基于人工免疫原理的知識推送模型*

胡小光，張?zhí)A，楊 靜，謝永康

(1.貴州大學 現(xiàn)代制造技術教育部重點實驗室，貴陽 550025；2.貴州師范大學 制造服務與知識工程技術工程中心，貴陽 550025)

0 引言

機械產品可制造性設計是一個典型的由制造知識支持的生產活動，由于其面對大批量的制造知識數(shù)據(jù)，使得產品設計知識獲取效率和準確率較低，因此，主動、及時、準確地向設計人員推送所需要的知識是研究的熱點和難點[1-2]。Sung R C W[3]等通過分析目前知識推送方法的成功案例，設計了一種自動實時記錄、捕獲、后處理設計數(shù)據(jù)的知識推送方法；王占松[4]建立了形式化的目標功能設計意圖模型，并給出了功能—行為—結構知識匹配方法；董思洋[5]等建立了結構件的知識推送原型系統(tǒng)和設計知識靶向推送算法。以上方法都從不同的角度提出了知識獲取機制，但是，這些算法都不能對產品三維模型的特征知識進行準確的推送服務。

由于在知識推送過程中，產品特征知識具有高度的自治性，與作為生命體支柱的由眾多器官、組織和細胞構成的免疫系統(tǒng)(Immune System)高度自治系統(tǒng)[6]具有很大的相應性。因此，本文基于知識主動推送過程和免疫過程的相似性，提出了一種基于人工免疫算法的特征知識匹配算法(Knowledge Matching based on Artificial Immune Algorithm，KMAIA)，并基于此構建了NX平臺下的機械產品特征知識推送模型，該方法可以靈活地對知識進行準確的檢索和推送，更好地支持產品特征創(chuàng)新設計。

1 基于人工免疫原理的特征知識推送模型

針對NX平臺下基于人工免疫原理的知識推送模型，本文以特征知識為對象進行詳述，并對特征進行識別提取。機械產品三維模型的特征知識提取是一個逐步求精與細化的動態(tài)反饋與聯(lián)動過程，在機械產品設計中，針對所需不同結構特征需要不同的特征知識支持。零件上某個具體結構特征所需的加工特征的特征知識是零件加工設計的重要環(huán)節(jié)，需要進行頻繁的調用和反饋，特征知識本身的可重用性和調用的靈活性直接影響著零件設計的可制造性和效率。

為實現(xiàn)機械產品特征知識的主動推送，首先需要考慮幾個問題：機械設計意圖模型以及進行統(tǒng)一的規(guī)范化描述；知識需求與特征知識匹配模型的構建；知識需求的分析、獲取與表達；特征知識推送選項決策。

圖1所示為機械產品特征知識推送模型，對象為普通機械類產品設計，方法為基于免疫原理的知識推送過程(即為AP)。該模型包括知識需求模塊(Knowledge Demand Module，KDM)、知識推送免疫過程模塊(Immune Process of Knowledge Push Module，IPKPM)、知識庫模塊(Knowledge Base Module，KBM)，其中知識庫模塊包括知識輸入模塊(Knowledge Input Module，KIM)和特征知識的免疫細胞化表達模塊(Immune Cells Express of Characteristic Knowledge Module，ICECKM)。以集合形式可表示為AP={KDM，IPKPM，KBM}(其中KBM={KIM，ICECKM})。

針對圖1的總體設計方案，將每一個子模塊詳細設計并分析，剖析子模塊應用中可能遇到的關鍵問題并提出相應的解決方案。

圖1 基于免疫原理機械產品特征知識主動推送模型

2 特征知識主動推送模型的構建

2.1 知識需求模塊分析

產品設計意圖與需求意圖，是知識主動推送過程需要解決的問題和目標，利用模型特征的概念來簡化知識需求的獲取，針對現(xiàn)階段的零件三維模型設計知識需求模型，利用NX/Open API程序集合實現(xiàn)特征提取直接從提取特征信息，采用可擴展標記語言(Extensible Markup Language，XML)將特征信息存儲并傳入后續(xù)模塊，如圖2所示。

在圖2中，針對具體產品特征建模的實際問題，采用NX的特征建模技術和相關插件特征識別功能，對具體三維零件圖進行識別，并利用XML格式進行存儲如圖3所示。

在免疫應答反應過程中，抗原X(包括細菌、病毒、花粉等)是誘導免疫反應的主要因素，同理，知識推送也是系統(tǒng)中接收到知識需求后做出的推送響應。抗原刺激機體后，產生可與抗原結合的抗體，其表面的抗原決定簇決定了特異性。

