0 引言
生态设计强调在设计过程中融入环境可持续性理念，旨在从全生命周期视角实现资源节约与污染最小化，已成为工业产品可持续发展的重要手段
［1］。增材制造（AM）技术通过逐层堆积的数字化成形方式，突破了传统工艺的制造限制，赋予更高的设计自由度，使得拓扑优化、晶格填充、功能结构合并等手段开发的创新产品的制造成为可能
［2］。当前，利用AM技术实现生态设计既符合产品轻量化发展趋势，又有助于提高产品生命周期环境表现
［3］。
然而，AM的引入扩大了可行的设计空间，加剧了产品设计和全生命周期的不确定性
［4］。为了应对挑战，面向增材制造的生态设计（EcoDfAM）应运而生。作为一种在设计阶段就考虑增材制造可制造性和可持续性的设计方法，其主要任务是在设计阶段确认可行的材料工艺结构方案、评估全生命周期环境影响、改进设计方案，以满足产品功能质量需求，符合增材制造工艺限制，最大化环境可持续效益，可看作一种“设计－评估－改进”的闭环迭代过程
［5］。
当前围绕EcoDfAM的相关研究通常将碳排放、能源消耗、打印表面质量、最大可行尺寸、无支撑悬垂角的可行性等性能参数作为可制造性和可持续性的评估指标，综合在闭环迭代设计过程中以指导设计师决策。AGRAWAL
［6］针对熔融沉积成形（FDM）技术，利用信息熵法综合考虑材料拉伸强度、热变形温度、表面光洁度、碳排放、能耗等参数，以指导EcoDfAM概念阶段的材料选择任务；YANG等
［7］针对黏结剂喷射成形（BJ）技术，将尺寸可行性、寿命、环境影响等作为评估指标，指导EcoDfAM过程中的功能集成设计；BIEDERMANN等
［8］针对粉床熔融（PBF）技术，提出了一种在确保水平孔截面形状的自支撑性和外部悬垂支撑的可移除性情况下，改进流体通道的内外部结构以最小化材料消耗的方法，可用于在EcoDfAM结构设计阶段指导流道设计；MANGLA等
［9］探索了FDM打印过程参数组合（如填充密度、填充图案、层厚）对机械强度、表面粗糙度、能源消耗、碳排放等指标的影响，可用于在EcoDfAM详细设计阶段优化打印参数。分析上述文献可知，EcoDfAM具有以下特点：①涉及概念、结构和详细设计等多个阶段，各阶段所使用的工具、所面临的设计空间、所考虑的约束差异明显；②涉及可持续性评估和可制造性相关的多种评估指标，不同指标所需生命周期数据范围和来源差异明显；③局限于具体AM技术，技术间的制造限制和可持续优势互不通用。目前，EcoDfAM主要依赖多领域专家协同参与，存在效率低、知识可迁移性差等设计挑战。
知识驱动的设计是一种借助知识工程技术对知识进行管理，以减少重复性工作，高效创造出更有效、更创新设计方案的设计方法论
［10］，能够有效解决EcoDfAM所面临的设计挑战。该方法通常需要构建知识库与设计建议系统，以实现知识的高效检索与重用。当前，国内外已对增材制造领域相关知识开展了研究，如构建本体、知识图谱模型，开发基于知识的系统等，这些研究主要用于支持设计阶段考虑增材制造带来的可制造性限制
［11-16］。而在设计阶段考虑增材制造可持续性，需要涵盖产品全生命周期的知识，且知识之间的关联更为复杂模糊，当前相关研究较少。
为在满足增材制造可制造性的前提下充分发挥增材制造的可持续性优势，本文开展面向增材制造的生态设计分析与知识驱动的技术框架研究。
1 面向增材制造的生态设计
1.1 EcoDfAM概念含义
EcoDfAM概念涉及三个领域，具有典型的多学科交叉特点，如
图1所示。设计领域涉及材料设计、创成式设计、点阵晶格结构设计等可以提高产品可持续性表现的设计活动；增材制造领域主要关注不同增材制造技术的能力和限制；环境可持续性领域以能源效率、材料碳排放、制造浪费等环境可持续性衡量指标为目标。EcoDfAM在面向增材制造的设计中，是设计目标侧重环境可持续性的子集；在产品生态设计中，是以AM为特定制造场景的子集；在可持续增材制造中，是以设计为主要实现手段的子集。
为了阐明EcoDfAM的内涵，从设计过程、产品全生命周期过程和增材制造因素三个方面进行分解，构建了
