概念设计作为设计的初期阶段，具有设计可塑性大、自由度高等特点，是产品设计中的关键环节[1]。采煤机结构部件之间以及综采工作面三机之间的协同配合关系到工作面生产能力和采煤机的工作效率[2]，因此在采煤机概念设计中对其结构部件之间以及综采工作面三机之间的协同配合关系的研究变得愈加重要。
目前，概念设计常用的方法是从产品功能出发，以功能相同而性能不同的各模块相互组合形成创新产品[3]。HSIAO等[4]通过对功能的分析列举各功能解，并以形态学矩阵组合出产品的方案解集。FU K等[5]通过提取功能相似特征解决了功能结构的创新问题。另外，用户需求对产品概念设计有着重要的指导作用。杨涛等[6]从用户需求偏好出发，建立以客户需求偏好满足度、产品创新成本和产品创新度为目标的三目标优化模型。CHEN Yong等[7]在意向性理论的基础上，提出了需求概念作为意向世界的概念，完善了概念设计基础理论。同时概念设计是基于知识的设计，为产生创新产品方案，刘龙繁等[8]提出多粒度多层次的知识组织模型，实现发明问题解决理论(TRIZ)概念解到特定解的转化。杨琨等[9]为了在概念设计阶段有效组织并利用设计知识，提出基于复杂网络的设计知识网络构建及分析方法。HE Bin等[10]基于产品生命周期各阶段复杂的嵌套知识关系，提出了低碳概念设计中原理解的知识表示和组织方法，解决了低碳概念设计中知识表达与重用问题。近年来，产品生物学研究成果[11]为产品概念设计中的创新设计提供了理论支持，罗仕鉴等[12]通过消费者的需求偏好对SUV产品族侧面外形基因进行提取与表达。刘肖健等[13]借用基因调控网络的部分概念，建立产品的基因调控网络模型来辅助产品的设计过程。采煤机概念设计的研究主要集中在对总体技术参数的智能推理上[14]，文献[15]提出基于极限学习机的采煤机功率预测模型，实现了专家知识和经验的继承与重用。
上述研究虽然可以解决产品概念设计中功能创新性的问题，但由于其研究大都偏向于理论方法，难以进行工程应用，且研究对象多为简单结构件，在大型复杂机械产品中并不适用。采煤机概念设计的研究主要侧重于推理方法的研究，未考虑采煤机内部结构以及综采三机之间的协同设计。
为解决上述问题，笔者将生态学的理论引入到采煤机概念设计中，通过综采工作面与生态学的类比，提出了综采工作面生态学模型和采煤机个体生物学模型，并构建基于生态学的采煤机概念设计模型，充分考虑采煤机内部部件之间以及综采工作面三机之间的协同关系，在得到采煤机概念设计功能技术解的同时还能为综采工作面三机之间的协同配合提供协同参数，最终提高了设计准确性和设计效率。
1 综采工作面生态学模型的构建
1.1 采煤机个体生物学模型
根据采煤机与生物体的相似性，提出采煤机基因、采煤机细胞、采煤机器官、采煤机系统和采煤机生物体组成的采煤机个体生物学模型。图1给出采煤机生物学谱与生物学谱的类比关系。
图1 采煤机生物学谱与生物学谱类比关系
Fig.1 Analogy between biological spectrum and biological spectrum of Shearer
(1)采煤机基因:生物学上基因是具有遗传效应的DNA片段。采煤机的基因搭载采煤机个体上所有的遗传信息，并且可以通过中心法则进行遗传和表达。采煤机的基因型决定了采煤机个体的表现型。不同的表现型对应的基因称为采煤机的基因解。
(2)采煤机细胞:细胞是基因表达的产物，也是组成生物体的基本单元。采煤机是由很多个简单的零件通过有序的组装而成的。零件即为采煤机的细胞。
(3)采煤机器官:不同的细胞按一定的顺序聚集在一起共同完成一定的功能就形成了器官。采煤机器官是指采煤机部件或者机构，具有相对独立的功能载体。器官是基因的表达载体，基因的改变对应着器官表现型的改变，最终改变采煤机个体的表现型。
