面向产品设计的知识推理综述
〔摘 要〕产品设计支持系统是建立在知识重用的基础上的，知识推理作为其中的重要技术，能够维护和扩充知识库，实现设计知识重用。本文综述了近年来国内外产品设计知识推理的发展，重点研究了3个方面：案例推理、不确定推理、混合推理及新推理技术，总结了各种方法和技术的优势以及待解决的问题，并探索了新的产品设计推理技术的发展。
〔关键词〕推理；产品设计；案例推理；不确定推理；混合推理
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１２．０６．０４２
〔中图分类号〕Ｇ２５０２ 〔文献标识码〕Ａ 〔文章编号〕１００８－０８２１（２０１２）０６－０１６９－０５
研究数据表明，机械制造业内平均一个新产品中的大约40%～50%的零件和已有的零件完全一样，30%～40%要在己有零件基础上作很少的修改，只有10%～20%的零件是全新的设计［１］。在产品设计过程中，设计人员大多在过去相似设计案例的基础上进行修改调整而生成新的设计方案。由此可见，绝大多数的产品设计都是对己有设计知识的重用。重用已有的知识可以节省资源，并提高产品可靠质量。面向产品设计的知识推理就是针对用户提出的问题，对产品设计知识库中的知识进行推理，得到问题的答案，最终实现知识的重用。现有的产品设计知识推理主要完成两种任务：一是维护和扩展产品设计知识库，针对知识库中的知识，通过推理得到隐含的信息或者不一致的信息；二是针对待解决的问题，从知识库中找出与其相似的已有问题解决的方法。
经典的知识推理模式是规则推理，规则推理是将知识、经验表述成规则，找到事实库中与规则前提相匹配的事实的过程。由于规则推理直观、模块性强、逻辑清晰，所以被用来作为早期专家系统的开发。CONDES［２］是基于规则推理的产品概念设计系统。规则推理适用于知识比较规范、严谨的领域，但是规则推理不能适应知识库的动态发展；问题必须和规则相匹配；系统开发和维护困难；不具备记忆能力；推理效率低下、自适应能力差等。随着人工智能的发展，案例推理和不确定推理等相关推理模式得到运用，综合使用多种推理方法的混合推理也逐渐成为知识推理发展的热点。
１ 案例推理
案例推理是利用案例库存储历史经验，检索案例库以找到与现有问题相似的案例，是重用过去的知识来解决当前问题的一种推理方法［３］。案例推理具有信息的完全表达、增量式学习、知识获取较为容易、求解效率高的优点，早期出现基于案例推理的机械辅助设计系统CADET［４］，能检索出以往成功的设计，同时避免出现过的问题。经典的案例推理步骤是Aamodt在1994年提出的著名的4阶段循环的“4R”理论，分别是检索、重用、修正和保存。案例推理中重点要解决的问题是：案例表示，案例检索与案例修正问题：
１.１ 案例表示
案例表示是将知识表示成案例的形式。Gilboa在1995年提出了案例的三元组表示方法：〈问题描述、解描述、效果描述〉。常用的案例表示方法有：特征向量表示法、框架表示法、语义网络表示法、面向对象表示法等，也可以混合使用这些方法进行案例表示。
特征向量表示法是将案例的各个属性提取出来，并赋予相应的权值，案例就表示成一组特征向量。产品创新设计原型系统PIRS［５］中，采用87个属性作为特征，案例检索时将待检索的案例与案例库中的案例进行匹配。特征向量表示模型简单，结构清晰，但是只能定量的描述简单案例，这种方法存在很多缺陷：如果对新问题不熟悉就无法确定案例的特征，也无法表示案例中隐含的信息，并且很难确定一组适用于所有产品案例的权重值。
语义网络表示法是利用概念及语义关系来表示知识。维修案例推理［６］采用六元组形式的产品本体。语义网络表示法明确、简洁，表示范围广泛，表示能力强；但是网络结构复杂时推理就难以进行，不便于表达判断性知识与深层知识。
面向对象表示法中案例是由对象组成，对象表示案例的一个部分。如采用面向对象的产品设计［７］，实现了模块化设计，具有较高的推理效率。其优点是自然，易于理解；继承的层次性和结构性能降低问题描述和推理的复杂度；便于知识库的修改和维护，推理效率高。面向对象表示法具有良好的兼容性和灵活性，能够结合其它表示方法进行表示，常用面向对象表示法与框架表示法结合［８］，案例作为对象，一个框架描述一个对象，框架的槽描述对象的特征，框架的值用来描述案例对象的特征参数。
