考虑研发人员全生命周期动态特征的绿色设计知识主动推送方法

Green Design Knowledge Proactive Recommendation Method Based on Designers’ Lifecycle Dynamic Features

摘要

针对机电产品全生命周期设计过程中绿色设计知识获取难、研发人员画像匹配和推送效率低等问题，表征了研发人员全生命周期绿色设计过程中各类特征，包含类型特征、操作特征、知识特征与任务特征等多个维度，并进行了特征量化、权重优化及降维融合；提出了研发人员动态画像相似度、全生命周期特征距离与知识绿色度等绿色设计知识匹配指标函数，并构建了绿色设计知识匹配模型；提出了考虑研发人员画像迁移预测下的绿色设计知识推送机制，建立了考虑全生命周期距离预测与检验的绿色设计知识主动推送方法。最后，基于某款新型冰箱的高容积率、低耗材、低能耗等绿色研发需求，开展了相应绿色设计知识匹配及推送应用验证，结果表明，该方法所匹配并主动推送的绿色设计知识集合能够有效启发研发人员实施机电产品绿色结构优化及节能设计。

Abstract

In response to the difficulty in acquiring green design knowledge， designer profile matching， and the low efficiency knowledge recommendation throughout the lifecycle design of electromechanical products， various features involved in the designers' green design processes over the full lifecycle， including type， operational， knowledge， and task features， were identified. Then， feature quantization， weight optimization， and dimensionality reduction fusion were conducted. Subsequently， indicator functions for green design knowledge matching， including designer dynamic profile similarity， lifecycle feature distance， and knowledge greenness， were developed， and a corresponding matching model was constructed. Furthermore， a green design knowledge push mechanism was proposed based on the transfer prediction of designer profile， and an active green design knowledge recommendation method driven by full-lifecycle distance prediction and verification was established. Finally， an application validation was conducted using a new refrigerator model with green design requirements in terms of high volume efficiency， reduced material consumption， and low energy use. The results demonstrate that the recommended green design knowledge sets may effectively support designers in achieving green structural optimization and energy-efficient design for electromechanical products.

Graphical abstract

关键词

绿色设计知识 / 知识推送 / 人员动态画像 / 全生命周期特征 / 画像迁移预测

Key words

green design knowledge / knowledge push / designer dynamic profile / full-lifecycle characteristics / transfer prediction of designer profile

0 引言

随着互联网与人工智能技术的快速发展，大量绿色产品设计数据获取越来越便捷，但其分布零散、形式多样且规模庞大，导致研发人员在具体产品开发中难以及时筛选与评估相关知识，需花费大量时间查阅数据库，缺乏面向具体任务的知识集合，从而影响绿色设计效率。当前，制造业正加速向绿色制造转型，在机电产品全生命周期设计背景下，从海量碎片化绿色知识中精准挖掘并推送有用信息已成为绿色设计知识工程的重要研究需求。

为提高绿色设计知识获取效率与推送准确性，众多学者对知识推送进行了相关领域多项研究。ZHU等^［1］通过融合基础与行为特征构建了双层次用户表示，提高了推荐性能；WANG等^［2］利用堆叠集成学习构建高维用户画像，进一步提高了推荐准确率；LI等^［3］构建了层次化知识模型与多模态图，开发了基于知识图谱的推荐算法。

在知识推送过程中，特征选择与权重优化是提高推送模型可解释性与稳定性的关键环节。KHAIRE等^［4］分析了特征选择算法的稳定性问题并提出改进策略。BARBIERI等^［5］通过多指标对比评估了各类特征选择算法的性能，为高维数据下的特征筛选提供了实践指导。MOGHADDAM等^［6］针对传统半监督模糊C均值对噪声敏感、忽略特征权重等问题，提出了一种融合可能性聚类与动态特征加权的鲁棒核方法。WANG等^［7］提出了一种融合句法特征与贝叶斯超参数优化的文本分类方法。WANG等^［8］针对小样本与噪声场景，提出了基于精细原型与相关加权曼哈顿距离的新型网络模型。

相似度计算是知识推送的核心环节，WANG等^［9］系统梳理了文本相似度算法，并从距离与表示两个维度构建分类体系。WAN等^［10］提出了一种融合词频-逆文档频率特征相似性与信息丢失熵的语言偏好降维方法。FKIH^［11］针对协同过滤对相似性度量敏感的问题，通过实验对比确定了基于用户推荐和基于项目推荐的最佳度量。

在全生命周期节能减排与轻量化绿色设计领域，LIU等^［12］通过对热冲压生产线进行能量导向建模与分析，提出了节能策略。LI等^［13］针对液压机安装功率与实际需求不匹配的问题，提出了一种节能控制策略。CAO等^［14］提出了机床生命周期碳效率模型，验证轻量化与能效提高对减排的促进作用。针对机电产品绿色设计需求，JIA等^［15］构建了一个集成知识图谱与路径排序算法的多粒度设计框架，提高了设计效率。余隋怀等^［16］系统构建了知识工程关键技术体系，以提高设计智能化水平。

在研发人员绿色设计知识推送和知识特征建模的相关研究基础上，为了构建知识表达模型，同时提高知识推送效率，PEI等^［17］提出了融合蒸馏模型与贝叶斯网络的知识推送方法，提高装配知识利用效率。柯庆镝等^［18］构建了生命周期性能关联的知识表达方法，并在液压阀设计中进行了验证。张雷等^［19］结合本体表达与粗糙集，实现了绿色设计知识的动态更新。

在绿色知识推送创新方法以及实际应用方面，LI等^［20］针对传统概念设计难以兼顾功能与绿色性能的问题，提出了融合知识推送与绿色过滤的新方法。HE等^［21］针对静态知识库效率低、语义关系表达不足的问题，提出了一种融合系统建模语言与知识图谱的创新方法。ZHANG等^［22］开发了基于CAD的生态设计反馈推送系统，通过相似度匹配实现知识精准推送。

综合来看，现有研究虽在绿色设计知识表达、知识图谱融合推送、特征建模、绿色创新方法等方面取得了进展，但以下关键问题仍需突破：①多维特征量化与权重分配机制尚不完善，难以精准刻画研发人员在全生命周期绿色设计过程中需求的动态变化；②现有绿色设计知识推送方法仍主要依赖静态知识库，缺乏结合用户行为反馈与用户画像迁移的推送机制；③对于缺乏历史行为数据的研发人员，基于协同信息的传统推送方法准确性受限。

