智能产品服务生态系统的模块生成方法及系统

1.本发明属于智能设计技术领域，具体涉及一种智能产品服务生态系统的模块生成方法及系统。


背景技术：

2.智能产品服务生态系统模块化是实现生态系统高效规划、设计、构建的有效途径，有助于动态满足智联网环境中对大规模个性化服务定制需求，并帮助企业降低开发成本、缩短交付周期、简化服务模块组合以及柔性响应市场需求。
3.智能产品服务生态系统环境下的智能产品服务模块不仅包含来自物理服务空间的实体活动或资源组件，还包含以实现数据监测、诊断、预测、指导等智能功能的赛博服务活动或资源组件。这些组件为具有独立功能的服务活动或资源，按一定流程或关系构成的组件包，以支撑不同属性的服务功能。利用智能产品服务模块作为生态系统配置的基本单元，可有效减少生态系统方案的设计冗余和成本，提升设计资源效率，简化配置过程，并且可大幅增加生态系统中的智能产品服务多样性，丰富多范围多类型用户的选择空间。智能环境下产品服务的基本构成元素，不仅涉及到物理空间的服务人员、服务过程、服务活动，还涉及到赛博空间的数据采集与管理、数字孪生仿真与预测、数据计算与分析、赛博服务功能与应用等，这些要素带来了智能产品服务组件模块化的迫切需求。
4.然而，现有对智能产品服务组件识别与模块生成的相关研究，存在以下瓶颈与不足：（1）针对产品服务组件识别的方法和工具，如质量屋、产品服务蓝图、设计结构矩阵、功能相关性分析和加权有向图等，未能考虑到智能产品服务运行过程中赛博物理空间的交互关系；（2）产品服务组件关系识别与评估的方法主要考虑组件之间的功能相关性、服务流相关性和物质流相关性，缺乏考虑智能产品服务运行过程中多个运行域和资源域之间的数据、知识等交互关系，并且现有的相关性评估方法未考虑评估过程中的混合不确定性；（3）已有的产品服务模块划分方法，如聚类算法、映射矩阵、模糊图、传递闭包法、形态矩阵等，在处理模块划分中具有一定的优点，但也普遍存在效率较低、易陷入局部最优、初始中心点选择不同、划分结果不统一的低鲁棒性等缺点，并且这些方法不能提供直观的可视化划分过程，缺乏提高理解划分过程和最优方案选择机制的工具。
5.因此，针对智能产品服务生态系统组件识别与模块划分过程，有必要建立一种更加全面、高效的智能产品服务生态系统的模块生成技术，从而为实现生态系统设计方案的快速配置提供良好基础，助力生态系统高效规划、设计、构建。


技术实现要素：

6.基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多
个的一种智能产品服务生态系统的模块生成方法及系统。
7.为了达到上述发明目的，本发明采用以下技术方案：
8.一种智能产品服务生态系统的模块生成方法，包括以下步骤：s1、识别智能产品服务生态系统的所有服务组件；s2、基于粗糙模糊数和相关性矩阵的共智关系评估方法对服务组件之间的共智关系进行评价，得到服务组件之间的共智关系相关度，并根据所有服务组件之间的共智关系相关度构建得到共智关系评估矩阵；s3、将共智关系评估矩阵作为无向加权复杂网络模型的邻接矩阵，构建服务组件网络模型，并利用gn算法计算得到最大模块度对应的模块划分数量，根据模块划分数量生成智能产品服务生态系统的服务模块。
9.作为优选方案，所述步骤s1包括以下步骤：s11、对智能产品服务生态系统进行服务范围层、服务系统层、服务模块层、服务组件层的分解；s12、基于物理场景运行域、赛博场景运行域、赛博服务运行域、赛博资源域、物理服务运行域、物理资源域定义智能产品服务运行过程的运行域，得到服务模块的赛博物理结构模型和赛博物理结构要素；s13、根据服务模块的赛博物理结构模型和赛博物理结构要素，构建赛博物理产品服务蓝图，以识别智能产品服务生态系统的所有服务组件。
10.作为优选方案，所述赛博物理产品服务蓝图包括六条分界线和七种类型服务组件；六条分界线包括产品服务分界线、物理赛博分界线、活动域与赛博资源域分界线、活动域与物理资源域分界线、数据与仿真分界线、数据与服务分界线六条分界线；七种类型服务组件包括场景相关活动、用户介入的场景活动、场景相关赛博资源、物理资源、服务相关活动、用户介入的服务活动、服务相关赛博资源；所述赛博物理产品服务蓝图表示智能产品服务运行过程中涉及的服务组件，还表示服务组件之间的交互关系。
11.作为优选方案，所述步骤s2中，共智关系的评价指标包括服务需求相似度和相关性指标，相关性指标包括功能相关性、服务流相关性、智慧流相关性和资源相关性。
12.作为优选方案，所述服务需求相似度的评价过程包括以下步骤：（1）构建n个服务组件与t个服务需求的相关性群体语义评估矩阵：；其中，为第i个服务组件与第j个服务需求相关性的群体语义变量集，为第s个判断语义变量，i∈[1，n]，j∈[1，t]，s∈[1，r]，r为判断语义变量的
数量；（2）将群体语义变量集转换为粗糙模糊数：；其中，分别为第i个服务组件与第j个服务需求相关性的群体语义变量集对应的粗糙模糊数的下边界的下极限和上极限、中边界的下极限的上极限、上边界的下极限和上极限；根据粗糙模糊数构建粗糙模糊相关性矩阵：；（3）根据粗糙模糊相关性矩阵计算服务组件之间的需求相似度：；其中，d
ik
为第i个服务组件与第k个服务组件之间的需求相关性距离，k∈[1，n]；d
max
为服务组件之间的最大需求相关性距离；。
[0013]
