基于知识的物理产品开发问题解决方法对专家系统和应用的影响：X 5（2020）100025

专家系统与应用：X 5（2020）100025审查物理产品开发中基于知识的问题解决方法Peter Burggräf，Johannes Wagner，Tim Weißer锡根大学，国际生产工程和管理（IPEM）主席，保罗-博纳茨海峡。9-11，57076 Siegen，GermanyAr ticlei n f o ab st ract文章历史记录：收到2019年2019年9月20日修订2020年2月27日接受2020年2月28日在线提供保留字：制造问题解决产品开发知识系统案例推理机器学习低成熟度水平产品的制造（称为物理产品开发）需要知识密集型的不合格问题解决，但构成了工业中的主要困难。然而，由于产品开发过程中的故障成本呈指数级增长，因此必须尽早有效地补救问题。面对缩短的创新周期，解决问题的效率同时构成了一个竞争因素。因此，本理论综述的目的是分析有助于物理产品开发中基于知识的问题解决的相关方法，以综合一个全面的结构，并获得新的概念。后者显然来自自然语言处理，案例本体和机器/深度学习支持，嵌入在分布式基于案例的推理架构中。在此基础上，我们同样鼓励研究人员和专业人士提出新的研究，致力于解决物理产品开发中的问题© 2020由Elsevier Ltd.发布。这是CC BY-NC-ND许可下的开放获取文章。（http://creativecommons.org/licenses/by-nc-nd/4.0/）的网站上进行了介绍。1. 介绍人类问题解决能力的复制长期以来一直是信息系统研究中的一个持续主题（Kolodner，1983a，1992），这是由几乎所有社会领域的知识和复杂性的增加所驱动的。因此，基于知识的系统（KBS）应该再现人类的经验和分析技能，使其自动化，并通过卓越的计算能力超越专家的表现。后者尤其适用于知识密集型领域，如生命科学，IBM Watson构成了一种利用全球科学医学知识进行诊断的方法（Ying Chen，Elenee ElementinisWeber，2016），尤其是导致了互联网的创建（Berners-Lee，1992）。制造问题解决（MPS），在这项工作中的观察领域，构成了这些知识密集型领域之一。特别是在低成熟度水平下的产品制造（称为物理产品开发或生产集成），其中解决不合格问题构成了主要困难（Mikos，Espíndola Ferreira，Gomes& Lorenzo，2010）。物理产品开发是指∗通讯作者。电子邮件地址：p e t e r . uni-siegen.de（P.Burggräf），johannes. uni-siegen.de（J. Wagner），tim. uni-siegen.de（T.Weißer）。产品的物理构造，因此也是在实际系统中出现规划或概念不一致的区域。在大型制造商的原型和试验系列中，该阶段允许对冲适合批量生产的产品。对于小批量和按订单生产的制造商，物理产品开发之后直接转移给客户。随着产品开发过程中的故障成本呈指数级增长，创新周期缩短，产品开发过程中的问题解决成为一个竞争因素（SunZhao，2010）。在这方面，Pfeifer区分了问题解决周期的微观和宏观逻辑（Pfeifer，2002）。在微观层面上，问题是在组织实体的功能区域内解决的，例如，车间地板上的障碍。然而，问题的类型也可能对下游产品开发阶段产生严重的宏观影响，例如概念问题。在获得可持续的解决方案之前，这些问题将在多个组织实体（例如质量部门和研发部门）之间进行评估。由于问题仅仅通过症状出现，并且由于缺乏低成熟度水平的目标过程，因此现有组织知识的利用成为物理产品开发中的基本挑战。就公司https://doi.org/10.1016/j.eswax.2020.1000252590-1885/© 2020由Elsevier Ltd.发布这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）的网站上进行了介绍。可在ScienceDirect上获得目录列表专家系统与应用：X期刊主页：www.elsevier.com/locate/eswax2P. Burggräf，J. Wagner和T. Weißer/专家系统与应用：X 5（2020）100025性评估。其次，它支持高效的路由和问题的解决。