以下各類參數(shù)決定了知識需求的特異性，知識需求模型表示為KDM，需求類型表示為DC(Demand Category)，知識適用條件表示為AC(Application Condition)，知識具體屬性表示為DP(Detail Parameters)。于是得知識需求模型可表示為：KDM={DC，AC，DP}。以固定鄂板加工特征為例，如圖3對零件圖進行特征識別，對XML特征文件進行解析，獲得知識需求，進行特征分析與需求模型構建。圖2中孔特征加工分析如表1所示。

圖2 固定鄂板三維模型

圖3 固定鄂板XML文件

需求內容DC適用條件AC具體參數(shù)DP孔加工加工特征:孔類型:鉆頭材料:合金鋼加工方法:鉆—擴—鏜孔直徑:33孔深度:2孔加工精度:IT9～IT11

2.2 知識庫模塊

KIM模塊作為知識推送系統(tǒng)實現(xiàn)的基礎，負責知識的錄入、識別、存儲和維護，作為一個獨立的模塊需要具備基本的增刪改查功能。該知識庫主要由設計原理庫、設計規(guī)則庫、用戶日志庫等組成[4]。主要任務是標準化管理知識并進行存儲，并將知識庫的創(chuàng)建和使用分離，使之快速響應后續(xù)識別得到的零件特征需求。知識輸入模塊可以分為以下幾個子模塊：①零件設計知識結構化；②結構化知識的分類與存儲；③知識映射表的形成；④知識庫知識提取與應用。

免疫反應是一個高度并行、分布、自組織的過程，其中包含各種不同的免疫細胞，但是都來自相同的DNA，各種不同的細胞僅是因為基因信息選擇性表達。與此類似，產品可制造性設計中的加工工藝、制造資源知識等都涉及各種各樣條件，但均可以理解為相同的知識映射表根據(jù)不同使用條件分化的結果。因此，可利用免疫細胞化表達機械產品的知識類型、具體知識信息、獨立參數(shù)及規(guī)則。

產品設計特征知識免疫細胞表達模型。將所有知識均視為一個映射表，知識庫中知識與需求匹配并選擇性表達。將各種特征知識進行封裝記為免疫細胞模型(Knowledge Immune Cells Module，KICM)。其知識具體表現(xiàn)形式為(Concrete Forms，CF)，令CF={CFKT，CFSI，CFKA}，根據(jù)輸入知識需求的不同依據(jù)知識映射表進行表達。其中CFKT為知識類(Knowledge Type)，CFSI是知識信息(Specific Information)，CFKA表示知識屬性(Knowledge Attribute)。以孔為例詳細介紹特征知識的免疫細胞化表達模型，如圖4所示。

圖4 特征知識免疫細胞化表達

2.3 知識推送的免疫過程

知識推送問題可以用類似的免疫過程描述為：當抗原類物質侵入免疫系統(tǒng)，系統(tǒng)進行緊急處理分析，得到所需的免疫細胞群。按照以上的知識主動推送系統(tǒng)結構可以實現(xiàn)知識需求的自主結合和匹配，并實現(xiàn)知識的主動推送。該系統(tǒng)包含以下類似免疫系統(tǒng)的步驟[7]：

(1)抗原提取。監(jiān)視單元對免疫系統(tǒng)進行監(jiān)視，當抗原進入系統(tǒng)，吞噬細胞攝取處理抗原(知識需求)，承擔監(jiān)視作用，并將其呈遞給T細胞，然后交給后續(xù)識別過程。

(2)抗原識別。在發(fā)現(xiàn)抗原后，抗原提成細胞迅速識別抗原各種決定簇，即完成對DC，AC，DP的判斷和獲取。

(3)增值分化。系統(tǒng)內T細胞已經完全識別抗原決定簇結構，并進行快速反應，選擇解決方案。效應細胞和記憶細胞大量增值分化，產生抗體并完成二次免疫。

(4)抗原—抗體特異性結合。效應T細胞和效益B細胞分別作用，釋放抗原和產生抗體，并將二者結合，特征知識獲取成功推送給用戶，達到機體免疫過程的實現(xiàn)。免疫系統(tǒng)和免疫算法概念匹配關系如表2。

表2 生物學概念和知識工程概念對比

3 基于免疫過程的知識主動推送方法

3.1 特征知識推送匹配策略

針對知識推送的相關問題，若要實現(xiàn)機械產品設計特征知識的推送需要解決以下三個問題：①針對機械產品的結構特征知識、加工類特征知識以及相關制造資源知識的搜集整理與知識庫構建；②機械產品需求提取與分析；③知識需求模型的構建和推送模型的構建。

