CN102799738A - 基于情境的行为流建模方法 - Google Patents
基于情境的行为流建模方法 Download PDFInfo
- Publication number
- CN102799738A CN102799738A CN2012102584395A CN201210258439A CN102799738A CN 102799738 A CN102799738 A CN 102799738A CN 2012102584395 A CN2012102584395 A CN 2012102584395A CN 201210258439 A CN201210258439 A CN 201210258439A CN 102799738 A CN102799738 A CN 102799738A
- Authority
- CN
- China
- Prior art keywords
- situation
- behavior
- stream
- knowledge
- behavior stream
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于情境的行为流建模方法,其主要是从产品设计的行为角度出发,提出行为流的概念,并针对概念设计过程中动态的变化情境,提出情境状态设计空间中的情境行为流的设计模式,并建立情境语义网络模型,创新地解决了行为-结构耦合问题。
Description
技术领域
本发明涉及产品设计领域的建模方法,特别是涉及一种基于情境的行为流建模方法。
背景技术
概念设计阶段是新产品开发过程中最能体现人类创造性的阶段,它是详细设计的前提,产品开发创新的核心环节,该阶段很大程度上决定了产品的新颖性和市场竞争力。但由于概念设计所具有的抽象性、复杂性、不可测性,以及其所涉及的知识往往是不精确的、不完整的,目前还无法像详细设计、生产计划等其他阶段一样具有有效的计算机辅助设计方法与工具供设计者使用。从目前国内外计算机辅助概念设计研究的现状来看,概念设计方案的产生基本上是基于功能——结构的检索匹配方法。
然,当前概念设计主要采用功能建模的非动态性,并依靠设计人员的主观经验,具有缺乏智能性的弊端,同时概念设计中,并非所有的需求在设计任务之初就已明确,且以观察实验为依据的设计过程中,世界不是一成不变的、静态的,因此我们需要一种基于情境的行为流建模方法,以解决现有技术的种种缺失,实为目前急待解决的问题。
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更加智能化的基于情境的行为流建模方法,以避免设计人员主观经验的干扰。
为实现上述目的及其他相关目的,本发明提供一种基于情境的行为流建模方法,其包括:1)基于行为流的三个层次空间构建情境知识,以情境知识作为输入参考;2)建立行为和结构的情境索引,并按照索引对情境知识进行组织,构建情境语义网络;3)根据功能映射产生行为解,构建行为流序列;4)以行为流作为情境语义网络的驱动输入,根据行为流中每个行为元素的情境属性,在相应情境知识的子空间中依据搜索算法搜索适应度值最优耦合,若找不到符合该行为的结构解,则返回上一步骤3)重新构建行为流序列,若找到符合该行为的结构解,即实现一个子功能,则进至下一步骤5);以及5)判断所得的所有子功能是否满足所有要求,若否,则以行为流驱动其情境转换,而转换到下一情景,并进至步骤3)构建新的行为流序列,若是,则得到最终映射结果,实现行为到结构的耦合。
在本发明的基于情境的行为流建模方法中,上述三个层次空间分别为逻辑层次空间、认知层次空间以及具体行为层次空间。该情境知识包括构建记忆以及案例情景。
如上所述,本发明的基于情境的行为流建模方法提出情境设计空间的概念,实现了把产品、设计者、使用者以及设计过程的环境等各种要素放在一个情境空间中进行分析,将设计要素体现在产品与设计者及环境的交互中,通过情境转换使情境贯穿于整个功能—行为—结构(FBS)设计过程,从而发现和确定用户的需求及产品的设计定位,获得产品概念设计方案,满足用户对产品的需求;同时针对当前概念设计主要采用功能建模的非动态性、依靠设计人员的主观经验且缺乏智能性等弊端,本发明从行为角度出发,提出基于情境的行为流概念,并以情境语义网络为载体,从理论上提升FBS设计模型和基于实例概念设计方法,从而更好的解决在设计过程中行为结构耦合关系的问题,获得创新性概念设计方案的能力。
附图说明
图1显示为本发明的基于情境的行为流建模方法的操作流程图。
图2显示为情境行为流的结构层示意图。
图3显示为行为结构耦合体系框架图。
图4显示为情境语义网络的一个实施例示意图。
图5显示为配气机构的SR-NET图。
元件标号说明
S100~S108 步骤
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。
请参阅图1,即显示本发明的基于情境的行为流建模方法的操作流程图,以下即配合图2至图5对本发明的基于情境的行为流建模方法的操作步骤进行详细说明。
