Modelado y Desarrollo de Un Modelo Computacional de Síntesis Interactivo y Multirrelacional para Guiar La Actividad de Diseño en La Fase Conceptual

UNIVERSITAT JAUME I
Departamento de Ingeniería de
Sistemas Industriales y Diseño
Modelado y desarrollo de un modelo computacional de síntesis interactivo y

multirrelacional para guiar la actividad de diseño en la fase conceptual
Esta tesis parte de las hipótesis de que es posible
mejorar las herramientas funcionales de soporte
del diseño conceptual representando el
conocimiento de manera más flexible e interactiva
a como lo hacen los actuales modelos funcionales
de síntesis por medio del marco función,
comportamiento y estructura (FBS).
Esta tesis propone un modelo computacional que

mejora la exploración del conocimiento ampliando
las opciones de búsqueda de soluciones,
aumentando la interacción con el diseñador
durante la síntesis y representando las intenciones
Modelado y desarrollo de un modelo computacional
del diseñador con un lenguaje más cercano al
usuario y evitando ambigüedades.
de síntesis interactivo y multirrelacional para
La tesis define un modelo funcional de síntesis
guiar la actividad de diseño en la fase conceptual
centrado en el usuario que considera cinco niveles
de abstracción y múltiples relaciones entre estos
niveles.
TESIS DOCTORAL
El documento describe la implementación del
mismo en una herramienta informática piloto que
se ha aplicado, como caso de estudio, al diseño de
mobiliario de oficinas.
Presentada por:
Dioclécio Moreira Camelo
Dirigida por:
Dra. Mª Rosario Vidal Nadal
Dra. Elena Mulet Escrig
DOCTORAL
T E S I S
Castellón, 2007
UNIVERSITAT JAUME I

TESIS DOCTORAL
Presentada por:
Dirigida por:
Castellón, 2007
Agradecimientos
Agradezco a Dios todos los días de mi existencia.
Este trabajo es una suma de esfuerzos en diversos sentidos, las personas que me
han ayudado a su propia manera están presentes en él.
Una mención especial a Elena Mulet y a Sergio Martí por su incondicional apoyo y
su calidad humana.
El Programa Alban (Programa de becas de alto nivel de la Unión Europea para la

América Latina) hizo posible la materialización de esta tesis con la
beca nº E04D030611BR.
Dedico este trabalho a meus pais
Dalmir Torres Camelo e Alcilene Moreira Camelo,
sem o qual nada disso seria possivel.
E a meus irmãos Daniel e Denise,

pelo eterno amar, perdoar e acreditar.
Resumen
En los últimos 20 años, se ha logrado reducir el tiempo necesario para el diseño y el
desarrollo de productos con ayuda de las herramientas de Diseño Asistido por Ordenador
(CAD). Los avances en el campo de los modelos computacionales han proporcionado nuevos
métodos y modelos para soportar de forma automática algunas tareas rutinarias del proceso
de diseño, así como de forma semiautomática otras tareas en las que interviene la
creatividad, soportando el diseño en la fase conceptual (Computer-Aided Conceptual
Design). Sin embargo, estas herramientas han tenido poca aceptación en la industria debido
a que los diseñadores encuentran en ellas dificultades para reproducir las condiciones
normales de un proceso de diseño. Para superar esta limitación, muchos investigadores
proclaman que es fundamental potenciar la intervención humana en la ejecución de estas
herramientas para ayudar a formar nuevas ideas y conceptos más creativos.
Esta tesis parte de las hipótesis de que es posible mejorar las herramientas
funcionales de soporte del diseño conceptual representando el conocimiento de manera más
flexible e interactiva a como lo hacen los actuales modelos funcionales de síntesis explotando
el marco función, comportamiento y estructura (FBS), se facilita la formación, manipulación
y almacenamiento de alternativas diseño.
Siguiendo esta hipótesis, se propone un modelo computacional que mejora la
exploración del conocimiento ampliando las opciones de búsqueda de soluciones, aumenta
la interacción con el diseñador durante la síntesis y representa las intenciones del
diseñador con un lenguaje más cercano al usuario y evitando ambigüedades.
De esta manera, en la tesis se presenta un análisis de los modelos de síntesis. A
partir de este análisis, se propone un modelo funcional de síntesis centrado en el usuario
que considera cinco niveles de abstracción y múltiples relaciones entre estos niveles.
Tras definir el modelo a nivel teórico, se describe la implementación del mismo en
una herramienta informática piloto que se ha aplicado, como caso de estudio, al diseño de
mobiliario de oficinas y a partir de la cual se ha evaluado el cumplimiento de los objetivos
por parte del modelo. Como conclusiones, se ha propuesto un modelo que permite al
diseñador representar los flujos externos en distintos niveles de representación; el uso de un
lenguaje estándar evita la ambigüedad en la definición de las intenciones, y se amplía la
información y las relaciones consideradas por los modelos de síntesis actuales. De esta
forma, el modelo propuesto aumenta la interacción con el diseñador, favorece la exploración
en el espacio de conocimientos y le permite generar redes de elementos de diseño y ampliar
la exploración a otros dominios del conocimiento.
Glosario de acrónimos
ADCS Automatic Design by Configuration Space
ADT Autogenetic Design Theory
AHP Analytic Hierarchy Process
API Application Programming Interfaces
BRG Behaviour Realization Graph
CACD Computer-Aided Conceptual Design
CAD Computer-Aided Drawing
CFD Computation Fluid Dynamic
CKDT C-K Design Theory
CSpace Configuration Space
DIICAD Dialog-oriented Intelligent CAD
DOF Degree-Of-Freedom (Grado de libertad)
DUT Delft University of Technology
EP Evolutionary Programming (Programación Evolutiva)
ES Evolutionary Strategy (Estrategias de Evolución)
FBDS Function-based design synthesis
FBS Function-Behaviour-Structure
FuncDesigner Functional Design Software System
FuncSION Functional Synthesizer for Input Output Networks
GA Genetic Algorithm
GADES Genetic Algorithm Designer
GP Genetic Programming (Programación Genética)
HiCED Hierarchical Co-Evolutionary Approach to Conceptual Design
HSA Heuristic State-space Approach
Ibis Interaction-based Design
IDS Initial Design Selection
IEDS Interactive Evolutionary Design System
KBB Kinematic Building-Blocks
i
KIEF Knowledge Intensive Engineering Framework
MA Microsoft Access
MPM Matrix Parametric of Movement
MRM Movement Restriction Matrix
MTM Motion Transformation Matrix
NOA Natural Optimization Algorithm
ODBC Open Database Connectivity
QHA Qualitative and Heuristic Approach
SISO Single Input and Single Output
SQL Structures Query Language
TFMF Two-stage Functional Modeling Framework
UG Universidad de Gerona
UJI Universitat Jaume I
UPC Universidad Politécnica de Cataluña
vmCOGA Variable Mutation Cluster-oriented Genetic Algorithm
ii
Simbología
Símbolo Descripción Página
aj Action function (función de acción) 77

AF:j Action function (función de acción) 111
bk Behaviour (comportamiento) 80
B:k Behaviour (comportamiento) 111
ep Environmental input (entrada del entorno) 84

E:p Environmental input (entrada del entorno) 111
fi Purpose function (función de propósito) 75

PF:i Purpose function (función de propósito) 111
sl Structure (estructura) 83
i Índice que hace referencia a las funciones de propósito exploradas 75

j Índice que hace referencia a las funciones de acción exploradas 77
k Índice que hace referencia a los comportamientos explorados 80
l Índice que hace referencia a las estructuras exploradas 83

p Índice que hace referencia a las entradas del entorno exploradas 84
iii
Índice
1 Introducción ...................................................................................................... 1
1.1 Hipótesis ....................................................................................................... 4
1.2 Objetivos ....................................................................................................... 4
1.3 Metodología ................................................................................................... 4
1.4 Estructura de la tesis ....................................................................................... 6
2 Antecedentes de los modelos funcionales de síntesis .............................................. 7
2.1 Tipos de diseño .............................................................................................. 9
2.2 El proceso de diseño ....................................................................................... 9
2.2.1 Etapas del proceso de diseño................................................................... 9
2.2.2 Síntesis y análisis................................................................................... 9
2.3 Modelos computacionales para la síntesis ........................................................12
2.3.1 Modelos que sintetizan por medio del árbol de funciones (function-means
tree) 13
2.3.1.1 Heuristic State-space Approach (HSA)...........................................13
2.3.1.2 Two-stage Functional Modeling Framework (TFMF) .......................14
2.3.1.3 Functional Design Software System (FuncDesigner)........................15
2.3.1.4 C-K Design Theory (CKDT)...........................................................15
2.3.1.5 Hierarchical Co-Evolutionary Approach to Conceptual Design
(HiCED) 16
2.3.2 Modelos que sintetizan por medio de las relaciones entre las entradas y las
salidas 16
2.3.2.1 Schematic Synthesis (SS)..............................................................16
2.3.2.2 Interaction-based Design (Ibis) ....................................................16
2.3.2.3 Kinematic Building-Blocks (KBB) .................................................17
2.3.2.4 Functional Synthesizer for Input Output Networks (FuncSION)........17
2.3.2.5 Qualitative and Heuristic Approach (QHA) .....................................17
2.3.2.6 Automatic Design by Configuration Space (ADCS)...........................18
2.3.2.7 Método de Bruno, Giampà, Muzzupappa y Rizzuti ............................18
2.3.3 Modelos que sintetizan por medio de la relación entre causa y efecto..........18
v
2.3.3.1 Schemebuilder ........................................................................... 18
2.3.3.2 Dialog-oriented Intelligent CAD (DIICAD) ................................... 19
2.3.3.3 Modelo de Zavbi y Duhovnik......................................................... 19
2.3.4 Modelos que sintetizan por medio de las relaciones entre las características:
Initial Design Selection (IDS)............................................................................. 20
2.3.5 Modelos que sintetizan por medio de agentes.......................................... 20
2.3.6 Modelos que sintetizan por medio de las redes neuronales: Function-based
design synthesis (FBDS) .....................................................................................21
2.3.7 Modelos que sintetizan por medio de abducción: Knowledge Intensive
Engineering Framework (KIEF).......................................................................... 22
2.3.8 Modelos que sintetizan por medio de algoritmos evolutivos...................... 22
2.3.8.1 Genetic Algorithm Designer (GADES)........................................... 22
2.3.8.2 Interactive Evolutionary Design System (IEDS).............................. 22
2.3.8.3 Autogenetic Design Theory (ADT)................................................. 23
2.4 Conclusiones del capítulo.......................................................................... 23
3 Análisis de la representación del conocimiento y de los métodos de evaluación en los
modelos de síntesis .................................................................................................... 25
3.1 Análisis de la representación del conocimiento para la síntesis.......................... 27
3.1.1 Función, comportamiento y estructura (FBS).......................................... 27
3.1.2 Estado del arte de la representación FBS en modelos funcionales de síntesis
28
3.1.2.1 Representación del conocimiento en el modelo Schematic Synthesis
(SS) 29
3.1.2.2 Representación del conocimiento en el modelo Interaction-based
design (Ibis)................................................................................................. 30
3.1.2.3 Representación del conocimiento en el modelo Initial Design
Selection (IDS)..............................................................................................31
3.1.2.4 Representación del conocimiento en el modelo Kinematic Building
Blocks (KBB) ................................................................................................ 32
3.1.2.5 Representación del conocimiento en el modelo Qualitative and
Heuristic Approach (QHA)............................................................................. 33
3.1.2.6 Representación del conocimiento en el modelo Schemebuilder ....... 34
3.1.2.7 Representación del conocimiento en el modelo A-Design ............... 35
vi
3.1.2.8 Representación del conocimiento en el modelo DiiCAD.................. 36
3.1.2.9 Representación del conocimiento en el modelo Automatic Design by
Configuration Space (ADCS)...........................................................................37
3.1.2.10 Representación del conocimiento en el modelo Genetic Algorithm
Designer (GADES)........................................................................................ 38
3.1.2.11 Representación del conocimiento en el modelo FuncSION.............. 39
3.1.2.12 Representación del conocimiento en el algoritmo de Zavbi.............. 40
3.1.2.13 Representación del conocimiento en el modelo Interactive
Evolutionary Design System (IEDS).................................................................41
3.1.2.14 Representación del conocimiento en el modelo Knowledge Intensive
Engineering Framework (KIEF) ......................................................................41
3.1.2.15 Representación del conocimiento en el método de Bruno, Giampà,
Muzzupappa y Rizzuti .................................................................................... 42
3.1.2.16 Representación del conocimiento en el modelo Autogenetic Design
Theory (ADT) ............................................................................................... 43
3.1.2.17 Representación del conocimiento en el modelo Heuristic State-Space
Approach (HSA) ........................................................................................... 44
3.1.2.18 Representación del conocimiento en el modelo Two-stage Functional
Modeling Framework (TFMF)........................................................................ 45
3.1.2.19 Representación del conocimiento en el modelo Funcdesigner ......... 47
3.1.2.20 Representación del conocimiento en el modelo C-K Design Theory
(CKDT) 48
3.1.2.21 Representación del conocimiento en el modelo Hierachical Co-
evolutionary approach to conceptual Design (HiCED)....................................... 48
3.1.2.22 Representación del conocimiento en el modelo Function-based
Design Synthesis Approach (FDSA) ................................................................ 49
3.1.3 Resumen de la representación del conocimiento en los modelos de síntesis50
3.2 Análisis de los métodos de soporte a la decisión ............................................... 50
3.2.1 Modelos de resolución funcional analizados ........................................... 50
3.2.2 Clasificación de los modelos de evaluación ............................................. 52
3.2.3 Objeto de la evaluación ......................................................................... 53
3.2.4 Dominio del diseño.............................................................................. 53
3.2.5 Métodos para convergencia de funciones.................................................55
3.2.5.1 Métodos basados en reglas ............................................................55
vii
3.2.5.2 Métodos heurísticos .................................................................... 57
3.2.5.3 Algoritmos evolutivos .................................................................. 58
3.2.5.4 Mejor cumplimiento de las especificaciones .................................. 58
3.2.6 Criterios y su importancia en la evaluación de alternativas........................ 58
3.2.6.1 Especificaciones de proyecto........................................................ 59
3.2.6.2 Aspectos cinemáticos ..................................................................60
3.2.7 Valor de las alternativas sobre los criterios ............................................. 61
3.2.7.1 Simulación ................................................................................. 61
3.2.7.2 Función de uso............................................................................ 62
3.2.7.3 Método fuzzy .............................................................................. 62
3.2.8 Métodos de soporte a la decisión (evaluación de alternativas) ................... 63
3.2.8.1 Mono-criterio ............................................................................ 65
3.2.8.2 Algoritmos evolutivos .................................................................. 65
3.2.8.3 Suma ponderada .........................................................................66
3.2.8.4 Valor agregado ............................................................................66
3.2.8.5 Método heurístico ....................................................................... 67
3.2.8.6 Optimización por Pareto .............................................................. 67
3.2.8.7 Deducción.................................................................................. 68
3.3 Conclusiones del capítulo .............................................................................. 68
4 Propuesta del modelo funcional de síntesis...........................................................71
4.1 Funciones de propósito ................................................................................. 73
4.1.1 Simplificación simbólica ...................................................................... 75
4.2 Función de acción .................................................................................... 75
4.2.1 Simplificación simbólica .......................................................................77
4.3 Comportamiento .......................................................................................77
4.3.1 Simplificación simbólica y gráfica..........................................................80
4.4 Estructuras .............................................................................................. 81
4.4.1 Simplificación simbólica y gráfica.......................................................... 83
4.5 Entradas del entorno o flujos externos ........................................................ 84
4.5.1 Simplificación gráfica y simbólica.......................................................... 84
viii
4.6 Relación entre los niveles.......................................................................... 85
4.6.1 Visión general de las relaciones............................................................. 85
4.6.2 Relaciones con la función de propósito .................................................. 86
4.6.2.1 Relación función de propósito – función de acción ......................... 88
4.6.2.2 Relación función de propósito – comportamiento/estructura .......... 89
4.6.2.3 Relación función de propósito - función de propósito..................... 89
4.6.3 Relaciones con la función de Acción....................................................... 90
4.6.3.1 Relación de función de acción – entradas del entorno ......................91
4.6.3.2 Relación de función de acción-función de acción ........................... 92
4.6.3.3 Relación de función de acción-comportamiento/estructura ............ 93
4.6.4 Relaciones con el comportamiento ........................................................ 95
4.6.4.1 Relación comportamiento-comportamiento.................................. 96
4.6.4.2 Relación comportamiento-entrada del entorno y comportamiento-
función de acción.......................................................................................... 97
4.6.4.3 Relación comportamiento-estructura ........................................... 99
4.6.5 Relaciones con la estructura .................................................................. 99
4.6.6 Relaciones con la entrada del entorno ................................................... 101
4.7 Procedimientos de síntesis de alternativas................................................. 101
5 Implementación del modelo propuesto ..............................................................105
5.1 Introducción ...............................................................................................107
5.1.1 Lenguaje y arquitectura de implementación...........................................107
5.1.2 Exploración y captura por medio de las capas de implementación ............108
5.2 Capa de interfaz ...........................................................................................109
5.2.1 Ventana principal ...............................................................................109
5.2.2 Diagramas...........................................................................................111
5.2.3 Ventana de apoyo ................................................................................ 112
5.2.3.1 Ventanas para el nivel de función de propósito.............................. 112
5.2.3.2 Ventanas para el nivel de función de acción .................................. 114
5.2.3.3 Ventanas para el nivel de comportamiento.................................... 116
5.2.3.4 Ventana para el nivel de estructuras .............................................120
ix
5.2.3.5 Ventanas para el nivel de entradas del entorno ..............................122
5.2.4 Menús emergentes..............................................................................124
5.2.4.1 Describir un problema de diseño................................................. 125
5.2.4.2 Explorar a partir de las funciones de propósito.............................. 125
5.2.4.3 Explorar a partir de las funciones de acción...................................126
5.2.4.4 Explorar a partir de los comportamientos .....................................128
5.2.4.5 Exploración a partir de las estructuras ..........................................130
5.2.4.6 Explorar a partir de las entradas del entorno .................................130
5.2.4.7 Capturar el conocimiento con ayuda de los menús .........................130
5.3 Capa de aplicación .......................................................................................132
5.3.1 Exploración por medio de la capa de aplicación ......................................133
5.3.2 Captura por medio de la capa de aplicación ............................................134
5.3.3 Clases principales ...............................................................................136
5.3.3.1 Clase para el control de las alternativas.........................................136
5.3.3.2 Clase de funciones de propósito................................................... 137
5.3.3.3 Clase de funciones de acción .......................................................138
5.3.3.4 Clase de comportamientos ..........................................................138
5.3.3.5 Clase de estados .........................................................................139
5.3.3.6 Clase de estructuras................................................................... 140
5.3.3.7 Clase de entradas del entorno..................................................... 140
5.4 Capa de comunicación con el banco de datos .............................................. 141
5.4.1 Explorar por medio de la capa de comunicación con el banco de datos ...... 141
5.4.2 Relación entre los niveles de abstracción...............................................142
5.4.3 Captura del conocimiento por medio de la capa de comunicación con el
banco de datos .................................................................................................143
5.5 Capa de banco de dados ............................................................................... 144
5.5.1 Recursos utilizados............................................................................. 144
5.5.2 Estructura del conocimiento en el banco de datos.................................. 144
6 Ejemplo de aplicación y evaluación del modelo....................................................147
6.1 Definición del problema.............................................................................. 149
x
6.2 Aplicación del modelo de síntesis al caso de estudio....................................149
6.2.1 Formación de alternativas....................................................................150
6.2.2 Alternativas generadas ........................................................................170
6.3 Evaluación del modelo ............................................................................. 173
7 Conclusiones y trabajos futuros ......................................................................... 175
Referencias .............................................................................................................. 181
Apéndice 1................................................................................................................193
Apéndice 2 ...............................................................................................................199
Apéndice 3 .............................................................................................................. 203
xi
Índice de figuras
Figura 1 - Metodología de investigación para el diseño propuesto por Blessing y Chakrabarti
(Blessing, Chakrabarti et al. 1995; Blessing y Chakrabarti 2002). ............................. 6
Figura 2 – Modelo de Cross (Cross 1994). ..................................................................... 10
Figura 3 - Etapas del proceso de diseño según Campbell (Campbell, Cagan et al. 2003). ..... 11
Figura 4 - Algoritmo de resolución del Heuristic State-space Approach (Zhang, Tor et al.
2002b)..............................................................................................................14
Figura 5 – La teoría C-K Design (Hatchuel, Masson et al. 2004) .......................................15
Figura 6 - Algoritmo de resolución del modelo DIICAD (Lossack, Umeda et al. 1998) ........19
Figura 7 - Algoritmo de resolución del modelo A-Design (Campbell, Cagan et al. 1998a) ....21
Figura 8 – Semántica y sintaxis del conocimiento en el modelo SS. .................................. 30
Figura 9 - Semántica y sintaxis del conocimiento en el modelo Ibis. .................................31
Figura 10 - Semántica y sintaxis del conocimiento en el modelo IDS................................ 32
Figura 11 - Función y comportamiento según el modelo KBB (Kota y Chiou 1992). ............ 32
Figura 12 - Semántica y sintaxis del conocimiento en el modelo KBB. .............................. 33
Figura 13 - Semántica y sintaxis del conocimiento en el modelo QHA. ............................. 34
Figura 14 - Semántica y sintaxis del conocimiento en el modelo Schemebuilder. .............. 35
Figura 15 - Ejemplo de función en el modelo A-Design (Campbell, Cagan et al. 2003)....... 35
Figura 16 - Semántica y sintaxis del conocimiento en el modelo A-Design. ...................... 36
Figura 17 - Semántica y sintaxis del conocimiento en el modelo DiiCAD. ..........................37
Figura 18 - Semántica y sintaxis del conocimiento en el modelo ADCS............................. 38
Figura 19 - Estructuras primitivas representadas en el modelo GADES (Bentley y Wakefield
1996). .............................................................................................................. 38
Figura 20 - Semántica y sintaxis del conocimiento en el modelo GADES. ......................... 39
Figura 21 – Semántica y sintaxis del conocimiento en el modelo FuncSION. ..................... 40
Figura 22 - Semántica y sintaxis del conocimiento en el algoritmo de Zavbi. ..................... 40
Figura 23 - Semántica y sintaxis del conocimiento en el modelo IEDS...............................41
Figura 24 - Semántica y sintaxis del conocimiento en el modelo KIEF.............................. 42
Figura 25 - Semántica y sintaxis del conocimiento en el método de Bruno. ....................... 43
Figura 26 - Semántica y sintaxis del conocimiento en el modelo ADT. ............................. 43
xiii
Figura 27 - Semántica y sintaxis del conocimiento en el modelo HSA ............................... 45
Figura 28 - Funciones y comportamiento según la representación FBS de Deng (Deng 2002).
........................................................................................................................46
Figura 29 - Semántica y sintaxis del conocimiento en el modelo TFMF. ........................... 47
Figura 30 - Semántica y sintaxis del conocimiento en el modelo FuncDesigner................. 48
Figura 31 - Semántica y sintaxis del conocimiento en el modelo HiCED. ..........................49
Figura 32 - Semántica y sintaxis del conocimiento en el modelo FDSA. ............................49
Figura 33 - Cuadro comparativo con las formas en que los modelos de síntesis representan el
conocimiento de diseño. .....................................................................................51
Figura 34 - Diagrama de los modelos que evalúan las funciones. ..................................... 56
Figura 35 - Comparación entre criterios en el modelo IEDS............................................ 59
Figura 36 - Tipos de evaluación de alternativas.............................................................. 63
Figura 37 - Grupos de modelos que evalúan las alternativas............................................. 65
Figura 38 – Diagrama de Pareto, buenos y malos diseños en el modelo A-Design (Campbell,
Cagan et al. 1999) .............................................................................................. 68
Figura 39 – Simplificación del modelo de representación propuesto................................ 74
Figura 40 - Simplificación simbólica de la función de propósito. .................................... 75
Figura 41 - Simplificación simbólica de la función de acción............................................77
Figura 42 - Cadena (a) y red de estados (b) manifestados en un comportamiento. ............. 79
Figura 43 – Ejemplo de una cadena de estados en un comportamiento. ............................ 79
Figura 44 - Simplificación gráfica del comportamiento y combinación de comportamiento a
partir de una función de acción...........................................................................80
Figura 45 – Simplificación de una estructura en datos informáticos................................. 83
Figura 46 - Simplificación gráfica (a) y organización de las estructuras en cadena o red (b).
........................................................................................................................ 83
Figura 47 - Simplificación gráfica de las entradas del entorno y combinación de entradas del
entorno a partir de una función de acción y comportamiento. ................................ 85
Figura 48 - Convergencia en el proceso de exploración. ................................................. 85
Figura 49 - Visión general de las relaciones en el modelo de representación. ................... 86
Figura 50 - Relación existentes a partir de la función de propósito................................... 87
Figura 51 - Formación de cadena (a) o red (b,c) de funciones de acción a partir de una
función de propósito.......................................................................................... 89
Figura 52 - Descomposición funcional a través de los operadores lógicos AND y OR. .........90
xiv
Figura 53 - Relaciones existentes a partir de la función de acción. ....................................91
Figura 54 - Relación función de acción y entradas del entorno. ....................................... 92
Figura 55 - Ejemplo de entradas y salidas compartidas en la función de acción. ................ 93
Figura 56 - Cadena de funciones de acción a partir de una función de propósito. .............. 94
Figura 57 – Coincidencia de las entradas y salidas de una función de acción con las entradas y
salidas de un o más comportamientos.................................................................. 94
Figura 58 - Relaciones existentes a partir del comportamiento........................................ 95
Figura 59 - Combinación comportamiento-comportamiento. ........................................ 96
Figura 60 - Comportamientos organizados en cadena (a), red bajo con conector lógico AND
(b) o conector lógico OR (c)................................................................................ 97
Figura 61 - Combinación de una cadena de comportamientos a partir de una función de
acción. ............................................................................................................. 98
Figura 62 - Abstracción de un comportamiento por medio de una función de acción......... 98
Figura 63 - Comportamientos que pueden manifestar una Estructura.............................. 99
Figura 64 – Formación de red o cadenas de estructuras. ............................................... 100
Figura 65 – Combinación entre superficies de contacto al final de la síntesis. ................. 100
Figura 66 - Relaciones existentes a partir de las entradas del entorno............................. 101
Figura 67 - Formación de una cadena de comportamientos (a) y combinación de un flujo
externo con la cadena de comportamientos (b)....................................................103
Figura 68 – Proceso de síntesis propuesto....................................................................104
Figura 69 - Capas implementadas...............................................................................107
Figura 70 - Exploración con ayuda de capas..................................................................108
Figura 71 - Captura con ayuda de las capas....................................................................109
Figura 72 - Ventana principal de la herramienta ........................................................... 110
Figura 73 - Pestañas y alternativas en la herramienta .................................................... 110
Figura 74 - Barra de estado en la herramienta .............................................................. 110
Figura 75 - Símbolos definidos para los niveles de abstracción........................................111
Figura 76 - Ejemplo de enlaces entre niveles de abstracción .......................................... 112
Figura 77 - Ventana de tipo selección para el nivel de función de propósito ..................... 113
Figura 78 - Ventana de tipo captura para el nivel de función de propósito........................ 113
Figura 79 - Ventana de tipo propiedades para el nivel de función de propósito................. 114
Figura 80 - Ventana de tipo selección para el nivel de función de acción ......................... 115
xv
Figura 81 - Ventana de tipo captura para el nivel de función de acción............................. 116
Figura 82 - Ventana de tipo propiedades para el nivel de función de acción ..................... 116
Figura 83 - Ventana de tipo selección para el nivel de comportamiento ........................... 117
Figura 84 - Ventana de tipo captura para el nivel de comportamiento ............................. 118
Figura 85 - Ventana para capturar los estados ............................................................... 119
Figura 86 - Ventana de tipo propiedades para el nivel de comportamiento. .....................120
Figura 87 - Ventana de tipo selección para el nivel de estructura..................................... 121
Figura 88 - Ventana de tipo captura para el nivel de estructuras......................................122
Figura 89 - Ventana de tipo propiedades para el nivel de estructuras ..............................122
Figura 90 - Ventana de tipo selección para el nivel de entradas del entorno.....................123
Figura 91 - Ventana de captura para el nivel de entradas del entorno...............................124
Figura 92 - Ventana de tipo propiedades para el nivel de entradas del entorno.................124
Figura 93 - Menú inicial para describir un problema de diseño...................................... 125
Figura 94 - Menú emergente para explorar a partir de una función de propósito ..............126
Figura 95 - Menu emergente que permite explorar a partir de una función de acción........ 127
Figura 96 - Tres tipos de funciones de acción que pueden ser exploradas: a) Función de
acción sin entrada dirigida, b) función de acción con entrada dirigida y salida
funcional y c) función de acción combinada a partir de un comportamiento abstraído.
.......................................................................................................................128
Figura 97 - Ejemplo de combinación entre comportamiento - función de acción -
comportamiento ..............................................................................................129
Figura 98 - Menú emergente que explorar a partir de un comportamiento seleccionado ...129
Figura 99 - Menú emergente que permite explorar a partir de una estructura ..................130
Figura 100 - Menú emergente que permite explorar a partir de una entrada del entorno...130
Figura 101 – Comando que permite registrar una nueva estructura (“bottom-up”) ........... 131
Figura 102 - Elección o exclusión de una función de acción a partir de una función de
propósito (“top-down”) ....................................................................................132
Figura 103 - Exploración con ayuda de la capa de aplicación...........................................133
Figura 104 - Captura de conocimiento con ayuda de la capa de aplicación........................ 135
Figura 105 - Procedimientos implementados por la clase Alternatives. ........................... 137
Figura 106 - Procedimientos implementados por la clase de funciones de propósito. .......138
Figura 107 - Procedimientos implementados por la clase de funciones de acción. ............138
xvi
Figura 108 - Procedimientos implementados por la clase de comportamientos................139
Figura 109 - Procedimientos implementados por las clases states y entityState................139
Figura 110 - Procedimientos implementados por la clase de estructuras..........................140
Figura 111- Procedimientos implementados por la clase de entradas del entorno. ............140
Figura 112 - Exploración con ayuda de la capa de comunicación con el banco de datos....... 141
Figura 113 - Captura con ayuda de la capa de comunicación con el banco de datos.............143
Figura 114 - Tablas que contienen el conocimiento en la capa de banco de datos. .............145
Figura 115 - Tablas auxiliares en la capa de banco de datos. ............................................146
Figura 116 - Función de propósito y entrada del entorno que forman la alternativa parcial.
......................................................................................................................150
Figura 117 - Resultado de la descomposición para la función de propósito "Support writing
activity"........................................................................................................... 151
Figura 118 - Funciones que descomponen a la función de propósito "Support writing
activity"........................................................................................................... 151
Figura 119 - Exploración de funciones de acción para la función de propósito "Stabilize a
horizontal plan". .............................................................................................. 152
Figura 120 - Ventana para confirmar la conexión automática entre la función de acción con la
entrada del entorno disponible.......................................................................... 153
Figura 121 - Alternativa definida después de la combinación entre función de acción y la
entrada disponible en el entorno. ...................................................................... 153
Figura 122 - Comportamientos que resultan de la exploración a partir de función de acción
“Stabilize a horizontal plan” (Estabilizar plano horizontal). ..................................154
Figura 123 - Resultado de la exploración de estructuras a partir del comportamiento
"Stabilize horizontal plan". ............................................................................... 155
Figura 124 - Configuración de la alternativa tras elegida la estructura "Plan". ..................156
Figura 125 - Resultado de la exploración de funciones de acción à partir de la función de
propósito "Support structure". .......................................................................... 157
Figura 126 - Ventana capturada después de incluir nuevas funciones de acción................ 158
Figura 127 - Comando utilizado para explorar comportamientos a partir de una función de
acción. ............................................................................................................159
Figura 128 - Exploración de comportamientos que atienden a la función de acción "Secure
structure"........................................................................................................159
Figura 129 - Configuración de la alternativa después de combinados los comportamientos
“Support structure” (B:7) y “Transport load” (B:33). ............................................160
xvii
Figura 130 - Exploración de estructuras para comportamientos "Support structure" ........ 161
Figura 131 - Exploración de estructuras para comportamientos “Transport load”. ............ 161
Figura 132 - Configuración de la alternativa después de combinadas dos estructuras. .......162
Figura 133 - Configuración de la alternativa después de duplicada la cadena de funciones de
acción, comportamientos y estructuras. ..............................................................163
Figura 134 - Combinación entre superficies de la primera alternativa. ............................163
Figura 135 - Acceso al comando "Create a snapshot of the alternative". .......................... 164
Figura 136 - Función de acción "Regulate height" añadida a la descomposición de la función
"Support writing activity"..................................................................................165
Figura 137 - Funciones de acción que atienden a la función de propósito "Regulate height".
...................................................................................................................... 166
Figura 138 - Funciones de acción combinadas para atender a la función de propósito
"Regulate height". ........................................................................................... 166
Figura 139 - Mensaje de aviso sobre las entradas de entorno disponibles que no atienden a la
función de acción elegida. .................................................................................167
Figura 140 - Exploración de entradas del entorno que pueden atender a la entrada dirigida
de la función de acción “Increase height”............................................................167
Figura 141 - Configuración de la alternativa después de renovados los enlaces entra las
funciones de acción y las entradas del entorno.....................................................168
Figura 142 - Resultado final después de combinados los comportamientos y las estructuras.
...................................................................................................................... 169
Figura 143 - Combinación entre superficies de la segunda alternativa............................ 169
Figura 144 - Posibles formas de productos definidos con base en el resultado de la síntesis.
.......................................................................................................................170
Figura 145 - Primera solución generada para la función de propósito "Support writing
activity"........................................................................................................... 171
Figura 146 - Segunda solución generada para la función "Support writing activity". ......... 172
xviii
Índice de tablas
Tabla 1 - Clasificación de los métodos de evaluación. ..................................................... 54
Tabla 2 – Semántica, sintáctica y ejemplo de función de propósito....................................75
Tabla 3 - Semántica, sintaxis y ejemplo de función de acción. ..........................................77
Tabla 4 - Semántica, sintaxis y ejemplo de comportamiento ........................................... 80
Tabla 5 - Semántica, sintaxis y ejemplo de estructura. .................................................... 82
Tabla 6 - Semántica, sintaxis y ejemplo de entrada del entorno. ...................................... 84
Tabla 7 - Verbos de la segunda clase de Hirtz (Hirtz, Stone et al. 2002)............................195
Tabla 8 - Verbos de la tercera clase de Hirtz. ................................................................ 197
xix
Índice de cuadros
Cuadro 1 - Exploración de función de propósito por medio de la capa de aplicación..........134
Cuadro 2 - Captura de función de propósito por medio de la capa de aplicación. ..............136
Cuadro 3 - Exploración de función de propósito por medio de la capa de comunicación con el
banco de datos. ................................................................................................142
Cuadro 4 - Relación de descomposición en el nivel de función de propósito por medio de la
capa de comunicación con el banco de datos........................................................143
Cuadro 5 - Captura de función de propósito por medio de la capa de comunicación con el
banco de datos. ................................................................................................143
Cuadro 6 - Captura de una relación entre funciones de propósito por medio de la capa de
comunicación con el banco de datos. ..................................................................144
xxi
1 Introducción
Introducción
En los últimos 20 años, los modelos computacionales han logrado reducir el tiempo
necesario para el diseño y desarrollo de productos por medio de las herramientas de Diseño
Asistido por Ordenador (CAD). Los avances en el campo de los modelos computacionales
han proporcionado nuevos métodos y modelos para soportar automáticamente las tareas
rutinarias del proceso de diseño, así como soportar de forma semiautomática otras tareas en
las que interviene la creatividad.
Muchas de estas herramientas utilizan principios del campo de la psicología y de la
inteligencia artificial en sus algoritmos, pues se cree que estos principios ayudan a
reproducir la capacidad humana de intuición, creatividad, análisis y síntesis para resolver los
problemas de diseño (Horvath 2004b). Sin embargo, a pesar de las técnicas propuestas para
automatizar el proceso de diseño, éstas han tenido poca aceptación por parte de los
diseñadores de las industrias. Este inconveniente se debe a la dificultad de reproducir las
condiciones normales de un proceso de diseño (Horvath 2004a), pero quienes están a favor
de este modelo, argumentan que la intervención humana es fundamental para ayudar a
formar nuevas ideas y conceptos más creativos (Parmee 2001; Horvath 2004a; Chakrabarti,
Sarkar et al. 2005; Sridharan y Campbell 2005; Wilhelms 2005; Chakrabarti 2006). Para ello,
la herramienta de soporte al diseño conceptual debe alcanzar los siguientes objetivos
(Horvath 2000; Li, Bracewell et al. 2001; Wilhelms 2005):
• Conducir y controlar el proceso de diseño,
• Capturar, relacionar y racionalizar el diseño en tiempo de ejecución,
• Organizar y almacenar la definición y el historial del diseño,
• Ofrecer un método de búsqueda que facilite el acceso y la interacción con
el conocimiento,
• Integrar las herramientas de diseño,
• Permitir la interacción del usuario durante el proceso creativo; así como
ejecutar procesos automáticos que reduzcan el tiempo del diseño
rutinario,
• Permitir al diseñador manipular conjuntos de alternativas para un único
problema, y
• Generar los documentos sobre el producto de manera automática.
Dentro de este contexto, es necesario definir modelos computacionales de soporte
del diseño interactivos, que permitan que el proceso de diseño esté regido por el diseñador
en mayor medida.

3
Capítulo 1
1.1 Hipótesis
Las hipótesis de este trabajo son:
• Potenciando la representación del conocimiento en la síntesis funcional
se pueden formar alternativas de manera más flexible e interactiva que la
que permiten los actuales modelos funcionales de síntesis.
• Se puede lograr dicha flexibilidad, así como facilitar el almacenamiento, y
reutilización del conocimiento de proyectos anteriores y la conexión con
diferentes dominios, explotando más las posibilidades de representación
por medio del marco función, comportamiento y estructura (FBS).
1.2 Objetivos
El objeto de esta tesis consiste en definir un nuevo modelo computacional que
soporte algunas tareas del diseño de forma interactiva, permitiendo que los pasos por los que
se forman las alternativas de diseño durante la síntesis estén guiados por el diseñador,
aproximándose en mayor medida a las características de los procesos creativos de diseño.
Los objetivos de este modelo son:
• Que sea capaz de mejorar la exploración del conocimiento e incrementar
los posibles caminos a seguir en el proceso de síntesis, con el fin de
ampliar las opciones de búsqueda de soluciones;
• Que sea capaz de aumentar la interacción con el diseñador durante toda la
síntesis;
• Que sea capaz de representar el conocimiento para soportar la síntesis
partiendo de un lenguaje más cercano al usuario y que al mismo tiempo
evite ambigüedades.
Al mismo tiempo, el modelo propuesto cumplirá otros objetivos, si bien ya
alcanzados en otros modelos, tales como:
• Restringir la exploración del conocimiento por medio de reglas, para
seleccionar los elementos más convenientes que puedan presentarse
como alternativas, y
• Permitir al diseñador manipular varias alternativas.
El beneficio potencial de este modelo en el futuro, es que se logre disminuir el
tiempo de formación de nuevos productos y de forma compatible con la creatividad del
diseñador. Se espera que ello permita lograr una mayor aceptación de los métodos
computacionales de síntesis por los diseñadores.
1.3 Metodología
Esta tesis toma como referencia el estudio experimental defendido en la tesis de
Mulet (Mulet 2003), donde se definen algunas directrices para mejorar el diseño creativo a
4 Dioclécio Moreira Camelo

Introducción
partir del análisis del proceso de obtención de soluciones en diseñadores. Algunas de estas
directrices se han tenido en cuenta en la definición del modelo computacional que se
presenta en esta tesis, mientras que otras directrices se abordarían en un futuro modelo.
Esta investigación ha sido realizada durante tres años. En el primer año se cursaron
las asignaturas del programa de doctorado impartidas en la UJI, en la Universidad
Politécnica de Cataluña (UPC) y en la Universitat de Girona (UG). Durante el segundo año, se
realizó un extenso análisis sobre los modelos de síntesis funcional y se definió una propuesta
preliminar de modelo computacional de síntesis.
Al final del segundo año, se defendió el trabajo de investigación y se obtuvo el
Diploma de Estudios Avanzados. Desde octubre de 2006 hasta enero de 2007, se realizó una
estancia de investigación en el Departamento de Design Engineering de la Delft University
of Technology (DUT). Durante este periodo, se pudo completar y concluir el modelo
preliminar, así como conocer los modelos computacionales desarrollados por otros grupos
de investigación. Seguidamente se implementó el modelo en una la herramienta informática
piloto, que ha sido aplicada, como caso de diseño, a la formación de alternativas de diseño de
mobiliario de oficinas. Finalmente, a partir de los resultados obtenidos con esta herramienta
para el caso de aplicación, se ha realizado una evaluación preliminar del modelo.
Según la metodología de investigación de Blessing et al (Blessing, Chakrabarti et al.
1995; Blessing y Chakrabarti 2002), las etapas de investigación en ingeniería del diseño son:
formulación de los criterios, estudio descriptivo I, estudio prescriptivo y estudio descriptivo
II.
En este capítulo se han definido los objetivos de la tesis. Los capítulos 2 y 3
comprenden la etapa de estudio descriptivo I que consiste en obtener el conocimiento sobre
cómo influyen distintos factores de la actividad analizada en la consecución de los objetivos
definidos en la fase anterior. El capítulo 4 comprende el estudio prescriptivo, por el cual se
proponen directrices, técnicas, métodos y metodologías de diseño para fomentar el
cumplimiento de los objetivos, basándose en los resultados del estudio descriptivo.
Finalmente, los capítulos 5 y 6 comprenden la etapa de estudio descriptivo II que consiste en
evaluar hasta qué punto se ha logrado que la técnica, método, conjunto de directrices, etc.
propuestos, cumplan con los objetivos (Figura 1).
Esta tesis parte de algunos de los resultados del estudio descriptivo realizado en la
tesis de Mulet (Mulet 2003), que se completa con la revisión bibliográfica de los modelos
funcionales de síntesis, a partir de los cuales se propone un nuevo modelo de síntesis cuya
representación del conocimiento permite describir, explorar y sintetizar de manera flexible
el conocimiento antes y durante la síntesis, fomentando las pautas del diseño que el estudio
descriptivo revela como más efectivas (estudio prescriptivo). Este modelo ha sido
implementado y aplicado a un caso de diseño restricto al campo del diseño mecánico, en
concreto el diseño de muebles. A partir de la herramienta implementada y de la aplicación
del caso de diseño, se ha realizado una evaluación preliminar del grado de cumplimiento del
modelo sobre los objetivos de la investigación (estudio descriptivo II); Al final, se presentan
las conclusiones y algunas propuestas para trabajos futuros.

5
Capítulo 1
Figura 1 - Metodología de investigación para el diseño propuesto por Blessing y

Chakrabarti (Blessing, Chakrabarti et al. 1995; Blessing y Chakrabarti 2002).
1.4 Estructura de la tesis

Este trabajo se divide en siete capítulos:
• El capítulo 2 (Antecedentes de los modelos para síntesis funcional) describe
los modelos de síntesis computacional más significativos disponibles en la
bibliografía científica.
• El capítulo 3 (Análisis de la representación del conocimiento y de los métodos
de evaluación en los modelos de síntesis) describe el estado del arte de los
modelos de síntesis y muestra una clasificación de los métodos de evaluación
que utiliza y qué beneficios pueden obtenerse con su uso.
• El capítulo 4 (Propuesta del modelo funcional de síntesis) propone un modelo
de síntesis de soluciones utilizando el marco FBS como base para la
representación.
• El capítulo 5 (Implementación del modelo propuesto) explica el lenguaje,
método y recursos utilizados para implementar una herramienta
computacional del modelo propuesto.
• El capítulo 6 (Ejemplo de aplicación y evaluación del modelo) muestra la
aplicación del modelo a un caso de diseño y evalúa el modelo en base a los
objetivos de la tesis.
• El último capítulo describe las conclusiones y los trabajos futuros.

2 Antecedentes de los modelos
funcionales de síntesis
Antecedentes de los modelos funcionales de síntesis
Este capítulo describe los modelos computacionales que soportan la concepción de

nuevas soluciones para la fase de diseño conceptual. El capítulo se inicia con una breve
definición sobre los tipos y el proceso de diseño, y finalmente describe el funcionamiento
interno de los modelos.
2.1 Tipos de diseño

La comunidad científica clasifica el diseño en dos tipos: diseño rutinario y diseño
creativo. Según Parmee, el diseño rutinario comprende un tipo de diseño que surge de
problemas conocidos con variables conocidas (Parmee 2001). Estas variables se aplican
durante el proceso de desarrollo y utilizan parámetros cuyos valores se asignan con
conocimientos propios para cada problema de diseño. Gero define que este tipo de diseño
presenta características precisas, rígidas, predeterminadas, sistemáticas y muestra un
carácter más matemático que el diseño creativo (Gero 1990).
Por su parte, el diseño creativo añade variables desconocidas al producto. Estas
variables utilizan parámetros no previstos y almacenan conocimientos no esperados durante
el proceso de diseño. Esta definición de nuevas variables permite al diseñador generar
alternativas fuera del espacio de soluciones esperado (Parmee 2001).
2.2 El proceso de diseño

2.2.1 Etapas del proceso de diseño
La clasificación más aceptada por la comunidad científica divide el diseño en las
siguientes fases (Pahl y Beitz 1986; Chakrabarti 1991; Cross 1994):
• Clarificación de las tareas: conjunto de información describe los
requisitos y restricciones del problema de diseño.
• Diseño conceptual: abstracción de las funciones del sistema y de su
estructura física para conducir a la formación de un nuevo producto.
• Diseño preliminar: construcción de una disposición general del sistema
de diseño según los principios de seguridad, legislación, coste, factores
técnicos, estéticos, etc.
• Diseño de detalle: selección de los materiales, definición de las
dimensiones, de las superficies, de los flujos, de las tolerancias, de los
dibujos técnicos y de la documentación para la producción.
2.2.2 Síntesis y análisis
Otros términos comúnmente empleados son los de síntesis y análisis. Roozenburg
describe que la síntesis es la combinación de nuevas ideas, para encontrar soluciones para
las funciones de un problema. El análisis comprende las tareas de suministro de
información para resolver los problemas de diseño (Roozenburg 2002). En el contexto del
diseño, el análisis es un proceso que deriva las descripciones de los atributos sobre los
comportamientos y funciones de un diseño, mientras que la síntesis deriva la designación de

9
Capítulo 2
los atributos sobre los requerimientos funcionales del diseño (Tomiyama, Yoshioka et al.
2002).
El modelo sistemático de Pahl y Beitz describe el diseño por medio de ciclos de
resolución y evaluación para formar las alternativas (Pahl y Beitz 1986). La resolución se
lleva a cabo por medio de procesos de búsqueda y composición. En esta aproximación, la
exploración y la combinación de conocimientos (ideas, conceptos o elementos físicos)
describen la formación de soluciones para los problemas de diseño.
Cross describe el diseño por medio de procesos intercalados de divergencia y
convergencia. El autor considera el diseño principalmente convergente, pero manteniendo
una cierta divergencia para ampliar la búsqueda de nuevas ideas (Cross 1994). La Figura 2
ilustra este modelo. La divergencia amplía el espacio de soluciones, mientras que la
convergencia reduce este espacio con ayuda de métodos de evaluación. En los ciclos
subsiguientes, los dos procesos funcionan como auxiliares en la creación y elección de
soluciones hasta encontrar la que mejor atienda las necesidades del proyecto.
Diverger Converger Diverger Converger
Trazado del Solución

diseñador
Figura 2 – Modelo de Cross (Cross 1994).
Takeda y Yoshioka formalizan el proceso de diseño por medio de cinco etapas

(Takeda, Hamada et al. 1990; Takeda, Tomiyama et al. 1992; Yoshioka, Nakamura et al.
1993):
• Descripción del problema (awareness-of-problem),
• Sugestión (suggestion),
• Desarrollo (development),
• Evaluación (evaluation),
• Conclusión (conclusion).
Sim y Duffy formalizan el proceso en tres etapas: definición del diseño, evaluación
y gestión (Sim y Duffy 2003).
Y Campbell (Campbell, Cagan et al. 2003) formaliza el proceso de diseño en cuatro

etapas (Figura 3):

• Descripción del problema, los objetivos y requerimientos,
• Ciclos iterativos de búsqueda para:
o generar alternativas,
o evaluar las alternativas sobre el uso o fabricación del producto,
o y guiar la evolución de las alternativas elegidas en el próximo
ciclo de resolución.
• Al final, se utiliza un método que soporta la decisión para definir la mejor
alternativa para resolver el problema de diseño.
Figura 3 - Etapas del proceso de diseño según Campbell (Campbell, Cagan et al. 2003).

