CN107194082B - 基于转基因理论的工业产品智能设计方法 - Google Patents

Abstract

本发明公开了一种基于转基因理论的工业产品智能设计方法，用于解决现有工业产品设计方法实用性差的技术问题。技术方案是运用行为及人机工效分析系统MVTA获取不同实验者对于产品的感性知识，根据实验者对于目标产品及不同种群产品的视知觉特点，分析实验者对产品形态要素的辨识规律并获取引起消费者意象变化的形态元素。采用基于Matlab的产品形态基因编码方法，将产品基因进行形态拟合，并得到基因的函数表达式，通过基因的图形学特性，使最终经过编码的基因包含良好的心理感知和几何信息。本发明运用生物学的基因优选与转基因方法，实现产品形态的创新和对原有形态的继承，最终达到不同产品形态曲线间的融合和创新，实用性好。

Description

基于转基因理论的工业产品智能设计方法

技术领域

本发明涉及一种工业产品设计方法，特别涉及一种基于转基因理论的工业产品智能设计方法。

背景技术

文献“基于进化思想的汽车造型优化设计方法研究，中国机械工程，2014，Vol25(11)，p1517-1523”公开了一种产品进化设计方法。该方法结合遗传算法等工程方法和交互式评价等设计方法，提出一种整合了工程方法和造型方法的汽车造型优化设计方法。方法整体以进化思想为指导，首先将汽车造型设计问题映射到数学模型上，利用遗传算法生成新设计方案，并以多目标设计空间来约束生成的设计方案，再以目标车型的造型意象为标杆，采用交互式评价方式评价输出的设计方案，并将评价结果作为适应度代入遗传算法中继续迭代直至设计方案符合设计的迭代终止条件，最终形成一个综合解决多方问题的汽车造型多目标优化设计方法，具备一定的合理性和可行性。文献所述方法主要是一种面向主观评价的交互进化，人类仅仅参与进化产生方案的评价，并没有介入到方案解的产生与搜索过程。因此，进化设计虽然借助生物进化的思想和原理来产生或搜索方案解，改变了计算机只擅长处理数值计算的状况，增加了计算机处理大规模复杂问题的自动求解能力，但由于目前人工智能的局限性，设计或求解问题时涉及到的大量隐性设计知识与经验只能为人类智能所拥有，无法显性化并由计算机识别和运用，导致进化设计仍然无法完全模拟人脑中的求解方法进行产品最佳方案的搜索。

发明内容

为了克服现有工业产品设计方法实用性差的不足，本发明提供一种基于转基因理论的工业产品智能设计方法。该方法运用行为及人机工效分析系统MVTA、生理多导仪设备获取不同实验者对于产品的感性知识，根据实验者对于目标产品及不同种群产品的视知觉特点，分析实验者对产品形态要素的辨识规律并获取引起消费者意象变化的形态元素。采用基于Matlab的产品形态基因编码方法，将产品基因进行形态拟合，并得到基因的函数表达式，通过基因的图形学特性，使最终经过编码的基因包含良好的心理感知和几何信息。本发明运用生物学的基因优选与转基因概念和方法，以产品的形态特征作为研究对象，研究产品形态曲线的编码方式，形态基因的转移、变异、重组产生新个体的方法，实现产品形态的创新和对原有形态的继承，最终达到不同产品形态曲线间的融合和创新，实用性好。

本发明解决其技术问题所采用的技术方案：一种基于转基因理论的工业产品智能设计方法，其特点是包括以下步骤：

步骤一、构建意象模糊相关的形态基因数据库。

采用三维坐标测量仪或结构光栅扫描仪对静态基因进行参数捕捉，获取静态基因的三维数字模型。

运用图形学三视图坐标转化矩阵，将三维数字模型转化为二维视图，并对二维视图进行降噪，实现空间中静态基因的提取和三视表达。

运用Matlab将产品基因进行形态拟合，得到基因的函数表达式，对产品形态基因进行编码。

运用行为及人机工效分析系统MVTA、生理多导仪设备获取不同实验者对于产品的感性知识，根据实验者对于目标产品及不同种群产品的视知觉特点，分析实验者对产品形态要素的辨识规律，构建形态要素的辨识体系并获取引起消费者意象变化的形态元素，根据形态聚类理论及感性意象间形态元素的模糊融合算法，给出判定意象特征与区分特征的自适应机制，根据族群产品及形态元素对目标产品的贡献度，结合设计结构矩阵对产品族群和形态元素聚类，构造与感性意象模糊相关的形态基因数据库，意象基因集合Geneset＝{g₁,g₂,g₃,...,g_m}中的任一元素g_m代表任意一个由上述实验模糊确认的与任一意象D相关的产品形态基因。