针对上述问题，本文从研发人员全生命周期视角出发，综合类型特征（TC）、操作特征（OC）、绿色知识特征（GKC）与绿色任务特征（GTC）构建特征模型，量化动态特征并结合熵权法（entropy weight method，EWM）优化权重，建立融合用户画像相似度、生命周期距离与绿色度优化的绿色性能指标相似度模型，实现绿色知识的个性化与动态推送。同时，设计了面向动态行为数据匮乏情境下的用户画像迁移与反馈更新机制，并通过某企业冰箱节能优化案例验证了方法的可行性与有效性。

1 研发人员的动态特征模型

1.1 面向全生命周期绿色设计情境的模型表达

在实际产品研发过程中，研发人员的设计行为并非静态不变，而是随着产品设计任务的推进呈现出明显的阶段性特征。不同生命周期阶段下，产品设计所需的绿色性能、约束条件及决策重点存在显著差异，进而导致研发人员在设计过程中对绿色知识的需求持续变化。因此，基于单一阶段或静态特征的建模无法实时反映研发人员在设计过程中的动态行为特征（如浏览、下载等特征）。为有效表征这种随阶段演化的需求，本文从全生命周期视角构建设计情境模型，如图1所示。该模型中，生命周期特征刻画各阶段的绿色关注重点，人员动态特征描述研发人员在不同阶段的任务角色与决策偏好，二者相互耦合，共同构成绿色知识需求形成的情境基础。基于此耦合关系，本文进一步开展特征关联分析，以支撑后续绿色设计知识的主动推送。

从产品全生命周期视角出发，参照相关国际标准（如ISO 14040、ISO 14044）以及生态设计与绿色设计领域的通行划分方式，机电产品的生命周期（LC）可划分为5个关键阶段，即原材料获取阶段（RMA）、制造与装配阶段（MA）、运输阶段（Tr）、使用阶段（U）与回收处理阶段（RT），具体表示为

\mathrm{L}\mathrm{C}=(\mathrm{R}\mathrm{M}\mathrm{A},\mathrm{M}\mathrm{A},\mathrm{T}\mathrm{r},\mathrm{U},\mathrm{R}\mathrm{T})（1）

该划分方式能够与研发人员在不同阶段承担的绿色设计任务形成对应关系，将上述5个生命周期阶段作为特征引入研发人员画像建模，可刻画研发人员在不同阶段下的任务关注重点与知识需求变化，为后续特征量化、相似度计算及绿色设计知识主动推送提供支撑。

绿色设计知识（GDK）指在机电产品绿色设计全过程中能够有效支撑全生命周期环境友好性分析与决策的知识单元^［18］。结合课题组前期研究^{［18-19，22］}，考虑机电产品的全生命周期特征，并参考生命周期性能关联的知识表达方法，每一条绿色设计知识由知识名称（N）、知识主题（T）、知识元素（E）和知识阶段（S）4个部分组成。绿色设计情境下绿色设计知识的具体含义如表1所示，具体可表示为

\mathrm{G}\mathrm{D}\mathrm{K}=(\mathrm{N},\mathrm{T},\mathrm{E},\mathrm{S})（2）

绿色设计知识的主题T包括结构设计类（SD）、材料选择类（MS）、制造工艺类（MP）、回收再制造类（RR）、生命周期评价类（LCA），具体表示为

\mathrm{T}=(\mathrm{S}\mathrm{D},\mathrm{M}\mathrm{S},\mathrm{M}\mathrm{P},\mathrm{R}\mathrm{R},\mathrm{L}\mathrm{C}\mathrm{A})（3）

绿色设计知识的元素E包含轻量化（L）、低碳设计（LD）、拓扑优化（TO）、增材制造（AM）、再制造（R）5个绿色设计元素，具体表示为

\mathrm{E}=(\mathrm{L},\mathrm{L}\mathrm{D},\mathrm{T}\mathrm{O},\mathrm{A}\mathrm{M},\mathrm{R})（4）

绿色研发人员（GD）指的是企业中参与机电产品全生命周期研发的所有工作人员。根据绿色研发人员的工作领域，可将其分为绿色设计领域（GDF）研发人员和主动推送算法领域（IPAF）研发人员。不同领域研发人员的特征维度具体表示为

\mathrm{G}\mathrm{D}=(\mathrm{G}\mathrm{D}\mathrm{F},\mathrm{I}\mathrm{P}\mathrm{A}\mathrm{F})（5）

根据机电产品全生命周期绿色设计开发流程，GDF研发人员可根据其所属的绿色设计方向分为结构设计（SD）、材料选择（MS）、制造工艺（MP）、再制造与回收利用（RR）、全生命周期评价（LCA）以及其他（O），具体可表示为

\mathrm{G}\mathrm{D}\mathrm{F}=(\mathrm{S}\mathrm{D},\mathrm{M}\mathrm{S},\mathrm{M}\mathrm{P},\mathrm{R}\mathrm{R},\mathrm{L}\mathrm{C}\mathrm{A},\mathrm{O})（6）

IPAF研发人员在绿色设计知识主动推送过程中具有三种身份，分别为知识推送使能工具系统内的原始研发人员（OD）、在系统注册后等待知识推送的新增研发人员（ND）、主动推送过程中的算法运算研发人员（AOD），具体表示为

\mathrm{I}\mathrm{P}\mathrm{A}\mathrm{F}=(\mathrm{O}\mathrm{D},\mathrm{N}\mathrm{D},\mathrm{A}\mathrm{O}\mathrm{D})（7）

绿色设计任务（GDT）指企业中的绿色研发人员根据企业制定的设计任务，结合绿色设计知识在全生命周期绿色设计情境下进行机电产品研发工作的完整过程。在机电产品的绿色设计中，设计任务往往围绕全生命周期展开，不同阶段都有不同的绿色化目标和重点。绿色设计任务可分为结构设计任务（SD）、材料选择任务（MS）、制造工艺任务（MP）、包装运输任务（PT）、回收利用任务（RU），具体表示为

\mathrm{G}\mathrm{D}\mathrm{T}=(\mathrm{S}\mathrm{D},\mathrm{M}\mathrm{S},\mathrm{M}\mathrm{P},\mathrm{P}\mathrm{T},\mathrm{R}\mathrm{U})（8）