11
Capítulo 2
Otra definición que se emplea frecuentemente en esta tesis es la de alternativa, que

es toda solución parcial o completa para un problema de diseño.
2.3 Modelos computacionales para la síntesis

Desde el punto de vista computacional, el diseño conceptual consiste en buscar y
combinar ideas para formar alternativas de diseño. Los modelos computacionales conducen
o automatizan algunas tareas del proceso de diseño. Estos modelos provienen de los métodos
cognitivo, epistemológico y metodológico, a partir de los cuales se han desarrollado (Horvath
2004a). Con los avances de las tecnologías informáticas, se ha logrado explicitar,
racionalizar, almacenar y manipular cada vez mejor el conocimiento utilizado durante el
desarrollo de un producto en los modelos computacionales (Chandrasekaran, Goel et al.
1993).
La mayoría de los modelos computacionales parte de las intenciones de un producto
como datos de entrada y propone una o más soluciones para las mismas. Estas intenciones
pueden ser un conjunto de requerimientos o de funciones que deben ser realizados por los
componentes físicos. En el caso de que no se consiga atender a dichas funciones,
habitualmente se descomponen en otras más simples para facilitar su entendimiento y
permitir la búsqueda de soluciones.
Para describir los modelos, se han agrupado según la forma en que descomponen y
relacionan las funciones, y más genéricamente el comportamiento y las estructuras de un
diseño, en base a los siguientes métodos:
• Árbol de funciones (function-means tree): descompone los
requerimientos de función en base a una organización jerárquica (árbol)
de funciones y sub-funciones, antes o durante la síntesis (Van Wie, Bryant
et al. 2005).
• Relación del flujo de las entradas y salidas: considera la relación existente
entre las entradas y salidas de flujos o de movimiento para encontrar
posibles sub-funciones dentro de una base de conocimientos.
• Relaciones de causa y efecto (causal): esta categoría considera que para
alcanzar un determinado efecto se debe tener una causa anterior.
• Características: considera las características mínimas para un producto,
que son las dimensiones de un espacio de diseño formado por un número
finito de particiones.
• Agentes: proceso computacional que utiliza agentes inteligentes para
conseguir una mejor integración y funcionalidad en entornos de ejecución
distribuidos. En estos sistemas, cada agente se encarga de una tarea
específica para interactuar con otros agentes que realizan otras tareas
(Vidal, Bermell et al. 2002).
• Redes neuronales: paradigma inspirado en el sistema nervioso biológico
que consiste en un gran conjunto de procesadores interconectados

(neuronas) que trabajan de forma simultánea para resolver problemas

específicos.
• Adbucción: método que proviene de la lógica que describe una solución de
diseño (hechos) a través de conocimientos sobre el diseño (axiomas) y de
las propiedades de otras soluciones de diseño (teoremas) (Tomiyama,
Takeda et al. 2003).
• Métodos evolutivos: métodos concebidos a partir de la abstracción
genética. Este método detecta la abstracción más favorable y, a partir de
ella, cambia los parámetros (funciones) por medio de algoritmos de
mutación o recombinación que descomponen los parámetros.
Además del método de razonamiento, también se describen los modelos
computacionales a través de los siguientes aspectos:
• Planteamiento del modelo, es decir qué se resuelve,
• La base que utilizan para resolver un problema de diseño,
• Su algoritmo de síntesis,
• Los métodos de evaluación y
• Hasta donde llegan en la formación de la solución.
2.3.1 Modelos que sintetizan por medio del árbol de funciones
(function-means tree)
La resolución por medio del árbol de funciones (function-means tree) permite al
diseñador simplificar las funcionalidades de un diseño a partir de jerarquías de medios que
descomponen estas funciones en partes menores. Cada jerarquía tiene su construcción
previa al proceso de síntesis.
Los modelos que utilizan este tipo de resolución son: Heuristic State-space
Approach, Two-stage Functional Modeling Framework, Functional Design Software System y
C-K Design Theory.
2.3.1.1 Heuristic State-space Approach (HSA)
El Heuristic State-space Approach (HSA) de Zhang genera soluciones con ayuda de
un método de búsqueda heurística que utiliza dos procesos: la resolución causal de los
comportamientos (causal behavioural reasoning) y la descomposición funcional (functional
decomposition) (Zhang, Tor et al. 2002b). El uso de estos dos procesos evita la explosión
combinatoria y la descomposición exhaustiva de las funciones. Su algoritmo de resolución
(Figura 4) implementa una variación del algoritmo de búsqueda A* Search que ayuda a elegir
las mejores alternativas por medio de un ranking a cada iteración. El modelo de síntesis
evalúa las alternativas en base al método Fuzzy multicriterial Decision-making que
transforma las simulaciones cualitativas de criterios relacionados con aspectos del ciclo de
vida del producto en datos numéricos (cuantitativos). Para sus autores, el modelo conduce a

13
Capítulo 2
soluciones compactas, próximas al nivel considerado como óptimo y en tiempo reducido de

formación de las alternativas.
Figura 4 - Algoritmo de resolución del Heuristic State-space Approach (Zhang, Tor et al. 2002b)
2.3.1.2 Two-stage Functional Modeling Framework (TFMF)

A partir de la evolución del Two-stage Functional Modelling Framework (TFMF)
Deng ofrece un modelo que automatiza de forma parcial la formación de alternativas, pues
solamente lo soporta y lo conduce (Deng 1999; Deng, Britton et al. 2000; Deng 2002; Zhang,
Tor et al. 2002a). El proceso de resolución implementa los mismos métodos que el modelo
HSA (apartado 2.3.1.1) e incorpora además un módulo de conversión funcional. En este
modelo, el diseñador conduce la exploración por medio de un algoritmo de búsqueda basado
en reglas. Para elegir la mejor alternativa, se dispone de una interfaz gráfica que muestra las
alternativas finales.

2.3.1.3 Functional Design Software System (FuncDesigner)

El Functional Design Software System (FuncDesigner) de Zhang es una
herramienta que soporta el diseño de mecanismos en base a dos procesos: la resolución
causal de los comportamientos (causal behavioural reasoning) y la descomposición funcional
(functional decomposition), que evitan la explosión combinatoria (Deng 1999; Tor, Britton
et al. 2002; Zhang, Tor et al. 2003). La herramienta conduce la síntesis de alternativas por
medio de cuatro niveles de abstracción: función, comportamiento, estructura y flujos
externos. El modelo ayuda al diseñador a organizar y mostrar el conocimiento por medio de
una interfaz simple con el usuario.
Durante la descomposición funcional, el modelo evalúa el espacio funcional por
medio de reglas y elige la mejor alternativa según un ranking de soluciones en función del
grado de cumplimiento de las restricciones. FuncDesigner ofrece las ventajas del modelo
TFMF y además reduce el tiempo de formación de un concepto de producto.
2.3.1.4 C-K Design Theory (CKDT)
El C-K Design theory (CKDT) de Hatchuel guía la formación de alternativas
mediante un método iterativo que tiene como base la exploración de Conceptos (concepts -
C) y Conocimientos (knowledge - K) (Hatchuel y Weil 2003; Hatchuel, Masson et al. 2004;
Kazakçi y Tsoukias 2005). Las alternativas se generan a través de cuatro tipos de operaciones
computacionales (Figura 5): C → K o Conjunción (evaluación de alternativas), K → C o
Disjunción (generación de alternativas), K → K (síntesis funcional) e C → C
(enriquecimiento de los conceptos). Según sus autores, la teoría induce al diseñador a
explorar sus propios conocimientos para formar alternativas creativas. Aunque no exista una
herramienta implementada, el autor muestra diversos ejemplos teóricos para describir los
beneficios que poden ser alcanzados con el uso del modelo (Hatchuel, Masson et al. 2004).
Figura 5 – La teoría C-K Design (Hatchuel, Masson et al. 2004)

15
Capítulo 2
2.3.1.5 Hierarchical Co-Evolutionary Approach to Conceptual Design (HiCED)

El Hierarchical Co-Evolutionary Approach to Conceptual Design (HiCED) de Jin
automatiza la exploración de un espacio de diseño y genera conceptos a través de un método
de descomposición funcional guiado por reglas gramaticales y por un método co-evolutivo
por medio de un árbol de funciones (Jin, Li et al. 2005). El modelo tiene como base un
algoritmo de evolución genética que propone soluciones desde los niveles más abstractos
hasta la representación estructural de la solución. La resolución adopta un proceso de zigzag
entre las reglas gramaticales y la descomposición de funciones de alto nivel. El Algoritmo
Genético y la Programación Genética forman las bases de los algoritmos, exploran y
combinan funciones, y evolucionan los medios en alternativas de diseño. Según sus autores,
el modelo automatiza el diseño en soluciones más optimizadas para los requerimientos de
proyecto.
2.3.2 Modelos que sintetizan por medio de las relaciones entre las
entradas y las salidas
Este método de resolución considera la información que comparten los flujos de
entradas y salidas de los elementos explorados. Esta información compartida permite que el
diseñador pueda formar cadenas en las que las salidas de un elemento coincidan con las
entradas del siguiente elemento. Estas entradas y salidas pueden representar flujos de
material, energía, señal o movimiento.
Los modelos encontrados que consideran las entradas y salidas son:
2.3.2.1 Schematic Synthesis (SS)
El Schematic Synthesis (SS) de Ulrich y Seering, propone la síntesis de sistemas
dinámicos (mecanismos) bajo la forma de esquemas que describen una única entrada y una
única salida (single input and single output - SISO) (Ulrich y Seering 1989). El modelo
utiliza un algoritmo que parte de las especificaciones (entrada/salida) para generar las
alternativas. En la síntesis funcional, el modelo utiliza un concepto llamado “funciones
compartidas” (function-sharing), que consiste en enlazar la salida de una función con la
entrada de otra. A partir de la estructura formada por medio del “function-sharing” se
derivan los comportamientos de las estructuras para comprobar el grado de proximidad con
las especificaciones. En caso de que la solución no atienda las expectativas, se activa un
proceso que la modifica para aproximar la alternativa a los resultados requeridos. Al final del
proceso, el modelo desarrolla una única solución optimizada para las especificaciones de
proyecto.
2.3.2.2 Interaction-based Design (Ibis)
El Interaction-based Design (Ibis) de Williams desarrolla soluciones basadas en la
descripción topológica de los comportamientos entre componentes físicos (Williams 1992).
Esta descripción topológica considera las abstracciones de las soluciones primitivas de los
componentes y sus conexiones. Este modelo también considera el function-sharing, pero
además implementa el método basado en la causa-efecto para combinar las sub-funciones.
En cuanto al algoritmo de resolución, el modelo resuelve los problemas de diseño con
referencia a dos sistemas: un sistema de álgebra simbólica (Mínima), que convierte

información cuantitativa y cualitativa de los mecanismos, y un sistema híbrido de resolución

(terminología y relación lógica).
El algoritmo principal construye una topología de interacción entre posibles
componentes y define las estructuras físicas que ejecutan estas interacciones. Al final de
todo el proceso, un método de evaluación compara las interacciones de la alternativa con los
comportamientos deseados. Según el autor, el modelo desarrolla soluciones compactas, es
decir con un mínimo de componentes para atender a las especificaciones.
2.3.2.3 Kinematic Building-Blocks (KBB)
El Kinematic Building-Blocks (KBB) de Kota y Chiou forma alternativas a partir de
matrices que abstraen las funciones y restricciones de mecanismos (Kota y Chiou 1992). En
su método, las matrices resuelven problemas de diseño en diferentes niveles de abstracción.
En la síntesis funcional, el modelo recurre a la manipulación matemática. Sus
autores proponen tres métodos matemáticos (traslado de columnas, traslado de filas y
descomposición matricial) para descomponer una función y combinar elementos físicos a
partir de una biblioteca de componentes. A partir de matrices con ecuaciones paramétricas
que simulan los comportamientos se evalúan las alternativas. Esta simulación permite al
diseñador verificar si los componentes utilizados ejecutan los mismos comportamientos
deseados. Para sus autores, el modelo computacional logra reducir el tiempo de formación
de alternativas respecto a los procesos matemáticos para descomposición de funciones.
2.3.2.4 Functional Synthesizer for Input Output Networks (FuncSION)
El Functional Synthesizer for Input Output Networks (FuncSION) de Chakrabarti
ayuda al diseñador a generar un amplio conjunto de ideas a partir de los requerimientos
funcionales (Liu, Chakrabarti et al. 2000; Chakrabarti, Langdon et al. 2002; Roozenburg
2002). Su resolución utiliza tres ambientes de síntesis: topológico, espacial y físico con
formas genéricas. El uso de estos tres ambientes evita la explosión combinatoria de las
alternativas.
El método implementa un algoritmo que utiliza ciclos iterativos donde el diseñador
define la información utilizada en la formación de sistemas mecánicos de única entrada y
única salida (SISO). En el primer nivel (topológico), se definen los tipos de entradas y
salidas; en el siguiente nivel (espacial), se definen las direcciones de movimiento, y en el
nivel final (físico) se eligen las formas y configuraciones de montaje de las soluciones (Liu,
Chakrabarti et al. 2000). Un módulo de visualización 3D que permite al diseñador
comprobar la continuidad y reciprocidad de los movimientos ejecutados por los
componentes. Al final de la síntesis, la herramienta ayuda al diseñador a desarrollar
soluciones compactas y optimizadas, es decir con un mínimo de componentes y con la mejor
organización estructural para atender a los requerimientos funcionales.
2.3.2.5 Qualitative and Heuristic Approach (QHA)
El Qualitative and Heuristic Approach (QHA) de Li genera soluciones con ayuda de
una librería de componentes mecánicos, los cuales son descritos por sus
funciones/comportamientos, y ordenados en una jerarquía de clasificación (Li, Tan et al.
1996). En la síntesis funcional, el modelo compara las entradas y salidas de movimiento y, a

17
Capítulo 2
partir de una tabla de clasificación funcional, identifica los componentes que mejor atienden
a las entradas y salidas. El modelo utiliza los fenómenos físicos como base para la resolución
simbólica de mecanismos, pero se limita a los fenómenos de cinemática. En su proceso de
resolución, el algoritmo se guía a través de los requerimientos funcionales, donde en cada
ciclo se eligen diversos componentes con ayuda de la clasificación y de la posición en un
ranking de aproximación a los requerimientos. Al final de todo el proceso, se selecciona la
alternativa más compacta (con menor cantidad de componentes) como solución para el
problema. Para sus autores, el método ayuda a desarrollar soluciones compactas y
compatibles, es decir con un mínimo de componentes y que coincidan con los principios
generales de la ingeniería.
2.3.2.6 Automatic Design by Configuration Space (ADCS)
El Automatic Design by Configuration Space (ADCS) de Li desarrolla soluciones en
base a la cinemática de pares de componentes obtenidos por el método Configuration Space
(CSpace) (Li 1998; Li, Chan et al. 1999a; Li, Chan et al. 1999b). Este método implementa un
algoritmo recursivo que ilustra la realización cinemática de las entradas y salidas en los
planos cartesianos x-y, y-z y z-x y compara sus movimientos a través del gráfico de las
interacciones.
El modelo utiliza un algoritmo de búsqueda heurística que guía la exploración
durante la síntesis. Sin embargo, no evalúa el espacio de soluciones, se limita a elegir las
alternativas con menos componentes. El modelo se limita a desarrollar una única solución
para el conjunto de especificaciones.
2.3.2.7 Método de Bruno, Giampà, Muzzupappa y Rizzuti
El método propuesto por Bruno conduce el desarrollo a partir de bloques
funcionales y componentes/mecanismos en un entorno tridimensional (Bruno, Giampà et
al. 2003). El autor ofrece un método que permite manipular los bloques funcionales y los
componentes en 3D con ayuda de reglas de entrada/salida y con la coincidencia entre
superficies de contacto. En este entorno, el modelo implementa un algoritmo centrado en el
usuario y en base a reglas.
2.3.3 Modelos que sintetizan por medio de la relación entre causa y
efecto
Este método de resolución permite encontrar efectos deseados que se pueden
alcanzar por medio de una causa de elementos anteriores. Desde un punto de vista
computacional, para que un elemento obtenga determinado efecto se necesita una causa
complementaria que se enlace con el efecto de un elemento anterior en una cadena o red.
Los modelos que utilizan la relación de causa y efecto para generar soluciones son:
Schemebuilder, Dialog-oriented Intelligent CAD y el modelo de Zavbi.
2.3.3.1 Schemebuilder
El Schemebuilder de Bracewell comprende un conjunto de herramientas que guían
el acceso y el uso de información durante la formación de alternativas (Bracewell y Sharpe
1996; Bracewell 2002). Su modelo computacional utiliza las síntesis de árbol de funciones y

bond-graphs (Karnopp y Rosenberg 1968) como base para la resolución funcional. Según ha
sido demostrado por los autores, este modelo no presenta una resolución linear, lo que
permite al diseñador empezar la síntesis desde cualquier etapa del proceso de diseño. En la
evaluación, la herramienta implementa un módulo de visualización 3D que verifica el
comportamiento y el desempeño de un prototipo virtual. Al final de todo el proceso, se
define una solución de diseño según los requerimientos.
2.3.3.2 Dialog-oriented Intelligent CAD (DIICAD)
El Dialog-oriented Intelligent CAD (DIICAD) de Lossack es un sistema de diseño
que genera conceptos a partir de patrones encontrados en experiencias anteriores (Lossack,
Umeda et al. 1998; Lossack 2002). En la síntesis funcional, el modelo tiene dos tipos de
funciones, una orientada al usuario y otra orientada al componente, que se representa por la
transformación de entradas en salida. Para desarrollar un producto, el modelo utiliza un
método de resolución cualitativo basado en principios físicos. De esta manera, su algoritmo
(Figura 6) desarrolla alternativas en tres etapas: en la primera define los requerimientos, en
la segunda resuelve las funciones y en la última resuelve las estructuras. A pesar de no
evaluar la solución, el sistema ofrece al diseñador dos métodos para guiar la síntesis
funcional: uno relacionado con las entradas y salidas, y otro que considera la preferencia del
usuario. Los autores consideran que el modelo facilita el uso de conocimientos de proyectos
anteriores.
Figura 6 - Algoritmo de resolución del modelo DIICAD (Lossack, Umeda et al. 1998)
2.3.3.3 Modelo de Zavbi y Duhovnik

El algoritmo de resolución defendido por Zavbi y Duhovnik propone soluciones
técnicas que utilizan las leyes físicas (compresión de aire, trazador de rayos, nivel del agua,
etc.) para guiar las relaciones entre los posibles componentes físicos (Zavbi y Duhovnik
2000; Zavbi y Duhovnik 2001). Durante la formación de alternativas, las leyes suministran al

19
Capítulo 2
algoritmo los parámetros geométricos, topológicos y materiales necesarios para las

alternativas. Este algoritmo deduce las características y variables iniciales para las funciones
y busca las leyes abstraídas que puedan implementar estas funciones. Al final de los ciclos de
resolución, el algoritmo evalúa las alternativas a través del método Analytic Hierarchy
Process (Saaty 1990), el cual organiza los criterios y alternativas en una jerarquía según la
relación entre las leyes físicas y los requerimientos de diseño.
El modelo consigue desarrollar conceptos abstractos que permiten al diseñador
definir la geometría del producto.
2.3.4 Modelos que sintetizan por medio de las relaciones entre las
características: Initial Design Selection (IDS)
El Initial Design Selection (IDS) de Esterlina y Kota resuelve problemas
conceptuales de diseño mecánico, en donde se seleccionan componentes hidráulicos y
partes de automóviles para componer soluciones en un espacio discreto de diseño (Esterline
y Kota 1992). En la síntesis funcional, el modelo utiliza una red de características para
delimitar el espacio de soluciones. Las funciones se interpretan como particiones discretas
abstraídas de un dominio específico del conocimiento.
En la resolución de soluciones, el modelo implementa un método de razonamiento
basado en proyectos anteriores (case-based reasoning). El modelo ejecuta ciclos iterativos
de generación, donde la evaluación guía el rediseño de productos existentes. Esta evaluación
compara el grado de proximidad de las alternativas con las especificaciones de proyecto. Para
los autores, con sólo proporcionar los conocimientos necesarios y las especificaciones de
proyecto, el modelo puede llevar al diseñador a formar las mejores alternativas.
2.3.5 Modelos que sintetizan por medio de agentes
El método de resolución por medio de agentes comprende un proceso que utiliza un
conjunto de agentes que intercambian información para analizar y sintetizar soluciones de
diseño. Los agentes, que se comunican en un medio común, actúan como expertos en
representar los resultados encapsulados por aplicaciones y procesos de diseño. Y en algunos
casos, los agentes simulan una estrategia de aprendizaje equivalente a la táctica aplicada por
los diseñadores.
El único modelo encontrado que aplica esta lógica es el modelo A-Design defendido
por Campbell et.al. (Campbell, Cagan et al. 1998a; Campbell, Cagan et al. 1999; Campbell,
Cagan et al. 2003).
A-Design implementa una combinación de diversas técnicas computacionales (vida
artificial, física cuantitativa y grupos asíncronos) con el propósito de explorar el espacio de
soluciones. A través de su algoritmo de resolución (Figura 7), el modelo activa diversos
agentes que modifican el espacio de soluciones y adaptan la calidad de las alternativas. Para
evaluar, el modelo utiliza un método multi-objetivo que ordena las soluciones a través de
tres diagramas de comparación: Pareto optimal, mejores y peores. En caso necesario, los
agentes modifican la mejor alternativa hasta encontrar el punto que atienda al diagrama de
Pareto (Campbell, Cagan et al. 1998b).

Figura 7 - Algoritmo de resolución del modelo A-Design (Campbell, Cagan et al. 1998a)
La herramienta pretende explorar para encontrar resultados completamente

nuevos para los problemas de diseño respecto al uso de agentes.
2.3.6 Modelos que sintetizan por medio de las redes neuronales:
Function-based design synthesis (FBDS)
La propuesta introducida por Xu implementa una herramienta gráfica para
rediseñar productos por medio de la interacción con el diseñador (Xu, Ong et al. 2006). Su
propuesta utiliza las redes neuronales para resolver los problemas de diseño.
En este modelo, la resolución se inicia con listas de requerimientos para indicar los
objetivos y las restricciones deseadas. Durante la resolución, redes neuronales agrupan y
comparan conjuntos de funciones para proponer la mejor jerarquía funcional al diseñador.
Al final de la síntesis, la herramienta evalúa las alternativas con ayuda del método de

21
Capítulo 2
optimización por Pareto. Para el autor, su propuesta ofrece medios para almacenar, reutilizar
el conocimiento y desarrollar soluciones en tiempo inferior al proceso manual.
2.3.7 Modelos que sintetizan por medio de abducción: Knowledge
Intensive Engineering Framework (KIEF)
El Knowledge Intensive Engineering Framework (KIEF) de Takeda sintetiza las
funciones por medio de abducción y genera soluciones mediante el uso de un mecanismo de
metamodelos (Pluggable Metamodel Mechanism), que relaciona conceptos y componentes
físicos (Takeda, Veerkamp et al. 1990; Yoshioka y Tomiyama 2000; Takeda, Yoshioka et al.
2001; Yoshioka, Nomaguchi et al. 2001; Tomiyama, Yoshioka et al. 2002).
La abducción y deducción son dos términos obtenidos de la lógica; la primera
permite inferir las causas a partir de los efectos (generar soluciones) y la segunda verifica las
consecuencias lógicas (efectos) de causas especificas (evaluación de lo que ha sido generado)
(Yoshikawa 1981).
Este modelo difiere de los demás por tener como base los conocimientos reales
obtenidos por un análisis de protocolo (Takeda, Yoshioka et al. 1996). En su banco de datos,
las ontologías enlazan los conocimientos con información cuantitativa, y para solucionar los
problemas de diseño conceptual, los autores utilizan múltiples procesos que tratan los
conocimientos explorados (abducción).
2.3.8 Modelos que sintetizan por medio de algoritmos evolutivos
Estos modelos representan sus funciones en una abstracción genética e
implementan algoritmos de optimización. Su método detecta las funciones más favorables y,
a partir de ellas, cambia los parámetros con ayuda de la mutación o recombinación para
avanzar en la formación de la solución.
2.3.8.1 Genetic Algorithm Designer (GADES)
El Genetic Algorithm Designer (GADES) de Bentley utiliza métodos evolutivos para
optimizar parámetros geométricos decodificados en forma binaria (Bentley y Wakefield
1997; Bentley 1999b). El modelo resuelve problemas de diseño donde las alternativas son
regeneradas con ayuda de criterios multi-objetivos. El algoritmo genético utilizado (GA)
manipula genotipos (funciones) organizados en una forma jerárquica, y manipula los
fenotipos que define la forma física del producto. Para el autor, el modelo forma alternativas
más optimizados y evoluciona conjuntos de soluciones convencionales y no convencionales
para problemas de diversos campos del diseño.
2.3.8.2 Interactive Evolutionary Design System (IEDS)
El Interactive Evolutionary Design System (IEDS) de Parmee resuelve problemas
por medio del algoritmo Variable Mutation Cluster-oriented Genetic Algorithm (vmCOGA)
que identifica zonas en el espacio de soluciones que contengan alternativas viables para las
necesidades de proyecto (Parmee, Cvetkovic et al. 2000; Parmee 2001). El modelo sintetiza
las funciones a través de métodos co-evolutivos y guía la síntesis con ayuda de métodos
genéticos de recombinación y mutación. Para evaluar las alternativas generadas, el modelo
utiliza un filtro adaptable (adaptive filter) con el que elige la mejor alternativa para continuar

con el proceso de síntesis.

2.3.8.3 Autogenetic Design Theory (ADT)
La teoría Autogenetic Design Theory (ADT) trata el diseño como un proceso de
evolución natural (Vajna, Clement et al. 2002; Clement, Jordan et al. 2003; Clement, Jordan
et al. 2004; Vajna, Clement et al. 2005). Para implementar su teoría, los autores defienden
un modelo de optimización que se basa en el método de evolución de múltiples criterios y
aplica un algoritmo de optimización llamado Natural Optimization Algorithm (NOA). Este
algoritmo cambia, evoluciona y evalúa las alternativas según los requerimientos de proyecto.
En la síntesis funcional, el modelo utiliza algoritmos de gradiente y aleatorio para balancear
su optimización. Los métodos gradientes sintetizan la expansión y permiten almacenar y
explorar las experiencias anteriores. Los métodos aleatorios funcionan en base a la
intuición.
En la evaluación, el modelo converge el espacio de soluciones por medio de un
método basado en los algoritmos evolutivos. Para sus autores, la teoría ayuda a generar
soluciones optimizadas y que atiendan a los requerimientos de proyecto.
2.4 Conclusiones del capítulo

En base al estudio bibliográfico de este capítulo, se constata que gran parte de los
modelos computacionales analizados aplican un método de razonamiento automático. Este
método limita los modelos a funcionar como cajas-negras, en donde el diseñador define los
parámetros iniciales (requerimientos, requisitos, etc.) y colecta los resultados del diseño al
final de todo el proceso, sin permitir la intervención del diseñador durante el proceso de
síntesis.
El modelo FuncSION permite al diseñador elegir alternativas en tres intervalos
concretos entre las etapas de resolución, mejorando por tanto el grado de intervención del
diseñador, si bien aún está muy limitado. El método de Bruno, Giampà, Muzzupappa y
Rizzuti define un algoritmo basado en el usuario que conduce la exploración, sin embargo el
modelo no permite prever los comportamientos del diseño. El modelo Schemebuilder aplica
un método de razonamiento no lineal que permite empezar la síntesis a partir de cualquier
etapa del diseño, aspecto que es realmente interesante puesto que ofrece una mayor
flexibilidad en el uso del modelo. El modelo A-Design considera el diseñador como un
agente más en el proceso de resolución y permite al diseñador cambiar los grados de
importancia de los objetivos al final de los ciclos de resolución.

23
3 Análisis de la representación del
conocimiento y de los métodos de
evaluación en los modelos de
síntesis
Análisis de la representación del conocimiento y de los métodos de evaluación en los modelos de síntesis
3.1 Análisis de la representación del conocimiento para la

síntesis
La actividad de representar el conocimiento de diseño abarca las tareas de captura
de la información utilizada y de transformación de los datos para almacenarlos y
manipularlos en un medio computacional (Chandrasekaran, Goel et al. 1993). Para Li (Li,
Bracewell et al. 2001), el conocimiento puede ser obtenido por medio de los siguientes
fuentes:
• Búsqueda de información por el diseñador,
• Conocimientos provenientes de la ingeniería formal e informal, ejemplo:
MOKA (Klein 2000),
• Experiencia de la empresa,
• experiencia del propio diseñador.
Un breve análisis sobre la representación del conocimiento en los modelos de
diseño nos remete a los primeros modelos que describen el diseño desde el punto de vista de
un problema y una solución (Chakrabarti 1991).
3.1.1 Función, comportamiento y estructura (FBS)
El presente análisis toma como referencia el marco function-behaviour-structure
(FBS). Este marco es uno de los más aceptados por la comunidad científica, ya que la mayoría
de los modelos de síntesis representan el conocimiento basándose en los conceptos de
función, comportamiento y estructura (Gero 1990; Takeda, Veerkamp et al. 1990; Umeda,
Takeda et al. 1990; Takeda, Yoshioka et al. 1994; Deng 2002; Gero y Kannengiesser 2002;
Dorst y Vermaas 2005).
El concepto FBS ofrece un lenguaje que ayuda a entender el conocimiento
representado en los modelos de soporte al diseño. En este marco, función (function)
representa las funciones que el diseño desempeña; estructura (structure) representa los
elementos físicos de la solución y comportamiento (behaviour) enlaza ambos niveles. Para
Umeda (Umeda, Takeda et al. 1990), la estructura representa los estados internos y externos
de un elemento físico, mientras que para Gero (Gero y Kannengiesser 2006), la estructura
representa los elementos del artefacto y sus relaciones. Gero también muestra que se puede
aplicar el marco FBS para representar el conocimiento del objeto de diseño o del proceso de
diseño (Gero y Kannengiesser 2006). Este capítulo se centra en la representación del
conocimiento de los objetos de diseño.
En la representación de las funciones, la bibliografía científica admite dos
enfoques: el enfoque operacional se orienta al componente o a la estructura y el enfoque
intencional se orienta a las intenciones del diseñador (Chakrabarti 1998; Deng 2002;
Kitamura y Mizoguchi 2004; Chandrasekaran 2005; Dorst y Vermaas 2005; Far y Elamy
2005). En el enfoque operacional, las funciones se refieren a la solución, en los
componentes de esta solución o en la interacción física entre los objetos y su entorno. Como
ejemplo de este enfoque de función estarían funciones como “mover la palanca de las

27
Capítulo 3
horas”. En el enfoque intencional, las funciones se refieren a los deseos, intenciones y

necesidades desde el punto de vista del diseñador (humano). Su objetivo es representar una
observación humana, una representación mental de una funcionalidad en el mundo real o de
la ejecución de un fenómeno que se desea ejecutar independiente de sus componentes. Un
ejemplo de función orientada a las intenciones sería “mostrar las horas, minutos y
segundos”.
El affordance es otro concepto que propone representar el conocimiento funcional
(Maier y Fadel 2001; Maier y Fadel 2002). El affordance es una teoría basada en la psicología
que representa las funciones con enfoque intencional y operaciones de forma amplia. El
affordance es permisivo, ambiguo y no presenta una estructura computacional clara.
Actualmente, no esta suficientemente maduro para aplicarse en la industria. Mientras que el
modelo funcional es restrictivo, compacto y permite definir una estructura de
representación clara. El presente estudio toma como referencia los modelos funcionales que
permiten representar la estructura del conocimiento y evitar la ambigüedad de las
intenciones.
Este capítulo describe el estado del arte de la forma de representación adoptada por
los modelos de síntesis computacionales y discute los puntos fuertes y débiles de la
representación del conocimiento en los modelos.
3.1.2 Estado del arte de la representación FBS en modelos funcionales
de síntesis
En este apartado se analiza y compara la forma de representación adoptada por los
modelos de síntesis computacionales. Se analizan los modelos bajo los siguientes aspectos:
• Los niveles de abstracción.
• La semántica y la sintaxis: La semántica indica los atributos considerados
en los niveles de abstracción; y la sintaxis, la manera en que se codifica la
información en el banco de datos de conocimiento. Deng define que cada
atributo puede utilizar el lenguaje natural, la forma matemática o ambas
formas (Deng 2002). El lenguaje natural codifica la información de forma
amplia por medio de un lenguaje cercano al usuario. Se puede utilizar el
lenguaje natural bajo las siguientes formas: verbo+complemento,
verbo+sustantivo, verbo+objetivo, verbo+entrada+salida, etc. (Britton,
Deng et al. 2000) Aunque sea fácil de interpretar, el lenguaje natural
carece de rigor y unicidad. La forma o lenguaje matemático codifica la
información de forma estricta y puede utilizar números contínuos,
discretos, ecuaciones paramétricas, vectores (Li, Chan et al. 1999b),
matrices (Kota y Chiou 1992) u objetos (Deng, Briton et al. 1998; Liu,
Chakrabarti et al. 2000; Zhang, Tor et al. 2001).
• Las relaciones entre los niveles de abstracción: este análisis indica las
relaciones entre los atributos. Puede existir cuatro tipos de relaciones:
o Las de funciones con comportamientos ( F → B );

28
o Las de funciones con estructuras ( F → S );
o Los comportamientos con las estructuras ( B → S );

o Las de funciones con comportamientos y comportamientos con
estructuras ( F → B → S ).
3.1.2.1 Representación del conocimiento en el modelo Schematic Synthesis (SS)
El modelo defendido por Ulrich define los niveles de función, comportamiento y
estructura (Ulrich y Seering 1989). La función describe un esquema dinámico de entrada y
salida en un diseño, el comportamiento implementa dichos flujos y la estructura abstrae el
componente físico que ejecuta el comportamiento requerido.
Desde el punto de vista semántico, el nivel funcional considera los atributos sobre
tipo de entrada, cantidad de esfuerzo y la cantidad de flujo. El nivel de comportamiento
define atributos sobre relación de fuerza y de flujo semejante a las leyes de la teoría de
sistemas. Y el nivel de estructura define atributos para la inercia, capacidad y resistencia de
los elementos físicos.
En la sintaxis se utiliza la forma matemática para las tres entidades. Los
comportamientos utilizan valores matemáticos bajo la forma de ecuaciones paramétricas y
las estructuras abstraen la geometría de los componentes físicos, sin describir otro tipo de
información.
En lo referente a las relaciones, el modelo SS conduce la síntesis por medio de
conexiones F → B → S . La función se relaciona con el comportamiento a través de un
atributo de nombre de power-spine que comparte información sobre energías y
movimientos (entrada/salida). El nivel de estructura se enlaza de manera directa con el
comportamiento.
El modelo propuesto se restringe a sistemas dinámicos con una entrada y una salida
(single input and single output – SISO). En base a estos sistemas, el diseñador puede
describir por medio de esquemas el comportamiento y una abstracción de los componentes
físicos del diseño.
La Figura 8 expone la semántica, la sintaxis y los atributos de relación existentes en
la representación del modelo SS.

29
Capítulo 3
Figura 8 – Semántica y sintaxis del conocimiento en el modelo SS.
3.1.2.2 Representación del conocimiento en el modelo Interaction-based design (Ibis)

El modelo de Williams define los niveles de comportamiento y estructura, que se
relacionan bajo la forma B → S (Williams 1992). El nivel de comportamiento define las
interacciones físicas que se realizan sobre cada tipo de componente, las conexiones
disponibles y todas las formas que enlazan este componente. Su combinación con otros
comportamientos resulta en una topología de posibles interacciones que ayuda a encontrar
una estructura. El nivel de estructura se define como un componente físico obtenido por
medio de la topología de interacción.
La semántica del nivel de comportamiento utiliza diagramas de estados cualitativos
que describen:
• La interacción entre componentes,
• Las restricciones de interacción,
• La terminología y
• Los principios físicos sobre el dominio y la tecnología.
Por medio del atributo de terminología el usuario puede definir los tipos de
estructuras válidas, la cantidad y sus relaciones sobre el dominio y tecnología. Para describir
el conocimiento en este nivel, se utiliza la sintaxis bajo la forma matemática y lenguaje
natural.
La semántica de la estructura empieza por los caminos producidos por estos
diagramas de interacción. Tras definir los caminos, el modelo muestra una gráfica que indica
la topología de la estructura y sus propiedades. El conocimiento en este nivel se describe de
forma matemática.

30
El modelo propuesto permite al diseñador describir un producto por medio de la

interacción entre componentes físicos. Sin embargo, no permite al diseñador definir sus
intenciones u operaciones del diseño por medio de un nivel de funciones.
La Figura 9 ilustra la semántica y la sintaxis adoptada por el modelo.
Figura 9 - Semántica y sintaxis del conocimiento en el modelo Ibis.
3.1.2.3 Representación del conocimiento en el modelo Initial Design Selection (IDS)

El modelo presentado por Esterline y Kota considera dos niveles de abstracción: las
funciones y las estructuras, que se relacionan bajo la forma F → S (Esterline y Kota
1992). El nivel de funciones abstrae las especificaciones. Su información se obtiene por
medio de los requerimientos de diseño del inicio del proyecto. El nivel de estructura define
los modelos físicos con representación poco precisa. Este nivel no describe la estructura
geométrica del componente, pero considera las características que indican el elemento
físico, tales como: peso, material, color, etc.
En la semántica del comportamiento, el modelo considera atributos como índices
de confort, índices estéticos, índices de durabilidad, etc. Y su semántica utiliza el lenguaje
natural y la forma matemática. El nivel de estructura presenta la semántica bajo las
características del producto: peso, material, color, etc. Y su sintaxis se restringe a la forma
matemática. La Figura 10 ilustra la semántica y la sintaxis adoptada por el modelo IDS.

31
Capítulo 3
Figura 10 - Semántica y sintaxis del conocimiento en el modelo IDS.
3.1.2.4 Representación del conocimiento en el modelo Kinematic Building Blocks (KBB)

Kota y Chiou definen en su modelo dos niveles de abstracción: las funciones y los
comportamientos (Kota y Chiou 1992). La función determina la funcionalidad de un
componente mecánico (en un sistema simple) o de un mecanismo electromecánico (en un
sistema complejo). El comportamiento abstrae el comportamiento obtenido por medio de
los movimientos de entrada y salida sobre esta función.
En su semántica, la función se describe por medio de una matriz de transformación
de movimiento (MTM) y una matriz de restricción de movimientos (MRM). En su sintaxis
ambas matrices utilizan la forma matemática por medio de símbolos (Figura 11a). La
semántica del comportamiento utiliza ecuaciones paramétricas para describir el movimiento
(Figura 11b). En este nivel, el modelo sustituye los símbolos por ecuaciones en la matriz de
transformación de movimiento (MTM).
(a) (b)
Figura 11 - Función y comportamiento según el modelo KBB (Kota y Chiou 1992).

32
Para relacionar los niveles, el modelo KBB utiliza la conexión F → B , donde la

representación matricial de las funciones sirve de base para que los símbolos existentes sean
sustituidos por ecuaciones paramétricas. Esta sustitución transforma la matriz funcional en
una Matriz Paramétrica de Movimiento (MPM) y permite al diseñador simular los
movimientos mecánicos al final de la síntesis.
En este modelo, el lenguaje matemático adoptado para describir las funciones y
comportamientos restringe el ámbito del diseño que el autor propone resolver.
La Figura 12 ilustra la semántica, sintaxis y relaciones del modelo KBB.
Figura 12 - Semántica y sintaxis del conocimiento en el modelo KBB.
3.1.2.5 Representación del conocimiento en el modelo Qualitative and Heuristic

Approach (QHA)
El modelo defendido por Li (Li, Tan et al. 1996) considera los tres niveles de
abstracción: función, comportamiento y estructura. El nivel de función describe las
intenciones del usuario, el nivel de comportamiento describe el comportamiento que
implementa el producto y el nivel de estructura describe la representación conceptual y
discreta de los componentes físicos.
La semántica de la función se confunde con la semántica del comportamiento.
Ambos se basan en la clasificación jerárquica de diferentes niveles de conversión, tales como
movimiento, velocidad, dirección de velocidad, eje, diámetro y dirección relativa. Para la
sintaxis se utiliza el lenguaje natural. La semántica de la estructura se define por medio de los
puertos de entrada, salida, relaciones y control. Y su sintaxis también utiliza el lenguaje
natural.
El modelo se limita a describir los niveles de abstracción por medio de lenguaje
natural. De esta forma, el modelo limita la forma de representar un componente físico
durante el proceso de razonamiento, ya que una completa descripción del mismo, requiere
ta,bién el lenguaje matemático.
La Figura 13 ilustra la semántica y la sintaxis adoptada por el modelo QHA.

33
Capítulo 3
Figura 13 - Semántica y sintaxis del conocimiento en el modelo QHA.
3.1.2.6 Representación del conocimiento en el modelo Schemebuilder

El modelo defendido por Bracewell considera los tres niveles de abstracción, que se
relacionan bajo la forma F → B → S (Bracewell y Sharpe 1996). El nivel de función
describe los flujos de información, energía y transferencia de masa. El nivel de
comportamiento describe los principios requeridos por una o más funciones. Y el nivel de
estructura describe un componente y datos cuantitativos del mismo.
La semántica del nivel de función considera los atributos de verbo + complemento y
su sintaxis permite utilizar el lenguaje natural y la forma numérica. La semántica del nivel de
comportamiento considera atributos bajo la forma del bond-graph, en donde se encapsulan
los datos sobre fuerzas, flujos, inercias y capacidad. Su sintaxis permite utilizar la forma
matemática y el lenguaje natural. Y el nivel de estructura describe la geometría del
componente físico bajo la forma matemática.
La Figura 14 muestra la semántica y sintaxis adoptada por el modelo
Schemebuilder.

34
Figura 14 - Semántica y sintaxis del conocimiento en el modelo Schemebuilder.
3.1.2.7 Representación del conocimiento en el modelo A-Design

El modelo defendido por Campbell considera los niveles de función y estructura,
que se relacionan bajo la forma F → S (Campbell, Cagan et al. 1998a). El nivel de función
describe los flujos de entrada y salida requeridos para un diseño. Y el nivel de estructura
define una descripción formal del artefacto físico manipulado, instanciado u optimizado.
En la semántica de las funciones, el modelo define las características particulares
de las entradas y salidas, y sus atributos utilizan el lenguaje natural y la forma matemática. La
Figura 15 ilustra un ejemplo de función representada por el modelo.
Figura 15 - Ejemplo de función en el modelo A-Design (Campbell, Cagan et al. 2003).

35
Capítulo 3
La semántica del nivel de estructuras considera los puertos o puntos de conexión

entre componentes, restricciones entre puertos, transformación de energía y señal entre
puertos, la manera en que los atributos de energía se relacionan y algunos parámetros
particulares, como tamaño, coste, eficiencia, etc. La sintaxis de este nivel utiliza la forma
matemática.
El autor propone un modelo de representación que no depende del mecanismo de
búsqueda, de esta forma el modelo puede considerar datos genéricos complejos que se
adaptan a la solución de diseño. Una desventaja de este modelo genérico es que requiere el
uso de distintas técnicas o métodos para resolver los problemas sobre cada dominio de
aplicación del diseño.
La Figura 16 muestra la semántica y la sintaxis adoptada por el modelo A-Design.
Figura 16 - Semántica y sintaxis del conocimiento en el modelo A-Design.
3.1.2.8 Representación del conocimiento en el modelo DiiCAD

El modelo defendido por Lossack considera los tres niveles de abstracción, que se
relacionan bajo la forma F → B → S (Lossack, Umeda et al. 1998; Lossack 2002). Para
este modelo, el nivel de función describe las entradas y salidas del modelo físico, el nivel de
comportamiento describe los efectos físicos disponibles en la naturaleza y la forma en que
estos efectos afectan el funcionamiento del producto. Estos efectos consideran una
secuencia de fenómenos físicos y las relaciones físicas de forma cuantitativa. Y el nivel de
estructuras describe la geometría efectiva del componente físico.
La semántica del nivel funcional considera los atributos de entrada y salida. Y su
sintaxis utiliza el lenguaje natural con ayuda de símbolos. La semántica del comportamiento
considera los principios físicos bajo la forma del bond-graph para atender a los flujos. Su
sintaxis permite la forma matemática y el lenguaje natural. La semántica de la estructura

36
considera elementos como líneas, superficies y espacio, y su sintaxis utiliza la forma

matemática.
Uno de los puntos fuertes de este modelo es que permite al diseñador definir dos
tipos de funciones, una función con enfoque intencional (verbo+complemento) y otra
función con enfoque operacional (entrada y salida).
La Figura 17 ilustra la semántica y la sintaxis adoptada por el modelo DiiCAD.
Figura 17 - Semántica y sintaxis del conocimiento en el modelo DiiCAD.
3.1.2.9 Representación del conocimiento en el modelo Automatic Design by

Configuration Space (ADCS)
El modelo presentado por Li considera los niveles de función y comportamiento,
que se relacionan bajo la forma F → B (Li, Chan et al. 1999a). El nivel de función
describe el propósito o la intención de uso sobre determinado componente. El nivel de
comportamiento describe lo que se realiza en este componente.
La semántica de la función considera la fuerza, el movimiento y las restricciones de
movimiento. Su sintaxis utiliza la forma matemática bajo la forma de símbolos (+,-,0). El
nivel de comportamiento considera tres propiedades que describen el grado de fuerza y
movimiento en tres niveles: completo, explicito y finito. Su sintaxis utiliza la forma
matemática aplicada a gráficas en el espacio cartesiano.
El modelo utiliza solamente la forma matemática para representar las funciones y
comportamientos. De esta forma, se restringe la exploración a un dominio de aplicación
durante el proceso de diseño.

37
Capítulo 3
La Figura 18 ilustra la semántica y la sintaxis adoptada por el modelo ADCS.
Figura 18 - Semántica y sintaxis del conocimiento en el modelo ADCS.
3.1.2.10 Representación del conocimiento en el modelo Genetic Algorithm Designer

(GADES)
El modelo presentado por Bentley describe los niveles de función y estructura, que
se relacionan bajo la forma F → S (Bentley 1999b). El nivel de función utiliza genotipos
para decodificar los parámetros de las estructuras bajo la forma de bits. Y el nivel de
estructura utiliza fenotipos que reproducen la geometría paramétrica de las estructuras.
La semántica del nivel de función consiste de un cromosoma organizado en
jerarquía. Esta composición permite definir nueve genes con 16 bits. Su sintaxis utiliza la
forma matemática. La semántica del nivel de estructura considera la geometría primitiva de
bloques rectangulares o cubos de anchura, altura, profundidad y posición tridimensional
variables. Los cubos pueden ser cortados por un plano de orientación variable (Figura 19).
De esta forma se puede definir superficies curvas. Su sintaxis utiliza la forma matemática.
Figura 19 - Estructuras primitivas representadas en el modelo GADES (Bentley y Wakefield 1996).
La Figura 20 ilustra la semántica y la sintaxis adoptada por el modelo GADES.

38
Figura 20 - Semántica y sintaxis del conocimiento en el modelo GADES.
3.1.2.11 Representación del conocimiento en el modelo FuncSION

El modelo defendido por Chakrabarti define los tres niveles (Liu, Chakrabarti et al.
2000). La función (asociada al nivel topológico) considera una acción o efecto que debe
producir el objeto. El comportamiento (asociado al nivel espacial) enlaza la representación
topológica con la abstracción estructural de la solución. Y la estructura (asociada al nivel
físico) representa una formalización de un componente real, acercándose a la forma final del
producto.
Desde el punto de vista semántico, la función presenta atributos sobre nombre de
función, tipo de entrada, código y la magnitud de transformación de las fuerzas de entrada y
salida. La sintaxis de este nivel utiliza el lenguaje natural. El comportamiento presenta
atributos sobre la dirección y sentido de la entrada de movimiento o fuerza, el vector de
distancia y la dirección y sentido de la salida. Y la estructura considera los atributos sobre la
geometría física de la estructura, los comportamientos cinemáticos y la forma de unión
(mediante superficies de contacto) entre los componentes físicos. La sintaxis de los dos
últimos niveles utiliza la forma matemática.
El enlace entre los niveles se realiza bajo la forma F → B → S . Para enlazar una
función a un comportamiento, se utilizan los atributos de entrada/salida (función) con las
direcciones de entrada/salida (comportamiento). Y para enlazar un comportamiento con el
nivel de estructura, se utiliza el atributo sobre la dirección de entrada/salida con las zonas de
contacto de los componentes.
El modelo permite describir un producto desde la función por medio de la entrada y
salida hasta su representación en el espacio tridimensional. En el nivel de estructura, el
diseñador puede definir el contacto entre las superficies de los componentes físicos, y con
esto, se puede tener la ubicación física de los componentes. Sin embargo su proceso de
razonamiento es rígido y no permite al diseñador volver atrás en la resolución para arreglar
fallos en las etapas anteriores.
La Figura 21 ilustra la semántica, la sintaxis y los atributos de relación del modelo
FuncSION.

39
Capítulo 3
Figura 21 – Semántica y sintaxis del conocimiento en el modelo FuncSION.
3.1.2.12 Representación del conocimiento en el algoritmo de Zavbi

El modelo propuesto por Zavbi considera los niveles de función y comportamiento,
que se relacionan bajo la forma F → B (Zavbi y Duhovnik 2000). El nivel de función
describe el propósito del sistema técnico de manera neutra e independiente de la solución. Y
el nivel de comportamiento describe las leyes físicas que se ejecutan durante el
funcionamiento del sistema.
La semántica del nivel de función considera la descripción del propósito en
lenguaje natural. Y la semántica del nivel de comportamiento considera las conexiones entre
variables, los parámetros de geometría, material y constantes básicas. La sintaxis de este
nivel se presenta bajo la forma matemática. La Figura 22 ilustra la semántica y la sintaxis
adoptada por el algoritmo de Zavbi.
Figura 22 - Semántica y sintaxis del conocimiento en el algoritmo de Zavbi.

40
3.1.2.13 Representación del conocimiento en el modelo Interactive Evolutionary Design

System (IEDS)
El modelo de Parmee presenta los niveles de función y estructura, que se relaciona
bajo la forma F → S (Parmee y Bonham 2000). Las funciones describen los parámetros
de entrada requeridos por el sistema. Y las estructuras describen las geometrías
paramétricas de componentes existentes cuyos parámetros se modifican con la optimización
del algoritmo genético.
Este modelo se aplica al diseño reducido de aviones a partir de datos sobre el vuelo.
La semántica de las funciones considera la descripción de valores sobre las características
del vuelo y su sintaxis utiliza la forma matemática. Y la semántica de la estructura describe la
geometría preliminar, análisis aerodinámico, estimación de masa y desempeño del vuelo. Su
sintaxis también adopta la forma matemática.
El modelo de representación decodifica la información para un problema
específico, en el que se define la geometría óptima de un avión en base a los datos sobre el
tiempo, altura, peso de vuelo, etc. El enfoque del modelo a un problema específico dificulta
su adaptación a otros problemas de diseño. La Figura 23 muestra la semántica y la sintaxis
adoptada por el modelo IEDS.
Figura 23 - Semántica y sintaxis del conocimiento en el modelo IEDS.
3.1.2.14 Representación del conocimiento en el modelo Knowledge Intensive

Engineering Framework (KIEF)
La propuesta integrada de Tomiyama y Takeda utiliza el marco FBS de Umeda
(Umeda, Takeda et al. 1990) en su herramienta de resolución funcional (Takeda, Yoshioka et
al. 2001; Yoshioka, Nomaguchi et al. 2001; Tomiyama, Yoshioka et al. 2002).
La semántica de la función utiliza los atributos de verbo + complemento y su
sintaxis utiliza lenguaje natural. La semántica del comportamiento utiliza atributos sobre la
descripción, entidades, características y relaciones. Su sintaxis utiliza el lenguaje natural y la
forma matemática. El nivel de estructura considera atributos sobre descripción,
características de la estructura y relaciones con estas características. Y la sintaxis del nivel de
estructura también utiliza el lenguaje natural y la forma matemática.

