CN107145636B - 一种以设计意图为导向的产品关联信息建模方法 - Google Patents

Abstract

本发明公开了一种以设计意图为导向的产品关联信息建模方法。基于模糊集合理论，根据产品零件间关联关系进行多约束准则的构建与量化表达，对于每一种约束关联用三角模糊数进行赋值，构建具有多约束准则的零件间辨识框架，从设计知识数据库中提取数据采用多约束准则排序融合方式进行解析处理，获得多约束准则融合的最终证据体，对模糊关联强度进行去模糊化，获得产品综合关联强度，形成量化产品设计结构矩阵。本发明针对传统复杂产品关联信息建模过程中关联数据模糊不完备，无法准确表达设计意图的问题，具有设计准确度高，符合设计意图的优点。

Description

一种以设计意图为导向的产品关联信息建模方法

技术领域

本发明涉及一种以设计意图为导向的产品关联信息建模方法，属于产品设计领域。

背景技术

为了满足用户对产品性能与质量的不断变化的个性化需求，制造企业经常需要对其产品进行改造与维护等适应性操作。复杂产品由机械、电子、液压、控制等系统耦合组成，不同的子系统之间又是由众多零部件相互关联组成，为了对复杂产品进行模块划分、重构等优化操作，首先需要完成产品关联信息的建模工作。

传统的产品关联信息建模过程中，通常采取以语言变量评价及线性加权的方式对产品零件关联关系进行表征计算，此类方法无法精确的表征产品零件间的关联关系，进一步影响到后续模块划分等优化操作的精度。

具体来说，在设计早期，产品结构的约束关联关系的分析数据主要来源于专家的语义评价和已有实例的先验知识。这些数据通常带有一定的不确定性，主要包括专家认识不足或不一致带来的残缺性及知识经验的模糊性，不能准确表达设计意图，实现对产品结构的关联强度建模精确计算。其次，传统产品关联信息建模过程中，一般采用产品设计结构矩阵DSM表达产品关联信息，这种传统的DSM以布尔型为主，这种以0-1二值逻辑表征的模型只能识别零件之间有无关联，不能准确表达零件间的关联强度，使得产品关联信息模型不够准确。

发明内容

为了解决背景技术中存在的问题，本发明的目的在于提供一种以设计意图为导向的产品关联信息建模方法。

本发明方法是一种设计准确度高、符合设计意图的产品关联信息建模方法，能够有效解决传统复杂产品关联信息建模过程中关联数据模糊不完备、无法准确表达设计意图的问题。

本发明的技术方案包括以下步骤：

所述方法的步骤如下：

步骤一：基于模糊集合理论，根据产品零件间关联关系进行多约束准则的构建与量化表达，对于产品零件间关联关系的每一种约束关联用三角模糊数进行赋值，根据多约束准则和三角模糊数构建具有多约束准则的零件间辨识框架；

所述步骤一中，产品零件间关联关系具有功能约束关联、结构约束关联和信息约束关联的三种约束关联。因此多约束准则包括分别与功能约束关联、结构约束关联和信息约束关联对应的三种约束准则。

功能约束关联是指零件间共同实现一种传动或者连接功能的相互作用关系，例如蜗轮和蜗杆相互作用连接实现了两个相垂直方向之间的传动连接。

结构约束关联是指零件间空间形位与几何连接的关系，诸如零件之间的平行度、同轴度、垂直度等几何连接约束以及间隙配合、过盈配合等装配关系。信息约束关联是指零件间的信息流转关系，如能量流、物质流和信息流。能量流指的是各零件工作时发生的能量转换、利用和回收的流动关系，诸如液压机构实现势能到动能的转化，物质流指的是与制造产品有关联的实体物的流动关系，如输入物料、切削液等经过装夹、加工形成成品或半成品，信息流指的是零件间诸如切削参数、控制信号等控制数据的信息流动关系。

所述步骤一中，对每两个产品零件之间的功能关联、结构关联与信息关联的三方面关联关系采用三角模糊数进行赋值，具体是对每两个零件间的一种约束关联构建分别对应于五种语义尺度的三角模糊数得到量化的模糊关系：