复杂产品的知识类型多样、结构复杂，单一表示方法表示产品案例存在一定的局限性，一些案例还包含许多非结构化的设计信息，因此，要确定合理的案例表示方法来解决问题。
１.２ 案例索引与案例检索
案例推理中主要采用的检索策略有：最近相邻策略、归纳推理策略、知识引导策略、模板检索法、模糊检索及神经网络检索模型等，这些策略可以单独使用也可以混合使用。案例的相似性计算则会结合一些技术：决策树、粗糙集、证据理论、聚类分析、同异反度量算法、层次分析法。
最相邻近方法适用于案例由特征向量表示的系统。该方法通过计算新旧案例各特征的加权平均和来度量案例的相似性，其优点是方便实用，在案例数量较小的情况检索效率较高，但是案例库中案例数量增加时其检索效率下降。一些研究针对最近相邻法的不足提出了改进：自动武器设计系统［９］结合聚类算法对其进行改进，首先进行案例的聚类，推理时新案例直接根据聚类的均值在聚类中搜索相近案例。产品设计［１０］研究结合模糊推理对其进行改进，解决相似度计算中属性的非线性影响和权重的不精确性问题。
归纳索引法不断的从案例的各组织成分中归纳出最能将该案例与其它案例区分开来的成分，并对案例库建立索引，将案例组织成一个层次结构。归纳法适用于案例比较多的情况；但是归纳索引必须有足够的典型案例，才能进行有效的归纳；复杂产品案例库的规模往往比较大，对于以归纳法为基础的检索模型，建立案例库的决策树需要花费大量的时间。
知识引导策略是利用已知的知识来引导和确定案例检索中关键的特征属性，并根据这些特征属性来进行案例检索，其特点是案例的组织和检索具有动态的特征。如产品包装设计研究［１１］中，按产品特性对产品包装的影响程度依次检索，直至得到与该产品各个特性最接近的产品包装设计方案。该策略常和其它策略一起使用，特别在大型案例库及领域理解还不一致的情况。需要人工确定产品案例中重要影响的特征。
一些研究结合多种检索策略，智能方案设计支持系统［１２］中，检索策略结合最近相邻策略和知识引导策略。首先根据关键指标对案例库进行初步检索，然后将初步检索后得到的各案例指标集轮流与设计方案要求指标集输入神经网络推理机进行相似度计算。
目前的相似度计算方法在复杂环境下，明显存在下列不足：相似度的计算难以处理不确定属性，而且很难综合考虑表层特征和深层信息。
１.３ 案例修正
案例修正就是对案例进行调整、修改，使其更能准确地反映问题的本质特征，并向实际情况逐渐逼近。案例修正［１３－１４］的方法主要有4类：替换修正，将旧的案例中的相关值进行替换；转换修正，使用启发方式来修正案例；特定目标驱动修正，利用规则推理给进行适应性修改；派生重演，将基于回归分析和规则推理相结合［１５］修正案例。目前实现上述修正方法主要是运用一些人工智能和机器学习的技术，如数据挖掘、约束满意问题解决、基于规则推理等。其中规则推理是比较常用的方法，在混合推理部分进行介绍。
１.４ 案例推理的改进
现有的复杂产品设计研究理论大多是针对单级案例的检索方法进行讨论的，而实际工程设计中，一个复杂产品案例包含有多个且具有多层次结构的功能，由此很多研究提出多级案例推理算法模型，对案例进行深入检索。
文献［１６］提出的多级案例推理模型就是首先将案例库分为若干个模块，每个模块对应相应的模块案例库，检索时根据模块特征属性检索模块案例库，对搜索结果进行综合处理形成初始设计方案；若模块结构特征比较复杂，则可以分解为更多级，通过检索子模块的解决方案来获得父模块的解决方案。类似研究有：大型水轮机结构投标方案设计［１７］、大型复杂产品方案设计［１８］。多级案例推理与重用方法的实施，使得只需修改或者替换历史相似设计实例的部分模块就可以得到目标方案，并且有可能在实例不充分的情况下获得有效的设计方案，丰富了复杂产品方案设计与知识重用技术的研究内容。还有一些学者将案例分为两个层次［１９］：原型案例概括设计过程的基本特征并对应一组功能案例；功能案例检索限制在所选择的原型案例的范围内，推理进行两次检索和匹配，通过限定检索空间提高检索效率。一些研究引入其它的方法来进行案例库的构建［２０］：使用自组织映射神经网络实现案例的动态聚类，并在此基础上构造分层多级案例库，采用粗、细两级检索策略进行相似案例的选择。
