复杂产品全生命周期数据模型关联优化技术*

余进文 佟国香 屈亚宁 王 萍

（1.上海理工大学光电信息与计算机工程学院 上海 200093）

（2.山东山大华天软件有限公司 济南 250000）

1 引言

伴随着经济全球化和信息技术的快速发展，产品全生命周期管理（Product Lifecycle Management，PLM）的概念随之产生［1］。

PLM 系统是以数据为核心的集产品全生命周期的各个阶段为一体的统一管理平台［2］。企业员工、用户及合作伙伴均可以使用该平台进行高效协同工作。

全球各大知名企业如西门子公司、PTC 公司、达索公司的相关软件都有力地证明了PLM 系统在大型制造业公司中的重要地位。

波音公司将PLM 系统应用到飞机制造领域，开创性地使用了协同制造技术和数字孪生技术，缩短了各型号飞机的研制周期，提高了生产效率和企业的竞争力。

PLM系统的关键技术是产品全生命周期建模，它覆盖了产品全生命周期内的各种活动［3］。目前研究热点主要有面向产品生命周期不同阶段的产品信息建模、从动态可扩展的角度建立产品模型、以产品知识模型为核心建立产品模型、产品建模和过程建模相联系、元数据建模技术与本体相结合等［4］。浙江大学顾巧祥等分析了产品全生命周期模型特点，结合元模型技术与本体建模技术，在元模型的基础上构建产品全生命周期数据本体，基于元模型提出产品概念模型和产品全生命周期数据模型。通过描述产品本体论的概念描述了一个可扩展的产品数据框架［5］，该框架是分布式产品生命周期数据管理系统的基础。Ghang 等开发了一种称为乔治亚技术的从过程到产品建模（GTPPM）的PPM 方法［6］，并研究了PPM 的需求收集和建模的语义和语法。其需求收集方法提供了集成过程模型与其中使用的一组特定信息项的理论链接。这种理论联系使建模人员能够捕获活动中使用的信息的内容、范围、粒度和语义。提高了产品建模的效率。Xi等提出采用知识本体来描述信息模型的概念、属性和关系。使用数据链接构建技术将信息模型转换为基于本体的RDF 数据，并将这些实体与DBpedia 和GeoNames相连接。提高了数据库中信息模型的可访问性、互操作性和重用性［7］。

目前PLM 系统大多应用于文档管理，难以解决跨系统异构平台之间数据交互难的问题。PLM系统通常使用XML 文件作为中间介质完成模型之间的关联与映射，再把系统中的模型信息存储到知识库中［8～9］。大多数方法缺乏统一规划，难以做到信息模型的统一管理，只实现了关联模型在分系统间的传递与交互［10］。复杂产品的研制涉及的数据信息遍历概念、设计、采购、制造、销售和售后各阶段，数据间的相互关联错综复杂。不同的信息模型在语义上需要一致的表达方法［11］。以不同领域目标设计为前提的优化，在面向产品整个生命周期时可能发生冲突［12］。本文以后机身平尾系统为例，分析了基于模型的产品全生命周期（PLMM）的知识获取、构建、协同与管理技术，并提出一种模型关联优化方法，用于引导系统建模。

2 PLMM模型分析

产品全生命周期的信息模型包含产品设计、制造、销售、使用、维护和回收过程的所有信息，其数据源来自于需求说明书、CAD 模型、仿真模型、公式、工程图、工艺文档、生产规划、检验标准、质量管控、安装要求、销售计划、维修保养说明等［13］，这些文件以不同的文件格式描述了产品生命周期中的各种信息。本文在PLMM 建模管理中以视图的方式将产品全生命周期分为6 个阶段视图：概念视图，设计视图，采购视图，制造视图，销售视图及售后视图。据此将航天产品中后机身平尾系统的全生命周期信息模型划分为118个模型，如图1所示。

图1 后机身平尾系统的模型架构图

3 模型关系设计方法

3.1 建立模型关系矩阵和关系综合矩阵

模型间的关系分为功能关系、空间关系、连接关系和数据关系。为量化模型之间的关系，利用层次分析法中的比较与定量法则，分别以9、3、1、0 来表征模型间关系的强、中、弱、无。这里，模型的自身综合关系取特定值1［14～15］。根据这一原则，可以建立针对全生命周期的模型关系矩阵。表1 给出了后机身平尾系统部分模型的关系矩阵。其中，序号1至8分别代表系统需求模型、功能接口模型、结构模型、2D/3D 模型、制造工艺模型、运行数据模型、维护规划模型和处置优化模型。

表1 后机身平尾系统模型功能关系矩阵

3.2 模型相互综合关系分析

根据3.1中获得的模型关系矩阵建立关系综合矩阵。从功能优化和结构优化两个属性分析模型关联优化问题时，模型关系矩阵包括数据关系、功能关系、结构关系和连接关系。如图2 所示。图中w表示相应的权重值。

图2 模型关联分析

按照比例构成，权重构成满足下列公式：

上式中权重分配关系为w1:w2=1:1；w11:w12= 4:6；w13:w22=4:6。其中，功能优化和结构优化的权重比为1∶1。功能关系相近的两个模型必然有数据之间的联系，因此，功能关系和数据关系的权重比取值为6∶4。有连接关系的两个模型，结构相似，因此连接关系和结构关系的权重比取值为6∶4。综合关系计算公式为

