基于知识的传感器概念设计智能启发系统的研究

摘要

本论文旨在探索和发展传感器概念设计的新方法。概念设计作为一种跨学科、跨专业的产物，是机械设计、人工智能和计算机技术的有机结合体，是机电一体化技术在机械领域中的一个具体的应用。建立FEK(FEK：Function-Effect-Knowledge)概念设计模型，将设计对象作为一个功能模型，逐步分解为功能元，以效应实现功能元，通过基于知识的方法对效应进行优化和重组，最终以传感器概念设计智能启发系统的软件形式固化下来。本论文的主要内容如下： 1.传感器研发的发展趋势。正从改造已有的传感器的制造工艺，向开发和利用效应的方向转变。概念设计师依靠效应知识库所具有丰富的知识和自身的经验知识，在拥有高效推理机制的推理机的协同下，寻找传感器新效应及其效应的新应用，实现传感器产品功能的创新。 2.概念设计是一个创新的过程，也是一个基于知识的过程。为了满足传感器产品的创新，充分的发挥概念设计师经验知识，开发了相应的传感器概念设计智能启发系统，在智能启发系统上能够实现信息的共享与重用以及高效的推理机制。本文借助于面向对象的方法，首次系统地将设计知识重用体系应用到传感器概念设计过程中，使之紧密地与传感器概念设计过程相联系。产品设计师可以在以往设计知识基础之上产生创新方案。 3.传感器概念设计智能启发系统的实现方法。把成熟的关系数据库(MicrosoftSQL Server 2000系统)技术应用于智能启发系统的效应知识库，建立传感器应用领域智能启发数据库系统，该系统大大地简化了智能启发系统的推理过程，具有较强的适应性和实用性；采用遗传算法对传感器效应参数进行优化，选择适应度较高的效应链；采用可信度不确定性推理方法和知识的模糊查询来设计推理机算法；采用VS．NET开发智能启发系统应用程序框架，通过．ADO．NET实现与数据库的无缝连接，把推理算法作为一个模块嵌入到．NET框架中。 4.在上述理论研究成果的指导下，开发了以适应传感器的FEK概念设计模型为主要对象的智能启发系统平台，该系统具有一定智能性和启发性。传感器产品设计师在设计某一类传感器产品的过程中，首先把传感器概念设计智能启发系统中四个数据库 (知识库、数据库、约束库和实例库)结合起来，研究实现传感器产品的所需的效应、效应链和设计参数；其次对现有的效应和效应链运用遗传算法进行优化；最后对结论进行对比后得到设计传感器的最佳效应及该效应的效应链。对原有的设计参数进行相应的修改，最终完成产品在结构设计、功能设计、原理设计、外观设计和布局的设计。但所开发的传感器概念设计智能启发系统仍处在不断的完善中，需要进一步的放在实践中论证。 最后，对智能启发系统在传感器概念设计过程中的研究进一步提出了一些参考性建议。

目录

文摘

英文文摘

论文说明：插图目录、表目录

声明

1绪论

1.1课题的来源

1.2本课题的研究目的和意义

1.2.1传感器在信息社会中的地位、应用和研发的迫切性

1.2.2传感器的研发现状

1.3概念设计的定义及其发展历程

1.3.1概念设计的定义

1.3.2概念设计发展的历程

1.4基于知识的概念设计的历史、现状与发展趋势

1.4.1基于知识的概念设计的历史、现状

1.4.2基于知识的概念设计的发展趋势

1.5 FEK概念设计模型在传感器产品设计中的应用

1.5.1概念设计在传感器产品设计中的重要性

1.5.2 FEK概念设计模型在传感器产品设计中的应用

1.5.3 FEK概念设计模型中的智能系统

1.6本章小结

2智能系统

2.1智能系统的定义

2.2智能系统的一般结构

2.3智能系统的开发方法

2.4知识的获取

2.5知识的表示

2.6知识的推理

2.6.1推理的方法

2.6.2推理的控制策略

2.6.3搜索策略

2.7智能系统在传感器概念设计中的实现

2.8本章小结

3传感器的功能分析和数据库的构建

3.1传感器的功能分析

3.1.1传感器的定义

3.1.2传感器的组成与分类

3.2数据库的构建

3.2.1 Microsoft SQL Server 2000简介

3.2.2 SQL Server 2000构建传感器数据库（sensor DB)

3.2.3传感器约束库和实例库的创建

3.3本章小结

4传感器的效应及其效应知识库的设计

4.1.功能和效应

4.2效应的定义及其应用

4.2.1效应的定义

4.2.2效应的应用

4.3智能数据库的功能分析

4.3.1关系数据库与知识库的区别和联系

4.3.2关系数据库的特点及其建立知识库的优点

4.4关系数据库实现知识库的方法

4.4.1知识的表示

4.4.2采用关系数据库实现知识库的工作周期

4.4.3规则知识转化为适应数据表存储模式的分析

4.5本章小结

5推理机的设计

5.1推理机的定义

5.2算法的概述

5.2.1算法的定义

5.2.2算法的效率

5.3遗传算法的原理

5.4遗传算法对传感器效应的操作与优化

5.4.1问题的表示

5.4.2初始种群的产生

5.4.3计算适应度函数

5.4.4遗传操作

5.4.5算法的设计与实现

5.5不确定推理算法的设计

5.5.1知识的不确定性表示

5.5.2可信度推理算法

5.6推理机的设计

5.7本章小结

6概念设计智能启发系统的实现

6.1传感器概念设计智能启发系统的开发

6.1.1传感器概念设计智能启发系统的开发流程图

6.1.2 ADO.NET简介

6.1.3传感器概念设计智能启发系统主界面的开发

6.1.4数据库的开发

6.1.5推理机的开发

6.2本章小结

7结论与展望

7.1结论

7.2展望

参考文献

致谢

攻读硕士学位期间发表论文

作者简介