令X={x1,x2,…,xn}表示具有n個抗原的集合，其中xa(1≤a≤n)是侵入機體的抗原，xa={xaDC,xaAC,xaSP}，其中xaDC是抗原的DC決定簇，即指知識需求類型；xaAC是抗原的AC決定簇，即指知識需求中適用條件；xaSP是抗原的SP決定簇，即指只是需求中知識的具體屬性。

令Y={y1,y2,…,yk}表示具有k個免疫細胞的集合，yb={yb1,yb2,…,ybm}(0≤b≤k)是與之匹配的特征知識具體表現(xiàn)形式。知識需求決定簇的抗原接受位與類知識的KT，SI，KA相對應。實現(xiàn)知識類型與知識需求的類型的匹配，最終應當在使用條件、知識的具體信息中搜尋M個差異性最小的可行解空間。

3.2 匹配算法模型

若針對某個抗原選擇類似的免疫細胞的集合與之匹配，以實現(xiàn)免疫過程。所以根據(jù)知識推送系統(tǒng)中的知識需求選擇與之匹配的N個知識的數(shù)學表達模型為：

(1)

約束條件：

(2)

M=1,2,…,且M>N;

1≤b≤k

(3)

3.3 匹配算法的定義

定義1：抗原識別。針對機械產品知識的特點，給出一個抗原xa，若滿足下文公式下能夠得到y(tǒng)b，并滿足條件成立，則稱抗原xa可以很好的與yb匹配。

抗體與抗原的AC決定簇：

xaSP∈yb,yb∈M,1≤b≤k;

(4)

f(xaSP,yb)=min{f(xaAC,y1),f(xaAC,y2),…,
f(xaAC,yk)},yk∈M,1≤b≤k;

(5)

‖xaAC-f(xaAC,yb)‖≤α,yk∈M,1≤b≤k

(6)

抗體與抗原的SP決定簇：

f(xaSP,yb)=min{f(xaSP,y1),f(xaSP,y2),…,
f(xaSP,yk)},yk∈M,1≤b≤k;

(7)

‖xaSP-f(xaSP,yb)‖≤β,yk∈M,1≤b≤k

(8)

式中，f(x，y)表示抗體與抗原的AC決定簇和SP決定簇匹配時的閾值，匹配時的和力小于該值則認為匹配成功。式中α和β的匹配過程不完全精確，從而有效的確保免疫細胞識別抗原的差異性，特點的知識需求會選擇相匹配的特征知識。

定義2：抗體與抗原親和力?？贵w與某個特定的抗原所具有的關聯(lián)特性定義為親和力。

單一的用歐拉距離公式來描述親和力較為片面，這里采用熵值法的親和力計算方法來定義親和力，具體計算過程如下[7]：

若兩個知識需求的親和力具有確定的閾值，表明了知識需求之間的相似性，為了獲得多樣性的知識，就必須抑制相似度較高的知識，因此可以通過濃度的調控來實現(xiàn)對知識的調控。

定義3：免疫細胞相似性。在機體免疫細胞群中，具有特定的免疫細胞u，計算與任意免疫細胞v的接近程度表示為|u,v|；而且計算u和v針對特定抗原x的親和力，分別記作Axu和Axv。若存在常數(shù)使它們同時成立，則u,v為相似免疫細胞。

‖u,v‖≤j

(9)

|Axu-Axv|≤k

(10)

其中常數(shù)為j>0，k>0。

相似免疫細胞濃度記為Cu，計算如下：

(11)

(12)

4 特征知識推送系統(tǒng)

就上述的NX平臺下基于免疫原理的知識主動推送模型，采用基于免疫原理的方法來實現(xiàn)知識主動推送，實現(xiàn)常見特征知識主動推送。針對特征知識主動推送的過程特點以及免疫算法的具體過程[8]，流程圖如圖5所示。具體步驟如下：