图2所示的三层结构。设计过程分为概念设计、结构设计、详细设计三个阶段，每个阶段包含由产品类型决定的设计活动，通过确认这些设计活动中的设计变量，最终形成增材制造零部件的设计方案；产品全生命周期过程分为原料获取、制造、使用、寿命终止四个阶段，每个阶段同样包含由产品类型决定的生命周期活动，这些活动的具体表现反映了增材制造零部件在功能质量、环境可持续性、可制造性等方面的性能表现，这些性能表现通常为设计目标；增材制造因素分解为材料、结构、工艺三个核心因素，三者共同决定增材制造零部件的性能表现，它们之间的因素耦合关系复杂，在设计中通常被视为设计约束。
由上可知，设计活动定义了设计变量的存在场景，增材制造材料工艺结构因素定义了设计约束的存在场景，生命周期活动构成了设计目标的存在场景，三维空间如
图3所示。在此空间内，任何一个具体的EcoDfAM设计任务都可以通过其在三个维度上的具体参数组合来定位，展现出显著的多样性。
图3中红点代表一个流体通道孔特征设计任务，该任务的设计活动场景是结构设计阶段的流道孔截面形状确认，生命周期活动场景是支撑去除，增材制造场景是SLM，该场景的参数组合可表达为（流道孔截面形状确认，支撑去除，SLM）。
1.2 EcoDfAM知识需求
1.2.1 知识需求分析
产品设计是知识密集型工程，EcoDfAM作为一种涉及多领域的产品设计方法，其知识需求更加复杂。以液压零部件的设计过程为例，对不同阶段的设计活动所需知识，从考虑增材制造可制造性限制和可持续性优势两个角度进行举例分析，如
图4所示。最大尺寸、成形质量、悬垂等是常见可制造性知识，材料蕴含能、形状复杂度免费、能源强度等是常见的可持续性知识。
不同设计阶段在可制造性和可持续性目标、设计自由度、方案不确定性等方面各具特色，对知识的需求情况也不同。概念阶段知识需求偏向广度，解决生态目标与功能未知性的矛盾；结构阶段知识需求聚焦深度，平衡多目标降低功能-生态失衡风险；细节阶段知识需求强调知识的精准与合规，通过强耦合的工艺规则与数据驱动工具，确保生态指标可量化、可控制。EcoDfAM过程不同阶段的知识需求如
表1所示，三个阶段对知识的需求具有从“发散”到“收敛”，从“定性”到“定量”的趋势。同时，自由度越高，所需知识越偏向通用性、灵活性和启发性；自由度越低，知识越聚焦工艺细节和精准规则。
1.2.2 知识体系构建
现有研究按存在形式将设计知识分为原则型、指南型和规则型和事实型
［17］，本文据此对多领域复杂专业知识进行分类。按照抽象程度、知识粒度和适用范围构建EcoDfAM知识体系，见
图5。
最底层是事实型知识，主要来自设计、增材制造、环境可持续性三个领域的客观信息和数据，如材料的属性、设备的规格、液压产品组成结构树、过往环境可持续性评估案例等，是基础性知识，可以为环境可持续性分析提供清单信息和数据，也为后续的原则、指南、规则提供依据和背景。
第二层是规则型知识，是特定于增材制造液压零部件，以设计参数为条件，零部件生命周期属性为结果的预测性因果关系，可基于已知因果关系提供明确的、可操作的建议，主要来自增材制造零部件打印实验或实践积累，直接指导设计或操作行为，如“SLM打印的316L不锈钢零件，如果薄壁结构最小壁厚小于0.3 mm，则添加肋板等支撑材料来防止变形”。
第三层是指南型知识，是基于原则的、更具操作性增材制造设计、生态设计、AM环境可持续性子领域的指令，主要来自增材制造设计、生态设计、AM环境可持续性子领域相关文档，具有上下文语义，如“对于PBF技术，为了防止变形，应注意薄壁结构的最小壁厚”，通常用在具体的设计情境中，为设计师提供具体的方向和优化策略。
最顶层是原则型知识，是从大量事实和经验中归纳出的高级指导性知识，主要来自增材制造、设计、环境领域专家，具有高度的抽象性，如“AM复杂度免费”“选择循环性更高的材料”“避免薄壁结构”等，为设计和决策提供宏观方向等。
