1 DFM应用背景

       产品市场竞争的日益激烈，迫使企业需要以低的成本和最短的时间生产高质量的产品。近年来，先进的结构设计新技术被广泛采用，多种高性能特种的材料被应用到结构设计中，大量新型结构件不断涌现，突破了传统结构设计的限制。传统结构设计是采用串行的方法，这种设计方式的弊端是各个环节缺少交流和沟通，设计中很少考虑下游的工艺、制造、装配、检测等内容，导致在产品制造完成后，需要反复修改，造成了巨大浪费，在一定程度上增加了产品成本，延长了产品的开发周期。在这种背景下，面向制造设计（DFM）提出了新的思路：在产品设计的早期阶段就考虑产品的可制造性问题。

       1.1 企业需求

       DFM对于当下的企业而言，分为常规DFM和智能DFM两大类。其差异在于：

       （1）常规DFM

       为解决制造、装配、成本、可靠性等问题，便于上游设计人员进行可制造性验证，DFM为设计人员提供辅助分析功能，可以识别出难以制造或制造成本昂贵，甚至根本无法制造的零组件特征，自动完成繁琐设计的工艺性审查，重用已有知识，为企业降本增效持续发挥助力。

       其核心价值在于：

       ●缩短设计周期

       通过DFM可缩短工艺性审查的时间，降低从设计到工艺反复修正的次数，从而缩短产品的研制周期。

       ●控制设计质量及成本

       DFM可通过工艺审查优化零件设计，给出成本更低的修改建议，从而降低产品的返工和制造成本。

       ●管理设计制造知识

       DFM提供了知识获取的框架，企业可定制自己的经验及知识，为工程师提供企业自身的最佳研制经验，并通过老带新实现知识的共享和传承。

       （2）智能DFM

       目前越来越多的企业已不再满足于常规DFM的功能，其表现为企业对于可制造性审查已经从是否可以制造，发展为是否具有制造上的成本优势。例如企业在扩大产能的大趋势下，拥有众多的流水线，研发人员根据客户需求进行设计，其设计成果对于不同的生产单元（对比常规DFM进行工艺性审查，因基于单一流水线特征及以往制造经验）确实可以大大降低审查工作量及强度，进而加快产品上市节奏。然而实际情况对研发提出了更高的要求：企业越来越注意到柔性制造对于生产的重要性，设计首先应面向客户需求，其次再考虑生产。而不能因为可制造性不佳就贸然改变设计方式及目标。归纳来说，就是满足客户需求是第一位的，如何合理利用加工技术应次之，不可本末倒置。加工技术可通过柔性生产，合理调配资源来满足。

       其核心价值在于：

       ●资源的充分合理利用

       对比常规DFM，智能DFM应与各种资源具备集成的条件，资源包括PLM、MPM、加工设备、MCAD、eHR（人员技能）、分析工具（CETOL6σ、GeometricStackup）等。可将设计成果根据不同设备、不同技能的人员、不同公差精度、不同工艺路线进行统一汇总分析。将可制造性问题由原先的“能不能制造”转化为“是否有更好的制造方法”，进一步实现成本、质量、进度三维度的平衡。

       ●基于自学习的知识应用

       常规DFM一般通过2种方式进行规则定义：①企业生产及加工经验的积累；②各种标准，例如国标，军标，地标，行业标准等。此种模式是通过对以往知识的总结及提炼形成规则库，然后由工程师根据场景选择不同规则库进行可制造性分析。仔细分辨可以发现，企业是将过往经验应用于新设计成果的分析上，然而对于知识而言，并非永恒不变，应根据需求结合实际情况，分人分时分事去灵活应用知识，对于机械性的照搬原有知识经验去检查新产品设计，这本身就存在一定的不合理性。企业也逐渐意识到此类情况，希望能有一种智能化的工具，既能将原有知识经验作为积累去审查设计成果，也能在探索新设计领域时，根据企业自身情况，灵活生成相应知识，进而辅导工程师优化产品设计。其主体在于知识可自更新，自学习，自适应，自成长这四点上。

       ●基于模型特征识别（基于图形形态识别）

       企业也开始意识到：若DFM工具具备智能特性，可以不再拘泥于常规知识及经验的定义方式，应通过模型特征或者图形形状，进行灵活分析。其最大差别在于知识是人经过现象总结出的规律，而基于模型特征（图形特征、自然语义），并结合DFM自学习的方式是根据原理进行的设计结果的检查，其本质就是不受限于人工提炼的“死知识”，而是做到了活学活用甚至是现学现用。