步骤二、构建意象相关的产品形态基因网络。

把产品形态基因网络抽象成一个图M。其中，每一个节点v_i代表一个产品形态基因，节点之间的连线代表产品形态基因之间的相互作用关系e_i，即e_i＝(v_i,v_i+1)表示节点v_i与v_i+1之间的相互作用。

据特定感性意象D，在与感性意象模糊相关的形态基因数据库中找出其模糊意象基因集合Geneset＝{g₁,g₂,g₃,...,g_m}，为关键字查询搜集。

找出Geneset中每个元素在产品形态结构中的邻居集合Gi＝{g_i1,g_i2,g_i3,...,g_ik}。

构建特定感性意象D相关的产品形态基因网络的边集合E_d。

步骤三、对意象相关的产品形态基因网络进行拓扑分析。

将产品形态基因网络中的顶点集V分成已经计算出最短路径的S集合和未确定最短路径的V-S集合，从V-S集合中选取一个顶点w，满足经过S集合中任意顶点v到w的路径最短，及满足源到v的路径与v到w的路径之和最小的那个w。其中v属于S，w属于V-S。将w加入S，并从V-S中移除w，直到V-S变为空集为止。

采用图论中的度以及聚类系数作为分析对象来挖掘Hub节点中最为联系紧密的节点及节点组合。

步骤四、完成产品形态基因手术。

坐标和尺度的构建：在Matlab环境下构建统一的坐标系统，并对目标基因进行归1化处理。其中单位1为靶向基因定义域的模长。

组合节点的选取：节点分为等导节点以及极值为零的特殊等导节点。选取这些节点交叉组合变换生成导数和曲率连续的新的分段函数，其函数图像即是新的产品形态基因，且新生成的形态基因继承了上一代基因的形态特性。

等导节点的函数变换：为更清晰的表达等导节点的函数变换，设有两条曲线，f(x)与g(x)，x∈[0,1]，又有两点c_i和c_j，c_i,c_j∈[0,1]，使得f'(c_i)＝g'(c_j)，则以c_i和c_j两点为节点将两条曲线打断并重组，得到两个新的分段函数h₁(x)和h₂(x)：

等导节点的归一化处理：若重组后得到的新函数h₁(x)或h₂(x)中c_i不等于c_j，则对函数再进行归一化处理，即用函数除以定义域的长度，最后得到最终函数：

极值节点的特性分析：极值节点是导数为0的点，是一种特殊的等导节点，等导节点的函数变换同样适用于极值节点。但极值节点从图形学角度而言更易于观察，并且极值节点具有更活跃的组合特性。

组合基因情感意象异变剔除：由以上节点的迭代重组得到众多新的组合基因，虽然之前选择的父代基因是满足用户情感意象的，但是经过节点组合后得到的新曲线的曲率变化率和函数对称性却有可能产生异变。为与初始要求的情感意象保持一致，必须通过排异与检测来剔除这些含有与用户情感语义不符的奇异曲线，对重组得到的组合基因群进行优化使其更合理更具参考价值。

产品基因诱变创新设计方法：诱变创新包括基于图形学的基因放大、旋转、倍增、阵列、填充、缺失和镜像方法。

产品基因融合：在定向融合关键技术的基础上，为对函数进行智能放大、旋转和平移，需要开发Matlab环境下的智能定向融合工具，进行二维空间内形态基因函数的放大变化、视图平面内形态基因函数的放大变化变形、X轴、Y轴、Z轴的旋转函数、X方向、Y方向、Z方向的平移函数、靶向基因、目标基因分析以及智能融合动作。