輸入：抗原集合規(guī)模為N，免疫細胞為集合規(guī)模為M，終止條件為最大匹配數(shù)[9]。

步驟1：抗原識別。對進入免疫系統(tǒng)的抗原進行識別，得到所需的知識需求模型，作為初始的可行解空間，轉化成待求解數(shù)學模型。

步驟2：算法初始化。針對知識需求，確定最初的抗原種群，然后初始化。并設定M，Pc，Pm，ka，kc等。

步驟3：與知識庫匹配，搜尋相類似問題求解。若存在，可獲得問題答案，進入步驟7，否則繼續(xù)運行流程。

步驟4：利用以上公式得到親和度數(shù)值并排序。

步驟5：知識多樣性的保證。剔除知識種群中親和度小于閾值的知識，并選擇小于閾值的知識進入下一輪循環(huán)。

步驟6：新知識的產生。針對步驟5提供的知識種群，按照交叉和變異，更新知識，跳轉至步驟4。

步驟7：判斷終止條件。進行計算與條件進行匹配，若滿足知識種群與知識需求的要求或達到最大進化代數(shù)，則停止搜索，并將解決方案推送至用戶界面，且存入知識記憶庫中。

步驟8：終止。

圖5 特征知識推送流程圖

以某制造企業(yè)實際生產數(shù)據(jù)為例，并以NX為平臺搭建基于免疫過程的特征知識主動推送模型結構，實現(xiàn)特征知識的主動推送和原理的檢驗，進一步完成產品零件的三維模型知識重用。

為驗證KMAIA的有效性，以摩托車制造企業(yè)中鏈輪產品10182條實際生產數(shù)據(jù)為例進行分析，并以Windows 7和Visual Studio 2008為開發(fā)環(huán)境，采用Java語言進行開發(fā)，并使用SQL Server 2008作為數(shù)據(jù)存儲平臺進行系統(tǒng)開發(fā)[10]。

如圖6所示，該零件屬于鏈輪，應用于摩托車驅動輪上，具有槽、孔等典型結構，且形狀較為復雜，檢驗知識推送模型具有一定的典型性。選擇鏈輪作為輸入知識需求，獲得該推送過程的詳細信息和算法的比較，得到測試結果。

圖6 IA和KMAIA特征知識推送對比

KMAIA算法是IA的改進算法，對此可進行特征知識的推送作用展開對比。該系統(tǒng)在產品零件設計、零件特征修改、底角和轉角檢驗、粗糙度檢查等方面可實現(xiàn)自動檢測。系統(tǒng)針對不同的測試問題，給出了具有啟發(fā)性的提示，并給出一定的建設性方案，記錄在備注中，供參考和改進設計。

5 結論

文中針對產品設計過程知識推送問題設計了NX平臺基于人工免疫原理的知識推送模型。該模型類似于機體免疫系統(tǒng)，通過知識需求模塊、知識庫模塊、知識推送模塊之間的協(xié)調合作與反饋補償，極大的提高了系統(tǒng)知識獲取的效率，并得到KMAIA算法，實現(xiàn)了機械產品設計知識的匹配求解，并保證知識獲取的及時準確，獲得較為滿意的效果。

[1] 曹立志, 馬新宇, 劉桂鏜,等. 云環(huán)境下產品設計知識推送機制研究[J]. 組合機床與自動化加工技術, 2015(7):157-160.

[2] 董思洋, 許建新, 王克勤,等. CAD平臺下基于免疫過程的知識主動推送模型[J]. 計算機集成制造系統(tǒng), 2013, 19(7):1520-1531.

[3] Sung R C W, Ritchie J M, Lim T, et al. Automated generation of engineering rationale, knowledge and intent representations during the product life cycle[J]. Virtual Reality, 2012, 6(1) :69-85.

[4] 王占松, 田凌, 段文睿. 基于設計意圖建模的知識推送技術[J]. 計算機集成制造系統(tǒng), 2015, 21(3):606-617.

[5] 董思洋. 支持設計的制造知識類免疫推送技術研究[D]. 西安:西北工業(yè)大學, 2014.

[6] 陳倩, 楊育, 張雪峰,等. 客戶協(xié)同產品開發(fā)模糊前端階段創(chuàng)意知識獲取[J]. 計算機輔助設計與圖形學學報, 2017,29(1):145-154.

[7] 柳林. “風電齒輪箱”軸類產品設計工藝知識推送模型研究[D].重慶:重慶大學, 2015.

[8] 周明建, 廖強. 基于屬性相似度的知識推送[J]. 計算機工程與應用, 2011, 47(32):135-137.

[9] Chandrasegaran S K, Ramani K, Sriram R D, et al. The evolution, challenges, and future of knowledge representation in product design systems[J]. Computer-Aided Design, 2013, 45(2):204-228.

[10] Xu Y, Yin G, Nie Y, et al. Research on an active knowledge push service based on collaborative intent capture[J]. Journal of Network & Computer pplications, 2013, 36(6):1418-1430.