       1.2 人工智能技术的应用

       人工智能技术的发展，使得既懂设计又懂工艺的“全能设计师”成为可能。典型的智能设计方法，有约束满足设计法、基于实例推理、基于规则推理、基于知识推理法、神经网络法、优化技术法、价值工程法、定性推理法及并行工程法等。基于实例推理(CBR)方法是AI技术中一个重要的发展方向，是一种相似推理方法，其核心是利用过去的实例和经验来解决新问题。它克服和回避了知识获取瓶颈，有效地利用存在于已有的设计实例中的知识，且已得到广泛应用。

2 智能DFM框架下的信息建模与集成应用

       DFM的有效性在很大程度上取决于分析系统和人员所掌握的数据、信息和知识。在真实的企业环境下，这些信息在采集、传输、转换、存储、检索等方面具有不同的特点和需求。DFM相关信息包括产品零部件模型、工艺信息、设计更改及历史纪录、设计禁忌、制造资源（含设备、工装）以及各种类型的文档。从DFM的一般流程考虑，首先根据模型中的制造特征（如平面、内外圆表面等）及其参数（材料、GD&T等）确定工艺路线，然后依据所采用的工艺方法约束，确定各工序的可制造性。经分析，可将DFM信息分为模型、工艺信息、设计更改信息、制造资源、案例、文档和知识七类。

       ●模型

       主要是指产品/零部件的三维模型，也包括三维图样（由于信息完备性较差，且识别提取困难，在自动化DFM中一般不考虑）。由于企业实际应用中，三维模型所附的制造信息（PMI）较少，针对DFM应该进一步扩展PMI信息。目前，主流的CAD平台已经支持GD&T扩展。

       ●工艺信息

       工艺信息包括工艺路线、工艺卡片等，通常以半结构化的表格来表达，一般使用电子表格、文字处理和CAPP系统生成。

       ●设计更改信息

       设计更改中仅一部分是因为可制造性而产生的，更改的过程包含了可制造性分析和改进信息，这部分信息往往格式众多，体现在各类更改单中，规范企业往往由PLM系统来管理。

       ●制造资源

       可制造性与工艺相关，而工艺受限于企业所能利用的制造资源的工艺能力、工序能力。对相同零部件，即使使用相同的工艺，针对不同的企业而言，其可制造性是不同的。制造资源信息一般在CAPP/MPM系统中维护，体现为结构化的表格。

       ●可制造性案例

       一般对于企业常见的可制造性设计准则以典型案例的形式提供，存储为格式不同的文档，以Web等形式展现，供研发人员参考。

       ●文档

       文档是DFM中一类特殊的信息，可解释为前五种信息的载体，文档格式众多，一般只限于作整体的操作，目前仍然没有通用的信息提取办法。

       ●知识

       DFM知识往往蕴含在其它信息类型中，部分场合以规则来表达。

       2.1 AI技术下的信息建模

       AI技术在DFM中应用逐渐增加，如DFMPro等应用软件中大量使用了基于特征识别和规则推理技术。而在真实的企业环境下，DFM相关信息隐含在工艺规程、更改单及各类文档中。

       CBR（Case Based Reasoning）是在基于规则推理和基于模型推理基础上发展起来的新型推理技术，是模拟人类学习的一种推理方法。其核心思想是：在进行新问题求解时，通过回忆以前成功解决过的相似问题，比较新、旧问题发生背景和时间等差异，经过一系列的调整、修改后，重新使用以前的知识和信息，达到最终解决当前问题的目的。实例推理决策的一般过程如图2所示：面对新问题，通过需求分析输入检索的条件，从实例库中提取（Retrieve）相似的实例，然后重用（Reuse）实例，根据具体情况对解决方案进行修改（Revise），以求得最终解，最后将新问题的解答作为一个新的实例保存（Retain），以备将来的检索。

       CBR具有如下优点：①实例的获取相对简单；②直接重用过去的求解经验，不需要像产生式推理那样从头开始，因而推理速度快，求解效率高；③随着新实例的不断加入，CBR系统可以不断地学习，其推理匹配能力越来越强，智能化水平越来越高。实例的构建是CBR的基础，涉及到实例的内容和结构组织方式。实例的内容包括适用场景、原因分析、改进方案等等。一般CBR的实例是结构化的，可以用一个实例矩阵来表示：设实例C={（P1，V1），（P2，V2），（P3，V3）……（Pn，Vn）}，其中P代表属性Properties，V代表属性值Value，则实例库为CLibrary={C1，C2，C3……Cn}。实例检索的目的是从实例库中准确、快速地检索到与新问题最相似的实例，是CBR的关键环节，检索质量关系着整个系统的质量。

