模块中，保证模块至少不为空；

3)重复步骤2)，得到一定数量的初始种群，利用功能行为映射关系计算每个种群的相关度，利用适应值函数计算各个初始代的适应值。适应值函数如下：

其中x为模块数目，W_i代表每个模块所占权重；

4)利用选择算子(轮盘法)选出两个初始代，在不破坏模块的情况下，设置交叉区域，以一定概率(单点交叉)进行交叉；

5)随机选择模块去除交叉后初始代中冗余行为，而缺失的行为随机插入模块中。

6)以极小概率从任意模块中选取一个行为，将其随机放入其余的模块内，完成变异；

7)得到的新的基因。计算新基因的适应值Z。

8)保证总的基因数目一定的情况下，按照适值由高到低进行优胜劣汰法则进行自然选择。适应值越高，表明功能群落聚合熵势越低，系统越趋于稳定。

9)经过一定迭代次数，得到的最终种群中适应值最大的个体当然便是优化组合结果。

3基于行为流的复杂产品功能群落及其演化原型图

基于行为流的产品功能群落及演化模型的设计架构如图1所示，在行为流生态系统的产品设计过程中，向上方向是从产品的行为-功能的客观到主观的映射实现，向下方向是产品行为-结构映射的物质实现。水平方向表示了产品功能群落模型的演化过程，从无联系的功能种群迭代演化成功能群落，功能群落与同层次物质状态进行结合，通过基于行为库的功能结构映射的转换，信息传递以及能量流动，功能群落成熟度不断加强，与此同时垂直方向的结构层从初始的无序的子部件形成子结构，各种子结构再最后形成完全结构。其中，演化过程中可能会遇到一定程度的倒退，所以在演化算法中需要加入一定的阈值，以确保演化朝着正确的方向进行。

汽车发动机引擎是典型的复杂产品，在发动机运行过程中，涉及到的是物质状态的转变、能量状态的传递、信息状态的交互，运行的过程即发动机功能群落状态的转变，在发动机产品行为流功能群落建模过程中，我们采用自顶向下设计的方法，将发动机行为流功能群落模型中功能群落分为进气，压缩，燃烧，排气四个状态。

同时，针对功能描述的主观性和一般机械产品通常具备的行为——平移(Transfer)、旋转(Rotate)、连接(Joint)、覆盖(Cover)、咬合(Bite)、定位(Locate)，本研究首先构建行为矩阵，再根据功能行为的映射关系判断产品种群是否能够实现如上行为，从而得到产品种群的功能基因编码矩阵。再由成熟度公式和设计聚合熵势公式分别求得产品种群的成熟度和聚合熵势。

传统四缸发动机由主要由曲轴、连杆、活塞、进排气机构四部分组成，在发动机功能群落模型中，这四个部分分别对应于各个功能种群，初始状态时如下：

针对4冲程发动机，我们模块数设置为4，将零部件随机加入到模块中，确保每个模块不为空，从而形成一个初始代，重复操作100次，便形成了100个初始代，如下表所示：

其中，每个模块由若干个矩阵表示，每个矩阵表示在零件分配过程后落入该模块的零件，例如[100100]表示第1和4号零件加入此模块中。再经过选择、交叉、变异之后得到若干新个体，重新计算适应值再进行迭代运算，本例中我们设置迭代次数为500次。经过500次迭代之后，我们得到的具有最佳适应值的个体为：

模块1	模块2	模块3	模块4	适应值
					100100	011000	000010	000001	3.191187

从最终状态可以看出，有些功能(行为)可以单独存在，有些需要组合存在，例如模块4，定位这一行为始终作用于在四个冲程中，模块2中平移和覆盖体现为进气门和排气门通过这两个行为实现进排气功能。发动机运行过程中行为流和功能群落的变化过程如图6所示。