其中，Cij表示模型i与模型j的相互综合关系，即一个模型在相关属性下对另一个模型的影响力。

Cij越大，表示模型间相互影响力越大，这两个模型划为相同模块的可能性就越大，反之亦然。表示模型i 与j 数据关系的量化值。以此类推，是功能关系的量化值；是结构关系的量化值；是连接关系的量化值。

考虑k(2或3)维定位场景,使用N+1个移动无线传感器来定位一个移动的未知目标。将第i个运动的传感器的位置和速度表示为已知的si,i=1,…,N 和未知目标的位置和速度分别表示为 x 和参考传感器用s0表示,可将TDOA和FDOA测量模型表示为[10]:

将权重构成的分析结果代入式（2）得：

关系综合矩阵，有如下特征：

1）C（ij）=C（ji），即该矩阵是一个对称矩阵。

2）将所有模型对其自身的关系全部设置为1。即C（ii）=1。

最后的关系综合矩阵为

4 模型关联优化算法

根据关系综合矩阵推断模型的优化组合属于物种类聚问题。解决此类问题的算法有阈值法（TA）、模拟退火法（SA）、蚁群算法（ACO）、一般遗传算法（SGA）、种群遗传算法（GGA）等［16］。各有优劣。通过性能对比实验，种群遗传算法在运算规模和搜索能力上展现出更好的效果，因此，本文选择种群遗传算法用于模型关联优化，算法流程如下。

步骤1：生成初始化种群

假设模型数为N，随机将这N 个模型放到m 个模块中。重复这个操作，生成一定规模的初始种群即初始代。

步骤2：选择

采用无回放余数随机选择策略和轮盘赌选择法对种群中的个体进行选择。步骤如下。

2）取Ni的整数部分为对应个体下下一代中的生存数目，这样就确定了下一代M个种群中的个个体。

步骤3：交叉

选择任意两个初始代，保持原有模块，设置交叉区域并以一定概率交叉。

步骤4：变异

去除交叉后存在冗余模型的模块，将缺失的模型任意插入各个模块或加入到新的模块中。以0.001～0.2 概率从任意模块中选取一个模型，放入其余任意模块内，完成变异。

步骤5：生成优化结果

保证基因数不变，按适应值高低以优胜劣汰法则进行选择。值越高，表示空间向量积越大，模块的划分结果与设定的目标越相似。经过多次迭代，种群中个体适应值最大的即为最优化模型组合。

5 实验与结果分析

本 文 实 验 在Intel core（TM）i5-8300H CPU 2.3GHz，Pyghon3.6 条件下，针对以下两种不同的初始条件进行了算法性能分析实验：

1）初始种群为90 个初始代，交叉率为0.3，变异率为0.1，迭代次数120次；

2）初始种群为70 个初始代，交叉率为0.3，变异率为0.2，迭代次数240次。

5.1 模型关联算法性能分析

为选择合适的模型关联优化算法，本文针对常用的解决这类问题的算法阀值法（TA）、模拟退火法（SA）、蚁群算法（ACO）、一般遗传算法（SGA）以及种群遗传算法（GGA）进行了性能比较，如表2 所示。

针对模型关联优化问题所关注的性能指标，将性能占比设置为运算规模25%、运算速度10%、搜索能力25%、限制条件10%、解决类聚问题30%。计算各个算法的适应值，如表3 所示，种群遗传算法的适应值最高，说明解决模型关联优化问题的能力最强。

表3 优化算法适应值

5.2 模型关联优化实验结果分析

为了选择合适的初始种群数，本文对初始种群数和收敛速度的关系进行了评估。并给出了初始种群分别为70和90的模型关联优化处理进程。

从图3可以看到，初始种群数在60～80之间，收敛速度相对较快，获得了更好的优化性能。为进一步验证初始种群选择区间的有效性，图4 和图5 给出了相同实验环境下，初始种群分别为70 和90 的优化进程图。分别使用逼近曲线表示平均函数适应值，使用阶跃曲线表示最大函数适应值。

图3 收敛速度与初始种群数的关系

由图4 可以看到，由于初始种群较少，变异率较高，图像抖动比较明显。但迭代至82 时得到最优解。图5 中变异率降低，图像收敛较平缓，但迭代至126 时才获得最优解，收敛速度明显下降。进一步验证了初始种群数在60～80 之间时，可以获得相对较快的收敛速度。实验表明，收敛速度与种群初始化有关，但都可以获得统一的最优解，说明了最大值的全局性和有效性。因此，在实践中选择获得最大适应值时的模型组合即可以作为产品全生命周期中最优化的数据模型组合。

图4 初始种群为70时的优化进程

图5 初始种群为90时的优化进程

6 结语

本文提出一种基于复杂产品全生命周期模型的关联优化方法。基于种群遗传算法利用模型之间的关联寻找模型的最佳组合，以此引导系统工程建模，提高建模速度。本文提出的模型关联优化方法在航天产品后机身平尾系统的建模过程中获得了较好的成效。但由于后机身平尾系统中模型数量有限，对于更复杂的产品模型还缺乏验证数据。因此，下一步的研究方向将针对更复杂的产品生命周期的建模需求，研究产品全生命周期模型的知识获取、智能检索与知识融合方法，从基础的模型构建时便融入模型的关联关系表达，实现跨单位、跨阶段、跨层次全生命周期统一建模，进而实现产品全生命周期的信息交换与共享。