(4)采煤机系统:能够共同完成一种或几种生理功能的多个器官按照一定的次序组合在一起构成系统。采煤机、刮板输送机和液压支架可以看作三个复杂的系统，通过三个系统之间的相互配合，分别完成开采，运输和支护等功能。
(5)采煤机个体:由若干各系统组成的能完成设计要求总功能的复合基因解组合形成的单个个体。采煤机器官表现型集合形成采煤机个体的表现型，若干器官按照一定的关系组合形成完整的采煤机个体，在基因的层面上表现为完整的基因体系。
在采煤机个体生物学模型中，一个器官可以完成一个或几个功能，一个功能也可由多个器官共同完成。器官与器官之间存在着相互协同的过程，通过器官之间的协调配合，从而完成复杂的功能。几个器官的有序组合，形成功能集合，对应着采煤机系统。根据采煤机的主体功能，将采煤机系统分为截割系统、牵引系统和辅助系统，分别对应了截割功能集合、牵引功能集合和辅助功能集合。系统之间或者功能集合之间通过协同配合，分别完成采煤机的截割、牵引和辅助等三大主体功能，从而保证采煤机的正常运行。
1.2 综采工作面生态学模型
生态学(Ecology)是研究生物体与其周围环境相互关系的科学。综采工作面生态学模型将机械产品进行生物学类比，通过研究生态学模型与综采三机之间的相似规律，更好地解决采煤机概念设计过程中的协同设计等问题。
图2给出了生态学模型与综采三机生态学模型之间的类比关系。生态学模型主要由光照、水源、土壤等非生物成分和生活在生态系统中的生物种群所构成。综采三机生态学模型由非生物因素构成的群落生境Ce(∑Ni，∑Ti，∑Ei,……)和生物成分组成的产品群落Pc(∑Ci，∑Si，∑Hi)两大组成部分构成，两部分通过信息通道相互传递信息。其中产品群落包括采煤机产品种群∑Ci、刮板输送机产品种群∑Si和液压支架产品种群∑Hi。群落生境包括社会需求∑Ni、技术发展∑Ti和工作环境∑Ei等因素。
图2 综采工作面生态学模型与生态学模型对比
Fig.2 Comparison of ecological model and ecological model of fully mechanized mining face
综采工作面产品群落是指在一定时间内居住在一定区域或环境内各种生物种群的集合。一个群落中不同种群不是杂乱无章地散布，而是有序协调地生活在一起。生态学中种群关系通常具有竞争和协同两种关系，种群与种群之间主要是相互协同的关系。由于生产环境等群落生境的制约，采煤机、刮板输送机和液压支架种群之间通过异质种群协同机制相互影响、相互协同，处于一个相对稳定的平衡状态。而在这种平衡中，采煤机起到主导作用，成为主导种群。在群落共进化的过程中，三机之间必须相互配合并服从工作面的产量要求和机械产品之间的结构配合要求。
采煤机产品种群是由主体功能相同，原理、结构和设计参数不同的所有个体组成的集合。同一种群的所有生物共用一个基因库。例如MG370/440-WD,MG250/600-WD,MG300-W等采煤机主体功能均相同，仅在原理、结构和总体参数上存在差异。在种群个体之间，存在着同质种群竞争机制。根据环境的不同，能够更好适应新环境的优势种群会有更多的生存空间，而无法适应新环境的弱势种群则会被淘汰。
在综采工作面三机产品生态学模型中，通过社会需求等群落生境的改变，采煤机种群基因也会随之调整，并且在进化的过程中，协同种群为适应主导种群的变化，也会改变其相应的特征。同一种群不同个体之间通过同质种群竞争机制，优势特征属性得以留存下来。由此，通过种间的协同配合和种内个体的相互竞争，实现产品群落朝着最有利于生态系统的方向共进化。
2 基于生态学的采煤机概念设计模型构建
2.1 采煤机概念设计生态学模型
采煤机概念设计的主要内容是根据用户需求，确定采煤机的总体设计方案，包括主要器官的功能结构和总体设计参数。采煤机概念设计生态学模型如图3所示。首先根据用户需求，分析技术发展、外部环境等因素，以此确定采煤机主要器官功能结构设计框架以及总体参数框架。