上述知识分类层次结构从上到下，知识越来越具体，粒度越来越细，同时知识适用范围越来越窄。从事实到原则反映了从多领域事实经验到高级经验的知识积累、精炼、演化过程。根据该知识分类，可将多领域的跨学科复杂专业知识整合起来，指导EcoDfAM实践。
2 知识驱动的技术框架
2.1 总体框架
本文提出了
图6所示的三层技术框架，用于系统化整合并智能重用上述EcoDfAM知识，以支撑知识驱动的EcoDfAM实现。首先，通过知识获取技术从多源异构数据中提取相关知识；然后，构建知识模型对知识进行统一的结构化表示，并将其转换为计算机可处理的形式存在知识库中；最后，开发推荐引擎以处理系统中的多类知识，据此生成符合需求的生态设计推荐，支持EcoDfAM过程中的可制造性评估、可持续性评估和生态设计改进等应用。该框架可为自更新知识库及基于知识系统的设计应用开发提供理论指导与实践依据。鉴于支持增材制造可制造性评估应用的知识获取、建模与重用已得到广泛研究，本文侧重分析可持续性评估、生态设计改进所需知识。
2.1.1 知识来源层
知识来源层旨在为系统提供多维度、跨领域的知识，即给知识模型提供实例数据。常见EcoDfAM知识的数据来源如下：①AM零件的CAD模型，以特定格式储存的零件设计数据，如GrabCAD；②专家经验，存在于专家脑海或科学文献的知识，如复杂度原则；③设计手册，用文本记录了AM设计指南、规则、工艺规范等，如悬垂角阈值；④AM材料工艺数据库，结构化的材料-工艺-设备数据库，如Senvol；⑤案例数据，增材制造零件的设计、制造、生命周期清单（如Ecoinvent，Gabi）、环境可持续性评估等数据。这些不同来源知识的存在形式包括结构化数据库、非结构化设计手册等，具有典型多源异构特征。
2.1.2 知识模型层
知识模型层是关键部分，用于将多源异构知识结构化组织在知识库。本文将EcoDfAM知识库的逻辑架构分为三层，即组织关系的机制层、组织概念的模式层、组织数据的实例层。
图7展示了EcoDfAM多层级知识库中的实体和关系。实体有领域因素、概念类、案例、概念实例4种类型；实体间有6种关系类型，分别为关联、分类、影响、实例化、参数、约束。
图7中，黄色代表设计域、蓝色代表增材制造域、绿色代表环境域。
通过结构化组织上述实体和关系类型，可表示EcoDfAM所需的事实型、规则型、指南型和原则型知识，并将这些知识储存在知识库的不同层级中。原则型知识作为抽象程度最高的知识，由设计-增材制造-环境域因素关联映射而成，存在知识库机制层；指南型知识作为文本描述的指导知识，由概念类及其关系表示，存在模式层；规则型知识来源于数据规律的挖掘，由概念实例及其关系表示，存在实例层；事实型知识的载体是客观案例数据，可用案例表示，存在实例层。通过跨域知识关联映射推理、语义逻辑推理、实体属性推理等手段，实现多类型知识间的动态更新。
2.1.3 设计服务层
设计服务层旨在构建集成到设计系统的推荐引擎以智能重用知识库知识支持EcoDfAM应用。推荐引擎通常分为两个模块，即输入CAD模型和文本等数据的处理模块、输出生态设计推荐的知识重用模块。
图8所示为两个模块的工作逻辑。
数据处理模块用于从增材制造零部件CAD模型、设计师输入的文本描述等数据中确认EcoDfAM任务场景、设计师需求、产品零件等特征，以映射成知识推荐模板；知识重用模块用于从多层级知识库中召回并处理各种类型的知识，如案例表示的事实型知识，概念、参数连接路径表示的具有推理能力的原则型、指南型、规则型知识。为了能够重用知识库中多种类型知识，采用基于相似性匹配的推荐和基于知识推理的推荐两种混合生态设计推荐策略，通过判断相似案例的需求满足性确定是否调用基于知识推理的推荐。该混合推荐策略既能够直接利用知识库中已存在的相似案例，快速匹配符合满足需求的案例数据，作为生态设计推荐；又能在缺乏相似案例而不能满足需求的情况下，利用具有一定通用性的知识，推理产生具有可解释性的生态设计推荐。
2.2 关键技术分析