作为优选方案，所述相关性指标的评价过程包括：（1）构建服务组件之间的相关性群体语义评估矩阵：；其中，为第i个服务组件与第k个服务组件相关性强度的群体语义变量集，为第s个判断语义变量；（2）将群体语义变量集转换为粗糙模糊数：；
其中，分别为第i个服务组件与第k个服务组件相关性强度的群体语义变量集对应的粗糙模糊数的下边界的下极限和上极限、中边界的下极限的上极限、上边界的下极限和上极限；根据粗糙模糊数构建粗糙模糊评估矩阵：；（3）将粗糙模糊评估矩阵转换为相关性明确评估矩阵：；其中，c
ik
为第i个服务组件与第k个服务组件的相关性强度的明确值：。
[0014]
作为优选方案，根据相关性指标的评价过程，分别得到第i个服务组件与第k个服务组件的功能相关性强度的明确值、第i个服务组件与第k个服务组件的服务流相关性强度的明确值、第i个服务组件与第k个服务组件的智慧流相关性强度的明确值、第i个服务组件与第k个服务组件的资源相关性强度的明确值。
[0015]
作为优选方案，第i个服务组件与第k个服务组件之间的共智关系相关度为：；其中，分别为服务需求相似度、功能相关性、服务流相关性、智慧流相关性和资源相关性的评价权重，且满足所有评价权重之和为1；相应地，共智关系评估矩阵为：；其中，若；若。
[0016]
作为优选方案，所述步骤s3中，gn算法为改进的gn算法，其过程包括：s31、基于广度优先搜索算法对服务组件网络模型的网络节点的距离和权重进行
赋值；其中，网络节点与服务组件一一对应；s32、计算网络节点之间的初始无权边介数；s33、根据网络节点之间的共智关系相关度对初始无权边介数进行修正，得到加权边介数；s34、根据加权边介数对服务组件网络模型进行更新；s35、基于更新后的服务组件网络模型计算网络划分的模块度。
[0017]
本发明还提供一种智能产品服务生态系统的模块生成系统，应用如上任一项方案所述的模块生成方法，所述模块生成系统包括：识别模块，用于识别智能产品服务生态系统的所有服务组件；评价模块，用于基于粗糙模糊数和相关性矩阵的共智关系评估方法对服务组件之间的共智关系进行评价，得到服务组件之间的共智关系相关度；构建模块，用于根据所有服务组件之间的共智关系相关度构建得到共智关系评估矩阵；还用于将共智关系评估矩阵作为无向加权复杂网络模型的邻接矩阵，构建服务组件网络模型；计算模块，用于利用gn算法计算得到最大模块度对应的模块划分数量；生成模块，用于根据模块划分数量生成智能产品服务生态系统的服务模块。
[0018]
本发明与现有技术相比，有益效果是：（1）本发明的基于粗糙模糊数和相关性矩阵的共智关系评估方法，可充分处理混合不确定环境中个体语义模糊性和群体偏好随机性对服务组件之间的共智关系相关度的影响，有利于提升服务模块划分的准确性；（2）本发明构建的赛博物理产品服务蓝图，可用于全面描述分布在多个运行域和资源域的不同服务组件之间的复杂关系，其涵盖智能产品服务生态系统在模块层级的所有相关要素，展现智能产品服务运行的整体视图，从而方便设计人员识别出智能产品服务中的所有服务组件；（3）本发明应用复杂网络理论建立了智能产品服务生态系统的服务组件网络模型，并利用改进gn算法用于模块生成，可解决难以直观表达及可视化大规模生态系统组件之间的相关关系并且输出高可靠性稳定性的模块生成方案等问题。
附图说明
[0019]
图1为本发明实施例的智能产品服务生态系统的模块生成方法的流程图；图2为本发明实施例的智能产品服务生态系统设计层次结构图；图3为本发明实施例的智能产品的服务模块的赛博物理结构模型图；图4为本发明实施例的智能产品的服务模块的赛博物理结构要素图；图5为本发明实施例的赛博物理产品服务蓝图的构成图；图6为本发明实施例的组件网络的示例图；图7是本发明实施例的智能产品服务生态系统的模块生成系统的构架图；图8是本发明实施例的智能汽车维护的赛博物理产品服务蓝图的左半部分；图9是本发明实施例的智能汽车维护的赛博物理产品服务蓝图的右半部分。
具体实施方式
[0020]
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0021]
如图1所示，本发明实施例的智能产品服务生态系统的模块生成方法，包括以下步骤：步骤1、分析智能产品服务模块的赛博物理结构模型与赛博物理结构要素，识别智能产品服务生态系统的所有服务组件；其具体过程包括：步骤101、智能产品服务生态系统设计方案层次结构分析；如图2所示，智能产品服务生态系统的结构由不同服务范围sa的异质智能产品服务系统ss组成，智能产品服务生态系统价值交付范围分为产品使用周期sa1、产品闲置周期sa2、用户活动周期sa3、产品生命周期sa4和产品生态系统sa5。由于不同服务范围下交付的智能产品服务价值主张以及服务流程都有所不同，需要建立边界相对独立的智能产品服务系统支撑生态系统的运行。在同一服务范围下，价值主张场景的多样性导致不同类型的智能产品服务系统的出现，例如在产品使用周期内，需要运行性能优化系统ss
11
、智能维修服务系统ss
12
、智能维护服务系统ss
13
、智能升级服务系统ss
14
、智能回收服务系统ss
15
等异质系统共同充分捕获和优化产品运行价值。因此，智能产品服务生态系统方案从构成角度上看，可作为来自不同服务范围、交付不同价值主张、具有异质属性的智能产品服务系统方案集合。
[0022]
从智能产品服务生态系统的价值交付范围、价值主张场景等维度对智能产品服务生态系统方案构成进行分析，智能产品服务生态系统方案构成可从智能产品服务范围层、智能产品服务系统层、智能产品服务模块层、智能产品服务组件层四个层级进行分解。
