基于模型的系统工程与特征-属性建模实现人工智能支持的需求工程

《Proceedings of the Design Society》：Enabling AI-supported requirements engineering through model-based systems engineering and characteristics-properties modeling

　　

高质量需求是产品成功开发的关键。本研究提出了一种基于模型的需求工程框架及人工智能支持工具。该框架通过基于对象过程方法论（OPM）的系统模型将设计特征（characteristics）与实测属性（properties）相连接。这为实现产品开发早期阶段的系统化需求验证与确认提供了工具支撑，促进了从经验驱动向数据/证据驱动决策及工业4.0范式的转变。液压机案例研究验证了端到端工作流的可行性。

## 研究背景与问题

需求是产品开发（PD）的基础，其定义了可分配、可测量的开发任务并提供开发过程信息。在产品开发中，源于利益相关者需求的需求通常被表述为功能需求或系统期望属性。为满足这些需求，开发团队定义特征或设计参数，预期这些特征将产生期望的属性。然而，系统的实际属性仅能在其实际使用中被测量，往往远在开发决策做出之后。这造成了显著的差距：尽管运营数据可通过数字孪生或闭环工程方法获取，但这些反馈很少以结构化、基于模型的形式支持早期产品开发。若能将现有系统的实测属性数据与其对应的设计特征在适合的数据结构中有系统地关联起来，便可 leveraged 以支持早期设计阶段的需求验证。主要挑战在于创建这种关联并实现其系统化应用，从而实现从经验驱动向数据驱动的需求验证与优化转变，提升创新成效并降低成本与时间。

本研究旨在开发一种人工智能（AI）支持的基于模型的需求工程框架及工具，实现设计特征与产品使用阶段实测属性的系统化关联，最终支持早期产品开发阶段的数据驱动需求验证与优化。研究范围聚焦于产品线延伸和增量式产品改进，而非颠覆性创新。

## 研究内容与方法

研究人员提出了基于特征-属性建模（CPM）的映射框架及需求工程工具，采用对象过程方法论（OPM）进行可视化表达。核心映射过程需要获取产品使用阶段的实测属性，由专家将这些属性映射至设计特征，形成特征-属性知识库。设计特征在遵循CPM的系统模型中定义，以OPM实现。所得知识库表征为特征-属性知识图谱（CPKG），由节点和边构成：节点代表特征与属性，边编码其间关系。该框架解决了三个研究问题：（1）使用阶段数据如何以CPM为考量进行高效捕获与结构化；（2）结构化数据如何用于识别与关联特征与属性；（3）这些关联如何支持需求的自动化验证、确认与优化。

研究采用液压机作为案例进行概念验证。数据来源为DAKE公司液压机的在线技术规格书（Metro Hydraulic Jack Co., 2025），具体型号为"Elec-draulic I Hydraulic Press"。由于无实际测量数据可用，规格书中的声明和数值被用作代理属性。研究人员使用开源系统建模工具OPCAT手动构建系统模型并将属性映射至特征，随后将自动生成的对象过程语言（OPL）通过基于规则和正则表达式的自定义Python脚本解析为Cypher代码，最终在本地Neo4j实例中构建知识图谱。

技术实现方面，研究人员从CPKG中提取内容，使用'all-MiniLM-L6-v2'模型进行384维嵌入，存储于FAISS IndexFlatIP结构中。查询时，用户查询中的词元（lemmas）同样被嵌入，通过内积相似度进行匹配。答案生成采用本地大型语言模型（LLM），具体为4-bit量化版本（Q4_K_M）的'Mistral-7B-Instruct-v0.3'模型，由llama后端通过CUDA提供服务，运行于配备Intel Core i9-10900K和NVIDIA GeForce RTX 5070 Ti的Ubuntu 24工作站。

算法处理流程包括：输入预处理（文本规范化、分句、分词、词形还原）、参数提取（使用spaCy包）、比较符和单位-数值对识别与转换（使用spaCy、quantulum3和pint包，转换为国际单位制SI单位）。查询模式下执行语义检索，获取节点间最短连接路径，构建关系句子和属性事实后发送至LLM生成答案。验证算法要求恰好一个参数、一个比较符和一个单位-数值对，否则验证失败；无比较符时默认采用隐式等式。验证通过后将需求转述为类EARS标准模式。验证模式首先运行验证，通过后提取信息进行可行性检验，根据比较符分配'通过'、'接近'、'失败'或'忽略'标签，并生成文本报告。

## 研究结果

**案例研究：查询、验证与优化示例**

工具原型成功实现了三类功能模式。在查询模式下，工具可自动提取完整路径或多对信息，支持直接属性查找和范围聚合。例如，针对"3hp电机的频率是多少？"的查询，工具返回"60.01/s（60赫兹）"；针对"所有型号的重量范围"的查询，返回"453.59 kg（1000磅）至1986.73 kg（4380磅）"。