一项对德国工业公司（航空航天、汽车、造船、特种机械）46名参与者的调查显示，组织知识的利用是产品开发中的一个常见问题，但仍然存在不足。其主要原因在于明确的专家知识的分散性、可访问性和可用性（Burggräf，Weißer& Wag-ner，2019）。通过进行系统性文献综述（SLR）作为本文的主题，可以识别出几个有说服力的概念、方法和事实，这些概念、方法和事实支持物理产品开发领域的问题解决。然而，这表明，一个连贯的文学体系仍然缺失。因此，我们分析发出的方法，并合成最有前途的到一个更高的秩序建设。作为我们观测领域的综合观点，后者将允许扣除研究领域和假设，我们鼓励通过专门的未来研究来解决这些问题。2. 基于知识的系统KBS可以被表征为存储在知识库中的领域专业知识的表示以及对该知识的分离处理。特别依赖于人类专家知识的知识库系统被称为专家系统（Beierle&Kern-Isberner，2014;Puppe，1990），因为在产品开发领域中经常出现这种情况。决策支持系统（DSS），也是KBS的一个子领域，与专家系统的不同之处 在 于 更 注 重 统 计 和 概 率 （ Henderson ， 1987;Mertens ，1991）。KBS可以通过它们的推理机制进一步区分。基于规则的系统依赖于预定义的规则集（例如谓词逻辑），它允许以费力的规则定义为代价进行明确的推理。基于案例的系统通过相似性度量以相对有效的方式检索历史知识，但是，以模糊性和推理解释为代价（Beierle Kern-Isberner，2014）。这两个系统都被归类为人工智能（AI）的子领域。基于规则的系统在面对更高的动态性和复杂性时表现出经济上的劣势（Aamodt和Plaza，1994;Holzapfel，1992），因为规则集的初始支出和维护在某些时候超过了生成的价值。由于基于案例的系统对复杂问题陈述显示出很高的诊断潜力（Heller，2003;Park，LeeShon，1998），因此它们构成了这项工作的起点。3. 现有审查在进行预期的文献研究之前，简要概述与该主题相关的最新综述，以确定我们的文献研究是否以及如何对文献本身做出贡献（Creswell，2014）。在他的全面概述中，S. H. Liao确定了知识管理技术在制造和开发领域的相关性（Liao，2003）。这些同样是物理产品开发中的主要（交叉）焦点领域。我们对现有审查进行了相应的调查，并通过对问答系统的审查进行了扩展。3.1. 制造领域Kasie，Bright和Walker（2017）讨论了制造领域中基于仿真的决策支持和基于AI的推理的基本知识概念。主要建立在今天被 认 为 是 标 准 文 学 的 基 础 上 （ AamodtP l a z a & ，1994;Belz&Mertens，1996;Kolodner，1992），他们提出了一个理论框架，集成模拟和知识为基础的方法。Harding、Shahbaz、Srinivas和Ku- siak（2006年）进行了一项综述，重点关注数据挖掘，根据文献中的专用方法，他们在13项工业活动（例如工程设计、车间地板控制、故障检测）中定位并描述了基于知识的支持。对于制造业中更广泛的人工智能，存在更多的评论（Burggräf，Wagner& Koke，2018; Perzyk，Kochanski ， Kozlowski ，Soroczynski&Biernacki，2014;Wuest，Weimer，Irgens &Thoben，2016），然而，他们这样做是以牺牲我们观察领域的解释力为代价的。3.2.开发领域La Rocca（2012）对基于知识的工程（KBE）的演变、通用操作模型、最新的KBE语言和商业软件进行了广泛的概述。在他的研究中，拉罗卡利用了飞机领域的例子。与Kasie等人相反，他引用了最近的文献，尽管主要是基于规则的方法。3.3.QAS域Mishra和Jain（2016）基于不同标准对现有方法进行分类，以及Calijorne Soares和Par- reiras（2018）侧重于统计，对QAS进行了系统性文献综述。此外，Mishra和Jain合成了一个用于处理自然语言请求和基于知识的响应的通用模型。通过回答他们各自的研究问题，他们提供了一个全面的代表性的最先进的质量保证体系领域。据我们所知，没有评论文章解决基于知识的问题解决物理产品开发中的制造问题解决在早期开发阶段的综合视图。更高层次的概念AI研究以及算法层面的研究都在构建我们研究的潜力。与物理产品开发相邻的领域特定方法展示了针对其自身问题陈述的有前途的方法。