其次，在进行功能结构技术基因设计过程中，根据设计框架，同时考虑群落生境、协同种群的配合关系，根据功能结构技术种群竞争协同机制，通过搜索器官功能结构技术基因库，优选满足设计要求的技术基因解。
图3 采煤机概念设计生态学模型
Fig.3 Conceptual design model of Shearer conceptual design
再次，采煤机总体参数求解过程是异质基因解之间协同合作的过程。在设计过程中，群落与群落之间、系统与系统之间、器官与器官之间并不是孤立存在的，而是相互协同、共同完成功能需求。器官与器官之间通过参数的协同调整，能够更好地实现设计功能的参数组合被优选出来。根据环境参数、用户需求的不同，采高、截深、牵引速度等参数的选择也不同，截割功率、牵引功率等参数的求解则受到采高、截深等参数影响。采煤机参数基因的改变也迫使液压支架种群和刮板输送机种群参数基因的改变，同时协同种群参数基因又对采煤机参数基因形成约束。
最后，在确定主要器官功能结构基因和总体参数基因后通过基因组合形成采煤机组合基因解，即总体设计方案。经过方案的评价和修改便可输出组合基因。根据上述分析可知采煤机概念设计生态学模型主要包括采煤机功能结构基因设计过程和总体参数基因求解过程。
2.2 采煤机功能结构基因的协同设计
在功能结构求解过程中，首先分析采煤机产品功能组成，运用功能分解思想，将采煤机根功能分解为截割功能、牵引功能和辅助功能三个主要功能集合，并细分功能结构框架。建立采煤机的功能结构框架如图4所示。截割功能集合主要包括滚筒连接方式、截齿排列方式、截齿类型和摇臂布置方式等。牵引功能集合主要包括传动方式和牵引机构类型等。辅助功能主要包括底托架形式、挡煤板类型、防滑装置类型和灭尘方式等。
图4 采煤机功能结构框架
Fig.4 Shearer structure framework
采煤机功能结构基因设计过程是同质基因解之间竞争淘汰、异质基因解相互整合的过程，如图5所示。将采煤机分解为截割、牵引和辅助等三大主要功能，并逐步分解为功能元，每个功能元分别对应着不同的技术方案，称为技术解。以功能2-2为例，功能2-2的不同技术解分别有着各自的优势，能够适应不同的环境和设计要求，在设计过程中，通过同质种群竞争机制，优势技术种群2-2A得以存活，而弱势技术种群则在相互竞争中被淘汰。同时，其他功能的技术种群也同样经历着竞争淘汰的过程，优势技术解3-1B通过竞争得以存活，3-1A,3-1C等则被淘汰。随着概念设计的深入，需要不同的技术解之间相互组合，共同完成复杂功能，存活的优势基因解2-2A,3-1B等通过异质种群协同机制进行组合形成采煤机功能结构基因解。
图5 功能结构基因设计过程
Fig.5 Solving process of functional technology gene
2.3 采煤机总体参数基因的协同求解
采煤机总体参数基因的协同求解过程如图6所示。首先需要分析种群个体所处群落生境，包括用户需求、环境参数等，并确定输入参数。其次，在分析种群之间协同关系的基础上，结合输入参数对部分技术参数进行求解并调整。再次，通过调整后的参数，对其余技术参数进行求解。在参数的求解过程中，根据参数知识库，选取相应的行业标准值作为群落个体的总体参数的修改依据。此外，还需要明确采煤机种群与刮板输送机和液压支架种群之间的协同关系和参数的协同求解方法。
图6 采煤机参数基因的协同求解过程
Fig.6 Cooperative design process of shearer parameter gene
2.3.1 种群协同关系
2.3.1.1 产量协同
在综采工作面三机生态群落协同进化的过程中，各基因型的协同改变维持着采煤机种群与协同种群和群落生境之间的平衡。各基因型的改变以工作面生产能力为基础，工作面应具备的生产能力要求取决于工作面年产量:
