2.1.2 数据与知识自适应

数据与知识自适应是产品自适应设计的基本特点，也是实现设计求解方法自适应、设计过程自适应的基础。在数据维度方面的自适应主要包括设计数据、验证数据、运行数据、维护数据等结构化数据的适配与融合，以及数据分析、自适应数据权衡与决策、智能设计知识推送等内容，详细的逻辑关系如图2-2所示。

数据维度自适应特征体现在产品全业务链生产制造大数据的完整性和标准化，数据处理方法对多源数据的适应性，全生命周期的数据与设计知识更新、推送的动态性三个方面。

1）产品全业务链生产制造大数据的完整性和标准化。数据的完整性是指在产品全生命周期数据中对关键信息的全面获取，以完整的产品全生命周期数据作为设计的支撑，为保证数据处理结果的科学性奠定基础，进而保证基于数据的智能设计的准确性；数据的标准化主要面向大数据的结构化存储及数据处理前的准备，标准数据可以消除冗余数据对设计结果的干扰，是支撑智能自适应设计方法的重要基础，也是企业数字化、设计智能化的基础技术。为实现该特征，产品全业务链需获取各类数据，包括设计数据、验证数据、质量数据、制造数据、运行数据，以及非结构化数据的自动抽取。同时，实现多源异构制造大数据抽取与冗余清除、增量式真值发现，以及面向语义、结构、数据、描述等多维度冲突消解，提高数据质量。实现缺失数据填补和非一致业务数据的协同修复，提高数据的可用性。通过多源异构数据的统一表示、高效组织方法和以实体为中心的元数据结构化表达，实现数据的规范组织。

2）数据处理方法对多源数据的适应性。面对标准化后的多源数据，一般采用的数据处理方法有数据融合、数据可视化、数据挖掘、数据聚类、数据预测等，其中数据融合、数据可视化、数据聚类等技术的实现方法有很多，要根据不同产品、不同数据种类和特点，采取恰当的数据处理方法，才能获得更精准、更科学的数据处理结果，进而实现设计知识的科学获取。在产品自适应设计的数据分析环节，通过多决策分类器和特征重要度排序，实现各类数据样本属性和资源的智能关联，以及数据层、特征层及模式层多源数据融合；通过抽样加速可视化和多分辨率层次压缩等多种高效数据处理算法，实现数据可视化展现。通过集成学习的特征选择和深度置信网络，构建多模态、多应用的数据知识维度自适应设计主题模型，建立覆盖产品质量预测、参数优化、风险评价等主题模型，实现基于数据挖掘及数据分析的设计知识获取。

3）全生命周期的数据与设计知识更新、推送的动态性。设计过程应该被视为一个控制过程，不是静态的，而是动态的，在这个过程中，信息反馈必须迭代，直到信息内容达到可以得到最佳解决方案的水平。因此，在学习过程中应不断提高信息水平，从而有助于寻找解决方案。实现全生命周期数据知识的动态更新，是保证下一代产品汲取上一代产品设计经验，修复产品缺陷，提高产品质量的重要基础。为实现产品数据与设计知识的动态更新，企业要建立全面、实时的数据采集反馈机制，对于产品“需求分析—设计过程—生产制造—使用维护—回收利用”的全生命周期各环节产生的数据，应通过平台的存储器及工具进行采集存储，然后在数据层上分析和驱动设计过程。同时，要加强数据处理和知识提取完成后的实时推送机制，基于面向设计探索的知识推送机制，实现启发式设计过程，为产品自适应设计提供支持；通过设计任务情境指向的复杂设计知识网络实体搜索及基于本体的设计知识网络子集提取与合并，提高数据知识的获取效率；通过产品方案设计的知识推送机制，实现最佳设计案例、功能模块配置方案的重组与复用；通过面向设计优化的知识推送机制，为产品多学科协同的设计过程提供优化策略和迭代准则；通过基于用户情境模型的设计知识网络修正，实现设计任务—设计知识—设计人员的多层映射。