1.2 人员动态特征及其表达

人员特征指在机电产品全生命周期绿色设计与知识推送过程中，对研发人员基本类型信息与动态操作行为的描述。在参与企业分配的研发任务前，研发人员通过知识推送使能系统采集并上传其基本类型信息，该类数据特征称为TC；在任务执行过程中，研发人员的兴趣偏好与操作行为会随任务阶段动态变化，该类动态特征称为OC。绿色设计知识所具有的包含N、T、E、S数据的特征称为GKC，绿色设计任务所具有的包含SD、MS、MP、PT、RU数据的特征称为GTC，具体人员动态特征表达见图2。

在全生命周期绿色设计知识推送过程中，人员的TC是指在较长时间内不随操作行为而改变的类型属性，能够为后续用户画像的相关计算提供数据支撑。TC维度的选取遵循能力相关性、工程可行性与数据稳定性三项原则。所选特征能够反映研发人员在绿色设计任务中的潜在知识需求与决策能力，同时保证数据在工业场景中易于获取、格式规范且具有良好的可计算性，并避免引入频繁变动或隐私敏感但与绿色设计关联度较低的属性。

基于上述原则，TC维度包含职位（P）、工作年限（WY）、学历（EB）、专业（MB）。其中，职位反映研发人员在设计决策中的职责范围与参与深度，工作年限表征其工程实践经验积累，学历体现其理论基础与系统分析能力，而专业背景则直接关联其在材料、结构、制造或控制等绿色设计相关领域的知识基础。TC维度的具体含义如表2所示，具体表示为

\mathrm{T}\mathrm{C}=(\mathrm{P},\mathrm{W}\mathrm{Y},\mathrm{E}\mathrm{B},\mathrm{M}\mathrm{B})（9）

人员OC是指在产品全生命周期绿色设计与知识推送过程中，随着设计任务的进展与研发人员操作行为的改变而不断更新、能够表征研发人员操作行为与知识需求的特征集合。考虑全生命周期绿色设计情境下研发人员对知识的OC包含浏览操作（BO）、下载操作（DO）、评分操作（SO）和收藏操作（CO），4种OC的具体含义及其含义说明如表3所示，具体表示为

\mathrm{O}\mathrm{C}=(\mathrm{B}\mathrm{O},\mathrm{D}\mathrm{O},\mathrm{S}\mathrm{O},\mathrm{C}\mathrm{O})（10）

为便于主动推送过程中的相似度计算，知识推送使能系统会记录研发人员的行为操作数据，具体为操作特征记录（OFR），用于捕捉研发人员的OC中每个操作的后端数据历史记录，包含浏览时长（BD）、下载次数（DC）、知识评分（KR）和知识收藏（KC），各动态特征记录含义如表3所示，具体表示为

\mathrm{O}\mathrm{F}\mathrm{R}=(\mathrm{B}\mathrm{D},\mathrm{D}\mathrm{C},\mathrm{K}\mathrm{R},\mathrm{K}\mathrm{C})（11）

2 多维特征量化及动态关联规律分析

在全生命周期绿色设计情境下，研发人员特征、生命周期特征及绿色设计知识特征在表达形式和数据属性上存在差异。为实现多维特征之间的关联分析，并支撑绿色设计知识的精准匹配与主动推送，有必要对相关特征进行量化处理，将其统一映射至可计算的同一维度空间。

同时，由于不同特征在数据类型上存在显著差异，采用单一量化方法难以兼顾特征语义表达的完整性与计算有效性。基于特征类型与工程语义的差异性，本文针对性地选取了不同的量化策略。对于TC、GTC等离散型特征，采用编码方式表示，如表2、表4所示；对于以知识主题、知识元素等形式存在的文本型绿色设计知识特征，则采用词频-逆文档频率（TF-IDF）方法量化表示，以刻画其在知识空间中的分布特征。通过上述分类型量化处理方式，在保留各类特征原有语义信息的基础上，可实现多维特征的统一表达，为后续动态关联分析与精准知识推送提供可靠的数据基础。

2.1 特征量化与动态关联规律分析

根据前述定义的特征体系模型，采用特征编码方法对TC进行量化（表2），引入One-hot编码对GTC进行量化（表4），并采用TF-IDF对GKC进行量化，OC本身为数值型数据，可直接从知识推送系统后端的OFR中获取，无需量化。具体特征量化流程如图3所示。

1）One-hot编码方法：用于离散特征的量化，适用于将非数值型类别特征转换为向量形式。

2）TF-IDF方法：用于文本特征的量化，通过统计词语在单个文档与整个知识库中的出现频率来衡量词语在知识语料中的重要程度，可将非结构化的知识文本转换为可用于相似度计算的特征向量。

在对特征进行量化后，为便于相似度计算，需对其进行标准化处理并统一不同特征向量之间的维度，为此引入L2标准化方法与主成分分析（PCA）对特征向量进行标准化与降维。此外，由于不同特征在知识匹配过程中的重要程度不同，还引入EWM确定特征权重。

1）特征向量标准化方法。L2标准化方法通过对特征向量进行二范数标准化，使其转换为单位向量，但不改变不同特征的原始比例关系。

2）特征向量降维法。PCA通过正交变换将原始高维特征映射为一组相互独立、按方差大小排序的主成分，实现特征的降维融合。

3）特征权重系数确定。在研发人员全生命周期动态特征的绿色设计知识主动推送方法中，合理确定不同特征重要性是实现精准推送的关键，可采用EWM计算特征权重。

在全生命周期绿色设计情境下，为解决ND因缺乏动态行为数据而导致的冷启动问题，引入了加权欧氏距离函数（weighted euclidean distance，WED）作为相似度度量。该方法基于研发人员的TC，首先利用EWM确定不同特征的权重系数，进而计算ND与OD之间的加权欧氏距离d_{\mathrm{N}{\mathrm{D}}_i,\mathrm{O}{\mathrm{D}}_j}（下标ND _i 和OD _j 分别表示新增设计人员i、原始设计人员j），并结合距离相似度s_{\mathrm{d}\mathrm{i}\mathrm{s}}量化两者间的相似程度。在此基础上，将相似度最匹配的OD浏览过的知识优先推送给ND，从而实现初始推送阶段的初始知识匹配与初始用户画像迁移。加权欧氏距离及距离相似度计算公式如下：

d_{\mathrm{N}{\mathrm{D}}_i,\mathrm{O}{\mathrm{D}}_j}=\sqrt[]{{\displaystyle \sum _{k=\mathrm{1}}^n}{\omega }_k(N_{ik}-O_{jk}{)}^{\mathrm{2}}}（12）

s_{\mathrm{d}\mathrm{i}\mathrm{s}}=\frac{\mathrm{1}}{\mathrm{1}+d_{\mathrm{N}{\mathrm{D}}_i,\mathrm{O}{\mathrm{D}}_j}}（13）