(1)
式中，Qh为工作面应具有的最小生产能力，t/h;Qy为工作面年产量，t;Y为设备年生产天数;f为能力富裕系数;T为每日生产时常数;K为开机率。
采煤机实际生产能力需要大于工作面应具备的生产能力，其生产能力取决于截深、采高和牵引速度。
Qs=60BMvcγ≥Qh
(2)
其中，Qs为采煤机可实现的生产能力，t/h;B为截深，m;M为平均采高，m;vc为截割时平均牵引速度，m/min;γ为煤的实体密度，t/m3。为了满足采煤机的生产能力要求，需要截割电机，牵引电机等器官部件的协同配合。截割功率可以根据比能耗法进行计算。
(3)
其中，P为采煤机总截割功率，kW;Hwx为滚筒采煤机截割比能耗，kW·h/m3;K1为后滚筒工作条件;K2为功率利用系数;K3为功率水平系数。通常，实际装机功率的选取比计算所得功率要多出30%左右，以增强采煤机过地质构造时的破岩能力。
输送机运输能力需要保证采煤机采落的煤被全部运出，并留有一定的备用能力。
Qy≥KxKgQs
(4)
式中，Qy为输送机运输能力;Kx为运输机的装载不均匀系数;Kg为采煤机割煤回收率。
液压支架的移驾速度应大于采煤机截割时最大牵引速度vm。
vy=Kyvm
(5)
式中，vy为移驾速度，m/min;Ky为不均匀系数。
支架单位时间移驾数目N需要满足:
(6)
式中，N为单位时间移驾数目，架/min;J为中心距，m。
2.3.1.2 尺寸协同
综采工作面三机基因不仅需要满足工作面产量的要求，还需保证空间尺寸技术基因的相互配合，如图7所示。
图7 三机尺寸配套
Fig.7 Size matching of three machines
从顶板控制的角度出发，需要有尽可能小的无立柱空间宽度F。
F=B+e+G+b+x
(7)
式中，e为煤壁与铲煤板间所留间隙;x为支架前柱倾斜时水平投影值;G为输送机宽度;b为支架前柱与输送机电缆槽间隙。
支架最小高度应该与采煤机机面高度相适应以方便采煤机司机观察，并保证顶板下沉后不影响采煤机顺利通过。其相互关系如公式(8)
H=A+C+t
(8)
式中，H为液压支架最小支撑高度;A为采煤机机身高度;C为采煤机机身上部空间高度;t为支架顶梁高度。
2.3.2 参数协同求解
通过对群落生境和种群协同关系的分析，将工作面年产量、煤层厚度、煤层倾角、采高、截深、工作面长度、输送机链速作为系统输入参数，牵引速度、牵引力、采煤机产量、截割功率、牵引功率、机身高度、机身质量、输送机运输能力、中部槽宽度、中部槽高度、输送机功率、支架高度、移驾步距、移驾速度、单位时间移驾数目作为系统输出参数，以公式计算和极限学习机[16](ELM,Exteme Learning Machine)推理模型相结合的方式对采煤机总体参数以及与其配合的协同参数进行求解。
ELM是在SLFN基础上提出的一种单隐层前馈神经网络算法，拥有极快的训练速度以及很好的泛化能力。其函数式如(9)所示:
f(x)=h(x)α
(9)
式中，f(x)为神经元h(x)组成的向量;α为神经网络输出层的权重向量。
ELM算法将训练单隐层神经网络转化为求解矩阵求逆问题，从而提高算法效率。α通常取最小二乘解以保证算法的泛化能力:
(10)
式中，H为神经网络隐含层矩阵;H+为其广义逆矩阵;T为目标值向量。
3 实例分析
本文以大采高工作面的采煤机总体方案设计及与其配合的输送机、液压支架的协同参数求解为例对采煤机概念设计生态学模型的有效性进行验证。
3.1 功能结构设计
采煤机功能结构技术基因解的求解过程如图8所示。根据上文对采煤机功能结构的分解，分析各功能结构技术解之间的优劣关系。截割系统中截齿类型包括镐形截齿技术种群和扁型截齿技术种群，扁型截齿器官凭借着对各种硬度煤的适应性，在同质种群竞争中优势明显。铰接式技术种群相比外置式技术种群、内置式技术种群和机身摇臂技术种群有着结构简单维修方便的特点。滚筒连接方式技术群落中方轴连接技术种群相对于锥轴连接技术种群和锥盘连接技术种群有着工作可靠、拆装方便的优势。截割系统中的优势技术种群通过种群竞争机制淘汰劣势种群，并通过异质种群合作机制共同组合完成截割功能。