与传统单级案例推理相比较，多级案例推理将复杂产品设计过程中的所有特征属性映射至各级模块中，使整个产品案例的检索分解为各级模块检索，简化了复杂产品的检索难度，因此多级案例推理方法更具灵活性，检索结果更准确合理，能有效提高案例推理系统性能。
２ 不确定推理
产品设计问题的求解必须面向结构不良的复杂问题，设计问题的信息常常具有不确定性、模糊性和不完备性。不确定推理的过程就是由初始证据的可信度值和规则强度出发，更新结论的可信度值生成新的证据及其可信度值，重复过程直到得出结论为止［２１］。产品设计的推理中最常用的不确定推理方法有：模糊Petri网，模糊神经网络，定性推理、多色集合理论等。
２.１ 模糊Petri网（Fuzzy Petri Net，FPN）
模糊Petri网是基于模糊产生式规则的FPN模型和基于递归的逆向知识推理算法。具有较强的动态分析能力，突出的并发性；适合描述系统的并发，资源的竞争、同步等特性，因而常用于产品设计中流程的建模、工作流、计算机系统设计等方面［２２］。采用Petri网推理进行数码产品的设计［２３］；提出基于面向对象知识Petri网的产品设计和规划集成方法；一些研究结合其它方法针对Petri网进行改进［２４］：提出基于分层有色Petri网的设计流程建模方法，既能层次化的描述复杂的建模过程，避免了系统结构过于庞大缺乏柔性，又把简单模型和详细模块有效的结合在一起。
２.２ 模糊神经网络
神经网络是模拟人脑组织结构和人类认知过程的信息处理系统。神经网络的推理过程实际上是数值计算，神经网络利用遗传算法的学习能力，辅助专家系统自动获取知识，形成决策规则。把神经网络应用于知识推理，能够充分利用其学习能力、集团运算能力以及大规模并行分布式存储与处理能力，实现求解空间的并行联想搜索和自适应推理。如桥梁甲板的结构优化问题研究［２５］，将人工神经网络与遗传算法相结合，用于桥梁甲板的结构优化问题，通过集成推理，使得到优化方案的时间大大减少。但模糊神经网络还存在着一些不足：难以表达知识，需要大量数据，且训练时间长；依赖于设计特征和特征值的相似性，难以处理事先未训练的异常情况。因此，实际应用中往往与其他推理技术结合使用。
２.３ 定性推理
定性推理在信息不完全情况下可以给出系统的行为预测及大致的设计方向，能够部分提高概念设计阶段的计算机辅助设计水平。文献［２６］研究了定性推理在产品概念设计中的应用，利用定性推理在信息不完全情况下所具有的定性行为预测功能，能够部分提高概念设计阶段的计算机辅助设计水平。
２.４ 多色集合理论
多色集合中元素及集合可通过颜色来描述，用来表示研究对象和其元素的性质，能很好地描述功能方法树中层与层之间的关系，因而用多色集合理论可以作为功能分解和方案求解的推理基础，文献［２７］则采用多色集合理论建立工艺规划模型，并结合模糊算法和遗传算法进行决策推理。
３ 混合推理及新技术
随着系统要求的提高，单个推理方法逐渐不能满足推理要求，混合推理是使用两种或两种以上的推理技术，通过一定的信息交换和相互协作共同生成概念设计优化方案，解决单一推理方法效率低下、不能快速获得最优方案的缺点。
３.１ 结合案例推理与规则推理
大多数产品设计的推理研究采用案例推理和规则推理相结合的方法，规则推理的案例推理的混合推理一般有两种模式：一是采用规则推理对检索出来的案例进行案例修正或改写参数实现改型设计，当案例不存在或者不完全匹配时，直接采用规则推理得到的参数。如PANDA［２８］是发动机设计系统，采用规则和子案例组合实现案例修正，采用KNN策略进行案例检索。采煤机概念设计［２９］研究中，首先进行案例推理，检索到相似案例，然后利用规则推理改写参数，最后人工干预修改后为新问题所重用。类似研究有计算机辅助产品的过程设计［３０］。但规则推理进行案例修正主要存在以下问题：如何保证规则的一致性及完备性；如何提高推理速度等。二是先进行规则推理形成初始方案，然后再进行案例推理。如规则推理解决参数之间的关联问题，如斗式提升机设计专家系统［３１］研究，利用规则推理初算一个可行解，再根据这个可行解进行案例推理。针对复杂产品中的案例推理和规则推理相结合可以处理不同的知识，产品设计中可用规则推理定位需求再进行案例推理。