式中：N_{ik}为ND _i 在第k个特征上的标准化值；O_{jk}为OD _j 在第k个特征上的标准化值；{\omega }_k为第k个特征的加权系数；n为特征个数。

在绿色知识推送过程中，研发人员的操作行为变化是驱动系统主动推送知识的核心，为此，基于OFR对其进行动态关联规律进行分析。

1）浏览操作：对应OFR指标浏览时长，单位为秒。如浏览时长越长，表明人员对知识内容兴趣越高。

2）下载操作：对应OFR指标为下载次数，用于衡量人员对知识的深度需求。如下载次数越多，表明人员对知识内容的兴趣越高。

3）评分操作：对应OFR指标为知识评分，评分取值范围为1~5分，表明人员对知识内容的满意程度。高评分表明知识内容更契合，低评分则表明知识内容不符合。

4）收藏操作：对应OFR指标为知识收藏，收藏记为1，未收藏记为0，表明人员对知识内容的潜在兴趣。

2.2 生命周期特征关联分析

生命周期特征是指机电产品与研发人员在全生命周期过程中所呈现的多维度属性及其动态变化规律。为更准确地衡量知识与人员生命周期特征关联的匹配程度，引入三项绿色性能指标，即用户画像相似度（UPS）、全生命周期距离（FLD）和绿色度（GD），并构建指标相应的函数，生命周期特征关联分析的整体框架如图3所示。

2.2.1 用户画像相似度函数\mathit{R}(\mathit{u},\mathit{k})

\mathrm{用户}\mathrm{画像}\mathrm{相似}\mathrm{度函}\mathrm{数}R(u,k)用于衡量知识T与人员的TC、OC以及GTC之间的相似程度，具体通过计算各对应特征向量之间的相似度实现。计算过程如下：

1）特征处理。基于TF-IDF方法计算可得特征向量，经L2标准化方法将向量标准化处理后，再通过PCA降维法以及L2标准化方法将其统一为相同维度，得到标准同维向量：

{\mathit{V}}_{\mathrm{S}\mathrm{S}\mathrm{D}}=({\mathit{T}}_{\mathrm{n}},{\mathit{C}}_{\mathrm{T}\mathrm{n}},{\mathit{C}}_{\mathrm{O}\mathrm{n}},{\mathit{C}}_{\mathrm{G}\mathrm{T}\mathrm{n}})（14）

式中：{\mathit{C}}_{\mathrm{T}\mathrm{n}}\mathrm{、}{\mathit{C}}_{\mathrm{O}\mathrm{n}}\mathrm{、}{\mathit{C}}_{\mathrm{G}\mathrm{T}\mathrm{n}}分别为TC、OC和GTC的标准化值。

2）权重计算与特征向量加权融合。考虑到研发人员的多维动态特征对用户画像的影响程度不同，由EWM计算TC、OC和GTC的权重系数{\omega }_{\mathrm{T}\mathrm{C}}、{\omega }_{\mathrm{O}\mathrm{C}}和{\omega }_{\mathrm{G}\mathrm{T}\mathrm{C}}。

3）计算用户画像相似度。首先，对人员动态特征向量进行加权融合，得到人员用户画像向量：

{\mathit{P}}_u={\omega }_{\mathrm{T}\mathrm{C}}{\mathit{C}}_{\mathrm{T}\mathrm{n}}+{\omega }_{\mathrm{O}\mathrm{C}}{\mathit{C}}_{\mathrm{O}\mathrm{n}}+{\omega }_{\mathrm{G}\mathrm{T}\mathrm{C}}{\mathit{C}}_{\mathrm{G}\mathrm{T}\mathrm{n}}（15）

随后，计算用户画像{\mathit{P}}_u与知识主题向量{\mathit{T}}_k的相似度：

R(u,k)=\frac{{\mathit{P}}_u\bullet {\mathit{T}}_k}{{‖{\mathit{P}}_u‖}_{\mathrm{2}}{‖{\mathit{T}}_k‖}_{\mathrm{2}}}（16）

式（16）中，R(u,k)=\mathrm{0}表示用户画像与知识主题完全不相似；R(u,k)=\mathrm{1}表示完全相似；R(u,k)\in (\mathrm{0.75,1})为充分相似；R(u,k)\in (\mathrm{0.45},\mathrm{0.75}]为中等相似；R(u,k)\in (\mathrm{0,0.45}]为不充分相似。

2.2.2 全生命周期距离函数\mathit{L}(\mathit{u},\mathit{k})

全生命周期距离综合考虑了绿色设计知识与研发人员的语义契合度，既反映知识元素之间的内在联系，也评估生命周期阶段的匹配程度，可用于预测和检验研发人员在机电产品研发过程中对知识的需求匹配度。为系统量化知识间的全生命周期距离，构建基于元素内在距离d_{\mathrm{e}\mathrm{l}\mathrm{e}}和生命周期阶段距离d_{\mathrm{s}\mathrm{t}\mathrm{a}}的加权距离矩阵\mathit{L}。具体计算步骤如下。

首先，计算元素内在距离d_{\mathrm{e}\mathrm{l}\mathrm{e}}。

1）构建知识-元素矩阵{\mathit{M}}_{\mathrm{k}-\mathrm{e}}。定义知识集合K=\{K_{\mathrm{1}},K_{\mathrm{2}},\dots ,K_i\}，知识元素集合E=\{E_{\mathrm{1}},E_{\mathrm{2}},\dots ,E_m\}，由式（4）并结合One-hot编码方法，构建知识-元素矩阵：

{\mathit{M}}_{\mathrm{k}-\mathrm{e}}=\left[\begin{array}{ccc}\begin{array}{cc}{e}_{\mathrm{11}}& e_{\mathrm{12}}\\ e_{\mathrm{21}}& e_{\mathrm{22}}\end{array}& \cdots & \begin{array}{l}{e}_{\mathrm{1}\mathrm{m}}\\ e_{\mathrm{2}\mathrm{m}}\end{array}\\ ⋮⋮& & ⋮\\ \begin{array}{cc}{e}_{i\mathrm{1}}& e_{i\mathrm{2}}\end{array}& \cdots & e_{im}\end{array}\right]（17）