在验证模式下，工具能够指导用户形成单一需求：当输入"电机应表现出3马力功率并以60赫兹运行"时，因检测到过多数值-单位对而提示重新表述；当输入"总高度不得超过90英寸"时，成功验证并转述为"总高度应≤2.29 m（90英寸）"。

在验证模式下，工具结合验证与查询功能检验需求的合理性与可行性。输入相同的高度限制时，系统在CPKG中找到5个相关节点，按±10.0%偏差容忍度评估：2.41 m（95英寸）判定为"接近"，2.16 m（85英寸）、2.21 m（87英寸）、2.18 m（86英寸）判定为"通过"，2.54 m（100英寸）判定为"失败"。

全量CPKG的100个节点均可通过至少一种自然语言表述检索，表明语义检索机制系统覆盖所建模的图谱内容而非仅基于孤立示例。结果展示了直接属性查找、聚合范围检索、单一需求检测、比较符规范化、多节点可行性评估及对语法变化的鲁棒性。

**初步专家反馈**

四位产品开发博士研究生提供了初步反馈。参与者对工具在早期需求工程中的实用性持积极态度。验证与确认的区别被认为部分不够清晰、需要更明确的指导，但确认功能被认为有意义且实用。对自然语言表述变化的鲁棒性及解释性反馈的水平被认为有限，反映了原型的当前成熟度。总体而言，参与者能够设想此类工具作为需求工程工作流的一部分，为该基于CPM的框架的实际相关性提供了初步定性支持。

**挑战与局限性**

案例研究仅使用从制造商规格书中提取的代理属性，无使用阶段实测数据，这限制了实证有效性，无法声称与实际操作性能形成闭环。然而，对于研究问题1和2，方法有效性取决于属性的结构化表征及其在CPKG中与设计特征的显式关联，而非数据来源本身。所呈现的工作流是通用框架的特定实例化，转移至其他产品需要领域特定的建模和映射决策。其他局限包括手动专家驱动映射过程及缺乏自动化物理合理性检查。

## 框架讨论

OPM在该研究中发挥关键作用：不仅用于可视化框架和工具，还用于建模目标系统，为创建的CPKG奠定基础。选择OPM的原因在于其双重表达性（图形和自然语言）和最简本体论，有别于其他系统建模标准或工具。OPM与知识图谱存在结构相似性，对象-过程链接可清晰映射为节点和边，这成为采用知识图谱作为数据模型的额外理据。

该框架中CPM通过将特征和实测属性关联至CPKG而实现，为需求验证提供证据基础，支持跨系统模型、产品代次和产品变型的比较，并促进从需求中识别特征和属性。OPM-based系统模型与实测产品属性映射过程（即CPM）的独特结合构成了本研究的创新性。工具依赖于CPKG中的实测产品属性，因而假定存在可比 predecessor 或变型产品，这可能限制产品线延伸和增量改进的解空间。虽以物理产品展示，该框架可转移至非物理系统，前提是从使用阶段捕获定性和/或定量性能指标作为属性。特征-属性映射中的专家参与因潜在主观性构成额外局限。

在需求质量特性支持方面，验证步骤强有力支撑"符合规范"、"单一性"和"无歧义性"：工具将自由文本转述为符合定义标准的形式；单一性检查拒绝复合语句；单位-数值规范化转换为国际单位制，减少歧义。验证步骤通过将需求与知识图谱中编码的属性比较来支持"可行性"。验证与确认步骤共同支撑"可验证性"和"可确认性"，通过强制执行标准化表述并将需求关联至有意义的节点。框架还通过OPM将语句锚定至适当抽象层级来支持"适当性"，并在无属性节点关联至建模特征时揭示差距以支持"完整性"。"正确性"和"必要性"仍受制于用户判断，但可通过矛盾和重复检查提供支持。

## 研究结论

本研究提出了通过基于OPM的系统模型关联设计特征与产品属性以创建特征-属性知识图谱（CPKG）的框架。该知识图谱构成了人工智能支持的需求工程工具的骨干，支持数据驱动的需求验证和确认。通过液压机案例研究，验证了端到端工作流以及框架的结构和算法可行性，而非统计性能或工业规模验证。该原型工具成功基于CPKG回答用户查询并验证或确认表述的需求。该方法支持多项需求质量特性，增强了需求工程中的可追溯性和一致性管理。

本研究的创新性在于OPM-based系统建模与特征-属性建模（CPM）的结合，以及为早期需求工程原型实现的人工智能支持工具。局限性包括对代理数据和现有产品变型的依赖，后者限制了适用性于产品线延伸和产品改进而非颠覆性创新。未来潜力在于CPM自动化和框架向其他领域的转移。

该框架为基于证据和数据驱动的需求验证与优化奠定了基础，支持需求工程中透明和可追溯的决策制定。这是闭合需求工程与产品和系统实际性能之间环路的又一进步。