41
Capítulo 3
La Figura 24 ilustra la semántica y la sintaxis adoptada por el modelo funcional del

modelo KIEF.
Figura 24 - Semántica y sintaxis del conocimiento en el modelo KIEF.
3.1.2.15 Representación del conocimiento en el método de Bruno, Giampà, Muzzupappa y

Rizzuti
El método desarrollado por Bruno considera los niveles de función y estructura,
que se relacionan bajo la forma F → S (Bruno, Giampà et al. 2003). El método utiliza el
concepto de bloques funcionales que representa las funciones y estructuras en forma de
cubos en el espacio tridimensional con las entradas y las salidas de flujo y movimiento. Las
funciones abstraen los requerimientos funcionales de un diseño y las estructuras
representan un componente o grupo de componentes que se relacionan con otros bloques.
Desde el punto de vista de la semántica, la función considera las entradas y salidas
de flujo (energía, material, señal o movimiento) que utilizan lenguaje matemático para
indicar los valores de los flujos. La semántica de las estructuras contienen atributos que
consideran el modelo paramétrico de un componente y las superficies de contacto, con los
sub-atributos de geometría de la superficie de contacto (plano, cilindro, cono, interno o
externo) y el grado de libertad (degree-of-freedom) permitido para ensamblar el
componente. Se puede definir matemáticamente y con lenguaje natural.
El modelo permite al diseñador definir las funciones por medio de las entradas y
salidas del diseño. Tras definir estas entradas y salidas, el diseñador puede descomponer
estas funciones hasta encontrar los componentes físicos que mejor atiendan a las mismas.
Uno de los puntos fuertes de este modelo es el esquema que utiliza para describir los
componentes físicos y sus superficies de contacto. Por medio de esta representación, el
diseñador puede ensamblar el producto en el espacio tridimensional.
La Figura 25 ilustra la semántica y la sintaxis adoptada.

42
Figura 25 - Semántica y sintaxis del conocimiento en el método de Bruno.
3.1.2.16 Representación del conocimiento en el modelo Autogenetic Design Theory

(ADT)
El modelo desarrollado por Clement considera los niveles de función y estructura,
que se relacionan bajo la forma F → S (Clement, Jordan et al. 2003; Clement, Jordan et
al. 2004). El nivel de función describe los requerimientos deseados en el inicio del proyecto.
Y el nivel de estructura define la abstracción geométrica de los componentes físicos.
La semántica del nivel de función consiste en parámetros decodificados por genes y
su sintaxis se define por medio de la forma matemática. La semántica del nivel de estructura
consiste en la geometría paramétrica de un componente físico y su sintaxis también se define
por medio de la forma matemática.
Este modelo modifica los valores de la geometría tridimensional paramétrica y la
pone a prueba hasta encontrar la forma tridimensional óptima que atienda a los criterios de
evaluación. El modelo no permite al diseñador intervenir insertando nuevos valores o
parámetros. La Figura 26 muestra la semántica y la sintaxis adoptada por el modelo ADT.
Figura 26 - Semántica y sintaxis del conocimiento en el modelo ADT.

43
Capítulo 3
3.1.2.17 Representación del conocimiento en el modelo Heuristic State-Space Approach

(HSA)
El modelo de Zhang define los tres niveles, que se relacionan bajo la forma
F → B → S (Zhang, Tor et al. 2002b). En su modelo, el nivel de función se define como
una abstracción de un comportamiento o lo que se espera de un diseño. El nivel de
comportamiento implementa el nivel funcional y describe lo que se espera obtener de un
componente. Y el nivel de estructura abstrae la geometría de un componente físico. Además
de los tres niveles, el autor considera las entradas disponibles en el entorno para que el
sistema pueda funcionar.
El nivel de función contiene un atributo para describir la intención del diseño. Su
sintaxis utiliza el lenguaje natural mediante el uso de verbo + complemento. El nivel de
comportamiento presenta atributos sobre las entradas dirigidas (driving input), salidas
funcionales (functional output), efectos no deseados (side effects) y la estructura. Este nivel
encapsula la estructura bajo una abstracción gráfica del componente físico. Al nivel de
comportamiento se añaden datos que permiten evaluar las alternativas mediante una
simulación cualitativa.
Uno de los puntos fuertes de este modelo es que incorpora la información necesaria
para simular el producto con respecto a aspectos del ciclo de vida como la fabricabilidad,
fiabilidad, coste, etc. De esta manera, el diseñador puede evaluar las alternativas generadas,
tanto si son completas como incompletas.
Para la sintaxis, los autores representan la función mediante lenguaje natural
(verbo + complemento). El comportamiento utiliza el lenguaje natural y la forma
matemática.
En la relación entre función y comportamiento se utiliza el atributo lingüístico de
nombre de función. Como el nivel de comportamiento encapsula la estructura, la relación
entre estos es directa. El modelo incorpora una entidad adicional que considera los flujos del
entorno que controlan la formación de cadenas de comportamientos.
La Figura 27 ilustra la semántica y la sintaxis adoptada en el modelo HSA.

44
Figura 27 - Semántica y sintaxis del conocimiento en el modelo HSA
3.1.2.18 Representación del conocimiento en el modelo Two-stage Functional Modeling

Framework (TFMF)
El modelo de Deng utiliza dos niveles de abstracción: función y comportamiento. El
nivel de función se divide en dos otros niveles: uno con enfoque intencional (función de
propósito) y otro con enfoque operacional (función de acción) (Deng 2002). La función de
propósito representa las intenciones de un diseñador o el propósito de un diseño, y la
función de acción abstrae el comportamiento útil de un artefacto. El comportamiento
abstrae los estados físicos de un diseño que permiten considerar los estados transitorios y
los estados estáticos.
Desde el punto de vista semántico, la función de propósito (Figura 28a) contiene un
atributo con su propio nombre y utiliza lenguaje natural. La función de acción (Figura 28b)
contiene un conjunto de atributos sobre las entradas y salidas esperadas de flujos de objetos
(energía, material o señal), las entradas y salidas de acción esperadas (entrada direccional y
salida funcional) y los estados inicial y final. El autor define que las entradas y salidas de
objetos son independientes de las entradas y salidas de movimiento. La sintaxis de los
atributos de la función de acción puede asumir ambas formas de codificación (lenguaje
natural y forma matemática). La semántica del comportamiento (Figura 28c) tiene la misma
información que una función de acción, más otros valores sobre las entradas y salidas no
esperadas en el sistema (Chakrabarti y Johnson 1999). Así, los atributos de comportamiento
considerados son: las entradas/salidas esperadas y no esperadas de flujo de objeto
(intended/unintended input, intended/uninteded output), entradas y salidas intencionadas
y no intencionadas de flujo de acción (driving input, unintended input, functional output,
side effects), y los estados de transición. Para la sintaxis de los atributos de comportamiento,
se utiliza el lenguaje natural y forma matemática.

45
Capítulo 3
Función de Función de acción: Comportamiento:

propósito: Propósitos: aumentar Propósito: aumentar fuerza
Aumentar fuerza Estructura: C1 5 palanca con nodo O y final en A y final
fuerza Entrada dirigida: en B;
empujar/tirar palanca Atributos de C1: C1V15 distancia hasta OA, C1V25
hasta determinado fin. distancia hasta OB;
Salida funcional: empujar Entrada dirigida: D15, acciones de empujar/tirar hasta A;
objeto a través de palanca Atributos de D1: D1V15 fuerza de D1;
hasta determinado punto Salida funcional: F15 la palanca emite fuerza de empuje
final. hasta B;
Atributos de F1: F1V15 fuerza de F1;
Atributo de expresión: F1V15 D1V1 * C1V10C1V2.
(a) (b) (c)
Figura 28 - Funciones y comportamiento según la representación FBS de Deng (Deng 2002).
Para enlazar los niveles de función se utiliza un atributo llamado salida funcional.
Para enlazar una función de acción con un comportamiento y el comportamiento con la
estructura, el modelo utiliza los atributos de estados y de entradas/salidas de acción u objeto.
Este modelo incorpora un recurso diferente a los demás, ya que permite definir la
función con dos tipos de enfoque: intencional y operacional. Sin embargo, no define la
información necesaria para el nivel de estructura.
La Figura 29 muestra la semántica y la sintaxis adoptados por el modelo de
representación TFMF.

46
Figura 29 - Semántica y sintaxis del conocimiento en el modelo TFMF.
3.1.2.19 Representación del conocimiento en el modelo Funcdesigner

Otro modelo desarrollado por Zhang describe los niveles de función,
comportamiento y estructura (Zhang, Tor et al. 2003). La relación entre los niveles se realiza
bajo la forma F → BS .
La función describe lo que se espera de un diseño, el comportamiento caracteriza la
implementación de una función y la estructura describe el componente físico que ejecuta el
comportamiento. En su modelo, Zhang considera que el nivel de comportamiento encapsula
el nivel de estructura. De esta forma, estos comportamientos siempre presentan una
estructura.
La semántica de la función presenta un único atributo que describe el nombre de la
función y su sintaxis utiliza el lenguaje natural. La semántica del comportamiento adopta
atributos como nombre, estructura, entrada dirigida, salida funciona y efectos no deseados.
Los atributos del nivel de comportamiento utilizan el lenguaje natural o la forma matemática.
Este modelo encapsula la representación de la estructura dentro de la del
comportamiento, lo cual supone una limitación del modelo, ya que sólo se puede obtener un
comportamiento para una estructura.
La Figura 30 muestra la semántica y la sintaxis adoptados por el modelo
FuncDesigner.

47
Capítulo 3
Figura 30 - Semántica y sintaxis del conocimiento en el modelo FuncDesigner.
3.1.2.20 Representación del conocimiento en el modelo C-K Design Theory (CKDT)

La teoría defendida por Hatchuel considera niveles semejantes a los niveles de
función y estructura (Hatchuel, Masson et al. 2004). Las funcionalidades del producto se
definen por el espacio del conocimiento (knowledge space). Este espacio determina las
proporciones lógicas para el diseñador. Las estructuras se definen por el espacio de
conceptos (concept space), que determina una propuesta o grupo de propuestas de estado
lógico para el espacio de conocimientos. La relación entre los niveles se realiza bajo la forma
F →S.
En su modelo, el autor no define los atributos de los niveles de manera clara, sin
embargo los ejemplos se expresan por medio de lenguaje natural. El modelo propone
representar el conocimiento de diseño de manera bastante amplia, pero la definción más
concreta del modelo está en fase de desarrollo.
3.1.2.21 Representación del conocimiento en el modelo Hierachical Co-evolutionary
approach to conceptual Design (HiCED)
El modelo de Jin describe los niveles de función y estructura, que se relacionan bajo
la forma F → S (Jin, Li et al. 2005). Sus funciones son similares a las definidas por Pahl y
Beitz (Pahl y Beitz 1996). Y sus estructuras describen el resultado del árbol de funciones.
La semántica de la función considera los atributos de acción, objeto y flujo de
entrada y salida, y su sintaxis utiliza el lenguaje natural. La semántica de la estructura
considera los atributos de código, nombre, función aplicada, código de alto nivel, peso y
coste, y su sintaxis utiliza ambas formas.
La Figura 31 muestra la semántica y la sintaxis adoptada por el modelo HiCED.

48
Figura 31 - Semántica y sintaxis del conocimiento en el modelo HiCED.
3.1.2.22 Representación del conocimiento en el modelo Function-based Design Synthesis

Approach (FDSA)
El modelo presentado por Xu considera los niveles de función, comportamiento y
estructura, que se relacionan bajo la forma F → B → S (Xu, Ong et al. 2006). El nivel
funcional describe la función de un producto o una abstracción de los conceptos del diseño.
El nivel de comportamiento ilustra la forma para atender la función. Y el nivel de estructura
muestra una abstracción visual y cambiable sobre la información de la entidad representada.
La semántica del nivel de función considera atributos sobre verbo transitivo, flujo
de entrada y flujo de salida. Y su sintaxis utiliza el lenguaje natural. La semántica del nivel de
comportamiento utiliza los atributos sobre los principios relacionados con las funciones. Su
sintaxis utiliza el lenguaje natura y la forma matemática. Y la semántica del nivel de
estructura considera la forma geométrica de un modelo en CAD y utiliza la forma matemática
en su sintaxis. El modelo de representación es rígido y el algoritmo aplicado no garantiza
obtener las mejores soluciones para los problemas de diseño.
La Figura 32 muestra la semántica y la sintaxis adoptada por el modelo FDSA.
Figura 32 - Semántica y sintaxis del conocimiento en el modelo FDSA.

49
Capítulo 3
3.1.3 Resumen de la representación del conocimiento en los modelos de

síntesis
La Figura 33 resume la forma en que los modelos representan los niveles de
función, comportamiento y estructura.
En la figura, se observa que gran parte de los modelos estudiados consideran la
representación funcional con enfoque operacional. A partir de 2002 esta situación cambia y
algunos modelos consideran las intenciones del diseñador. Los primeros modelos describen
el diseño de forma limitada y son restrictos a sus dominios de aplicación, los segundos tratan
la subjetividad de las intenciones. Por medio de esta comparación, se observa que la
representación del conocimiento en los modelos de síntesis evoluciona y permite considerar
la intención del diseñador.
3.2 Análisis de los métodos de soporte a la decisión

Otro de los aspectos a analizar en los modelos de síntesis es de qué manera los
modelos computacionales soportan la convergencia o evaluación de alternativas. Durante la
formación de alternativas, diversos métodos pueden ser aplicados para determinar cual es la
mejor alternativa. Su elección se convierte en una de las actividades más comunes dentro del
proceso de diseño. Para un diseñador, es importante que estas decisiones se tomen de
manera racional en base a los principios y procesos conocidos para proporcionar mayor
seguridad al involucrar otros actores como clientes, gerentes, socios, etc. (Thurston 1991).
Los métodos de soporte a la decisión en los modelos computacionales de síntesis se
encuentran en estado incipiente y aún no presentan un nivel de madurez que permita aplicar
con mayor seguridad la elección de las mejores alternativas. Este apartado presenta un
análisis de los métodos de evaluación en los modelos de síntesis computacional.
3.2.1 Modelos de resolución funcional analizados
Para analizar la evaluación, se ha clasificado los modelos según la forma de
converger las alternativas y los elementos funcionales. Esta clasificación ayuda a entender el
funcionamiento y la evolución de la evaluación en los modelos computacionales de síntesis,
con el fin de que futuros modelos de resolución funcional obtengan mejores resultados con
el uso de uno de estos métodos de evaluación apropiados.
En este trabajo, se ha tomado como base la clasificación propuesta por Green, quien
analiza de manera comparativa los modelos de síntesis existentes bajo diversos aspectos
(Green 2000). El autor define tres entidades principales que involucran los métodos:
conceptos desarrollados, especificaciones de proyecto y la base de conocimientos. En base a
estas tres entidades, los métodos de evaluación pueden compararse de las siguientes formas:
• Concepto-Concepto: supone una comparación directa entre conceptos de
las soluciones generadas, lo cual permite identificar los mejores
conceptos pero sin revelar si las soluciones atienden a las especificaciones
del proyecto.

50
Figura 33 - Cuadro comparativo con las formas en que los modelos de síntesis representan el
conocimiento de diseño.

51
Capítulo 3
• Concepto-Especificación: supone una comparación directa entre las

características de las soluciones desarrolladas y lo que se desea alcanzar en
un producto. Esta comparación revela el grado que las soluciones puede
alcanzar en relación con las especificaciones de diseño.
• Especificación-Conocimiento: supone comparar las especificaciones
deseadas y los diseños disponibles en un banco de conocimientos; a su
vez, permite evaluar y combinar otros conceptos, dependiendo de la forma
en que atiendan a las especificaciones.
• Concepto-Conocimiento: considerado como complementario para el
método de especificación-conocimiento, este método ayuda a revelar el
grado que los conceptos alcanzan en relación con las soluciones de
proyectos anteriores. Para que pueda funcionar, necesita acceder a una
base de datos con amplios conocimientos sobre proyectos anteriores.
Los modelos computacionales analizados corresponden a aquellos que comparan
las especificaciones con el contenido de la base de conocimientos.
3.2.2 Clasificación de los modelos de evaluación
La evaluación afecta por una parte a la síntesis funcional y por otra parte a las
alternativas. Se analizan y comparan los modelos bajo los siguientes aspectos:
• Objeto de la evaluación: enfoque del método de evaluación. Puede evaluar
funciones y/o alternativas.
• Dominio del diseño: tipo de aplicación del modelo, que pueden ser:
dominio de diseño genérico, diseño mecánico, diseño eléctrico o diseño
electro-mecánico.
• Síntesis funcional: proceso utilizado para descomponer y combinar
funciones, entre ellos: Árbol de funciones, relación entradas-salidas,
métodos de evolución genética, relaciones de causa y efecto y
manipulación matemática.
• Evaluación funcional: método para reducir el espacio de funciones
exploradas y las iteraciones de combinación de sub-funciones. Los
métodos encontrados han sido: métodos heurísticos, mutación y
recombinación (genética), el mejor alcance de las especificaciones,
métodos orientados por reglas, etc.
• Criterios para evaluación de las alternativas, que son los aspectos
considerados para obtener los criterios de evaluación de alternativas, tales
como: los criterios cinemáticos y las especificaciones de proyecto.
• Importancia de los criterios. Es el grado de importancia de un criterio en
relación con otro, tales como: estimación del propio usuario, procesos
matemáticos, etc.

52
• Valoración de las alternativas: grado de proximidad que una alternativa

manifiesta en relación a un criterio. A través de él, el diseñador puede
establecer si un producto presenta mayor o menor coste, mayor o menor
facilidad de ensamblaje, etc. Las opciones de valoración encontrados son:
método fuzzy, función de uso y simulaciones.
• Evaluación de alternativas. Es el método aplicado para soportar la
convergencia del espacio de soluciones. Han sido encontrados los
siguientes: la ponderación, la simulación cualitativa, los algoritmos
evolutivos, la heurística, la selección directa del usuario, etc.
La Tabla 1 resume la clasificación bajo estos aspectos.
3.2.3 Objeto de la evaluación
La evaluación ayuda a los modelos de diseño computacional a guiar la síntesis de
alternativas o a entender mejor los requerimientos funcionales desde el punto de vista de las
funciones.
En los modelos de síntesis computacionales analizados, se observa que la
evaluación no es un método adoptado únicamente al final de cada ciclo de la formación de las
alternativas. Este método también se utiliza para reducir el espacio de las funciones,
comportamiento o estructuras durante la síntesis.
Este trabajo considera que la evaluación de las funciones es un proceso que utiliza
reglas o métodos para converger el espacio de las funciones exploradas. Por medio de dichos
procesos, se puede:
• evitar la exploración combinatoria de las funciones,
• evitar la combinación exhaustiva de las funciones,
• optimizar los recursos utilizados y
• reducir el tiempo de procesamiento.
3.2.4 Dominio del diseño
La mayoría de los modelos restringe su aplicación al diseño mecánico. Tres autores
lo aplican al dominio electro-mecánico y otros tres aplican el diseño de una forma genérica.
A pesar del enfoque dado hacia un área específica del dominio del conocimiento, se
constata que esta representación varía con la manera en que cada autor interpreta el
problema de diseño y las variables que utiliza para describir las necesidades del diseño. Esto
se observa al comparar modelos como el FuncSION (Liu, Chakrabarti et al. 2000) y TFMF
(Deng 2002) que se enfocan al dominio del diseño mecánico.
El conocimiento representado influye en el resultado y en la forma de calcular de
los métodos de soporte a la decisión.

53
Capítulo 3
Funciones Alternativas
Objeto de Dominio de Importancia
Modelos de síntesis Síntesis Convergencia Criterio Valoración Evaluación
evaluación diseño del criterio
Schematic Synthesis Funciones Diseño
Relaciones E/S Basada en Reglas Cinemática - Simulación Mejor ranking
(SS) Alternativas Mecánico
Interaction-based Funciones Diseño
Relaciones E/S Basada en Reglas Cinemática - Simulación Mejor ranking
design (Ibis) Alternativas Mecánico
Initial Design Selection Funciones Diseño Búsqueda por Mejor en Especificaciones de
Estimación Función de uso Suma ponderada
(IDS) Alternativas Mecánico características Especificaciones proyecto
Kinematic Building Funciones Diseño
Relaciones E/S Basada en Reglas Cinemática - Simulación Suma ponderada
Blocks (KBB) Alternativas Mecánico
Funciones Diseño
FuncSION Relaciones E/S Método Heurístico Cinemática - Simulación Mejor ranking
Alternativas Mecánico
Qualitative and Heuristic Diseño Mejor en
Funciones Relaciones E/S - - - -
Approach (QHA) Mecánico Especificaciones
Árbol de
Funciones Diseño Electro- funciones y
Schemebuilder Basada en Reglas Cinemática - Simulación Mejor ranking
Alternativas Mecánico Relaciones de
Causa
Diseño Especificaciones de
A-Design Alternativas - - Estimación Función de uso Pareto Óptimo
Mecánico proyecto
Árbol de
Diseño
DiiCAD Funciones funciones y Basada en Reglas - - - -
Mecánico
Relaciones E/S
Funciones Diseño Electro- Relaciones de Especificaciones de
Zavbi Basada en Reglas - Simulación Valor Añadido
Alternativas Mecánico Causa proyecto
Automatic Design by
Funciones Diseño
Configuration Space Relaciones E/S Método Heurístico Cinemática - Simulación Mejor ranking
Alternativas Mecánico
(ADCS)
Genetic Algorithm Funciones Diseño Métodos Mutación y Especificaciones de
Estimación Simulación Algoritmos Evolutivos
Designer (GADES) Alternativas Genérico evolutivos Recombinación proyecto
Interactive Evolutionary Funciones Diseño Métodos Mutación y Especificaciones de Basada en
Simulación Algoritmos Evolutivos
Design System (IEDS) Alternativas Mecánico evolutivos Recombinación proyecto Reglas
Knowledge Intensive
Diseño Especificaciones de
Engineering Framework Alternativas Abducción - - - Deducción
Mecánico proyecto
(KIEF)
Autogenetic Design Funciones Diseño Métodos Mutación y Especificaciones de
- Simulación Algoritmos Evolutivos
Theory (ADT) Alternativas Mecánico evolutivos Recombinación proyecto
Heuristic State-space Funciones Diseño Árbol de Especificaciones de Basado en
Método Heurístico Estimación Heurística
Approach (HSA) Alternativas Mecánico funciones proyecto Fuzzy
Two-stage Functional
Diseño Árbol de
Modeling Framework Funciones Basada en Reglas - - - Elección del usuario
Mecánico funciones
(TFMF)
Diseño
Método de Bruno Funciones Relaciones E/S Basada en Reglas - - - Elección del usuario
Mecánico
Funciones Diseño Árbol de Especificaciones de
FuncDesigner Basada en Reglas Estimación Función de uso Suma ponderada
Alternativas Mecánico funciones proyecto
C-K Design Theory Funciones Diseño Árbol de Especificaciones de Basado en
Basada en Reglas - Conjunción
(CKDT) Alternativas Genérico funciones proyecto Fuzzy
Funciones Diseño Árbol de Especificaciones de
HiCED Basada en Reglas Estimación Simulación Algoritmos Evolutivos
Alternativas Mecánico funciones proyecto
Funciones Diseño Redes Especificaciones de
FDCS Basada en Reglas Estimación Simulación Algoritmos Evolutivos
Alternativas Genérico neuronales proyecto
Tabla 1 - Clasificación de los métodos de evaluación.

54
3.2.5 Métodos para convergencia de funciones

La convergencia de funciones permite conducir la descomposición funcional.
Algunos modelos convergen las funciones de forma computacional y no todos utilizan este
recurso. Los métodos que convergen son los siguientes:
• Métodos basados en reglas: limitan el rango de funciones exploradas y
reducen las iteraciones de combinación para evitar la explosión
combinatoria. Los modelos estudiados utilizan para ello: restricciones,
reglas gramaticales, relaciones entre entradas y salidas y relaciones sobre
los principios físicos.
• Algoritmos evolutivos: algoritmos de optimización inspirados en la
evolución natural. En la actualidad se utilizan cuatro tipos principales de
algoritmos evolutivos: algoritmos genéticos, programación evolutiva,
estrategia de evolución y programación genética.
• Mejor especificación o mejor cumplimiento de las especificaciones:
converge el espacio de funciones en base a la coincidencia con las
especificaciones. Se eligen las mejores funciones con ayuda de un ranking
de funciones.
• Métodos heurísticos: guían la síntesis por medio de aprendizaje,
reconocimiento de patrones o solución de problemas. Se aplican para
problemas de difícil solución.
La Figura 34 muestra la distribución de los modelos de síntesis según el método de
evaluación aplicado para converger las funciones.
La convergencia funcional es un tema de difícil resolución, por causa de la
subjetividad de la información tratada y de la dificultad en definir de forma clara el proceso
de descomposición. De esta forma, la convergencia funcional es un tema tratado con poca
relevancia por parte de los científicos de la Ingeniería del Diseño.
3.2.5.1 Métodos basados en reglas
3.2.5.1.1 Métodos basados en restricciones
Las restricciones representan reglas definidas antes de las síntesis por el propio
diseñador. El modelo DiiCAD obtiene las funciones o sub-funciones por medio de árboles
de símbolos. Los modelos TFMF y FuncDesigner utilizan un concepto equivalente al
anterior, pero representan las funciones bajo la forma lingüística de verbo + complemento.
La teoría CKDT utiliza dos procesos para auto expandir el espacio de conocimientos
(funciones): las reglas clásicas de la lógica y el cálculo proporcional.

55
Capítulo 3
Figura 34 - Diagrama de los modelos que evalúan las funciones.
3.2.5.1.2 Métodos basados en reglas gramaticales

Entre los métodos que utilizan las reglas gramaticales están:
• La segunda implementación del Schemebuilder, que orienta la
exploración por medio del árbol de funciones de forma parecida a la
exploración propuesta por Pahl y Beitz (Pahl y Beitz 1996).
• El modelo HiCED, que utiliza las reglas gramaticales en dos niveles: reglas
generales y reglas basadas en acciones. Las reglas generales se consideran
en el inicio de la descomposición, en las descomposiciones incompletas o
en la consistencia de los flujos. Las reglas de acción se consideran en la
división de las acciones por sub-secciones o en la división por
interdependencia.

56
3.2.5.1.3 Métodos de relación entrada/salida

Entre los métodos basados en reglas que relacionan las entradas y salidas están:
• El modelo SS, que utiliza cálculos para definir el valor de las posibles
transformaciones de los flujos.
• El modelo Ibis, que utiliza el function-sharing.
• El modelo KBB, que manipula de forma matemática las entradas y salidas y
las considera como requisitos durante la exploración.
• El segundo nivel de función del modelo DiiCAD, que considera las
cantidades de flujos en la exploración orientada por las entradas y salidas.
• El método de Bruno, Giampà, Muzzupappa y Rizzuti considera enlaces en
un espacio tridimensional cuyos colores identifican el tipo de flujo
(energía, señal, material y movimiento). El autor denomina redes
funcionales (functional nets) al conjunto de funciones formadas en la
alternativa.
3.2.5.1.4 Métodos orientados a los principios físicos
Entre los métodos basados en reglas que exploran mediante la orientación de los
principios físicos están:
• La primera implementación del Schemebuilder, que utiliza reglas que
clasifican las funciones por principios físicos de transformación,
rotación, inercia, esfuerzos comunes, orígenes de flujo y esfuerzos.
• El modelo de Zavbi, que orienta la síntesis funcional a través de la
selección de leyes físicas que enlazan las funciones a las variables,
parámetros geométricos, materiales y constantes básicas.
3.2.5.2 Métodos heurísticos
En la clase de modelos que utilizan los métodos heurísticos están:
• El modelo FuncSION, que utiliza diferentes conjuntos de rutinas
heurísticas para agrupar las exploraciones por: similitud funcional y
física, similitud funcional, clusters y las que no cumplen con los requisitos
funcionales.
• El modelo ADCS, que utiliza el método CSpace (Configuration Space) para
clasificar las funciones bajo los aspectos de la cinemática funcional
(ausencia de movimiento, propagación de las restricciones de
movimiento, transmisión de esfuerzos/movimientos y ausencia de
interacción entre las funciones).

57
Capítulo 3
3.2.5.3 Algoritmos evolutivos

El modelo GADES utiliza la mutación y recombinación para elegir las funciones por
medio del cambio de los bloques de genes. El modelo evoluciona y recombina por
descendencia estos bloques de genes. A partir de la recobinación por jerarquía se obtienen
los puntos de igualdad para encontrar la mejor solución.
El modelo IEDS utiliza la recombinación y mutación a través del algoritmo Variable
Mutation Cluster-Oriented Genetic Algorithm (vmCOGA).
En el modelo ADT la mutación se realiza por medio de las modificaciones
aleatorias, mientras que la recombinación intercambia contenidos de diferentes soluciones.
3.2.5.4 Mejor cumplimiento de las especificaciones
En la clase de mejor cumplimiento de las especificaciones, los modelos eligen las
funciones a partir de un ranking que define un grado de proximidad con las especificaciones
del diseño. El modelo IDS dirige la exploración hacia aquellas funciones que contengan las
características deseadas en el producto. El modelo QHA prioriza las sub-funciones que
atiendan al mayor número de funciones posibles.
3.2.6 Criterios y su importancia en la evaluación de alternativas
El primer paso en cualquier método de evaluación es definir un conjunto de
objetivos a partir de los cuales deriva los criterios para la evaluación. De forma técnica, los
objetivos casi siempre se derivan de una lista de requerimientos, de especificaciones de
proyecto o de restricciones generales (Pahl y Beitz 1996).
Estos objetivos consideran factores técnicos y económicos, requerimientos de los
usuarios, requerimientos de seguridad, restricciones de normas, leyes, etc. En los modelos
de síntesis computacional algunos de los objetivos se relacionan con aspectos cualitativos del
diseño o con aspectos cuantitativos para cuantificar el funcionamiento del producto.
Definir el valor de la importancia de los criterios permite al diseñador priorizar
determinados objetivos en relación a otros. El valor de la importancia debe ser un número
real, positivo y que indique su diferencia en relación con otros objetivos del proyecto. Esta
importancia puede ser definida con ayuda de cálculos (por ejemplo, con la utilización de
vectores propios), comparación por pares (outranking), por reglas, o por estimaciones del
propio diseñador. Los cálculos, las reglas y las comparaciones son medios para diferenciar
los criterios de tal forma que no exista una variación muy grande que comprometa la
evaluación final.
Los criterios pueden ser obtenidos a través de:
• Especificaciones de proyecto: definiciones sobre la forma en que los
objetivos de proyecto pueden ser alcanzados;
• Aspectos cinemáticos: relacionan las entradas y salidas de movimiento
expresadas por los componentes de la alternativa.

58
En los modelos computacionales de síntesis, la importancia de los criterios es un

tema poco desarrollado. La mayoría de los métodos sólo consideran un único criterio o
definen un valor único de importancia para los distintos criterios.
De los modelos analizados once obtienen sus criterios a partir de las
especificaciones de proyectos. Otros seis modelos obtienen sus criterios por medio de la
información disponible en la cinemática de sus componentes o de la solución en general.
Más de las mitad de los métodos (trece modelos) no definen la importancia de sus
objetivos. Los que definen la importancia (seis modelos) se basan en la estimación del
propio diseñador. El modelo IEDS es el único que considera reglas de soporte a la
importancia de los criterios.
3.2.6.1 Especificaciones de proyecto
El modelo A-Design obtiene los criterios por medio de las especificaciones de
proyecto como, por ejemplo, minimizar peso, coste, tamaño, cantidad de movimiento y
tiempo de repuesta. En su modelo, el diseñador puede estimar las importancias en cada ciclo
iterativo de generación.
El modelo GADES permite considerar nuevos criterios en cada generación. Los
criterios se relacionan con la estructura, tales como, por ejemplo, masa, número de vértices,
centro de masa, extensión, extensión de las primitivas geométricas y área de superficie. El
diseñador estima la importancia de los criterios.
El modelo IEDS considera diversos criterios de rendimiento de un vuelo extraído
de las especificaciones, tales como baja presión, rendimiento, etc. En la importancia de los
criterios, se utilizan reglas que soportan la traducción cualitativa. El principio de Cvetkovic y
Parmee define que este valor se calcula con combinación del método de Pareto y la suma
ponderada (Cvetkovic y Parmee 1999). Los autores proponen un cuadro de relaciones
(Figura 35) para ayudar a la elección de las importancias. Por medio de este cuadro, el
diseñador compara los criterios por pares. Y a partir del cálculo de esta matriz de
comparación se obtiene la importancia de los criterios.
Relación Significado
≈ Posee igual importancia
< Es menos importante
« Es mucho menos importante
¬ No es importante
! Es importante
Figura 35 - Comparación entre criterios en el modelo IEDS.
El modelo FuncDesigner utiliza criterios técnicos y económicos en su método de

evaluación. Los criterios consideran ensamblaje, seguridad, cantidad de componentes,
eficiencia, coste, etc. El diseñador puede definir la importancia de los criterios por
estimación, dando valor entre 1 y 5, donde el 1 es el de menor importancia y el 5 de mayor
importancia para el proyecto.

59
Capítulo 3
El modelo IDS utiliza las características que debe tener un producto. Los criterios
consideran factores técnicos y económicos como rendimiento, confort, durabilidad, estética,
altura, peso, volumen, coste, período de garantía, etc. Para la importancia, el diseñador
estima pesos sobre las características esperadas. Los pesos comprenden valores entre 0 y 10,
donde el 0 significa un criterio sin importancia para el diseño. A pesar de permitir la
estimación, el autor aplica el valor 1 para todos sus ejemplos.
El modelo propuesto por Zavbi propone deducir los criterios por medio de las
funciones deseadas en un sistema de diseño. Los criterios se obtienen a partir de
especificaciones de presión, densidad, temperatura, deflexión, etc., y varían según la
aplicación. A pesar de los múltiples criterios, el autor no define valores de importancia para
las simulaciones de las leyes físicas.
La teoría ADT considera los criterios relacionados con la geométrica del producto,
pero no define valores de importancia para sus criterios.
En el modelo HSA el diseñador define los criterios por medio de las
especificaciones del ciclo de vida del producto. El autor muestra ejemplos de criterios, tales
como manufactura, ensamblaje, mantenimiento, eficiencia, fiabilidad, etc. La importancia
de los criterios se define por la estimación del propio diseñador con ayuda del método Fuzzy.
Por su parte, la teoría CKDT define criterios en base a los requerimientos, pero no
define la importancia de los criterios.
El modelo KIEF considera los criterios relacionados con la manufactura del
producto, y verifica que las entidades desarrolladas presenten valores mínimos para atender
a los procesos. De esta forma, el modelo da al diseñador la información necesaria sobre la
viabilidad del producto.
El modelo HiCED utiliza en su evaluación criterios que son aplicados a sus reglas,
tales como: compatibilidad de los enlaces entre funciones, tamaño de las estructuras
formadas por estas funciones, preferencias sobre determinadas medios de implementación
y datos cualitativos de estos medios (potencia, etc.). El usuario estima la importancia de los
criterios.
3.2.6.2 Aspectos cinemáticos
El modelo SS obtiene los criterios a través del comportamiento mecánico
cualitativo de una solución. El autor considera una variable de esfuerzo o flujo que relaciona
las entradas y salidas. Dado que considera solamente un criterio, no utiliza grado de
importancia.
El modelo Ibis define un único criterio sobre la interacción entre componentes por
medio de un diagrama de estados cualitativos.
El modelo FuncSION considera la continuidad y reciprocidad mecánica entre
mecanismos de una solución. El primero describe la continuidad de movimiento de las
entradas y salidas de los componentes. Y el segundo relaciona la reciprocidad sobre estas
entradas y salidas. Ambos criterios muestran el mismo valor de importancia.

60
El modelo ADCS considera la relación de los movimientos ejecutados por los

componentes, donde este movimiento depende de dos factores, de los esfuerzos aplicados y
de las restricciones de movimiento impuestas para los ejes (xyz). El modelo no considera
valores de importancia para los criterios.
El modelo Schemebuilder obtiene los criterios por medio de las simulaciones
cualitativas de los comportamientos mecánicos y eléctricos de una alternativa. Con ayuda de
una herramienta de visualización 3D y un simulador, el diseñador verifica las uniones
mecánicas, la optimización de parámetros, análisis de fallos, control del sistema de montaje,
etc.
3.2.7 Valor de las alternativas sobre los criterios
Uno de los pasos en el proceso de evaluación es otorgar un grado de proximidad de
las alternativas sobre los criterios de proyecto. Se han encontrado los siguientes métodos de
valoración de criterios:
• Simulación: estimación de uso o fabricación en relación a determinados
criterios. A través de la simulación, el diseñador puede saber los posibles
costes del producto, tiempo de ensamblaje, etc.
• Función de uso: beneficio o valor añadido por el uso del producto. Bajo
este concepto se puede valorar una alternativa según los beneficios que
esta puede dar al fabricante, usuario o proyecto.
• Reglas: condiciones establecidas para dar valor a los criterios. Las reglas
establecen condiciones que definen de manera automática los valores de
las alternativas.
• Método Fuzzy: método que traduce los valores cualitativos en valores
numéricos. Este método toma en consideración valores abstractos y poco
claros para el usuario (pésimo, malo, bueno, muy bueno y óptimo). Para
convertir un valor en otro se aplican cálculos que traten esta
incertidumbre.
La mayoría de los modelos computacionales encontrados utilizan la simulación para
valorar las alternativas en relación a los criterios. La función de uso ha sido encontrada en los
modelos IDS, A-Design y FuncDesigner, y el método Fuzzy ha sido encontrado en los
modelos HSA y CKDT.
3.2.7.1 Simulación
El modelo SS simula por medio de ecuaciones de movimiento obtenidas con ayuda
de una tabla que clasifica los comportamientos ejecutados.
El modelo Ibis define el valor de forma equivalente al modelo SS, con la diferencia
de que este modelo obtiene las ecuaciones por medio del álgebra simbólica cualitativa.
El modelo KBB simula los componentes de una alternativa por medio de matrices
paramétricas, es decir, matrices cuyos valores son ecuaciones (parámetros) que ilustran la
relación de movimiento de entrada y salida.

61
Capítulo 3
El modelo FuncSION define el valor sobre el movimiento y la relación de sus

entradas y salidas. Los valores definen si el movimiento es continuo, intermitente, uni-
direccional o bi-direccional.
El modelo Schemebuilder utiliza un prototipo digital para simular la cinemática y el
rendimiento de la alternativa.
El modelo Zavbi utiliza ecuaciones paramétricas obtenidas a partir de las leyes
físicas, las constantes de los materiales, los parámetros geométricos y las constantes
fundamentales de la física. Los grados de proximidad se definen por medio de la relación
física entre los componentes y las leyes físicas.
El modelo ADCS simula los movimientos cinemáticos y dinámicos de la unión entre
los componentes (nodos). Los nodos reciben valores 2 o 1 para el movimiento y cinemática
válidos o no válidos.
El modelo GADES valora las alternativas por medio de la geometría de la solución
(vértices, masa, centro de masa, extensión, etc).
El modelo IEDS utiliza la función fitness para simular por medio de ecuaciones
paramétricas.
En el modelo HiCED utiliza la función fitness para calcular los diversos factores de
conexión entre funciones (entradas/salidas, enlace entre medios), dimensión de las
estructuras exploradas, conexión de los medios de implementación, rendimiento alcanzado
por los medios de implementación del producto y reglas de preferencia sobre la
implementación.
El modelo ADT aplica diversos módulos que simulan por medio de herramientas
externas (CFD, analytic computation, etc.). Se aplica un algoritmo basado en el algoritmo
genético Natural Optimization Algorithm (Vajna, Clement et al. 2005).
3.2.7.2 Función de uso
El modelo IDS divide en dos partes la valoración de las alternativas. En la primera
extrae el grado de proximidad por pares de componentes. Este valor se define como un grado
de proximidad llamado goodness-of-match, que muestra un valor dentro del intervalo [0,1].
En la segunda parte, el modelo utiliza la función de uso (utility-function) que define un valor
crítico de la alternativa sobre los requerimientos.
El modelo FuncDesigner define los valores internos y mide el grado de satisfacción
del producto sobre las restricciones. Estos valores están dentro del rango de 1 y 10, donde el 1
es el valor de mejor rendimiento.
3.2.7.3 Método fuzzy
El modelo HSA utiliza el método fuzzy para definir valores a los criterios
establecidos. Este método permite al diseñador definir una estimación a los criterios a partir
de términos lingüísticos que se traducen en números. El método Fuzzy ayuda a definir los
valores numéricos para las expresiones que manifiestan imprecisión, como por ejemplo
valores lingüísticos (muy bajo, bajo, bastante bajo, mediano, bastante alto, alto y muy alto).

62
El modelo de Zhang utiliza una representación trapezoidal o triangular para traducir los
valores lingüísticos en números. El modelo CKDT recomienda dos tipos de valoraciones: uno
lógico y otro a través del método fuzzy.
3.2.8 Métodos de soporte a la decisión (evaluación de alternativas)
Al final de cada ciclo de resolución se desarrollan diversas alternativas. Con ayuda
de los métodos de soporte a la decisión se puede medir y comparar las alternativas en
relación a determinados aspectos. Un buen método permite al diseñador encontrar las
mejores alternativas y evolucionarlas para mejorar el cumplimiento de los objetivos.
Este sub-apartado muestra la forma en que los modelos evalúan las alternativas
formadas. La Figura 36 muestra los métodos aplicados por los modelos computacionales
analizados.
Figura 36 - Tipos de evaluación de alternativas.
En este análisis se ha observado que existen modelos que soportan la decisión sin
ayuda de los procesos computacionales y otros que basan la decisión por medio de métodos
computacionales. En los modelos que no consideran los procesos computacionales, el propio
usuario elige la alternativa por intuición o experiencias anteriores. En los métodos que
evalúan con ayuda de procesos computacionales, algunos manejan un único criterio (mono-
criterio) o múltiples criterios (multi-criterio).

63
Capítulo 3
Los métodos de soporte a la decisión encontrados son:

• Mono-criterio: compara las alternativas a través de un ranking y elige la
que presenta mejor rendimiento sobre un único criterio.
• Multi-criterio: considera diversos criterios de forma simultánea. Los
modelos de síntesis estudiados aplican las siguientes reglas para tomar la
decisión:
o Suma ponderada: método de suma que transforma una
evaluación multi-dimensional en una síntesis uni-dimensional.
En la suma ponderada los criterios reciben un valor preciso y
cuantitativo que define el grado de importancia sobre
determinados objetivos (Bouyssou, Marchant et al. 2000).
Cuando todos los valores de las importancias son iguales a 1, la
suma ponderada pasa a ser una suma simple.
o Valor agregado (additive value): método más elaborado que la
suma ponderada, y que permite al usuario maximizar la cantidad
específica del criterio sobre su valor de uso (worth) (Bouyssou,
Marchant et al. 2000).
o Algoritmos evolutivos: tiene como base el proceso evolutivo
natural (biología), adaptado a la computación para optimizar y
evolucionar soluciones. Este método implementa diversos
algoritmos que trabajan en conjunto para detectar las mejores
alternativas en el proceso evolutivo. Cada método puede
considerar los algoritmos genéticos (GA), la programación
genética (GP), la programación evolutiva (EP) o las estrategias de
evolución (ES) (Bentley 1999a).
o Optimización por Pareto: teoría proveniente de la economía que
define un proceso que mueve conjuntos de alternativas para
establecer aquella que se destaca en relación a las demás. Así,
cuando se aplica en conjunto con los métodos de evolución
genética, este proceso de ubicación de la alternativa se
denomina optimización por Pareto.
o Deducción: método de la lógica que utiliza las propiedades de
una solución para contrastar con los conocimientos en diseño
(leyes, propiedades físicas, etc. ) y la descripción o intención que
se desea alcanzar sobre la solución (Tomiyama, Takeda et al.
2003).
En el análisis se observa que los métodos de soporte a la decisión más utilizados son
(Figura 37): Mono-criterios (Mejores en un ranking), suma ponderada y algoritmos
evolutivos.

64
Figura 37 - Grupos de modelos que evalúan las alternativas.
3.2.8.1 Mono-criterio
El modelo SS organiza en un ranking las alternativas y elige aquellas que presentan
mayor valor obtenido en base a una simulación cualitativa de los movimientos de los
componentes.
El modelo Ibis suma todas las expresiones simbólicas de la combinación de los
comportamientos y el resultado de la interacción entre componentes. El modelo sólo genera
una alternativa y la evalúa a través del comportamiento que manifiesta.
El modelo FuncSION utiliza una herramienta 3D que permite simular la solución.
El modelo Schemebuilder utiliza una herramienta 3d para simular la dinámica y el
rendimiento de las alternativas.
El modelo ADCS utiliza el grafo Behaviour Realization Graph (BRG) para simular de
manera cualitativa una solución. Este grafo integra dos tipos de comportamientos: la
cinemática de pares de componentes y la interacción entre los pares de movimientos.
3.2.8.2 Algoritmos evolutivos
El modelo GADES usa una biblioteca de módulos de evaluación para calcular según
la necesidad, tales como tamaño mínimo y máximo, masa específica, área de superficie,
estabilidad, garantía de soporte, rayos trazados y simulador de flujo de partículas.
El modelo IEDS utiliza como base de su síntesis el Algoritmo Genético (GA) de
Goldberg (Goldberg 1989) y se basa en un método de filtro adaptable (adaptive filter) para
evaluar las alternativas desarrolladas en cada ciclo de síntesis. El filtro extrae soluciones y las

65
Capítulo 3
distribuye sobre un diagrama comparativo. En cada ciclo de la síntesis, un valor se modifica

para abarcar más soluciones. Aquellas alternativas que sobrepasaren este valor pasan a un
grupo (cluster) que evoluciona en el siguiente ciclo (Parmee 1996). En su cálculo, se utilizan
la suma ponderada y la optimización por Pareto (Cvetkovic y Parmee 1999).
La teoría ADT utiliza diversos algoritmos que simula con ayuda de herramientas de
simulación externas que suministran valores para las funciones fitness.
El modelo HiCED aplica algoritmos evolutivos para elegir reglas y utiliza la suma
ponderada en la función fitness para calcular los valores obtenidos por medio de estas reglas.
3.2.8.3 Suma ponderada
El modelo IDS utiliza la suma ponderada para determinar el valor Overall Goodness
of Match que refleja los valores críticos de los criterios y sus pesos según la Ecuación 1. El
valor Ch-weight representa la importancia de cada criterio, la función utility-function (Ch-
gom) calcula el valor crítico de uso sobre la aproximación entre el componente y
determinado criterio (Ch-gom).
Ecuación 1 - Cálculo del Overall Goodness of Match del modelo IDS (Esterline y Kota 1992).
El modelo KBB calcula el valor denominado Global Referente Frame, que

representa una suma vectorial de todos los valores obtenidos en los planos x-y, y-z y z-x.
Cada plano tiene un mismo peso, así esta suma pasa a ser una suma simple de vectores.
El modelo FuncDesigner utiliza la suma ponderada para orientar la resolución
heurística. Después de agregar los valores sobre las variaciones del producto, se eligen las
soluciones con menor valor final, es decir, aquellas con menor cantidad de componentes.
3.2.8.4 Valor agregado
El valor agregado es un método utilizado por el modelo de Zavbi, y se basa en el
Analytic Hierarchy Process (AHP) para converger el espacio de soluciones. Según Bouyssou,
el método AHP consiste en estructurar la decisión del problema de manera jerárquica, donde
el proceso ayuda a construir evaluaciones numéricas asociadas con todos los demás niveles
de la jerarquía y al final agrega las asociaciones con un método específico (suma ponderada)
(Bouyssou, Marchant et al. 2000). La organización de los nodos de esta jerarquía debe
empezar de la base, donde todos los nodos se enlazan al mismo nodo-padre, y son
comparados por pares. Lo mismo se hace con todos los criterios de los nodos de más alto
nivel, la influencia donde todos los criterios con comparados por pares. El uso de esta
comparación de criterios permite extender o detectar/corregir inconsistencias que sus pesos
pueden presentar. Así, la comparación por pares permite al usuario definir la prioridad en
cada nodo para un determinado criterio.

66
El método AHP extiende la comparación por pares a los valores de los criterios y a la
importancia de dichos criterios. Su método utiliza las funciones u que evalúan las
alternativas sobre los criterios i y el grado de importancia k. Cada alternativa a recibe un
valor v(a), calculado según la Ecuación 2. Con este resultado, el método ordena y elige la
mejor alternativa por medio de un ranking.
n
v(a ) = ∑ k i u i (a )
i =1
Ecuación 2 - Cálculo del Analytic Hierarchy Process (AHP) (Bouyssou, Marchant et al. 2000).
3.2.8.5 Método heurístico

El modelo HSA utiliza un método heurístico que calcula a través de dos ecuaciones.
La primera ecuación calcula el rendimiento de los componentes físicos ( rij ) en relación con
los pesos de cada criterio ( w j ) y utiliza la media ponderada (Ecuación 3a). La segunda
Ecuación 3b complementa la anterior y utiliza el valor calculado ri y lo adiciona a la cantidad
de funciones no atendidas o no exploradas por la resolución ( k ).
(a) (b)
Ecuación 3 - Cálculo del valor heurístico en el modelo HSA (Zhang, Tor et al. 2002b).
3.2.8.6 Optimización por Pareto

El modelo A-Design evalúa en base al diagrama de Pareto que restringe el espacio
de soluciones por medio de múltiples criterios. Además del diagrama, el modelo calcula los
valores de las alternativas y si existen buenos o malos diseños. La Figura 38 muestra un
ejemplo de diagrama que se utiliza para ayudar al diseñador en la selección.
El modelo FDCS elige la solución por medio de dos algoritmos: Multi-objective
optimization algorithm y Multi-objective strugle genetic algorithm. El diseñador define un
peso para cada criterio y a partir de una función fitness se obtiene el valor de optimización de
Pareto. Se elige la solución que presenta menor valor fitness ponderado.

67
Capítulo 3
Figura 38 – Diagrama de Pareto, buenos y malos diseños en el modelo A-Design (Campbell, Cagan et
al. 1999)
3.2.8.7 Deducción
El modelo KIEF utiliza la deducción para evaluar sus alternativas, comparando las
alternativas desarrolladas con los principios involucrados en el proceso. Sus principios se
obtienen a partir de las especificaciones al inicio de la síntesis.
3.3 Conclusiones del capítulo

En base a este estudio, se verifica que la mayoría de los modelos computacionales
analizados representan el conocimiento de diseño de una forma muy rígida y restringida al
problema que se proponen resolver. Algunos modelos definen las funciones enfocadas
solamente en las intenciones; y otros, en la operación. Pocos permiten al diseñador definir
ambos enfoques en un diseño. El modelo TFMF es el único que describe la semántica y
sintaxis de forma clara y que también permite tratar el problema de las funciones con dos
enfoques distinto (Deng 2002).
Por medio del estudio, se constata la necesidad de tener un modelo de
representación más flexible para gestionar el conocimiento de diseño. Para ello, se toma
como referencia las características importantes de algunos modelos y se desarrolla un nuevo
marco de representación. El modelo propuesto deberá tratar los siguientes aspectos:
• Debe ampliar los niveles de abstracción: añadir información en algunos
niveles de abstracción y debe ampliar el ámbito de aplicación a otros
dominios, tal como presentan los modelos GADES, CKDT y FDCS.
• Debe aumentar las relaciones entre los niveles: añadir nuevas relaciones
entre los niveles, para que se pueda ofrecer un modelo más flexible,
amplio y fácil de manipular. Además, es necesario explicitar los atributos
que permiten estas relaciones.
• Considerar las entradas del entorno en los niveles de función y
comportamiento, es decir, incluir en el modelo un nivel para describir los
flujos externos que intervengan en el funcionamiento del diseño.