式中：e_{im}为知识K_i涉及元素E_m的频次。

2）计算元素间距离矩阵{\mathit{D}}_{\mathrm{e}}。元素间距离表示不同绿色设计知识元素之间的相似性与差异性，引入基于Jaccard相似度的元素共现法来构建{\mathit{D}}_{\mathrm{e}}：

{\mathit{D}}_{\mathrm{e}}=[d_{E_i,E_j}{]}_{m\times m}

d_{E_i,E_j}=\mathrm{1}-s_{E_i,E_j}s_{E_i,E_j}=\frac{\left|OC{C}_{E_i}\bigcap OC{C}_{E_j}\right|}{\left|OC{C}_{E_i}\bigcup OC{C}_{E_j}\right|}

式中：OC{C}_{E_i}为包含元素E_i的知识项集合；d_{E_i,E_j}为元素E_i与E_j之间的语义距离。

3）计算元素权重系数。因元素的重要性不同，取{\mathit{D}}_{\mathrm{e}}中不同元素间平均距离作为基础权重系数{\omega }_{\mathrm{e},q}，并归一化处理得到权重系数{\gamma }_{\mathrm{e}}：

{\omega }_{\mathrm{e},q}=\frac{\mathrm{1}}{m-\mathrm{1}}{\displaystyle \sum _{E_i,E_j}^m}{d}_{E_i,E_j}

{\gamma }_{\mathrm{e}}=\mathrm{1}/{\displaystyle \sum _{q=\mathrm{1}}^m}{\omega }_{\mathrm{e},q}

4）计算元素内在距离d_{\mathrm{e}\mathrm{l}\mathrm{e}}：

d_{\mathrm{e}\mathrm{l}\mathrm{e}}={\displaystyle \sum _{a=\mathrm{1}}^m}{\gamma }_e\left|p_i\left[a\right]-p_j\left[a\right]\right|（18）

式中：\left|p_i\left[a\right]-p_j\left[a\right]\right|为{\mathit{D}}_{\mathrm{e}}中知识K_i与K_j在元素E_a上的差值的绝对值。

其次，计算生命周期阶段距离d_{\mathrm{s}\mathrm{t}\mathrm{a}}。

5）构建知识-阶段矩阵{\mathit{M}}_{\mathrm{k}-\mathrm{s}}。定义阶段集合S=\{S_{\mathrm{1}},S_{\mathrm{2}},\dots ,S_n\}，由式（1）并结合One-hot编码方法构建知识-阶段矩阵：

{\mathit{M}}_{\mathrm{k}-\mathrm{s}}=\left[\begin{array}{ccc}\begin{array}{cc}{s}_{\mathrm{11}}& s_{\mathrm{12}}\\ s_{\mathrm{21}}& s_{\mathrm{22}}\end{array}& \cdots & \begin{array}{l}{s}_{\mathrm{1}\mathrm{n}}\\ s_{\mathrm{2}\mathrm{n}}\end{array}\\ ⋮⋮& & ⋮\\ \begin{array}{cc}{s}_{i\mathrm{1}}& s_{i\mathrm{2}}\end{array}& \cdots & s_{in}\end{array}\right]（19）

式中：s_{in}为知识K_i涉及阶段S_n的频次。

6）计算生命周期阶段距离d_{\mathrm{s}\mathrm{t}\mathrm{a}}。结合式（1）对全生命周期阶段进行编码赋值：LC=\{\mathrm{0,1},\mathrm{2},\mathrm{3,4}\}，并计算不同知识间的生命周期阶段距离：

d_{\mathrm{s}\mathrm{t}\mathrm{a}}(S_{n_i},S_{n_j})=\frac{\left|s_i-s_j\right|}{n-\mathrm{1}}（20）

式中：S为不同知识涉及的全生命周期阶段；s为全生命周期阶段的编码数值。

7）对d_{\mathrm{e}\mathrm{l}\mathrm{e}}、d_{\mathrm{s}\mathrm{t}\mathrm{a}}进行加权计算得到全生命周期距离矩阵\mathit{L}：

\mathit{L}={[l]}_{m\times n}（21）

l=\alpha d_{\mathrm{e}\mathrm{l}\mathrm{e}}+\beta d_{\mathrm{s}\mathrm{t}\mathrm{a}}（22）

式中：\alpha =\beta =\mathrm{0.5}，表示元素与阶段特征在距离计算中同样重要。

2.2.3 绿色度优化函数\mathit{G}(\mathit{k})

绿色度是对机电产品在整个生命周期中所体现出的环境友好性与可持续发展水平的综合度量。全生命周期绿色设计情境下，GD表征为由绿色设计知识所能实现的二氧化碳减排效益R_E与研发人员对绿色性能的需求度D_D共同决定的函数，具体表示为

G(k)=F(R_{\mathrm{E}},D_{\mathrm{D}})（23）

绿色度优化函数G(k)用于优化绿色知识的主动推送结果，以达到精准推送的目的。具体计算过程如下。

绿色设计知识对环境的绿色贡献度越高，表示该绿色知识可带来的减排效益越好，通过LCA数据与全生命周期距离分析可计算绿色设计知识的R_E，用减排系数g表示，并进行归一化处理：

R_{\mathrm{E}}=g_{{}_h}/{\displaystyle \sum _{h=\mathrm{1}}^r}{g}_{{}_h}（24）

式中：r为知识对应减排系数g的总数。

只考虑绿色知识的减排系数并不能准确预测研发人员潜在感兴趣的知识，还需结合研发人员的D_D综合优化，D_D基于OFR数据，结合式（11）与EWM计算可得

D_{\mathrm{D}}={\omega }_{\mathrm{1}}{D}_{\mathrm{B}}+{\omega }_{\mathrm{2}}{C}_{\mathrm{D}}+{\omega }_{\mathrm{3}}{R}_{\mathrm{K}}+{\omega }_{\mathrm{4}}{C}_{\mathrm{K}}（25）

式中：D_{\mathrm{B}}、C_{\mathrm{D}}、R_{\mathrm{K}}、C_{\mathrm{K}}分别为BD、DC、KR、KC的具体值。