３.２ 结合模糊神经网络和案例推理
结合神经网络和案例推理主要有两种方式：一是利用与求解问题及初始条件相关的案例训练神经网络，神经网络的运算结果还原后就是案例推理的结果，如［３２］产品设计系统，利用神经网络对案例训练，能增强案例推理的自学习，自适应能力。二是将神经网络用于案例的相似度计算：如［３３］导弹产品设计，将知识表示成广义模糊产生式规则，然后将规则转化为神经网络，通过神经网络对样本的学习自动修正网络的拓扑结构和连接权值。经过神经网络计算后的输出即是当前设计任务与各案例的相似度。
一些研究结合定性推理和案例推理，如［３４］中案例推理采用基于划分聚类和模糊神经网络的设计案例相似性检索方法。案例调整采用神经规则的定性描述量参数调整和基于定性规则的量化参数调整。
３.３ 语义网推理技术
由于本体具有共享和重用的特性，本体技术也逐渐应用到产品设计的支持系统中。通过语义技术，信息能被计算机本身所理解，计算机能在理解的基础上进行推理操作。本体推理的目标一方面是从已知的知识中推理隐含的知识，另一方面是冲突检测、优化表达等。
基于本体推理在产品设计系统中的应用主要体现在两个方面：描述逻辑推理和SWRL推理。描述逻辑的主要作用是进行隐含信息推理，支持描述逻辑的推理机有Racer、Pellet、FACT+ +等。采用描述逻辑推理实现产品的概念分类。Jess、prolog、CLIPS等推理引擎支持SWRL，能够利用OWL DL进行规则推理［３５］，采用Jess推理机在OWL知识库上进行推理。SPARQL偏重于对本体进行查询，Jena推理引擎支持查询。这些方法无法单纯的应用到复杂产品的推理中，仅仅使用本体无法全面的对复杂产品领域的知识进行表示和推理，因此常常将语义网技术结合其它方法来进行知识推理。
将案例推理技术结合语义网技术应用到产品开发设计过程中在国内外均处于起步阶段，国内外相关的研究主要集中在两个方面：一是本体与案例推理相结合的方法研究，如基于语义的案例推理框架［３６］研究，知识密集型领域的案例推理框架［３７］研究。二是利用本体对产品设计的案例进行表示，然后进行推理应用。这样的研究有：产品设计原型系统［３８］，复杂产品层次语义模型的研究［３９］。有些学者针对本体表示和案例推理的方法进行改进，如［４０］用本体描述复杂产品案例的子案例，以框架组织子案例成复杂产品案例，采用语义相似度计算子案例的相似度，采用最近相邻策略来进行整体案例的相似度计算。与传统案例知识的表示相比，结合语义网的案例表示方法具有如下特点：良好可扩展性，采用本体进行表示，这种案例组织结构自然，结构清晰；数据与方法相独立，本体数据与案例推理方法相独立；可重用性和共享，案例库之间可以进行共享。
４ 总 结
对产品设计来说需要用到各种知识，经验型和案例型知识通常可以用案例推理来解决，而启发式知识、过程知识、约束知识等解决产品结构参数设计比较适合用规则推理来解决。产品设计中存在一些模糊知识，无法用确定的知识表示方法进行表示，因而适用不确定推理进行表示。而混合推理能够结合多种方法的优势，能够弥补单一推理方法的缺陷，也成为近年来复杂产品知识表示研究的重点。
随着语义网的发展，结合语义网技术的复杂产品推理也成为一个新的研究方向，复杂产品设计中存在大量概念和复杂的关系，通过语义技术可以使计算机在理解的基础上推理出隐含的语义关联，维护知识的一致性，实现知识的共享与重用。
参考文献
［１］M.Rezayat.Knowledge-based Computer-Aided Design［Ｊ］.Product Development using XML and KCS，2002，(5):209-299．