[0023]
对于单一智能产品服务生态系统方案，其可分解为不同类型的智能服务模块，如模块1sm1、模块2sm2、模块nsmn等，这些服务模块承担了不同的服务功能，并可以分解为多个服务组件，如sc1、sc2、sc3等，所有服务组件构成智能产品服务生态系统组件网络。服务组件被定义为构成智能产品服务生态系统方案的基本元素。服务组件可被视为服务活动或服务资源，例如，智能维修服务系统中的故障诊断服务模块包括数字孪生仿真、故障监测与诊断等服务活动和数字孪生仿真系统、故障分析组件等服务资源。因此，服务模块可描述为由具有独立功能的服务活动组件或服务资源组件，按一定流程或关系构成的组件包，以支撑不同属性的服务功能。不同的服务组件构成了具有独立功能的服务模块，而服务组件之间复杂的智慧流、服务流、物质流关系形成了智能产品服务组件网络。同一服务模块中的服务组件存在较强的相关性，而不同服务模块的服务组件的相互依存性或连接性往往低于属于同一服务模块的服务组件。
[0024]
步骤102、基于赛博物理系统的智能产品服务模块的结构分析；要构建智能产品服务模块，首要任务是将目标服务模块分解为多个服务组件。但由于产品扩展服务的无形性，难以准确地描述和定量表示服务过程、服务功能和服务活动。此外，随着智能技术如赛博物理系统、人工智能、数字孪生等技术的深入应用，服务流程和服务组件间的关系发生了显著变化。区别于传统产品服务运行过程，智能产品服务运行不
仅涉及物理空间中可见的物质流、活动流和资源流，而且涉及大量的赛博空间不可见的数据流、信息流和知识流。物理服务域和赛博服务域中的流动为服务流程表征与建模增加了更高的复杂性和多维性。借助于赛博物理系统和数字孪生的概念与应用，本发明实施例定义了智能产品服务运行过程主要包含的域，各运行域中的服务组件按一定的组合关系，共同构建智能产品的服务模块。
[0025]
本发明实施例的服务模块内部的运行流程覆盖了六个主要域，即物理场景运行域、赛博场景运行域、赛博服务运行域、赛博资源域、物理服务运行域和物理资源域。
[0026]
如图3和图4所示，基于物理场景运行域、赛博场景运行域、赛博服务运行域、赛博资源域、物理服务运行域、物理资源域定义智能产品服务运行过程的运行域，得到服务模块的赛博物理结构模型和赛博物理结构要素。
[0027]
物理场景运行域主要支撑各依托智联产品的价值主张场景要素运行及群智集成感知，将场景中多模态数据传输到赛博场景域，是赛博服务与物理服务交付与运行的基础。以面向产品运行服务的物理场景运行域为例，其所在的物理场景主要为产品运行的场景，运行域中发生的活动主要包含产品运行、传感器运行、通讯模块传输数据、无线网络传输产品状态数据，而这些活动可被称为物理场景组件。
[0028]
赛博场景运行域主要实现场景数据采集、处理和存储，以及场景要素的数字孪生仿真，作为赛博服务运行域的关键输入，支撑智能能力或功能的实现。以面向产品运行服务的赛博场景运行域为例，主要为采集产品运行性能、状态、能耗等各类数据，对数据进行处理存储，并将处理后的数据输入到虚拟产品孪生体系统，进行产品运行仿真，对产品状态提供实时初步判断和预测，而这些活动可被称为赛博场景组件。
[0029]
赛博服务运行域作为智能产品服务运行的核心域，主要任务为对场景数据管理域和场景数字孪生域输出的数据进行描述性分析、诊断性分析、指导性分析和预测性分析，为赛博服务域的智能交付、任务排程、资源调度和质量管理等智能服务执行活动提供基于数据、信息、知识和智慧的决策支持。以面向产品运行服务的赛博服务运行域为例，产品数据分析域的主要活动包括监测产品运行状态、诊断产品运行性能、预测产品运行趋势和指导产品运行优化等，而赛博服务域主要根据数据分析域输出的知识，提供产品运行智能服务的执行方案，以支持物理或现场的产品运行服务操作，发生在赛博服务运行域的活动可被称为赛博服务组件。
[0030]
赛博资源域旨在提供赛博场景活动和赛博服务活动所需的赛博资源，包括不限于数据管理组件、数字孪生仿真组件、通用数据分析算法组件、计算资源组件和服务执行组件等。赛博资源域中的组件主要以软硬件系统资源形式存在，是实现赛博场景活动和赛博服务活动的物质基础，通过提供数据价值链各环节所需的资源，促进产品服务运行朝着预期的智能功能发展。例如，向智能维修服务提供故障监测系统、故障诊断系统、故障预测系统、维修决策系统、维修资源调度系统等。赛博资源域中，各类软硬件系统、微服务组件、数据系统等可被称为赛博资源组件。
[0031]
物理服务运行域主要以各类服务人员介入的物理服务执行活动为主，通过赛博服务运行域提供的智慧服务执行计划，组织相关服务资源执行具体的服务活动，如服务资源物流配送、人工服务活动、用户服务质量反馈等，完成从服务需求感知到服务交付到服务反馈的服务流闭环。例如，智能维修服务在数据分析驱动的优化维修决策方案指导下高效地
完成人工主导的物理拆卸、维修、清洗、安装以及备品备件高效配送等物理服务活动，而这些可见的物质流、活动流为主的服务活动被称为物理服务组件。
[0032]
物理资源域旨在为物理场景运行域和物理服务运行域提供各类资源以支撑物理场景活动和物理服务活动，主要包括场景资源、服务工程师、服务工具、服务设施、服务设备等。例如，物理维修服务中的维修工具、备品备件、物流设施等等资源。
[0033]