图8 采煤机功能结构基因解的求解过程
Fig.8 Solving process of Coal mining machine’s functional structure gene
同理，牵引系统传动方式技术种群、牵引机构形式技术种群也同样朝着有利于采煤机生产过程的方向发生着自进化。交流电牵引技术有着大功率、可靠性高等特点技术优势明显，无链牵引技术由于其运行平稳安全可靠等特点应用广泛，其中销轨型技术方案表现最佳。当基本功能得到确定之后，辅助功能技术种群是采煤机能够正常运行的保障，对大倾角开采的需求需要防滑装置技术种群保障采煤机生产的安全性。工人对工作环境要求的提高促使着降尘技术种群的自进化。本实例选取盘式制动器作为防滑装置、喷雾灭尘作为灭尘方式。最后，经过种群的竞争，优势种群被选取出来，并通过异质种群协同机制组合形成采煤机组合功能结构基因。
同样，液压支架种群、刮板输送机种群在适应新的设计要求和技术进步中也发生着自进化。
3.2 参数求解
3.2.1 需求分析与参数的初步计算
根据前文提出的采煤机参数求解过程，首先分析采煤机与群落生境、协同种群之间的参数关系并初步选取总体参数。本文选取实例中，截割阻抗为280 N/mm，最大煤层倾角9°，煤层厚度3～6 m，平均煤层厚度5 m，预期年产量8×106 t，工作面长度249 m。根据煤层厚度选取采高范围为3.3～6 m，最小支撑高度2.8 m、最大支撑高度6.2 m的支架可以满足煤层厚度的变化。考虑到煤层厚度，同时为了保证生产率，截深选取值为800 mm。根据式(1)可知工作面具备的生产能力需要大于2 154.8 t/h，运用公式(2)计算得出工作牵引速度为6.41 m/min，调整为7 m/min。并根据工作牵引速度选取截割时最大牵引速度为12 m/min。工作面的长度决定了输送机的设计长度为250 m。配套输送机链速选取为1.44 m/s。
3.2.2 参数的计算与推理
根据采高要求，3.2 m滚筒直径可以很好的满足采高要求。根据公式(2)计算得出采煤机理论产量为2 352 t/h。同时根据公式(4)计算得出输送机运量为2 458 t/h，选取标准值为2 500 t/h。采煤机截割功率可由比能耗法计算得出，查表计算280 N/mm的截割阻抗对应的截割比能耗为0.504，代入公式(3)计算得出截割功率为1 969 kW，通过对知识库的查询验证，2×1 000 kW的截割功率可以很好地满足工作要求。
牵引功率J1、机身高度J2、机面重量J3以及采煤机与输送机的配合参数中部槽宽度J4、中部槽高度J5、中部槽长度J6等总体技术参数可以通过极限学习机模型推理得出。根据参数之间的映射关系建立条件属性与决策属性对应关系表见表1，其中条件属性为采高D1、煤层倾角D2、最大牵引速度D3、输送机运量D4、输送机链速D5、截割功率D6。
以牵引功率为例，通过收集企业数据、划分训练集与测试集、建立模型、优化模型参数并在预测精度达到95%以上后保存模型。得到输送机中部槽预测模型如下:
表1 采煤机协同设计的属性决策
Table 1 Attribute decision table for cooperative design of Shearer
输入变量:D1,D2,D3
输出变量:J1
训练样本:520
训练集精度:98.50%
测试样本:130
测试集精度:98.36%