在上述框架的不同层级中，需融合本体、知识图谱、机器学习等技术获取的多源异构知识，构建多领域复杂专业知识模型，开发智能知识推荐引擎。
2.2.1 知识获取技术
知识以结构化、非结构化、半结构化数据的形式存在，当前，对不同形式的知识来源有多种可选的知识获取技术，本文结合EcoDfAM知识来源的数据结构、知识存在形式，给出了合适的知识获取技术，如
表2所示。数据库、文本手册等来源的知识通常为显性知识。从数据库这种结构化数据中获取知识已有一些标准和工具，可以将库中数据转化为OWL本体，如将增材制造材料数据库中的材料数据集映射到知识库中的实体，常见技术是W3C发布的RDB2RDF映射语言，即直接映射DM和R2RML；文本数据通过信息抽取技术获得三元组描述知识。来源于专家的隐性经验知识通常采用专家访谈等方式获取。来源于设计模型、环境可持续性评估等案例数据的隐性知识，通常利用机器学习等手段来进行挖掘抽取。
2.2.2 知识建模技术
知识建模涉及技术包括表示、储存、融合、推理等知识工程技术，EcoDfAM知识库不同层级根据知识特点采用不同的知识建模技术。
1）机制层。机制层知识建模的目的是获得结构化的关系模型，揭示引入增材制造后材料-工艺-结构-生态属性间的耦合影响。关系模型构建的关键在于设计、增材制造、环境域因素间的关联映射分析，代表分析技术有统计分析技术中的互信息、相似性，机器学习技术中的Apriori算法、随机森林等；因素间映射分析需要根据具体情况采用不同的方式，增材制造域因素与设计域因素的映射可利用专家打分形成材料工艺结构参数到设计变量的映射依据，增材制造域因素与环境域因素的映射则可利用敏感性分析形成材料工艺结构属性到生态属性的映射依据。
2）模式层。模式层知识建模的目的是获得本体模型，实现多领域差异明显概念间的语义融合表示与推理。EcoDfAM本体是通过融合多个异构本体概念形成的，能表示多领域复杂专业知识的应用本体，采用自顶向下和自底向上相结合的方式构建。本体建模的关键在于设计、增材制造、环境域本体概念的融合表示，通过构建本体间映射规则来实现不同本体间概念的传递，RDF、OWL等标准语言用于表示模式层的类、关系、实例知识，Pellet、HermiT、FaCT、Drools推理机用于执行语义推理，protégé软件工具用于实施本体模型的构建。
3）实例层。实例层知识建模的目的是挖掘规则模型，实现概念实例节点属性和节点间关系的推理，从而更新实例层的知识。规则模型构建的关键在于从案例的设计-打印-评估多源数据中发现隐含的规则，机器学习是常见的方法，其中决策树、规则学习算法常被用于产生可解释的模型，是规则学习的常见技术。
2.2.3 智能推荐技术
生态设计推荐引擎构建中，CAD和文本数据处理技术和智能推荐技术是核心。本文对数据处理技术不做过多描述，重点研究运用智能推荐技术重用知识库中知识以产生生态设计推荐。
1）基于相似性匹配的推荐。基于相似性匹配的推荐可利用案例的设计过程和设计师历史行为数据、案例数据等计算用户情境相似性、案例相似性。推荐思路是：通过匹配知识库中与当前产品相似的可持续案例，将相似案例的设计参数知识作为推荐结果。以低碳材料选择任务为例，推荐流程如
图9所示。首先查询满足可持续性需求的案例，构造案例的参数矩阵作为案例信息，将输入的当前产品信息和矩阵中案例逐列计算相似性，余弦相似度、皮尔逊相关系数、Jaccard相似度等是常见的相似性计算函数。由于案例信息复杂，其特征向量较稀疏，故采用深度学习模型编码产品案例信息，捕获深层次特征，使其能在同一维度进行相似度计算。当前结合深度学习的常见推荐技术有结合自编码器的AutoRec模型、结合神经网络的NerualCF模型、结合深度神经网络的Wide&Deep模型等。然后，根据相似性计算结果对案例进行排序。最后，在相似性最高的案例信息中，找到满足需求的目标参数作为生态设计推荐。