68
Cuanto al análisis sobre los métodos de soporte a la decisión, se observa que dichos
métodos evolucionan respecto a la complejidad de los criterios y de los cálculos adoptados. A
través de este análisis se constata que:
• La evaluación de funciones ha sido tratada de forma relevante en la
mayoría de los modelos de síntesis, en comparación con otras tareas.
Quizá porque, en la evaluación de una alternativa, el modelo de síntesis
cuenta con datos numéricos y criterios más precisos, mientras que en las
funciones muestran datos poco claros.
• Al definir un modelo de síntesis, se debe considerar y potenciar un
método de evaluación que conduzca de forma fiable la síntesis.
• El método de evaluación debe considerar la información representada en
el banco de datos de conocimiento y debe tener como enfoque principal
aquello que se espera alcanzar en la síntesis.
Ignorar la evaluación o tratarla sin relevancia puede llevar a formar alternativas de
poca fiabilidad y sin garantía sobre su realización.
A partir de estos aspectos, se propone un nuevo modelo de representación de
diseño que incluye nuevos detalles, nuevas relaciones y nuevos conocimientos para facilitar
la síntesis en un modelo computacional más flexible y que se describe en el siguiente
capítulo.

69
4 Propuesta del modelo funcional
de síntesis
Propuesta del modelo funcional de síntesis
En este capítulo se presenta un modelo computacional para síntesis de productos.

La representación del conocimiento propuesta se basa en el marco FBS, y por
basarse en los mismos aspectos que se identifican en el proceso de diseño permite al
diseñador definir datos suficientes para guiar el proceso de síntesis. Pero, a pesar de su
amplitud, presenta algunas limitaciones que dificultan su aplicación directa a otros modelos
de síntesis y que se mejora por medio del modelo propuesto en este capítulo.
De las posibilidades de mejora que se han identificado en el capítulo anterior, en
este trabajo se abordan las siguientes:
1. Permitir al diseñador describir el problema de diseño a partir de
cualquier nivel de abstracción. Y por medio de este recurso, aumentar la
flexibilidad para formar alternativas.
2. Ampliar las relaciones entre los niveles de representación del
conocimiento. Se añaden nuevas relaciones y se explicitan los atributos
necesarios para implementar dichas relaciones.
3. Incorporar la posibilidad de uso de los flujos externos al sistema (de
material, energía o señal) en varios niveles del proceso de síntesis.
4. Poder aplicar procesos de síntesis flexibles que permitan al diseñador
mejorar la exploración del conocimiento e ampliar las posibilidades de
exploración durante la síntesis.
5. Potenciar la representación de las intenciones en modelos de síntesis por
medio del lenguaje natural y evitando la ambigüedad.
Este capítulo se divide en siete apartados. Los cinco primeros muestran los niveles
de abstracción del modelo, denominados: función de propósito, función de acción,
comportamiento, estructura y entradas del entorno. El penúltimo apartado explica las
relaciones que enlazan los niveles de abstracción, y en el último describe como soportar la
síntesis por medio del modelo de representación propuesto.
La Figura 39 ilustra el modelo simplificado de síntesis que se detalla en los
siguientes apartados.
4.1 Funciones de propósito

Las funciones de propósito representan las intenciones que se espera alcanzar por
el objeto de diseño. Es el elemento de la representación de mayor nivel de abstracción y se
representa utilizando lenguaje natural.

73
Capítulo 4
Figura 39 – Simplificación del modelo de representación propuesto.
Como ejemplo de posibles funciones de propósito, estarían las funciones de “lavar

ropa”, “proteger componentes internos”, “facilitar acceso”, etc., que definen el propósito
esperado para un determinado diseño. Con esta representación, las funciones están
expresadas en un lenguaje muy familiar para un diseñador, sin embargo existe un problema
de arbitrariedad en la definición de las funciones. Por ejemplo, la función de “lavar ropa”
también se podría decir “quitar suciedad”, “limpiar la ropa”, etc. Para facilitar el desarrollo
de un modelo de síntesis es conveniente evitar esta ambigüedad. Para ello se propone
representar las funciones de propósito haciendo uso del estándar de funciones propuesto
por Hirtz (Hirtz, Stone et al. 2002), que consiste en un conjunto de verbos que se dividen en
tres clases: la primera clase define categorías de verbos, la segunda clase se corresponde con
funciones de tipo genérico; y la tercera, con funciones más específicas. Así, se restringe el
uso de diversos verbos para expresar un mismo significado.
Desde el punto de vista semántico, las funciones de propósito se describen por su
propia intención, sin necesidad de ningún dato adicional para describir su propósito.
Desde el punto de vista sintáctico se adopta la convención verbo + complemento y
se propone representar la función de propósito utilizando los verbos de la segunda clase de
Hirtz (Tabla 7 en el apéndice 1). Así, la función de propósito “lavar ropa” se representa como
“exportar suciedad”.
La función de propósito se corresponde con las funciones de enfoque intencional.
Además, la función de propósito es independiente de la solución, es decir, independiente de

74
los componentes con los cuales se puede implementar el propósito perseguido. Por ejemplo,
al buscar una solución para “transformar energía en momento”, el modelo permitiría
encontrar distintos componentes que implementen esta necesidad. Estas características de
independencia y de enfoque hacia las intenciones ayudan al diseñador a explorar en
distintos dominios del conocimiento.
La Tabla 2 resume las características semántica y sintáctica de una función de
propósito y presenta un ejemplo de aplicación para este nivel de representación.
Tabla 2 – Semántica, sintáctica y ejemplo de función de propósito.
Semántica Sintaxis Ejemplo

Función de Lenguaje natural “regular volumen ocupado” (regulate occupied
Propósito (verbo + complemento) volume)
Verbos de la 2ª clase de
Hirtz.
4.1.1 Simplificación simbólica

La función de propósito se simbolizará gráficamente utilizando el símbolo f i ,
donde el índice i hace referencia a los elementos de la exploración. De forma gráfica, la
función de propósito se representa con una elipse (Figura 40).
Figura 40 - Simplificación simbólica de la función de propósito.
Esta representación coincide con la de función de propósito en el modelo de Deng.
4.2 Función de acción

El nivel de función de acción permite al diseñador definir con mayor grado de
certidumbre cómo implementar las intenciones de diseño. Como función, su enfoque es más
operacional que el de función de propósito.
Desde el punto de vista semántico, una función de acción se describe por medio de
los siguientes atributos:
• Código de identificación
• Descripción: simplificación del objetivo de una función de acción.
Permite identificar el objetivo de una función de acción durante la
exploración.

75
Capítulo 4
• Funciones de propósito: representa aquellas funciones de propósito que

se pueden alcanzar a través de la función de acción.
• Entrada-salida: el flujo de entrada describe el material, energía, señal o
acción que se requiere para la activación de la función de acción, mientras
que el flujo de salida consiste en un material, energía, señal o acción que
se obtendría como resultado de la función de acción. Los flujos se definen
a través de:
o Entrada dirigida: entrada requerida para el funcionamiento del
sistema, que se define a través de sub-atributos que expresan
rangos de valores permitidos para el flujo de entrada.
o Salida funcional: salida resultante de una entrada por aplicación
de una función de acción y que también contiene sub-atributos
con rangos de valores posibles. Esta salida puede actuar como
entrada para otra función de acción. Este atributo indica el
resultado final del funcionamiento de una función de acción o de
un conjunto de funciones de acción.
• Estados inicial y final: representa los estados físicos inicial y final que
puede presentar un componente por efecto de una función de acción. Sin
embargo, en la función de acción no se describen los posibles estados
intermedios.
Desde el punto de vista de la sintaxis, se propone utilizar tanto lenguaje natural
como matemático. Si bien, los atributos de descripción de la función de acción y de lista de
posibles funciones de propósito se representan sólo mediante lenguaje natural.
La representación lingüística de los atributos de función de acción y flujos se realiza
por medio de verbo + complemento, donde los verbos corresponden con los de la tercera
clase de Hirtz (Hirtz, Stone et al. 2002) ( Tabla 8 en el apéndice 1). En su forma matemática,
estos atributos se representan por valores numéricos (fijos o rangos) o bien por ecuaciones
paramétricas.
Al definir las entradas y salidas, el diseñador puede el tipo de flujo (material, señal,
energía o acción). Sin embargo, el modelo no restringe que el tipo de flujo sea lo mismo para
la entrada y salida. De esta manera, el modelo permite al diseñador determinar un tipo de
flujo para la entrada y otro tipo de flujo para la salida. Se puede tomar como ejemplo el caso
de un motor, donde a partir de una entrada de energía se obtiene una salida de movimiento.
La Tabla 3 resume la semántica, la sintaxis y un ejemplo de función de acción.
Esta representación coincide con la de función de acción de Deng, a diferencia de
los sub-atributos de los flujos y de la integración de la representación objeto/acción. En
apartados posteriores, se explica el uso de estos atributos para relacionar una función de
acción con los niveles de comportamiento y de entrada del entorno.

76
Tabla 3 - Semántica, sintaxis y ejemplo de función de acción.
Semántica Sintáctica Ejemplo

Código de Forma matemática AF: 01
Identificación
Descripción Lenguaje natural Regular o reducir el volumen máximo de un
componente hasta un volumen mínimo
Funciones de Lenguaje natural (lista) Regular volumen ocupado
propósito
Entrada-salida Lenguaje natural o Forma Entrada dirigida: Aplicar momento de giro sobre
» Entrada dirigida matemática un segmento de la pata
» Salida funcional 3ª clase de verbos de Salida funcional: Introducir el segmento de la pata
Hirtz en un segmento mayor
Estados inicial y Lenguaje natural o Forma Cambiar de un tamaño máximo a un tamaño
final matemática mínimo
3ª clase de verbos de
Hirtz
4.2.1 Simplificación simbólica

La forma simplificada de representar una función de acción es a través del símbolo
a j , donde el índice j identifica el elemento explorado. De forma gráfica, una función de
acción se describirá a través de una elipse (Figura 41).
Figura 41 - Simplificación simbólica de la función de acción.
4.3 Comportamiento
El nivel de comportamiento indica qué estados intermedios puede asumir un
componente o mecanismo desde la entrada hasta la salida. Estos estados pueden ser
resultado de la interacción entre uno o más componentes o entre un componente y su
entorno.

77
Capítulo 4
Este nivel de representación está referido al componente físico, por lo que sus
atributos no están orientados al usuario. Esta orientación al componente dificulta la
exploración manual por parte del diseñador.
Desde el punto de vista computacional, el comportamiento se define por medio de
los mismos atributos que se han definido para la función de acción, pero además contiene
una descripción de las entradas dañinas y los efectos no deseados o no previstos durante el
funcionamiento del sistema. Así, un comportamiento se describe a través de los siguientes
atributos:
• Descripción: descripción simplificada de los probables estados físicos a
través de los cuales se lograría una salida determinada.
• Entradas y salidas: transformaciones que se realizan entre las entradas y
salidas de energía, material, señal o movimiento. Estas entradas y salidas
contienen los atributos de función de acción más otros atributos que
expresan valores concretos de los flujos de entrada y salida, o bien rangos
de valores más estrechos que los de las funciones de acción.
o Entradas dañinas (o no esperada): entradas no previstas o que
sobrepasan los parámetros máximos/mínimos que son válidos
para el adecuado funcionamiento del sistema. Este nivel
considera los excesos de energía, baja intensidad de fuerzas, etc.
o Efectos no deseados (o salidas no esperadas): salidas que se
obtienen como respuesta a las entradas no esperadas.
Intervienen en el funcionamiento normal del sistema.
• Cadena de estados: cadena o red de estados que puede asumir un
comportamiento durante su actuación en el sistema. Esta representación
de los estados difiere de una función de acción en el sentido de que
permite al diseñador describir todos los estados intermedios durante la
actuación de un comportamiento. En una cadena (Figura 42a), el modelo
de representación considera el estado inicial y el estado final, pero
también permite describir la secuencia lineal de estados que transcurren
entre el inicial y el final. En una red (Figura 42b), los estados intermedios
no son sólo secuenciales, sino que se puede pasar del estado inicial al final
pasando por distintas ramas o secuencias. Estas ramas representan
variaciones sutiles en el comportamiento, y los estados finales permiten
representar distintas formas de salidas (Martel 1998; Thompson y
Heimdahl 1999).

78
Figura 42 - Cadena (a) y red de estados (b) manifestados en un comportamiento.
Para ilustrar los estados organizados en red, la Figura 43 muestra el caso de un

comportamiento de un motor para ventilador según una red de estados que varía de acuerdo
con la entrada de energía. Con la variación de la energía entrante, se alcanzarían diversos
estados, tales como distintas velocidades de salida.
Figura 43 – Ejemplo de una cadena de estados en un comportamiento.
Desde el punto de vista de la sintaxis, todos los atributos utilizan la forma

matemática y el lenguaje natural, con excepción de los atributos de descripción y de lista de
funciones de propósito. En su forma matemática, los atributos valores o intervalos para
describir los flujos.
Al igual que en la función de acción, el atributo de “funciones de propósito” enlaza
los comportamientos con los posibles requerimientos de función, a través de lenguaje
natural (verbo + complemento).

79
Capítulo 4
La Tabla 4 resume la representación semántica y la sintaxis de un comportamiento.
Tabla 4 - Semántica, sintaxis y ejemplo de comportamiento

Código de identificación Forma matemática B: 01
Descripción Lenguaje natural Soportar carga vertical distribuida y
puntual en superficie lisa.
Entrada-Salida (*) Forma Entrada dirigida: Peso inferior a 100
objeto (energía/ material / matemática y kg.
señal) o acción lenguaje natural Salida funcional: Fuerza normal
(movimiento) perpendicular a la superficie.
» Entrada dirigida 3ª clase de verbos de Entrada no esperada: Peso superior a
» Entrada dañina (no Hirtz. 100 kg.
esperada) Efecto no deseado: Rotura de la
» Salida funcional superficie
» Efecto no deseado o
Salida no esperada
Estados inicial-final (*) Forma Estados inicial-final: Estático
» Cadena o red de estados matemática y
lenguaje natural
Funciones de propósito Lenguaje Natural Estabilizar peso puntual o distribuido.
(lista)
(*) Simplificación mediante lenguaje natural de la representación matemática
4.3.1 Simplificación simbólica y gráfica

El comportamiento se simplifica a través del símbolo bk , donde k indica el
elemento extraído durante la exploración. En la representación gráfica, el comportamiento
se representa bajo la forma de un rectángulo (Figura 44).
Figura 44 - Simplificación gráfica del comportamiento y combinación de comportamiento a partir de

una función de acción.

80
Esta representación se basa en la representación de comportamiento que utiliza

Deng. Como contribución de esta tesis, el modelo propuesto integra los flujos de
objeto/acción y el nivel de comportamiento define sub-atributos para:
• Enlazan el comportamiento con las funciones de acción y entradas del
entorno,
• Representar las redes o cadenas de estados.
4.4 Estructuras
La estructura es el nivel de menor grado de abstracción y describe la geometría de
un componente y su configuración física. Desde el punto de vista semántico, la estructura
contiene los siguientes atributos:
• Descripción: describe el componente o mecanismo.
• Funciones de Propósito: relación de las funciones de propósito que
pueden ser alcanzadas por medio de la estructura;
• Funciones de Acción: relación de las posibles funciones de acción que
pueden ser alcanzadas por el componente físico. Este atributo permite al
modelo encontrar un conjunto de posibles estructuras para alcanzar una
función de acción;
• Comportamientos: lista de posibles comportamientos que presenta el
componente. Este atributo es una lista de estados físicos que puede
manifestar el componente durante su funcionamiento en el sistema;
• Definición geométrica: representación geométrica del elemento físico que
define los elementos de contacto de un componente, los puntos de unión,
los grados de libertad, los elementos compatibles, etc. Ofrecen al
diseñador posibles soluciones sobre la forma del producto;
o Geometría sólida: abstracción paramétrica de la forma
geométrica de la estructura.
o Superficies de contacto: conjunto de atributos que permiten al
modelo identificar las superficies que son parte de la
composición entre un elemento físico y otro, y cuyos atributos
son:
Identificación: código para identificación de las
superficies;
Tipo: tipo de superficies, pudiendo asumir valores
como del tipo Plano, Cilíndrico, Cónico truncado, etc.
(Bruno, Giampà et al. 2003);

81
Capítulo 4
DOF (grado de libertad): número de grados de libertad,

que permite al diseñador saber los límites definidos
para los puntos de unión entre componentes;
Superficies de contacto compatibles: relación de las
superficies de contacto que se pueden unir para dar
forma a la alternativa;
Desde el punto de vista de la sintaxis, los atributos referentes al nombre,
descripción y funciones de propósito utilizan el lenguaje natural; y los demás utilizan la
forma matemática (valores numéricos o ecuaciones paramétricas). La Tabla 5 resume la
semántica y la sintaxis del nivel de estructura.
Tabla 5 - Semántica, sintaxis y ejemplo de estructura.

Código de identificación Forma matemática S01
Descripción Lenguaje Natural Soportar cargas en superficie plana
Funciones de propósito Lenguaje Natural (lista) Soportar carga puntual o distribuida
Funciones de acción Referencia (lista) Ninguna
Comportamientos Referencia (lista) Estabilizar peso vertical
Definición geométrica Forma matemática Definición geométrica
Código Código: 0000X6
Geometría sólida (paramétrica) Geometría sólida:
Código de estructuras
Superficies de contacto
Código de identificación,
Tipo,
DOF,
Superficies de contacto
compatibles
Superficies de contacto:
Código de la superficie compatible: 01 –
Plano
Tipo: Plano
DOF: 1
Superficies compatibles: 01 - Plano

82
4.4.1 Simplificación simbólica y gráfica

La Figura 45 ejemplifica la abstracción de información para representar un
componente físico.
Figura 45 – Simplificación de una estructura en datos informáticos.
Las estructuras se representan a través del símbolo s l (Figura 46a). La Figura 46b
representa una cadena o red de componentes que describen un conjunto de componentes
organizados para formar un único mecanismo. A partir de la interacción entre los
componentes de un mecanismo es posible describir comportamientos diferentes de los
comportamientos de los componentes en funcionamiento individual.
Figura 46 - Simplificación gráfica (a) y organización de las estructuras en cadena o red (b).
La definición geométrica se basa en la propuesta de Bruno (Bruno, Giampà et al.

2003) donde un componente debe ser expresado por su geometría y superficies de contacto.
La representación propuesta en este trabajo contribuye con la manera en que se enlaza con
los demás niveles y en la forma en que se enlaza para montar una solución.

83
Capítulo 4
4.5 Entradas del entorno o flujos externos

Además de la información referente a la función, comportamiento y estructura,
también se considera la información sobre los flujos externos requeridos para el
funcionamiento del producto. Estas entradas del entorno consisten en fuerzas, energías,
materiales, fluidos o información externos que se encuentran disponibles en el entorno
(fuera del objeto de diseño) (Britton, Deng et al. 2000). Ejemplos de flujos del entorno son:
energía eléctrica, fuerzas, o cualquier entrada requerida por un objeto de diseño. La
semántica de la entrada del entorno contiene los atributos de:
• Descripción del flujo: en forma de verbo + complemento
• Tipo de flujo: comprende tipo como acción, energía, material o
información.
• Unidad del flujo: unidad que se utiliza para describir el flujo, tal como:
kilogramo, newton, voltios, bytes, etc.
• Valor o intervalo del flujo: describe los valores del flujo
La sintaxis de la entrada se describe con lenguaje natural para todos los atributos,
con excepción de los atributos de código y valor/intervalo que utilizan lenguaje natural. En la
descripción del flujo, el verbo utiliza los mismos verbos descritos en la tercera clase de Hirtz.
La Tabla 6 resume la semántica y la sintaxis del nivel de entradas del entorno.
Tabla 6 - Semántica, sintaxis y ejemplo de entrada del entorno.

Código de identificación Forma matemática E: 01
Descripción Lenguaje Natural Importar fuerza humana
Verbo + complemento 3ª clase de verbos de Hirtz.
Tipo de flujo Lenguaje Natural Acción
Unidad de flujo Lenguaje Natural N
Valor o intervalo de flujo Forma matemática 10 N
La entrada del entorno se relaciona con los niveles de función de acción y

comportamiento por medio de la información que describe el flujo: tipo de flujo y unidad de
flujo.
4.5.1 Simplificación gráfica y simbólica
Una entrada del entorno se representa por el símbolo e p , donde p indica la
entrada obtenida en la exploración. De forma gráfica, los flujos se representan por medio de
un cuadrado (Figura 47).

84
4.6 Relación entre los niveles

Para representar un diseño desde su abstracción funcional hasta su abstracción
física, un modelo de representación debe considerar las diferentes posibilidades de relación
entre los niveles y cual es la información compartida entre ellos.
Figura 47 - Simplificación gráfica de las entradas del entorno y combinación de entradas del entorno a
partir de una función de acción y comportamiento.
Las relaciones entre los niveles de abstracción debe ser tal que permitan al
diseñador solucionar el problema de diseño y evite una posible explosión combinatoria. Esta
forma de búsqueda converge el espacio explorado hacia las necesidades y restricciones de
proyecto (Figura 48). Por medio de este recurso, el diseñador puede formar nuevos
conceptos en menos tiempo y con menos recursos computacionales.
Figura 48 - Convergencia en el proceso de exploración.
Este apartado describe las relaciones internas y externas de los niveles, y los
atributos que utiliza para compartir información en esta relación. Las relaciones internas
indican las relaciones reflexivas que permiten la descomposición o el encadenamiento de
elementos, mientras que las externas indican el enlace de un nivel con los demás.
4.6.1 Visión general de las relaciones
Antes de describir la relación, la Figura 49 muestra una visión general sobre la
manera en que estas relaciones se realizan y en que secuencia actúan durante la síntesis. De

85
Capítulo 4
esta forma se constata la manera en que una alternativa de diseño puede formarse partiendo
de su funcionalidad hasta llegar a su abstracción física.
Las relaciones mostradas en la figura son analizadas considerando los niveles de
forma individual, en los siguientes sub-apartados.
El número indica el
orden de
implementación de
las relaciones
durante la síntesis.
Figura 49 - Visión general de las relaciones en el modelo de representación.
4.6.2 Relaciones con la función de propósito

Para representar un diseño a partir de sus funcionalidades y avanzar en la
construcción de una solución, el diseñador puede explorar elementos con ayuda de la
siguiente secuencia de relaciones (Figura 50):
• Función de propósito – función de acción (1): relación que permite al
diseñador encontrar las funciones de acción que atiendan a las funciones
de propósito ubicadas en los extremos del árbol de funciones de
propósito.
• Función de propósito – comportamiento (2): permite encontrar los
posibles comportamientos que se muestran en determinados
componentes físicos para atender a una función de propósito dada. La
relación también se realiza a través de una lista de funciones de propósito
compartida entre los niveles.

86
• Función de propósito – estructura (3): permite encontrar componentes o

mecanismos físicos que atiendan a una función de propósito dada.
• Función de propósito – función de propósito (4): relación reflexiva que
ayuda a descomponer una función de propósito dada. Las funciones de
propósito se enlazan entre sí por medio de una jerarquía de
descomposición. Esta jerarquía de descomposición consiste en funciones
de propósito organizadas bajo la forma de grafos o matrices.
Figura 50 - Relación existentes a partir de la función de propósito.
Tras definir las funciones de propósito iniciales, el modelo de representación

permite al diseñador adoptar una secuencia de exploración de elementos que implementen
un función de propósito dada. Esta secuencia de exploración empieza con las funciones de
acción, pasa por los comportamientos y llega a las estructuras. En caso de que durante la
síntesis no se encuentre ninguno elemento que implemente las funciones de propósito
iniciales, el modelo considera la función como compleja y busca otras posibles funciones de
propósito que sub-dividan esta función en funciones de propósito más simples. Esta sub-
división permite al diseñador simplificar el problema y facilitar la exploración de otros
elementos.
Esta tarea de buscar elementos que implementen las funciones de propósito antes
de sub-dividirlas equivale al proceso Behavioural Reasoning y Funcional Decomposition
defendida por Zhang (Zhang, Tor et al. 2002b). Ambos procesos previenen la
descomposición exhaustiva de las funciones y evitan la explosión combinatoria.

87
Capítulo 4
4.6.2.1 Relación función de propósito – función de acción

La búsqueda de una función de acción a partir de una función de propósito es la
primera forma de exploración que se realiza tras definir las funciones de propósito iniciales.
Para enlazar un nivel de función con otro, el modelo utiliza el atributo “funciones de
propósito” existente en el nivel de función de acción. A través de este atributo, el diseñador
puede relacionar una lista de posibles funciones de propósito que pueden ser atendidas por
la función de acción encontrada.
En caso de que se encuentre más de una función de acción para implementar las
funciones de propósito, estas funciones son agrupadas y utilizadas para generar diversas
alternativas. Si una función de acción ha sido utilizada para resolver un problema anterior,
se utiliza esta experiencia con el fin de aprovechar soluciones anteriores y ayudar en la
resolución del problema actual. Estas experiencias anteriores se representan en el nivel de
función de acción por medio de cadenas o redes de funciones y permiten al modelo de
síntesis reducir el uso de recursos y del tiempo.
La Figura 51 muestra la exploración/combinación de funciones de acción a partir de
una función de propósito con otras posibles funciones de acción. En la Figura 51a, una
función de propósito se liga a una cadena de funciones de acción que representa un conjunto
de posibles acciones que se ejecutan durante el funcionamiento de un producto. Otra posible
formación existente en la relación función de propósito – función de acción es la
organización en red, a través del uso de los operadores lógicos AND u OR. La red con
operador lógico AND (Figura 51b) permite al modelo generar una alternativa donde se
implementa la función de propósito con dos o más cadenas de función de acción. Es decir,
las ramas que se forman para atender a una función de propósito dad indican todas las
funciones de acción que deben funcionar de forma simultánea en la alternativa de diseño
que se forma. La red de operador lógico OR (Figura 51c) las funciones de propósito atienden
la función de propósito de dos maneras:
• Alternativas independientes: cada rama forma una alternativa de diseño.
{ }
Por ejemplo, la cadena de funciones de acción a j , a j +1 puede formar
una alternativa y la cadena de funciones de acción {a n −1 , a n } puede
formar otra alternativa.
• Alternativa única: las funciones de acción se ejecutan de manera a tornar
el diseño más fiable. Por ejemplo, en el caso de que la función de
propósito f i requiera el suministro de energía eléctrica. Este suministro
puede ser conseguido por la función de acción a j , que abstrae el
comportamiento de una batería, o puede ser conseguido por la función de
acción a n −1 , que abstrae el comportamiento de un trasformador de
energía eléctrica. El diseñador puede optar juntar ambas funciones de
acción, en caso de que una no funcione, la otra función de acción
implementa el suministro requerido.

88
Pero a diferencia del operador lógico AND, el modelo no necesita que estén las dos
formas a la vez en la red de funciones de propósito.
Figura 51 - Formación de cadena (a) o red (b,c) de funciones de acción a partir de una función de
propósito.
4.6.2.2 Relación función de propósito – comportamiento/estructura

En el caso de que el modelo de síntesis no encuentre las posibles funciones de
acción que implementen las funciones de propósito iniciales, el diseñador puede explorar
elementos de niveles inferiores, como el nivel de comportamiento y posteriormente el nivel
de estructura.
Para relacionar el nivel de función de propósito con el comportamiento o
estructura, el modelo de representación utiliza el atributo “funciones de propósito”, de la
misma manera que el nivel anterior de función de acción. Su organización también sigue el
mismo principio, donde permite formar cadenas o redes de comportamiento con los
operadores lógicos AND u OR.
4.6.2.3 Relación función de propósito - función de propósito
Si aún así el modelo de síntesis tampoco encuentra un elemento que implemente
las funciones de propósito, esas funciones son consideradas complejas para resolución por
los elementos disponibles en la base de datos de conocimientos. Así que estas funciones
complejas pasan por un proceso de descomposición, que se realiza a través de una relación
reflexiva en el nivel de función de propósito. Esta relación reflexiva permite al modelo de
síntesis subdividir la función explorada en sub-funciones más simples y así poder encontrar
otros elementos que la implementen.
El modelo organiza las funciones descompuestas en jerarquías de manera que para
el próximo ciclo de resolución da prioridad a las que están ubicadas en los extremos de este

89
Capítulo 4
árbol y que son consideradas las más simples para describir el problema. La organización
jerárquica permite considerar los operadores lógicos AND y OR (Figura 52) de forma
equivalente al nivel de función de acción; donde el primero de tipo AND define que las sub-
funciones se ejecutan de manera simultánea, y la segunda de tipo OR permite implementar
las sub-funciones en dos o más alternativas o implementar de manera redundante para que
se atienda a una función de propósito dada.
La Figura 52 ilustra una descomposición funcional, donde la función f i se divide

en sub-funciones que se agrupan por medio de los operadores lógicos AND y OR. En la
descomposición de tipo AND, funciones { f i +1 ,..., f n } entran en funcionamiento paralelo y
simultáneo para atender a la función original f i . Y en la descomposición de tipo OR,
funciones { f i +1 ,..., f n } pueden formar otras alternativas o actuar de manera redundante en
el sistema.
Figura 52 - Descomposición funcional a través de los operadores lógicos AND y OR.
El proceso de descomposición funcional proporciona al diseñador diferentes

formas de ver un único problema. Sin embargo, a pesar de sus ventajas, el modelo de síntesis
puede presentar descomposiciones cíclicas, en las que una sub-función de propósito
presente en su lista de descomposición una función de propósito igual a la función de
propósito original.
4.6.3 Relaciones con la función de Acción
Una vez definidas las funciones de acción, el modelo de síntesis debe explorar otros
posibles elementos que se conecten a estas funciones de acción. El modelo permite a la
síntesis seguir la siguiente secuencia de relaciones (Figura 53):

90
• Función de acción – entradas del entorno (5): el modelo permite explorar

las entradas disponibles en el entorno con el fin de que el sistema de
diseño pueda funcionar.
• Función de acción – función de acción (6): relación reflexiva que permite
formar cadenas o redes de funciones de acción que componen una
solución. Su enlace se realiza verificando la coincidencia entre las
entradas de una función de acción original y las salidas de una función de
acción explorada.
• Función de acción – comportamiento (7): permite encontrar los estados
físicos que implementen una función de acción. Para ejecutar esta
relación, el modelo verifica la coincidencia entre las entradas de una
función de acción con las entradas de un comportamiento y las salidas de
una función de acción con las salidas de un comportamiento.
• Función de acción – estructura (8): permite implementar para una
función de acción, una estructura física disponible en el banco de datos de
conocimientos. Para relacionar los niveles, el modelo de representación
utiliza una lista que señala las posibles funciones de acción que alcanza la
estructura.
Figura 53 - Relaciones existentes a partir de la función de acción.
4.6.3.1 Relación de función de acción – entradas del entorno

Una vez definida una función de acción, el modelo conduce al diseñador a buscar
posibles entradas disponibles en el entorno que atiendan a las funciones de acción. Así, la
primera exploración ejecutada es la búsqueda de posibles entradas del entorno, que permite
encontrar los elementos externos que proporcionen los flujos necesarios para el
funcionamiento.

91
Capítulo 4
Para enlazar una función de acción a un elemento de entrada del entorno, se

utilizan los dos atributos de tipo de entrada (material, energía, señal o movimiento) y la
unidad adoptada por este flujo (volumen, tensión, etc.).
Esta búsqueda de flujos externos, realizada antes de formar las cadenas de
funciones de acción, permite al modelo controlar la granularidad de las cadenas formadas.
Es decir, antes de buscar otra función de acción que suministre la entrada solicitada por una
función de acción inicial, el modelo constata si esta entrada está disponible en el entorno. En
caso de que exista un flujo disponible, entonces la síntesis combina esta entrada del entorno
con la entrada requerida por la función y termina así la cadena de funciones. La Figura 54
muestra un ejemplo de como se atiende una cadena de funciones de acción.
Figura 54 - Relación función de acción y entradas del entorno.
4.6.3.2 Relación de función de acción-función de acción

En caso de que el modelo no encuentre los posibles flujos externos que coincida
con las entradas requeridas por una función de acción, el diseñador puede conducir la
exploración hacia otras funciones de acción que puedan suministrar estas entradas
requeridas. De esta forma, se va formando una cadena o red de funciones acción hasta que se
vuelva a encontrar una entrada disponible en el entorno que atienda a las entradas
requeridas o hasta que el diseñador detenga el proceso, incluyendo un nuevo flujo externo
para este sistema.
La cadena de funciones de acción formada indica que se ejecutan diversas
funciones de acción para que una función de propósito sea atendida. Para formar una cadena
de funciones de acción, se necesita compartir información de entrada y salida entre estas
funciones. A través de esta información compartida, una función de acción puede guiar la

92
exploración hasta satisfacer la entrada o salida requerida. Es decir, para una determinada
función de acción que presente una entrada y una salida, el modelo explora inicialmente en
el banco de datos de conocimiento todas las posibles funciones de acción que muestren en su
salida la entrada requerida por la función de acción original. De esta forma, el modelo de
síntesis combina las funciones de acción que atiendan a las entradas de función requeridas.
Como ejemplo, para la función de acción “transformar energía en momento” que
requiere energía eléctrica en su entrada, la síntesis explora otras funciones cuya salida sea la
energía requerida (Figura 55).
Figura 55 - Ejemplo de entradas y salidas compartidas en la función de acción.
La cadena formada por la exploración de funciones de acción se muestra en la

Figura 56. En la figura, f i es una función de propósito que describe el problema de diseño y
las demás funciones de acción {a j ,..., an−1 , an } ejecutan los comportamientos necesarios
para atender la función de propósito inicial.
4.6.3.3 Relación de función de acción-comportamiento/estructura
Tras definir las cadenas de funciones de acción, el modelo de síntesis busca formas
de implementar las funciones formadas. En principio explora comportamientos que detallen
las funciones de acción y, posteriormente, explora estructuras que implementen estas
cadenas formadas.

93
Capítulo 4
Figura 56 - Cadena de funciones de acción a partir de una función de propósito.
Al explorar los comportamientos, la síntesis se orienta por medio de los atributos

(entrada y salida) de cada función de acción y les combina con los atributos de relación
(entrada y salida) de los comportamientos. Es decir, para una función de acción dada, la
síntesis explora para encontrar aquellos comportamientos cuya entrada coincida con las
entradas de la función de acción y cuya salida coincida con la salida de la función de acción.
La Figura 57 muestra varias formas en que una función de acción puede hacer coincidir sus
entradas y salidas con las entradas y salidas de un comportamiento.
Figura 57 – Coincidencia de las entradas y salidas de una función de acción con las entradas y salidas de
un o más comportamientos.
Como resultado de esta exploración, el modelo de síntesis combina una sola

función de acción con uno o más comportamientos, organizados en cadena o en red, para
alcanzar las referencias dadas por la función de acción original.

94
En caso de que no se encuentre comportamientos que atiendan a las

entradas/salidas de una función de acción, el modelo explora estructuras que tengan dicha
función de acción como referencia de implementación.
4.6.4 Relaciones con el comportamiento
Cuando la síntesis empieza en el nivel de comportamiento, el diseñador puede
adoptar cuatro procesos diferentes (Figura 58): montar cadenas de comportamientos,
completar el funcionamiento de estos comportamientos con los flujos disponibles en el
entorno, volver a abstraer un comportamiento con otra función de acción o concretar un
comportamiento con algún elemento físico (estructura). Así que, durante la síntesis desde el
nivel de comportamiento existen las siguientes relaciones:
• Comportamiento – entrada del entorno (9): permite al diseñador
considerar los flujos externos con el fin de poner en marcha el
comportamiento o cadena de comportamientos. Esta relación también
permite al modelo de síntesis controlar la granularidad en la formación de
las cadenas de comportamientos, al considerar los flujos para concluir una
cadena de comportamientos.
• Comportamiento – comportamiento (10): permite formar cadenas de
comportamientos que atienden a las entradas/salidas/estados de una
función de acción.
• Comportamiento – Función de Acción – comportamiento (11): permite al
diseñador volver a abstraer un comportamiento explorando una función
de acción, con el fin de encontrar otros posibles comportamientos
disponibles en el banco de datos de conocimientos.
• Comportamiento – Estructura (12): permite implementar los
comportamientos con las estructuras físicas. De esta forma, el diseñador
da forma física a los comportamientos elegidos durante la síntesis.
Figura 58 - Relaciones existentes a partir del comportamiento.

95
Capítulo 4
4.6.4.1 Relación comportamiento-comportamiento

En la relación comportamiento-comportamiento (13), la síntesis genera cadenas en
las que las entradas y salidas de los comportamientos coinciden con la entrada y salida de la
función de acción. Para ello el modelo de síntesis debe encontrar un comportamiento cuya
entrada coincida con la entrada de una función de acción y enlazarlo con otro
comportamiento hasta llegar al último, que será aquel cuya salida coincida con la salida de
esta misma función de acción. La Figura 59 muestra un ejemplo de comportamiento cuya
entrada coincide con la salida del siguiente comportamiento.
Este tipo de relación permite al modelo construir una cadena o una red de
comportamientos para alcanzar una función de acción.
Figura 59 - Combinación comportamiento-comportamiento.
La Figura 60a presenta la formación de una cadena simple de comportamientos, la

Figura 60b y la Figura 60c presentan las dos posibilidades de formación de redes de
comportamientos a través de los operadores lógicos AND y OR. En la red de operador lógico
AND, los comportamientos son ejecutados de manera simultanea para atender a las
funciones de acción, mientras en la red de operador lógico OR, el diseñador opta por
ejecutar de manera redundante la puesta en marcha de varios comportamientos o formar
alternativas independientes con cada cadena de comportamientos.

96
Figura 60 - Comportamientos organizados en cadena (a), red bajo con conector lógico AND (b) o
conector lógico OR (c).
4.6.4.2 Relación comportamiento-entrada del entorno y comportamiento-función de

acción
Cuando existen redes de comportamientos donde las entradas/salidas/estados no
coinciden con las de la función de acción original, la síntesis enfoca su exploración a través
de dos posibilidades:
• Buscar entradas del entorno para terminar la red/cadena. Como resultado,
el modelo liga un extremo de la red de comportamientos con algún flujo
externo disponible en el entorno. La Figura 61 muestra cómo la entrada
del entorno ( e p ) hace concluir uno de los extremos de la red de
comportamientos.

97
Capítulo 4
Figura 61 - Combinación de una cadena de comportamientos a partir de una función de acción.
• La otra opción es buscar funciones de acción para que se vuelva a abstraer

el comportamiento, y así encontrar comportamientos en otros dominios
de aplicación. La Figura 62 muestra cómo se abstrae una función de acción
( a n ) con el fin de posibilitar la exploración y combinación de otros
comportamientos {bk +1 ,..., bn } para atender a las entradas funcionales
requeridas.
Figura 62 - Abstracción de un comportamiento por medio de una función de acción.

98
4.6.4.3 Relación comportamiento-estructura

Tras definir las cadenas y redes de comportamientos que forman una alternativa, el
diseñador implementa por medio de las estructuras disponibles en banco de datos. Estas
estructuras permiten al modelo de síntesis dar una forma física a todos los comportamientos
que se espera de este producto, y así llegar a una solución física para el problema de diseño.
En la relación entre el nivel de comportamiento y el nivel de estructura, el modelo
utiliza en el nivel de estructura un atributo que consiste en una lista de comportamientos que
cada componente o mecanismo puede manifestar durante su funcionamiento en el sistema
(Figura 63). Esta lista relaciona estructuras con comportamientos. De esta forma, un único
comportamiento puede estar presente en diversas estructuras, y permite al diseñador
encontrar diversas estructuras que presente este mismo comportamiento.
4.6.5 Relaciones con la estructura
El nivel de estructura presenta una relación reflexiva, que permite al diseñador
formar cadenas o redes de componentes físicos que pueden implementar funciones de
propósito, funciones de acción y comportamientos. A través de esta relación reflexiva el
diseñador puede constatar si para resolver un problema de diseño se necesita de una única
estructura o de un conjunto de estructuras.
Figura 63 - Comportamientos que pueden manifestar una Estructura.
La estructura posee un conjunto de atributos que favorece el enlace tridimensional

de los componentes físicos, de modo que para ligar una estructura con otra el modelo utiliza
los sub-atributos del atributo de definición geométrica. La interacción entre elementos
tiene lugar compartiendo información sobre un espacio tridimensional, y estas
interacciones espaciales permiten la composición de estructuras en cadena (Figura 64).

99
Capítulo 4
Figura 64 – Formación de red o cadenas de estructuras.
A partir de la construcción de una cadena o red de componentes, el modelo de

síntesis puede dar al diseñador una idea visual del producto tras la combinación de los
componentes o mecanismos (Figura 65).
Figura 65 – Combinación entre superficies de contacto al final de la síntesis.

100
4.6.6 Relaciones con la entrada del entorno

El nivel de entrada del entorno ayuda al diseñador a describir todos los flujos que
intervienen en el funcionamiento del sistema. Desde un punto de vista computacional, la
entrada del entorno controla la formación de las cadenas o redes de funciones de acción y de
comportamientos.
Para implementar el control de ambos niveles, el modelo de síntesis busca
elementos del entorno que atiendan a las entradas dirigida por las funciones de acción o
comportamientos. En esta exploración, los elementos considerados para guiar la búsqueda
son las entradas dirigidas de las funciones de acción o comportamientos que están en los
extremos de las cadenas o redes.
De esta forma, el nivel de entradas del entorno mantiene relación tanto con el nivel
de función de acción como con el de comportamiento (Figura 66).
La relación entre la entrada del entorno con la función de acción busca por
coincidencia entre los atributos de tipo y unidad de flujo de la entrada dirigida de una
función de acción con los atributos de tipo y unidad de flujo de la entrada del entorno.
La relación entre la entrada del entorno con el comportamiento busca por
coincidencia entre los atributos de tipo y unidad de flujo de las entradas dirigidas o dañinas
de un comportamiento con los atributos de tipo y unidad de flujo de las entradas del entorno.
Figura 66 - Relaciones existentes a partir de las entradas del entorno.
El modelo permite al diseñador definir nuevos flujos durante la síntesis. Este

recurso permite al usuario definir en tiempo de ejecución elementos no considerados en el
inicio del proyecto.
4.7 Procedimientos de síntesis de alternativas

El modelo propuesto integra un algoritmo flexible enfocado en el diseñador. Por
defecto, se recomienda iniciar la síntesis siempre por medio del nivel más abstracto de
forma que la formación de alternativas transcurra de forma semi-automática. A diferencia
de los demás modelos, el proceso de síntesis propuesto permite al diseñador empezar desde
cualquiera de los niveles de abstracción: función de propósito, función de acción,
comportamiento y estructura.

101
Capítulo 4
La Figura 68 ilustra cómo transcurre el proceso de síntesis propuesto con ayuda del
modelo de representación del conocimiento descrito en los apartados anteriores.
La síntesis empieza con la siguiente información:
• Los requerimientos de función ( f1 ) o funciones de propósito generales; y
e p , e p+1 , e p+2
• Las entradas existentes en el entorno ( );
Tras definir los datos iniciales, el modelo conduce la exploración para generar
soluciones que atiendan a los requerimientos. La primera operación ejecutada es la
exploración por funciones de acción (I). En caso de que la síntesis no encuentre ninguna que
implemente estas necesidades, el proceso cambia de enfoque para buscar por
comportamientos (II) y posteriormente por estructuras.
En caso de que el modelo no encuentre posibilidades de atender a los
requerimientos iniciales, la síntesis trata estas funciones como complejas y arranca un
proceso de descomposición funcional que divide los requerimientos en problemas más
simples (III). Con estas nuevas funciones fruto de la descomposición, el modelo puede
conducir la búsqueda por nuevos elementos (funciones de acción, comportamientos o
estructuras) que atiendan a las nuevas funciones de propósito.
En el modelo de síntesis propuesto, la simplificación o descomposición funcional
se realiza por medio de reglas y con la intervención del diseñador. Estas reglas permiten al
modelo encontrar descomposiciones de proyectos anteriores.
Tras encontrar y combinar los posibles elementos que atiendan a las necesidades
(función de acción, comportamiento o estructura), el modelo de síntesis toma como
referencia las primeras funciones de acción para seguir con la resolución. A partir de estas
funciones de acción iniciales, el modelo explora entradas del entorno que complementen las
entradas requeridas por una de estas funciones (IV). Las entradas requeridas por una
función de acción indican las entradas que son solicitadas por el sistema de diseño para que
el producto pueda funcionar. En caso de que exista alguna entrada disponible en el entorno
que pueda atender a una entrada de función de acción, el modelo la utiliza para formar la
alternativa generada. En caso contrario, la síntesis cambia de orientación y pasa a explorar
otros conjuntos de funciones de acción cuyas salidas suministren las entradas solicitadas por
la función de acción inicial (V).
La búsqueda de otras funciones de acción que atiendan a estas funciones de acción
iniciales permite al modelo de síntesis formar cadenas o redes de funciones que forman la
alternativa de diseño. En caso de que no haya disponible ninguna función de acción, el
modelo busca elementos más concretos, como los comportamientos (VI) y posteriormente
las estructuras.
Cuando una alternativa muestra solamente comportamientos en los extremos del
árbol, el modelo toma estos comportamientos como referencia para la búsqueda de nuevos
comportamientos cuyas entradas requeridas coincidan con las entradas del entorno. Así que
el siguiente proceso es buscar otros comportamientos (VII) para la formación de cadenas o

102
redes de comportamientos. Las entradas y salidas de estas cadenas o redes tienen que
coincidir con cada una de las entradas y salidas de las funciones de acción con las que
mantiene relación. Mientras esta cadena se forma (Figura 67a), otro proceso paralelo se
ejecuta para encontrar flujos externos que atiendan a las entradas de los comportamientos
(VIII) y así poder terminar una de las ramas auxiliares creadas por las redes de
comportamientos (Figura 67b). Estas ramas indican que la síntesis tuvo que compensar la
falta de comportamientos con soluciones de otros proyectos. Estas soluciones reducen el
tiempo de búsqueda, generando nuevas entradas para que el sistema funcione.
En caso de que no se encuentren comportamientos para seguir con la formación de
cadenas, el modelo abstrae por medio de funciones de acción para buscar otros
comportamientos (IX). Esta abstracción permite al diseñador regresar en el nivel de
abstracción para explorar otras posibilidades de comportamientos en otros dominios de
aplicación y así seguir la síntesis con nuevas soluciones.
Para concluir la exploración de comportamientos, el modelo verifica si las cadenas
creadas atienden a las entradas y salidas de la función de acción. En caso de que así se
verifique, el modelo implementa los comportamientos con abstracciones de los elementos
físicos, buscando soluciones en el nivel de estructuras (X).
Figura 67 - Formación de una cadena de comportamientos (a) y combinación de un flujo externo con la
cadena de comportamientos (b).
Durante la combinación de estructuras, el diseñador puede combinar distintas

estructuras para alcanzar un mismo comportamiento. Esta combinación permite formar
cadenas o redes de estructuras en la alternativa (XI). El proceso termina cuando la síntesis
consigue atender todas las funciones y comportamientos o cuando el diseñador interrumpe
la resolución.

103
Capítulo 4
Figura 68 – Proceso de síntesis propuesto.

104
5 Implementación del modelo
propuesto
Implementación del modelo propuesto
5.1 Introducción
Una vez definido el modelo teórico, se debe implementar, probar y evaluar por
medio de una herramienta computacional que lo reproduzca. Para ello, se implementa un
entorno simbólico que facilita la interacción con el diseñador y la herramienta. Con el fin de
reproducir dicho entorno, la herramienta debe implementar un entorno gráfico flexible y de
fácil interacción. El entorno propuesto muestra el conocimiento explorado bajo la forma de
símbolos y gráficos que facilitan la formación de alternativas. Al final de la formación, la
herramienta muestra las soluciones generadas y los componentes de esta solución.
Este capítulo describe la implementación del modelo computacional, que se ha
aplicado, a modo de ejemplo, el ámbito de muebles de oficina.
5.1.1 Lenguaje y arquitectura de implementación
Se ha implementado la herramienta con el lenguaje Python 2.4. Python es un
lenguaje de programación de alto nivel, interpretado y orientado a objeto. El lenguaje
propuesto es simple, de fácil mantenimiento y con la máxima reutilización de código. Su
arquitectura permite el uso de librerías que reducen el código y facilitan el mantenimiento
de la herramienta.
La implementación de la herramienta se basa en la arquitectura Three-tier, que
consiste en capas que implementan y encapsulan las clases. Estas clases abstraen un
conjunto de objetos con características similares. Las clases se definen por medio de
métodos y atributos que describen los estados de los objetos. La Figura 69 muestra la
división conceptual de la implementación en tres capas y un gestor de banco de datos.
Figura 69 - Capas implementadas
La primera capa implementa la interfaz gráfica que comunica al usuario con el

banco de datos. Esta capa facilita la exploración, captura y navegación por el banco de datos y
está comprendida por clases heredadas de la librería wxPython (Smart, Roebling et al. 2006)
que abre instancias por medio de las Application Programming Interfaces (API) del sistema

107
Capítulo 5
operativo Windows. De esta manera, la herramienta muestra al usuario una interfaz amigable
con ventanas y símbolos.
La segunda capa de implementación se denomina capa de aplicación. Esta capa
sirve de puente entre la interfaz y la capa de comunicación con el banco de datos. Esta capa
implementa los niveles de abstracción del modelo teórico en clases y traduce toda
exploración en objetos. La capa de aplicación reutiliza el código y facilita la portabilidad de la
interfaz a otros medios, como Web, thin-client, client-server, etc.
La tercera capa se denomina capa de comunicación con el banco de datos. Esta capa
sirve de puente entre los objetos y el gestor de banco de datos. Y concentra todo control sobre
los comandos Structures Query Language (SQL), la configuración del servidor de banco de
datos y la estructura de consulta de los datos en una única capa. La relación entre las capas de
comunicación y el gestor de banco de datos se realiza con ayuda del Open Database
Connectivity (ODBC). El ODBC es una interfaz de programación que permite acceder a los
datos por medio del SQL.
La última capa de implementación se denomina banco de datos. Esta capa manipula
el conocimiento y las relaciones con ayuda del gestor de banco de datos Microsoft Access
(MA). El MA es un gestor simple, fácil de manipular y configurar y se encuentra disponible
junto con el conjunto de programas del Office Profesional.
5.1.2 Exploración y captura por medio de las capas de implementación
Las capas implementadas funcionan según se ilustra en la Figura 70. Primero, el
usuario solicita a la interfaz una exploración, por ejemplo, explorar todos los
comportamientos relacionados con una función de acción dada. En base a esta solicitud, la
interfaz envía un comando a la capa de aplicación (1). La capa de aplicación transfiere la
solicitud a la capa de comunicación con el banco de datos bajo la forma de comando (2). La
capa de comunicación traduce el comando en un comando de tipo SQL y se lo envía al gestor
de banco de datos (3). A partir del último comando se obtiene una lista con datos (4 y 5). La
capa de aplicación interpreta estos datos y los traduce en una lista con objetos (6). La interfaz
recibe esta lista de objetos y muestra el resultado al usuario.
Figura 70 - Exploración con ayuda de capas
Además, la herramienta permite al usuario introducir conocimiento. La captura se

realiza según se ilustra en la Figura 71. Primero, la interfaz recibe los datos del usuario y
rellena un objeto con sus distintos parámetros. Después, la interfaz solicita al objeto que
registre este mismo objeto en el banco de datos (1). La capa de aplicación recibe este objeto y
lo traduce en comandos para la capa de comunicación con el banco de datos (2). La capa de
comunicación traduce el comando en un comando de tipo SQL y se lo envía al gestor de

108
banco de datos (3). El gestor recibe este comando y registrar la información en las tablas que
corresponden. En caso de que se realice un error, la interfaz muestra un mensaje de aviso al
usuario. En caso contrario, la interfaz considera que el envío ha sido ejecutado con éxito y
sigue con los demás procesos.
Figura 71 - Captura con ayuda de las capas
El presente capítulo se divide en cinco apartados que explican la implementación

desde la interfaz hasta la representación de los datos.
5.2 Capa de interfaz

Durante la formación de alternativas, el diseñador interactúa con una interfaz
gráfica que traduce el conocimiento del proceso de síntesis en ventanas gráficas y símbolos.
La herramienta ofrece al diseñador una interfaz flexible y que se adapta a los niveles
de abstracción. Menús emergentes se abren mostrando el conocimiento explorado para
conducir la síntesis. Cada menú implementa un conjunto de instrucciones que definen el
proceso de exploración y reciben el soporte de ventanas de apoyo que muestran el resultado
de la exploración y ayudan a capturar el conocimiento.
La capa de interfaz está forma por 4 tipos de elementos que se describen en los
siguientes sub-apartados: ventana principal, diagramas, ventana de apoyo y menús
emergentes.
5.2.1 Ventana principal
La ventana principal permite al diseñador formar y gestionar varias alternativas y
almacenar el conocimiento explorado. Por medio de esta ventana principal, el ser humano
interacciona con los símbolos del modelo y actúa como un agente más del proceso de diseño.
La Figura 72 muestra la ventana principal. En la parte central, se muestran los conocimientos
explorados. En la parte superior, cada pestaña indica una alternativa. Y en la parte inferior,
una barra de estado muestra la situación actual de la alternativa.