其中a^L与a^H分别为三角模糊数a％的上界与下界，a^M为三角模糊数的中值，满足0≤a^L≤a^M≤a^H；用五种语义尺度来表征设计意图，五种语义尺度根据约束关联的强弱等级分别为不存在约束关联、较弱协同、一般协同、较强协同和缺一不可，不存在约束关联、较弱协同、一般协同、较强协同、缺一不可的五种语义尺度对应的三角模糊数分别为(0,0.1,0.2)、(0.2,0.3,0.4)、(0.4,0.5,0.6)、(0.6,0.7,0.8)、(0.8,0.9,1.0)。

语义尺度-三角模糊数的映射关系如表1所示：

表1语义尺度-三角模糊数的映射关系

所述步骤一中，根据多约束准则和三角模糊数构建具有多约束准则的零件间辨识框架具体为：

对于每两个零件间，构建以下公式表示的零件间辨识框架Θ：

其中，表示零件间在三种约束关联下第k个语义尺度对应的三角模糊数；T表示约束准则，T＝{F，S，I}，F为功能约束关联，S为结构约束关联，I为信息约束关联，约束准则T对应的约束关联权重表示为ω^F表示功能约束关联权重，ω^S表示结构约束关联权重，ω^I表示信息约束关联权重。

步骤二：从多个设计知识数据库中提取数据获得零件间辨识框架及其中的三角模糊数赋值数据，采用多约束准则排序融合方式根据产品零件的功能、结构、信息约束关联关系对零件间辨识框架及其中的三角模糊数赋值数据进行解析处理，获得多约束准则融合的最终证据体。设计知识数据库是已构建的已知的数据库。

所述步骤二具体为：

2.1)针对零件间每一语义尺度对应的三角模糊数，计算其概率分配函数；

定义概率分配函数表示为约束准则T下零件i与零件j之间关联关系对应为三角模糊数的概率具体计算如下式：

其中，表示三角模糊数赋值数据中约束准则T下零件i与零件j之间的三种约束关联对应为三角模糊数的个数N表示三角模糊数赋值数据的数量；

将零件间五种语义尺度对应的三角模糊数计算获得概率分配函数组成集合并作为证据体从不同设计知识数据库提取数据获得零件间的概率分配函数集合对应不同的证据体，s个设计知识数据库来源形成总共s个证据体，组成证据体集合M(i,j)＝{m₁(i,j),m₂(i,j)...m_l(i,j)...m_s(i,j)}，m_l(i,j)表示零件i与零件j间第l条证据体；不同证据体集合对应不同零件间，一个证据体集合对应一对零件间。

2.2)针对每个证据体，计算其证据体可信度、证据体精度、证据体自冲突系数的三个参数值，具体采用以下公式计算；

a、证据体可信度Cred(m(i,j))由如下公式计算获得：

其中，Sup(m(i,j))表示证据体支持度，s表示证据体集合中的证据体总数；m(i,j)表示证据体集合中需计算的证据体，h为从1到证据体总数s的循环变量；

b、证据体精度Prec(m(i,j))计算公式为：

其中，表示零件i与零件j第k个语义尺度对应的的概率分配函数；

c、证据体自冲突系数Conf(m(i,j))计算公式如下：

其中，表示零件i与零件j第k个语义尺度对应的概率分配函数，m_A为单点焦元函数，且对于

2.3)对于证据体，按照证据体可信度降序、证据体精度降序、证据体自冲突系数升序的方式进行排列分别得到三个排序序列Λ_Cred、Λ_Pres和Λ_Conf：

Λ_Cred＝{R_c(1),R_c(2),,,R_c(i),,,R_c(s)}

Λ_Pres＝{R_p(1),R_p(2),,,R_p(i),,,R_p(s)}

Λ_Conf＝{R_f(1),R_f(2),,,R_f(i),,,R_f(s)}

其中，Λ_Cred表示证据体可信度降序序列，Λ_Pres表示证据体精度降序序列，Λ_Conf表示证据体自冲突系数升序序列，R_c(i)表示第i证据体可信度排序序号，R_p(i)表示第i证据体精度排序序号，R_f(i)表示第i证据体自冲突系数排序序号，i表示证据体集合中证据体序数，s表示证据体集合中证据体总数；