运用ELM模型进行推理得出牵引电机功率为200 kW。同理，得出其他总体参数值，包括机面高度为2 290 mm、采煤机总重量为136 t、输送机中部槽宽度为1 200 mm、输送机中部槽高度为376 mm、中部槽长度为1 750 mm。根据牵引功率与截割功率可估算出牵引力为1 100 kN。通过式(5),(6)计算得到采煤机与液压支架的配合参数，包括移驾速度需要大于8.19 m/min、单位时间移驾数为5架/min。
4 系统实现
面向采煤机概念设计过程，结合ASP.NET技术，以C#作为开发语言，Microsoft Visual Studio 2010作为开发平台，MS SQL Server 2008作为数据库，开发了采煤机多种群协同概念设计系统。该系统能够实现采煤机的总体结构设计，并且在输入条件参数后通过公式计算以及算法推理能够得到采煤机的总体技术参数以及与其配合的刮板输送机和液压支架的配合参数。部分界面如图9,10所示。
图9 采煤机总体结构选取页面
Fig.9 Page of shearer’s overall structure selection
图10 采煤机参数协同设计页面
Fig.10 Page of shearer’s parameter collaborative design
系统使用步骤如下。
Step1:用户点击web页面中采煤机协同概念设计系统，首先进入采煤机总体结构选取界面，如图9所示。根据设计需求确定采煤机总体结构，并点击保存并继续。
Step2:输入最大最小采高、截深、年产量等条件参数，点击平均牵引速度求解，根据计算结果调整截割时平均牵引速度并输入截割时最大牵引速度，然后对牵引功率、截割功率等总体参数进行初步设计和调整。调整参数后，进行总体参数的协同设计。
Step3:点击总体参数协同设计按钮，进入如图10所示界面，在得到采煤机技术参数和协同配合参数设计结果后，点击参数调整按钮进行最后人工参数调整，对需要调整的参数进行修改，得出最优方案后点击保存参数按钮。
5 结 论
(1)借鉴生物学思想，系统地研究了采煤机与生物个体、综采工作面与生态学的对应关系，建立了采煤机个体生物学模型和综采工作面生态学模型。以生物学的视角和方法分析和解决了采煤机概念设计中协同设计的问题，为采煤机协同概念设计提供了一种新方法。
(2)充分考虑了采煤机与刮板输送机、液压支架之间以及采煤机结构部件之间同质种群竞争与异质种群协同的关系，构建了基于生态学的采煤机概念设计模型。该模型在完成采煤机功能结构设计后可计算推理出采煤机总体参数和三机协同配合参数。弥补了现有采煤机概念设计系统中未考虑采煤机结构部件之间和综采三机之间协同设计的缺陷。
(3)通过综采工作面协同设计实例验证，本文提出的设计理论及应用系统实现了采煤机结构选取及总体参数的协同设计，缩短了采煤机总体设计和综采三机协同设计方案的设计周期，提高了设计效率和质量。
参考文献(References):
[1] HUANG H Z，LIU Y，LI Y，et al.New evaluation methods for conceptual design selection computational intelligence techniques[J].Journal of Mechanical Science and Technology，2013，27(3):733-746.
[2] 徐刚.综采工作面配套技术研究[J].煤炭学报，2010，35(11):1921-1924.
XU Gang.Study on match technology for fully mechanized long wall coal mining face[J].Journal of China Coal Society，2010，35(11):1921-1924.
[3] 刘伟，曹国忠，檀润华，等.基于产品基因与物理表达的变型设计[J].计算机集成制造系统，2015，21(2):381-391.