109
Capítulo 5
Figura 72 - Ventana principal de la herramienta
En el caso de que el usuario defina una nueva alternativa, la ventana principal crea
una nueva ventana, cuya pestaña aparece en la parte superior. Esta pestaña ayuda el
diseñador a gestionar las alternativas en formación. La Figura 73 muestra cómo activar
distintas alternativas en la herramienta.
Figura 73 - Pestañas y alternativas en la herramienta
La barra de estado muestra la situación actual de la alternativa e indica el número de

funciones de propósito no atendidas, el número de funciones de acción no atendidas y el
número de estructuras existentes en la alternativa, tal como muestra la Figura 74.
Figura 74 - Barra de estado en la herramienta

110
5.2.2 Diagramas
Las clases de tipo diagrama permiten al diseñador manejar símbolos que
representan el conocimiento en la alternativa y que facilitan su manipulación en la
herramienta.
En la herramienta propuesta, se obtienen los diagramas a partir de la síntesis
orientada por los menús emergentes. Estos diagramas indican el código, el nivel de
abstracción del conocimiento y un color que identifica el origen del conocimiento. El color
amarillo indica un conocimiento definido en el inicio del proyecto y el color gris indica un
conocimiento obtenido a partir de una exploración.
La Figura 75 muestra los símbolos de los elementos que se utilizan para formar la
alternativa. Estos símbolos reproducen la misma notación definida en el modelo teórico. De
esta forma, las elipses de códigos [PF: i] y [AF: j] representan las funciones de propósito
(purpose functions) y funciones de acción (action functions) respectivamente, los
rectángulos de código [B:k] representan los comportamientos (behaviours) y los cuadrados
con código [E:p] representan las entradas del entorno (environmental input). La única
diferencia en relación al modelo teórico se presenta en las estructuras (structures), que
reproducen la imagen reducida del componente físico abstraído. Así, el usuario puede
identificar los componentes que componen una solución.
Figura 75 - Símbolos definidos para los niveles de abstracción
Según se ha definido en el modelo, un conocimiento se vincula a otro por medio de

relaciones. Para ello, la herramienta utiliza flechas que enlazan un conocimiento a otro
durante la formación de alternativas. Estos enlaces indican que un conocimiento es
“atendido por” o “forma cadena/red con” otro conocimiento de diferente nivel. La Figura 76
muestra un ejemplo de enlaces en una alternativa.

111
Capítulo 5
Figura 76 - Ejemplo de enlaces entre niveles de abstracción
5.2.3 Ventana de apoyo

La clase de ventanas de apoyo implementan ventanas que permiten al usuario elegir
(selección), registrar (captura) y mostrar el conocimiento (propiedades). Los siguientes
sub-apartados describen las ventanas existentes y los comandos que implementan para cada
nivel de abstracción.
5.2.3.1 Ventanas para el nivel de función de propósito
En el nivel de función de propósito, la ventana de tipo selección se muestra en la
Figura 77. Esta ventana permite explorar las funciones por medio de las siguientes
instrucciones:
• Mostrar todas las funciones de propósito que existen en el banco de datos.
• Mostrar aquellas funciones que descompongan una función de propósito
dada.
• Mostrar todas las funciones menos una única función dada. Esta
instrucción permite indicar nuevas descomposiciones y evitar la
descomposición reflexiva de la función dada.

112
Figura 77 - Ventana de tipo selección para el nivel de función de propósito
Esta ventana presenta el botón “Add function” que activa la ventana de tipo captura
(Figura 78). A través de ella, el diseñador describe una función de propósito por medio de
verbo + complemento. Los verbos utilizados pertenecen a la segunda clase presentada por
Hirtz (Hirtz, Stone et al. 2002), para evitar la ambigüedad al describir una función de
propósito. Después de elegir un verbo, la herramienta muestra su descripción en la barra
inferior de texto. El campo de complemento presenta una zona donde el usuario introduce
texto de manera libre.
Figura 78 - Ventana de tipo captura para el nivel de función de propósito

113
Capítulo 5
La ventana de tipo propiedades muestra la información de la función de acción

elegida. La Figura 79 muestra un ejemplo para la función de propósito “Support internal
load”.
Figura 79 - Ventana de tipo propiedades para el nivel de función de propósito
5.2.3.2 Ventanas para el nivel de función de acción

La Figura 80 ilustra la ventana de tipo selección para las funciones de acción. En su
lado izquierdo se muestra un listado de funciones de acción obtenido como resultado de la
exploración; y en su lado derecho, la información detallada sobre una función seleccionada
en el listado. Esta ventana implementa las siguientes exploraciones:
• Mostrar todas las funciones de acción que existen en el banco de datos de
conocimiento.
• Mostrar aquellas funciones de acción que se relacionen con una función
de propósito dada.
• Mostrar aquellas funciones de acción cuya salida funcional atienda la
entrada dirigida de una función de acción dada.
• Mostrar aquellas funciones de acción cuya salida funcional atienda la
entrada de la función de acción dada y cuya entrada coincida con alguna
entrada disponible en el entorno.
• Mostrar aquellas funciones de acción combinadas en la alternativa cuyas
entradas coincidan con una entrada disponible en el entorno.
• Mostrar aquellas funciones de acción que abstraen la entrada de un
comportamiento. Este recurso permite al diseñador volver a un nivel de
abstracción anterior.

114
Figura 80 - Ventana de tipo selección para el nivel de función de acción
La ventana de tipo captura (Figura 81) considera la siguiente información:

• Breve descripción de la función de acción,
• Los flujos de entrada dirigida y salida funcional que se describen con
verbo (de la tercera clase de Hirtz (Hirtz, Stone et al. 2002)),
complemento, tipo de flujo, unidad de flujo y magnitud del flujo
(constante o rango de valores) y
• Los estados inicial y final.

115
Capítulo 5
Figura 81 - Ventana de tipo captura para el nivel de función de acción
La ventana de tipo propiedades muestra el conocimiento capturado y se ilustra en la

Figura 82.
Figura 82 - Ventana de tipo propiedades para el nivel de función de acción
5.2.3.3 Ventanas para el nivel de comportamiento

La Figura 83 ilustra la ventana de tipo selección para el nivel de comportamiento.
Esta ventana se asemeja a la ventana para el nivel de función de acción, pues su lado
izquierdo muestra un listado obtenido a partir de la exploración; y su lado derecho, los
detalles del comportamiento. Esta ventana implementa las siguientes exploraciones:
• Muestra todos los comportamientos disponibles en el banco de datos de
conocimientos.
• Muestra aquellos comportamientos que se relacionan con una función de
acción dada.

116
• Muestra aquellos comportamientos combinados en la alternativa cuya

entrada coincide con una entrada disponible en el entorno.
• Muestra aquellos comportamientos cuya salida coincida con la entrada de
un comportamiento dado y cuya entrada coincida con la entrada de una
función de acción dada.
• Muestra aquellos comportamientos cuyas salidas coincidan con la entrada
de un comportamiento dado para formar cadenas o redes de
comportamientos.
• Muestra aquellos comportamientos cuyas entradas y las salidas coincidan
con las entradas y salidas de una función de acción dada.
• Muestra aquellos comportamientos cuyas salidas coincidan con la salida
de una función de acción dada.
• Muestra aquellos comportamientos cuya salida coincida con la entrada de
una función de acción dada y regresen de la abstracción de un
comportamiento anterior.
Figura 83 - Ventana de tipo selección para el nivel de comportamiento

117
Capítulo 5
La ventana de tipo captura (Figura 84) implementa cuatro tipos de flujos y un

diagrama de estados. Los flujos describen la entrada dirigida (driving input), entrada dañina
(harmful input), la salida funcional (functional output) y efecto no deseado (side effect).
Además describe los flujos por medio de verbo, complemento, tipo, unidad y magnitud de
flujo. Esta información indica el vínculo con el nivel de funciones de acción. Los verbos
utilizados pertenecen a la tercera clase presentada por Hirtz (Hirtz, Stone et al. 2002).
Figura 84 - Ventana de tipo captura para el nivel de comportamiento
En el nivel de comportamientos se representan los estados intermedios. Para ello,

la herramienta implementa diagramas de estados bajo la forma de símbolos. El usuario
puede acceder a este recurso por medio del botón “Define” en la ventana de captura. La
Figura 85 muestra los símbolos que componen este diagrama y que consisten en:
• Estado inicial: representado por el círculo en blanco en la parte superior.
• Estados intermedios: representados por el rectángulo con esquinas
redondeadas y que guardan la descripción del estado.
• Estados finales: representados por los círculos en negro que finalizan la
red de los estados intermediarios.
De la misma forma que la ventana principal, los símbolos son creados con ayuda de
menús emergentes. Tras definir los estados, un mensaje de “OK – defined” se le presenta al
usuario para indicar que la información es válida.

118
Figura 85 - Ventana para capturar los estados
La Figura 86 ilustra la ventana de tipo propiedades que muestra la información

capturada. Las salidas se agrupan en pestañas para considerar las diversas salidas descritas
en el diagrama de estados.

119
Capítulo 5
Figura 86 - Ventana de tipo propiedades para el nivel de comportamiento.
5.2.3.4 Ventana para el nivel de estructuras

La Figura 87 ilustra la ventana de tipo selección para el nivel de estructuras. Esta
ventana de apoyo permite ver el modelo elegido y su descripción. Como en los niveles
anteriores, la ventana implementa las siguientes exploraciones:
• Mostrar todas las estructuras capturadas en el banco de datos de
conocimientos.
• Mostrar todas las estructuras excluyendo de la lista una estructura dada.
Esta opción permite formar conjunto de estructuras y evitar la relación
reflexiva.
• Mostrar aquellas estructuras que se relacionan con una función de acción
dada.
• Mostrar aquellas estructuras que se relacionan con un comportamiento
dado.
• Mostrar aquellas estructuras que se relacionan con una estructura dada.

120
Figura 87 - Ventana de tipo selección para el nivel de estructura
La Figura 88 ilustra la ventana de tipo captura para el nivel de estructura y permite

definir la siguiente información:
• Descripción del componente,
• La ruta del archivo que contiene el modelo tridimensional en formato
CAD y
• La ruta de la imagen a ser mostrada en la ventana de selección y en la
ventana principal.

121
Capítulo 5
Figura 88 - Ventana de tipo captura para el nivel de estructuras
La Figura 89 ilustra la ventana de propiedades que muestra el conocimiento

capturado.
Figura 89 - Ventana de tipo propiedades para el nivel de estructuras
5.2.3.5 Ventanas para el nivel de entradas del entorno

La Figura 90 ilustra la ventana de tipo selección para el nivel de entradas del
entorno. Como la entrada del entorno presenta la información de un flujo, se incluye
verbo+complemento, tipo y unidad de flujo y valores (constante o rango). Esta ventana
implementa las siguientes exploraciones:

122
• Mostrar todas las entradas del entorno almacenadas en el banco de datos

de conocimiento.
• Mostrar todas las entradas que atiendan a una función de acción dada.
• Mostrar todas las entradas del entorno que atiendan a un comportamiento
dado.
• A partir de una lista de funciones de acción y comportamientos mostrar
aquellas funciones o comportamientos que se relacionan con una entrada
del entorno dada.
• A partir de una lista de funciones de acción no atendidas mostrar aquellas
funciones que se relacionan con una entrada del entorno dada.
• A partir de una lista de comportamientos no atendidos mostrar aquellos
comportamientos que se relacionan con una entrada del entorno dada.
Figura 90 - Ventana de tipo selección para el nivel de entradas del entorno
La Figura 91 ilustra la ventana de tipo captura que permite describir un flujo por
medio desde los siguientes parámetros:
• Verbo (tercera clase de Hirtz),
• complemento,

123
Capítulo 5
• Tipo y unidad de flujo, y

• Magnitud del flujo (contante o rangos).
Figura 91 - Ventana de captura para el nivel de entradas del entorno
La Figura 92 ilustra la ventana de tipo propiedades que muestra el conocimiento

capturado.
Figura 92 - Ventana de tipo propiedades para el nivel de entradas del entorno.
5.2.4 Menús emergentes

La formación de alternativas empieza por la descripción de un problema de diseño.
Para describir este problema, el usuario selecciona las funciones de propósito iniciales y las
entradas disponibles en el entorno. A partir de estas referencias, el proceso de diseño
consiste en explorar y combinar conocimientos hasta completar una alternativa.
A partir de la combinación entre reglas de búsqueda y de la intervención del usuario
se obtienen conocimientos que forman la alternativa. Las reglas convergen la exploración en
el banco de datos y el usuario guía la síntesis. Los menús emergentes implementan las
instrucciones necesarias para acceder a estas reglas, que activan las ventanas. Y estas
ventanas muestran el resultado de la exploración. La elección y el orden de uso de las reglas
se definen por medio del usuario. De esta manera, el propio usuario define el camino más
conveniente para formar alternativas.
El presente apartado describe los menús disponibles a partir de la tarea para
describir un problema de diseño y hasta definir las estructuras en la alternativa.

124
5.2.4.1 Describir un problema de diseño

Un problema de diseño se define a partir de las funciones de propósito (purpose
functions) y de las entradas del entorno (environmental inputs). Sin embargo, el usuario
puede empezar una alternativa desde cualquier nivel de abstracción. Así, la herramienta
muestra opciones que permiten explorar conocimientos de otros niveles.
La Figura 93 muestra los comandos para describir un problema de diseño. Cada
comando implementa las siguientes exploraciones:
1. “Add purpose function”: explora todas las funciones de propósito
disponibles en el banco de datos de conocimientos.
2. “Add action function”: explora todas las funciones de acción.
3. “Add behaviour”: explora todos los comportamientos disponibles.
4. “Add structure”: explora todas las estructuras.
5. “Add environmental input”: explora todas las entradas del entorno.
6. “Creat an empty alternative”: inicia una alternativa vacía que se muestra
en las pestañas superiores de la ventana principal.
7. “Create a snapshot of the alternative”: crea una copia de la alternativa
actual y se la muestra en las pestañas superiores. Por medio de estos
recursos, el usuario puede crear variaciones de una única alternativa.
Figura 93 - Menú inicial para describir un problema de diseño
Según se describe en los puntos 6 y 7, la interfaz permite al diseñador manipular

diversas alternativas. Este recurso se asemeja a la tarea de definir variaciones sobre un único
concepto. Dichos comandos son accesibles durante cualquier etapa del proceso de diseño y
permiten al diseñador enriquecer los conceptos de distintas maneras durante la formación
de la alternativa.
5.2.4.2 Explorar a partir de las funciones de propósito
En el caso de que el usuario elija una función de propósito para comenzar a formar
alternativas, el sistema muestra algunas opciones para explorar funciones de acción,
comportamientos, estructuras o descomponer la función en funciones de propósito más
concretas. Tal como se ha definido en el modelo teórico, la secuencia de exploración no es

125
Capítulo 5
una regla pero sí un orden lógico que evita la descomposición exhaustiva de las funciones de
propósito.
Después de elegir una función de propósito, la herramienta muestra el menú que se
ilustra en la Figura 94. Los comandos de este menú ejecutan las siguientes instrucciones:
1. “Explore action fuctions”: abre una ventana para explorar las funciones de
acción que se relacionan con la función de propósito seleccionada.
2. “Explore behaviours”: abre una ventana con los comportamientos que se
relacionan con la función de propósito seleccionada.
3. “Explore structures”: abre una ventana para explorar las estructuras que se
relacionan con la función de propósito seleccionada.
4. “Decompose this purpose function”: permite al diseñador descomponer
la la función de propósito en sub-funciones de propósito.
5. “Erase this purpose function”: elimina de forma automática la función de
propósito y todos sus elementos vinculados.
6. “Properties”: abre una ventana con las propiedades de la función de
propósito seleccionada.
Figura 94 - Menú emergente para explorar a partir de una función de propósito
5.2.4.3 Explorar a partir de las funciones de acción

Después de definir una función de acción, el usuario puede buscar otras funciones
de acción, comportamientos o estructuras. Al elegir una función de acción, el menú que se
ilustra en la Figura 95 aparece en la herramienta. Las opciones de este menú implementan
los siguientes comandos:
1. “Connect with available environmental input”: abre una ventana que
permite al diseñador elegir una entrada del entorno para la función de
acción. En caso de que exista solamente una opción, la herramienta se
encarga de enlazar ambos de manera automática.
2. “Build chain with environmental input”: busca una función de acción cuya
salida funcional coincida con la entrada dirigida de la función de acción
seleccionada y cuya entrada coincida con alguna de las entradas
disponibles en el entorno. Este comando automatiza la formación de
cadenas de funciones de acción para formar alternativas.

126
3. “Build chain of action function”: abre una ventana para explorar las
funciones de acción cuya salida funcional atienda a la entrada de la
función de acción seleccionada.
4. “Add new environmental input”: permite introducir una nueva entrada en
el entorno. De esta forma, se puede definir una entrada aún no
considerada en el sistema de diseño.
5. “Explore behaviours input and output”: abre una ventana que explora los
comportamientos cuya entrada dirigida coincida con la entrada de la
función de acción elegida y cuya salida funcional coincida con la salida de
la misma función de acción.
6. “Explore behaviours output”: permite explorar los comportamientos cuya
salida funcional coincida con la salida funcional de la función de acción.
7. “Explore structures”: permite explorar las estructuras que se relacionan
con la función de acción seleccionada.
8. “Erase this action function” y “Properties”: ejecutan comandos similares a
las instrucciones equivalentes de la función de propósito.
Figura 95 - Menu emergente que permite explorar a partir de una función de acción
La función de acción puede mostrarse de tres formas distintas. Para ello, el menú
emergente se adapta según cada variación (Figura 96). Los tres casos se describen de la
siguiente forma:
• Función de acción sin entrada dirigida (Figura 96a): el menú muestra las
opciones para explorar comportamientos para atender a su salida
funcional.
• Función de acción con entrada dirigida y salida funcional (Figura 96b): el
menú muestra las opciones para ejecutar todos los comandos de explorar
para este nivel.

127
Capítulo 5
• Función de acción que abstrae un comportamiento (Figura 96c): el menú

permite volver al nivel de comportamientos y explorar elementos de los
demás niveles.
Figura 96 - Tres tipos de funciones de acción que pueden ser exploradas: a) Función de acción sin
entrada dirigida, b) función de acción con entrada dirigida y salida funcional y c) función de acción
combinada a partir de un comportamiento abstraído.
5.2.4.4 Explorar a partir de los comportamientos

Cuando se elige un comportamiento, un menú emergente muestra los comandos
que se ilustran en la Figura 98. Estos comandos implementan las siguientes acciones:
1. “Connect with available environmental input”: permite encontrar
entradas disponibles en el entorno que coincidan con la entrada dirigida
del comportamiento.
2. “Explore behaviours to attend action function”: permite explorar
comportamientos cuya salida funcional coincida con la entrada del
comportamiento seleccionado y cuya entrada dirigida coincida con la

128
entrada de la función de acción vincula al comportamiento seleccionado.

Esta exploración indica el fin de la cadena o red de comportamientos que
atiende a los flujos de una función de acción.
3. “Explore other behaviours”: permite explorar comportamientos cuya
salida coincida con la entrada del comportamiento seleccionado.
4. “Revert the abstraction of this behaviour”: permite volver a explorar
funciones de acción cuya salida coincida con la entrada del
comportamiento seleccionado. Esta exploración permite volver a los
niveles superiores de abstracción (Figura 97).
Figura 97 - Ejemplo de combinación entre comportamiento - función de acción - comportamiento
1. “Explore structures”: permite explorar estructuras que se relacionan con

el comportamiento seleccionado.
2. “Add new environmental input”: permite introducir nuevas entradas en el
entorno.
3. “Erase this behaviour” y “Properties”: comandos equivalentes a los del
nivel de función de propósito.
Figura 98 - Menú emergente que explorar a partir de un comportamiento seleccionado

129
Capítulo 5
5.2.4.5 Exploración a partir de las estructuras

Al seleccionar una estructura, la herramienta muestra el menú que se ilustra en la
Figura 99. Las opciones implementan las siguientes acciones:
1. “Connect another structure”: permite explorar estructuras que se
relacionan con la estructura seleccionada.
2. “Erase this structure” y “Properties”: comandos equivalentes a los del
nivel de función de propósito.
Figura 99 - Menú emergente que permite explorar a partir de una estructura
5.2.4.6 Explorar a partir de las entradas del entorno

Al seleccionar una entrada del entorno, la herramienta muestra el menú que se
ilustra en la Figura 100. Las opciones implementan las siguientes acciones:
1. “Refresh connection”: automatiza el enlace entre la entrada del entorno
seleccionada y las entradas dirigidas de las funciones/comportamientos.
2. “Connect with action function”: permite encontrar funciones de acción en
la alternativa cuya entrada dirigida coincida con la entrada seleccionada.
3. “Connect with behaviour”: permite encontrar comportamientos en la
alternativa cuya entrada dirigida coincida con la entrada seleccionada.
4. “Erase this environmental input” y “Properties”: comandos equivalentes a
los del nivel de función de propósito.
Figura 100 - Menú emergente que permite explorar a partir de una entrada del entorno
5.2.4.7 Capturar el conocimiento con ayuda de los menús

Esta herramienta permite capturar el conocimiento e introducir la información en
el banco de datos. De esta forma, el diseñador aprovecha el conocimiento de proyectos
anteriores e introduce nuevos conocimientos. En el presente estudio, el proceso de captura

130
del conocimiento se analiza bajo dos aspectos: los elementos capturados y las técnicas de
captura utilizadas.
Desde el punto de vista de los elementos considerados en la captura, los menús
orientan la captura de nuevos conocimientos y nuevas relaciones entre niveles de
abstracción. Casi todos los niveles se relacionan por medio de referencias, con excepción de
las funciones de acción, comportamientos y entradas del entorno, que ligan sus relaciones
por la coincidencia entre los flujos de entrada y salida.
Desde el punto de vista de las técnicas de captura, los menús permiten capturar
elementos antes y durante la formación de alternativas. Antes de la formación, el diseñador
utiliza la técnica “bottom-up”; y durante la formación, se utiliza la técnica “top-down”. La
técnica “bottom-up” consiste en describir nuevos conocimientos a partir de los
componentes físicos hasta sus intenciones. Mientras que la técnica “top-down” parte de las
funciones de propósito y va detallando hasta llegar a los componentes físicos.
Como ejemplo de la técnica “bottom-up”, el diseñador utiliza el comando “Add
structure” en el menú emergente de la ventana principal (1). En la ventana principal,
ilustrada por la Figura 101, el usuario marca la opción “Add new structure” (2). Por medio de
la ventana abierta, el diseñador puede registrar una nueva estructura (3). Después, se pueden
añadir nuevos comportamientos, funciones de acción y funciones de propósito al banco de
datos de conocimientos de la misma manera.
Figura 101 – Comando que permite registrar una nueva estructura (“bottom-up”)

131
Capítulo 5
Como ejemplo de la técnica “top-down”, el usuario explora funciones de acción a

partir de una función de propósito (Figura 102). A partir del menú principal, el usuario
explora funciones de acción para atender a la función de propósito seleccionada (1). En caso
de que no encuentre la función deseada, se puede indicar un nuevo vínculo por medio del
botón “Select another” (2). Un proceso similar puede ser ejecutado para los demás niveles de
abstracción.
5.3 Capa de aplicación

La capa de aplicación pasa las solicitudes de la interfaz a la capa de comunicación
con el banco de datos por medio de objetos. La capa de aplicación implementa clases de tipo
alternativas, funciones de propósito, funciones de acción, comportamientos, estructuras,
entradas del entorno y clases auxiliares como flujos y verbos. La clase “alternativas” controla
gran parte de la formación de alternativas y gestiona las demás clases. Por medio de ella, la
interfaz permite explorar, combinar y eliminar el conocimiento de la alternativa.
Las siguientes sub-apartados explican la manera en que esta capa explora y captura
el conocimiento y la forma en que las clases principales y auxiliares implementan sus
atributos y procedimientos.
Figura 102 - Elección o exclusión de una función de acción a partir de una función de propósito (“top-
down”)

132
5.3.1 Exploración por medio de la capa de aplicación

La exploración consiste en solicitar datos a la capa de comunicación con el banco de
datos y traducir los datos recibidos en objetos para mostrarlos en la interfaz. Cada instancia
de un objeto representa una unidad de conocimiento sobre un determinado nivel de
abstracción (función de propósito, función de acción, comportamiento, estructura o entrada
del entorno).
El Cuadro 1 y la Figura 103 muestran un ejemplo de cómo se manipula el
conocimiento con ayuda de la capa de aplicación. Los procedimientos ejecutados por una de
sus clases son:
1. La interfaz abre una instancia de una de las clases del nivel de abstracción.
Por ejemplo, purposeFunctions.
2. Después, envía una solicitud a esta instancia (1). Por ejemplo, el comando
ListAll() que lista todas las funciones de propósito.
3. La capa de aplicación recibe esta solicitud y crea una instancia de la clase
dbPurposeFunctions que pertenece a la capa de comunicación con el
banco de datos.
4. Seguidamente, la aplicación envía a la instancia un comando
ShowAllOrdered() que lista todas las funciones de propósito
ordenadas por verbo y complemento (2).
5. A partir del comando enviado se obtiene una lista con todas las funciones
de propósito con la misma estructura en que se almacena (5).
6. La capa de aplicación utiliza el comando Passa() para traducir esta lista
de funciones de propósito en un conjunto de objetos de tipo
purposeFunctions.
7. Al final del proceso, la capa de aplicación devuelve una lista de objetos a la
interfaz (6).
8. La interfaz muestra la información recibida al usuario.
Figura 103 - Exploración con ayuda de la capa de aplicación

133
Capítulo 5
Capa de interfaz
foo = purposeFunctions()
listOfObjects = foo.ListAll()
for eachObject in listOfObjects:
print “Id: “ + eachObject.id
print eachObject.verb + “ “ + eachObject.complement
campo1.text = eachObject.id
campo2.text = eachObject.verb
campo3.text = eachObject.complement
Capa de aplicación
class purposeFunctions:
def __init__(self):
# Definicion de los atributos
self.id = None
self.verb = ""
self.complement = ""
self.parent = ""
self.childs = []
self.description = ""
def ListAll(self):
# Lista todas las funciones de propósito
func = dbPurposeFunctions()
lista = func.ShowAllOrdered()
return self.Passa(lista)
def Passa(self, fList):

# organiza las tuplas en objetos de tipo purposeFunctions
lFunctions = []
for i in fList:
# Rellena los objetos con la información de las tuplas
fNew = purposeFunctions()
fNew.id = i.id
fNew.verb = i.verb
fNew.complement = i.complement
fNew.description = i.description
lFunctions.append(fNew)
return lFunctions
Cuadro 1 - Exploración de función de propósito por medio de la capa de aplicación.
5.3.2 Captura por medio de la capa de aplicación

Durante la captura del conocimiento, la capa de aplicación organiza los datos
provenientes de la interfaz y los envía a la capa de comunicación con el banco de datos. La
información capturada por la capa de aplicación se distingue en dos: el conocimiento y las

134
relaciones entre los niveles de abstracción. Esta capa considera la información capturada y
no la técnica de captura.
El Cuadro 2 y la Figura 104 describen el proceso de captura de conocimiento:
1. La interfaz crea una instancia de un objeto de la capa de aplicación, por
ejemplo función de propósito.
2. Después, la interfaz repasa la información de los campos para el objeto.
3. Después, la interfaz utiliza el comando Insert() para capturar la
información de este objeto en el banco de datos (1).
4. Dentro de la capa de aplicación, el objeto utiliza el comando
SearchVerbComplement(self.verb, self.complement) para
verificar la posible redundancia en el banco de datos.
5. Seguidamente, la aplicación utiliza el comando Insert() para enviar a la
capa de comunicación con el banco de datos una solicitud de captura (2).
Figura 104 - Captura de conocimiento con ayuda de la capa de aplicación.
Capa de interfaz
pfObj = purposeFunctions() # Crea un objeto de
# función de propósito
# Rellena el objeto con los datos
pfObj.verb = campo1.text
pfObj.complement = campo2.text
pfObj.Insert()
Capa de aplicación
def __init__(self):
# Define los atributos de una función de propósito
self.id = None
self.verb = ""
self.complement = ""
def Insert(self):
# Certifica si los datos no existen en el banco
if not self.SearchVerbComplement(\

135
Capítulo 5
self.verb, self.complement):
db = dbPurposeFunctions()# Abre la capa de DB
# Envía los datos
db.Insert(self.verb, self.complement)
# Obtiene el código del último objeto añadido
rows = db.GetLastId()
for i in rows:
self.id = i.lastId
Cuadro 2 - Captura de función de propósito por medio de la capa de aplicación.
5.3.3 Clases principales

Las clases implementadas contienen los atributos y procedimientos que manipulan
los datos sobre cada nivel de conocimiento. Los siguientes sub-apartados describen la clase
de alternativas, que gestiona la formación de las alternativas en la herramienta y las clases de
función de propósito, función de acción, comportamiento, estados, estructura y entradas del
entorno.
5.3.3.1 Clase para el control de las alternativas
La capa de aplicación implementa una clase llamada alternativas, cuyo objetivo es
gestionar las demás clases, mantener la información sobre las alternativas y orientar los
menús y la interfaz. La clase alternativas contiene listas que almacenan el conocimiento de
las alternativas. La Figura 105 muestra los procedimientos de esta clase.

136
Figura 105 - Procedimientos implementados por la clase Alternatives.
5.3.3.2 Clase de funciones de propósito

La clase de funciones de propósito presenta los mismos atributos definidos en el
modelo teórico, tales como: el código de identificación, el verbo y el complemento. La Figura
106 muestra los procedimientos implementados por la clase purposeFunctions.

137
Capítulo 5
Figura 106 - Procedimientos implementados por la clase de funciones de propósito.
5.3.3.3 Clase de funciones de acción

La clase de función de acción encapsula el código de identificación, la descripción,
los flujos y los estados. La Figura 107 muestra los procedimientos de esta clase.
Figura 107 - Procedimientos implementados por la clase de funciones de acción.
5.3.3.4 Clase de comportamientos

La clase de comportamientos encapsula el código, descripción, flujos y una
referencia para el diagrama de estados. La Figura 108 muestra los procedimientos de esta
clase.

138
Figura 108 - Procedimientos implementados por la clase de comportamientos.
Se han implementado dos nuevas clases para representar los estados inicial, final e
intermedios de un comportamiento. La clase de comportamientos utiliza un atributo para
vincular un comportamiento a este conjunto de estados.
5.3.3.5 Clase de estados
Dos clases han sido implementadas para considerar los estados. La clase entidad de
estado (entityState) considera la información sobre cada unidad de estado. Estos estados
pueden ser inicial, final o intermedio y permiten representar la información del flujo para
los estados inicial y final. La clase estados (states) contiene listas que agrupan conjuntos de
entidades de estado para formar un diagrama de estados.
La Figura 109 muestra todos los procedimientos implementados por las clases
states y entityState.
Figura 109 - Procedimientos implementados por las clases states y entityState.

139
Capítulo 5
5.3.3.6 Clase de estructuras

La clase de estructuras abstrae el componente físico y encapsula la información
descrita en el modelo teórico. La Figura 110 muestra los procedimientos implementados por
esta clase.
Figura 110 - Procedimientos implementados por la clase de estructuras.
5.3.3.7 Clase de entradas del entorno

La clase entradas del entorno (environmental input) describe los atributos de
código, descripción y flujo y utiliza la coincidencia de flujos para relacionarse con los niveles
de función de acción y comportamiento. La Figura 111 muestra los procedimientos que esta
clase implementa.
Figura 111- Procedimientos implementados por la clase de entradas del entorno.

140
5.4 Capa de comunicación con el banco de datos

La capa de comunicación con el banco de datos actúa como puente entre la capa de
aplicación y el gestor de banco de datos. Esta capa proporciona los procedimientos
necesarios para explorar, modificar y registrar datos en las tablas del gestor de banco de
dados. También encapsula los comandos SQL, la configuración con el gestor y la estructura
de los datos manipulados. La capa permite al programador modificar el gestor sin que afecte
las demás capas de implementación manteniendo así el control con el banco de datos. En
caso de que haya un aumento en la cantidad de información manipulada, el programador
puede trasladar los datos a un gestor más robusto, tal como MySQL, PostGRES, Oracle, etc.
Los siguientes sub-apartados describen la exploración, la captura y las relaciones
entre conocimientos.
5.4.1 Explorar por medio de la capa de comunicación con el banco de
datos
Durante la exploración, la capa de aplicación solicita una consulta a un objeto de la
capa de comunicación con el banco de datos. A partir de esta solicitud, se traducen los
parámetros en comandos SQL. La capa de comunicación con el banco envía estos comandos
al gestor de banco de datos y recibe una lista con datos de la exploración. A partir de esta
lista, se envía la información a la capa de aplicación que traduce esta lista en objetos.
El Cuadro 3 y la Figura 112 muestran el código para explorar por medio de la capa de
comunicación con el banco de datos, donde la instrucción “ShowAllOrdered()” (2 y 3)
devuelve un conjunto de datos (4 y 5) a la capa de aplicación. La exploración en los demás
niveles de abstracción se realiza de manera equivalente.
Figura 112 - Exploración con ayuda de la capa de comunicación con el banco de datos.
Capa de aplicación
def ListAll(self):
# Lista todas las funciones de propósito
func = dbPurposeFunctions()
lista = func.ShowAllOrdered()
return self.Passa(lista)

141
Capítulo 5
Capa de comunicación con el banco de datos

import pyodbc
class database:
def __init__(self):
self.cnxn = pyodbc.connect('DSN=01')
self.cursor = self.cnxn.cursor()
def Show(self, SQL):

# Comando propio del modulo pyodbc
self.cursor.execute(SQL)
row = self.cursor.fetchall()
self.cursor.close()
return row
class dbPurposeFunctions:
def ShowAllOrdered(self):
SQLCommand = "SELECT * FROM purposeFunctions "+\
"ORDER BY verb, complement;"
db = database()
rows = db.Show(SQLCommand)
return rows
Cuadro 3 - Exploración de función de propósito por medio de la capa de comunicación con el banco de
datos.
5.4.2 Relación entre los niveles de abstracción

La relación entre los niveles de abstracción se controla por medio de los comandos
SQL, para reducir el código en las demás capas de implementación y el tiempo de
procesamiento, ya que las iteraciones se realizan dentro del gestor de banco de datos. Ese
principio reduce el tiempo de las búsquedas.
Como ejemplo de una exploración entre niveles, el Cuadro 4 muestra el comando
SQL para descomponer una función de propósito dada.
def ShowAllRelatedWithPurposeFunction(\
self, PurposeFunctionId):
SQLCommand = ("SELECT * FROM purposeFunctions "+\
" WHERE id IN ("+\
"SELECT idPurposeFunctionsChild "+\
"FROM purposeFunctionsTree WHERE "+\
"idPurposeFunctionsParent = %d );" %\
PurposeFunctionId)
db = database()
rows = db.Show(SQLCommand)
return rows

142
Cuadro 4 - Relación de descomposición en el nivel de función de propósito por medio de la capa de

comunicación con el banco de datos.
5.4.3 Captura del conocimiento por medio de la capa de comunicación

con el banco de datos
La captura del conocimiento por medio de la capa de comunicación permite
traducir la información recibida de la capa de aplicación en comandos SQL. La captura
abarca dos tipos de conocimientos: el del nivel de abstracción y el de las relaciones entre los
niveles de abstracción, que son independientes de la técnica de captura.
El Cuadro 5 y la Figura 113 muestran la captura de una función de propósito en el
banco de datos. La capa de comunicación recibe los datos sobre la función de propósito del
nivel de aplicación, después, traduce los parámetros (verbo y complemento) en un comando
SQL. Seguidamente, se ejecuta el comando Execute(SQL), que envía el comando SQL al
gestor de banco de datos. En caso de que haya un error, se muestra un mensaje de aviso al
usuario.
Figura 113 - Captura con ayuda de la capa de comunicación con el banco de datos.

class database:
def __init__(self):
self.cnxn = pyodbc.connect('DSN=01')
self.cursor = self.cnxn.cursor()
def Execute(self, SQL):

self.cursor.execute(SQL)
self.cnxn.commit()
def Insert(self, verb, complement):
# Envia la información en la tabla purposeFunctions
SQLCommand = "INSERT INTO purposeFunctions " +\
" (verb, complement) "+\
" VALUES ('%(verb)s', '%(complement)s' );"
i = ['verb': verb, 'complement': complement]
db = database()
db.Execute(SQLCommand % i)
Cuadro 5 - Captura de función de propósito por medio de la capa de comunicación con el banco de
datos.

143
Capítulo 5
En la captura de la relación, la capa de comunicación con el banco de datos envía

ambos códigos de la relación al gestor que se encarga de registrar en las tablas. El Cuadro 6
muestra el código que captura la relación de descomposición entre dos funciones de
propósito.
def InsertPFWithPF(self, ParentId, ChildId):
SQLCommand = ("INSERT INTO purposeFunctionsTree ( "+\
"idPurposeFunctionsParent, idPurposeFunctionsChild) "+\
"values ( %d , %d );" % (ParentId, ChildId))
db = database()
db.Execute(SQLCommand)
Cuadro 6 - Captura de una relación entre funciones de propósito por medio de la capa de
comunicación con el banco de datos.
5.5 Capa de banco de dados

5.5.1 Recursos utilizados
La capa de banco de datos representa el gestor o servidor de datos y la estructura en
que se almacena la información. Se utiliza el gestor de banco de datos Microsoft Access (MA)
y la comunicación con el banco de datos se realiza por medio de la interfaz de programación
ODBC.
5.5.2 Estructura del conocimiento en el banco de datos
La estructura para almacenar los datos sirve de base para que el gestor pueda
guardar el conocimiento de los proyectos desarrollados en banco de datos. La información
almacenada puede ser explorada y combinada en nuevos conceptos por la herramienta.
Los datos de esta capa de implementación se agrupan en tablas jerarquizadas y
estructuradas, según su nivel de abstracción. Las tablas reproducen la misma estructura
definida por el modelo teórico y traducen el lenguaje natural y la forma matemática en
recursos del propio gestor. A partir de las mismas, se puede capturar, explorar y manipular el
conocimiento para resolver los problemas de diseño.
La Figura 114 muestra un diagrama con todas las tablas definidas en el modelo
teórico. Los detalles sobre las tablas están disponibles en el apéndice.

144
Figura 114 - Tablas que contienen el conocimiento en la capa de banco de datos.

145
Capítulo 5
El gestor almacena tablas auxiliares que relacionan los distintos niveles de

abstracción. Estas tablas se relacionan por medio de códigos asignados a cada conocimiento.
La Figura 115 muestra las tablas implementadas, cuyos detalles se adjuntan en el apéndice.
Figura 115 - Tablas auxiliares en la capa de banco de datos.
El propósito de cada tabla es el siguiente:

• PurposeFunctionsTree: guarda la descomposición entre funciones de
propósitos.
• PurposeFunctions_actionFunctions: relaciona un elemento del nivel de
función de propósito con otro del nivel de función de acción.
• PurposeFunctions_behaviours: relaciona una función de propósito con un
comportamiento.
• PurposeFunctions_structures: enlaza una función de propósito con una
estructura.
• ActionFunctions_structures: enlaza una función de acción con una
estructura.
• Behaviours_structures: enlaza un comportamiento con una estructura.
• StructuresTree: enlaza dos estructuras.

146
6 Ejemplo de aplicación y
evaluación del modelo
Ejemplo de aplicación y evaluación del modelo
Este capítulo presenta la aplicación de la herramienta para un caso de diseño,

muestra los resultados obtenidos durante la resolución y al final contrasta los objetivos de la
investigación con estos resultados. El ámbito del diseño se restringe al campo del diseño
mecánico, en concreto el diseño de muebles.
Antes de aplicar el caso de diseño, se ha utilizado la herramienta para capturar el
conocimiento necesario en banco de datos. Este conocimiento ha sido obtenido por medio
de catálogos de componentes para muebles. A partir de estos componentes, se han definido
las estructuras, comportamientos y las funciones. Durante la captura se ha aplicado la técnica
bottom-up. Las tareas realizadas durante la captura han sido:
• Abstraer la geometría de los componentes físicos en formato CAD,
• Describir los datos sobre las estructuras en la herramienta,
• Describir los posibles comportamientos que presentan el componente,
• A partir del comportamiento se abstrae y describe las funciones de acción,
y
• A partir de las funciones de acción se definen las posibles funciones de
propósito.
Al final del proceso de captura, se han almacenado 20 estructuras, 35
comportamientos, 28 funciones de acción y 18 funciones de propósito.
Los siguientes apartados describen el caso de aplicación, después se muestra la
resolución de dos alternativas y al final se contrastan los objetivos con los resultados
obtenidos.
6.1 Definición del problema

El caso de diseño empieza con una necesidad: facilitar al usuario escribir sobre un
soporte. La intención inicial se traduce a la función de propósito “Support writing activity”
(Soportar actividad de escribir). Se traduce el peso del usuario en la entrada del entorno
(environmental input) “Position a vertical load” (Posicionar una carga vertical).
A partir de la función de propósito y de la entrada del entorno, la herramienta
conduce al diseñador para converger la exploración del espacio de soluciones. En base a las
funciones de propósito definidas, la herramienta explora y combina funciones de acción,
comportamientos y estructuras que forman las alternativas.
El nivel de estructuras considera las superficies de cada componente físico de la
alternativa. Por medio de esta información, el diseñador puede definir la unión entre las
estructuras físicas y abstraer de la forma del producto.
6.2 Aplicación del modelo de síntesis al caso de estudio

Este apartado muestra la resolución del problema de diseño con ayuda de la
herramienta, utilizando algunos conocimientos previos registrados en el banco de datos. Por

149
Capítulo 6
medio de este ejemplo, se reproducen los pasos seguidos para formar algunas de las
alternativas.
El ejemplo comienza definiendo una función de propósito y una entrada del
entorno. Al final se muestran las alternativas generadas con ayuda de la herramienta.
6.2.1 Formación de alternativas
El programa se activa con la primera alternativa vacía. A partir de esta alternativa, el
usuario registra la función de propósito “Support writing activity” (Soportar actividad de
escribir) y la entrada del entorno “Position a vertical load” (Posicionar una carga vertical).
Ambos elementos aparecen en la alternativa según se ilustra en la Figura 116.
Figura 116 - Función de propósito y entrada del entorno que forman la alternativa parcial.
Tras definir la función de propósito inicial, se exploran las funciones de acción que
atienden a la misma. Como la herramienta no sugiere ninguna función de acción, se pasa a
explorar comportamientos y seguidamente estructuras. Después de verificar que ningún
elemento atiende a la función de propósito, el usuario la descompone.
En la descomposición, la herramienta explora funciones de propósito que
subdividen la función de propósito seleccionada (Figura 117). Después, el usuario elige las
funciones “Stabilize horizontal plan” (Estabilizar plano horizontal) y “Support structure”
(Soportar estructura), para proporcionar un plano horizontal y soportar dicho plano.

150
Figura 117 - Resultado de la descomposición para la función de propósito "Support writing activity".
La Figura 118 ilustra la descomposición de la función “Support writing activity”

(Soportar actividad de escribir) en las dos sub-funciones elegidas.
Figura 118 - Funciones que descomponen a la función de propósito "Support writing activity".

151
Capítulo 6
Seguidamente, se toma la sub-función PF:2 - “Stabilize horizontal plan”

(Estabilizar plano horizontal) para explorar funciones de acción que la implementen. Como
resultado de esta exploración se obtienen las funciones de acción mostradas en la Figura 119,
entre las que se selecciona, por ejemplo, la de estabilizar un plano horizontal “Stabilize
horizontal plan” (Estabilizar plano horizontal).
Figura 119 - Exploración de funciones de acción para la función de propósito "Stabilize a horizontal
plan".
En base a esta función de acción, el usuario explora entradas disponibles en el

entorno que coincidan con la entrada dirigida de la misma. Tras solicitar esta búsqueda, la
herramienta envía el mensaje de aviso que se ilustra en la Figura 120.

152
Figura 120 - Ventana para confirmar la conexión automática entre la función de acción con la entrada
del entorno disponible.
En caso de que el usuario elija la conexión automática, la alternativa enlaza ambos

elementos y presenta la configuración ilustrada por la Figura 121.
Figura 121 - Alternativa definida después de la combinación entre función de acción y la entrada
disponible en el entorno.
Después, la herramienta permite al usuario seguir con la exploración de otras

funciones de acción para formar una red o buscar comportamientos que implementen esta
función de acción. Por medio del menú emergente, el usuario elige el comando “Explore
behaviours input and output” (Explorar comportamientos entrada y salida) para explorar

153
Capítulo 6
comportamientos cuyas entradas y salidas con la entrada y salida de la función de acción. Por
medio de esta exploración, la herramienta proporciona los comportamiento que se ilustran
en la Figura 122, con la única opción “Stabilize horizontal plan” (Estabilizar plano
horizontal) disponible en el banco de datos.
Figura 122 - Comportamientos que resultan de la exploración a partir de función de acción “Stabilize a
horizontal plan” (Estabilizar plano horizontal).
Seguidamente, el usuario hace coincidir la entrada del comportamiento con una

entrada disponible en el entorno, lo que enlaza ambos conocimientos en un proceso
equivalente al proceso aplicado en el nivel de función de acción. Después, el usuario busca
estructuras que implementen el comportamiento seleccionado. La Figura 123 muestra el
resultado de la exploración de estructuras.

154
Figura 123 - Resultado de la exploración de estructuras a partir del comportamiento "Stabilize

horizontal plan".
De las dos estructuras disponibles, se selecciona, por ejemplo la estructura “Plan”

(Plano). La Figura 124 ilustra la alternativa parcial formada en la herramienta.

155
Capítulo 6
Figura 124 - Configuración de la alternativa tras elegida la estructura "Plan".
Tras concluir una función de propósito, el usuario elige la función de propósito PF:
5 “Support structure” (Soportar estructura), a partir de la cual se obtienen las funciones de
acción que se ilustran en la Figura 125.

156
Figura 125 - Resultado de la exploración de funciones de acción à partir de la función de propósito

"Support structure".
Seguidamente, el usuario incluye la función de acción “Transport load”

(Transportar carga) para transportar el peso de un extremo a otro de la estructura. De esta
forma, la entrada dirigida de esta nueva función de acción coincide con la entrada disponible
en el entorno E:2. La Figura 126 muestra la ventana con la alternativa parcial.

157
Capítulo 6
Figura 126 - Ventana capturada después de incluir nuevas funciones de acción.
Después, se utiliza el comando “Explore behaviours input and output” (Explorar

comportamiento entrada y salida) que explora comportamientos para las funciones de acción
seleccionadas (Figura 127).

158
Figura 127 - Comando utilizado para explorar comportamientos a partir de una función de acción.
Tras enviar la solicitud de explorar comportamientos para las funciones “Secure

structure” (Sujetar estructura) y “Transport load” (Trasladar carga), se obtiene los
comportamientos “Support vertical plan” (Soportar plano vertical) y “Support structure”
(Soportar estructura) para la función de acción “Secure structure” (Figura 128).
Figura 128 - Exploración de comportamientos que atienden a la función de acción "Secure structure".

159
Capítulo 6
La Figura 129 ilustra cómo quedarían los comportamientos combinados con las
funciones de acción.
Figura 129 - Configuración de la alternativa después de combinados los comportamientos “Support

structure” (B:7) y “Transport load” (B:33).
A partir de los comportamientos elegidos, el usuario explora estructuras. La Figura

130 y Figura 131 muestran las estructuras encontradas para los comportamientos “Support
structure” (Figura 130) y “Transport load” (Figura 131).

160
Figura 130 - Exploración de estructuras para comportamientos "Support structure"
Figura 131 - Exploración de estructuras para comportamientos “Transport load”.

161
Capítulo 6
A partir de las estructuras elegidas, la alternativa presentaría la forma que se ilustra

en la Figura 132.
Figura 132 - Configuración de la alternativa después de combinadas dos estructuras.
Después, el diseñador reproduce los mismos pasos para generar la cadena de

funciones de acción, comportamientos y estructuras para formar un segundo conjunto de
estructuras. La Figura 133 ilustra como quedaría la alternativa al combinar las estructuras.

162
Figura 133 - Configuración de la alternativa después de duplicada la cadena de funciones de acción,

comportamientos y estructuras.
Al final de la exploración, la alternativa quedaría formada por las siguientes

estructuras (Figura 134).
Figura 134 - Combinación entre superficies de la primera alternativa.