产品基因排异方法：为对诱变创新以及融合产生的新产品形态基因进行排异检测和修正，从产品的工程设计特性和形态融合的协调性考虑。拟对可能存在的可制造性问题，拔模斜角这些工程问题进行考察和修正，进一步促进形态基因的融合。

本发明的有益效果是：该方法运用行为及人机工效分析系统MVTA、生理多导仪设备获取不同实验者对于产品的感性知识，根据实验者对于目标产品及不同种群产品的视知觉特点，分析实验者对产品形态要素的辨识规律并获取引起消费者意象变化的形态元素。采用基于Matlab的产品形态基因编码方法，将产品基因进行形态拟合，并得到基因的函数表达式，通过基因的图形学特性，使最终经过编码的基因包含良好的心理感知和几何信息。本发明运用生物学的基因优选与转基因概念和方法，以产品的形态特征作为研究对象，研究产品形态曲线的编码方式，形态基因的转移、变异、重组产生新个体的方法，实现产品形态的创新和对原有形态的继承，最终达到不同产品形态曲线间的融合和创新，实用性好。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明基于转基因理论的工业产品智能设计方法的流程图。

图2是本发明方法中Matlab环境下产品基因的函数拟合图。

图3是本发明方法中产品形态基因网络示例图。

图4是本发明方法中产品形态基因网络构建过程示意图。

图5是本发明方法中所借鉴的生物转基因理论模型。

具体实施方式

参照图1-5。本发明基于转基因理论的工业产品智能设计方法具体步骤如下：

步骤一、构建意象模糊相关的形态基因数据库。

以汽车造型为实施例，采用三维坐标测量仪或结构光栅扫描仪等设备对静态基因进行参数捕捉，获取静态基因的三维数字模型。

运用图形学三视图坐标转化矩阵，将三维数字模型转化为二维视图，并对二维视图进行降噪，从而实现空间中静态基因的提取和三视表达。

运用Matlab将产品基因进行形态拟合，并得到基因的函数表达式，对产品形态基因进行编码。

运用行为及人机工效分析系统MVTA、生理多导仪设备进行辅助实验，获取不同实验者对于产品的感性知识，研究实验者对于目标产品及不同种群产品的视知觉特点，分析实验者对产品形态要素的辨识规律，构建形态要素的辨识体系并获取引起消费者意象变化的形态元素，提出形态聚类理论及感性意象间形态元素的模糊融合算法，给出判定意象特征与区分特征的自适应机制，根据族群产品及形态元素对目标产品的贡献度，结合设计结构矩阵对产品族群和形态元素聚类，构造与感性意象模糊相关的形态基因数据库，其中意象基因集合Geneset＝{g₁,g₂,g₃,...,g_m}中的任一元素g_m代表任意一个由上述实验模糊确认的与任一意象D相关的产品形态基因。

步骤二、构建意象相关的产品形态基因网络。

借鉴图论的相关理论，把产品形态基因网络抽象成一个图M。其中，每一个节点v_i代表一个产品形态基因，节点之间的连线(边)代表产品形态基因之间的相互作用关系e_i，即e_i＝(v_i,v_i+1)表示节点v_i与v_i+1之间的相互作用。

据特定感性意象D，在与感性意象模糊相关的形态基因数据库中找出其模糊意象基因集合Geneset＝{g₁,g₂,g₃,...,g_m}，主要方式为关键字查询搜集。

找出Geneset中每个元素在产品形态结构中的邻居集合Gi＝{g_i1,g_i2,g_i3,...,g_ik}。

构建意象D相关的产品形态基因网络的边集合E_d。

步骤三、对意象相关的产品形态基因网络进行拓扑分析。

将产品形态基因网络中的顶点集V分成已经计算出最短路径的S集合和未确定最短路径的V-S集合，从V-S集合中选取一个顶点w，满足经过S集合中任意顶点v到w的路径最短，及满足“源到v的路径与v到w的路径之和”最小的那个w。其中v属于S，w属于V-S。将w加入S，并从V-S中移除w。并反复重复步骤，直到V-S变为空集为止。