因此，本研究的应用背景尤其重要，具有一定的理论和实践意义。另一个发现是，许多已识别的调查甚至文献综述都是以叙事方式进行的，这使得追溯所介绍文章的选择以及已识别的概念和综合变得复杂（Paré、Trudel、Jaana& Kitsiou，2015）。在进行这项工作的审查时考虑到了这一点。4. 方法在新兴的信息系统（IS）研究领域，发表了大量的科学研究，其中文章和期刊的数量每年都在增加（Peffers& Hui，2003;Peffers& Ya，2003）。尽管基于知识的系统的更大领域已经提供了领先的和广泛接受的概念（Akerkar& Sajja，2010;Richter& Weber，2013），但跟踪最近的研究社区及其发现需要频繁的调查（Woodward，1977）。在这方面，系统文献研究的贡献在于揭示当前的理论基础（Paré等人，2015年）描绘的概念模型（韦伯斯特&沃森，2002年）。此外，它有助于证明 特 定 研 究 项 目 的 相 关 性 和 严 谨 性 （ Vom Brocke 等 人 ，2009），根据设计科学的指导方针（Hevner，March，Park&Ram， 2004; Ivari，2007; Peffers ，Tuunanen ，Rothenberger&Chatterjee，2007）。这项工作的审查方法是以概念为中心，有利于概念化的主题作为调查P. Burggräf，J. Wagner和T. Weißer/专家系统与应用：X 5（2020）1000253表1根据Cooper（1988年），对所进行的审查进行了分类。特征类别重点研究方法研究成果理论实践或应用目标一体化批评确定中心问题观点中立的表述支持立场覆盖详尽无遗的有选择的引用代表性的中央或中央组织历史概念方法论受众专业学者一般学者从业者或政策制定者一般公众图1.一、 程序框架，根据Vom Brocke等人。（2009年）。（韦伯斯特·沃森，2002年）。作为审查的结果，文章样本根据确定的理论和应用（Cooper，1988）进行展示，并综合成重要发现的关键概述（Jaidka，Khoo Na，2013 b）。根据Cooper的说法，审查是定性分类的，如表1所示。这项工作的方法是根据Vom Brocke等人的程序模型构建的。图1）。Vom Brocke等人的模型致力于信息系统研究，作为选择的主要标准（Torraco，2005）。它在审查理论中被广泛接受（Paré et al.，2015），尤其是它为领域和过程特定的检查提供了自由行动。5. 开展审查随后，根据程序模型的阶段I-V执行审查过程。5.1. 审查范围本理论综述的范围是在物理产品开发中解决问题的背景下提供概念、工件和关系的高阶理论结构（Jaidka，Khoo& Na，2013 a; Paré等人，2015年）。组织先前的研究并识别相互关系和模式，从而有助于识别和突出信息系统、制造和产品开发研究之间的知识差距（参见第3节）。本理论综述的目的（Paré etal.，2015）因此，不仅是文学的聚合形象，而且还为观察领域发 展 了 一 种 综 合 概 念 化 （ Jaidka et al. ， 2013 b; Torraco ，2005）。因此，这导致了以下研究问题：在物理产品开发中，什么是基于知识的问题解决的RQ1.1：存在哪些具体的概念化，它们如何应用于观察领域的约束RQ1.2：在物理产品开发中，最先进的方法和算法是什么？RQ1.3：如何将这些方法和算法整合到整体方法中？在物理产品开发过程中，这些文献对未来的问题解决研究有何贡献？5.2.专题的概念化即使是旨在从文献中综合知识的综述，也强烈依赖于关于主题的先验知识，搜查程序的正确执行 从第1节和第2节中给出的解释和定义，以及10篇致力于基于知识的自主问题解决的博士论文的综合观点，与我们的观察领域最相关的概念被识别并映射到主题（Rowley& Slack，2004）。通过这种方式，确保使用可在文献中找到的概念。如图2所示，概念化集中了物理产品开发领域中解决问题的基于知识的方法。鉴于第1节中的关键挑战，我们扩展了基于知识的方法领域，并引入了机器学习（ML）的概念，以识别专门用于问题分类任务的文献。同样，微观层面的制造问题解决和宏观层面的质量管理被添加到我们观察领域的高阶问题解决任务中。物理产品开发领域最终由其相邻的过程阶段补充。图2中描述的概念代表了在第III阶段文献检索中查询科学数据库5.3.