如图1所示,首先执行步骤S100,基于行为流的三个层次空间构建情境知识,以情境知识作为输入参考。其中,如图2所示,该三个层次空间是基于逻辑和时序的认知过程进行划分的,分别为逻辑层次空间、认知层次空间以及具体行为层次空间,具体而言,逻辑层次空间,即在逻辑层上,行为可以分为感知上的、策略上的以及语义上的行为;而认知层次空间,即在认知过程上,首先由感知到的行为引发记忆上的认知,最终在到决策上的选择;具体行为层次空间,即在上述层面行为的基础上,具体的行为反映为选择、评估和修改。此外,该情境知识包括构建记忆以及案例情景,具体而言,该构建记忆是指人的记忆不是固定在原始经验和事件发生的时候,而是在不断更新和变化,当人们需要使用记忆的时候,记忆就在不断被重构,而不是固定在过去的记忆中。当人们回忆起过去的那些经验或者事件,事实上是对经验和事件的重新构建,而不仅仅是对这些事件的提取,在产品设计过程中构建记忆表现为设计者对以往设计经验、知识的重构。而案例情境就是一个案例及其知识表达,从知识工程和人工智能的角度看,基于案例的推理的问题求解过程是借助于特殊知识完成设计问题求解过程,特殊知识是受情境限制的、先前经历过的、不可规则化的知识,是一种具体性的知识,特殊知识表现在基于案例的推理中就是所谓的案例,有利于类比推理,求解问题效率高。接着,执行步骤S101。
在步骤S101中,建立行为和结构的情境索引,并按照索引对情境知识进行组织,构建情境语义网络。接着,执行步骤S102。
在步骤S102中,根据功能映射产生行为解,构建行为流序列。接着,执行步骤S103。
在步骤S103中,以行为流作为情境语义网络的驱动输入,根据行为流中每个行为元素的情境属性,在相应情境知识的子空间中依据搜索算法搜索适应度值最优耦合的结构解。接着,执行步骤S104。
在步骤S104中,判断所搜索到的结构解是否为符合该行为的结构解,若是,则进至步骤105,若否,则返回步骤S102,重新构建行为流序列。
在步骤S105中,断定实现一个子功能。接着,进至步骤S106。
在步骤S106中,判断所断定实现的所有子功能是否满足所有要求,若否,则进至步骤S107,若是,则进至步骤S108。
在步骤S107中,以行为流驱动其情境转换,而转换到下一情景。接着,返回至步骤S102。
在步骤S108中,得到最终映射结果,实现行为到结构的耦合,并结束该基于情境的行为流建模方法。
行为是实现功能到结构映射的载体,同时行为到结构的映射又是多对多的关系,即一个行为可以有多种结构作为其载体,一个结构往往具有多个行为。
在产品设计过程中,从一个完整的行为流过程来看,当行为处于不同情境处时,需要在情境间进行转化,实现情境知识的推理和运用。设计者通过检索方法根据行为的不同属性获得设计知识,推动其自身设计情境转换,直到完成设计任务。行为流在情境中的行为结构耦合体系框架图如图3所示。
为更明确了解应用上述步骤S103中所述的搜索方法,以下配合图4进行详细说明,据情境知识的特点建立情境语义网络,采用基于语义隶属度的评分方法建立设计问题及其索引的关系,对于设计过程中的每个解情境,在情境知识中搜索,按照“完全隶属=1,完全不隶属=0”的范围进行评分,得到最优匹配,并以行为流驱动其情境转换,完成一系列情境下的结构解,实现设计目标。语义网络是一种知识表达方式,一般用如下的结构表达:(节点1,关系,节点2)。为便于对本发明进行说明,以下定义一个基于情境转换关系下的语义网络,称为SR-NET(Situated relation-net),且选择RDFS(resource description framework)作为SR-NET本体语言,将设计过程中的情境条件转化为本体RDF表述,据此执行隶属度搜索运算,在情境知识中获得匹配的结构解。在情境关系语义网络中,节点1和节点2表示情境转换关系,节点3表示节点1情境下的解。如图4所示。
零部件的类及其情境属性的RDF表达就组成了产品语义网络模型的一个节点,零部件的RDF表示如下:
类定义
<rdfs:Class rdf:about=“∂零部件名称”>
<rdfs:subClassOf rdf:resource=“&rdfs;连接关系”>
<rdfs:subClassOf rdf:resource=“&rdfs;情境属性”>
<rdfs:subClassOf rdf:resource=“&rdfs;语义关系”>
</rdfs:Class>
情境属性定义
<rdf:Property rdf:about=“∂PartProperty”>
<rdfs:domain rdf:resource=“∂零部件名称”>
<rdfs:range rdf:resource=“&rdfs;Logic“>
<rdfs:range rdf:resource=“&rdfs;Squence“>
<rdfs:range rdf:resource=“&rdfs;Action“>
</rdf:Property>
...
