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

doi:10.3969/j.issn.1004-132X.2026.04.004

Abstract

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.

Key words: green design knowledge, knowledge push, designer dynamic profile, full-lifecycle characteristics, transfer prediction of designer profile

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。

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

CLC Number:

TH122

KE Qingdi, NIE Haichuan, HU Jiaqi, HE Haodong, NI Chenxi. Green Design Knowledge Proactive Recommendation Method Based on Designers’ Lifecycle Dynamic Features[J]. China Mechanical Engineering, 2026, 37(4): 802-813.

柯庆镝, 聂海川, 胡嘉琦, 何浩东, 倪晨曦. 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[J]. 中国机械工程, 2026, 37(4): 802-813.

Figures/Tables 14

Fig.1 Whole life cycle green design scenario model

Tab.1 GKC dimension in the context of green design

知识维度	具体含义	含义说明
N	知识名称	知识的具体名称
T	知识主题	知识内容涉及的研究主题方向
E	知识元素	知识内容涉及的绿色设计方法
S	知识阶段	知识内容涉及的生命周期阶段

Fig.2 Dynamic feature expression of designers

Tab.2 TC dimension and its feature encoding

类型维度	具体含义	含义说明	特征编码
P	职位	人员的职责范围，如高级工程师、中级工程师等	高级工程师=1，中级工程师=0.8，初级工程师=0.6
WY	工作年限	人员累计从事专业工作的时间	工作年限为数值型数据，无需编码
EB	学历	人员所取得的最高文化程度，如博士、硕士等	博士=1，硕士=0.9，学士=0.8
MB	专业	人员所学专业，如机械工程、机械电子工程等	机械设计与自动化=1，机械电子工程=1，机械设计及理论=1，机械工程=0.9

Tab.3 OC and OFR dimensions

操作维度	具体含义	含义说明
BO	浏览操作	人员对知识进行浏览
DO	下载操作	人员对知识进行下载
SO	评分操作	人员对知识进行评分反馈
CO	收藏操作	人员对知识进行收藏
BD	浏览时长	人员对知识的浏览时长
DC	下载次数	人员对知识的下载次数
KR	知识评分	人员对知识的评分分数
KC	知识收藏	人员对知识的收藏

Tab.4 TC and GTC data of designers

设计人员	TC				GTC
设计人员	职位	年限	学历	专业	结构设计	材料选择	制造工艺	包装运输	回收利用
$O D 1$	高级工程师	30年	博士	机械设计与自动化	1	1	0	0	1
$O D 2$	高级工程师	22年	硕士	机械电子工程	0	1	0	1	0
$O D 3$	高级工程师	8年	硕士	机械电子工程	1	0	1	0	0
$O D 4$	中级工程师	8年	学士	机械工程	0	1	1	0	1
$O D 5$	初级工程师	2年	学士	机械设计及理论	0	0	1	0	1
$N D 1$	初级工程师	0年	学士	机械工程	0	1	0	0	1
$N D 2$	初级工程师	1年	硕士	机械电子工程	0	1	1	0	0
$N D 3$	中级工程师	6年	博士	机械工程	1	0	1	0	0

Tab.4 TC and GTC data of designers

设计人员	TC				GTC
设计人员	职位	年限	学历	专业	结构设计	材料选择	制造工艺	包装运输	回收利用
$O D 1$	高级工程师	30年	博士	机械设计与自动化	1	1	0	0	1
$O D 2$	高级工程师	22年	硕士	机械电子工程	0	1	0	1	0
$O D 3$	高级工程师	8年	硕士	机械电子工程	1	0	1	0	0
$O D 4$	中级工程师	8年	学士	机械工程	0	1	1	0	1
$O D 5$	初级工程师	2年	学士	机械设计及理论	0	0	1	0	1
$N D 1$	初级工程师	0年	学士	机械工程	0	1	0	0	1
$N D 2$	初级工程师	1年	硕士	机械电子工程	0	1	1	0	0
$N D 3$	中级工程师	6年	博士	机械工程	1	0	1	0	0

Fig.3 Quantification and dynamic correlation of multidimensional features

Fig.4 Process diagram of proactive push mechanism

Tab.5 Distance similarity between ND and OD

	距离相似度
	$N D 1$	$N D 2$	$N D 3$
$O D 1$	0.5000	0.5718	0.5962
$O D 2$	0.5469	0.6185	0.6038
$O D 3$	0.5709	0.6592	0.6257
$O D 4$	0.7776	0.6215	0.6627
$O D 5$	0.6758	0.7971	0.5731

Tab.5 Distance similarity between ND and OD

	距离相似度
	$N D 1$	$N D 2$	$N D 3$
$O D 1$	0.5000	0.5718	0.5962
$O D 2$	0.5469	0.6185	0.6038
$O D 3$	0.5709	0.6592	0.6257
$O D 4$	0.7776	0.6215	0.6627
$O D 5$	0.6758	0.7971	0.5731