文献检索在信息系统研究的动态领域，新方法和新技术的发表频率很高，因此，依赖具有足够科学质量的出版物就变得更加关键（Levy&J. Ellis，2006）。因此，只有经过同行评审的国际期刊才被视为研究和数据库的 标准，只要可能。检索过程中考虑论文的其他质量标准定义如下：1 学术文章，发表在同行评议的学术期刊或会议论文集上2 用英语写的文章3 与工业问题解决相关的文章异或知识系统理论4 所有从1985年到2018年底发表的文章5 过去20年的文章进行深入分析描述了第三阶段的后续文献检索过程图3.第三章。5.3.1.文献采访对于产品工业化和信息系统研究这两个领域，以下数据库被认为是相关的，并共同形成最大的数据基础（参见：比较4P. Burggräf，J. Wagner和T. Weißer/专家系统与应用：X 5（2020）100025图二. 根据Rowley和Slack（2004）的程序选择主题/概念图的概念化。表2分组搜索项的可能搜索组合。S=[项， 同义词，上位词，翻译a) 组合（S1+ S2+ S3）b) 交叉检查（S1+ S2）、（S1+ S3）、（S2+ S3）c) 个体（S1）、（S2）、（S3）这些组合的结果可以从利用a）的零数据库命中到利用b）或c）的数百万偏离主题的命中。因此，我们建议更灵活地利用选项a），并在生成的数据库命中太少的情况下将模糊搜索项（图2）（Rowley Slack，2004）添加到一个组中或者如果接收到太多结果，则从组中排除模糊搜索项（Vom Brocke等人，2009年）。通过这个过程，可以控制与主题相关的结果的数量。图4描述了1985年至2018年与观测领域相关的出版物数量（堆叠），这些出版物按技术分类，因此按S1组的搜索词分类。如下图所示，专家系统（包括基于规则的方法）在观测领域的科学研究中占据主导地位，并在1990年达到顶峰。在2010年左右，所有信息技术方法仍然经历了几乎相同数量的科学贡献。 然而，专家系统和基于案例的（推理）方法从2016年开始出现下降。与此相反，最近机器学习相关出版物的博览会式增长表明人们对新发现的期望很高。它还表明了它的关系，在复杂的制造环境中解决问题图3.第三章。 文献检索过程，基于Vom Brocke et al. （2009年）。Levy 和 J. Ellis 在 数 据 库 索 引 期 刊 上 的 程 序 ） ： Pro-Quest ，Elsevier ，IEEE ，ACM ，JSTOR ，Web of Science ，Thomson ，Wil- son，INFORMS。一种流行的搜索策略是交替组合（参见。表2）的分组检索词（参见图2）依赖通过标题、摘要和关键字生成的数据库结果的数量。5.3.2.文献评价方法在SLR期间的文献评价阶段，研究者必须阅读数百至数千篇标题和摘要，以确定其观察领域的潜在文章相关性。然而，这种常见的人工评估有两个主要缺陷。首先，它是非常劳动密集型和容易出错。其次，所应用的评价标准和项目本身对读者是不可见的，这就造成了客观性问题。因此，我们提出了一个有效的方法论文献过滤程序，并将应用的标准暴露给读者。为了评估包含3321个元素的语料库中的文章相关性，我们根据标题和关键词进行聚类，以确定有助于回答我们研究问题的领域，概念和方法（Cooper，2009）。因此，与主题无关的已识别领域、概念和方法可用于过滤数据库的有效性和效率。分别用于文档标题和作者关键字的聚类流水线如图所示 。五、标题是矢量-P. Burggräf，J. Wagner和T. Weißer/专家系统与应用：X 5（2020）1000255见图4。 从1985年到2018年，与物理产品开发中基于知识的问题解决相关的出版物分布。图五、 用于分析文档标题和关键字的聚类管道。图六、 根据所包含的标题数量和分别为十个最相关的词的十个最大的聚类。用TF-IDF测量的向量系数（每个文档的词频与该词的逆文档频率的比率）来进行量化。为了获得更好的聚类结果，通过潜在语义分析（LSA）进行降维，如Aggarwal和Zhai（2012）以及Adinugroho，Sari，Fauzi和Adikara（2017）所提出的。为了接收每个聚类的最具代表性的特征（词）然后通过t分布随机邻居嵌入将球形k均值聚类输出减少到二维，如Maaten和Hinton（2008）所提出的。图6分别显示了十个最大的聚类和十个最相关的特征（单词）。