一个节点通过语义关系连接入语义网络模型,SR-NET模型本质上就是由节点与语义关系所组成。在设计过程中最常用到的SR-NET语义关系有:情境解、转换(transfer)、ISA、AKO等。
建立SR-NET模型后,根据行为流输入在产品情境语义网络模型库中进行语义搜索可匹配的语义网络,计算匹配度,获得初始解集合;其次,通过基于情境与本体的解析查询将用户的需求转化为本体RDF表达,据此执行匹配度运算,在情境知识中获得匹配的结构解。
节点隶属度的计算方法如下:
设x为某属性目标值,y为情境知识中各个结构解的该属性值。
1)设x、y为定量值时,即情境属性为Ba、Bs,其匹配度计算式为
其中x,y∈[Vmin,Vmax],Vmin,Vmax为该属性取值的上下界。
2)当x、y为定性值时,对应情境属性为Bi,通过对定性值进行定量描述来计算匹配度,其计算式为
Mat(x,y)=1-|f(x)-f(y)| (2)
其中函数f(x)、f(y)为定性值的定量转换式,f的值∈[0,1]。
3)当计算x与一个取值范围[a,b]的匹配度时,其计算式为
各节点情境属性的匹配度乘以相应的权重系数即获得各个匹配实例的隶属度值K,k∈[0,1]。隶属度值越大表明搜索到的结构解与行为输入耦合的越好,符合设计目标。
为更详尽了解应用本发明的基于情境的行为流建模方法进行计算机辅助实现行为结构寻优和创新的有效性,以下以发动机配气机构的设计为例,并配合图5进行详细说明。
首先,依据发动机的工作过程来分析描述这一问题,发动机是一种能量转换机构,它将燃料燃烧产生的热能转变成机械能,经过进气、压缩、做功、排气四个过程即一个工作循环,就实现了能量转换,并通过工作循环不断地重复,使发动机能够连续运转。
配气机构是进、排气管道的控制机构,它按照气缸的工作顺序和工作过程的要求,准时地开闭进、排气门、向气缸供给可燃混合气并及时排出废气。同时当进、排气门关闭时,保证气缸密封,进气充分,排气彻底。对一个工作循环中的四行程发动机,配气机构的情境知识如下:
1)进气行程:由于曲轴的旋转,活塞从上止点向下止点运动。气缸内的压力稍高于大气压力,随着活塞下移,气缸内容积增大,压力减小,压力低于大气压时,气缸内产生真空吸力,空气与汽油混合成可燃混合气。这时需将生成的可燃气输入气缸。
2)压缩行程:曲轴继续旋转,活塞从下止点向上止点运动,气缸内需成为封闭容积以使得活塞从下止点向上止点运动时可燃气体受到压缩,压力和温度不断升高。这时需保持气缸内封闭。
3)作功行程:作功行程包括燃烧过程和膨胀过程。当活塞位于压缩行程接近上止点(即点火提前角)位置时,火花塞产生电火花点燃可燃混合气,可燃混合气燃烧后放出大量的热使气缸内气体温度和压力急剧升高。
4)排气行程:可燃混合气在气缸内燃烧后生成的废气必须从气缸中排出去以便进行下一个进气行程。当作功接近终了时,靠废气的压力先进行自由排气,活塞到达下止点再向上止点运动时,继续把废气强制排出到大气中去,活塞越过上止点后,排气停止,排气行程结束。
5)曲轴继续旋转,活塞从上止点向下止点运动,又开始了下一个新的循环过程。
在上述情境下的行为流如表1所示:
表1
行为编号 | 行为名称 | 行为属性 | 情境 |
01 | 进气门开 | Ba | 向气缸供给可燃气体 |
02 | 排气门闭 | Ba | 密封,防止气体泄露 |
03 | 进、排气门闭 | Ba | 密封 |
04 | 燃烧、膨胀 | Bs | 做功,导热 |
05 | 排气门开、进气门闭 | Ba | 排废气 |
06 | 排气门闭 | Ba | 废气排尽,准时开闭 |
07 | 实际调整 | Bi | 充气不足、排气不净 |
然后,以气门为例,建立基于RDFS的气门本体,作为配气机构设计的SR-NET中一个节点使用。气门本体表示如下:
类定义
<rdfs:Class rdf:about=“∂气门”>
<rdfs:subClassOf rdf:resource=“&rdfs;Bs”>
<rdfs:subClassOf rdf:resource=“&rdfs;情境解”>
<rdfs:subClassOf rdf:resource=“&rdfs;transfer”>
</rdfs:Class>
属性定义
<rdf:Property rdf:about=“∂功能”>
<rdfs:domain rdf:resource=“∂气门&>
<rdfs:rang e rdf:resource=“&rdfs;情境解”>
</rdf:Property>
<rdf:Property rdf:about=“∂数目”>
<rdfs:domain rdf:resource=“∂气门”>
<rdfs:range rdf:resource=“&rdfs;ISA“>
</rdf:Property>
<rdf:Property rdf:about=“∂布置方式”>
<rdfs:domain rdf:resource=“∂气门”>
<rdfs:range rdf:resource=“&rdfs;Literral“>
</rdf:Property>
...