最终，G(k)采用高斯核的形式对R_E与D_D进行模型计算，具体表示为

G\left(k\right)=\mathrm{e}\mathrm{x}\mathrm{p}(-\frac{(R_{\mathrm{E}}-D_{\mathrm{D}}{)}^{\mathrm{2}}}{\mathrm{2}{\sigma }^{\mathrm{2}}})（26）

\sigma =\mathrm{0.1}

3 绿色设计知识主动推送方法

3.1 考虑研发人员画像迁移预测的推送机制

在绿色设计知识主动推送系统中，针对ND缺乏历史操作数据导致的初始推送问题，提出了一种考虑研发人员画像迁移预测的推送机制。该机制通过挖掘ND与OD在加权欧氏距离的距离相似度、ND的初始用户画像相似度和OD浏览过的知识之间的全生命周期距离三个不同维度，实现知识的初始匹配与主动推送。推送机制流程见图4。

1）数据采集。收集ND的TC数据与OD的历史行为记录数据。

2）特征量化处理。对T、TC与GTC进行量化与标准化处理的同时，采用EWM确定不同特征的权重系数，为后续相似度匹配计算提供规范数据输入。

3）相似度计算。首先利用WED计算ND与OD之间的距离相似度，并选取与ND相似度最高的OD作为画像迁移对象；同时，结合T、TC与GTC计算ND的初始用户画像相似度，完成初始阶段用户画像预测。

4）推送决策。将最优匹配OD的用户画像及其浏览过的绿色知识集合迁移至ND，结合初始阶段用户画像预测生成初始推送知识列表；同时，利用全生命周期距离矩阵中最大知识间距离，预测ND可能感兴趣的潜在知识，完成初始阶段的知识推送。

3.2 考虑全生命周期距离预测与检验的主动推送方法

为提高推送知识的准确性，提出了考虑全生命周期距离预测与检验的绿色设计知识主动推送方法，通过实时捕捉人员对推送知识的操作反馈，动态更新用户画像并调整推送策略，形成闭环过程（图4）。

1）动态画像更新。系统实时捕获ND对初始推送知识的操作回馈数据，并根据该数据重新计算用户画像相似度，在进行用户画像更新的同时反映其兴趣偏好的变化。

2）推送列表检验。根据更新后的用户画像相似度对知识推送列表进行优化排序，结合全生命周期距离矩阵中最小知识间距离对排序结果进行检验，生成操作回馈推送阶段的推送知识列表。

3）绿色度优化排序。在此阶段引入了绿色度优化函数，综合考虑了知识的R_E与人员操作行为所体现的D_D，对优化后的推送列表进行重排序，优先推荐符合人员当前需求且环境效益显著的绿色设计知识。

4 案例

4.1 研发人员的数据收集

针对某型号新型冰箱的案例分析，收集企业内部OD和ND的TC、GTC数据，并结合式（8）、式（9）构建类型特征模型与任务特征模型数据库，具体数据如表4所示。同时，采集了OD浏览过的所有绿色知识的GKC、OFR与g的相关数据。

4.2 生命周期特征关联计算

4.2.1 初始匹配阶段

1）画像迁移推送。初始匹配阶段即绿色知识主动推送流程的起始环节，根据表2、表4中的TC编码数据、TC数据，采用2.1节所述的EWM并结合式（12）、式（13）计算加权欧氏距离d_{\mathrm{N}{\mathrm{D}}_i,\mathrm{O}{\mathrm{D}}_j}及其对应相似度s_{\mathrm{d}\mathrm{i}\mathrm{s}}，计算结果如表5所示。由表5可知，\mathrm{N}{\mathrm{D}}_{\mathrm{1}}、\mathrm{N}{\mathrm{D}}_{\mathrm{2}}与\mathrm{N}{\mathrm{D}}_{\mathrm{3}}分别与\mathrm{O}{\mathrm{D}}_{\mathrm{4}}、\mathrm{O}{\mathrm{D}}_{\mathrm{5}}与\mathrm{O}{\mathrm{D}}_{\mathrm{4}}的相似度最高，因此，系统可将\mathrm{O}{\mathrm{D}}_{\mathrm{4}}、\mathrm{O}{\mathrm{D}}_{\mathrm{5}}所浏览过的绿色知识分别推送给\mathrm{N}{\mathrm{D}}_{\mathrm{1}}、\mathrm{N}{\mathrm{D}}_{\mathrm{3}}与\mathrm{N}{\mathrm{D}}_{\mathrm{2}}。

在知识推送使能系统中，由于\mathrm{N}\mathrm{D}会被分配绿色设计任务，还需要结合绿色设计任务推测其用户画像，因此，结合2.1节中所述的特征量化方法、标准化方法、降维法与EWM，并根据式（15）、式（16）计算ND的初始用户画像相似度R_{\mathrm{1}}{(u,k)}_{\mathrm{N}{\mathrm{D}}_{\mathrm{1}}}、R_{\mathrm{1}}{(u,k)}_{\mathrm{N}{\mathrm{D}}_{\mathrm{2}}}与R_{\mathrm{1}}{(u,k)}_{\mathrm{N}{\mathrm{D}}_{\mathrm{3}}}，如表6所示。根据初始用户画像相似度结果，系统选取相似度大于0.85的绿色知识推送给\mathrm{N}{\mathrm{D}}_{\mathrm{1}}、\mathrm{N}{\mathrm{D}}_{\mathrm{2}}与\mathrm{N}{\mathrm{D}}_{\mathrm{3}}。

2）全生命周期距离预测推送。为提高推送知识的相关性与正确率，需结合知识全生命周期距离矩阵，识别与用户当前任务阶段最匹配的知识，实现对潜在兴趣知识的更精细预测。根据式（18）、式（20）~式（22）计算出OD浏览过的知识的初始阶段全生命周期距离矩阵{\mathit{L}}_{\mathrm{1}}，结果如图5所示。通过分析图5并结合画像迁移推送的知识，可得到与这些知识具有最大全生命周期距离的知识项，提取对应的知识编号及其所属的全生命周期阶段。

根据提取的相关知识编号及其所属的全生命周期阶段结果，画像迁移推送的知识与全生命周期阶段为原材料获取与回收处理的知识距离最大。据此可预测\mathrm{N}\mathrm{D}可能感兴趣的为原材料获取和回收处理阶段，因此，系统将涉及这两个阶段的绿色知识补充推送给\mathrm{N}\mathrm{D}，这样初始阶段所推送的知识集合将包含以\mathrm{O}\mathrm{D}为原始画像迁移基础、考虑全生命周期阶段预测的绿色设计知识。

