元器件智慧选型实现对元器件结构化、非结构化数据的智能检索，实现针对元器件关键参数的多参数筛选检索，实现相同分类间元器件的智能比较。针对用户选用元器件过程中产生的用户行为数据，使用元器件过程中产生的质量数据进行智能分析，形成元器件选型看板、质量分析管控看板。针对不同用户选型习惯，形成用户画像，推送用户关心关注的、与用户检索近似同类周边的元器件产品，实现元器件的智能推送。建立国产与进口元器件的关键参数替代关系模型，实现智能替代查找和推送，有力支撑元器件国产化和提升装备的自主可控水平。知识化设计师元器件选型步骤和习惯，牵引设计师的科学选型，为设计师提供智能化的元器件选型导航，建立针对不同元器件分类的选型导航。元器件智慧选型流程如图2所示。

设计师输入元器件信息，可通过关键字（型号、编码、名称和厂家名称）、多参数联合筛选（性能参数、质量等级、封装外形、执行标准和型号名称）、BOM单等形式实现元器件的查找，系统将根据输入条件进行智能匹配，并根据设计师使用习惯和用户画像，智能推送结果，包括匹配产品、为进口的元器件给出国产替代产品建议，如果推送的结果中仍无设计师所需要的元器件，设计师可以提出新器件选用申请，填写表单，走新器件选用审批流程。设计师在可查询结果中，通过关联性分析，查看该元器件相关联的信息，包括元器件的基本信息、性能指标、质量信息、供货信息、颜色等级和国产替代信息，并可以浏览查看相应的资料。当有多个器件同时满足需求时，设计师可选择同类型器件，加入比较，系统将把该部分同类型器件的全部属性信息进行逐个对比分析，并自动把差异信息进行高亮显示，方便设计师对比差异，从中选择最满足要求的器件。设计师在使用器件的过程中，可根据器件的实际应用情况、使用方法等进行评论反馈，评论信息不断地积累、共享，以供其他设计师选型参考。

图2 元器件智慧选型流程

3.3 元器件知识工程

建立基于知识工程（KBE：Knowledge Based Engineering）的元器件数据模型和血缘关系图，将元器件专家、设计师的元器件专业知识、设计经验、元器件基本属性、质量数据、采购物资数据、应用数据和设计数据等知识化形成元器件知识沉淀，实现元器件数据的知识图谱，并将元器件知识管理与设计研发活动相结合，根据设计师的工作场景，依据匹配度智能推送相关知识，为设计师提供全方位元器件知识大数据支撑。元器件知识形成与应用如图3所示。

图3 元器件知识形成与应用

KBE以知识为处理对象，其主要作用是为专家系统、AI提供知识表达、知识获取和知识重用的技术和方法[5]。传统的元器件数据模型局限于元器件基础信息，不能满足设计师在产品设计过程中对元器件全生命周期信息的需求，特别是产品使用过程中的质量信息和相关设计经验，将KBE与元器件数据建模技术相结合，使元器件数据模型支持知识表达，形成基于元器件的知识模型，为电路设计师提供全面的元器件知识支撑，进而辅助设计。

3.4 元器件智能分析和可视化展示

与传统的元器件数据分析和展示方式不同，元器件智能分析和可视化技术可根据不同元器件业务场景、人员角色，快速地搭建元器件数据驾驶舱，实现高可交互性的分析型仪表板，让元器件数据讲出故事。元器件数据分析结果以动态图表的形式展现在用户面前并实现不同数据图表之间联动，开展多维数据分析，便于用户针对自己关心的数据进行分析和实时跟踪。元器件数据可视化示例如图4所示。

图4 元器件数据可视化示例

4 结束语

元器件作为装备的基础直接影响着装备的研制进度，基于大数据和AI实现元器件数据的智慧管理对于提升我国军用电子装备的性能、质量与可靠性，具有非常重要的作用和意义。本文指出元器件数据智慧管理中可以应用大数据和AI技术的功能业务需求点，为后续基于大数据和AI的电子元器件全寿命周期管理平台的搭建奠定了基础。

[1]佟向鹏.国内电子元器件控制与供应商管理[J].电子产品可靠性与环境试验，2019，37（6）：60-65.

[2]许实清，熊惠，王琳.装备电子元器件国产化工程实践[J].电子产品可靠性与环境试验，2018，36（S1）：258-261.

[3]BRAD Brown，MICHAEL Chui，JAMES Manyika，et al.Big data：the next frontier for innovation，competition and productivity[M].New York：McKinsey Global Ins-titute，2011：126-130.

文章来源：《电子元器件与信息技术》 网址: http://www.dzyqjyxxjs.cn/qikandaodu/2021/0506/1172.html