2.4)采用以下表示表示的加权融合方式对三个排序序列进行融合计算获得每个证据体的融合值，形成融合序列Λ_fus，并且在融合序列中选择融合值最小对应的证据体作为最终证据体，表征零件之间的一致性综合关联关系：

Λ_fus＝{R_u(1),R_u(2),,,R_u(i),,,R_u(s)}

R_u(i)＝αR_c(i)+βR_p(i)+γR_f(i)

其中，R_c(i)、R_p(i)和R_f(i)分别表示第i证据体分别在证据体可信度降序序列、证据体精度降序序列和证据体自冲突系数升序序列中的排序序号，R_u(i)表示第i证据体的排序序号融合值，α、β和γ分别表示证据体可信度、证据体精度和证据体自冲突系数对应的权重系数。

上述步骤二是采用了选择性排序融合的方法对从设计知识数据库中提取获得包含有零件间辨识框架的非完备信息进行分析，在获取功能、结构与信息的约束关联的基础上估计零件间一致性综合关联关系。引入证据体理论，对复杂产品结构多准则约束判定的证据体使用证据体精度、证据体可信度及证据体自冲突系数三个指标进行选择融合估计。

步骤三：采用多约束准则融合的最终证据体，对模糊关联强度进行去模糊化，获得产品综合关联强度，从而构建定量化矩阵形式精确表达产品零件关联信息，形成量化产品设计结构矩阵(Quantized Design Structure Matrix,QDSM)，完成产品关联信息模型的构建。

所述步骤三具体为：

针对最终证据体m_final(i,j)对应的辨识框架，先根据概率分配函数和三角模糊数转化获得零件模糊关联强度 计算式为：

其中，表示零件i与零件j间在三种约束关联下第k个语义尺度对应的概率分配函数，表示零件i与零件j间在三种约束关联下第k个语义尺度对应的三角模糊数，

然后对零件间模糊关联强度进行去模糊化，获取产品综合关联强度a(i,j)，计算式为：

a(i,j)＝[a^L(i,j)+2a^M(i,j)+a^H(i,j)]/4

其中，a^L(i,j)、a^M(i,j)和a^H(i,j)分别表示零件i和零件j间在三种约束关联下对应的三角模糊数的上界、中值和下界；

最终由每两个零件间的产品综合关联强度a(i,j)组成量化产品设计结构矩阵，完成产品关联信息建模。

本发明具有的有益效果是：

本发明所提方法解决了在传统产品关联信息建模过程中无法准确表征设计意图、以及产品零件间的约束关联关系的分析数据的不确定性所造成的建模计算不精确的问题，解决了现有传统方法的产品关联信息仅有0或1两种关联状态的不准确问题。

本发明方法基于语义变量的模糊表征以及模糊排序融合进行产品综合关联强度的估计，最终建立定量化产品设计结构矩阵QDSM，实现了对产品关联信息建模精确计算，具有设计准确度高，符合设计意图的优点。

附图说明

图1是本发明实施例的液压机本体关键零部件组成结构图。

图2是本发明零件关联网络及对应定量化设计结构矩阵示意图。

图3是本发明实施例的液压机定量化设计结构矩阵模型结果图。

具体实施方式

以下结合附图和实施例对本发明作进一步的详细描述。

本发明实施例及其实施过程如下：

大型液压机作为机械工业的重型基础装备，在钢铁、汽车、化工、电力等行业具有举足轻重的作用。本实施例以液压机的本体作为实例，对本体结构进行关联信息模型建模，从而验证所提出方法的有效性。