通过修剪最初用于文献搜索的术语实现了更好的聚类结果（参见图2）从每个标题，因为他们没有提供任何新的概念见解。我们还观察到对关键字的更好的聚类结果（聚类内的平方距离之和较低），但是，可能不像标题那样具体地代表作者的主题。这归因于关键词数据噪声较小的事实，因为作者有意识地尝试为其关键词选择通用的和广泛接受的概念或方法，以增加定位性。通过分析检索到的集群，四个主要主题（域，任务，操作和方法）进行了识别和表征。它们用于通过标题、摘要和关键词来过滤语料库。最常见的主题见表3。考虑到这些主题和研究问题，过滤的质量标准如下（Kitchenham等人， 2009年）：QC1：所处理的域和操作优先具有稀疏重复性，这排除了与任何批量生产阶段相关的操作。QC2：由于本综述关注的是后验问题解决，因此排除了专门用于先验任务（如计划、调度或平衡）的出版物。6P. Burggräf，J. Wagner和T. Weißer/专家系统与应用：X 5（2020）100025表3基于聚类分析的语料库特征化。域任务操作方法半导体整平机器人交互模糊系统/逻辑印刷电路板规划机器人控制本体电子平衡制造单元遗传算法铣削加工自然语言处理（NLP）制药诊断研磨网络物理系统（CPS）食品饮料维护焊接机视觉钢材参数化热轧决策支持系统（DSS）纸张选择- 材料- 固定- 线- 机器- 供应商组装失效模式和影响分析（FMEA）产品生命周期管理（PLM）发明问题解决理论（TRIZ）水处理产品开发K-最近邻（KNN）支持向量机（SVM）支持向量机（SVM）航天铸造朴素贝叶斯飞机优化设计贝叶斯网络的建立轴承排序焊接人工神经网络（ANN）造船机械加工增材制造强化学习开发决策树QC3：专注于算法开发而非方法学/特定领域应用的出版物已归档，但保留在一旁。通过基于标准QC 1 -3分析和过滤标题和关键词，选择了292篇文章。摘要分析后，88篇文章仍需阅读全文进行分析。剩余的37篇文章用于进行两阶段的前向和后向检索，以识别数据库检索词可能未涵盖的模型、理论和结构，并同样识别潜在的研究群体（Levy J. Ellis，2006）。通过这一过程，识别出15篇相关出版物，最终形成52篇文章的最终数据集，用于IV期的进一步分析和综合6. 结果（RQ 1）本理论综述的目的是将相关概念和实证研究纳入更高层次的结构，以描述文献主体如何有助于我们的问题状态，并为未来的研究提供切入点（Paré等人，2015年）。因此，来自不同工作流的概念和工件被分析和合成，以揭示有助于我们研究问题的相互关系（参见第4节）。由于观察领域意味着应用信息科学的多种特征，我们提供了嵌入（子）主题和相应元摘要的层次结构。因此，正如Jaidka等人（2013 b）所提出的那样，促进了综合观点。尽管有一些文章追求复杂领域中基于知识的问题解决的程序或组织模型（Axelsdottir，Nygaard Edwards，2017;Fjällström，Säfsten，HarlinStahre，2009;Jiang，Zhao，Tang Wang，2008; Nedeβ Ja-cob，1997），但绝大多数文章都包括信息系统方法。相当多的方法旨在监督学习支持问题检测或高阶算法的优化，而大多数方法适应或引用Aamodt和Plaza以及Kolodner的基于案例的推理（CBR）理论。尤其是因为作为CBR和ML的基础，有几篇文章关注自然语言处理以访问组织知识。因此，已识别的概念和工件集中在以下一个或多个类别，作为回答研究问题RQ1的副主题1 领域特定概念化2 NLP方法3 基于CBR的方法4 ML方法6.1. 特定领域概念化（RQ1.1）大多数文章试图提供开发的概念和工件的通用适用性，尽管它们各自的特定领域实现（例如，用于软件原型的数据或目标系统）揭示了流行的工业应用领域。在这方面，所有出版物都集中在复杂产品（如汽车或重型机械）或复杂过程（如半导体制造），其中类似的概念（例如，基于案例的故障诊断）可以在不同的行业领域中找到。除此之外，大多数文章都集中在运营价值创造的某个阶段（开发，制造，售后），以确定相应的方法并进行分类。重建专家知识的总体概念（如Kolodner，1983 b中最初描述的）被发现在所有基于案例的方法中普遍存在。在该领域中，可以区分两个主要概念：一方面，CBR被主动地用于知识转移以支持决策制定，例如，估计开发成本或从以前的故障中进行预防性学习。另一方面，构成诊断的主要部分，CBR反应性地用于受多维问题影响的复杂系统的诊断。