163
Capítulo 6
Tras terminar una alternativa, el diseñador utiliza el comando “Create a snapshot of

the alternative” (Crear una imagen instantánea de la alternativa) con el fin de crear una
nueva alternativa modificando la actual. La Figura 135 ilustra el menú con este comando.
Figura 135 - Acceso al comando "Create a snapshot of the alternative".
Después se modifica esta nueva alternativa con una nueva descomposición de la

función de propósito en la que se añade la función “Regulate height” (Regular altura). La
Figura 136 muestra la alternativa formada con la nueva función.

164
Figura 136 - Función de acción "Regulate height" añadida a la descomposición de la función "Support
writing activity".
La Figura 137 muestra el resultado de la exploración de funciones de acción que

atienden a la función de propósito “Regulate height”, para la que se necesita dos funciones
de acción: “Increase height” (Aumentar altura) y “Decrease height” (Reducir altura), que se
seleccionarían para esta alternativa.

165
Capítulo 6
Figura 137 - Funciones de acción que atienden a la función de propósito "Regulate height".
Tras utilizar ambas funciones de acción, la alternativa quedaría como se ilustra en la

Figura 138.
Figura 138 - Funciones de acción combinadas para atender a la función de propósito "Regulate height".

166
Al explorar las entradas disponibles en el entorno que coincidan con las entradas de
las funciones de acción, la herramienta muestra un mensaje de aviso que se ilustra en la
Figura 139. Este mensaje comenta que no existen entradas en el entorno que coincidan con
las entradas dirigidas de las funciones de acción seleccionadas.
Figura 139 - Mensaje de aviso sobre las entradas de entorno disponibles que no atienden a la función
de acción elegida.
Así que, el usuario debe incluir una nueva entrada en el entorno para atender a las
funciones de acción. Para ello, explora entradas del entorno con el banco de datos, y se
obtienen aquellas que coinciden con las entradas de las funciones de acción (Figura 140).
Figura 140 - Exploración de entradas del entorno que pueden atender a la entrada dirigida de la
función de acción “Increase height”.
Después de elegir la entrada “Import human force” (Importar fuerza humana) y

enlazar esta entrada con las funciones de acción no atendidas, la alternativa presenta la
forma que se ilustra en la Figura 141.

167
Capítulo 6
Figura 141 - Configuración de la alternativa después de renovados los enlaces entra las funciones de
acción y las entradas del entorno.
El próximo paso es explorar comportamientos y estructuras que implementen la

función de acción, obteniéndose la alternativa de la Figura 142, en donde se ha añadido el
comportamiento “Increase height twisting” (B:9) (Aumentar altura rotando) para la función
de acción “Increase height” (AF:6) y el comportamiento “Decrease height twisting” (B:10)
(Reducir altura rotando) para la función de acción “Decrease height” (AF:5).

168
Figura 142 - Resultado final después de combinados los comportamientos y las estructuras.
De esta manera, la alternativa final formada presenta las estructuras descritas por la
Figura 143.
Figura 143 - Combinación entre superficies de la segunda alternativa.

169
Capítulo 6
6.2.2 Alternativas generadas

A partir de una única función de propósito se pudo formar dos alternativas como
ejemplo (Figura 145 y Figura 146). En el ejemplo realizado, al final de la síntesis, se han
generado 14 alternativas distintas para una única función de propósito. La Figura 144 ilustra
estas alternativas.
Figura 144 - Posibles formas de productos definidos con base en el resultado de la síntesis.

170
Figura 145 - Primera solución generada para la función de propósito "Support writing activity"

171
Capítulo 6
Figura 146 - Segunda solución generada para la función "Support writing activity".

172
6.3 Evaluación del modelo

Con ayuda del caso de aplicación se ha comprobado que el modelo propuesto
cumple los tres objetivos definidos en la investigación.
El modelo de representación del conocimiento propuesto se basa en el marco FBS y
aplica el estándar de verbos de Hirtz (Hirtz, Stone et al. 2002). Por medio de este modelo de
representación se logra atender al objetivo de representar el conocimiento en diversos
niveles de abstracción partiendo de un lenguaje más cercano al usuario y al mismo tiempo
evitando las ambigüedades.
Después, se ha definido un conjunto de relaciones entre los niveles de abstracción
de este modelo de representación. El modelo presentado implementa trece relaciones
posibles entre los niveles de abstracción mientras que otros modelos ofrecen cantidad
inferior, puesto que tratan el diseño de forma lineal, como ejemplo, el modelo de Deng
(Deng 2002) ofrece seis posibles de relaciones; el modelo de Chakarbarti (Chakrabarti,
Langdon et al. 2002), Lossack (Lossack 2002) y Bracewell (Bracewell 2002) ofrecen tres
posibles relaciones; el modelo de Campbell (Campbell, Cagan et al. 2003), Bentley (Bentley
1999b), Li (Li 1998), Parmee (Parmee 2001) y Zavbi (Zavbi y Duhovnik 2000) ofrece una
posible relación, etc. Por medio de estas relaciones, el diseñador puede explorar
conocimientos de manera flexible, abstraer un problema de difícil resolución o volver en la
exploración de niveles superiores. Con este recurso, se amplían las posibilidades de
búsqueda y la formación de alternativas, cumpliéndose con el objetivo de mejorar la
exploración del conocimiento e incrementar los posibles caminos a seguir en el proceso de
síntesis.
Al final, se ha implementado una herramienta computacional flexible que permite
manipular y capturar conocimientos en un entorno grafico adaptable al proceso de
resolución. Con ayuda de esta herramienta, el diseñador puede explorar conocimientos y
converger la exploración por medio de reglas entre los niveles de abstracción. Por medio de
esta herramienta se pudo certificar el aumento de la interacción entre el diseñador y el
conocimiento durante la síntesis. El entorno gráfico implementado permite ejecutar las
siguientes tareas:
• Empezar la síntesis a partir de cualquier nivel de abstracción.
• Explorar con ayuda de menús emergentes. Los menús emergentes se
adaptan al conocimiento manipulado y la orientación dada por el
diseñador.
• Volver a explorar en niveles superiores de abstracción. Este recurso
permite abstraer un problema y encontrar soluciones en otros enfoques
de aplicación.
• Manipular más una alternativa. Por medio de este recurso, el diseñador
puede manipular diferentes alternativas o crear variaciones de las
alternativas en una misma interfaz.

173
Capítulo 6
• Capturar el conocimiento antes y durante la formación con ayuda de las

técnicas de captura top-down y bottom-up.
• Almacenar la experiencia adquirida en proyectos anteriores. Por medio de
este recurso, el diseñador genera nuevas alternativas y reutiliza la
experiencia de proyectos anteriores.
• Obtener un perfil sobre los enlaces de ensamblaje permitidos entre los
componentes físicos. Con ayuda de este recurso, el diseñador puede
definir la mejor manera de ensamblar los elementos y producir la mejor
forma física para el producto.
• Formar alternativas parando por distintos procesos de resolución.

174
7 Conclusiones y trabajos futuros
Conclusiones y trabajos futuros
Esta investigación propone un modelo de síntesis para el soporte del diseño que
permite al diseñador resolver un problema desde la funcionalidad del producto hasta llegar a
una abstracción física de la solución.
Las contribuciones de este modelo son:
• Permitir al diseñador representar los elementos externos (entradas o
flujos del entorno) que afectan el funcionamiento del sistema en varios
niveles de representación y ampliar la información para representar
dichos flujos, lo cual permite controlar la exploración evitando que el
número de alternativas formadas se expanda de una manera
descontrolada. Este recurso extiende la propuesta de otros modelos, ya
que utiliza más atributos para definir las entradas del entorno. Por lo
tanto, esta aportación permite aplicar los flujos del entorno a más de un
nivel de representación del conocimiento.
• Utilizar un estándar de lenguaje que evite la ambigüedad en la
representación de las funcionalidades. Esto proporciona diversas
ventajas, la principal de ellas es que se puede comenzar a diseñar sin
necesidad de adaptarse en gran medida al modelo de soporte, ya que el
punto de partida utiliza un lenguaje muy cercano al diseñador.
• Ampliar la información representada por los modelos actuales así como
las relaciones entre los niveles. Esto permite:
o Aumentar la interacción con el diseñador.
o Favorecer la exploración en el espacio de conocimientos.
o Generar redes formadas por elementos de diseño (función de
acción, comportamiento y estructura). Estas redes dan lugar a un
mayor número de posibles alternativas de solución.
o Llegar a niveles inferiores pasando por mayor o menor número
de niveles intermedios en función de cada caso concreto.
o Facilitar la exploración en otros dominios del conocimiento, ya
que comienza desde un nivel muy abstracto.
Con estas contribuciones se mejora la síntesis al permitir buscar soluciones en
otros dominios de aplicación y se reduce el tiempo y el uso de recursos durante el diseño. Y
además de esto, permite al diseñador formar alternativas de distintas maneras por medio de
distintos procesos de razonamiento.
Por otra parte, el análisis de los métodos de evaluación proporciona una manera de
examinar el modo en que estos métodos han evolucionado durante los años y durante la
evolución de los modelos de síntesis. A través de este análisis se constata que:
• La evaluación no ha sido tratada de forma relevante en la mayoría de los
modelos de síntesis, en comparación con otras tareas.

177
Capítulo 7
• Al definir un modelo de síntesis, se debe considerar y potenciar un

método de evaluación que conduzca de forma fiable la síntesis.
• El método de evaluación a ser propuesto debe considerar la información
representada en el banco de datos de conocimiento y debe tener como
enfoque principal aquello que se espera alcanzar en la síntesis.
Ignorar la evaluación o tratarla sin relevancia implica generar soluciones de poca
fiabilidad o sin garantía sobre su realización ya que la evaluación es una tarea relevante, que
indica cuáles son los mejores caminos para resolver un diseño.
A partir de los resultados y conclusiones, se identifican algunas posibles tareas a
desarrollar en futuros trabajos. Con la extensión del presente trabajo, se espera facilitar la
aplicación del modelo de representación propuesto a diversos algoritmos de síntesis y
ampliar el alcance del modelo actual.
1. Tratar los efectos no deseados: compensar los posibles fallos de
funcionamiento del sistema de diseño a través de la inclusión de nuevas
funciones. Los efectos no deseados son todas aquellas salidas que no son parte
de los valores esperados durante el funcionamiento de un producto o que
pueden perjudicar el funcionamiento de todo un sistema. Por ejemplo: ruido,
vibraciones, condensación, etc. Tratar estos efectos implica que el modelo de
síntesis pueda sugerir nuevas funciones al producto para compensar los
problemas ocasionados por estas salidas no deseadas. Para compensar este
inconveniente, el diseñador podrá recibir del modelo propuestas de solución
para estos efectos no deseados. Este tipo de compensación puede agregar valor
diferenciado al producto.
2. Restricciones durante la exploración: restringir la búsqueda de funciones,
estructuras o comportamientos dentro de intervalos de valores que limiten el
alcance del proyecto. Las restricciones se pueden aplicar a diversos elementos
del proyecto, como costes, tiempo de fabricación, potencia, consumo, etc. Con
ayuda de estos valores límite es posible guiar en mayor medida la exploración y
evitar la combinación de componentes que están fuera de las expectativas del
proyecto.
3. Nivel semántico de soporte a la exploración: agregar una relación semántica
entre los niveles de función de propósito y función de acción para ampliar la
exploración del conocimiento y posibilitar las inclusiones futuras de otros
dominios de aplicación, por ejemplo, utilizando las ontologías o taxonomías
(Yoshioka y Tomiyama 1999; Mizoguchi 2003). Unir estos dos conceptos con el
uso de ontologías implicaría ampliar el rango de recursos explorados durante
la síntesis.
4. Método de evaluación: definir un método eficiente de evaluación que permita
al diseñador considerar los múltiples criterios relacionados con el ciclo de
vida. Valorar los criterios con mayor exactitud y evaluar de manera segura las
funciones exploradas y las alternativas generadas en cada ciclo de la síntesis.

178
Conclusiones y trabajos futuros
5. Integrar evaluación con representación: agregar información que permita que

los niveles de abstracción ofrezcan datos que permitan evaluar las funciones y
alternativas. La inserción de dichos datos dará el soporte necesario para que el
proceso de evaluación actúe en la exploración y en la síntesis de nuevas
soluciones.

179
Referencias
Referencias
Bentley, P. (1999a). An introduction to evolutionary design by computers. Evolutionary

Design by Computers. Bentley, P. Londres, Inglaterra, Elsevier.
Bentley, P. y Wakefield, J. (1997). "Conceptual evolutionary design by genetic algorithms."

Engineering Design and Automation Journal 3(2): 119 - 131.
Bentley, P. J. (1999b). From coffee tables to hospitals: generic evolutionary design.

Evolutionary Design by Computers. Bentley, P. J. Londres, Elsevier: 405-423.
Bentley, P. J. y Wakefield, J. P. (1996). "Conceptual evolutionary design by a genetic

algorithm." Engineering Design and Automation Journal 2(3): 119 - 131.
Blessing, L. y Chakrabarti, A. (2002). DRM: A Design Research Methodology. The Science of

Design-The Scientific Challenge for the 21st Century, Lyon, Francia.
Blessing, L., Chakrabarti, A., et al. (1995). A design research methodology. ICED´1995,
Praga.
Bouyssou, D., Marchant, T., et al. (2000). Evaluation and decision models: a critical
perspective. Massachusetts, EEUU, Kluwer Academic.
Bracewell, R. (2002). Synthesis based on function–means trees: Schemebuilder.

Engineering Design Synthesis - Understanding, Approaches and Tools.
Chakrabarti, A. Londres, Inglaterra, Springer-Verlang: 199-212.
Bracewell, R. y Sharpe, J. (1996). "Functional Descriptions used in Computer Support for

Qualitative Scheme Generation-"Schemebuilder"." AIEDAM 10(4): 333-346.
Britton, G., Deng, Y., et al. (2000). Functional Design: A systems viewpoint. Singapore: 54.
Bruno, F., Giampà, F., et al. (2003). A Methodology to support designer creativity during the
conceptual design phase of industrial products. International Conference on
Engineering Design, ICED 03, Stockholm, Sweden, Design Society.
Campbell, M., Cagan, J., et al. (2003). "The A-Design approach to managing automated
design synthesis." Research in Engineering Design 14: 12 - 24.
Campbell, M. I., Cagan, J., et al. (1998a). Agent-based synthesis of electromechanical design
configurations. ASME Design Engineering Technical Conferences, Atlanta, GA.

183
Campbell, M. I., Cagan, J., et al. (1998b). A-Design: theory and implementation of an
adaptive, agent-based method of conceptual design. Artificial Intelligence in
design, Lisbon, Portugal.
Campbell, M. I., Cagan, J., et al. (1999). "A-Design: an agent-based approach to conceptual
design in a dynamic environment." Research in engineering design 11: 172-192.
Chakrabarti, A. (1991). (Phd) Designing by functions. Department of Engineering.

Cambridge, University of Cambridge: 254.
Chakrabarti, A. (1998). Supporting two views of function in mechanical designs. AAAI 1998.
Madison.
Chakrabarti, A. (2006). Defining and supporting design creativity. International Design

Conference - Design 2006, Dubrovnik, Croatia.
Chakrabarti, A. y Johnson, A. (1999). Detecting side effects in solution principles.

International Conference on Engineering Design, ICED´99, Munich.
Chakrabarti, A., Langdon, P., et al. (2002). An approach to compositional synthesis of

mechanical design concepts using computers. Engineering Design Synthesis.
Understanding, approaches and tools. Chakrabarti, A. Londres, Springer-Verlag:
179 - 194.
Chakrabarti, A., Sarkar, P., et al. (2005). "A functional representation for aiding biomimetic
and artificial inspiration of new ideas." Artificial intelligence for engineering
design,analysis and manufacturing(AIEDAM) 19: 113-132.
Chandrasekaran, B. (2005). "Representing function: relating functional representation and

functional modeling research streams." Artificial Intelligence for Engineering
Design, Analysis and Manufacturing (AIEDAM) 19: 65-74.
Chandrasekaran, B., Goel, A., et al. (1993). Functional representation as design rationale.
Clement, S., Jordan, A., et al. (2004). The use of evolutionary algorithms in prototypes in
engine development at Volkswagen AG. MTZ.

184
Referencias
Clement, S., Jordan, A., et al. (2003). The autogenetic design theory - an evolutionary view of
the design process. International Conference on Engineering Design - ICED,
Stockholm.
Cross, N. (1994). Engineering design methods. Strategies for product design. Chichester,
John Wiley & Sons.
Cvetkovic, D. y Parmee, I. C. (1999). Genetic algorithm-based multi-objective optimisation

and conceptual engineering design. Evolutionary Computation, Washington, DC.
Deng, Y. (2002). "Function and behavior representation in conceptual mechanical design."

Artificial Intelligence for Engineering Design, Analysis and Manufacturing -
AIEDAM 16: 343-362.
Deng, Y. M. (1999). A computerized design environment for functional modeling of

mechanical products. 5th ACM symposium on Solid modeling and applications,
Ann Arbor, Michigan, ACM Press.
Deng, Y. M., Briton, G. A., et al. (1998). "A Design Perspective of Mechanical Function and
its Object-Oriented Representation Scheme." Engineering with Computers 14:
309-320.
Deng, Y.-M., Britton, G. A., et al. (2000). "Constraint-based functional design verification
for conceptual design." Computer-Aided Design 32(14): 889-899.
Dorst, K. y Vermaas, P. E. (2005). "John Gero’s Function-Behaviour-Structure model of

designing: a critical analysis." Research in Engineering Design 16: 17-26.
Esterline, A. y Kota, S. (1992). "A General paradigm for routine design - theory and
implementation." Artificial Intelligence in Engineering Design, Analysis, and
Manufacturing 6(2): 73-93.
Far, B. H. y Elamy, A. H. (2005). "Functional reasoning theories: problems and

perspectives." Artificial Intelligence for Engineering Design, Analysis and
Manufacturing (AIEDAM) 19: 75-88.
Gero, J. S. (1990). "Design prototypes: a knowledge representation schema for design." AI

magazine 11(4): 26 - 36.

185
Gero, J. S. y Kannengiesser, U. (2002). The situated function-behaviour-structure
framework. Artificial Intelligence in Design 02. Gero, J.
Gero, J. S. y Kannengiesser, U. (2006). "A function-behaviour-structure ontology of

processes." Design Computing and Cognition '06: 407-422.
Goldberg, D. E. (1989). Genetic algorithms in search, optimization, and machine learning.

Illinois, EEUU, Addison-Wesley Pub. Co.
Green, G. (2000). "Towards integrated design evaluation: validation of models." Journal of

Engineering Design Vol 11(2): 121-132.
Hatchuel, A., Masson, P. L., et al. (2004). C-K theory in practice: lessons from industrial
applications. International Design Conference - Design 2004, Dubrovnik.
Hatchuel, A. y Weil, B. (2003). A new approach of innovative design: an introduction to C-K

theory. ICED'03 - International Conference on Engineering Design, Stockholm,
Sweden.
Hirtz, J., Stone, R., et al. (2002). "A functional basis for engineering design: reconciling and
evolving previous efforts." Research in Engineering Design 13: 65 - 82.
Horvath, I. (2000). Conceptual design - inside and outside. 2nd Seminar and Workshop
EDIPro, Poland.
Horvath, I. (2004a). On some crucial issues of computer support of conceptual design -

What to consider in order to be successful. Product Engineering: Eco-design,
technologies and green energy, Brasov, Romania.
Horvath, I. (2004b). "A treatise on order in engineering design research." Research in

engineering design 15: 155-181.
Jin, Y., Li, W., et al. (2005). "A hierarchical co-evolutionary approach to conceptual design."
Cirp Annals-Manufacturing Technology 54(1): 155-158.
Karnopp, D. y Rosenberg, R. C. (1968). Analysis and Simulation of Multiport Systems: The

Bond Graph. Cambridge, MA, MIT Press.

186
Referencias
Kazakçi, A. O. y Tsoukias, A. (2005). "Extending the C–K design theory: a theoretical

background for personal design assistants." Journal of Engineering Design 16(4):
399-411.
Kitamura, Y. y Mizoguchi, R. (2004). "Ontology-based systematization of functional

knowledge." Journal of Engineering Design 15(4): 327-351.
Klein, R. (2000). "Knowledge modeling in design-the moka framework." Artificial

Intelligence in Design'00: 77-102.
Kota, S. y Chiou, S.-J. (1992). "Conceptual design of mechanisms based on computational

synthesis and simulation of kinematic building blocks." Research in Engineering
Design 4: 75-87.
Li, C.-l. (1998). Conceptual design of single and multiple state mechanical devices : an
intelligent CAD approach. Mechanical Engineering. Hong Kong, University of
Hong Kong: 347.
Li, C. L., Chan, K. W., et al. (1999a). "Automatic design by configuration space: an automatic
design system for kinematic devices." Engineering Applications of Artificial
Intelligence 12: 613-628.
Li, C. L., Chan, K. W., et al. (1999b). "A configuration space approach to the automatic
design of multiple-state mechanical devices." Computer Aided Design 31: 621-653.
Li, C. L., Tan, S. T., et al. (1996). "A qualitative and heuristic approach to the conceptual
design of mechanisms." Engineering applications of artificial intelligence 9(1): 17-
31.
Li, G., Bracewell, R., et al. (2001). A knowledge framework to support engineering design.
Eighth ISPE International Conference on Concurrent Engineering.
Liu, Y., Chakrabarti, A., et al. (2000). "A computational framework for concept generation
and exploration in mechanical design further developments of function." Artificial
Intelligence in Design '00: 499 - 519.
Lossack, R. (2002). Design process and context for the support of design synthesis.
Engineering Design Synthesis. Understanding, Approaches and Tools.
Chakrabarti, A. Londres, Springer-Verlag: 213 - 227.

187
Lossack, R. S., Umeda, Y., et al. (1998). Requirement, function and physical principle
modelling as the basis for a model of synthesis. Computer Aided Conceptual
Design'98.
Maier, J. R. A. y Fadel, G. M. (2001). Affordance: the fundamental concept in engineering

design. DETC'01 - ASME 2001 - Design Engineering Technical Conference and
Computers and Information in Engineering Conference, Pittsburgh, PA, EEUU.
Maier, J. R. A. y Fadel, G. M. (2002). Comparing function and affordance as bases for design.
DETC'02 - ASME 2002 - Design Engineering Technical Conferences, Montreal,
Canada.
Martel, A. (1998). Applications of ergonomics and consumer feedback of product design at

Whirlpool. Human factors in consumer products. Stanfor, Taylor & Francis: 107-
126.
Mizoguchi, R. (2003). Tutorial on ontological engineering - Part 1: Introduction to

Ontological Engineering. New Generation Computing. OhmSha&Springer. 4: 365-
384.
Mulet, E. (2003). Análisis experimental y modelización descriptiva del proceso de diseño.

Departamento de Proyectos de Ingeniería. Valencia, Universidad Politécnica de
Valencia: 248.
Pahl, G. y Beitz, W. (1986). Systematic Approach to the Design of Technical Systems and
Products. Berlin, VDI Society for Product Development, Design and Marketing: 1-
32.
Pahl, G. y Beitz, W. (1996). Engineering Design. A Systematic Approach. Londres, Springer.
Parmee, I. (1996). "Towards an optimal engineering design process using appropriate

adaptative search strategies." Journal of Engineering Design 7(4).
Parmee, I. C. (2001). Evolutionary and adaptive computing in engineering design. Londres.
Parmee, I. C. y Bonham, C. R. (2000). "Towards the support of innovative conceptual design

through interactive designer/evolutionary computing strategies." Artificial
Intelligence for Engineering Design, Analysis and Manufacturing (AIEDAM) 14: 3-
16.

188
Referencias
Parmee, I. C., Cvetkovic, D., et al. (2000). "Multiobjective satisfaction within an interactive
evolutionary design environment." Evolutionary computation 8(2): 197-222.
Roozenburg, N. F. M. (2002). Defining synthesis: on the senses and the logic of design
synthesis. Engineering Design Synthesis. Understanding, approaches and tools.
Chakrabarti, A. Londres, Springer-Verlag: 3-18.
Saaty, T. L. (1990). How to make a decision: the analytic hierarchy process. Pitsburgh: 39.
Sim, S. K. y Duffy, A. H. B. (2003). "Towards an ontology of generic engineering design

activities." Research in Engineering Design-Theory Applications and Concurrent
Engineering 14(4): 200-223.
Smart, J., Roebling, R., et al. (2006). wxWidgets 2.6.3: A portable C++ and Python GUI
toolkit. 2007.
Sridharan, P. y Campbell, M. I. (2005). "A study on the grammatical construction of function

structures." Artificial Intelligence for Engineering Design, Analysis and
Takeda, H., Hamada, S., et al. (1990). A cognitive approach to the analysis of design
processes. Design theory and methodology.
Takeda, H., Tomiyama, T., et al. (1992). A logical and computable framework for reasoning
in design. Design theory and methodology (DTM'92), The American Society of
Mechanical Engineers (ASME).
Takeda, H., Veerkamp, P., et al. (1990). "Modeling Design Processes." AI Magazine 11(4):
37-48.
Takeda, H., Yoshioka, M., et al. (2001). A general framework for modelling of synthesis-
Integration of theories of synthesis. International Conference on Engineering
Design - ICED'01, Glasgow, Elsevier Science.
Takeda, H., Yoshioka, M., et al. (1994). Analysis of design processes by function, behavior
and structure. The Delft Protocols Workshop, conference proceedings.

189
Takeda, H., Yoshioka, M., et al. (1996). Analysis of design protocol by functional evolution
process model. Analysing design activity. Cross, N., Christiaans, H. y Dorst, K.:
187-209.
Thompson, J. M. y Heimdahl, M. P. E. (1999). An integrated development environment for

prototyping safety critical systems. Tenth IEEE International Workshop on Rapid
System Prototyping (RSP'99).
Thurston, D. L. (1991). "A formal method for subjective design evaluation with multiple
attributes." Research in Engineering Design 3(2): 105 - 122.
Tomiyama, T., Takeda, H., et al. (2003). Adbuction for creative design. ASME 2003 - Design
Engineering Technical Conference and Computers and Information in
Engineering Conference, Chicago, EEUU.
Tomiyama, T., Yoshioka, M., et al. (2002). A knowledge operation model of synthesis.
Engineering Design Synthesis. Chakrabarti, A. Londres, Springer: 67-90.
Tor, S. B., Britton, G. A., et al. (2002). "Guiding functional design of mechanical products
through rule-based causal behavioural reasoning." International Journal of
Production Research 40(3): 667-682.
Ulrich, K. T. y Seering, W. P. (1989). "Synthesis of Schematic Descriptions in Mechanical

Design." Research in Engineering Design 1(1): 3-18.
Umeda, Y., Takeda, H., et al. (1990). Function, behaviour, and structure. Applications of
Artificial Intelligence in Engineering V. Gero, J. Berlin, Springer. 1: 177-194.
Vajna, S., Clement, S., et al. (2002). Autogenetic Design Theory: an approach to optimise
both the design process and the product. ASME 2002 - Design Engineering
Technical Conferences and Computer and Information in Engineering Conference,
Montreal, Canada.
Vajna, S., Clement, S., et al. (2005). "The Autogenetic Design Theory: An evolutionary view
of the design process." Journal of Engineering Design 16(4): 423-440.
Van Wie, M., Bryant, C. R., et al. (2005). "A model of function-based representations."
Artificial Intelligence for Engineering Design, Analysis and Manufacturing
(AIEDAM) 19: 89-111.

190
Referencias
Vidal, R., Bermell, P., et al. (2002). Definicion de una arquitectura para la asistencia en el
diseño de productos. VI International Congress on Project Engineering, Barcelona.
Wilhelms, S. (2005). "Function- and constraint-based conceptual design support using

easily exchangeable, reusable principle solution elements." Artificial Intelligence
for Engineering Design, Analysis and Manufacturing (AIEDAM) 19: 201-219.
Williams, B. C. (1992). Interaction-based Design: Constructing Novel Devices from First

Principles. Intelligent Computer Aided Design, North-Holland.
Xu, Q. L., Ong, S. K., et al. (2006). "Function-based design synthesis approach to design
reuse." Research in Engineering Design 17: 27-44.
Yoshikawa, H. (1981). General Design Theory and a CAD System. IFIP Working Group 5.2
Working Conference, Tokyo, North-Holland.
Yoshioka, M., Nakamura, M., et al. (1993). A design process model with multiple design
objects models. Design Theory and Methodology - DTM '93.
Yoshioka, M., Nomaguchi, Y., et al. (2001). Proposal of an Integrated Design Support
Environment Based on the Model of Synthesis. DETC ASME´01 Design Engineering
Technical Conference and Computers and Information in Engineering Conference,
Pittsburg, Pennsylvania, EEUU.
Yoshioka, M. y Tomiyama, T. (1999). Toward a reasoning framework of design as synthesis.

1999 ASME, DETC99.
Yoshioka, M. y Tomiyama, T. (2000). Model-based abduction for synthesis. Design

Engineering Technical Conference & Computers and Information in Engineering
Conference, The American Society of Mechanical Engineers (ASME).
Zavbi, R. y Duhovnik, J. (2000). "Conceptual Design of Technical Systems using Functions

and Physical Laws." Artificial Intelligence for Engineering Design, Analysis and
Manufacturing - AIEDAM 14: 69 - 83.
Zavbi, R. y Duhovnik, J. (2001). "Conceptual design chains with basic schematics based on an
algorithm of conceptual design." Journal of Engineering Design 12(2): 131-145.

191
Zhang, W. Y., Tor, S. B., et al. (2001). "A Prototype Knowledge-Based System for Conceptual
Synthesis of the Design Process." The International Journal of Advanced
Manufacturing Technology 17(8): 549-557.
Zhang, W. Y., Tor, S. B., et al. (2002a). "Automated functional design of engineering
systems." Journal of Intelligent Manufacturing 13: 119-133.
Zhang, W. Y., Tor, S. B., et al. (2002b). "A Heuristic State-Space Approach to the Functional
Design of Mechanical Systems." The International Journal of Advanced
Zhang, W. Y., Tor, S. B., et al. (2003). "FuncDesigner a functional design software system."
International Journal of Advanced Manufacture Technology 22: 295-305.

192
Apéndice 1
Apéndice 1
Tabla 7 - Verbos de la segunda clase de Hirtz (Hirtz, Stone et al. 2002)
Verbos Descripción
Acoplar Unir o juntar flujos (material, energía, señal) de tal forma que los miembros sean
independientes. Ejemplo: Un lápiz puede tener acoplado en su estructura una goma y
una pinza.
Actuar Liberar un flujo en respuesta a una señal de entrada. Ejemplo: Un circuito que libera la
(Liberar) salida de energía para encender una bombilla.
Almacenar Acumular un flujo. Ejemplo: una batería puede almacenar energía eléctrica para un
flash de una cámara.
Cambiar Ajustar el flujo de una manera predeterminada e fija. Ejemplo: La entrada de energía de
un motor puede ser regulada por un resistor variable. De esta forma, el motor puede
tener diferentes velocidades de salida.
Convertir Convertir un tipo de flujo por otro tipo. Ejemplo: Un motor convierte la entrada de
energía eléctrica por una energía de rotación.
Distribuir Causar una división de un flujo (material, energia o señal). Los bits individuales son
similar a cada uno y la ausencia de distribución de flujo. Ejemplo: Un atomizador
distribuye líquidos en proporciones muy pequeñas sobre la cabeza para sujetar los pelos
en un formato deseado.
Estabilizar Prevenir que un flujo cambie de ubicación o curso. Ejemplo: Vía de circulación de agua
o gases.
Exportar Enviar un flujo (material, energía o señal) para fuera del sistema. Ejemplo: Después de
licuar un sólido en la licuadora, el sistema exporta el material en forma más líquida.
Guiar Dar una dirección para el curso de un flujo (material, señal, energía) a través de un
camino específico. Ejemplo: Una tubería puede conducir gas o líquidos de un origen
(bombona) hasta determinado aparato en la casa (horno).
Importar Traer para dentro del sistema un flujo externo. Ejemplo: La apertura física de un
atomizador importa un sólido para dentro de su sistema.
Indicar Enseñar al usuario sobre la presencia de un flujo. Ejemplo: Un pequeño cristal en la
cafetera permite saber el nivel del agua en el recipiente.
Mezclar Combinar dos flujos (material, energía, señal) en un único flujo, de masa homogénea y
uniforme. Ejemplo: Un aparato para mezclar pigmentos, donde el resultado sale un
pigmento homogéneo y de único color.
Parar Cesar o prevenir la transferencia de flujo. Ejemplo: Una película protectora para
impedir la emisión de radios UV a través de una ventana.
Posicionar Definir la ubicación o orientación de un flujo. Ejemplo: En una máquina de café, el
sistema interno posiciona la moneda para efectuar su reconocimiento o evaluación.
Procesar Someter información a un tratamiento o método particular tomando como referencia
un número de operaciones o pasos. Ejemplo: Un ordenador procesa la identificación
del usuario antes de su entrada en el sistema.
Regular Ajustar el flujo en respuesta a una señal de entrada, la salida o entrada del flujo depende
de la característica que ese presenta. Ejemplo: Girando las válvulas para regular la salida
de líquido de un grifo.
Sentir Percibir o tomar conocimiento de la presencia de un flujo. Ejemplo: Un sensor puede
sentir la presencia de un determinado objeto en el ambiente.
Separar Aislar un flujo (material, energía, señal) en distintos componentes. Los componentes

195
Verbos Descripción
separados son distinto del flujo tras la separación. Ejemplo: Un prisma de vidrio que
separa la luz en diferentes frecuencias hasta producir un arco-iris.
Soportar Sostener flujo en determinada posición. Ejemplo: Definir la base que sostiene una
tubería.
Sujetar Mantener fijo el camino de un flujo. Ejemplo: En un guante de ciclista o un sistema que
mantenga las manos del ciclista en su sitio.
Suministrar Proporcionar un flujo almacenado. Ejemplo: En el caso del Flash, la batería puede
suministrar energía para la bombilla.
Transferir Mover, llevar, conducir un flujo (material, energía o señal) de un sitio a otro.

196
Apéndice 1
Tabla 8 - Verbos de la tercera clase de Hirtz.
Verbos Descripción
Acoplar Unir o juntar flujos (material, energía, señal) de tal forma que los miembros sean
distintos.
Actuar Liberar un flujo en respuesta a una señal de entrada.
(Liberar)
Almacenar Acumular un flujo.
Aumentar Aumentar un flujo en una determinada forma.
Cambiar Ajustar el flujo de una manera predeterminada e fija.
Condicionar Definir un flujo para determinado propósito.
Contener Mantener un flujo dentro de determinado límite.
Convertir Convertir un tipo de flujo por otro tipo.
Reducir Reducir un flujo hasta determinado punto fijo.
Detectar Descubrir información sobre determinado flujo.
Distribuir Causar una división de un flujo (material, energía o señal). Los bits individuales son
similares y la ausencia de distribución de flujo.
Dividir Separar un flujo.
Enlazar Acoplar flujos utilizando un flujo intermediario.
Estabilizar Prevenir que un flujo cambie de ubicación o curso.
Exportar Enviar un flujo (material, energía o señal) para fuera del sistema.
Extraer Sacar para fuera del sistema un flujo.
Guiar Dar una dirección para el curso de un flujo (material, señal, energía) a través de un
camino específico.
Importar Traer para dentro del sistema un flujo externo.
Indicar Enseñar al usuario sobre la presencia de un flujo.
Inhibir Mantener un flujo hasta que determinado comando lo libere.
Medir Determinar la magnitud de determinado flujo.
Mezclar Combinar dos flujos (material, energía, señal) en un único flujo, de masa homogénea y
uniforme.
Mostrar Revelar información sobre flujo para mente o vista.
Parar Cesar o prevenir la transferencia de flujo.
Permitir Controlar los movimientos de un flujo por una fuerza externa al dispositivo en una o
grado de más direcciones.
libertad
(DOF)
Posicionar Definir la ubicación o orientación de un flujo.
Prevenir Inhibir la actuación de determinado flujo.
Procesar Someter información a un tratamiento o método particular tomando como referencia
un número de operaciones o pasos.
Regular Ajustar el flujo en respuesta a una señal de entrada, la salida o entrada del flujo
depende de la característica que ese presenta.
Remover Sacar el flujo en partes definidas.
Rotar Fijar el movimiento de un flujo por un dispositivo en rededor de un eje.

197
Verbos Descripción
Sentir Percibir o tomar conocimiento de la presencia de un flujo.
Separar Aislar un flujo (material, energía, señal) en distintos componentes. Se separan los
componentes separados en distintos del flujo.
Sujetar Mantener fijo el camino de un flujo.
Suministrar Proporcionar un flujo almacenado.
Transferir Mover, llevar, conducir un flujo (material, energía o señal) de un sitio para otro.
Transmitir Mover energía de un lugar a otro.
Transportar Mover material de un lugar para otro.
Trasladar Fijar el movimiento de un flujo por un dispositivo en una dirección linear.
Unir Juntar flujos en una determinada forma.

198
Apéndice 2
Apéndice 2
Diagrama de flujo de datos del modelo

Apéndice 3
Apéndice 3
Artículos publicados con el contenido de esta tesis:

Artículo A
Camelo, D., Vidal, R. y Mulet, E. (2005). Convergence approach on experimental
results. 9º Congreso Internacional de Ingeniería de Proyectos, Málaga, España,
Asociación Española de Ingeniería de Proyectos.
Artículo B
Camelo, D., Vidal, R. y Mulet, E. (2005). Heuristic approach for the convergence of
solution space in CAI. 1st IFIP Working Congress on CAI, Ulm, Alemania.
Artículo C
Camelo, D., Mulet, E. y Vidal, R. (2006). Análisis y discussión de la aplicación del
marco FBS en modelos funcionales de síntesis. X Congreso internacional de
Ingeniería de proyectos, Valencia, Spain.
Artículo D
Camelo, D., Vidal, R. y Mulet, E. (2006). Classification of the evaluation methods
within functional synthesis models. X Congreso internacional de Ingeniería de
proyectos, Valencia, Spain.
Artículo E
Camelo, D., Mulet, E. y Vidal, R. (2007). Function and behaviour representation for
supporting flexible exploration and generation in a functional model for conceptual
design. 16th International Conference on Engineering Design ICED 07, Paris,
Francia.
Artículo F
Camelo, D. y Mulet, E. (2007) “A multi-relational and interactive computational
model for supporting the design process in the conceptual phase”. Enviado a la
revista Automation in Construction.
Otros artículos publicados:

Mulet, E. y D. Camelo (2007). Discusión sobre el método de observación y análisis
de una investigación sobre la generación creativa de alternativas de diseño en la
fase conceptual. 4th International Conference on Design Research, Rio de Janeiro,
Brasil.
Mulet, E., B. López-Mesa, M. C. Gonzalez y D. Camelo (2007). Characterisation of
designer interactions in the creative design process. 16th International Conference
on Engineering Design, ICED'07, Paris, Francia.
205
Artículo A
CONVERGENCE APPROACH IN EXPERIMENTAL RESULTS
Camelo, D.; Vidal, R.; Mulet, E.

Grupo de Ingeniería del Diseño
Universitat Jaume I
Av. Sos Baynat s/n (12071) – Castellón de la Plana
Phone: +34 964 729252 E-mail: dioclecio.camelo@alumail.uji.es
RESUMEN
El proceso de síntesis está basado en fases de divergencia y convergencia. Diversos

autores demuestran el proceso de divergencia en la forma de búsqueda para la obtención
de mejores alternativas para los requerimientos de diseño. Todavía existen muy pocas
manifestaciones en el proceso de convergencia para evitar las posibles explosiones
combinatorias presentes en sistemas más complejos. La aproximación heurística es un
proceso que puede gestionar esa complejidad en el proceso de resolución funcional
(convergencia). Su uso difiere de los algoritmos (procedimientos matemáticos) por estar
basada en reglas generales sacadas de las experiencias. Los programas heurísticos son
conocidos por su proceso de auto-aprendizaje, lo que puede generar soluciones más
optimizadas y eficientes para los requerimientos de los procesos de diseño.
Este artículo expone una investigación del Grupo de Ingeniería del Diseño de Castellón
en la generación de una mejor solución en un caso real de diseño, a través del uso del
algoritmo de búsqueda best-first search, presentado por Zhang. Además de aportar otro
punto de vista en la creación de un modelo computacional más eficiente y eficaz para el
diseño automatizado.
Palabras clave: aproximación heurística, resolución funcional, diseño automatizado
ABSTRACT
The process of synthesis is based on phases of divergence and convergence. Many authors
illustrate the divergence process to find better alternatives for the design requirements.
Although there are still few explanations to prevent the possible combinatorial explosion
present in complex systems. The heuristic state-space approach is an estimative process
that can manage the complexity in the functional reasoning process (convergence). Its use
differs from that of algorithms (mathematical procedures) because it is based on
commonsense general rules taken from experience. Heuristic programs are well known
for their capacity for self-learning, which can generate better optimised and more efficient
solutions for design requirements.
This article describes a research project carried out by the Engineering Design Group of
Castellón on the generation of a better solution to a real design case, through the use of
the best-first search algorithm presented by Zhang. We will therefore provide another
point of view on the creation of a more efficient computational framework for the
automated design process.
Key Words: heuristic search, functional reasoning, automated design

1 INTRODUCTION
The advance of CAD systems has provided us with tools that enable the detailed
design phases of the development of a product to be widely optimised. Nevertheless,
these support systems have shortcomings in the resolution of problems during the
conceptual phase of the design process. The Engineering Design Group of Castellón
devotes part of its research to the area of support tools for solving problems in the
conceptual phase of product development, using methods and computational
frameworks to aid designers in the routine development of products.
The purpose of this article is to explain the process of developing a product

using the synthesis algorithm and the heuristic state-space approach presented by Zhang
[1]. During the conceptual design phase, the functional syntaxes of Hirtz [2] and the
functional decomposition of Zhang were used to aid in the search and definition of
behaviours inside a knowledge database.
The present work is part of a project called FiBiuS, which consists of a synthesis
system to aid the design activity. It intends to operate over a new Model Library
structure, thus allowing not only collection of the knowledge available but also help in
the routine design of new products. The system architecture is based on the Function-
Behaviour-Structure (FBS) approach and on the use of ontology frameworks aimed at
using and sharing knowledge between different applications. With this experience we
expected to identify opportunities to improve the algorithm in the following aspects: to
reach a more optimised solutions space showing more feasible alternatives, rather than
just one solution; to identify other heuristic ways to obtain better combinations and to
find more innovative alternatives in the design space.
The functional reasoning introduced here uses the assumption of multiple

divergence-convergences, which can rule out many unfeasible alternatives during the
synthesis process and thus reveal the best path to reach the goal and prevent
combinatorial explosion. Zhang recommends a decomposition using a multiple level of
abstraction to get better alternatives to the solution, and justifies the fact that poor
alternatives can be generated when a design process occurs on a single level of
divergence-convergence.
As a way to prove the efficiency of the algorithm, the real development case
reported by Vidal et al. [3] was used to supply the system with information as a basis
for the construction of a library with behaviours, functions, constraints and environment
resources. This research, however, generated a feasible compact solution and aided
designers in the selection of alternatives in the solution space through the use of the
heuristic state-space approach.
2 FUNCTIONAL REASONING AND THE HEURISTIC STATE-SPACE

APPROACH
In this section the Heuristic state-space approach is explained by the functional

reasoning that solves a real design problem. This reasoning is the algorithm proposed by
Zhang [1], which is based on the best-first search. In spite of its origins in the realm of
Artificial Intelligence, this search algorithm is frequently used in GIS problems, game
solutions and applications that demand a search process to find the best route between
the initial and the target state. The reasoning uses simple phases of exploring,
combining and selecting the best solution from a list and, if necessary, expanding the
exploration process until the functional reasoning has been completed. As its procedure
is basically guided by exploration, this synthesis is recommended for use in routine and
non-innovative solutions due to the fact that it is unable to create new devices, but just
new combinations of available devices.
As an initial approach, Zhang based his algorithm on the A* Search algorithm.

The precept of this search algorithm is to find the shortest path between two points
(problem and solution) through a vector comparison and the heuristic estimate of costs.
For this estimate a Fuzzy Multi-Criteria Decision Making (FMCDM) calculation

is used to qualify alternatives by means of the linguistic terminology present in the
combination of function and behaviour. Each criterion in the database is a result of
converting the qualitative (linguistic) values into quantitative (score) ones. A number of
criteria like assembly, manufacturability, material costs, etc., are taken into account.
This assumption can allow alternatives to be compared by extracting the best one to be
explored. It leads to a linear way to the solution, consequently providing better and
more compact alternatives [4].
2.1 Algorithm proposed by Zhang
Fig. 1 depicts the functional reasoning algorithm proposed by Zhang. It shows

the steps needed to break down functions into sub-functions and, if possible, to
compound behaviours into functional requirements for the representation of the
solution.
Fig. 1 - Heuristic state-space algorithm purposed by Zhang
Initially, the algorithm is supplied with all function requirements, constraints and
resources from the environment, which provides sufficient information for the
exploration process. Then, the system verifies the possible combination with existing
behaviours that satisfy the constraints; otherwise, the functions are broken down into
more sub-functions extracted from a knowledge database. After this expansion, the
algorithm creates new alternatives and selects the best one from the list.
Following these steps, finally just one solved alternative is generated. As stated
by the author, the solution is the best and most compact alternative for the problem.
2.2 Heuristic calculations
A heuristic estimative is used to compare each alternative in a rank. This

approximation starts with the Fuzzy Multi-Criteria Decision Making problem that
calculates a weight w for each criterion and the ratio r available for each behaviour in
the alternative. This process translates the linguistic terms into a numbered score, thus
allowing it to be compared and ranked in the next phase.
The following equation is used to compare one alternative with another, which
represents the heuristic cost.
hˆ ¦ (1 / r ) k
i
Where:
r is the numeric value for the behaviour present in the alternative. r (0,1)
k represents 1 for each function left unexplored or incomplete function
requirement in the alternative.
r represents the classic use of the weighted average aggregation method. In the
formula:
n
¦w r
j 1
j ij
ri n
¦w
j 1
j
Where:
w represents the crisp weight of the criterion in the combination behaviour-

function of the alternative. w j 0,1
r represents the crisp performance ratio of the criterion in the same
combination. rij 0,1
Values of r and w are results from a linguistic calculation based on triangle or

trapezoidal criteria defined in a range between [0, 1].
Table 1 shows initial values from one of the alternatives that were studied. These
linguistic values, presented by the system, are the result of information available in the
database from the function-behaviour combination, and then the estimative calculations
are applied to rank and select alternatives.
average
1 very low 0 0 0,1 0,2 0,08
2 low 0,1 0,2 0,2 0,3 0,20
3 fairly low 0,2 0,3 0,4 0,5 0,35
4 medium 0,4 0,5 0,5 0,6 0,50
5 fairly high 0,5 0,6 0,7 0,8 0,65
6 high 0,7 0,8 0,8 0,9 0,80
7 very high 0,8 0,9 1 1 0,93
Table 1 - Linguistic values
3 ALGORITHM APPLICATION TO A CASE STUDY
The present section introduces the application of Zhang’s divergence-

convergence approach to a real design problem. Previous research by Vidal at al. [3]
was used to verify the efficiency of the algorithm. This research is a protocol study of
different brainstorming techniques in the divergence process for the design of a drawing
support for designers, architects and engineers. It involved 12 experiments with 4 teams,
each made up of 5 design students. To guide this experiment, some requirements were
established to improve the characteristics of the product, namely: optimisation of space
to be taken up, limits of the board, the need to be steady when not in use, and so on.
For the initial stage, a knowledge database of functions and behaviours was
created to aid the system in the reasoning process. The structure of these data uses
concepts proposed by Zhang [5] and Hirtz [2]. Specifically, Zhang defines a behaviour
structure based on object-oriented analysis, with rules, qualitative and quantitative data.
As the outcome of this exploration, a set of alternatives will be shown as a result of the
reasoning process.
The functional structure uses the assumption of Hirtz [2], which makes use of
verbs from the secondary and tertiary classes. The representation is:
Function representation
Function code – Infinitive verb + noun as a complement
Ex.:
F1 - Support a plan for drawing
The functional hierarchy in the database was defined like this:
F1 - Support a plan for drawing

F1.1 - Stabilise plan for drawing action
F1.2 - Position plan (at a height)
F1.2.1 - Regulate structure in height
F1.2.2 - Guide structure
F1.3 - Regulate angle of tilt
F1.3.1 - Increase angle of tilt
F1.3.2 - Decrease angle of tilt
F1.4 - Change volume (space occupied)
F1.4.1 - Shape plans for compactness
F1.4.2 - Increase volume
F1.4.3 - Decrease volume
This library illustrates how each function could be broken down into sub-
functions by the algorithm.
In addiction, in this research behaviours were taken as being a physical

interaction of the design component and its environment. Therefore, the behaviour
library has a structure that interacts with the function entity and the environment
through the driving input and the functional output. This could allow for a combination
with resources supplied by designers. For this reason, behaviours have the following
representation:
Behaviour representation
Behaviour code – Description
Purpose: Verb in infinitive + complement
Initial/ending state: Verb + complement
I/O flow of action
Driving input: intended input action
Functional output: intended output action
Ex:
B5 – Regulate by twisting
Initial/ending state: Change height of structure by twisting
Driving input: User intervention
Functional output: increase or decrease height
4 RESULTS - FUNCTIONAL REASONING IN A REAL CASE
In this section, the use of the algorithm for designing a drafting table will be
outlined. All steps explained by the heuristic approach were applied and calculated to
prove its efficiency. We will explain how the decomposition function was obtained and
how it could solve the problem of the interpretation of functions. Then the behaviour
search will be shown using the library available, and all the alternatives generated
throughout the exploration and combination process will be calculated.
The process begins with information supplied by the designer. These data are the
function requirements, constraints and environments that are provided.
After definition of the function requirements and environment, the system built
the first alternative called A0, shown in Fig. 2, where F1 means “Support a plan for
drawing”.
Fig. 2 - Alternative 0
4.1 Behavioural search
As presented by Zhang, this set might belong to a domain that is broad and could
involve other types of problems, which could be of a hydraulic, thermal, electric, etc.,
nature. In our case, the system makes use of a behaviour set related to the mechanical
domain, thus restricting the search process even more.
After the initial definition, a great deal of behaviour is found but none was
capable of satisfying the functional requirement. In spite of this, the system tended to
decompose the original function into more sub-functions by consulting the function
library described above.
4.2 Decomposition of function
The decomposition is performed by means of an exploration of the knowledge

database. This constitutes a new alternative A1, shown in Fig. 3, where functions mean:
F1 – Support a plan for drawing

F1.1 – Stabilise plan for drawing action
F1.2 – Position plan (at a height)
F1.3 – Regulate angle of tilt
F1.4 – Change volume (space occupied)
Fig. 3 - Decomposition of functions
After decomposition, the system seeks for other behaviours that should connect
with the function requirements available in the selected alternative. The system found 4
feasible behaviours that satisfied the functions and the constraints, namely:
B1 - Establish a surface
B2 – Regulate length by twisting
B3 – Divide components
B4 – Rotate plan
Subsequently, the system combined the behaviours with the function

requirements, as well as the environment available. With these combinations, new
alternatives were included in a vector that was to be calculated and used afterwards. The
composition process generated 5 alternatives, as illustrated in Fig. 4.
Fig. 4 - Alternative set
An example of the alternatives generated is shown in detail in Fig. 5.