液压机的本体机构一般由机架、液压缸部运动部分以及导向装置组成。本体结构承载着液压机运行过程的振动及整机的重量，因此在设计过程应具有合理的强度、刚度及导向精度，使用可靠；且在使用后期应考虑维修方便，质量稳定。图1所示为液压机本体关键零部件组成示意图,由于本体结构零部件众多，针对其在实际生产使用环节中的重要性，主要选择20个本体关键零部件作为研究的数据来源。通过分析产品的物料清单，得到液压机的零部件分类，其部件表示下表2。

表2

No.	零件名	No.	零件名
				1	拉杆	11	移动工作台组件
2	拉杆螺母	12	下横梁
				3	上横梁	13	盖板
4	柱塞缸	14	开槽圆柱头螺钉
				5	柱塞	15	拉杆螺母
6	定位销	16	底座
				7	活塞缸部件	17	地脚螺杆
8	顶出缸部件	18	螺母
				9	右立柱	19	弹簧垫圈
10	活动横梁组件	20	缓冲缸部件

结合本发明所涉及的具体步骤，对液压机本体结构单元进行关联信息模型建模。

步骤一：选取液压机本体结构的20个关键零部件，基于模糊集合理论，根据产品零件间关联关系进行多约束准则的构建与量化表达，产品零件间关联关系具有功能约束关联、结构约束关联和信息约束关联的三种约束关联。

对每两个零件间的一种约束关联构建分别对应于五种语义尺度的三角模糊数用三角模糊数进行赋值，得到量化的模糊关系。五种语义尺度的不存在约束关联、较弱协同、一般协同、较强协同、缺一不可的五种语义尺度对应的三角模糊数分别为(0,0.1,0.2)、(0.2,0.3,0.4)、(0.4,0.5,0.6)、(0.6,0.7,0.8)、(0.8,0.9,1.0)。

从而获得功能关联矩阵A^F、结构关联矩阵A^S与信息关联矩阵A^I三类矩阵，矩阵大小为21×21，矩阵元素均为语义尺度所对应的三角模糊数。

对于每两个零件间，根据多约束准则和三角模糊数构建具有多约束准则的零件间辨识框架Θ：

步骤二：从已知的设计知识数据库中提取已知数据整理获得零件间辨识框架及其中的三角模糊数赋值数据，采用多约束准则排序融合方式对整理后的数据进行解析处理来获得多约束准则融合的最终证据体；

先针对零件间每一语义尺度对应的三角模糊数，计算其概率分配函数；

获取约束关联权重对功能约束关联、结构约束关联、信息约束关联进行加权综合；采用层次分析法获得多约束准则的权重分别为：w_F＝0.32，w_S＝0.35，w_I＝0.33。

将零件间五种语义尺度对应的三角模糊数计算获得概率分配函数组成集合并作为证据体，不同数据来源形成的概率分配函数集合对应不同的证据体，由所有不同的证据体构成证据体集合。

具体实施可以从多个设计知识数据库采集获得零件间关联数据后，一个设计知识数据库采集对应一个证据体，由此能获得多个证据体。

2.2)针对每个证据体，计算其证据体可信度、证据体精度、证据体自冲突系数的三个参数值；

2.3)对于证据体，按照证据体可信度降序、证据体精度降序、证据体自冲突系数升序的方式进行排列分别得到三个排序序列Λ_Cred、Λ_Pres和Λ_Conf：

2.4)采用以下表示表示的加权融合方式对三个排序序列进行融合计算获得每个证据体的融合值，形成融合序列Λ_fus，并且在融合序列中选择融合值最小对应的证据体作为最终证据体：

具体实施中α、β和γ均取

2.5)循环计算2.1至2.4步骤，直至获取所有20个零件之间的最终证据体。

步骤三：采用多约束准则融合的最终证据体，然后：

3.1)针对最终证据体m_final(i,j)对应的辨识框架，先根据概率分配函数和三角模糊数转化获得零件模糊关联强度

3.2)然后对零件间模糊关联强度进行去模糊化，获取产品综合关联强度a(i,j)；

3.3)循环步骤三.1与步骤三.2，直至获取所有零件间综合关联强度a(i,j)。

如图2(a)所示，从液压机的20个零件中选取零件1到零件7，将其之间的关联关系表达为有向图，其路径权值即为零件间的综合关联强度，将图2(a)所示的有向图表达为矩阵形式图2(b)即为量化产品设计结构矩阵。