采用图论中的度以及聚类系数作为分析对象来挖掘Hub节点中最为联系紧密的节点及节点组合。

步骤四、完成产品形态基因手术。

坐标和尺度的构建：由于近缘种族群的基因在尺度上可能具有较大差异，为提高基因的适应性和可操作性，需在Matlab环境下构建统一的坐标系统，并对目标基因进行“归1化”处理。其中单位1，应为靶向基因定义域的模长。

组合节点的选取：在基因组合的技术中，节点是打断和重组形态基因的重要特征。节点分为两大类，等导节点以及极值为零的特殊等导节点。选取这些节点交叉组合变换即可生成导数和曲率连续的新的分段函数，其函数图像即是新的产品形态基因，且新生成的形态基因较好的继承了上一代基因的形态特性。

等导节点的函数变换：为更清晰的表达等导节点的函数变换，现设有两条曲线，f(x)与g(x)，x∈[0,1]，又有两点c_i和c_j，c_i,c_j∈[0,1]，使得f'(c_i)＝g'(c_j)，则以c_i和c_j两点为节点将两条曲线打断并重组，得到两个新的分段函数h₁(x)和h₂(x)：

等导节点的归一化处理：若重组后得到的新函数h₁(x)或h₂(x)中c_i不等于c_j，则对函数再进行归一化处理，即用函数除以定义域的长度，最后得到最终函数：

极值节点的特性分析：极值节点是导数为0的点，是一种特殊的等导节点，等导节点的函数变换同样适用于极值节点。但极值节点从图形学角度而言更易于观察，并且极值节点具有更活跃的组合特性，所以应单独分析。

组合基因情感意象异变剔除：由以上节点的迭代重组我们得到了众多新的组合基因，虽然之前选择的父代基因是满足用户情感意象的，但是经过节点组合后得到的新曲线的曲率变化率和函数对称性却有可能产生异变。为与初始要求的情感意象保持一致，必须要通过排异与检测来剔除这些含有与用户情感语义不符的奇异曲线，对重组得到的组合基因群进行优化使其更合理更具参考价值。

产品基因诱变创新设计方法：在基因组合创新方法研究的基础上，为弥补基于产品基因组合“遗传大于创新”的局限性，项目同时对基因诱变创新技术进行深入研究，以提高子代产品的创新性。主要研究的诱变创新内容包括，基于图形学的基因放大、旋转、倍增、阵列、填充、缺失、镜像等方法。

产品基因融合：在定向融合关键技术的基础上，为对函数进行智能放大、旋转和平移，需要开发Matlab环境下的智能定向融合工具，主要研究内容有二维空间内形态基因函数的放大变化研究、视图平面内形态基因函数的放大变化变形、X轴、Y轴、Z轴的旋转函数、X方向、Y方向、Z方向的平移函数、靶向基因、目标基因分析以及智能融合动作。

产品基因排异方法：为对诱变创新以及融合产生的新产品形态基因进行排异检测和修正，主要从产品的工程设计特性和形态融合的协调性考虑。拟对可能存在的可制造性问题，拔模斜角等工程问题进行合理考察和修正，进一步促进形态基因的融合。

Claims (1)

1.一种基于转基因理论的工业产品智能设计方法，其特征在于包括以下步骤：

步骤一、构建意象模糊相关的形态基因数据库；

采用三维坐标测量仪或结构光栅扫描仪对静态基因进行参数捕捉，获取静态基因的三维数字模型；

运用图形学三视图坐标转化矩阵，将三维数字模型转化为二维视图，并对二维视图进行降噪，实现空间中静态基因的提取和三视表达；

运用Matlab将产品基因进行形态拟合，得到基因的函数表达式，对产品形态基因进行编码；

运用行为及人机工效分析系统MVTA、生理多导仪设备获取不同实验者对于产品的感性知识，根据实验者对于目标产品及不同种群产品的视知觉特点，分析实验者对产品形态要素的辨识规律，构建形态要素的辨识体系并获取引起消费者意象变化的形态元素，根据形态聚类理论及感性意象间形态元素的模糊融合算法，给出判定意象特征与区分特征的自适应机制，根据族群产品及形态元素对目标产品的贡献度，结合设计结构矩阵对产品族群和形态元素聚类，构造与感性意象模糊相关的形态基因数据库，意象基因集合Geneset＝{g₁,g₂,g₃,...,g_m}中的任一元素g_m代表任意一个由上述实验模糊确认的与任一意象D相关的产品形态基因；