步骤103、基于赛博物理产品服务蓝图的服务组件识别；智能产品服务模块内部结构包含了四个运行域和二个资源域，各域内部和外部之间充斥着大量的物质流、活动流、资源流、数据流、信息流、智慧流等流动，导致智能产品服务模块之间及模块内部服务组件之间的交互关系与运行流程难以建模与表征，且流程中所需的组件难以被识别。与传统的产品服务系统（pss）模块化设计中的服务组件识别相比，由于智能产品服务运行过程的无形性和组件之间复杂的交互关系，智能产品服务组件的识别在实践中更加复杂。服务组件之间不仅存在着物质流、功能相关性和物理活动的相互作用，而且大量的数据、知识和智慧也频繁地流经赛博空间和物理空间的服务组件。因此，智能产品服务组件的识别应考虑具体的服务运行过程以及物理运行空间和赛博运行空间之间的复杂交互关系。
[0034]
本发明实施例结合赛博物理系统理论和服务蓝图，提供一种智能产品服务组件的识别工具，即赛博物理产品服务蓝图，用于全面描述分布在多个运行域和资源域的不同服务组件之间的复杂关系。赛博物理产品服务蓝图可以涵盖智能产品服务生态系统在模块层级的所有相关要素，展现智能产品服务运行的整体视图，从而方便设计人员识别出智能产品服务中的所有服务组件，为服务模块的构建奠定基础。与传统的服务蓝图工具或产品服务蓝图工具相比，赛博物理服务蓝图充分融合了智能产品服务在赛博空间和物理空间的交互特性，结合了数据价值链与智能服务能力特征，以及异质服务行为间的交互关系，可以用来描述服务组件和识别服务组件。
[0035]
本发明实施例基于智能产品服务模块的赛博物理结构模型和赛博物理结构要素，构建赛博物理产品服务蓝图，赛博物理产品服务蓝图表示智能产品服务运行过程中涉及的服务组件，还表示服务组件之间的交互关系。赛博物理产品服务蓝图覆盖了六个主要域，即物理场景运行域、赛博场景运行域、赛博服务运行域、赛博资源域、物理服务运行域和物理资源域。如图5所示，赛博物理产品服务蓝图被六条分界线划分为八个功能子域。这些分界线包括产品服务分界线（又称产品-服务边界）、物理赛博分界线（又称物理活动与赛博活动域边界或物理与赛博分界）、活动域与赛博资源域分界线（又称活动域与赛博资源域边界）、活动域与物理资源域分界线（又称活动域与物理资源域边界）、数据与仿真分界线（又称数据与仿真边界）、数据与服务分界线（又称数据与服务边界或数据分析与服务功能分界线）。服务组件分为七种类型，即场景相关活动、用户介入的场景活动、场景相关赛博资源、物理资源、服务相关活动、用户介入的服务活动、服务相关赛博资源。所有元素均由唯一的标准符号表示，之间的箭头表示它们之间的交互关系，如智慧流（数据、信息和知识等）、服务流或功能/资源相关性。各分界线和子域的详细描述如下：首先，产品服务分界线将整个赛博物理产品服务蓝图分为场景运行域和服务运行域，反映了产品和服务的不同活动范围。在场景运行域中，物理活动和赛博活动之间的分界线将与产品场景相关的活动域划分为物理场景活动域和赛博场景活动域。另外，通过数据
与仿真分界线，可以将赛博场景运行域划分为场景数据管理域和场景数字孪生仿真域。数据管理域内部主要执行场景数据的收集，处理和存储等活动。在数字孪生域中，主要实时映射、预测和可视化物理产品或场景的运行活动。因此，这些活动在其运行域中是典型的必要性组件。
[0036]
其次，在产品服务分界线右侧，有五个与服务运行相关的域。数据与赛博服务分界线将赛博服务活动域划分为数据分析域和赛博服务域，描述了核心数据分析能力与智能服务功能之间的相互作用。描述性分析、诊断分析、预测性分析和指导性分析活动被视为核心智能服务组件，因为它们为以智能的方式交付产品服务提供了基础。此外，赛博服务域的服务活动通过集成数据分析功能和与产品相关的专业知识，为执行物理服务活动提供了智慧决策支持。该集成在数据分析平台中进行，该平台被视为赛博资源领域的基本组件。赛博服务域中的每个活动元素，在赛博资源域中都有各自对应的赛博资源组件以支持实现预期的智能服务效果。另外，物理服务运行域包括不可见的物理服务活动和用户可见的服务活动。这些物理服务活动由物理资源域中提供的关键物理服务资源支持（如备件、服务工具、服务工程师等）。
[0037]
借助赛博物理产品服务蓝图，服务设计人员可以将智能产品服务运行过程中所涉及的服务组件（物理活动、物理资源、赛博活动、赛博资源等）及组件之间的交互关系直观表示出来。赛博物理产品服务蓝图结合赛博物理系统、数字孪生、数据价值链、智能技术的概念结构与技术应用逻辑，构建了分区域的智能服务运行表征方法，并且对各区域服务过程进行详细描述，以辅助设计人员充分捕获智能产品服务流程中所需的服务组件。因此，该蓝图工具可有效帮助设计人员识别各类服务组件，为后续智能产品服务模块的生成与创建奠定了基础。
[0038]
步骤2、基于粗糙模糊数和相关性矩阵的共智关系评估方法对服务组件之间的共智关系进行评价，得到服务组件之间的共智关系相关度，并根据所有服务组件之间的共智关系相关度构建得到共智关系评估矩阵。其中，共智关系的评价指标包括服务需求相似度和相关性指标，相关性指标包括功能相关性、服务流相关性、智慧流相关性和资源相关性。
[0039]