Tab.6 Initial user profile similarity of ND

知识编号	$R 1 N D 1$	$R 1 N D 2$	$R 1 N D 3$
$O D 11$	0.8027	0.8612	0.6302
$O D 12$	0.9373	0.9682	0.6517
$O D 13$	0.7902	0.8306	0.8255
$O D 14$	0.9473	0.9094	0.8868
$O D 15$	0.4394	0.4888	0.7023
$O D 21$	0.4394	0.4888	0.7023
$O D 22$	0.8167	0.7853	0.9964
$O D 23$	0.8688	0.9097	0.7797
$O D 24$	0.7902	0.8306	0.8255
$O D 25$	0.8688	0.9097	0.7797
$O D 31$	0.9473	0.9094	0.8868
$O D 32$	0.9473	0.9094	0.8868
$O D 33$	0.8688	0.9097	0.7797
$O D 34$	0.4394	0.4888	0.7023
$O D 35$	0.9473	0.9094	0.8868
$O D 41$	0.9473	0.9094	0.8868
$O D 42$	0.9096	0.8671	0.9288
$O D 43$	0.9473	0.9094	0.8868
$O D 44$	0.8688	0.9097	0.7797
$O D 45$	0.9373	0.9682	0.6517
$O D 51$	0.8688	0.9097	0.7797
$O D 52$	0.8274	0.7942	0.9937
$O D 53$	0.9096	0.8671	0.9288
$O D 54$	0.9373	0.9682	0.6517
$O D 55$	0.9085	0.8718	0.9556

Tab.6 Initial user profile similarity of ND

知识编号	$R 1 N D 1$	$R 1 N D 2$	$R 1 N D 3$
$O D 11$	0.8027	0.8612	0.6302
$O D 12$	0.9373	0.9682	0.6517
$O D 13$	0.7902	0.8306	0.8255
$O D 14$	0.9473	0.9094	0.8868
$O D 15$	0.4394	0.4888	0.7023
$O D 21$	0.4394	0.4888	0.7023
$O D 22$	0.8167	0.7853	0.9964
$O D 23$	0.8688	0.9097	0.7797
$O D 24$	0.7902	0.8306	0.8255
$O D 25$	0.8688	0.9097	0.7797
$O D 31$	0.9473	0.9094	0.8868
$O D 32$	0.9473	0.9094	0.8868
$O D 33$	0.8688	0.9097	0.7797
$O D 34$	0.4394	0.4888	0.7023
$O D 35$	0.9473	0.9094	0.8868
$O D 41$	0.9473	0.9094	0.8868
$O D 42$	0.9096	0.8671	0.9288
$O D 43$	0.9473	0.9094	0.8868
$O D 44$	0.8688	0.9097	0.7797
$O D 45$	0.9373	0.9682	0.6517
$O D 51$	0.8688	0.9097	0.7797
$O D 52$	0.8274	0.7942	0.9937
$O D 53$	0.9096	0.8671	0.9288
$O D 54$	0.9373	0.9682	0.6517
$O D 55$	0.9085	0.8718	0.9556

Fig.5 Heatmap of maximum total lifecycle distance

Tab.7 Optimized knowledge ranking

知识编号	$G (k) N D 1$	知识浏览	知识编号	$G (k) N D 2$	知识浏览	知识编号	$G (k) N D 3$	知识浏览
$O D 32$	0.8708	√	$O D 12$	0.8916	√	$O D 44$	0.9186	√
$O D 23$	0.8016	√	$O D 45$	0.8903	√	$O D 13$	0.8501	√
$O D 45$	0.7995	√	$O D 55$	0.7936	√	$O D 24$	0.7761
$O D 43$	0.6825		$O D 54$	0.6700		$O D 52$	0.7667
$O D 35$	0.6604		$O D 35$	0.6411		$O D 42$	0.7667
$O D 14$	0.6150		$O D 31$	0.5871	√	$O D 53$	0.7406
$O D 41$	0.5962		$O D 43$	0.5805		$O D 55$	0.7267	√
$O D 31$	0.5014		$O D 32$	0.2723	√	$O D 32$	0.6483
$O D 51$	0.4914		$O D 41$	0.1476		$O D 41$	0.5353	√
$O D 55$	0.3083		$O D 14$	0.1389		$O D 45$	0.5287

Tab.7 Optimized knowledge ranking

知识编号	$G (k) N D 1$	知识浏览	知识编号	$G (k) N D 2$	知识浏览	知识编号	$G (k) N D 3$	知识浏览
$O D 32$	0.8708	√	$O D 12$	0.8916	√	$O D 44$	0.9186	√
$O D 23$	0.8016	√	$O D 45$	0.8903	√	$O D 13$	0.8501	√
$O D 45$	0.7995	√	$O D 55$	0.7936	√	$O D 24$	0.7761
$O D 43$	0.6825		$O D 54$	0.6700		$O D 52$	0.7667
$O D 35$	0.6604		$O D 35$	0.6411		$O D 42$	0.7667
$O D 14$	0.6150		$O D 31$	0.5871	√	$O D 53$	0.7406
$O D 41$	0.5962		$O D 43$	0.5805		$O D 55$	0.7267	√
$O D 31$	0.5014		$O D 32$	0.2723	√	$O D 32$	0.6483
$O D 51$	0.4914		$O D 41$	0.1476		$O D 41$	0.5353	√
$O D 55$	0.3083		$O D 14$	0.1389		$O D 45$	0.5287

Fig.6 Comparison chart of final push results

Fig.7 Schematic diagram of knowledge driven refrigerator optimization

References 22

[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.
	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.
[17]	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.
[18]	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.
	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.
[19]	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.
	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.
[20]	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.
[21]	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.
[22]	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.