Fig. 5 - Alternative solved
4.3 Heuristic estimative for alternatives
Through the estimative calculations, the alternatives were ordered and the best
one, the one with the lowest value was selected. In Table 2 below, the linguistic (Fuzzy)
values, k (unexplored functions) and ĥ are shown as the scores calculated using the
precepts of the heuristic state-space approach.
Alt A1.2
B1D1 B2D1 B4D1
i w r r r r r r
1 Manufacturability fairly high 0.65 high 0.8 0.52 low 0.2 0.13 low 0.2 0.13
2 Assemblability high 0.8 very high 0.925 0.74 fairly low 0.35 0.28 fairly low 0.35 0.28
3 Maintainability very high 0.925 medium 0.5 0.4625 low 0.2 0.185 low 0.2 0.185
4 Reliability high 0.8 medium 0.5 0.4 very low 0.075 0.06 very low 0.075 0.06
5 Efficiency fairly low 0.35 high 0.8 0.28 very low 0.075 0.02625 very low 0.075 0.02625
k 0 ç 11.82
Table 2 - Heuristic calculation
The selected alternative was a table whose functions and behaviour values are
shown in Fig. 6.
Fig. 6 - Alternative generated
5 DISCUSSION
After the reasoning process, a more valuable alternative could be composed in

the shortest time and process. This was possible due the iterative actions of exploration
and combination, avoiding the “too fine” decomposition of function, and a
combinatorial explosion [6]. The final product is a drawing table with few components,
and these components represent a reuse of behaviours that could satisfy all the
functional system.
Throughout the reasoning procedure some discussion arose on the following

areas: constraints, behaviours, evaluation and algorithms.
5.1 Constraints
In Zhang’s research, limiting the search by constraints is difficult to reproduce

due to the lack of information available. The author explains how it is used in a
subjective way, which could not be applied to the current solution state-space. It was
observed that this important delimiter is essential to define the set of solutions.
To achieve better results in a computable approach, two distinct kinds of

delimiters should be used: qualitative or quantitative information. The first is based on a
search of linguistic terms, separating types of behaviours by means of a database of
words, or related words (e.g., “pressure”, when using hydraulic or pneumatic solutions).
The second limits the variables by using numbers in order to further restrict the search
space (e.g., Occupied space, between 90-110 cm).
5.2 Behaviours
With regard to behaviour, the heuristic state-space approach seeks information in

a knowledge base. Nevertheless, the database presented by Zhang is generic and far
from designers’ reality. In this case, solutions could be feasible but are computationally
expensive. We think that, by restricting the search space, designers can guide solutions
that fit a specific kind of problem (e.g. Mechanical and Electrical solutions). This can be
done using groups of behaviours that participates in one or more domains.
5.3 Evaluation
Evaluation is an important phase of a solution. This can verify the real efficiency
or feasibility of the results. Most products, before going on to a prototype or model
stage, might have their functions solved in number and length components that could
satisfy the requirements and constraints defined in the initial stages. The reasoning
presented here does not make use of this structured process of restudy. This gap of
information can provide problems of space used, the combination of components or
resources, and unexpected use during the life-cycle. For this reason, we propose that an
evaluation process or algorithm should be incorporated in a computable form to make
this set of alternatives more valuable for the solution to the problem.
5.4 Algorithms and system
In spite of these assumptions, several modifications can be applied to the

algorithm which would provide more valuable solution spaces in a relevant number of
alternatives, and more innovative design solutions would be produced during the
process of synthesis.
As an alternative to the algorithm presented in this paper in a situation of

growing complexity, another algorithm called Recursive-Best-First-Search [7] can be
used. In this case, the algorithm shows concern for memory consumption and maintains
the last set of alternatives that could allow a new exploration to be carried out in the
case of an unsatisfied decomposition or an unfeasible solution.
We intend to use the present research in a project involving a new software

platform that could help designers throughout the synthesis process, that is, from the
most abstract to the physical representation. Fig. 7 depicts the structure of this future
system, which will be based on the 3 layer concept. The first layer will be responsible
for maintaining the knowledge needed by the reasoning process. The second layer will
refer to the application level which supplies functional data to the third one. This last
one represents the availability of desktops and/or CAD systems. Thus, we expect to
obtain an open platform to communicate with other tools.
Fig. 7 – Proposed system model

6 CONCLUSIONS
We conclude that the algorithm under study here is efficient for problems
involving few function requirements, as shown in the course of this article. It has been
proved that its use in a computer platform can benefit designers in the creativity
process, and it could also help generate a set of more valuable and optimised solutions.
By introducing the modifications presented in this paper and with a more

detailed computational model, a system can be structured for implementation. This can
make application of the algorithm feasible in a real situation involving a synthesis
process. In the future we expect to be able to show an evolution of the architecture
presented here in a coded system.
ACKNOWLEDGEMENTS
This research was supported by the Alban Programme, the European Union
Programme of High Level Scholarships for Latin America, scholarship no.
E04D030611BR, and by Bancaja project E-2004-22.
This research is part of projects DPI2002-04357-C03-01, supported by the Ministerio de

Ciencia y Tecnología and co-funded by FEDER funds, and “Modelado y gestión del
conocimientos para la ayuda al diseño de productos en las Pequeña y Mediana
Empresa” supported by Fundació Caixa Castelló Bancaixa-Universitat Jaume I.
7 REFERENCES
[1] W.Y. Zhang, S.B. Tor and G.A. Britton A Heuristic State-Space Approach to the
Functional Design of Mechanical Systems, The International Journal of
Advanced Manufacturing Technology 19 (2002) 235-244.
[2] J. Hirtz, R. Stone, D. McAdams, S. Szykman and K. Wood A functional basis

for engineering design: Reconciling and evolving previous efforts, Research in
Engineering Design 13 (2002) 65 - 82.
[3] R. Vidal, E. Mulet and E. Gómez-Senent Effectiveness of the Means of

Expression in Creative Problem Solving in Design Groups, Journal of
Engineering Design 15 (2004) 285-297.
[4] Y. Liu, A. Chakrabarty and T. Bligh A computational framework for concept

generation and exploration in mechanical design further developments of
function, Artificial Intelligence in Design '00 (2000) 499 - 519.
[5] W.Y. Zhang, S.B. Tor and G.A. Britton A Prototype Knowledge-Based System
for Conceptual Synthesis of the Design Process, The International Journal of
Advanced Manufacturing Technology 17 (2001) 549-557.
[6] W.Y. Zhang, S.B. Tor and G.A. Britton FuncDesigner a functional design
software system, Int. J. Adv. Manuf. Technol. 22 (2003) 295-305.
[7] S.J. Russell and P. Norvig Artificial intelligence: a modern approach, Upper
Saddle River, N.J. Prentice Hall cop., 2003.
Artículo B
1ST IFIP TC-5 WORKING CONFERENCE ON CAI
IFIP-TC5 ULM, GERMANY. NOVEMBER 14-15 2005
A HEURISTIC APPROACH TO THE CONVERGENCE OF SOLUTION

SPACE IN CAI
Dioclécio Camelo1; Rosario Vidal1; Elena Mulet1

Abstract
This work presents a computational framework that assists designers through divergence and
convergence procedures in order to generate new feasible and compact solutions to design
problems. To diverge, the model uses a recursive algorithm of exploration and combination,
and to converge, it uses heuristic estimations to select the best alternatives at each cycle of the
reasoning process. This framework generates a solution in the shortest time, thus reducing the
number of steps and memory usage.
Keywords: automated design, functional reasoning, heuristic approximation
1. Introduction
Product innovation is usually a hard task in a project. In each new project, designers spend
almost 40% of their project time collecting and analysing previous projects, books and
documents [1]. Hence, enterprises are looking for ways to meet consumers’ demands while
reducing time-to-market and production costs.
From a computational point of view [2, 3], routine design presents expected results through
known variables and parameters taken from an established knowledge database. Creative
design generates solutions from new variables and parameters included within the design
system. While routine design generates expected solutions from a defined solution space,
creative design generates unexpected solutions that are outside the expected solution space.
There are several computational models that automate routine design processes [4-12].
FunSION [10] generates solutions by starting out from the input/output abstraction of a
design system, subsequently explores knowledge from a static database and finally
accumulates generated ideas through three distinct levels of abstraction. Schemebuilder [5] is
an integrated software suite that assists designers from the conceptual to the embodiment
phase of design as they work in a 3D environmental input interface to generate and evaluate
solutions while exploring knowledge in the mechatronic domain. DIICAD [12] generates
solutions based on the symbolic transformations of the inputs and outputs of a design system.
A-Design [6] is a system that applies an iterative process of generation, evaluation and
management of agents to solve problems at the conceptual phase of design. FuncDesigner [8]
generates solutions at the conceptual phase of design using an iterative process of exploration,
combination and evaluation. Internally it exploits an adaptation of the A* Search algorithm.
The need to produce more creative designs together with the rising complexity of design
problems results in a higher number of functions and components in a product. Moreover, a
higher exploration potential is needed to analyse and find solutions that are more creative.
From a computational point of view, this is translated into a rise in memory usage and time
spent, which is one of the drawbacks to affording computational support for creative design.
1
The aim of the present article is to outline a computational framework that improves the
exploration process, rationalisation and storage of knowledge, and which generates design
alternatives at a very high level of abstraction. To achieve this, an adaptation of the Recursive
Best-First Search (RBFS) algorithm [13] is used in order to make progress in the field of
functional reasoning and computational models of creative design.
This research work is based on the reasoning process of Zhang [8, 14]. Zhang adapts a
functional reasoning algorithm based on the Best-First Search Algorithm (A* Search) that
generates optimised solutions for the conceptual phase of design using processes for the
exploration and combination of mechanical knowledge. His process uses heuristic
approximations to evaluate alternatives in order to guide the converge process in the solution
space. Like other models, it finds solutions by new combinations of mechanical components.
The present work is part of the initiatives carried out by the Engineering Design Group (GID)
on the development of a synthesis system, which aids design activity through a new library
structure that allows the collection of knowledge and improves the development of new
products.
The article is divided into sections that show the computable framework and its application
using data from a design experiment. Finally, it concludes with an analysis of the results.
2. Computable framework
The reasoning process proposed here starts with an abstraction of the design problem, then
resolves it through functional reasoning processes, and finishes with one single design
concept for the problem. To reach this objective, the model implements an adaptation of the
Recursive Best-First Search Algorithm, this uses recursive cycles of exploration and
combination to find the best path to the solution. During generation, the model uses a
heuristic estimation to compare alternatives and to continue converging in the solution space.
The following subsections are arranged in order to explain knowledge representation, the
algorithm of reasoning, the functional decomposition, and the equations used to evaluate the
alternatives that are generated.
2.1 Knowledge representation

The design problem is represented using functions. Besides representing the abstraction of a
product intention, function also guides creativity through distinct solutions for the same
problem. Gero and Umeda [15, 16] were pioneers in the representation of systems using the
Function-Behaviour-Structure approach. In their approximation, function represents the
designer’s intentions, behaviour represents how a specific structure or artefact can meet these
functions, and structure represents the abstraction of a physical component that can fulfil the
required behaviours. The FBS approximation was extended to consider the influences of
external elements (environmental input) on the physical elements [8] (B-FES). The
representation of environmental input is important because it considers the input of external
elements into the design systems (i.e. gravity, human force, energy, and so forth).
In our approach, four kinds of entities based on the B-FES framework are represented. Each
entity encapsulates particular information about the product system. The entity function
(Figure 1a) is composed of an element called purpose, which assumes the verb-object
standard notation of Hirtz [17]. The entity behaviour (Figure 1b) encapsulates information
about inputs (driving input), outputs (functional output), side effects, initial and ending states,
and a description of its intention. Following the same notation as function, behaviour uses
2
verb-object as the standard in its variables. The environmental input entity (Figure 1c)
represents the input flow of the system. Through the flows, the model can rationalise energies
and forces that affect the design system. The alternative entity groups all the information
about the constraints used to limit the exploration, initial functions, weight of each criterion,
value of estimation, and parent alternative. Moreover, it uses a directed non-cyclic graph of
functions, behaviours, and environmental inputs to represent a solution. This abstraction has
initial functions to start the reasoning and finishes with a set of physical components.
Figure 1. Knowledge representation

By convention, the data structure of the alternative will be simplified into two lists, one of
which is the set of unattended functions called FUNC:[ F0 ... Fx ], and the other is the set of
behavioural-physical components of the design system PHY:[ B0 ... Bz ]. Graphically, the
alternative can be reduced to just its internal identification. Figure 2 illustrates an example of
an alternative with full data and its graphical reduction – a convention used throughout the
following examples in this article.
3
Figure 2. Example of alternative and graphic simplification
These entities are logically connected with simple relations. Behaviours are connected with
functions through the functional output, and to environmental inputs through the driving
input. Each Function-Behaviour combination has specific information for the evaluation of
the alternatives generated and this is explained in section 2.4.
2.2 Reasoning process

The reasoning process adapts the Recursive Best-First Search Algorithm [13]. This recursive
search algorithm uses cycles of exploration/combination to find the best path between the
problem and the solution. Unlike the A* Search [14], this recursive algorithm decreases
memory usage during the resolution and allows preceding explorations to be stored so as to
make it possible to return to previous explorations if an unsolvable alternative is reached.
The resolution algorithm is shown in Figure 3. It starts by creating a new blank alternative.
Then, an essential set of variables is requested to represent the problem, these being the
proposition function, constraint ranges (i.e. height, weight, cost, and so forth), resources
supplied by the environmental input and the weight of the criteria set. After resolution, the
algorithm shows the best solution for the design problem using the Show() procedure.
4
Figure 3. Pseudo-code of the reasoning algorithm
To explain the resolution process in detail, we show the steps required to solve a design
problem in Figure 4:
1. The algorithm starts by creating a blank alternative A0 :{FUNC:[None], PHY:[None]}.
It then defines the variable values like function, constraints, environmental inputs, and
weights for criteria. This can then be compounded into A0 :{FUNC:[ Fi ],
PHY:[None]}.
2. After calling the RBFS( A0 ) procedure, the algorithm verifies the completeness of the
A0 alternative. To consider an alternative as being complete, the algorithm needs to
meet both situations: a PHY list presenting only physical components and a FUNC list
presenting any functional requirement {FUNC:[None],PHY:[ B0 ... Bz ]}. At this
moment, the alternative presents functions to be fulfilled, so the algorithm calls the
Expand( A0 ) procedure. This procedure returns a set of expanded alternatives that will
replace the original one. These alternatives are called successors.
3. The procedure Expand() seeks behaviours in the database that meet the constraints and
the Fi function. With these constraint limitations, the model leads the exploration
while obeying maximum and minimum ranges of values (i.e. height, input and output,
costs, and so forth).
4. If a behaviour is obtained, the algorithm applies a procedure to decompose the
function and returns a set of sub-functions Fi1 ,..., Fn that are subsequently combined
5
into a new alternative. This function decomposition process is explained in detail in
section 2.3.
A1 : {FUNC:[ Fi1 ,..., Fn ], PHY:[None]}
5. Next, the last alternatives to be composed are returned into the successors list and
verified. If the successors list is empty, the procedure returns a null value forcing the
exploration of other available alternatives. Otherwise, the algorithm combines the
behaviours with the environmental inputs and calculates heuristic estimations for each
alternative in the successors list.
6. Next, the list of successors is ordered.
7. The best alternative evaluated in the successors list is selected and then the algorithm
calls the recursive process of the RBFS( A1 ) procedure.
8. If the selected alternative presents unattended functions, the algorithm calls the
Expand( A1 ) procedure. All behaviours that obey the constraints are found ( B1 ,..., Bn )
and included in the successors list. A new set of alternatives are generated using these
behaviours:
A1.1 :{FUNC:[ B1 ,..., Bn ], PHY:[None]} … A1.n :{FUNC:[ B1 ,..., Bn , T1 ], PHY:[None]}.
At this time, the model considers the behavioural set as functional requirements until
meets the available environmental inputs. Should any behaviour not match any
environmental input, it is later decomposed.
Sometimes a behaviour that fulfils the function causes the need to solve an additional
function that we call a ‘side effect’, which is represented as Ti. Thus, it is considered
as being an effect that results in a new function to be accomplished with another
behavioural resolution or functional decomposition. As an example, the A1.n
alternative shows a T1 side effect generated by an FB combination of the design
system, which represents another function requirement to be met.
9. After returning from the expansion procedure, each alternative is combined with the
environmental input resources available ( E1 ,..., Em ), and their heuristic estimation is
calculated.
A1.1 :{FUNC:[None], PHY:[ B1 E1,..., Bn Em ]}
… A1.n :{FUNC:[ T1 ], PHY:[ B1 E1,..., Bn Em ]}.
10. The alternatives are scored and ordered. Then, the recursive process of the RBFS( A1.1 )
procedure is applied until the algorithm considers the alternative complete
A1.1 :{FUNC:[None], PHY:[ B1 E1,..., Bn Em ]}. Finally, the algorithm returns that
alternative as the best solution to the design problem.
6
Figure 4. Functional resolution
2.3 Functional decomposition

During the resolution process, some functions may be too complex to meet available
behaviours. To solve this problem, the algorithm uses a process called functional
decomposition. This process consists in the division of complex functions into simple sub-
functions, which makes the system more likely to compound alternatives with a new set of
behaviours.
7
Figure 5 illustrates this decomposition process. We consider an alternative Ax with the
functional set FUNC:[Fi], i=1,2,..., n where Fi is a function unattended by any behaviour
available in the knowledge database. The algorithm then looks for sub-functions that simplify
the original function. When a function set [Fi+1,...,Fn] is defined, a new set of behaviours can
then be explored to generate a new set of alternatives. If any sub-function is found, the
algorithm returns a null value and considers this alternative as being unsolvable with the
knowledge that is available. One important benefit of the proposed model is the behavioural
resolution before the functional decomposition. This avoids the problem of being decomposed
“too finely” by the reasoning and, consequently, prevents the combinatorial explosion of the
function requirements from occurring [14].
Figure 5. Functional decomposition
2.4 Heuristic calculations to evaluate alternatives

In each cycle of resolution, the algorithm compares alternatives using heuristic estimation.
These calculations allow not only this comparison to be performed but also the selection of
the alternatives within the solution space. To evaluate each alternative, the model uses the
Fuzzy Multi-Criteria Decision Making method applied by Zhang [14]. This defuzzification
method translates linguistic values into scores (Table 1) and defines the weight of each
criterion of the Function-Behaviour combination.
Table 1. Defuzzification method [14]
a b c d average
1 very low 0 0 0,1 0,2 0,08
2 low 0,1 0,2 0,2 0,3 0,20
3 fairly low 0,2 0,3 0,4 0,5 0,35
4 medium 0,4 0,5 0,5 0,6 0,50
5 fairly high 0,5 0,6 0,7 0,8 0,65
6 high 0,7 0,8 0,8 0,9 0,80
7 very high 0,8 0,9 1 1 0,93
The elucidated values are used to calculate ri , which represents the score of each FB
combination in the alternative. This value is achieved by the classic weighted average
aggregation between the ratios rij and the weights w j , where i 1,2,, m represented the FB
8
combination index and j 1,2,, n represented the index of available criteria. Equation (1)
shows this calculation.
n
¦w r
j 1
j ij
r n
(i 1,2,, m) (1)
¦w
j 1
j
To compare alternatives, ĥ is calculated by equation (2), where r is the numeric value for
each FB combination in each alternative r (0,1) and k is the number of unattended
functions.
m
§1·
hˆ ¦ ¨¨ r ¸¸ k (2)
i 1 © i¹
3. Example of application of the reasoning process

Two languages were used to implement the modules of this system – Python to build the
interfaces and SQL to communicate data between applications. This implementation allows
the reasoning process to be analysed.
To show the applicability of the model, an experiment with designers was used to supply the
database with information and to apply the reasoning process. This information was taken
from the experiment designed by Vidal [18], which consisted in conducting 12 experiments
with 5 groups of designers in each, who generated ideas for a new drawing table.
A database was created with some data about functions, behaviours, structures, environmental
inputs and the function-behaviour combinations. This database was defined with only the data
needed to show the application of the reasoning process. Using this case as a basis, the
following example will show the steps that are taken to find a solution:
1. Initially the system creates an empty alternative called A0 , and the user is then
prompted to define the essential variables using a graphical interface. The resolution
starts with the following supplied data:
A0 alternative
Function requirements: F1 : Support a plan for drawing action
Constraints: Optimise space when idle and Height limits from 90cm to 110cm
Environmental inputs: E1: Human force and E2: Gravity
Weights of Criteria:
Manufacturability: fairly high
Assemblability: high
Maintainability: very high
Reliability: high
Efficiency: fairly low
2. Then the system calls the RBFS( A0 ) procedure. At this moment, the A0 alternative
(Figure 6) is composed of the following data: {FUNC:[ F1 ], PHY:[None]} and is
9
considered to be incomplete. Hence, the expand procedure is called to find successors
for the original alternative.
Figure 6. Alternative A0
3. Using the Expand( A0 ) procedure, the system seeks behaviours that meet the defined
constraints. For the actual level of exploration, the system does not find any available
behaviour set, and hence the decomposition process of functions is called. As a result,
a sub-function set is found and composed into successors. The expansion procedure
returns the A1 successor with the functions shown in Figure 7.
Functions: F2 : Stabilise plan for drawing
F3 : Position plan (at a height)
F4 : Regulate length of tilt
F5 : Change volume (occupied volume)
Figure 7. Decomposed alternative
Successor: A1 : {FUNC:[ F2 , F3 , F4 , F5 ], PHY:[None]}

4. After returning successors, the system tries to compose each alternative with the
environmental inputs and to calculate the heuristic estimation. As the A1 alternative
presents four functions to be fulfilled, the result of the heuristic value assumed hˆ 4 .
1
5. As there is only one alternative, the system calls the RBFS( A1 ) procedure.
6. For the RBFS procedure, the A1 alternative is considered as being incomplete. Hence,
casual reasoning is activated and new behaviours are explored and combined into five
possible alternatives and stored in the successors list.
B1 : Establish a plan, (it meets F2 ).
B2 : Regulate length twisting, (it meets F3 , F5 ).
B3 : Divide components, (it meets F5 ).

B4 : Rotate plan, (it meets F4 , F5 ).
Figure 8 illustrates the five alternatives thus generated:
10
Figure 8. Successor of the original alternative
11
A1.1 : {FUNC:[ B1 , B2 , B4 ], PHY:[None]}
A1.3 : {FUNC:[ B1 , B2 , B3 , B4 ], PHY:[None]}
7. The successors list is returned and the system combines the alternatives thus generated
with the environmental inputs and then calculates their estimations. Table 2 illustrates
an example of the estimation for the A1.2 alternative.
Table 2. Heuristic estimation of A1.2 alternative

Alt A1.2 F2 B1 F3 B2 F4 F5 B4
i criterion w r r r r r r
1 Manufacturability fairly high 0.65 high 0.80 0.52 low 0.20 0.13 low 0.20 0.13
2 Assemblability high 0.80 very high 0.93 0.74 fairly low 0.35 0.28 fairly low 0.35 0.28
3 Maintainability very high 0.93 medium 0.50 0.46 low 0.20 0.19 low 0.20 0.19
4 Reliability high 0.80 medium 0.50 0.40 very low 0.08 0.06 very low 0.08 0.06
5 Efficiency fairly low 0.35 high 0.80 0.28 very low 0.08 0.03 very low 0.08 0.03
k 0 Ʃ 11.82
After this process, all successors changed and assumed the following configuration:
A1.1 : {FUNC:[None], PHY:[ B1 E2 , B2 E1 , B4 E1 ]}
A1.2 : {FUNC:[None], PHY:[ B1 E 2 , B2 E1 , B4 E1 ]}
A1.3 : {FUNC:[None], PHY:[ B1 E2 , B2 E1 , B3 E1 , B4 E1 ]}
A1.4 : {FUNC:[ F3 ], PHY:[ B1 E2 , B4 E1 , B2 E1 ]}
A1.5 : {FUNC:[ F4 ], PHY:[ B1 E 2 , B2 E1 , B4 E1 ]}
And the calculation of each alternative resulted in the following values:
hˆ1.1 12.12 , hˆ1.2 11.82 , hˆ1.3 13.23 , hˆ1.4 12.82 e hˆ1.5 12.82 .
8. After sorting the successors list, A1.2 presented the lowest value and was selected.
Subsequently, this alternative was submitted to the RBFS( A1.2 ) procedure. As the
algorithm considers A1.2 as being complete for the problem (Figure 9), the system
returns it.
A1.2 : {FUNC:[None], PHY:[ B1 E2 , B2 E1 , B4 E1 ]}.
12
Figure 9. Alternative A1.2
4. Conclusions
This work presents a computable framework of functional synthesis which generates solutions
to a problem at the conceptual phase of design by exploring the solution space with a
divergence-convergence approach. This framework was implemented and applied to an
example using data from a design experiment.
The model uses the Behavioural driven-Function-Environment-Structure (B-FES) framework
to represent knowledge, which allows the exploration and generation of alternatives at a high
level of abstraction. Additionally, an optimal exploration was also implemented through
delimiters, called constraints. The framework implements an adapted reasoning process based
on the Recursive Best-First Search algorithm. At the end of each reasoning cycle, several
alternatives are generated and evaluated by heuristic estimations in order to select the most
promising one. The objectives fulfilled with the proposed model are:
- It finds the best path to reach the goal in the shortest time using a divergence-convergence
reasoning process that restricts the number of alternatives from the outset, thus avoiding the
need to explore all the possible alternatives for a design problem.
- It reduces memory usage and time spent on solving a design problem.
- It facilitates access to previously generated alternatives.
All this contributes to increase the exploration potential in a knowledge space at a high level
of abstraction and positions functional design reasoning closer to computational models of
creative design.
13
References
[1] J. J. Shah, S. Rangaswamy, S. Qureshi and S. D. Urban, "Design History System: Data
Models & Prototype Implementation" in Knowledge Intensive Computer Aided Design.
p. 89-114, 1998.
[2] I. C. Parmee, "Evolutionary and adaptive computing in engineering design", Springer,

Editor: London, 2001.
[3] J. Gero, "Design prototypes: A knowledge representation schema for design" in AI

magazine. 11(4): p. 26 - 36, 1990.
[4] J. C. Borg, X. T. Yan and N. P. Juster, "A KICAD Tool For Pro-Active Exploration
Support To "Design Synthesis For Multi-X"" in Proceedings of Knowledge Intensive
Computer Aided Design, S. Finger, T. Tomiyama and M. Mantyla, Editors, Kluwer
Academic Publishsers. p. 296-323, 1998.
[5] R. Bracewell and J. Sharpe, "Functional Descriptions used in Computer Support for
Qualitative Scheme Generation-"Schemebuilder"" in AIEDAM. 10(4): p. 333-346, 1996.
[6] M. Campbell, J. Cagan and K. Kotovsky, "The A-Design Approach to Managing

Automated Design Synthesis" in Research in Engineering Design. 14: p. 12 - 24, 2003.
[7] J. Penoyer, G. Burnett, D. Fawcett and S. Liou, "Knowledge Based Product Life Cycle
Systems: Principles of Integration of KBE and C3P" in Computer-Aided Design. 32: p.
311-320, 2000.
[8] W. Y. Zhang, S. B. Tor and G. A. Britton, "FuncDesigner a functional design software

system" in Int. J. Adv. Manuf. Technol.. 22: p. 295-305, 2003.
[9] Y. Liu, A. Chakrabarty and T. Bligh, "A computational framework for concept generation
and exploration in mechanical design further developments of function" in Artificial
Intelligence in Design '00. p. 499 - 519, 2000.
[10] L. Ying-Chieh, A. Chakrabarti and T. Bligh, "A computational framework for concept
generation and exploration in mechanical design" in Artificial Intelligence in Design'00,
2000.
[11] A. Chakrabarti, P. Langdon, Y. Liu and T. Bligh, "An Approach to Compositional

Synthesis of Mechanical Design Concepts using Computers" in Engineering Design
Synthesis. Understanding, approaches and tools, A. Chakrabarti, Editor, Springer-
Verlag: London. p. 179 - 194, 2002.
14
[12] R. Lossack, "Design Process and Context for the Support of Design Synthesis" in
Engineering Design Synthesis. Understanding, approaches and tools, A. Chakrabarti,
Editor, Springer-Verlag: London. p. 213 - 227, 2002.
[13] S. J. Russell and P. Norvig, "Artificial intelligence: a modern approach", Upper Saddle
River, N.J. Prentice Hall cop., 2003.
[14] W. Y. Zhang, S. B. Tor and G. A. Britton, "A Heuristic State-Space Approach to the
Functional Design of Mechanical Systems" in The International Journal of Advanced
Manufacturing Technology. 19(4): p. 235-244, 2002.
[15] Y. Umeda, H. Takeda, T. Tomiyama and H. Yoshikawa, "Function, behaviour, and

structure" in Applications of Artificial Intelligence in Engineering V, J. Gero, Editor,
Springer: Berlin. p. 177-194, 1990.
[16] K. Dorst and P. E. Vermaas, "John Geror's Function-Behaviour-Structure model of

designing: a critical analysis" in Research in Engineering Design. Online first, 2005.
[17] J. Hirtz, R. Stone, D. McAdams, S. Szykman and K. Wood, "A functional basis for
engineering design: Reconciling and evolving previous efforts" in Research in
Engineering Design. 13: p. 65 - 82, 2002.
[18] R. Vidal, E. Mulet and E. Gómez-Senent, "Effectiveness of the Means of Expression in

Creative Problem Solving in Design Groups" in Journal of Engineering Design. 15(3):
p. 285-297, 2004.
Dioclécio Camelo1; Rosario Vidal1; Elena Mulet1

1
Universitat Jaume I.
Correspondence and offprint requests to: Dr. Rosario Vidal, Engineering Design Group, Universitat Jaume I,
Av. Sos Baynat s/n, Castellón, Spain, Cod. Postal: 12071. E-mail: vidal@tec.uji.es. Website: www.gid.uji.es
Supported by the Programme Alban, the European Union Programme of High Level Scholarships for Latin
America, scholarship no. E04D030611BR
15
Artículo C
X CONGRESO INTERNACIONAL DE INGENIERIA DE PROYECTOS
VALENCIA, 13-15 Septiembre, 2006
Análisis y discusión de la aplicación del marco FBS en modelos

funcionales de síntesis
D. Camelo(p), E. Mulet Escrig, R. Vidal Nadal
Abstract
While CAD systems are focused to aid the design in more detailed phases of design, the
functional synthesis models allow synthesis of solutions in conceptual phases of design,
where requirements lack clarity and remain abstracted.
Although a number of computational methods have been proposed to synthesize solutions in
conceptual design phases, most of them can only be applied to a reduced number of
solutions on routine design activities. Moreover, the syntheses process is restricted by the
implemented relations that limit the mapping sets available for the reasoning. One alternative
to solve these limitations is by the improvement of the knowledge representation and by the
implementation of new mappings between elements of different abstraction levels.
Keywords: Paper format, instructions
Resumen
Mientras que los sistemas CAD están dirigidos al soporte del diseño en las fases de mayor
detalle, los modelos de síntesis funcional permiten la síntesis de soluciones en la fase
conceptual, donde los requerimientos presentan menor claridad y mayor abstracción.
Aunque en los últimos años se han propuesto numerosos métodos computacionales para la
síntesis de soluciones en la fase conceptual, la mayoría de métodos es aplicable a un
número muy restringido de soluciones para diseños rutinarios. Además el proceso de
obtención de soluciones también está restringido por las relaciones implementadas en estos
modelos, que permiten sintetizar soluciones a través de un conjunto muy delimitado de
conexiones entre conceptos. Una de las vías para ampliar las posibilidades de síntesis de
estos modelos es mejorando la representación del conocimiento para soportar el proceso de
síntesis de soluciones e implementando nuevas relaciones entre elementos de distinto nivel
de abstracción.
El presente artículo presenta una breve comparación entre los modelos de representación
del conocimiento en diseño y posteriormente se concluye con algunas posibles mejoras con
el fin de facilitar y enriquecer el proceso de síntesis.
Palabras clave: Representación del conocimiento, modelo de síntesis
1. Introducción
Durante el proceso de diseño, se explora y combina una gran cantidad de conocimiento
implica capturar esta información y transformarla en datos que puedan ser almacenados y
manipulados computacionalmente.
Para analizar la representación del conocimiento en los modelos de diseño, es necesario
remontarse a los primeros modelos, que describen el diseño como el Dado que los modelos
de síntesis permiten llegar a una solución partiendo de un problema, la representación del
1
conocimiento debe abarcar tanto como ellas soluciones [1]. Uno de los marcos comunes de
representación es el function-behaviour-structure (FBS).
Si bien, los conceptos de function, behaviour y structure venían utilizándose desde antes,
fue en el año 1990 cuando se definieron de forma clara y cuando se propusieron como
marco para modelar y representar un sistema considerando su funcionalidad [2-5]. En el
marco FBS (Function-Behaviour-Structure), function representa las funciones que el diseño
desempeña; structure representa los elementos físicos de la solución y behaviour actúa
como enlace entre F y S. Para representar la estructura, algunos autores reflejan los
estados internos y externos de un elemento físico [2], mientras que otros reflejan elementos
de un artefacto y sus relaciones [5].
En la síntesis de soluciones el behaviour se deriva a partir de una funcionalidad
intencionada para, a partir del mismo llegar a una solución. Y cuando se ha definido una
solución, se deduce el behaviour de ésta para evaluar si la solución alcanza la funcionalidad
esperada. El behaviour por tanto, se relaciona con el estado físico de un diseño, tanto si
este estado varía con el tiempo como si permanece estático.
Los conceptos de función, comportamiento y estructura ofrecen un lenguaje común con que
es posible analizar la representación del conocimiento en los modelos computacionales de
soporte de diseño en la fase conceptual, de modo que el problema es representado por las
funciones, la solución es representada por las estructuras y el comportamiento enlaza
ambos.
Este marco es uno de los más aceptados por la comunidad científica, ya que la mayoría de
los modelos de síntesis representan el conocimiento basándose en la referencia de los
conceptos de función, comportamiento y estructura [2, 5-8].
Durante la síntesis, las funciones de un diseño admiten diferentes enfoques en su
representación. Cada enfoque tiene como objetivo describir las necesidades del diseñador o
las funcionalidades realizadas por un producto. En la bibliografía científica se identifican tres
enfoques: el enfoque orientado al componente o a la estructura, el enfoque orientado a las
intenciones del diseñador y el enfoque orientado al proceso.
En el enfoque orientado al componente o la estructura, Dorst, Far, Kitamura, Chakrabarti y
Deng representan las funciones con una orientación hacia la solución o a los componentes
de esta solución [7-11], también manifiesta la interacción físicas entre dos objetos o entre un
objeto y su entorno. Para ese tipo de enfoque se puede terner funciones como “suministrar
energía mecánica” o “convertir energía eléctrica en energía mecánica”.
En el enfoque orientado a las intenciones del diseñador, Dorst, Far, Chakrabarti y Deng
coinciden en que las funciones deben describir los deseos, intenciones y necesidades desde
el punto de vista del diseñador (humano). Su objetivo es describir una observación humana
o una representación mental de una funcionalidad en mundo real [7, 8, 10, 11]. Un ejemplo
de función orientada a las intenciones sería “lavar ropa”.
El enfoque orientado al proceso es descrito en los artículos de Kitamura y Mizoguchi [9, 12],
en el que la función se define como los fenómenos que pueden ocurrir en cada artefacto
pero de formar que sea independiente de los componentes reales, como por ejemplo la
función “definir una acción bajo determinado efecto” o “parar el sistema caso ocurra un
efecto no deseado”. La Figura 1 muestra una breve comparación entre los diferentes
enfoques encontrados en la bibliografía científica.
2
Figura 1- Comparación entre enfoques de la representación funcional de los modelos.
El enfoque operacional y el enfoque centrado en el proceso son muy similares, de modo que
los modelos recientes de soporte de la síntesis utilizan dos enfoques para la función: uno
intencional y otro que en algunos modelos es de tipo operacional y en otros orientado al
proceso.
En el siguiente apartado se muestra un breve estado del arte sobre la forma en que los
modelos representan el conocimiento.
2. Estado del arte de los modelos de representación

Este apartado analiza y compara algunos de los modelos de síntesis más significativos
considerando los siguientes aspectos:
• En primer lugar se analizan los elementos y niveles de representación que se
emplean en cada modelo.
• En segundo lugar se analiza la semántica y la sintaxis, es decir, los atributos que se
utilizan en la representación y el modo de codificación de cada información que
estará contenida para su manipulación en las bases de datos de conocimiento.
Desde el punto de la sintaxis, cada atributo puede ser representado de dos formas:
mediante lenguaje natural o de forma matemática.
• El lenguaje natural codifica las informaciones de una forma genérica y utiliza el
lenguaje del usuario. Este lenguaje es muy fácil de interpretar, sin embargo, carece
de rigor y unicidad para describir un elemento.
• El lenguaje matemático detalla la representación del objeto con la ayuda de
números, ecuaciones, matrices, etc. [13]. A diferencia del lenguaje natural, es más
difícil de interpretar, pero permite definir de forma unívoca.
• Por último, se analizan las relaciones permitidas entre los elementos y niveles de la
representación, identificando cuáles son las relaciones entre los niveles de
abstracción, y qué atributos se encargan de conectar estos niveles y de compartir
informaciones. En la conexión entre los niveles se identifican tres tipos de relaciones:
o Las de funciones con comportamientos ( F → B );
o Las de funciones con estructuras ( F → S );
o Las de funciones con comportamientos y comportamientos con estructuras
( F → B → S ).
2.1. Modelo Schematic Synthesis (SS)

Ulrich define en su modelo SS [14] que la función es un esquema dinámico que describe
cuál es la entrada y cuál es la salida que se necesita obtener en un diseño (Single Input and
Single Output – SISO). El comportamiento explica cómo se obtiene dicha salida a partir de la
entrada a través de ecuaciones de movimiento. La estructura es una abstracción de
3
componentes físicos capaces de ejecutar el comportamiento requerido para obtener la
salida a partir de la entrada.
Desde el punto de vista semántico, las tres entidades (función, comportamiento y estructura)
utilizan atributos relacionados con el dominio de aplicación (mecánico, eléctrico, etc). Las
funciones consideran atributos sobre los tipos de entrada, la cantidad de esfuerzo y la
cantidad de flujo. Los comportamientos exhiben atributos de relación entre esfuerzos y flujos
para describir las ecuaciones que describen el comportamiento y que reflejan leyes de la
teoría de sistemas, como las leyes de Kirchoff, etc. Y las estructuras utilizan atributos tale
como la inercia, capacidad y resistencia de los elementos físicos.
En la sintaxis, el autor utiliza la forma matemática para las tres entidades, estableciendo
valores fijos para las variables de fuerza, velocidad, momento, etc. Los comportamientos
utilizan valores matemáticos bajo la forma de ecuaciones paramétricas, que describen la
relación existente entre las entradas y salidas de cada posible elemento físico. Y las
estructuras abstraen la geométrica de los posibles componentes físicos, aunque evite
describir informaciones espaciales (como por ejemplo: espacio ocupado, la posición
geométrica, etc.)
En lo referente a las relaciones, el modelo SS conduce la síntesis por medio de conexiones
F → B → S . La función se relaciona con el comportamiento a través de un atributo que
permite al modelo compartir información sobre energías y movimientos (entrada/salida)
involucrados en el funcionamiento del sistema. Este atributo recibe el nombre de power-
spine. El nivel de estructura se enlaza con el comportamiento por una relación directa,
donde para cada comportamiento explorado siempre habrá una estructura disponible.
La Figura 2 expone la semántica, la sintaxis y los atributos de relación existentes en la
representación del modelo SS.
Figura 2 - Representación semántica y sintáctica y resumen de relaciones del modelo SS.
2.2. Modelo Kinematic Building Blocks (KBB)

Kota y Chiou definen en su modelo KBB [15] que la función determina la funcionalidad de un
componente mecánico (en un sistema simple) o de un mecanismo electromecánico (en un
sistema complejo), y que la entidad de comportamiento abstrae el comportamiento
expresado por los movimientos de entrada y salida definidos en esta función. Estas
relaciones entre las entradas y salidas son descritas y representadas con ayuda de matrices
4
de ecuaciones paramétricas, que sirven de referencia para que un método de evaluación
pueda simular los movimientos exhibidos por cada componente. En este modelo, los autores
no describen el nivel de estructura.
Desde el punto de vista semántico los autores describen la función por medio de dos
conjuntos de matrices: una que hace referencia a la transformación de movimiento (motion
transformation matriz – MTM) y otra que hace referencia a las restricciones de movimiento.
Para la sintaxis de los atributos, el modelo utiliza la forma matemática, utilizando símbolos
para representar las funciones (Figura 3a) y el comportamiento utiliza ecuaciones
paramétricas de movimiento (Figura 3b) que reemplazan la información simbólica de
movimiento (MTM) contenida en las funciones, en una matriz de parámetros cualitativos
sobre los movimientos.
(a) (b)
Figura 3 - Función y comportamiento según el modelo KBB [15].
5
Para relacionar los niveles, el modelo KBB utiliza la conexión F → B , donde la
representación matricial de las funciones sirve de base para que los símbolos existentes
sean sustituidos por ecuaciones paramétricas. Esta sustitución transforma la matriz
funcional en una Matriz Paramétrica de Movimiento y permite al diseñador simular los
movimientos mecánicos al final de la síntesis.
La Figura 4 exhibe una simplificación de la semántica, sintaxis y relaciones existentes en el
modelo de representación KBB.
Figura 4 - Representación semántica y sintáctica y resumen de relaciones del modelo KBB.
2.3. Modelo FuncSION

Chakrabarti define en su modelo FuncSION [16] tres niveles: el topológico, el espacial y el
físico. La función (asociada al nivel topológico) es una acción o efecto que debe producir un
objeto. El comportamiento (asociado al nivel espacial) enlaza la representación topológica
con la abstracción estructural de la solución. Y la estructura (asociada al nivel físico) abstrae
una formalización de un componente real, acercándose a la forma final del producto.
Desde el punto de vista semántico, la función se describe mediante los atributos de nombre
de función, tipo de entrada y su código, y la magnitud de transformación de las fuerzas de
entrada y salida. El comportamiento presenta atributos sobre la dirección y sentido de la
entrada de movimiento o fuerza, el vector de distancia y la dirección y sentido de la salida.
Los atributos de comportamiento sirven para que el modelo pueda evaluar las soluciones
según los criterios de continuidad y reciprocidad de movimiento. Y la estructura considera
tres atributos: la geometría física de la estructura, los comportamientos cinemáticos y la
forma de unión (mediante superficies de contacto) entre los componentes físicos. La
estructura proporciona al diseñador la forma física genérica que la solución puede tener. En
la sintaxis, los autores definen lenguaje natural para la función y el matemático para los
demás niveles.
Para conectar los niveles de la representación, el modelo utiliza una relación de tipo
F → B → S , donde cada nivel va detallando de manera paulatina las informaciones que
ayudan a conectar un nivel con otro. Para enlazar una función con un comportamiento, el
modelo utiliza la relación entre el atributo tipo de entrada/salida (función) con las direcciones
de entrada/salida (comportamiento). Y para enlazar un comportamiento con el último nivel
de estructura, el modelo relaciona el atributo de dirección de entrada/salida con los atributos
que definen las zonas de contacto.
La Figura 5 resume la semántica, la sintaxis y los atributos de relación existentes en la
representación del modelo FuncSION.
6
Figura 5 – Representación semántica y sintáctica y resumen de relaciones del modelo FuncSION
2.4. Modelo Heuristic State-Space Approach (HSA)

Zhang define en su modelo HSA [17] que la función es una abstracción de un
comportamiento o lo que se espera de un diseño. El comportamiento implementa el nivel
funcional y describe el resultado que se espera obtener de un componente, y la estructura
simplemente abstrae la geometría de un componente físico. Además de estos tres niveles
de abstracción, el autor considera también las entradas disponibles en el entorno (energía,
señal o material) para que el sistema pueda funcionar correctamente.
Desde el punto de vista semántico, el nivel de función exhibe un atributo que describe la
función por su propio nombre. El nivel de comportamiento presenta atributos sobre las
entradas dirigidas (driving input), salidas funcionales (functional output), y los efectos no
deseados (side effects), como por ejemplo la generación de ruido o de vibraciones. En el
nivel de comportamiento se añaden también datos para evaluar las soluciones mediante una
simulación cualitativa. Las simulaciones reflejan el rendimiento de los comportamientos
respecto a aspectos del ciclo de vida como la manufacturabilidad, la fiabilidad o el coste.
Para la sintaxis, los autores representan la función con el uso del lenguaje natural (verbo +
complemento), como por ejemplo, “sujetar terminal” o “insertar terminal”. El comportamiento
(Figura 6a) utiliza tanto el lenguaje matemático como el natural. Este modelo encapsula la
estructura dentro del comportamientos y ésta representa solamente una abstracción gráfica
del elemento físico. (Figura 6b).
Clase Comportamiento con efectos no deseados

atributos:
Nombre = “Terminal de inserción de
componentes”
Estructura = Geometría esquemática
Entrada dirigida = “Provee movimiento de
traslación”
Salida funcional = “Insertar terminal”
Efecto no deseado = “Terminal se mueve a
menudo”
......
métodos:
7
Datos de Entrada( );
Datos de Salida( );
Anti Ciclos infinitos( );
Buscar Final del Árbol( );
Prevenir Efectos no deseados( );
......
(a) (b)
Figura 6 - Ejemplo de comportamiento y estructura en el modelo HSA [17].
Para conectar los tres niveles de abstracción durante la síntesis, el modelo permite
relaciones de tipo F → B → S . En la relación entre función y comportamiento se utiliza el
atributo lingüístico de nombre de función. Como el nivel de comportamiento encapsula la
estructura, la relación entre estos es directa. El modelo incorpora una entidad adicional que
considera los flujos externos del entorno para ayudar a controlar la formación de cadenas de
comportamientos.
La Figura 7 muestra la semántica, la sintaxis y los atributos de relación existentes en el
modelo de representación HSA.
Figura 7 - Simplificación de la semántica, sintaxis y relaciones en el modelo HSA
2.5. Modelo Two-stage Functional Modeling Framework (TFMF)

Deng describe en su modelo TFMF [7] que la función se divide en dos niveles de
abstracción: uno con alto grado de abstracción (función de propósito) y otro con un enfoque
operacional (función de acción). La función de propósito representa las intenciones de un
diseñador o el propósito de un diseño, y la función de acción abstrae el comportamiento
intencional o útil de un artefacto. El comportamiento abstrae los estados físicos de un
diseño, pudiendo representar tanto los estados transitorios como los estados estáticos. La
estructura no está definida en su representación, aunque se comentan brevemente algunos
ejemplos para mostrar la eficiencia del modelo.
Desde el punto de vista semántico, la función de propósito (Figura 8a) exhibe un atributo con
su propio nombre y utiliza sintaxis de lenguaje natural. La función de acción (Figura 8b)
exhibe un conjunto de atributos sobre las entradas y salidas esperadas de flujos de objetos
(energía, material o señal) , las entradas y salidas de acción (entrada direccional y salida
8
funcional) esperadas, y los estados inicial y final. La sintaxis de los atributos de la función de
acción puede asumir ambas formas de codificación (lenguaje natural y forma matemática).
La semántica del comportamiento (Figura 8c) exhibe las mismas informaciones de una
función de acción pero incluye otros valores sobre las entradas y salidas no esperadas en el
sistema. Así, los atributos de comportamiento considerados son: las entradas/salidas
esperadas y no esperadas de flujo de objeto (intended/unintended input, intended/uninteded
output), entradas y salidas intencionadas y no intencionadas de flujo de acción (driving input,
unintended input, functional output, side effects), y los estados de transición. Para la sintaxis
de los atributos de comportamiento, el autor recomienda también el uso de ambos
lenguajes.
Función de Función de accción: Comportamiento:

propósito: Propósitos: Aumentar fuerza Purpose: Aumentar fuerza
Aumentar Entrada dirigida: empujar/tirar Estrucura: C1 5 palanca con nodo O y final en A y final en B;
fuerza palanca hasta determinado fin. Atributos de C1: C1V15 distancia hasta OA, C1V25 distancia
Salida funcional: Empujar objeto a hasta OB;
través de palanca hasta Entrada dirigida: D15 la palanca es provida de acciones de
determinado punto final. empujar/tirar hasta final en A;
Atributos de D1: D1V15 fuerza de D1;
Salida funcional: F15 la palanca emite fuerza de empuje hasta
final en B;
Atributos de F1: F1V15 fuerza de F1;
Atributo de expresión: F1V15 D1V1 * C1V10C1V2.
(a) (b) (c)

Figura 8 - Funciones y comportamiento según la representación FBS de Deng [7].
Para conectar los niveles, el modelo utiliza una relación de tipo F → B → S . Este modelo
difiere de los demás en la división del nivel funcional en dos tipos de abstracciones: la
intencional (función de propósito) y la operacional (función de acción). Para enlazar ambos
niveles de funciones se utiliza un atributo de función de propósito. Para enlazar una función
de acción con un comportamiento y el comportamiento con la estructura, el modelo utiliza
los atributos de estados y de entradas/salidas de acción o objeto.
La Figura 9 muestra una simplificación sobre la semántica, la sintaxis y atributos de relación
presentados en el modelo de representación TFMF.
9
Figura 9 - Simplificación semántica, sintaxis y relaciones en el modelo TFMF.
3. Análisis de las limitaciones y posibles mejoras