2）基于知识推理的推荐。基于知识推理的推荐可以在不具备相似案例下生成可解释的推荐，非常适合增材制造产品这种案例相似性低的场景。知识图谱推理有基于符号逻辑的本体和规则推理、基于向量嵌入的表示学习推理。本文结合这两种方式，根据知识库中知识结构，给出了基于知识推理的生态设计推荐流程，如
图10所示。首先，识别任务中作为设计变量、设计目标的概念实体，利用本体的推理技术从知识库概念层中查询设计变量对设计目标的影响关系，据此确认设计变量到设计目标的连接方式，作为知识图谱实例的推理元路径。然后利用表示学习推理技术检索推理知识库实例层满足元路径的实体路径并计算路径得分。知识图谱中实体和关系形成了复杂的图结构网络，向量嵌入模型可以将实体和关系元素映射到连续的向量空间，将每个元素学习在向量空间低维稠密表示，从而使知识能计算。生态设计中可采用该方法计算路径得分。向量化知识图谱的代表性模型有Metapath2vec、RGCN等图嵌入模型，以及TransE、TransR等知识图谱嵌入模型。最后，根据得分排序路径，并将得分最高的路径中满足需求的目标实体作为生态设计推荐。
3 案例应用与讨论
本文以飞机机翼处液压系统的一个三通电磁液压阀为例，对考虑可持续性的生态设计改进应用进行分析与讨论。
3.1 案例介绍
液压阀一般由阀体、阀芯、线圈等零部件组成，其中，阀体是重量占比较高的零件，具有明显的轻量化潜力，是增材制造的不二之选。该三通电磁液压阀原型的零部件组成及阀体内部结构如
图11所示，共有4个油口，即2个出油口、1个进油口和1个回油口，内部流道结构用于将从进油口进入的流体传输到出油口，壳体为安装在阀体上的零件提供安装面并实现自支撑，与阀芯接触的内表面用于阀芯与阀体的滑动摩擦以实现液体流动方向的控制。因阀芯属于精密件且装配在阀体上的线圈等零件是标准件，故阀体的主体流道和外部安装孔的大小和位置不可擅自改动。因此，对于该阀体，案例研究所关注的设计任务主要是材料选择、壳体结构轻量化设计、成形参数设计。
3.2 案例应用
3.2.1 知识收集
通过文献检索、数据爬取、专家访谈等方式获取了相关知识，示例如
图12所示，来源于文献［
18-
21］。这些数据具有典型的多源异构特征，从中获取的知识可指导设计师在阀体设计活动开展EcoDfAM应用，如在材料选择活动中，可根据材料数据库中材料蕴含能进行环境可持续性评估。
3.2.2 知识建模
根据上述数据，利用框架中知识模型层的方法与技术构建知识模型实例。
1）用于材料选择的知识建模。材料选择通常发生在概念设计阶段，从专家经验和材料数据库获取的原则型知识可用于该设计活动。利用机制层的知识建模技术对来源于多领域的专家经验和材料数据库中的知识进行处理，获得
图13所示的关联关系结构及跨域知识关联映射结果，实线代表因素间的关联，虚线代表由因素到知识元素的映射。首先，基于互信息的关联性分析技术对来源于AM材料数据库的结构化数据进行分析，计算因素间的关联性，获得因素间的关联关系；然后利用语义相似性技术计算关联关系中的因素与领域知识元素的映射系数，从而实现跨域知识关联映射。跨领域知识的关联映射结果可表示成支持材料选择的原则型知识：
低碳材料选择= f ｛（材料类型），（密度，蕴含能），（碳排放）｝
无毒性材料选择= f ｛（材料类型），（毒性），（人体健康）｝
低能耗层厚优化= f ｛（层厚），（打印能源强度），（能耗）｝
2）用于壳体结构设计的知识建模。壳体轻量化设计通常发生在结构设计阶段，从设计手册获取的指南型知识可用于该设计任务。利用模式层的知识建模技术从设计手册的非结构化文本数据中识别关键术语，语义合并、分类整理后，获得
表3所示的概念实体和类，导入本体。根据“轻量化点阵晶格结构设计原则=
f ｛（点阵晶格结构），（强度，重量），（燃料消耗）｝”这一原则型知识在本体中约束上述概念实体，利用Pellet推理机进行推理融合，在EcoDfAM本体中获得由参数组成的指南型知识表示，如
图14所示。通过本体的推理融合，燃料排放成为环境指标，零件质量成为生态属性，面心立方成为生态设计变量，以此指导阀体壳体的环境可持续性分析和晶格类型选择。