为了获取合理的智能产品服务生态系统模块划分方案，有必要准确、客观地计算每对服务组件之间的共智关系。然而，由于组件之间关系评估过程要求时间窗短，且历史数据少，评估通常通过邀请群体专家填写问卷对服务组件之间的关系进行判断。在这一过程中，涉及到两种类型的不确定性，即个人语言模糊性导致的内在不确定性和群体偏好主观性导致的外在不确定性，这两种不确定性都可能导致不准确的评估结果。基于此，本发明实施例设计了基于粗糙模糊数和相关性矩阵的共智关系评估方法，其具体过程包括：步骤201、共智关系的评价准则建立：（1）服务需求相似度；各服务组件对满足用户不同的服务需求具有一定的相关性，以服务组件之间对于各服务需求相关性的综合相似度作为模块生成准则，将需求相似度较高的服务组件集成到同一服务模块中可最大化集成满足服务需求。服务组件与某一服务需求的相关性的评价准则和尺度如表1所示。例如，对于描述性分析活动组件对满足用户对产品运行状态实时监测这一服务需求来说，不可或缺，是满足这一需求的核心组件，因此，可判断它们之间的相关等级为很强，从而转换为相应的模糊尺度，进而根据模糊尺度计算得到带有上边界、中界面
和下边界组成的粗糙模糊数，具体可参考现有技术中关于粗糙模糊数的计算，在此不赘述。
[0040]
表1 服务需求相关性评价准则及尺度。
[0041]
（2）功能相关性；功能关联性较强的服务组件组装在一起形成服务模块，可以实现更高的功能独立性，从而获得更高的可交换性。因此，应将实现相关功能或类似功能的服务组件聚合到一个服务模块中，以增强模块的功能独立性并减少智能产品服务的功能冗余。服务组件之间的服务功能相关性的评价准则和尺度如表2所示。
[0042]
表2 功能相关性评价准则及尺度。
[0043]
（3）服务流相关性；在物理运行域中，服务组件之间的交互可以在一组物理活动或物质的传输过程中表示。如果一个组件的输出流向另一组件，则可以判定两个组件之间存在服务流相关性。服务组件之间的服务流相关性的评价准则和尺度如表3所示。
[0044]
表3 服务流相关性评价准则及尺度。
[0045]
（4）智慧流相关性；在赛博运行域中，服务组件之间的相互作用体现在数据、信息和知识的传输中。这种类型的传输交互称为智慧流相关性。如果两个服务组件之间存在数据、信息和知识的交
换，则认为它们是智慧流相关的。服务组件之间的智慧流相关性的评价准则和尺度如表4所示。
[0046]
表4 智慧流相关性评价准则及尺度。
[0047]
（5）资源相关性；在智能产品服务运行过程中，两个服务组件可能基于相同的物理或赛博资源工作。它们可以被认为是资源相关的。例如，故障监测和故障诊断共享同一赛博资源：大数据分析平台，因此它们是资源相关的。服务组件之间的资源相关性的评价准则和尺度如表5所示。
[0048]
表5 资源相关性评价准则及尺度。
[0049]
步骤202、服务组件间的共智关系评价与分析；为了有效处理共智关系相关度群体评估中涉及的个体语义模糊性和群体偏好随机性，本发明实施例设计结合粗糙模糊数和相关性矩阵的共智关系评估方法来评估服务组件之间的共智关系相关度。各服务组件之间的服务需求相似度和功能、服务流、智慧流、资源等相关性可通过以下方法计算得到。
[0050]
1、服务需求相似度的计算，包括以下过程：1.1、构建服务组件与智能产品服务需求集的相关性群体语义评估矩阵；令为上述识别到的智能产品服务生态系统的服务组件集，为需求权重集为的智能产品服务需求集。首先构建r个决策端对n个服务组件与t个服务需求的相关性群体语义评估矩阵：
；其中，为第i个服务组件与第j个服务需求相关性的群体语义变量集，为第s个决策端对第i个服务组件与第j个服务需求相关性的判断语义变量（即相关性等级），i∈[1，n]，j∈[1，t]，s∈[1，r]，r为判断语义变量的数量。
[0051]
1.2、构建服务组件与服务需求集的粗糙模糊相关性矩阵；首先将群体语义变量集转换为粗糙模糊数：；其中，分别为第i个服务组件与第j个服务需求相关性的群体语义变量集对应的粗糙模糊数的下边界的下极限和上极限、中边界的下极限的上极限、上边界的下极限和上极限；具体地，上述粗糙模糊数的转换可参考现有技术，如chen, z., et al. (2020). a rough
–
fuzzy approach integrating best
–
worst method and data envelopment analysis to multi-criteria selection of smart product service module. applied soft computing, 94, 106479，在此不赘述。
[0052]
之后根据粗糙模糊数构建粗糙模糊相关性矩阵：；1.3、根据粗糙模糊相关性矩阵计算服务组件之间的需求相似度：；其中，d
ik
为第i个服务组件与第k个服务组件之间的需求相关性距离，k∈[1，n]；d
max
为服务组件之间的最大需求相关性距离；根据粗糙模糊数距离计算公式得到：；
因此，可构建服务组件之间的需求相似度矩阵为。
[0053]
2、服务组件之间的相关性评价；本发明实施例结合粗糙模糊数和相关性矩阵的方法来评估服务组件之间的相关性。功能相关性、服务流相关性、智慧流相关性和资源相关性可分别通过以下步骤进行计算。以功能相关性评估为例，其计算过程如下：2.1、构建服务组件间的功能相关性群体语义评估矩阵：针对n个服务组件，构建r个决策端对服务组件之间两两功能相关性强度的评估矩阵：；其中，为群体决策端对第i个服务组件与第k个服务组件功能相关性强度的群体语义变量集，为第s个决策端对第i个服务组件与第k个服务组件功能相关性强度的判断语义变量（即相关性等级），且。
[0054]