综上所述，基于行为流的产品设计是一个极其复杂的创新思维过程，仅基于目前的智能化技术水平要实现真正的自动化、智能化设计还有较长的路需要探索；因而智能设计不仅需要从设计学、计算机建模、人工智能的领域去拓展，还应该从认知科学、思维科学、系统科学等领域进行交叉研究。只有不断创新设计理论和表现方法，才能是智能设计达到新的境界，取得新的突破。

本发明的创新点如下：

1.使用行为来定义产品的初始状态和目标状态，再根据这两个状态得到实现该状态变化的合适的行为变化序列；

2.行为可以直接对应到结构；

3.每个行为可以作为行为库的一个元素，通过建立行为库来保存已有的产品的行为，从而实现人的知识的积累和重复使用；

4.复杂产品的子部件类比生态系统中的种群能够单独实现某些功能，又能通过行为这一概念作用于其他子部件。

综上所述，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (2)

1.一种基于行为流复杂产品功能群落及其演化的发动机建模方法，其特征在于，该方法包括以下步骤：

一、使用行为来定义产品的初始状态和目标状态，再根据这两个状态得到实现该状态变化的合适的行为变化序列，从而建立产品设计过程的行为流模型；

二、获得行为和功能的初始映射关系；

三、建立基于行为流的发动机功能群落模型及功能群落演化模型；所述功能群落演化模型是指随机生成一定数量的模块，将功能种群的功能通过行为映射到各个模块，如此反复操作，生成一个具有一定规模的初始种群；

四、由成熟度公式和设计聚合熵势公式分别求得产品功能种群的成熟度和聚合熵势；功能种群FP的成熟度M表示如下：

其中，1≤i≤n，n为原子功能数量，f_i是FP的功能描述矩阵中的第i列；p_i代表第i号原子功能对应的行为元在实现功能种群所有功能时被使用的概率；

功能种群设计聚合熵势指产品的客观物质存在在空间和状态上的分布状态势能，取决于当前功能群落的相关度和成熟度，即：

其中m为功能种群中功能数量，R表示该功能种群的相关度，M表示该功能种群的成熟度；功能种群FP的功能描述矩阵如下所示：

GM_FP＝[f₁,...,f_i,...,f_n]＝[β₁,...,β_j,...,β_m]*A^T

其中A为行为—功能映射矩阵，f_i＝1当且仅当该种群能够实现第i号原子功能，其余情况下f_i＝0；当且仅当该功能种群具备第j号行为元时，β_j＝1，其余情况下β_j＝0，1≤i≤n，1≤j≤m，n为原子功能数量，m为行为库中行为元数量；

功能群落演化算法流程如下：

1)随机生成一系列模块，模块总数大于1，并为每个模块设置权重；

2)随机将实现功能群落的所有行为放入各模块中，保证模块至少不为空；

3)重复步骤2)，得到一定数量的初始种群，利用功能行为映射关系计算每个种群的相关度，利用适应值函数计算各个初始代的适应值；适应值函数如下：

其中x为模块数目，W_i代表每个模块所占权重；

4)利用轮盘法的选择算子选出两个初始代，在不破坏模块的情况下，设置交叉区域，以单点交叉进行交叉；

5)随机选择模块去除交叉后初始代中冗余行为，而缺失的行为随机插入模块中；

6)以极小概率从任意模块中选取一个行为，将其随机放入其余的模块内，完成变异；

7)得到的新的基因；计算新基因的适应值Z；

8)保证总的基因数目一定的情况下，按照适值由高到低进行优胜劣汰法则进行自然选择；适应值越高，表明功能群落聚合熵势越低，系统越趋于稳定；

9)经过一定迭代次数，得到的最终种群中适应值最大的个体便是优化组合结果。

2.根据权利要求1所述的基于行为流复杂产品功能群落及其演化的发动机建模方法，其特征在于，将发动机行为流功能群落模型中功能群落分为进气，压缩，燃烧，排气四个状态。