3）用于成形参数优化的知识建模。成形参数设计通常发生在详细设计阶段，成形参数的优化范围通常隐藏在各种来源的数据中，本文规则型知识可用于表示成形参数的优化范围。
图15所示为利用实例层知识建模技术从液压零件环境可持续性评估数据中学习到的层厚相关的规则型知识，其中，基于CART算法的决策树模型被采用，且决策树特征选择时，通过查询EcoDfAM本体表示的指南型知识，得到层厚作为生态设计变量，主要影响的环境指标是打印能耗，受两者影响的AM生态属性是打印能源强度，而影响打印能源强度的关键参数是材料类型和设备，因此材料、设备、层厚作为打印能耗的数据特征。
将
图15中加粗的一条层厚设计的规则型知识转换成用条件-结构规则的表示：
条件：｛材料=钢∩设备=AM250∩0.04 mm<层厚≤0.06 mm｝
结论：｛打印能耗具有可持续性｝
相应地，将从仿真打印数据学习得到，且考虑增材制造限制，用于层厚设计的规则型知识用条件-结构规则表示为
条件：｛材料=钢∩设备=AM250∩0.03 mm<层厚｝
结论：｛强度满足｝
条件：｛材料=钢∩设备=AM250∩层厚≤0.05 mm｝
结论：｛表面质量良好｝
结合上述规则推理，可得到在满足强度和表面质量要求的前提下，打印能耗具有可持续性的层厚是0.05 mm。
3.2.3 生态设计推荐
1）知识图谱构建。将获得的案例数据导入图谱，并根据原则型、指南性、规则型知识进行推理，将案例数据分类成概念实例，并与领域知识、概念等实体节点产生关系，从而共同构成多层级知识图谱。为了进行案例应用，本文从收集的知识来源中构建出一个EcoDfAM知识图谱，该图谱共包括5408个节点、10 395个关系，其中有50个案例节点，
图16展示了从neo4j库中检索出的3个案例节点的知识图谱。本案例研究的基于相似性匹配的推荐采用协同过滤模型（ItemCF），相似度的计算通过分析不同场景下案例可持续性来计算，然后根据相似性结果排序案例；基于知识推理的推荐采用Metapath2vec图嵌入模型，然后利用嵌入表示结果进行实体链接路径预测。
2）推荐结果分析与验证。对于本案例液压阀体，推荐引擎会处理上述知识模型实例，根据设计师输入的推荐需求，在产品设计过程不同阶段设计任务中逐步输出
表4所示的推荐结果。推荐结果的分析如
图17所示，红色实线代表最终被推荐的路径，加粗虚线代表场景转换成为实体节点。从
图17中可以看出，三种推荐结果使用了知识图谱中实体的不同连接路径，材料选择的推荐结果直接通过检索过往中的相似案例，选择相似性最高的案例的材料类型作为推荐结果；壳体结构设计的推荐结果因找不到满足需求的相似案例，将该案例的需求转换为知识库实体，然后通过指南型知识中概念间的关联，查询和关联概念的案例数据作为推荐结果；层厚优化的结果则是将场景转换为概念实例实体，根据规则型知识推理获得的参数连接关系，获得满足场景的层厚实例。
为了验证推荐结果的生态设计效果，设置了对照方案与上述推荐结果进行对比分析，如
图18所示，阀体的壳体采用点阵晶格结构，工艺是SLM，打印采用Renishaw AM250。利用产品全生命周期评估方法，以碳排放指标为例，对比验证不同设计任务中推荐方案与对照方案的环境可持续性（评估的生命周期模型参考文献［
22］，所采用的生命周期范围、清单数据及评估方法等内容可通过扫描本文篇首处的OSID码获取）。为了逐步呈现设计过程不同阶段推荐结果对全生命周期的环境影响，推荐方案和对照方案的评估策略在设计任务中除了变量不同，其他保持一致，且后续阶段的方案采用前一阶段所推荐的结果，如结构设计阶段的推荐方案和对照方案在评估时，除了壳体点阵晶格结构不同，材料类型采用上一阶段推荐所确定的316L不锈钢，其他参数保持一致。
该液压阀体的全生命周期评估对比分析结果如
图19所示，可以看出，不同阶段设计任务的推荐方案均优于对照方案，且方案的碳排放在逐步降低。将不同设计任务方案的环境可持续性评估结果细化到不同生命周期过程，结果如