2.2、构建服务组件间的功能相关性粗糙模糊评估矩阵；首先将服务组件之间的功能相关性强度的群体语义变量集转换为粗糙模糊数：；其中，分别为第i个服务组件与第k个服务组件的功能相关性强度的群体语义变量集对应的粗糙模糊数的下边界的下极限和上极限、中边界的下极限的上极限、上边界的下极限和上极限；根据粗糙模糊数构建粗糙模糊评估矩阵：；2.3、将粗糙模糊评估矩阵转换为相关性明确评估矩阵：；
其中，为第i个服务组件与第k个服务组件的功能相关性强度的明确值：。
[0055]
类似地，服务流相关性、智慧流相关性、资源相关性等三种相关性的明确评估矩阵亦可通过上述过程获得，在此不赘述。
[0056]
3、构建共智关系评估矩阵；令ws表示服务组件间的需求相似度评价准则的权重，wf表示服务组件之间的功能相关性评价准则的权重，w
se
表示服务组件之间的服务流相关性评价准则的权重，w
sm
表示服务组件之间的智慧流相关性评价准则的权重，wr表示服务组件之间的资源相关性评价准则的权重。服务组件之间的共智关系评价准则权重需满足下列约束条件：；以c
ik
表示服务组件之间的共智关系相关度，即服务组件之间的相互协同程度的大小，共智关系相关度计算如下：；其中，分别为服务组件之间的服务需求相似度、功能相关度、服务流相关度、智慧流相关度、资源相关度的明确值；从而得到所有服务组件的共智关系评估矩阵c：；其中，若；若。
[0057]
步骤3、将共智关系评估矩阵作为无向加权复杂网络模型的邻接矩阵，构建服务组件网络模型，并利用gn算法计算得到最大模块度对应的模块划分数量，根据模块划分数量生成智能产品服务生态系统的服务模块。
[0058]
具体地，服务组件网络模型（又称组件网络）表示为：；其中，代表已识别出的服务组件集，sci代表第i个服务组件；代表服务组件节点之间的连边集合，代表sci和sck之间的连边；代表服务组件节点连边的权重集合，代表sci和sck之间的共智关系相关度，即，在网络模型中作为附着在连边的实数。
[0059]
作为示例，如图6所示，为智能产品服务生态系统的服务组件网络模型图，实心原点表示一个服务组件（即一个网络节点），两个网络节点之间的连边表示两个服务组件之间存在共智关系，连边的宽度表示连边的权重，即两个服务组件之间的共智关系相关度。
[0060]
模块生成或划分方法作为产品开发和产品服务系统开发的研究热点之一，已经出现各类划分方法，如聚类算法、映射矩阵、模糊图、传递闭包法、形态矩阵等，在处理模块划分中具有一定的优点，但也普遍具备效率较低、易陷入局部最优、初始中心点选择不同划分结果不统一的低鲁棒性等缺点，并且这些方法不能提供直观的可视化划分过程，缺乏提高理解划分过程和最优方案选择机制的工具。而复杂网络理论中基于gn算法的网络社区发现技术，能有效克服以上缺点，是目前使用最为广泛的无权复杂网络社区发现方法。该算法基于自上而下的划分逻辑，将模块生成的过程可视化。基于提出的模块度指标，模块生成结果具有高鲁棒性，不会随着初始起点的变化导致最终划分结果不同。但其对解决生态系统模块生成还存在一个显著问题，gn算法主要适用于无权复杂网络，提出的边介数和模块度缺乏考虑边的权重（即组件节点之间的共智关系相关度）对节点连接强度的影响。因此，本发明实施例对传统的gn算法进行改进，为智能产品服务生态系统生成合适的服务模块。
[0061]
现有的gn算法的基本思路描述如下：（1）确定组件网络中所有边的边介数，（2）找到具有最大边介数的边并从网络中移除该边，（3）更新组件网络并重新确定所有未移除边的边介数，（4）从第（2）步重复，直到获取预期模块数的划分方案或模块度最大的方案。本发明实施例基于基本思路上对gn算法进行改进，通过引入边权重（即每对服务组件之间的共智关系相关度）来重新定义边介数。在传统的gn算法中，选择去除边介数较大的边，这意味着与该边相连的一对网络节点之间的连接较弱。然而，在组件网络中，若一条边具有较大的边权重意味着边两端连接的服务组件之间的连接更强，因此不应消除此边。在边介数的计算中，如果将边权重作为正因子，则会将共智关系相关度更大的服务组件之间的边去除，这与智能产品服务生态系统模块化的实际情况相反。针对这一问题，本发明实施例提出了改进方法：首先在不考虑边权重值的情况下，利用原最短路径边介数法得到初始边介数；然后，通过将原始边介数除以边权重，计算出新的边介数；这一新的边介数可以作为移除连边的准则。通过此操作，具有较强共智关系相关度的服务组件之间的连边被移除的可能性较小。改进后的gn算法的详细步骤描述如下：（a）基于广度优先搜索算法的网络节点距离和权重赋值；（b）计算网络节点之间的初始无权边介数；上述步骤（a）和步骤（b）可参考现有无权gn算法的具体过程，在此不赘述。在传统的gn算法中，划分模块过程中，无权边介数最大的边通常会被去除。然而，本发明实施例为了处理组件网络的实际情况，下一步将在初始无权边介数的基础上提出一种新的加权边介数；（c）计算加权边介数；为了考虑智能产品服务生态系统的组件网络的共智关系，将无权边介数修正为加权边介数：；其中，为sci与sck之间连边的修正后的加权边介数，为sci与sck之间连边的的初始无权边介数，w
ik
为sci与sck之间连边的权重；（d）组件网络更新；根据上一步得到的加权边介数，可将组件网络中加权边介数最大的连边去除，剩
下的网络节点和连边形成更新后的组件网络。针对新的组件网络，可重新计算边介数；（e）计算更新后的组件网络划分的模块度；网络社区发现算法的可视化输出以树状结构形式显示，描述了智能产品服务生态系统的组件网络可能的模块划分的全局层次结构。本发明实施例利用模块化的模块度作为评价组件网络具体划分方案质量的关键标准。一般情况下，当划分方案的模块度比其他方案都大时，该方案为最优。本发明实施例的模块度q的具体计算过程可参考现有技术，在此不赘述。