而本实施例液压机的所有20个零件的关联关系组成图3所示的20×20阶矩阵，即为液压机定量化设计结构矩阵，完成产品关联信息建模。

图2(b)和图3中的空格表示两个零件之间没有关联，由于零件间信息关联为有向形式，最终形成矩阵不为对称矩阵。

Claims (7)

1.一种以设计意图为导向的产品关联信息建模方法，其特征在于：所述方法的步骤如下：

步骤一：基于模糊集合理论，根据产品零件间关联关系进行多约束准则的构建与量化表达，对于产品零件间关联关系的每一种约束关联用三角模糊数进行赋值，根据多约束准则和三角模糊数构建具有多约束准则的零件间辨识框架；

步骤二：从多个设计知识数据库中提取数据获得零件间辨识框架及其中的三角模糊数赋值数据，采用多约束准则排序融合方式根据产品零件的功能、结构、信息约束关联关系对零件间辨识框架及其中的三角模糊数赋值数据进行解析处理，获得针对每两个零件间的多约束准则融合的最终证据体；

步骤三：采用多约束准则融合的最终证据体，对模糊关联强度进行去模糊化，获得产品综合关联强度，形成量化产品设计结构矩阵，完成产品关联信息模型的构建。

2.根据权利要求1所述的一种以设计意图为导向的产品关联信息建模方法，其特征在于：所述步骤一中，产品零件间关联关系具有功能约束关联、结构约束关联和信息约束关联的三种约束关联。

3.根据权利要求1所述的一种以设计意图为导向的产品关联信息建模方法，其特征在于：所述步骤一中，用三角模糊数进行赋值具体是对每两个零件间的一种约束关联构建分别对应于五种语义尺度的三角模糊数得到量化的模糊关系；其中a^L与a^H分别为三角模糊数的上界与下界，a^M为三角模糊数的中值，满足0≤a^L≤a^M≤a^H；五种语义尺度根据约束关联的强弱等级分别为不存在约束关联、较弱协同、一般协同、较强协同和缺一不可，不存在约束关联、较弱协同、一般协同、较强协同、缺一不可的五种语义尺度对应的三角模糊数分别为(0,0.1,0.2)、(0.2,0.3,0.4)、(0.4,0.5,0.6)、(0.6,0.7,0.8)、(0.8,0.9,1.0)。

4.根据权利要求1所述的一种以设计意图为导向的产品关联信息建模方法，其特征在于：所述步骤一中，根据多约束准则和三角模糊数构建具有多约束准则的零件间辨识框架具体为：

对于每两个零件间，构建以下公式表示的零件间辨识框架Θ：

其中，表示零件间在三种约束关联下第k个语义尺度对应的三角模糊数；T表示约束准则，T＝{F,S,I}，F为功能约束关联，S为结构约束关联，I为信息约束关联，约束准则T对应的约束关联权重表示为ω^F表示功能约束关联权重，ω^s表示结构约束关联权重，ω^I表示信息约束关联权重。

5.根据权利要求1所述的一种以设计意图为导向的产品关联信息建模方法，其特征在于：所述步骤二具体为：

2.1)针对零件间每一语义尺度对应的三角模糊数，计算其概率分配函数；

定义概率分配函数表示为：约束准则T下，零件i与零件j之间关联关系对应为三角模糊数的概率，具体计算如下式：

其中，表示三角模糊数赋值数据中约束准则T下零件i与零件j之间的三种约束关联对应为三角模糊数的个数N表示三角模糊数赋值数据的数量；

将零件间五种语义尺度对应的三角模糊数计算获得概率分配函数组成集合并作为证据体从不同设计知识数据库提取数据获得零件间的概率分配函数集合对应不同的证据体，s个设计知识数据库来源形成总共s个证据体，组成证据体集合M(i，j)＝{m₁(i，j)，m₂(i，j)…m_l(i，j)…m_s(i，j)}，m_l(i，j)表示零件i与零件j间的第1个证据体；