［２］Kusiak A.,Szczerbicki E.,Vujosevic R.Intelligent design synthesis:an object-oriented approach［Ｊ］.International Journal of Production Research,1991,29(7)：1291-1308．
［３］Diaz-Agudo,B.and P.A.González-Calero,An Ontological Approach to Develop Knowledge Intensive CBR Systems,in Ontologies,R.Sharman,R.Kishore,and R.Ramesh,Editors.2007,Springer US.p.173-213.
［４］Sycara K.CADET:a case-based synthesis tool for engineering design［Ｊ］.International Journal for Expert System，1992,4(ii):157-88．
［５］Wu,M.C.,Y.F.Lo,and S.H.Hsu,A case-based reasoning approach to generating new product ideas［Ｊ］.International Journal of Advanced Manufacturing Technology,2006，30(1-2):166-173.
［６］闻敬谦,李青.基于本体的语义相似在维修案例推理中应用［Ｊ］.北京航空航天大学报,2009，(2)：223-226.
［７］张荣,段黎明,周剑波.基于案例推理的自动化产品辅助设计研究［Ｊ］.机械制造与自化,2004，(3):67-69.
［８］宋玉银，等.基于案例推理的产品概念设计系统［Ｊ］.清华大学学报：自然科学版,1998，(8):6-9.
［９］胡良明．改进最近邻法在基于案例推理的自动武器设计系统中的应用［Ｊ］.制造业自化,2008，(11):93-95.
［１０］Cheng,C.B.,A fuzzy inference system for similarity assessment in case-based reasoning systems:An application to product design［Ｊ］.Mathematical and Computer Modelling,2003，38(3-4):385-394.
［１１］于江,王征,严新民．基于案例推理的产品包装设计系统［Ｊ］.计算机应用,2003，(1):39-40，43.
［１２］徐晓臻,卞瑞花,高国安．基于BP网的案例推理在智能方案设计支持系统中的实现［Ｊ］.哈尔滨工业大学学报,2000，(4):10-13.
［１３］Policastro C A,Carvalho,A C P L F,Delbem,A C B,A Hybrid Case Adaptation Approach for Case-Based Reasoning［Ｊ］.Application Intelligent，2008,28:101-119.
［１４］Susan Craw,Nirmalie Wiratunga,Ray C Rowe.Learning Adaptation Knowledge to Improve Case-Based Reasoning［Ｊ］.Artificial Intelligence，2006,170(16-17):1175-1192.
［１５］宋欣, 郭伟，王志勇．基于回归分析和规则推理的实例调整机制［Ｊ］.天津大学学报,2009，(2):95-100.
［１６］凌卫青,赵艾萍,谢友柏.基于案例的产品设计知识获取方法及实现［Ｊ］.计算机辅助设计与图形学学报,2002,14(11):1014-1019.
［１７］钟诗胜,李江,王泉龙,等.基于案例的大型水轮机结构投标方案设计［Ｊ］.计算机集成制造系统,2004,10(6).