[0062]
通过以上过程得到整体具有最佳模块度的智能产品服务生态系统的服务模块划分方案（即模块划分数量），进而根据服务模块划分数量进行服务模块划分，生成相应的服务模块。
[0063]
基于上述智能产品服务生态系统的模块生成方法，如图7所示，本发明实施例还提供智能产品服务生态系统的模块生成系统，包括以下功能模块：识别模块、评价模块、构建模块、计算模块和生成模块。
[0064]
本发明实施例的识别模块用于识别智能产品服务生态系统的所有服务组件；本发明实施例的评价模块用于基于粗糙模糊数和相关性矩阵的共智关系评估方法对服务组件之间的共智关系进行评价，得到服务组件之间的共智关系相关度；本发明实施例的构建模块用于根据所有服务组件之间的共智关系相关度构建得到共智关系评估矩阵；还用于将共智关系评估矩阵作为无向加权复杂网络模型的邻接矩阵，构建服务组件网络模型；本发明实施例的计算模块用于利用gn算法计算得到最大模块度对应的模块划分数量；本发明实施例的生成模块用于根据模块划分数量生成智能产品服务生态系统的服务模块；上述各功能模块的具体处理过程可参考上述模块生成方法中的详细描述，在此不赘述。
[0065]
另外，为了进一步理解本发明实施例的模块生成方法及系统，将其应用于智能汽车服务生态系统中，通过对m公司汽车产品实际维护服务过程的实地考察，应用提出的赛博物理产品服务蓝图构建详细的智能汽车维护服务运行流程图，识别所有必要的智能汽车维护服务组件；对于智能汽车维护服务组件的相关性评估，根据共智关系的评价准则，将评价的语义判断转化为粗糙模糊数，构造共智关系评估矩阵；然后，将共智关系评估矩阵转化为复杂网络模型，利用改进的gn算法得到最终的智能汽车维护服务模块划分方案。
[0066]
具体地，结合m公司智能汽车维护的实际服务流程和资源，应用赛博物理产品服务蓝图表达智能汽车维护服务一般和典型运行流程以及流程中的服务组件，如图8和图9所示的汽车智能维护的赛博物理产品服务蓝图，用户介入的汽车运行活动组件有3个，汽车运行相关活动组件有15个，汽车运行相关赛博资源组件有6个，服务相关赛博资源组件有8个，服务相关活动组件有13个，用户介入的服务活动有6个，物理资源组件有3个，共计54个智能汽车维护服务组件，如表6所示。
[0067]
表6 智能汽车维护服务组件
；
；之后，评价智能汽车维护服务组件之间的共智关系相关度，构建共智关系评估矩阵，由于数据较多，仅示例部分如表7所示。
[0068]
表7 智能汽车维护服务组件之间的共智关系评估矩阵。
[0069]
接着将智能汽车维护服务组件之间的共智关系评估矩阵用作无向加权复杂网络模型的邻接矩阵，构建服务组件网络模型。基于服务组件网络模型，通过在matlabr2019a中运行改进gn算法，可显示智能汽车维护服务模块划分方案ms的树状图和对应的模块度。在达到最优划分方案之前，模块度随划分次数的增加而增加；在最优划分方案处出现一个全局峰值，然后随着模块数的增加，模块度降低。选取模块度q2=0.223、q4=0.220、q6=0.320、q8=0.277和q
10
=0.265的智能汽车维护服务模块划分方案，如表8所示，其中符号q和ms的下标表示该方案中划分服务模块的数量。结果表明，最优的智能汽车维护服务模块划分方案ms6模块数量为6，模块度q6=0.320。
[0070]
表8 智能汽车维护服务模块划分方案。
[0071]
另外，本发明实施例还验证了改进gn算法在智能汽车服务生态系统的服务模块划分的可行性。采用改进gn算法的模块度分布曲线与现有经典gn算法呈现出完全不同的变化趋势。改进gn算法得到的模块度分布曲线呈开口向下的抛物线，最大的模块度q
max
=0.320出现在模块数为6的划分方案中；然而，对于经典gn算法，模块度急剧上升到最大峰值0.262，其对应的模块数为4，然后整体呈稳定趋势波动。在经典的gn算法中，不考虑连边权重的初始边介数被用来重复消除边介数最大的连边，这种操作不适用于智能产品服务模块划分的情况，因为具有较强相关性的服务组件之间的连边被移除的可能性较小，这与实际情况相
反。因此，与经典gn算法相比，本发明实施例的改进gn算法对服务模块划分具有更高的可行性和准确性。
[0072]
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

技术特征：
1.一种智能产品服务生态系统的模块生成方法，其特征在于，包括以下步骤：s1、识别智能产品服务生态系统的所有服务组件；s2、基于粗糙模糊数和相关性矩阵的共智关系评估方法对服务组件之间的共智关系进行评价，得到服务组件之间的共智关系相关度，并根据所有服务组件之间的共智关系相关度构建得到共智关系评估矩阵；s3、将共智关系评估矩阵作为无向加权复杂网络模型的邻接矩阵，构建服务组件网络模型，并利用gn算法计算得到最大模块度对应的模块划分数量，根据模块划分数量生成智能产品服务生态系统的服务模块。2.根据权利要求1所述的模块生成方法，其特征在于，所述步骤s1包括以下步骤：s11、对智能产品服务生态系统进行服务范围层、服务系统层、服务模块层、服务组件层的分解；s12、基于物理场景运行域、赛博场景运行域、赛博服务运行域、赛博资源域、物理服务运行域、物理资源域定义智能产品服务运行过程的运行域，得到服务模块的赛博物理结构模型和赛博物理结构要素；s13、根据服务模块的赛博物理结构模型和赛博物理结构要素，构建赛博物理产品服务蓝图，以识别智能产品服务生态系统的所有服务组件。