当特定领域的数据不完整、太广泛或太多维时，不允许进行线性分析，方法往往是机器学习。关于这一点，主要的概念流被发现用于监督学习，使制造业中的故障预测。而知识丰富（例如通过关联规则），故障诊断和算法优化的贡献较少。表4按照业务价值创造的阶段、概念化和一般方法对所有52个条款进行了分配。6.2.在物理产品开发中实现基于知识的问题解决的最先进工件（RQ1.2）表4中的所有文章都专门致力于我们观察领域的一个或多个整体领域但P. Burggräf，J. Wagner和T. Weißer/专家系统与应用：X 5（2020）1000257表4相关条款概述以及根据各自概念的分配。相上一页/预测/反应过来方法目的文章发展知识CBR参数估计Chen等人（二零零八年）转移CBR，ML参数估计Relich和Pawlewski（2018）符号知识表示Klein，Luetzenberger and Thoben（2015）ML知识生成李和吴（2018）NLP数据采集查克拉巴蒂等人（2017年）制造诊断CBR解决问题Cândea等人（2014年）CBR解决问题Camarillo等人（2018年a）CBR解决问题Camarillo，Ríos和Althoff（2018年b）CBR解决问题Camarillo等人（2017年b）CBR解决问题Mikos等人（二零一零年）CBR，ML解决问题Liu和Ke（2007）ML故障检测Bastani，Kong，Huang，Huo和Zhou（2013）ML故障检测Blanchart和Gouy-Pailler（2017）CBR，ML失效分析Yang等人（2018年）CBR知识表示Gluhih和Akhmadulin（2017）知识CBR参数估计Albertzis等人（2017年）转移CBR参数估计Willmann，Serral，Kastner andBi Bin（2013）CBR解决问题Mikos等人（二零一零年）监测ML故障检测Jiang等人（2008年）ML故障检测Wuest，Irgens and Thoben（2014）通用概述概述Wuest等人（2016年）预测ML质量预测Tsironis等人（2005年）售后诊断CBR，ML失效分析Liao等人（2000年）CBR，ML失效分析Liao（2004）CBR，ML失效分析Zhu等人（2015年）CBR失效分析太阳和Ni（2011）启发式，RBR失效分析Azarian，Siadat和Martin（2011）CBR解决问题Ding and Sheng（2010）CBR解决问题Gao等人（2008年）RBR、CBR解决问题Deng等人（2014年）NLP数据采集Abramovici等人（2018年）CBR，NLP数据采集Reuss等人（2016年）ML故障检测Ko等人（2017）CBR维护Reuss，Hundt，Althoff，Henkel和Pfeiffer（2014）知识CBR失效分析亚当和奥里希（2013）转移CBR，ML知识生成Oevermann和Ziegler（2016）CBR，ML决策支持Reuss，Stram，Althoff，Henkel和Henning（2018）NLP数据采集Reuss等人（2015年））预测ML质量预测02 The Dog（2008）所有阶段诊断CBR解决问题05 The Dog（2009）CBR解决问题Camarillo，Ríos and Althoff（2017）过程模型解决问题Axelsdottir等人（2017年）概述解决问题03 The Dog'sFavorite（2003）知识ML知识生成王（2008）转移CBR解决问题Nedeβ和Jacob（1997）NLP解决问题Zenkert等人（2018年）通用CBR知识表示杨和陈（2006）CBR知识表示巴赫（2018）通用通用CBR维持案例库Reuss和Althoff（2013）CBR维持案例库Reuss和Althoff（2014）CBR维持案例库Chebel-Morello等人（2015年）诊断CBR失效分析Chebel-Morello等人（二零一三年）没有任何文章可以识别出我们的研究作为一个整体，这表明进一步调查的必要性的问题声明。应用知识为基础的和机器学习工件，因此分别分析其潜在的物理产品开发过程中的问题解决。这就创造了将它们聚合成更高阶解构造的前提条件，同样，可以提供为 为今后的研究奠定基础。