表5所示，推荐方案的评估结果反映了最终该阀体的环境可持续性。由
表5可以发现：概念设计对生命周期过程碳排放影响最大，详细设计影响最小，且主要影响打印过程，这符合设计各阶段对全生命周期的影响规律；不是所有生命周期过程推荐方案都优于对照方案，因为知识是综合考虑权衡多因素给出的推荐方案，会抓住该任务影响的关键生命周期过程，以此推荐出全生命周期最优的方案。上述结果很好地证明了利用知识实现EcoDfAM的有效性。
3.3 应用讨论
根据案例应用结果，所提技术框架能够系统化地整合与表示不同设计阶段所需的知识，并以设计任务、环境目标等组成的需求信息作为推荐任务的输入，通过案例的相似性计算和节点间关系所连接路径推理，推荐符合需求的生态设计改进建议，从而指导设计师逐步优化设计方案，最大程度提高产品全生命周期的环境可持续性。
除此之外，该知识驱动的技术框架还可有效应对EcoDfAM中的以下几类关键问题。
1）增材制造可制造性和可持续性的综合权衡。在增材制造产品的生态设计过程中，需协同考虑制造工艺与环境性能。该框架通过模型层中设计-制造-环境多域因素的关联映射，显性化地表达增材制造中的设计约束与可持续性优势，明确其对设计和环境的影响机制，从而支持跨域关键因素的综合权衡。例如，通过将材料类型、密度、强度、蕴含能、碳排放等属性进行关联映射，形成低碳材料选择原则知识，帮助设计人员在满足可制造性前提下，选择环境影响最小的材料类型，避免单方面考虑而导致的局部最优与多目标失衡。
2）支持设计阶段的环境可持续性评估。设计阶段开展环境可持续性评估是实现生态设计的关键，但仍面临清单数据缺失与跨域语义互操作性等挑战。本框架依托本体层所构建的统一概念体系，将历史案例中的设计-打印-评估数据转化为知识图谱中的节点与关系，通过规则推理补全隐含关系。在评估时，既可直接调用历史案例数据作为清单数据，也可通过已知设计数据检索与其具有关系的制造、评估数据作为清单数据。同时，框架中本体模型既为不同领域的概念知识提供了统一的描述，又具备转换成形式化表达的能力，为产品设计的环境可持续性评估提供基于语义搜索的知识库，避免不同系统工具数据集成时的不可操作性局限。
3）支持响应多样化的生态设计需求。增材制造产品的生态设计常涉及多类环境影响指标、不确定的生命周期系统边界以及差异显著的产品特征，往往缺乏可直接参考的历史方案。该框架一方面通过相似性匹配推荐类似案例，另一方面借助知识推理识别隐含的深层生态设计建议，从而实现对多样化、个性化需求的有效响应，拓展了生态设计知识的复用边界与应用灵活性。
在液压阀体的EcoDfAM中，根据设计师输入的场景需求，从知识库中匹配知识并通过知识推理为上述应用提供生态设计推荐，从而在多阶段设计任务中指导设计师做出恰当决策。根据上述液压阀体的EcoDfAM应用，
图20展示了具有可持续性的增材制造液压零部件开发的两种方式，可以看出，知识驱动的方式能够有效降低闭环迭代的长度和次数，提高过程效率和质量。
4 结论
1）定义了涉及三个领域的EcoDfAM概念内涵，分析了不同设计阶段对知识的需求，提出了包含四种知识的多领域复杂专业知识体系，明确了不同类型知识的特点及关系。
2）提出了一个三层的技术框架，该框架从多源异构数据获取显隐知识，利用结构化知识模型编码不同类型的知识，存储为知识图谱，并利用智能推荐技术构建推荐模型适应多样化的场景需求，准确高效推荐知识以支持EcoDfAM应用。
3）以增材制造液压阀体的三个阶段典型设计任务为例，给出了所需知识的建模与推荐应用示意，并利用生命周期评估方法对比验证了知识驱动的EcoDfAM应用的环境可持续性效果。
4）当前研究所提技术框架通过融合多种知识工程技术，智能化支持设计师开展EcoDfAM应用实践。下一步将会针对框架中的每一部分，构建本体模型、机器学习模型、深度学习模型，以将这些模型集成到系统，开发生态设计顾问系统。
国家重点研发计划(2024YFB3311202)
京公网安备11010202008535号
PDF
(6332KB)