步骤二、构建意象相关的产品形态基因网络；

把产品形态基因网络抽象成一个图M；其中，每一个节点v_i代表一个产品形态基因，节点之间的连线代表产品形态基因之间的相互作用关系e_i，即e_i＝(v_i,v_i+1)表示节点v_i与v_i+1之间的相互作用；

据特定感性意象D，在与感性意象模糊相关的形态基因数据库中找出其模糊意象基因集合Geneset＝{g₁,g₂,g₃,...,g_m}，为关键字查询搜集；

找出Geneset中每个元素在产品形态结构中的邻居集合Gi＝{g_i1,g_i2,g_i3,...,g_ik}；

构建特定感性意象D相关的产品形态基因网络的边集合E_d；

步骤三、对意象相关的产品形态基因网络进行拓扑分析；

将产品形态基因网络中的顶点集V分成已经计算出最短路径的S集合和未确定最短路径的V-S集合，从V-S集合中选取一个顶点w，满足经过S集合中任意顶点v到w的路径最短，及满足源到v的路径与v到w的路径之和最小的那个w；其中v属于S，w属于V-S；将w加入S，并从V-S中移除w，直到V-S变为空集为止；

采用图论中的度以及聚类系数作为分析对象来挖掘Hub节点中最为联系紧密的节点及节点组合；

步骤四、完成产品形态基因手术；

坐标和尺度的构建：在Matlab环境下构建统一的坐标系统，并对目标基因进行归1化处理；其中单位1为靶向基因定义域的模长；

组合节点的选取：节点分为等导节点以及极值为零的特殊等导节点；选取这些节点交叉组合变换生成导数和曲率连续的新的分段函数，其函数图像即是新的产品形态基因，且新生成的形态基因继承了上一代基因的形态特性；

等导节点的函数变换：为更清晰的表达等导节点的函数变换，设有两条曲线，f(x)与g(x)，x∈[0,1]，又有两点c_i和c_j，c_i,c_j∈[0,1]，使得f'(c_i)＝g'(c_j)，则以c_i和c_j两点为节点将两条曲线打断并重组，得到两个新的分段函数h₁(x)和h₂(x)：

等导节点的归一化处理：若重组后得到的新函数h₁(x)或h₂(x)中c_i不等于c_j，则对函数再进行归一化处理，即用函数除以定义域的长度，最后得到最终函数：

极值节点的特性分析：极值节点是导数为0的点，是一种特殊的等导节点，等导节点的函数变换同样适用于极值节点；但极值节点从图形学角度而言更易于观察，并且极值节点具有更活跃的组合特性；

组合基因情感意象异变剔除：由以上节点的迭代重组得到众多新的组合基因，虽然之前选择的父代基因是满足用户情感意象的，但是经过节点组合后得到的新曲线的曲率变化率和函数对称性却有可能产生异变；为与初始要求的情感意象保持一致，必须通过排异与检测来剔除这些含有与用户情感语义不符的奇异曲线，对重组得到的组合基因群进行优化使其更合理更具参考价值；

产品基因诱变创新设计方法：诱变创新包括基于图形学的基因放大、旋转、倍增、阵列、填充、缺失和镜像方法；

产品基因融合：在定向融合关键技术的基础上，为对函数进行智能放大、旋转和平移，需要开发Matlab环境下的智能定向融合工具，进行二维空间内形态基因函数的放大变化、视图平面内形态基因函数的放大变化变形、X轴、Y轴、Z轴的旋转函数、X方向、Y方向、Z方向的平移函数、靶向基因、目标基因分析以及智能融合动作；

产品基因排异方法：为对诱变创新以及融合产生的新产品形态基因进行排异检测和修正，从产品的工程设计特性和形态融合的协调性考虑；对可能存在的可制造性问题，拔模斜角工程问题进行考察和修正，进一步促进形态基因的融合。

Images