[發明專利]一種基于圖神經網絡的復雜產品解構重組模塊化方法

在審

• 申請號: 202111329909.8
• 申請日: 2021-11-10
• 公開（公告）號: CN114254552A
• 公開（公告）日: 2022-03-29
• 發明（設計）人: 孫曉燕;陳巡;李梓民;張勇
• 申請（專利權）人: 中國礦業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/18;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 陳月菊

1.一種基于圖神經網絡的復雜產品解構重組模塊化方法，其特征在于，所述模塊化方法包括以下步驟：

S1：收集原始數據，原始數據包括復雜產品的服務性能、零部件名稱、零部件間耦合關系和零部件功能特征；

S2：對原始數據進行預處理，將預處理后的原始數據優化為有效數據：

對復雜產品n個節點進行編號，構建復雜網絡設計結構矩陣模型A來描述各零部件連接關系，設計各零部件功能特征矩陣X描述各零部件的功能特征，設計每個零部件的度矩陣d來表達每個零部件含有多少連接關系；

S3：從度矩陣d中，按照度由高到低的順序選取R個度較高的節點定義為重要節點，通過計算各重要節點之間功能特征的余弦相似度，確定產品功能模塊數量k；

S4：解構重組復雜產品連接關系：

采用圖自編碼器聚合零部件與周圍零件之間的特征作為零部件自身的隱含特征Z；對于最終獲取的隱含特征Z，根據步驟S3獲得的模塊個數k，采用FCM算法對其進行模糊聚類，輸出每個零部件對各模塊的隸屬度矩陣：

選取每一個零部件M_i，j最大值，并認為此零部件屬于M_i，j對應的模塊；

S5，對每個功能模塊進行分析，對誤劃分進其他功能模塊進行重新分配，尋找功能模塊間變更傳播連接零部件。

2.根據權利要求1所述的基于圖神經網絡的復雜產品解構重組模塊化方法，其特征在于，步驟S2中，對原始數據進行預處理的過程包括以下步驟：

對原始數據進行完整性分析，刪除錯誤數據，修復或者補充異常數據。

3.根據權利要求1所述的基于圖神經網絡的復雜產品解構重組模塊化方法，其特征在于，步驟S2中，將預處理后的原始數據優化為有效數據的過程包括以下步驟：

S21：對復雜產品n個節點進行編號，分別為A₁，A₂，A₃...A_n；

S22：構建用于描述各零部件連接關系的復雜網絡設計結構矩陣模型A：

式中，a_i，j＝1代表零件i和零件j存在連接關系，a_i，j＝0代表零件i和零件j不存在連接關系；

S23：設計用于描述各零部件的功能特征的各零部件功能特征矩陣：

式中，矩陣X中的元素x_α，β代表第α個零部件的第β個屬性值，α＝1，2，...，n，β＝1，2，...，m；

S24：設計每個零部件的度矩陣來表達每個零部件含有多少連接關系，度矩陣d中的元素代表有個零部件與第α個零部件相連接。

4.根據權利要求3所述的基于圖神經網絡的復雜產品解構重組模塊化方法，其特征在于，步驟S3中，確定產品功能模塊數量k的過程包括以下步驟：

從度矩陣d中選取R個度較高的節點，計算各重要節點之間功能特征的余弦相似度：

式中，A_(R)d代表從度矩陣中選取的度較高零部件的子集，與代表在選取較高度子集中零部件的特征；

將相似度較高的重要節點作為一個功能模塊類，最終確定功能模塊數量k。

5.根據權利要求3所述的基于圖神經網絡的復雜產品解構重組模塊化方法，其特征在于，步驟S4中，采用圖自編碼器聚合零部件與周圍零件之間的特征作為零部件自身的隱含特征Z的過程包括以下步驟：

將鄰接矩陣A與特征矩陣X輸入到GAE中的編碼器GAT網絡進行零部件權重分配：

式中，與代表上文中的特征矩陣X通過圖神經網絡提取之后輸出的零部件隱含特征，Leaky ReLU是神經網絡激活函數，W與是神經網絡參數，exp代表softmax激活函數；

并通過圖神經網絡提取出零部件隱含特征的最初形式：

使用GAE中解碼器與編碼器聯合優化得到最終隱含特征：

式中，和x_a，m相對應。