2.2)针对每个证据体，计算其证据体可信度、证据体精度、证据体自冲突系数的三个参数值；

2.3)对于证据体，按照证据体可信度降序、证据体精度降序、证据体自冲突系数升序的方式进行排列分别得到三个排序序列Λ_Cred、Λ_Pres和Λ_Conf：

Λ_Cred＝{R_c(1)，R_c(2)，…，R_c(i)，…，R_c(s)}

Λ_Pres＝{R_p(1)，R_p(2)，…，R_p(i)，…，R_p(s)}

Λ_Conf＝{R_f(1)，R_f(2)，…，R_f(i)，…，R_f(s)}

其中，Λ_Cred表示证据体可信度降序序列，Λ_Pres表示证据体精度降序序列，Λ_Conf表示证据体自冲突系数升序序列，R_c(i)表示第i证据体可信度排序序号，R_p(i)表示第i证据体精度排序序号，R_f(i)表示第i证据体自冲突系数排序序号，i表示证据体集合中证据体序数，s表示证据体集合中证据体总数；

2.4)采用以下表示表示的加权融合方式对三个排序序列进行融合计算获得每个证据体的融合值，形成融合序列Λ_fus，并且在融合序列中选择融合值最小对应的证据体作为最终证据体：

Λ_fus＝{R_u(1)、R_u(2)，…，R_u(i)，…，R_u(s)}

R_u(i)＝αR_c(i)+βR_p(i)+γR_f(i)

其中，R_c(i)、R_p(i)和R_f(i)分别表示第i证据体分别在证据体可信度降序序列、证据体精度降序序列和证据体自冲突系数升序序列中的排序序号，R_u(i)表示第i证据体排序序号的融合值，α、β和γ分别表示证据体可信度、证据体精度和证据体自冲突系数对应的权重系数。

6.根据权利要求5所述的一种以设计意图为导向的产品关联信息建模方法，其特征在于：所述步骤2.2)的证据体可信度、证据体精度和证据体自冲突系数分别采用以下公式计算；

a、证据体可信度Cred(m(i,j))由如下公式计算获得：

其中，Sup(m(i,j))表示证据体支持度，s表示证据体集合中的证据体总数，m(i,j)表示证据体集合中需计算的证据体，h为从1到证据体总数s的循环变量；

b、证据体精度Prec(m(i,j))计算公式为：

其中，表示零件i与零件j第k个语义尺度对应的的概率分配函数；Θ为零件间辨识框架 表示零件间在三种约束关联下第k个语义尺度对应的三角模糊数；T表示约束准则，T＝{F,S,I}，F为功能约束关联，S为结构约束关联，I为信息约束关联；

c、证据体自冲突系数Conf(m(i,j))计算公式如下：

其中，表示零件i与零件j第k个语义尺度对应的概率分配函数，m_A为单点焦元函数，且对于

7.根据权利要求1所述的一种以设计意图为导向的产品关联信息建模方法，其特征在于：所述步骤三具体为：

针对最终证据体m_final(i,j)对应的辨识框架，先根据概率分配函数和三角模糊数转化获得零件模糊关联强度计算式为：

其中，表示零件i与零件j间在三种约束关联下第k个语义尺度对应的概率分配函数，表示零件i与零件j间在三种约束关联下第k个语义尺度对应的三角模糊数；

然后对零件间模糊关联强度进行去模糊化，获取产品综合关联强度a(i,j)，计算式为：

a(i,j)＝[a^L(i,j)+2a^M(i,j)+a^H(i,j)]/4

其中，a^L(i,j)、a^M(i,j)和a^H(i,j)分别表示零件i和零件j间在三种约束关联下对应的三角模糊数的上界、中值和下界；

最终由每两个零件间的产品综合关联强度a(i,j)组成量化产品设计结构矩阵，完成产品关联信息建模。