［１８］王体春,卜良峰,王威．基于知识重用的产品方案设计多级案例推理模型［Ｊ］.计算机集成制造系统,2011，(3):571-576.
［１９］史琦,李原,杨海成．基于案例推理的产品概念设计模型研究［Ｊ］.计算机应用,2000，(S1):81-83.
［２０］杜辉,叶文华,楼佩煌．基于案例推理技术在模块变型设计中的应用研究［Ｊ］.山东大学学报：工学版,2011，(1):78-85.
［２１］Zadeh L.A.，Fuzzy sets,Information and Control,1965,（8）：338-353．
［２２］Yuan,S.C.and X.K.Jiang,Application of Petri net in digital product design.3rd China-Japan Conference on Mechatronics 2006 Fuzhou,2006:295-299.
［２３］X.F.Zha.An object-oriented knowledge based Petri net approach to intelligent integration of design and assembly planning［Ｊ］.Artificial Intelligence in Engineering，2000,14:83-112．
［２４］黄洪钟,刘伟,李丽.产品协同设计过程建模研究［Ｊ］.计算机集成制造系统-CIMS.2003，9(11):955-959．
［２５］Srinivas V,Raman jane yulu K.Anintegrated approach for optimum design of bridge decks using genetical gorithms and artificial neural networks［Ｊ］.Advances in Engineering Software,2007,38(7):475-487.
［２６］赵克,李向宁,石莉.定性推理在产品概念设计中的应用研究［Ｊ］.机械科学与技术,2002,21(6)：1028-1030.
［２７］刘晓阳．基于多色集合理论的加工工艺规划建模与推理技术的研究［Ｄ］.河北科技大学，2011.
［２８］S Roderman,C Tsatsoulis.PANDA:A Case-Based System to Aid Novice Designers［Ｊ］.Artificial Intelligence for Engineering Design,Analysis and Manufacturing,1993(2)：125-134.
［２９］丁华,杨兆建,姚晶．采煤机概念设计的知识表示与知识推理［Ｊ］.机械设计与制造,2011，(6):216-218.
［３０］Pham,D.T.and C.Gologlu,A computer aided process planning system for concurrent engineering［Ｊ］.Proceedings of the Institution of Mechanical Engineers Part B-Journal of Engineering Manufacture,2001，215(8):1117-1131.
［３１］王飞．基于实例与规则推理的斗式提升机设计专家系统研究［Ｄ］.燕山大学，2006.
［３２］Jung,S.,T.Lim,and D.Kim,Integrating radial basis function networks with case-based reasoning for product design［Ｊ］.Expert Systems with Applications,2009，36(3):5695-5701.
［３３］李海刚,高国安．面向产品并行设计的知识基智能化推理决策系统研究［Ｊ］.机械设计,2000，(2):37-39.
［３４］谷建光．基于知识工程的固体发动机设计方法及其应用研究［Ｄ］.国防科学技术大学，2008.
［３５］Tsai,M.P.,A Knowledge-based System for Product Design with Modules.Advanced Design and Manufacture Ii,2010：419-420，553-556.
［３６］Bichindaritz I．，Memoire：A Framework for Semantic Interoperability of Case-based Reasoning Systems in Biology and Medicine［Ｊ］．Artificial Intelligence In Medicine，2006，36(2)：177-192．
［３７］Diaz-Agudo B．，Gonzalez-Calero P.A．Ontologies in the Context of Information Systems，An Ontological Approach to Develop Knowledge Intensive CBR systems, p.45．Springer，2006．
［３８］王生发，等．面向案例推理的产品设计本体建模研究及应用［Ｊ］.机械工程学报,2007，(3):112-117.
［３９］Christopher D C,William C R,Ilya B,et al.A collaborative 3D environment for authoring of design semantics［Ｊ］.IEEE Computer Grahics and Applications,2002,22(3):43-55．
［４０］张鹏程．基于语义的复杂产品案例库和推理技术研究［Ｄ］.南京理工大学，2008.
（本文责任编辑：王 涓）