在此基础上,用各种语义关系连接各个节点,其所建立的配气机构SR-NET模型如图5所示,存贮入产品语义网络模型库中。
以行为流输入触发语义网络搜索机制,结合情境库与隶属度计算公式,得到设计目标所需的语义网络片段,如图5的斜纹底框中的内容所示。
综上所述,基于语义网络的情境搜索技术在发动机配气机构设计中得到了应用验证,相对于传统的搜索匹配技术,本发明的基于情境的行为流建模方法能较好地建立一个以行为流为连接桥梁的产品模型,在解析行为结构耦合关系的过程中可根据产品模型自动地获取隐含其中的情境知识,便于进行情境知识的搜索与运算,提高相似设计结构解的匹配度。
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 (3)
1.一种基于情境的行为流建模方法,其特征在于,所述基于情境的行为流建模方法包括:
1)基于行为流的三个层次空间构建情境知识,以情境知识作为输入参考;
2)建立行为和结构的情境索引,并按照索引对情境知识进行组织,构建情境语义网络;
3)根据功能映射产生行为解,构建行为流序列;
4)以行为流作为情境语义网络的驱动输入,根据行为流中每个行为元素的情境属性,
在相应情境知识的子空间中依据搜索算法搜索适应度值最优耦合的结构解,若找不到符合该行为的结构解,则返回上一步骤3)重新构建行为流序列,若找到符合该行为的结构解,即断定实现一个子功能,则进至下一步骤5);以及
5)判断所得的所有子功能是否满足所有要求,若否,则以行为流驱动其情境转换,而转换到下一情景,并进至步骤3)构建新的行为流序列,若是,则得到最终映射结果,实现行为到结构的耦合。
2.根据权利要求1所述的基于情境的行为流建模方法,其特征在于:所述三个层次空间分别为逻辑层次空间、认知层次空间以及具体行为层次空间。
3.根据权利要求1所述的基于情境的行为流建模方法,其特征在于:所述情境知识包括构建记忆以及案例情景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210258439.5A CN102799738B (zh) | 2012-07-24 | 2012-07-24 | 基于情境的行为流建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210258439.5A CN102799738B (zh) | 2012-07-24 | 2012-07-24 | 基于情境的行为流建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102799738A true CN102799738A (zh) | 2012-11-28 |
CN102799738B CN102799738B (zh) | 2014-06-25 |
Family
ID=47198848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210258439.5A Active CN102799738B (zh) | 2012-07-24 | 2012-07-24 | 基于情境的行为流建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102799738B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729492A (zh) * | 2013-10-10 | 2014-04-16 | 同济大学 | 基于行为流功能与行为耦合关系的建模方法 |
CN104636528A (zh) * | 2013-11-15 | 2015-05-20 | 同济大学 | 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 |
CN105936047A (zh) * | 2016-07-06 | 2016-09-14 | 厦门快商通科技股份有限公司 | 仿脑机器人控制与学习*** |
CN107944184A (zh) * | 2017-09-04 | 2018-04-20 | 北京理工大学 | 结合生命***理论和fbs的产品概念设计方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587486A (zh) * | 2009-06-23 | 2009-11-25 | 四川大学 | 支持产品创新的设计知识的组织与应用方法 |
CN102339428A (zh) * | 2011-10-28 | 2012-02-01 | 合肥工业大学 | 一种基于本体的大型装备mro知识构建方法 |
-
2012
- 2012-07-24 CN CN201210258439.5A patent/CN102799738B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587486A (zh) * | 2009-06-23 | 2009-11-25 | 四川大学 | 支持产品创新的设计知识的组织与应用方法 |
CN102339428A (zh) * | 2011-10-28 | 2012-02-01 | 合肥工业大学 | 一种基于本体的大型装备mro知识构建方法 |
Non-Patent Citations (3)
Title |
---|
JOHN S.GERO, ET AL.: "The situated function-behaviour-structure framework", 《DESIGN STUDIES》, vol. 25, no. 4, 31 December 2004 (2004-12-31), pages 373 - 391 * |
邹兆国,郝泳涛: "基于行为流知识库的概念设计框架", 《电脑知识与技术》, vol. 7, no. 19, 31 July 2011 (2011-07-31), pages 4695 - 4697 * |
陈小红,等: "从交互情景出发的需求捕获方法及其支撑工具", 《计算机学报》, vol. 34, no. 2, 28 February 2011 (2011-02-28), pages 329 - 341 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729492A (zh) * | 2013-10-10 | 2014-04-16 | 同济大学 | 基于行为流功能与行为耦合关系的建模方法 |
CN103729492B (zh) * | 2013-10-10 | 2017-06-13 | 同济大学 | 基于行为流功能与行为耦合关系的建模方法 |
CN104636528A (zh) * | 2013-11-15 | 2015-05-20 | 同济大学 | 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 |