4.2.2 操作动态回馈阶段

1）画像更新推送。在初始匹配阶段完成后，三名\mathrm{N}\mathrm{D}在接收系统推送的绿色设计知识并开展设计活动过程中，会持续产生一系列可记录的动态操作行为，由式（11）对用户行为进行动态采集与分析。

当三名\mathrm{N}\mathrm{D}接收到系统在初始匹配阶段推送的绿色设计知识后，系统通过OFR模块实时记录其在知识交互过程中的行为数据，包括浏览时长、下载次数、评分分数以及收藏情况等指标。

基于上述动态行为差异，系统对新入职研发人员的画像特征进行更新，对后续绿色设计知识推送策略进行自适应调整，从而实现绿色知识的主动与个性化推送。

与初始用户画像相似度计算同理，计算回馈后的用户画像相似度R_{\mathrm{2}}{(u,k)}_{\mathrm{N}{\mathrm{D}}_{\mathrm{1}}}、R_{\mathrm{2}}{(u,k)}_{\mathrm{N}{\mathrm{D}}_{\mathrm{2}}}与R_{\mathrm{2}}{(u,k)}_{\mathrm{N}{\mathrm{D}}_{\mathrm{3}}}。根据相似度结果，系统为\mathrm{N}{\mathrm{D}}_{\mathrm{1}}、\mathrm{N}{\mathrm{D}}_{\mathrm{2}}与\mathrm{N}{\mathrm{D}}_{\mathrm{3}}分别推送相似度排名前10的绿色设计知识。

2）生命周期距离预测推送检验。基于初始匹配阶段推送的知识，与{\mathit{L}}_{\mathrm{1}}计算同理，计算回馈后的全生命周期距离矩阵{\mathit{L}}_{\mathrm{2}}（矩阵{\mathit{L}}_{\mathrm{2}}的热图扫描本文篇首处的OSID码获取）。根据{\mathit{L}}_{\mathrm{2}}并结合回馈用户画像更新后推送的绿色知识分析，可获取与推送具有最小全生命周期距离的对应知识项。

由矩阵{\mathit{L}}_{\mathrm{2}}可知，原材料获取阶段与回收处理阶段均出现在最小全生命周期距离对应的知识阶段集合中，验证了考虑最小全生命周期距离可以有效预测\mathrm{N}{\mathrm{D}}_{\mathrm{1}}、\mathrm{N}{\mathrm{D}}_{\mathrm{2}}与\mathrm{N}{\mathrm{D}}_{\mathrm{3}}可能感兴趣的知识阶段。

4.2.3 绿色度优化阶段

为了实现更加精准的知识推送，需根据研发人员的绿色需求对操作动态回馈阶段推送的绿色知识列表进行绿色度优化。根据式（24）~式（26），计算优化后的知识排序，如表7所示。

依据表7中的排序结果，系统综合考虑研发人员画像特征、全生命周期距离及减排效益，对候选知识进行筛选与排序，最终生成了包含上述30个绿色设计知识的主动推送列表，其具体推送结果如图6所示。

4.3 推送结果与实际产品改进设计

\mathrm{N}{\mathrm{D}}_{\mathrm{1}}、\mathrm{N}{\mathrm{D}}_{\mathrm{2}}与\mathrm{N}{\mathrm{D}}_{\mathrm{3}}在获取最终知识推送列表后，根据当前阶段绿色设计任务与自身绿色性能需求选择了相应的知识进行浏览，具体结果见表7。

基于高容积率、低耗材、低能耗等绿色研发需求，研发人员对该款冰箱开展了结构缺陷分析。分析结果表明，保温层结构存在轻量化优化空间；蒸发器为传统竖置结构，在结构与除霜策略上需进一步优化；对于风道与送风系统，通过模块化风道重构可降低制造复杂度（图7），优化效果如下：

1）\mathrm{N}{\mathrm{D}}_{\mathrm{1}}结合\mathrm{O}{\mathrm{D}}_{\mathrm{32}}、\mathrm{O}{\mathrm{D}}_{\mathrm{23}}、\mathrm{O}{\mathrm{D}}_{\mathrm{45}}，对冰箱冷藏室和冷冻室门体泡层进行结构优化，在门体壁面内加入VIP板结构后，冷藏室和冷冻室门体泡层厚度减薄约30~45 mm。

2）\mathrm{N}{\mathrm{D}}_{\mathrm{2}}结合\mathrm{O}{\mathrm{D}}_{\mathrm{12}}、\mathrm{O}{\mathrm{D}}_{\mathrm{45}}、\mathrm{O}{\mathrm{D}}_{\mathrm{55}}、\mathrm{O}{\mathrm{D}}_{\mathrm{31}}、\mathrm{O}{\mathrm{D}}_{\mathrm{32}}，对竖置蒸发器原型机进行结构改进，改进后对比同类型竖置蒸发器布局冰箱，有效容积提高量大于18 L，空间利用率明显提高。同时，优化后的“时间-温差”除霜策略在16 ℃和32 ℃条件下能效指数（EEI）提高至23.68%，综合运行效率更高。

3）\mathrm{N}{\mathrm{D}}_{\mathrm{3}}结合\mathrm{O}{\mathrm{D}}_{\mathrm{44}}、\mathrm{O}{\mathrm{D}}_{\mathrm{13}}、\mathrm{O}{\mathrm{D}}_{\mathrm{55}}、\mathrm{O}{\mathrm{D}}_{\mathrm{41}}，对冰箱内部风道与送风系统进行模块化设计。结果表明，在保证送风性能的前提下，显著降低结构复杂度，降低制造成本约50%。

综上，在相同的绿色设计知识主动推送机制下，针对承担不同研发任务与处于不同生命周期阶段的研发人员，系统能够形成具有个性化特征的知识推送结果，并有效引导其开展与任务高度匹配的绿色设计实践。

5 结论

1）构建了涵盖类型特征、操作特征、知识特征与任务特征的研发人员全生命周期动态特征表征方法，通过基于熵权法与主成分分析的特征量化、权重优化与降维融合过程，实现了对人员动态需求的多维度表达。

2）提出了考虑画像迁移预测与全生命周期距离匹配的匹配机制，通过加权欧氏距离实现初始画像迁移，并结合知识主题、生命周期阶段与绿色元素的综合距离预测，提高了初始推送的覆盖度与相关性。