LIU We，CAO Guozhong，TAN Runhua，et al.Variant design based on products genes and physical description[J].Computer Integrated Manufacturing Systems，2015，21(2):381-391.
[4] HSIAO S W，KO Y C.A study on bicycle appearance preference by using FCE and FAHP[J].Industrial Ergonomics，2013，43(4):264-273.
[5] FU K，MURPHY J，YANG M，et al.Design-by-analogy:Experimental evaluation of a functional analogy search methodology for concept generation improvement[J].Research in Engineering Design，2015，26(1):77-95.
[6] 杨涛，杨育，张东东.考虑客户需求偏好的产品创新概念设计方案生成[J].计算机集成制造系统，2015，21(4):876-884.
YANG Tao，YANG Yu，ZHANG Dongdong.Generation of product innovation conceptual design schemes for considering the demand preferences of customer[J].Computer Integrated Manufacturing Systems，2015，21(4):876-884.
[7] CHEN Yong，ZHANG Zhinan，XIE Youbai，et al.A new model of conceptual design based on scientific ontology and intentionality theory.Part I:The conceptual foundation[J].Design Studies，2015，37(35):12-36.
[8] 刘龙繁，李彦，马金龙，等.基于知识粒度的 TRIZ 在创新设计中的应用[J].机械工程学报，2016，52(5):22-32.
LIU Longfan，LI Yan，MA Jinlong，et al.Application of TRIZ in creative design based on knowledge granularity[J].Journal of Mechanical Engineering，2016，52(5):22-32.
[9] 杨琨，李彦，熊艳，等.基于复杂网络的知识驱动产品创新设计研究[J].计算机集成制造系统，2015，21(9):2258-2269.
YANG Kun，LI Yan，XIONG Yan，et al.Research on knowledge driven product innovative design based on complex network[J].Computer Integrated Manufacturing System，2015，21(9):2258-2269.
[10] HE Bin,HUA Yicheng.Feature-based integrated product model for low-carbon conceptual design[J].Journal of Engineering Design，2017，16(35):1-25.
[11] 刘芳，江屏，檀润华.基于技术杂交的一类产品技术集成创新设计[J].机械工程学报，2011，47(21):123-132.
LIU Fang，JIANG Ping，TAN Runhua.Product integrated innovation based on the technological hybridization[J].Journal of Mechanical Engineering，2011，47(21):123-132.
[12] 罗仕鉴，李文杰，傅业焘，等.消费者偏好驱动的SUV产品族侧面外形基因设计[J].机械工程学报，2016，52(2):173-182.
LUO Shijian，LI Wenjie，FU Yetao，et al.Consumer preference-driven SUV product family profile gene design[J].Journal of Mechanical Engineering，2016，52(2):173-182.
[13] 刘肖健，孙艳，吴剑锋，等.产品基因调控网络模型及其对设计过程的辅助[J].计算机集成制造系统，2013，19(7):1463-1471.
LIU Xiaojian，SUN Yan，WU Jianfeng，et al.Product’s regulatory network model and its aiding to design process[J].Computer Integrated Manufacturing Systems，2013，19(7):1463-1471.
[14] 丁华，杨兆建.采煤机概念设计融合推理模型研究与实践[J].煤炭学报，2010，35(10):1748-1755.
DING Hua，YANG Zhaojian.Research and practice of shearer conceptual design fusion reasoning model[J].Journal of China Coal Society，2010，35(10):1748-1755.
[15] 丁华，常琦，杨兆建，等.基于极限学习机的采煤机功率预测算法研究[J].煤炭学报，2016，41(3):794-800.
DING Hua，CHANG Qi，YANG Zhaojian，et al.Research on thealgorithm of shearer power prediction based on extreme learning machine[J].Journal of China Coal Society，2016，41(3):794-800.
[16] HUANG Gao，HUANG Guangbin，SONG Shiji，et al.Trends in extreme learning machines:A review[J].Neural Networks，2015，61:32-48.