6.2.1.NLP方法在运营过程中，公司积累了大量关于产品、流程、问题和解决方案的经验知识，构成了未来问题的宝贵资源（Köksal，Batmaz& Testik，2011）。然而，复杂领域的问题解决需要跨学科的专业知识（Abramovici，Gebus，Göbel &Savarino，2018），这些知识是文本记录的，因此使有效的重用复杂化（Reuss等人，2015年）。更准确地说，人工定位和评估大量的非结构化数据是费力的，影响了其可访问性和可用性（参见，第1节）。因此，要有效地利用这些组织知识，首先需要具备机器可读性。其中七篇文章专门讨论了这个问题，旨在将文本文档转化为可比较和可评估的知识。所有相应的NLP方法都使用文本的向量空间表示来实现此目的，从而实现数学可解释性。Abramovici等人提出了一种在售后技术人员生成数据期间关注数据质量保证的过程。因此，他们的NLP管道具体包括拼写校正，通过产品生命周期管理（PLM）的数据丰富，以及检查案例完整性的分类模型。这导致增强的情况一致性，从而增强数据的可评估性和互操作性。Reuss等人（2015年），2016年）引入了一个管道来处理飞机区域内的新病例报告（由客舱8P. Burggräf，J. Wagner和T. Weißer/专家系统与应用：X 5（2020）100025机组人员、飞行员或维修技术人员）。这尤其是通过基于图的相似性预评估（通过社会网络分析）、用于分布式案例库的案例聚类和特征权重的敏感性分析来实现的。Chakrabarti等人试图将从飞机装配执行到装配规划阶段获得的专家知识重新整合。他们的方法是为完全非结构化的文本去重而设计的。通过基于字典的情感分析，一个新的情况下，最初检查潜在的问题。知识发现，失败的原因和影响，然后提取句子使用的线索词模式。Oevermann和Ziegler占据了类似的文档分析范围，并演示了工业工程中技术产品文档的文本组件分类。Zenkert等人提出了一种多维数据中知识发现的通用方法。因此，他们讨论了知识图、文本处理和可视化建模的形式化，并展示了他们的知识发现过程的原型实现。所有上述文本处理方法都可以显著有助于解决物理产品开发中 的 问 题 ， 因 为 它 们 可 以 访 问 和 利 用 相 关 的 专 家 知 识（Madhikermi，Kubler，Robert，Buda Främling，2016）。此外，在这种情况下，NLP的应用构成了在人工智能领域追求方法的基础。表5中所示的不同NLP流水线特别表示并依赖于相应输入数据的不同结构化程度。根据个别目标，它们也可以互补地应用。6.2.2.基于CBR的方法如前所述，涉及案例推理方法的文章数量最多。该方法的目标是检索以前的问题的情况下，这是类似的一个当前的问题陈述。重新利用检索到的案例信息可以显著加快解决问题的过程。通过修改以前的解决方案，并保留它作为一个新的情况下，一个不断增长的知识库。在下文中，CBR文章讨论了其在应用环境中的特点：工业数据的案例表示，相应的检索机制和建筑系统集成。确定了三个出版物，重点关注特定应用领域的知识表示的实际创建。在积极方面，Klein等人，建议将SysML改编为KbeML，作为基于知识的工程和协同设计的标准化符号。Gluhih和Akhmadulin利用基于树的方法来支持制造业中的一个通用的方法是由K.-J.Yang和Chen，提出了用于本体建模的资源描述框架（RDF）。通过提供语义信息，它们也有助于知识发现。尽管所有这三种方法都能提供良好的推理结果，但它们并没有使引入新案例表示的成本效益比成为讨论的主题。 然而，它Holzapfel，1992年，关于知识系统的盈利能力表6给出了关于其利用现有病例数据的方法分类。可以确定的是，在先验案例结构上花费的精力越多，后验推理机制需要的复杂程度就越低，反之亦然。对于推理，用产品概念知识（例如物料清单-BOM或PLM数据）丰富问题案例也是有益的，如Gao等人，Willmann等人，Abramovici等人，Camarillo，Ríos and Althoff（2017 b），2018 b）也证明了这一点。表5NLP管道的文章致力于知识的获取和生成。Abramovici等人Reuss等人（2015年）;Zenkert等人（2018Oevermann和Ziegler（2016）查克拉巴蒂等人（2017Liu和Ke（2007）拼写校正词性标注（POS）词形化PLM同义词库完整性分类POSNER话题检测（tf-idf/LSA）情感分析语义三元组提取POSN-grams词形化同义词/上位词/同义词词典聚类敏感性分析n元特征加权，tf-idf组件分类情绪分析因果分析参数识别表壳折叠和阀杆停用词去除术语加权（tf-idf）P. Burggräf，J. Wagner和T. Weißer/专家系统与应用：X 5（2020）1000259表6根据病例发展和代表性数据库对文章进行分类知识表示新案例形成/转换利用现有案例结构FMEACamarillo等人（2017 a），2017 b，2018 a，2018 b）Reuss等人（2016年; 2014年; 2018年）Mikos et al.（2010）Semi-structured dataMikos et al.（二零一零年）Liao等人（2000年）Oevermann和Ziegler（2016）结构化数据Ko et al.（2017）Azarian et al.（2011）Azartzis et al. （2017年）Sun和Ni（2011）Tsironis等人（2005）Cândea et al.（2014）Li and Wu（2018）Yang et al.（2018）Chen et al.（二零零八年）AdamandAurich（2013）Abramovici etal. （ 2018 ） Deng et al.（2014年）Gao et al.（2008）Liu and Ke（2007）Bastani et al. （二零一三年）Blanchart和Gouy-Pailler（2017）Ding和Sheng（2010）Jiang等人（2008年）Lolas and Olatunbosun（2008）Willmann et al. （二零一三年）在相当数量的文献中，FMEA的不同表现形式被发现是半结构化数据的有效案例格式。特别是在复杂的环境中，问题、原因、解决方案三元组的Meta分类构成了直观而普遍的案例结构.在来自缺陷对象的数字案例数据方面，例如发动机控制单元（Azarian等人），或来自制造设备（Jiang等人），方法集中于用于检索或ML应用的分类特征工程。与非结构化数据相反，数值或分类数据更适合于可量化评估的表示，例如树结构（Azarian等人）。知识检索从知识库中，通过应用以前的情况和参数的当前问题的情况之间的相似性测量。在这方面，选择适当的度量以及案例库组织是检索的关键成功因素（Zhu，Hu，Qi，MaPeng，2015）。它们允许对已识别的方法进行分类。如前所述，数值数据将允许分层结构的表示，因此可以进行精确的基于 树 的 推 理 （ Blanchart&Gouy-Pailler ， 2017;Chen ， Chen ，Chu& Kao，2008; Tsironis ，Bilalis&Moustakis ，2005 ）。然而，在物理产品开发中，问题的解决，而依赖于显式的专家知识的重用，因此，我们专注于半结构化数据的检索。向量空间距离（主要是欧几里德距离）是已识别文献中主要应用的相似性度量（Cândea，Kifor& Constantinescu，2014;Liao，Zhang& Mount ， 2000;Liantzis ， Boli& Fotia ， 2017;Sun& Ni ，2011）。除此之外，余弦相似性证明也适用于较大的文本比例，如Liu和Ke所应用的。对于相同的范围，卡马里奥等人使用分类树作为分层相似性度量。k最近邻（kNN）算法是大多数作者应用 的 检 索 机 制 （ Adam& Aurich ， 2013;Chebel-Morello ，Haouchine& Zerhouni，2013; Deng，Wen，Zhou，Wang&Chen，2014;Liao 等 人 ， 2000;Relich& Pawlewski ， 2018; Yang&Chen ，2006）。在文献中，kNN表现出广泛的适用性，特别是对于分类病例比例。虽然这不是一个主题的讨论中的任何文章，检索方法的分析产生的实质性依赖的检索机制的数据类型和情况下的结构。因此，应明确注意数据预处理（例如：用于kNN检索关键字提取针对制造领域中复杂问题的求解，Camarillo等人提出了一种半结构化数据的混合相似性方法。因此，它们最有可能满足物理产品开发的要求。在16篇文章中，提供了架构工件，以演示CBR系统的集成。总的来说，很明显，知识发现是一个广泛共享的体系结构组件，并且强烈依赖于相应的案例表示。它允许通过自动化数据处理管道