       在很多情况下，经验知识和任务描述的对象很难以属性-属性值的形式描述，往往是用自然语言来表达的文本信息。由于计算机对自然语言处理能力有限，大量有价值的文本信息在计算机领域无法得到很好的利用。基于文本的实例推理技术（TCBR）正是在此背景下产生并发展的，其案例的主体就是用自然语言表示的文档。当在知识蕴含在文本里时，TCBR能够利用专业的领域知识进行推理。TCBR推理的主要目标不再是用户提出的问题，而是提取对用户解决问题最有帮助的文档，与信息检索相比，TCBR的最大优势就是通过案例将分散的无结构的文档更有效的组织利用。

       2.2 AI式的DFM应用

       设计问题往往涉及很多领域知识和求解技巧，由于设计者的经验、习惯以及及设计条件各不相同，对这些知识和技巧的理解存在较大差异，一般都以文本形式存在，难以抽象出通用的表示因果关系的规则或者属性值表。但TCBR的总体框架可按图3展示。

       基于TCBR的DFM总体框架主要由以下三大模块组成：

       ●案例生成

       案例是基于实例推理的前提和基础，而基于文本的实例推理是依靠大量的文本信息，这些信息大部分是使用自然语言表达，这为计算机识别带来了很大的难题。基于文本实例的生成涉及到信息检索、信息抽取、自然语言的处理、机器学习等复杂的问题，因此需要考虑诸多因素，是一项非常繁杂的工作。

       ●案例索引

       在案例生成的基础上，用户可以通过案例索引来检索相似的案例。由于文本信息的特殊性，无法像结构化实例那样用简单的属性描述，所以检索无法通过属性的比较来实现。

       例如“定位销要设置在最有效的位置上”的问题，手册中更详细的描述是“设置定位销的目的是正确地保持装配件的相关位置，以及在拆卸时在拆开其联接之后再现正确的原来位置，因此最好将定位销设置在最有效的相关位置上。相互接近的定位销效果不好，应选定在相距尽可能远的对称位置上。”采用文本提取及分词引擎的方法，可以提取出关键词“定位销、装配件、相关位置、拆卸、联接、正确、原来位置、最有效、相关位置、相距、尽可能远、对称位置”，根据这些词在文本中出现的顺序连接起来。

       按这样的方式对关于定位销的其他内容进行相同的处理，得到如表1所示的一系列语义图。由这些图构成定位销的案例库，案例的检索就是在这个案例库中进行相似性计算。

       ●用户使用

       用户输入检索条件，构建目标实例，同时检索引擎启动案例库所有的案例，进行相似性比较，得到按相似性程度大小排序的检索结果，然后在相似案例的基础上进行修改，保存到案例库。

       TCBR的基础是案例，案例的优劣将直接影响系统的性能，因此案例库的维护对系统性能的作用至关重要。通过专家生成和直接文本提取的方法生成的案例语义图，很有可能会出现有的图表达不准确，导致该语义图使用率不高。基于用户反馈的修正可以做到：

       1.对案例的引用频数及引用效果进行跟踪记录，以便在案例评价和案例维护中作参考；

       2.对引用频数较高但存在缺陷的案例语义图进行完善；

       3.对案例库中引用频数较低，语义图引用效果较差的案例从案例库中删除，降低冗余度。

       随着用户反馈意见的增多，案例库的实用性可以不断提高，而且案例语义图表达也能够更加贴切实用。

3 展望及总结

       机械产品的面向制造设计是一个复杂的过程，需要多个领域的理论和技术支持。而随着AI技术的兴起，对于原有DFM工具的功能和表现形式也提供了更大的创新空间。DFM的有效性是基于完备的工艺库、资源库、文档库、特征库、规则和实例库。未来可面向全网搜集（爬虫技术）、整合已有制造实践（自己公司或相似企业）等相关信息，作为系统的初始数据，有利于DFM系统的推广应用。并借助AI的自更新，自学习，自适应，自成长不断地完善规则库，以期降低人员工作负荷，解放低价值的检查工时，转而投入到创新设计领域。