3）提出了融合用户画像相似度、全生命周期距离与绿色度优化函数的知识主动推送方法。该模型不仅考虑了人员与知识的静态特征匹配，还引入了基于操作反馈的动态画像更新，以及碳排放效益与人员绿色设计需求相结合的绿色度优化，实现了精准化、绿色化的知识推送闭环。

4）以某型号大容积风冷冰箱的高容积率、低耗材、低能耗等绿色研发需求为背景，针对各类研发人员，推送与其任务特征和生命周期阶段相匹配的绿色设计知识集合，引导其在蒸发器布局、除霜策略、门体薄壁化以及风道模块化等方面开展绿色设计。

5）研究结果表明，所提绿色设计知识主动推送方法在多人员、多任务机电产品全生命周期绿色设计中具备良好的有效性与工程应用价值。

参考文献

[1] ZHU F， XIE J， ALSHAHRANI M. Learning Dual-layer User Representation for Enhanced Item Recommendation［J］. Computers， Materials & Continua， 2024， 80（1）： 949-971.

[2] WANG Z， LI L， HE K， et al. User Profile Construction Based on High-dimensional Features Extracted by Stacking Ensemble Learning［J］. Applied Sciences， 2025， 15（3）： 1-16.

[3] LI Z， SA G， LIU Z， et al. Design Knowledge Graph and User Profiling-driven Product Innovation Design Problem Solving［C］∥Advances in Mechanical Design. Singapore， 2024： 117-128.

[4] KHAIRE U M， DHANALAKSHMI R. Stability of Feature Selection Algorithm： a Review［J］. Journal of King Saud University—Computer and Information Sciences， 2022， 34（4）： 1060-1073.

[5] BARBIERI M C， GRISCI B I， DORN M. Analysis and Comparison of Feature Selection Methods towards Performance and Stability［J］. Expert Systems with Applications， 2024， 249： 123667.

[6] MOGHADDAM A N， AGHAZADEH N， HASHEMZADEH M， et al. A Robust Possibilistic Semi-supervised Fuzzy Clustering Algorithm with Neighborhood-aware Feature Weighting［J］. International Journal of Machine Learning and Cybernetics， 2025， 16（11）： 8803-8838.

[7] WANG M， KIM J， YAN Y. Syntactic-aware Text Classification Method Embedding the Weight Vectors of Feature Words［J］. IEEE Access， 2025， 13： 37572-37590.

[8] WANG C， YANG J， ZHANG B. A Fault Diagnosis Method Using Improved Prototypical Network and Weighting Similarity-Manhattan Distance with Insufficient Noisy Data［J］. Measurement， 2024， 226： 114171.

[9] WANG J， DONG Y. Measurement of Text Similarity： a Survey［J］. Information， 2020， 11（9）： 421.

[10] WAN Q， XU X， HAN J. A Dimensionality Reduction Method for Large-scale Group Decision-making Using TF-IDF Feature Similarity and Information Loss Entropy［J］. Applied Soft Computing， 2024， 150： 111039.

[11] FKIH F. Similarity Measures for Collaborative Filtering-based Recommender Systems： Review and Experimental Comparison［J］. Journal of King Saud University—Computer and Information Sciences， 2022， 34（9）： 7645-7669.

[12] LIU Q， ZUO Q， LI L， et al. Energy-oriented Modeling of Hot Stamping Production Line： Analysis and Perspectives for Reduction［J］. Energies， 2024， 17（22）： 5798.

[13] LI L， HUANG H， LIU Z， et al. An Energy-saving Method to Solve the Mismatch between Installed and Demanded Power in Hydraulic Press［J］. Journal of Cleaner Production， 2016， 139： 636-645.

[14] CAO H， LI H， CHENG H， et al. A Carbon Efficiency Approach for Life-cycle Carbon Emission Characteristics of Machine Tools［J］. Journal of Cleaner Production， 2012， 37： 19-28.

[15] JIA J， ZHANG Y， SAAD M. Knowledge Graph-based Multi-granularity Tacit Design Knowledge Reuse for Product Design［J］. Journal of Computational Design and Engineering， 2024， 12（1）： 53-79.

[16] 余隋怀， 王鹏超， 王磊， 等. 基于知识工程的产品设计研究综述［J］. 机械工程学报， 2024， 60（13）： 216-234.

[17] YU Suihuai， WANG Pengchao， WANG Lei， et al. Research Review of Product Design Based on Knowledge Engineering［J］. Journal of Mechanical Engineering， 2024， 60（13）： 216-234.

[18] PEI F， LIN Y， LIU J， et al. A Knowledge Push Method of Complex Product Assembly Process Design Based on Distillation Model-based Dynamically Enhanced Graph and Bayesian Network［J］. Chinese Journal of Mechanical Engineering， 2025， 38（1）： 101.

[19] 柯庆镝， 孙伯骜， 薛冰， 等. 产品性能关联下绿色设计知识表达及获取方法［J］. 中国机械工程， 2022， 33（22）： 2717-2726.

[20] KE Qingdi， SUN Boao， XUE Bing， et al. Green Design Knowledge Expression and Acquisition Method under Product Performance Association［J］. China Mechanical Engineering， 2022， 33（22）： 2717-2726.

[21] 张雷， 郑辰兴， 钟言久， 等. 基于粗糙集的机械产品绿色设计知识更新［J］. 中国机械工程， 2019， 30（5）： 595-602.

[22] ZHANG Lei， ZHENG Chenxing， ZHONG Yanjiu， et al. Mechanical Product Green Design Knowledge Update Based on Rough Set［J］. China Mechanical Engineering， 2019， 30（5）： 595-602.

[23] LI X， ZHANG K， ZHAO W， et al. A Knowledge Push Approach to Support the Green Concept Design of Products［J］. Processes， 2023， 11（10）： 2891.

[24] HE X， LI R， WEI Y， et al. A Knowledge Push Method for Iteration Design Integrating SysML and Knowledge Graph［C］∥2023 IEEE Smart World Congress （SWC）. Piscataway， 2024： 614-622.

[25] ZHANG L， SHAO S， CHEN S， et al. Individualized and Accurate Eco-design Knowledge Push for Designers： a CAD-based Feedback Knowledge Push Method for the Eco-design［J］. Concurrent Engineering， 2021， 29（2）： 153-168.

基金资助

国家自然科学基金(52575567)

国家重点研发计划(2020YFB1711602)