CN104636528B (zh) * | 2013-11-15 | 2018-08-24 | 同济大学 | 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 |
CN105936047A (zh) * | 2016-07-06 | 2016-09-14 | 厦门快商通科技股份有限公司 | 仿脑机器人控制与学习*** |
CN105936047B (zh) * | 2016-07-06 | 2018-05-04 | 厦门快商通科技股份有限公司 | 仿脑机器人控制与学习*** |
CN107944184A (zh) * | 2017-09-04 | 2018-04-20 | 北京理工大学 | 结合生命***理论和fbs的产品概念设计方法 |
CN107944184B (zh) * | 2017-09-04 | 2019-02-22 | 北京理工大学 | 结合生命***理论和fbs的产品概念设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102799738B (zh) | 2014-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Badra et al. | Engine combustion system optimization using computational fluid dynamics and machine learning: a methodological approach | |
Syahputra | APPLICATION OF NEURO-FUZZY METHOD FOR PREDICTION OF VEHICLE FUEL CONSUMPTION. | |
Yuan et al. | Comparison of the gas exchange of a loop scavenged free-piston engine alternator and the conventional engine | |
CN102902866B (zh) | 基于行为流生态***架构的发动机产品设计方法 | |
CN102799738A (zh) | 基于情境的行为流建模方法 | |
CN105955999B (zh) | 一种大规模RDF图的ThetaJoin查询处理方法 | |
Zhao et al. | Global optimization of the diesel engine–organic Rankine cycle (ORC) combined system based on particle swarm optimizer (PSO) | |
Rai et al. | Prediction models for performance and emissions of a dual fuel CI engine using ANFIS | |
CN104656443A (zh) | 基于bp神经网络的hcci发动机点火正时自适应pid控制方法 | |
Ahmadi et al. | Optimal design of an Otto cycle based on thermal criteria | |
Ganji et al. | Parametric study and optimization using RSM of DI diesel engine for lower emissions | |
Nieto‐Morote et al. | Selection of a trigeneration system using a fuzzy AHP multi‐criteria decision‐making approach | |
Duvvuri et al. | Modeling the effect of parametric variations on soot particle size distribution in a diesel engine | |
Wang et al. | Implementation of a novel dual-layer machine learning structure for predicting the intake characteristics of a side-ported Wankel rotary engine | |
CN104615796A (zh) | 基于复杂关系网络的发动机产品建模方法 | |
Hairuddin et al. | Single-zone zero-dimensional model study for diesel-fuelled homogeneous charge compression ignition (HCCI) engines using Cantera | |
CN109064368A (zh) | 一种基于owl的瓦斯***事故本体构建及推理方法 | |
Ozalp et al. | Energy end-use model of paper manufacturing in the US | |
Yuan et al. | The multi-field coupling effect of fuel injection duration on gas exchange stability for a free piston engine generator | |
CN107944184B (zh) | 结合生命***理论和fbs的产品概念设计方法 | |
CN105787159A (zh) | 一种基于产品生态***模型的产品建模方法 | |
Guo et al. | Adaptive engine optimisation using NSGA-II and MODA based on a sub-structured artificial neural network | |
Delagrammatikas et al. | Development of a neural network model of an advanced, turbocharged diesel engine for use in vehicle-level optimization studies | |
CN102819645A (zh) | 基于行为流时间序列传递网的发动机建模方法 | |
Cao et al. | Maximal structure generation of superstructure for semantic triple generated by DEVS ontology in the process industry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |