(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111329909.8 (22)申请日 2021.11.10 (71)申请人 中国矿业大 学 地址 221008 江苏省徐州市大 学路1号 (72)发明人 孙晓燕　陈巡　李梓民　张勇　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 代理人 陈月菊 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/18(2020.01) G06K 9/62(2022.01) (54)发明名称 一种基于图神经网络的复杂产品解构重组 模块化方法 (57)摘要 本发明公开了一种基于图神经网络的复杂 产品解构重组模块化方法， 包括： 收集原始数据； 将原始数据优化为有效数据； 从度矩阵d中， 按照 度由高到低的顺序选取R个度较高的节点定义为 重要节点， 通过计算各重要节 点之间功能特征的 余弦相似度， 确定产品功能模块数量k； 解构重组 复杂产品连接关系； 对每个功能模块进行分析， 对误划分进其他功能模块进行重新分配， 寻找功 能模块间变更传播连接零部件。 本发 明能够从复 杂产品零部件自身显性特征与结构信息隐含相 邻零部件的隐形特征双重特性考虑复杂产品模 块化处理， 实现更加高效精确的复杂产品描述。 权利要求书3页 说明书6页 附图1页 CN 114254552 A 2022.03.29 CN 114254552 A 1.一种基于 图神经网络的复杂产品解构重组模块化方法， 其特征在于， 所述模块化方 法包括以下步骤： S1： 收集原始数据， 原始数据包括复杂产品的服务性能、 零部件名称、 零部件间耦合关 系和零部件功能特 征； S2： 对原始数据进行 预处理， 将预处 理后的原 始数据优化 为有效数据： 对复杂产品n个节点进行编号， 构建复杂网络设计结构矩阵模型A来描述各零部件连接 关系， 设计各零部件功能特征矩阵X描述各零部件的功能特征， 设计每个零部件的度矩阵d 来表达每 个零部件 含有多少连接关系； S3： 从度矩阵d中， 按照度由高到低的顺序选取R个度较高的节点定义为重要节点， 通过 计算各重要节点之间功能特 征的余弦相似度， 确定产品功能模块数量 k； S4： 解构重组复杂产品连接关系： 采用图自编码器聚合零部件与周围零件之间的特征作为零部件自身的隐含特征Z； 对 于最终获取的隐含特征Z， 根据步骤S3获得的模块个数k， 采用FCM算法对其进行模糊聚类， 输出每个零部件 对各模块的隶属度矩阵： 选取每一个零部件Mi， j最大值， 并认为此零部件属于 Mi， j对应的模块； S5， 对每个功能模块进行分析， 对误划分进其他功能模块进行重新分配， 寻找功能模块 间变更传播连接零部件。 2.根据权利要求1所述的基于图神经网络的复杂产品解构重组模块化方法， 其特征在 于， 步骤S2中， 对原 始数据进行 预处理的过程包括以下步骤： 对原始数据进行完整性分析， 删除错 误数据， 修复或者补充异常数据。 3.根据权利要求1所述的基于图神经网络的复杂产品解构重组模块化方法， 其特征在 于， 步骤S2中， 将预处 理后的原 始数据优化 为有效数据的过程包括以下步骤： S21： 对复杂产品n个节点进行编号， 分别为A1， A2， A3...An； S22： 构建用于描述各零部件连接关系的复杂网络设计结构矩阵模型A： 式中， ai， j＝1代表零件i和零件j存在连接关系， ai， j＝0代表零件i和零件j不存在连接 关系； S23： 设计用于描述各零部件的功能特 征的各零部件功能特 征矩阵：权　利　要　求　书 1/3 页 2 CN 114254552 A 2式中， 矩阵X中的元素xα， β代表第α个零部件的第β个属性值， α＝1， 2， ...， n， β＝1， 2， ...， m； S24： 设计每 个零部件的度矩阵 来表达每个零部件 含有多少连接 关系， 度矩阵d中的元 素 代表有 个零部件与第α 个零部件相连接 。 4.根据权利要求3所述的基于图神经网络的复杂产品解构重组模块化方法， 其特征在 于， 步骤S3中， 确定产品功能模块数量 k的过程包括以下步骤： 从度矩阵d中选取R个度较高的节点， 计算各重要节点之间功能特 征的余弦相似度： 式中， A(R)d代表从度 矩阵中选取的度较高零部件的子集， 与 代表在选取较高度 子集中零部件的特 征； 将相似度较高的重要节点作为 一个功能模块类， 最终确定功能模块数量 k。 5.根据权利要求3所述的基于图神经网络的复杂产品解构重组模块化方法， 其特征在 于， 步骤S4中， 采用图自编码器聚合零部件与周围零件之间的特征作为零部件自身的隐含 特征Z的过程包括以下步骤： 将邻接矩阵A与特 征矩阵X输入到GAE中的编码器GAT网络进行零部件权 重分配： 式中， 与 代表上文中的特征矩阵X通过图神经网络提取之后输出的零部件隐含特 征， Leaky  ReLU是神经网络 激活函数， W与 是神经网络参数， exp代 表softmax激活函数； 并通过图神经网络提取 出零部件隐含特 征的最初形式： 使用GAE中解码器与编码器联合优化得到最终隐含特 征：权　利　要　求　书 2/3 页 3 CN 114254552 A 3