3.根据权利要求2所述的模块生成方法，其特征在于，所述赛博物理产品服务蓝图包括六条分界线和七种类型服务组件；六条分界线包括产品服务分界线、物理赛博分界线、活动域与赛博资源域分界线、活动域与物理资源域分界线、数据与仿真分界线、数据与服务分界线六条分界线；七种类型服务组件包括场景相关活动、用户介入的场景活动、场景相关赛博资源、物理资源、服务相关活动、用户介入的服务活动、服务相关赛博资源；所述赛博物理产品服务蓝图表示智能产品服务运行过程中涉及的服务组件，还表示服务组件之间的交互关系。4.根据权利要求1-3任一项所述的模块生成方法，其特征在于，所述步骤s2中，共智关系的评价指标包括服务需求相似度和相关性指标，相关性指标包括功能相关性、服务流相关性、智慧流相关性和资源相关性。5.根据权利要求4所述的模块生成方法，其特征在于，所述服务需求相似度的评价过程包括以下步骤：（1）构建n个服务组件与t个服务需求的相关性群体语义评估矩阵：；其中，为第i个服务组件与第j个服务需求相关性的群体语义变量集，为第s个判断语义变量，i∈[1，n]，j∈[1，t]，s∈[1，r]，r为判断语义变量的数量；
（2）将群体语义变量集转换为粗糙模糊数：；其中，分别为第i个服务组件与第j个服务需求相关性的群体语义变量集对应的粗糙模糊数的下边界的下极限和上极限、中边界的下极限的上极限、上边界的下极限和上极限；根据粗糙模糊数构建粗糙模糊相关性矩阵：；（3）根据粗糙模糊相关性矩阵计算服务组件之间的需求相似度：；其中，d
ik
为第i个服务组件与第k个服务组件之间的需求相关性距离，k∈[1，n]；d
max
为服务组件之间的最大需求相关性距离；。6.根据权利要求5所述的模块生成方法，其特征在于，所述相关性指标的评价过程包括：（1）构建服务组件之间的相关性群体语义评估矩阵：；其中，为第i个服务组件与第k个服务组件相关性强度的群体语义变量集，为第s个判断语义变量；（2）将群体语义变量集转换为粗糙模糊数：；其中，分别为第i个服务组件与第k个服务组件相
关性强度的群体语义变量集对应的粗糙模糊数的下边界的下极限和上极限、中边界的下极限的上极限、上边界的下极限和上极限；根据粗糙模糊数构建粗糙模糊评估矩阵：；（3）将粗糙模糊评估矩阵转换为相关性明确评估矩阵：；其中，c
ik
为第i个服务组件与第k个服务组件的相关性强度的明确值：。7.根据权利要求6所述的模块生成方法，其特征在于，根据相关性指标的评价过程，分别得到第i个服务组件与第k个服务组件的功能相关性强度的明确值、第i个服务组件与第k个服务组件的服务流相关性强度的明确值、第i个服务组件与第k个服务组件的智慧流相关性强度的明确值、第i个服务组件与第k个服务组件的资源相关性强度的明确值。8.根据权利要求7所述的模块生成方法，其特征在于，第i个服务组件与第k个服务组件之间的共智关系相关度为：；其中，分别为服务需求相似度、功能相关性、服务流相关性、智慧流相关性和资源相关性的评价权重，且满足所有评价权重之和为1；相应地，共智关系评估矩阵为：；其中，若；若。9.根据权利要求8所述的模块生成方法，其特征在于，所述步骤s3中，gn算法为改进的gn算法，其过程包括：s31、基于广度优先搜索算法对服务组件网络模型的网络节点的距离和权重进行赋值；
其中，网络节点与服务组件一一对应；s32、计算网络节点之间的初始无权边介数；s33、根据网络节点之间的共智关系相关度对初始无权边介数进行修正，得到加权边介数；s34、根据加权边介数对服务组件网络模型进行更新；s35、基于更新后的服务组件网络模型计算网络划分的模块度。10.一种智能产品服务生态系统的模块生成系统，应用如权利要求1-9任一项所述的模块生成方法，其特征在于，所述模块生成系统包括：识别模块，用于识别智能产品服务生态系统的所有服务组件；评价模块，用于基于粗糙模糊数和相关性矩阵的共智关系评估方法对服务组件之间的共智关系进行评价，得到服务组件之间的共智关系相关度；构建模块，用于根据所有服务组件之间的共智关系相关度构建得到共智关系评估矩阵；还用于将共智关系评估矩阵作为无向加权复杂网络模型的邻接矩阵，构建服务组件网络模型；计算模块，用于利用gn算法计算得到最大模块度对应的模块划分数量；生成模块，用于根据模块划分数量生成智能产品服务生态系统的服务模块。

技术总结
本发明属于智能设计技术领域，具体涉及智能产品服务生态系统的模块生成方法及系统，其模块生成方法包括：识别智能产品服务生态系统的所有服务组件；基于粗糙模糊数和相关性矩阵的共智关系评估方法对服务组件之间的共智关系进行评价，得到服务组件之间的共智关系相关度，并根据所有服务组件之间的共智关系相关度构建得到共智关系评估矩阵；将共智关系评估矩阵作为无向加权复杂网络模型的邻接矩阵，构建服务组件网络模型，并利用GN算法计算得到最大模块度对应的模块划分数量，根据模块划分数量生成智能产品服务生态系统的服务模块。本发明利用共智关系评估矩阵作为无向加权复杂网络模型的邻接矩阵，有利于提升智能产品服务模块划分的准确性。划分的准确性。划分的准确性。


技术研发人员：刘尚文 陈志华 关昊 周世杰 明新国 周彤彤 游佳朋 林甲嵘 秦通 张千明
受保护的技术使用者：上海交通大学 电子科技大学
技术研发日：2023.06.16
技术公布日：2023/7/22