Esta sección presenta una breve discusión sobre la representación en los modelos
funcionales de soporte del diseño, con el fin de extraer las potenciales mejoras para el futuro
desarrollo de modelos computacionales de soporte del diseño.
Los modelos de síntesis estudiados exploran conocimientos y generan nuevas soluciones a
los problemas de diseño. Se observa que parte de estos modelos está en un proceso
evolutivo y necesitan avanzar para ofrecer mejores soluciones. Entre los años 1989 hasta
1996, se observa que el conocimiento se describe a través de entradas y salidas de los
componentes abstraídos. En los años que siguen, estas entradas y salidas pasan a ser
consideradas como un nivel intermedio y se añade un nivel de mayor abstracción que
describe las intenciones del diseñador. Así, mientras los primeros modelos son simples y
describen los problemas de diseño de manera limitada, con la inclusión de las funciones que
reflejan las intenciones se facilita la interacción entre diseñador y modelo. Por tanto, existe
una clara evolución en el enfoque de la representación del nivel de función, pasando de un
enfoque orientado únicamente al componente a un enfoque orientado también a las
intenciones.
Otro punto considerado en el análisis es la forma en que cada modelo interpreta los
problemas de diseño, ya que cada modelo de síntesis describe el diseño con información de
problemas muy específicos, entorpeciendo la generalización de un modelo a otros dominios
de aplicación. Con la evolución de los modelos, este inconveniente se atenúa añadiendo
nuevas informaciones que contemplan más dominios de aplicación.
De los modelos de representación existentes, el que presenta la mejor propuesta es el
modelo de Deng [7], que distingue la semántica de la sintaxis en la representación del
conocimiento. Sin embargo, la representación utilizada por este modelo dificulta su
aplicación directa a otros modelos de síntesis. Así, para utilizar la representación de Deng
en otros modelos computacionales de síntesis se necesita mejorar los siguientes aspectos:
10
• Detalle de los niveles de abstracción – El modelo debe añadir información en algunos
niveles para ampliar el ámbito de aplicación a otros dominios
• Información sobre evaluación – Incluir en algunos niveles de abstracción información
para evaluar las funciones y alternativas durante la síntesis, con el fin de ayudar a
converger en el espacio explorado y evitar la acumulación de un gran número de
alternativas de solución.
• Aumentar las relaciones entre los niveles – Describir y representar las relaciones entre
los niveles, de forma que puedan aplicarse fácilmente al desarrollo de un modelo
computacional. Además, es conveniente añadir nuevas relaciones y explicitar los
atributos necesarios para implementarlas, con el fin de proporcionar más caminos a
través de los cuales encontrar soluciones, facilitando el proceso de síntesis de
soluciones.
• Considerar los Flujos del Entorno – Incluir en el modelo de representación un nivel que
describa los flujos externos y que interaccione no sólo con parte de los niveles de
conocimiento representado, sino con todos ellos (función, comportamiento y/o estructura
y las subdivisiones entre estos).
A partir de los aspectos descritos, se espera proponer un nuevo modelo de representación
de diseño que pueda incluir nuevos detalles, nuevas relaciones y nuevas informaciones para
facilitar la síntesis en otros modelos computacionales.
4. Referencias
[1] Chakrabarti A., (Phd) Designing by Functions, PhD, Department of Engineering,
University of Cambridge, Cambridge, 1991.
[2] Umeda Y., Takeda H., Tomiyama T. and Yoshikawa H., "Function, Behaviour, and
Structure", Gero J., ed., Applications of Artificial Intelligence in Engineering V, 1 Springer,
Berlin, 1990, 177-194.
[3] Takeda H., Veerkamp P., Tomiyama T. and Yoshikawa H., "Modeling Design Processes",
AI Magazine, Vol.11 (4), 1990, pp.37-48
[4] Gero J., "Design Prototypes: A Knowledge Representation Schema for Design", AI
magazine, Vol.11 (4), 1990, pp.26 - 36
[5] Gero J. and Kannengiesser U., "The Situated Function-Behaviour-Structure Framework",
Gero J., ed., Artificial Intelligence in Design 02, 2002,
[6] Takeda H., Yoshioka M., Tomiyama T. and Shimomura Y., Analysis of Design Processes
by Function, Behavior and Structure, The Delft Protocols Workshop, conference
proceedings., 1994.
[7] Deng Y., "Function and Behavior Representation in Conceptual Mechanical Design",
Artificial intelligence for engineering design,analysis and manufacturing - AIEDAM, Vol.16
2002, pp.343-362
[8] Dorst K. and Vermaas P.E., "John Gero’S Function-Behaviour-Structure Model of
Designing: A Critical Analysis", Research in Engineering Design, Vol.16 2005, pp.17-26
[9] Kitamura Y. and Mizoguchi R., "Ontology-Based Systematization of Functional
Knowledge", Journal of Engineering Design, Vol.15 (4), 2004, pp.327-351
[10] Chakrabarti A., Supporting Two Views of Function in Mechanical Designs, AAAI 1998,
Madison, 1998.
11
[11] Far B.H. and Elamy A.H., "Functional Reasoning Theories: Problems and Prespectives",
Artificial Intelligence for Engineering Design, Analysis and Manufacturing (AIEDAM), Vol.19
2005, pp.75-88
[12] Mizoguchi R., "Tutorial on Ontological Engineering - Part 1: Introduction to Ontological
Engineering", OhmSha&Springer, ed., New Generation Computing, 4 2003, 365-384.
[13] Chakrabarti A. and Bligh T.P., "A Scheme for Functional Reasoning in Conceptual
Design", Design Studies, Vol.22 2001, pp.493 - 517
[14] Ulrich K.T. and Seering W.P., "Synthesis of Schematic Descriptions in Mechanical
Design", Research in Engineering Design, Vol.1 (1), 1989, pp.3-18
[15] Kota S. and Chiou S.-J., "Conceptual Design of Mechanisms Based on Computational
Synthesis and Simulation of Kinematic Building Blocks", Research in Engineering Design,
Vol.4 1992, pp.75-87
[16] Liu Y., Chakrabarti A. and Bligh T., "A Computational Framework for Concept
Generation and Exploration in Mechanical Design Further Developments of Function",
Artificial Intelligence in Design '00, 2000, pp.499 - 519
[17] Zhang W.Y., Tor S.B. and Britton G.A., "A Heuristic State-Space Approach to the
Functional Design of Mechanical Systems", The International Journal of Advanced
Manufacturing Technology, Vol.19 (4), 2002, pp.235-244
Agradecimientos
This research has been supported by the Spanish Ministry of Science and Technology, DPI
2002-04357-C03 and by the Programme Alban, the European Union Programme of High
Level Scholarships for Latin America, scholarship no E04D030611BR.
Correspondencia (Para más información contacte con):

Dioclecio Camelo, Dr. Rosario Vidal and Dr. Elena Mulet.
University Jaume I, Department of Mechanical Engineening and Construction, Engineering Design
Group (GID). Campus Riu Sec, Castellón, Spain.
Tel. 34 964729252. Fax: 34 964 728106. e-mail: emulet@emc.uji.es. http://www.gid.uji.es
12
Artículo D
X CONGRESO INTERNACIONAL DE INGENIERIA DE PROYECTOS
VALENCIA, 13-15 Septiembre, 2006
CLASSIFICATION OF THE EVALUATION PROCESS WITHIN

FUNCTIONAL SYNTHESIS MODELS
D. Camelo(p), R. Vidal Nadal, E. Mulet Escrig
Abstract
As design problems become more complex and design lead time is more pressing, designers
need supporting tools to generate and evaluate new concepts. One of the major drawbacks
of traditional CAD technology is that it cannot perform functional design to automate concept
generation based on information provided in a set of specifications. Over the past years,
different models for functional design automation and for design evaluation have been
proposed to assist designers during conceptual phase.
Keywords: evaluation models, functional synthesis models, design automation
Resumen
A medida que los problemas de diseño se van volviendo más complejos y el tiempo de
especificación de diseño más apremiante, los diseñadores necesitan herramientas auxiliares
para generar y evaluar los nuevos conceptos. Uno de los principales inconvenientes de la
tecnología CAD tradicional es que no permite realizar un diseño funcional para automatizar
la generación de conceptos basados en información aportada como un conjunto de
especificaciones. En los últimos años, se han propuesto diferentes modelos para la
automatización del diseño funcional y la evaluación de conceptos, para ayudar a los
diseñadores durante la fase conceptual.
Palabras clave: modelos de evaluación, modelos de síntesis funcional, automatización del
diseño
1. Introduction
Companies need to produce innovative products in an increasingly competitive market place.
In the conceptual phase of the design process, a large number of design options have to be
generated and evaluated.
The major drawbacks of traditional CAD technology are that it cannot perform functional
design to automate concept generation based on the information provided in a set of
specifications, that it lacks the knowledge to make decisions, and that it is not able to draw
conclusions from the available, inadequate and approximate information.
During the last years, different models for functional design automation and for design
evaluation have been proposed to assist designers during the conceptual phase. There are
two major issues that must be addressed to achieve effective support for conceptual design.
First, the concept generation process of conceptual design is hardly known. Cognitive
models of conceptual design are being explored but it will still take time for this knowledge to
be applicable to computational design models. Another important issue is the lack of
quantitative information at the conceptual design stage [1]. This situation makes difficult
establishing evaluation criteria to support conceptual design.
1
The main focus of this paper is to present a new classification of the evaluation processes
within functional synthesis models to better understand how the evaluation of functions and
alternatives during the conceptual phase is done.
Traditionally, evaluation models have focused on the evaluation of alternatives. Classification
of these models is related with the selection, importance and measure of the criteria and
about how to evaluate several criteria [2].
A different classification is presented by Green [3] for computer-based evaluation models.
One of the issues considered is the evaluation basis: design models use four distinct
evaluation processes to analyse their solution spaces, and to explore knowledge from a
database. As presented by the author, evaluation models compare the following pairs:
concept-concept, concept-specification, specification-knowledge and concept-knowledge.
Current models of functional synthesis belong to the specification-knowledge basis. This
evaluation basis involves direct comparison between the target criteria values in the product
design specifications and the design cases held in the knowledge base. Thus, it reveals
potential designs already in the knowledge base, allowing for evaluation and creation of new
concepts.
The classification proposed in this paper includes concepts from evaluation models for
alternative solutions, concepts defined by Green [3], and new concepts derived from function
decomposition during the design process using functional synthesis models.
The following sections describe the classification proposed, the models used by each
functional synthesis model according to the type of object evaluated, the evaluation of
explored functions, the ways to extract criteria and their weights, the values used to define
the degree of proximity between the alternatives and the criterion, and which models are
used to evaluate and select the best alternatives in the solution space.
2. Functional reasoning models

The following seven functional reasoning frameworks are analysed respect the evaluation
processes within functional synthesis and alternatives selection:
• The objective of the Esterline and Kota’s [4] Initial Design Selection (IDS) model is to
guide redesign by using a mapping between functional elements and the design
requirements. Its resolution process uses iterative cycles that generate new solutions
based on knowledge of past projects. To evaluate the functional exploration, the
model considers the function requirements to be met into the design system. To
evaluate the solution space, the model estimates a degree of proximity between the
alternatives and the project specifications.
• Kota and Chiou’s [5] Kinematic Building Blocks (KBB) is a solution model that
represents the components used in symbolic matrices (of functions and constraints).
In one hand, the model evaluates alternatives under a qualitative simulation of
components, relating the kinematics motion of each element. In the other hand, the
model evaluates explored functions matching the inputs and outputs flows of motion
of each element.
• Li et al.’s [6] Qualitative and Heuristic Approach (QHA) is a solution model that
represents its physical components in a qualitative manner. Components are
abstracted by their inputs, outputs, controls, and relations between inputs and outputs
based on a functional classification table. The algorithm also adapts the best-first
search algorithm and, at the end of each iterative cycle, selects solutions with
minimum number of components. To evaluate the functional exploration, the model is
2
guided by this classification table. To evaluate the solution space, the model ranks
alternatives based on number of components.
• Li et al.’s [7, 8] Automatic Design by Configuration Space (ADCS) is similar to the
previous framework, although differing from it in the way it represents and evaluates
functions and alternatives. In this model, functions are expressed by their qualitative
efforts, motions, and motion constraints. Functions are selected by estimating the
kinematics motions using a mathematic approximation. The solution space is
evaluated considering the best alternative with minimum number of devices.
• Heuristic State-space Approach (HSA) of Zhang et al. [9] is a synthesis model that
uses a functional solution algorithm based on an adapted best-first search algorithm.
To solve a design problem, a heuristic estimation guides the designers’ intention to
an optimal solution. To represent this solution, a Behaviour Driven-Function-
Environment-Structure (B-FES) approximation is used. This representation takes into
account the functions, behaviours, structures, and flow from environments to abstract
components and intentions. This model uses a functional evaluation to guide the
exploration, meeting the functional requirements of the system. It estimates a degree
of proximity between alternatives and project specifications to evaluate the solution
space.
• Chakrabarti’s FuncSION [10, 11] is a design software based on a computational
model that solves mechanical design problems using three computable
environments, i.e. Topological synthesis, Spatial synthesis, and Physical synthesis
environments. For each design step, the software uses specific forms to reduce the
solution space. At the end of the problem-solving process, the user selects the best
alternative grouped by a heuristic approximation, represented in a 3D visualization of
the generic physical representation.
• Jin et al.’s [12] Hierarchical Co-evolutionary Design (HiCED) is a problem-solving
model based on genetic algorithms. The model uses a binary representation of
functions and means to solve a design problem, and evaluates the generated
solutions by means of a fitness function. The fitness function considers criteria related
to the abstraction of a design solution. E.g. structural connection of functions, flows,
and mapping of means with inputs and outputs.
3. Evaluation models
Each studied model uses methods to evaluate the functional elements explored and
alternatives developed during the reasoning process. To better understand the way these
models evaluate functions and alternatives, a classification was built. This classification
considers the evaluation purpose, the domain of the design, the criteria used, and the form
each model selects elements from the solution space. Table 1 shows this classification in
detail. The aspects analysed by the classification are defined below:
• Object of evaluation: Object evaluated by the method. E.g. alternative and/or function.
• Functional synthesis: Model by which functions are built or decomposed during the
functional reasoning process, e.g. function-mean trees, input/output relation,
characteristics search, best-first search, heuristics search, etc.
• Functional evaluation: Model used to evaluate functions from the explored space, e.g.
best specifications, heuristics, rules based, fuzzy based, etc.
• Alternative criteria: Model by which criteria are extracted to evaluate alternatives, e.g.
specifications, requirements, and/or restrictions.
3
• Criteria importance: Model used to identify the degree of importance of each criterion,
e.g. estimation, statistic processes, eigenvectors, etc.
• Criteria valuation: Model used to define performance of the alternative related to each
criterion, e.g. simulation, utility function, fuzzy based, estimations, etc.
• Alternative evaluation: Evaluation of alternative solutions is performed using methods
like highest rank, weighted sum, heuristics, evolutionary algorithms, etc.
Classification
Functions Alternatives
Object of Criteria
Synthesis models Synthesis Evaluation Criteria Valuation Evaluation
evaluation importance
Initial Design Functions Characteristics Best
Requirements Estimation Utility function Weighted sum
Selection (IDS) Alternatives search specifications
Kinematic Building Functions Input/output

Rules based Requirements - Simulation Weighted sum
Blocks (KBB) Alternatives relation
Functions Input/output
FuncSION Heuristics Specifications - Simulation Highest rank
Alternatives relation
Qualitative and
Best
Heuristic Approach Functions Best-first search - - - -
specifications
(QHA)
Automatic Design
Functions Input/output
by Configuration Heuristics Requirements - Simulation Highest rank
Alternatives relation
Space (ADCS)
Heuristic State-
Functions Function-mean Specifications and
space Approach Heuristics Estimation Fuzzy based Heuristics
Alternatives trees requirements
(HSA)
Functions Function-mean Specifications and
HiCED Rules based Estimation Simulation Evolutionary algorithms
Alternatives trees requirements
Table 1. Classification of evaluation processes within functional synthesis models
3.1 Synthesis of function

During the functional reasoning, the studied models seek for ways to meet updated
functional requirements for each design cycle. This search process consists of a knowledge-
based exploration that starts with project specifications and continues combining the
selection of this exploration in new design alternatives. From the computational point of view,
the functional evaluation might be used to decrease the explored space and to avoid the
combinatorial explosion of solutions. Each model presents distinct forms to solve the
functional synthesis process. This difference is related to the manner functions and physical
elements are represented. In the classification, some models orient their synthesis using
search processes, such as characteristics search (IDS) or best-first search (QHA). Other
models, like KBB, FuncSION and ADCS use the relationship between input and output; and
the HSA and HiCED use trees of function-means to decompose functions.
The IDS framework synthesizes by using a model-specification pair. For each specification,
IDS searches the knowledge base for known elements, returning a list of pairs devices
abstracted (model) and a value called goodness of match, which indicates how well the
device matches the characteristic. The elements explored are shallow since they do not
capture the structures of the devices, systems or processes, nor do they record
characteristics related to the compatibility of elements. Each explored element describes an
abstraction of the structure, compatibility of the artefact, and essential information needed to
realize the artefact or to redesign the initial selection. If a specification is considered
complex, IDS breaks each one into a set of one or more simple specifications. These
specifications are also treated as constraints in the design process.
4
The KBB framework uses a functional building block which describes only primary functions
without considering constraints, physical descriptions, or manufacturing processes. These
functions can be decomposed into mechanisms and devices. The physical abstraction of
elements allows the mapping of abstract functions to alternate structures of physical
artefacts. During the functional decomposition process, the model discovers ways to
decompose a given function into subfunctions or components based on the input and output
relation. Then, an alternative in function-level is lead to a different design configuration. The
described decomposition process is represented by motion transformation matrices, which
are matched against a library of matrices (Motion Transformation Matrix and sequence of
Constraint Matrices). During the decomposition process, the synthesis model matches
desired MTM against building block MTMs. The output of the first element is treated as the
input to the second element and so on. If a suitable match is not found, the desired MTM is
then decomposed into a series of subfunction matrices. This decomposition process is
automated by performing matrix manipulations. Kota and Chiou [5] present three different
types of matrix manipulation techniques, e.g. column shifting, row shifting, and
decomposition matrix.
The HSA model uses pre-registered function-mean trees to divide a complex problem into
less complex subfunctions. Thus, a new design alternative is developed with the new
functional requirements. Subsequently, the model verifies whether some or all of the
functional requirements are satisfied in the environment or not, and match the corresponding
requirements to update this new alternative. After the evolution of the alternative, the model
ranks all the unexplored design alternatives, and selects the best for further causal
behavioural reasoning unless the selected alternative is already considered a solution. If the
previous functional requirement cannot be decomposed, this alternative is discarded and the
next from a list of alternatives is selected for the reasoning.
The QHA model uses the best-first search to guide the functional synthesis of the solution
space. The design process proceeds by comparing the differences in characteristics in the
input and output motion, and identifying the appropriate function-classification table. Devices
with the corresponding required functions are retrieved. These potential devices are then
ranked by counting the number of relevant functions they provide.
The ADCS model synthesizes a solution by retrieving kinematic pairs with appropriate
shapes. The solution is represented by a method called configuration space (Cspace). This
process starts with initial design specifications, and appropriate behaviours are sought from
the Cspace of all kinematic pairs in the library. If some requirements are not satisfied, a new
specification is built, and the process of searching from the Cspace is repeated. Then,
another kinematic pair is retrieved. The synthesis process is implemented by a heuristic
searching algorithm with backtracking. When backtracking to previous problems occurs, a
problem-handling routine is invoked to identify new Cfeatures that partially realize the
required elemental function. This leads to the formation of a new specification, and thus the
retrieval of an additional kinematic pair.
FuncSION uses synthesis assumptions divided into three levels: a kind synthesis which
generates ideas at the topological level, a spatial synthesis where the alternative spatial
configurations are synthesized, and the physical synthesis, which can generate alternative,
qualitative physical embodiments for each of these spatial configurations. These three
synthesis phases extract elements from a pre-existing solutions and classified library based
on an object-oriented paradigm. The synthesis process is guided by an exploration of the
knowledge base where the maximum usable number of elements is used; all possible
combinations of these elements are synthesized, following rules of input and output
connection.
5
The HiCED model begins the design process abstracting a solution by functions and means.
Functions are decomposed and more specific functions and means evolve to form complete
design concepts. A grammar-based approach is adopted for function decomposition, and a
co-evolution process of functions and means is introduced for automated function structuring
and function-means mapping at each layer of decomposition.
3.2. Evaluation of functions

During the functional synthesis process, functions are evaluated to guide creation of new
alternatives. As shown by the classification table, three models (FuncSION, ADCS and
HSA) select functions based on heuristic method, two models (KBB and HiCED) use rules to
to guide the synthesis process, and another two models (IDS and QHA) consider the best
functions that meet specifications.
The FuncSION model uses a screening process based on heuristics and constraints at each
level of synthesis. The screening is used to group similar solutions together, or to eliminate
unfeasible solutions at the earliest possible time as to reduce the explored space. The
heuristics are used to group topological solutions based on their functional and physical
similarity, to group basic elements based on their functional similarity, to cluster topological
solutions based on their functional similarity, and to discard topological solutions which fail to
provide the required functionality.
The ADCS model employs searching algorithm and heuristic to evaluate functions during the
synthesis process. For the model, if a single Cspace explored contains all the required
behaviours of components, then the design process finishes, and the corresponding
kinematic pair is selected. The exploration is guided by two kinds of motion detection, a
function requirement representing any motion which corresponds to a point in the Cspace
(point Cfeature); and a function requirement that involves any motion which corresponds to a
segment in the Cspace (segment Cfeature). A heuristic is used to guide the selection of one
Cfeature. In this heuristic a score measures the extent to which the effort, motion, and motion
constraint characteristics match the requirements of the function requirement for each
Cfeature. The Cfeatures are ranked according to this score and the best is selected. The
highest Cfeature represents a useful physical element which implies a better utilization of the
kinematic motion range.
The HSA model uses heuristics to deal with the uncertainty of the evaluation and selection of
functions. The universe of a fuzzy set is used to express the imprecise levels of performance
rating. The imprecise levels are linguistic terms like very low, low, fairly low, medium, fairly
high, high, and very high. The linguistic scale is used to transform linguistic terms of partial
performance ratings into fuzzy numbers defined in the interval [0,1].
The KBB model evaluates functions taking into account rules to interconnect the input-output
of motion between components or mechanisms. The configuration sought by the model
includes descriptions of one or more mechanisms types and a feasible range of parameters
that control performance characteristics. In kinematics design of Kota and Chiou [5], the input
and the output are generally considered to have a fixed axis. The choice of a particular type
of mechanism depends on the constraints contained in the Motion Transformation Matrix
(MTM) and the sequence of constraint matrices. Besides the mechanical constraints, the
matrix representation of the model permits additional matrices to represent the dynamic and
cost constraints.
The HiCED model uses grammar rules to base the functional decomposition of the reasoning
process. For ideal execution of these rules, general and specific balances are implemented.
They limit the domain application and generalize the direction of functions to be
decomposed. These rules attend two main principles, generic grammar rules and action
based rules. As presented by the authors, the first rules are divided into initial rule, general
6
expansion rule, and termination rule. The action-based rules refer to the action performed by
functions, which are divided into action decomposition rules and action expansion rules.
In the IDS Model, the value goodness-of-match, taken from the returned model pair, gives
information to the evaluation about each iterative synthesis of function. For each
specification, the model returns a list of pairs (mi , gomi ) , where mi is an element and gomi
0 ≤ gomi ≤ 1 is a measure, called goodness-of-match. Generally, there is some threshold
where the pair is not included into the range. If the output list is empty, then the simple
specification has no solution. When more than one element is found, the element pairs are
selected into a rank, oriented by the gomi value. The highest value represents the best
element in this rank.
The QHA model calculates an aggregation of the relevant functions requirements met by
components. This calculation exposes best devices that provide the maximum number of
required functions that satisfy the design requirements.
3.3. Criteria and their importance

To compare alternatives in the solution space some criteria are used. These criteria serve to
measure the proximity of alternatives and the specifications, functions or requirements
desired for the product. It is accepted that many aspects of the design evaluation are highly
subjective, particularly in the initial stages. As presented by the classification, some criteria
are considered by the evaluation of the requirements and specifications of the project or
functionality desired by the product. Each criterion considered can receive a degree of
importance. This degree can be estimated by the designer, using statistic methods or with
the help of eigenvectors. In our survey, all models with multi-criteria evaluation use the
degree of importance estimated by the designer.
The IDS model extracts criteria from the requirements of the project. For instance, these
requirements can be considered as desired characteristics of the product, such as
aesthetics, manufacturability, cost, and functionality. Weights in the interval [0,10] are also
considered influencing the contribution of each term in the calculation of goodness-of-match
values.
The KBB Model defines criteria based on requirements of design product, and discretized
into functions and constraints. The criteria are represented as abstract matrices of
parameters that contain design parameters for input-output relationships. These matrices are
used to evaluate each alternative in a qualitative simulation of motion. As the authors
consider one motion criterion, this criterion does not present a degree of importance.
The ADCS model considers the design requirements as initial criteria for the synthesis of
alternatives. Although the model does not evaluate the solution space, these criteria are
used to guide the functional synthesis process. Three fundamental quantities in requirements
are considered, e.g. effort, motion, and motion constraints.
The HSA model extracts criteria from the specifications of the product and from the
requirements of the project. For this last criterion set, Zhang et al. [9] show examples of
design criteria, such as compactness and other life-cycle issues (manufacturability,
assemblability, maintainability, reliability, efficiency, etc). The degree of importance is
estimated by the designer with the support of the Fuzzy method. This method specifies
seven linguistic scales that are translated to numeric scores from the [0,1] interval.
HiCED model extracts criteria from the general principles and information acquired during the
design process. On early stages, a list of requirements and a set of high level functions are
supplied by the designer (specifications). And during the reasoning, a degree of importance
7
is defined for certain means in a combination table. This preference rules indicates the
likelihood a means is selected during the design process.
3.4. Valuation of criteria

In each considered criterion, values are defined to measure the proximity degree in which
alternatives are related to the criteria. As presented by the classification, a model uses
function of utility to approximate critical values, another one defines a qualitative simulation
to measure inter-relation between components, another one uses fuzzy methods to deal with
the uncertainty of these proximities, and a last one uses fitness functions based on genetic
algorithms and programming.
The valuation of the IDS model refers to the degree of match reached by each element and a
requirement. The goodness-of-match value retrieved every iterative exploration represents
this match value. To retain the simplicity of the computation of the model, a utility function is
also defined. This function is required to map closed intervals of utility of elements, and it
reflects how critical a goodness-of-match value of an element interacts with the goodness-of-
match value of the next element in the alternative chain. For instance, if a utility function
exceeds the 0.5 value, then this argument is considered closed to 1. The value of the
antecedent element must have a high goodness-of-match to contribute to the value of the
consequent.
At a lower level of representation, the KBB model replaces the symbolic elements of the
matrices to simulate by means of parametric equations. These equations supply information
to the evaluation process of each alternative. These parametric equations represent the
information regarding devices motion through dynamic analysis. As presented by the
authors, this formulation is generalized for all motion cases, i.e. rack-input-and-pinion-output,
pinion-input-rack-output, x-y plane, y-z plane, or z-x plane.
To define values for criteria, the HSA model uses a linguistic value set that are transformed
into numeric scores. This translation consists in a defuzzyfication process, where linguistic
values [very low, low, fairly low, medium, fairly high, high, very high] are translated into
values [0.08, 0.2, 0.35, 0.5, 0.65, 0.8, 0.93] respectively.
The HiCED model valuates its criteria using a fitness function which considers these factors:
rules to define the degree of compatibility of connections between the functions of the design
systems, size of the functional structure, degree of compatibility of the means connections,
performance of each mean, and preference of certain means defined by the user.
3.5. Evaluation of alternatives

In each studied model, alternatives are evaluated after each problem-solving cycle. This
evaluation serves to decrease the solution space, and to select the best solution at the end
of the design process. As presented by Bouyssou et al. [2], alternatives with multiple criteria
might be evaluated according to a uni-dimensional synthesis. This reduction eases the
complexity of evaluation, and guides the selection of the designer or the automated process.
This dimensional reduction can use some know aggregation methods, such as weighted
sum, addictive multi-attribute value, outranking, etc.
In the studied models, we verified an evolution of the evaluation processes, which starts from
a simple comparison of alternatives in a rank, passing through qualitative simulations and
heuristics, and reaching the more recent algorithms of genetic evolution. The IDS and KBB
models use a weighted sum to point the best alternative in a rank, the KBB model compares
the qualitative simulation between components, the HSA model selects the best alternative
using heuristic estimations, and the HiCED model uses evolution algorithms to evaluate
solutions. One models (QHA) does not evaluate the solution space. FuncSION and ADCS
8
use rank alternatives to compare their performance of motion. FuncSION evaluates this kind
of motions in a different manner; the model uses a graphical interface to support the
continuity and reciprocity evaluation of components.
4. Conclusions
As design problems become more complex and design lead time is more pressing, designers
need supporting tools to generate and evaluate new concepts. This paper presents a new
classification of issues related with the evaluation process of functional reasoning models
and a subset of functional models is described according with this classification.
The newest functional design models include evaluation of alternatives, but in all cases, the
evaluation process in the functional design models analysed is quite simple compared to the
evaluation models for just alternative evaluations presented in the literature. This remark may
be used as a recommendation for the improvement of future functional design models.
Future works involve a testing of a wider range of functional reasoning models and the
development of new evaluation processes for functions and alternatives selection.
References
[1] Thurston D.L., "A Formal Method for Subjective Design Evaluation with Multiple
Attributes", Research in Engineering Design, Vol.3 (2), 1991, pp.105 - 122
[2] Bouyssou D., Marchant T., Pirlot M., Perny P., Tsoukiàs A. and Vincke P., "Evaluation
and Decision Models: A Critical Perspective", Kluwer Academic, Massachusetts, 2000.
[3] Green G., "Towards Integrated Design Evaluation: Validation of Models", Journal
Engineering Design, Vol.Vol 11 (2), 2000, pp.121-132
[4] Esterline A. and Kota S., "A General Paradigm for Routine Design - Theory and
Implementation", Artificial Intelligence in Engineering Design, Analysis, and Manufacturing,
Vol.6 (2), 1992, pp.73-93
[5] Kota S. and Chiou S.-J., "Conceptual Design of Mechanisms Based on Computational
Synthesis and Simulation of Kinematic Building Blocks", Research in Engineering Design,
Vol.4 1992, pp.75-87
[6] Li C.L., Tan S.T. and Chan K.W., "A Qualitative and Heuristic Approach to the Conceptual
Design of Mechanisms", Engineering applications of artificial intelligence, Vol.9 (1), 1996,
pp.17-31
[7] Li C.L., Chan K.W. and Tan S.T., "Automatic Design by Configuration Space: An
Automatic Design System for Kinematic Devices", Engineering Applications of Artificial
Intelligence, Vol.12 1999, pp.613-628
[8] Li C.L., Chan K.W. and Tan S.T., "A Configuration Space Approach to the Automatic
Design of Multiple-State Mechanical Devices", Computer Aided Design, Vol.31 1999, pp.621-
653
[9] Zhang W.Y., Tor S.B. and Britton G.A., "A Heuristic State-Space Approach to the
Functional Design of Mechanical Systems", The International Journal of Advanced
Manufacturing Technology, Vol.19 (4), 2002, pp.235-244
[10] Liu Y., Chakrabarty A. and Bligh T., "A Computational Framework for Concept
Generation and Exploration in Mechanical Design Further Developments of Function",
Artificial Intelligence in Design '00, 2000, pp.499 - 519
9
[11] Chakrabarti A., Langdon P., Liu Y. and Bligh T., "An Approach to Compositional
Synthesis of Mechanical Design Concepts Using Computers", Chakrabarti A., ed.,
Engineering Design Synthesis. Understanding, Approaches and Tools, Springer-Verlag,
London, 2002, 179 - 194.
[12] Jin Y., Li W. and Lu S.C.Y., "A Hierarchical Co-Evolutionary Approach to Conceptual
Design", Cirp Annals-Manufacturing Technology, Vol.54 (1), 2005, pp.155-158
Aknowledgements
This research has been supported by the Spanish Ministry of Science and Technology, DPI
2002-04357-C03 and by the Programme Alban, the European Union Programme of High
Level Scholarships for Latin America, scholarship no E04D030611BR.
Correspondence
Dioclecio Camelo, Dr. Rosario Vidal and Dr. Elena Mulet.
University Jaume I, Department of Mechanical Engineening and Construction, Engineering Design
Group (GID). Campus Riu Sec, Castellón, Spain.
Tel. 34 964729252. Fax: 34 964 728106. e-mail: vidal@emc.uji.es. http://www.gid.uji.es
10
Artículo E
INTERNATIONAL CONFERENCE ON ENGINEERING DESIGN, ICED’07
28 - 31 AUGUST 2007, CITÉ DES SCIENCES ET DE L'INDUSTRIE, PARIS, FRANCE
FUNCTION AND BEHAVIOUR REPRESENTATION

FOR SUPPORTING FLEXIBLE EXPLORATION AND
GENERATION IN A FUNCTIONAL MODEL FOR
CONCEPTUAL DESIGN
Camelo, D.1, Mulet, E.1 and Vidal, R.1
1
Universitat Jaume I - Spain
ABSTRACT
For years, CAD systems have assisted many design tasks. These systems help to capture and control
information in the final stages, when the product has a defined form and function. In spite of the
advances that have been made, knowledge in the preliminary stages is still an incipient issue for
engineering design researchers. For this reason, functional representation remains a challenge that has
still to be solved.
Many of the synthesis models that are currently available perform cycles of exploration, generation
and evaluation, but they do not allow for designer intervention [1]. Yet, the most recent models
consider that designer interaction during synthesis is essential to achieve better results [2-5].
From the point of view of knowledge representation, few models are capable of capturing/representing
such a wide range of information as that used during a real synthesis process. Most of the models that
have been studied restrict their representation to the mechanical design area and most of them
synthesize concepts by means of specific reasoning methods (e.g. input-output relation, cause-effect
relation, bond-graph, function-means tree, etc.).
In this work we took an analysis of function and behaviour representation of the most significant
synthesis models as the basis for some potential improvements. The aim of the present work is
therefore to define a representation scheme which considers these improvements and seeks to
accomplish the following goals: facilitate the intervention of designers during synthesis cycles and
return to higher levels of abstraction in the design process in order to generate alternatives.
This research work introduces a knowledge representation and reasoning scheme to support the design
process in the early stages of design; this will in turn facilitate the interaction of the designer during
synthesis and the representation of a wide range of knowledge within different knowledge domains.
Keywords: function and behaviour representation, support conceptual design, functional reasoning
1 INTRODUCTION
The design of engineering products is one of the most important contributions to wealth generation in
industrial nations and a strategic aspiration of many developing economies. It is therefore not
surprising that a great deal of scientific research is currently being conducted in order to understand,
optimise and support the processes and activities involved in the design and production of engineering
products [6].
It is accepted that the design activity can be divided into four phases: clarification of the task,
conceptual design, embodiment design and detail design. The aim of the conceptual design phase is to
devise the concept of the artefact. By the end of this phase, the designer should have a clear, but not
necessarily complete, conception of the basic structure, working principles and constituent elements,
and a layout for the artefact. This phase is thus crucial to define new, creative products.
CAD systems were introduced into the area of engineering design in order to automate some routine
tasks. Management of requirements, functional modelling or combination of working principles is
supported only by certain tools, which are designed mainly for individual use and to deal with specific
problems. Although a number of computer-based conceptual design systems have been proposed,
nearly all of them are focused on a specific type of design problem. Most of these tools use the
ICED’07/468 1
principles of artificial intelligence to automate the generation of design solutions, thus ruling out the
creative intervention of the user. The theoretical and practical challenges of specifying and creating
computer programs for generic conceptual design is therefore still a relatively unexplored issue [7].
The knowledge managed by these tools hardly takes the creative intervention of the user into account,
and for this reason this article contributes to knowledge representation for conceptual design activities.
With this idea in mind, we present a reasoning scheme and its knowledge representation framework
that enable us to obtain a more flexible model of synthesis.
1.1 Function-Behaviour-Structure model

Since 1990, the Function-Behaviour-Structure (FBS) approach has represented a common language
with which to analyse and compare knowledge representation models. In this line of thinking, function
represents the functions performed by the design, structure represents the states or physical elements,
and behaviour connects the two levels. Gero defends that structure expresses the internal and external
states of a physical element [8] and Umeda holds that this level represents the elements of an artefact
and relationships among them [9]. As a complement for this comparison, other authors maintain that
functions can also present one focus on the designer’s intention and another focus on the operation of
the system [10-14].
1.2 Related works

To analyse and describe the most significant representation models, the analysis adopts the FBS
approximation as a reference for the comparison between models. A set of aspects is used to describe
each representation model, such as semantics, syntax and relationships between the levels of
abstraction. The semantics criterion describes the characteristics of each level of abstraction. From the
computational point of view, these characters express the attributes of each level. Syntax describes
how each attribute can be represented in a computer program so that it can be easily defined, retrieved,
edited and manipulated by a designer or a computer program in specific design situations.
Relationships indicate the links between the knowledge in a database and show the procedure to be
adopted during the synthesis.
The analysis presented here considers the following codifications for the syntax: in natural language,
in mathematical form or direct referent. Natural language is simple and promotes interaction with the
user. In contrast, however, it is ambiguous and lacks precision in its interpretation. The verb +
complement scheme is the commonest form presented by most functional approaches. The
mathematical form solves part of the language problems. Its format is precise but complex for the user
to understand. It always presents the common form of numeric values of constants, variables, ranges
or parametric equations. And direct reference represents a restrictive connection of knowledge inside a
database.
The models by Williams [15], Chakrabarti [16,17] and Zhang [18] introduce three levels of FBS
abstraction. Two other models proposed by Kota [19] and Deng [13] introduce only two levels of
function and behaviour. For most of these models, the relationships are restrictive, linear (from the
more abstract to the more physical levels) and rigid.
On referring to the models that consider the FBS levels, Williams describes the functions in terms of
dynamic movement and the flow of systems. For both cases, the function considers the system as
having a single input and single output (SISO) and the mathematical form predominates on every level
of abstraction. The behavioural level of his model encapsulates the structural elements. Based on this
encapsulated structure, the model adopts the relationship form F → BS . The functional level in the
Chakrabarti model also represents the SISO system. As regards its syntax, this functional level uses
both natural language and the mathematical form, which is also used by the other levels of abstraction.
Due to the clear-cut division of the levels, the relationships occur under the form F → B → S . The
function of Zhang’s model considers the designer’s intention by means of natural language and the
behavioural level encapsulates the structures. The syntax of the behavioural level considers both
natural language and the mathematical form at the same time. The structural level lacks a clear
description. The relationships between the levels occur in the form F → BS .
As far as the models that consider the FB levels are concerned, Kota uses the mathematical form for
both the function and behaviour levels. The model by Deng considers natural language and the
mathematical form for both the functional and behavioural levels. Unlike other models, Deng proposes
ICED’07/468 2
a functional level with two focuses, i.e. intentions and operations. Both Kota’s and Deng’s models
adopt the relationships in the form F → B .
1.3 Problems detected

Based on the previous study, Deng's model was considered to be the one that was best suited to
representing functions with two focuses and behaviour with more precision. The objective of the main
study is to adapt this model to a more flexible synthesis scheme. To accomplish this goal, the proposed
model will have to solve the following problems: difficulty to adapt the model to a synthesis process
focused on the user, difficulty to maintain the interaction between the user and the information,
restriction to explore the knowledge that has been stored, restriction on the domain of the knowledge
represented, and difficulty to reuse the knowledge from past projects.
To solve them, this article introduces a representation scheme that considers improvements to facilitate
designers’ intervention during the synthesis cycles, to return to higher levels of abstraction in the
design process and thus improve the design solution, and to provide better control over the process of
generating alternatives.
2 PROPOSED MODEL
The FBS scheme outlined above allows certain information to be represented for the synthesis.
Although it presents a wide approach, its scheme lacks precision and it cannot be adapted easily to
more flexible reasoning models. Nonetheless, we propose a knowledge representation model to
improve the flexibility of the exploration during the synthesis. The following sub-section describes the
levels of abstraction that go to make up our scheme. Next, the second sub-section shows how the
model uses relationships to connect the levels of abstraction in a more flexible manner.
2.1 Levels of abstraction

The proposed model is based on the levels of abstraction defined by Deng: called purpose function,
describes the designer’s intention; the second level, called action function, abstracts the desired
behaviours; the third level, called behaviour, abstracts the physical states of a component; the fourth
level, called structure, abstracts the geometry of a physical component or mechanism; and the
environmental input, which describes the external flows that affect the execution of the product. Based
on these levels, several attributes and relations between them are defined in order to allow for a more
flexible use.
2.1.1 Functional level

To facilitate interaction between the user and knowledge during synthesis, the model suggests the
reasoning process start with a description of the problem, which can be expressed by means of the
designer’s intentions or the product activity. For this reason, the level of function presents two
focuses: the designer’s intention, called the purpose function ( f i ), and the operation of the product,
called the action function ( a j ). This distinction between these two functions is necessary and
important. First, the purpose function is a higher level of design abstraction and, as such, it makes it
possible to choose from a wider range of design solutions. With carefully elaborated functional
vocabulary, this function may be used to enable wider and more flexible design synthesis to take
place. On the other hand, the action function is focused on a specific design where the behaviour of an
artefact is related to certain actions. This kind of function has a more direct relation with physical
principles which may be used to seek a more specific design solution.
The purpose function is the most abstractive level of those that describe the intention of the designer
or the objectives of a design. Its semantics consider only one attribute with the same name (purpose
function). Its syntax uses natural language in the form of verb + complement. For the verb attribute,
we should use the second class of verbs introduced by Hirtz [20]. This contribution of the
representation model allows the user to define the intention of the product and to avoid ambiguity.
Table 1 shows the semantics, syntax and an example of this kind of function.
ICED’07/468 3
Table 1 – Semantics of the purpose function level and an example of applying this
scheme
Semantics Example
Purpose function (natural language) “regulate occupied volume”
The action function ( a j ) abstracts the behaviour of the product and it is operation-oriented. Based on
this level, designers can guarantee the achievement of an intention. Its semantics consist of the
following attributes:
• Description: this attribute describes the objectives of the function.
• Driving input and functional output: flows of input and output that affect the performance of the
product, mechanisms or components. Unexpected flows are not yet considered at this level.
• Initial and ending states: effects expressed during the operation of the components.
• Purpose functions: List of functions that can be met by the action function.
In its syntax, this level considers both natural language and mathematical representation forms. When
natural language is used to indicate a flow, the attribute uses the verb + complement form. To avoid
ambiguity, as in the case of the purpose function, the driving input and functional output should use
verbs of the third class according to Hirtz’s classification [20]. This representation scheme proposes
two contributions: the integration of flows, i.e. object (material, energy or signal) and action
(movement), and the dependence relationship between an output flow and the final state. For this
reason, an output flow represents a consequence of an indicated final state. Table 2 describes the
semantics and an example of the current level of abstraction.
Table 2 – Semantics of the action function level and an example of the action function
with this scheme
Semantics Example
Description To regulate or reduce the volume of a component to its minimum
value
Purpose functions Regulate volume
Input-output flow: Driving input: Actuate after twisting movement or Stabilise weight
- Driving input Functional output: Change dimension of the component
- Functional output
2.1.2 Behaviour level

Behaviour ( bk ) is the level of abstraction that describes the intermediate states of a component or
physical mechanisms by means of the input and output flows. In this approach, the states can be the
internal states of a component, the internal interaction between two or more components, or the
interaction between a component and its surroundings. Because it focuses on the physical element, this
abstraction presents more precise information. To make this information readable by the user, the level
includes attributes to describe the objectives of the behaviour in a language that is more familiar to the
user.
From the computational point of view, the level of behaviour is similar to the action function. But
there are differences in some characteristics, e.g. it considers the unexpected or harmful flows of the
system, describes the intermediate states of a physical component and describes precise values for the
flows and states. Due to the specific character of the states, the user can identify all the intermediate
states and organise them in chains or networks. This network representation scheme contributes to
allow the user to describe variations in the way the product behaves [21].
The semantics of the behavioural level presents the following attributes:
• Description: similar to the description of the action function.
• Driving input and functional output: flow of an object (material, energy or signal) or an action
that affects the operation of the system.
• Harmful input and side-effects: flows of an object (material, energy or signal) or an action that
hinders the correct operation of the product. Harmful input and side-effects are considered to
be unexpected flows for the system.
ICED’07/468 4
• States: besides the normal initial and ending states, the current attribute can take into account
intermediate states and more than one final state. This attribute can be organised into networks
of chains of states.
• Action functions: list of action functions met by the behaviour element.
• Purpose functions: list of purpose functions attended to by the behaviour.
The syntax of the behavioural level generally uses both a mathematical form and natural language in
its attributes except for the description and purpose functions, which use only natural language. This
mathematical form considers constants, ranges or parametric functions as common formats with which
to express the precise numeric values.
During synthesis, behaviours can be organised in the form of chains or networks to generate variations
of a unique design alternative.
This level of abstraction represents behaviour by means of chains or networks of states. The result of
these states defines variations in the output of object flow and action flow. Table 3 describes the
semantics and an example of a behavioural element.
Table 3 – The semantics of the behavioural level and an example of behaviour with this
scheme
Semantics Example
Description To support a vertically distributed load or which acts on a
certain point on a smooth surface
Driving input (expected input) Weight: 100 kg *
Unit: kg
Range: 0-100
Functional output (expected output) Normal force perpendicular to the surface
Harmful input (unexpected input) Weight equal to or greater than 100 kg
Side effect (unexpected output) Break-up of structure
Initial and ending states (chain or
network)
* These natural language values are just for demonstration purposes.
2.1.3 Structure level

Structure ( s l ) is the least abstract level and describes the geometry of a physical component or
mechanism. Based on this level, the user can get a formal idea of the solution from the model. During
the synthesis process, this level can consider a parametric model of the component to be adapted to the
designer’s needs. With this parametric model, the user receives a visual preview of the component or
the mechanism formed during the synthesis. It is accepted in this research work that this parametric
model would provide the basis for future extensions of the representation model. By means of this
extension the user will be able to consider the surfaces of contact, which allow the shape of the
product to be optimised. In its semantics, the current level presents the following attributes:
• Description: Attribute that gives a literal description of the component or mechanism.
• Purpose functions: List of functions that can be executed by the structure.
• Action function: List of action functions that can be met by the structure.
• Behaviours: List of behaviours performed by the structure.
• Geometric definition: Geometric representation of the physical element.
o Solid geometry: Parametric abstraction of the geometry of the component. A
parametric model can be encapsulated to make a preview of the geometry.
o List of surfaces of contact:
ICED’07/468 5
ID: Identification code of the surface.
Surface type: Type of surface that allows the contact, e.g. plane, cylinder,
concave surface, convex surface, etc. [22].
Degree of freedom (DOF): degree of freedom between the two surfaces [23].
Compatible surfaces: Surfaces that participate in the composition of the
product.
In its syntax, the structure level allows for the use of three types of codification: natural language, a
mathematical form and direct reference between elements. Similar to the behavioural level, the
mathematical form is used in every sub-attribute of the geometric definition and direct reference is
used in the lists of action functions and behaviours.
2.1.4 Environmental input level

Environmental inputs are the external elements that may be needed to perform a particular behaviour.
By means of this level, the user can describe these external elements and control the solution space. To
guide the synthesis process, the model connects the environmental level to both the action function
and behaviour levels. These connections occur when the external elements fulfil the requested inputs
that affect the functionality of the system. Through this method, the model allows chains and networks
of action functions and behaviours to be controlled during the generation of alternatives.
From the computational point of view, the environment level controls synthesis. During reasoning, the
model starts the exploration with action functions and behaviours in order to implement the intentions.
Certain action functions and behaviours are given priority if their required inputs match the
environmental inputs of the system.
To connect the two levels of action function and behaviour, the environment also considers two levels
of representation: one with more precise information to connect with the behavioural level and another
with less accurate information to connect with the action function level.
For the action function level, the semantics of the environment considers the attributes of description,
type of flow and its values (unique or range). For the behaviour level, the semantics inherit the same
attributes but specify the precision of these values. Each specialisation depends on the type of flow,
e.g. action, material, energy or signal.
2.2 Relationships
To represent a product bearing in mind its intentions, behaviours and physical abstraction, the model
stores the necessary data and relates them in a logical sequence. Without them, the result can be an
incomplete solution, misuse of the available computational resources or problems in the synthesis of
the solution. To better guide synthesis and make better use of the available resources, this
representation scheme has to consider relationships that link the stored information in a flexible
manner. This representation scheme extends Deng’s assumptions and allows the user to participate on
an intensive basis during the synthesis, as well as increasing the flexibility of the exploration process.
With these relationships, the user can abstract from complex problems and encounter no restrictions to
start the synthesis from any level of abstraction.
This section shows the relationships available at each level of abstraction. Each relationship presents
its attributes of connection and benefits. Figure 1 presents the logical sequence of exploration by
means of the connections that are available. The bold arrows indicate the contributions of the current
representation scheme.
2.2.1 Relationships on the purpose function level

Before starting the reasoning process, the user has to describe the design problem. The model outlined
here suggests starting the activity with the following information: intentions of the product and flows
of the environment. We have to take into account that this procedure cannot be considered a rule.
Rather, it gives the freedom to select a suitable level of abstraction to describe the design problem.
After the initial definition, the user can explore the knowledge of the three subsequent levels,
according to the search sequence that is defined. This search can be carried out based on two methods:
one automatic, without the intervention of the user, and other guided by the user. In the automatic
process, the model looks for action functions that attend to the intentions. If no action function is
found, the model extends this search to the next level of behaviour and subsequently to the structure
level. If the search process cannot match this intention, the function is considered to be complex and
ICED’07/468 6
subsequently has to be sub-divided into simple intentions. To connect two purpose functions, the
model uses natural language, based on the verb + complement format. This kind of relationship is
similar to the Behavioural and Functional decomposition proposed by Zhang [18]. According to this
author, combining both methods can prevent the design problem from being broken down too finely,
thus avoiding combinatorial explosion during the behavioural configuration. This usually results in a
more compact and less costly design.
Figure 1 - Overview of the representation scheme and relationships available to connect

the levels of abstraction
2.2.2 Relationships on the action function level

When the model finds an action function, the user is prompted to provide the driving input port with
an available environmental input. Should the process fail to find the requested flow, the exploration of
action functions is activated to meet this requested input. Chains of action functions are formed until
they again find an environmental input to meet the inputs of the last combined action function. In this
example, an initial action function requires electric energy to generate rotation. As presented, the
initial step looks for an external element that can supply this energy input. If this kind of flow cannot
be matched by any available environmental input, the model explores other action functions to supply
energy. Action functions with energy output and input related to any available environmental input are
given higher priority in the selection. The result of this combination favours the formation of chains of
action functions to attend to their inputs with an available external flow.
If an external flow meets the last input in the functional chain, this chain is considered to be
completed, and subsequently the process combines behaviours or structures for each action function in
the chain. The connection between an action function and a behavioural element occurs in the
following situation: the input of the action function matches the input of the behaviour and the output
of the action function matches the output of the behaviour. This process is illustrated in Figure 2. If the
action function cannot be attended to by an equivalent behaviour, the synthesis forces networks or
chains of behaviours to form in order to equalise their inputs and outputs. Another contribution of the
current representation scheme is that it allows the user to create variations of the same alternative
based on this network of behaviours. In brief, the combination between the action functions and
behaviours allows the following combinations to occur:
• A behavioural element matches the input and output of an action function.
• A chain of behaviours is formed when the extreme inputs and outputs match the input and
output of an action function.
• Or a network of behaviours is formed to attend to the action functions. This combination
increases the number of alternatives by means of variations of the solution.
ICED’07/468 7
If no available behaviour is found by the model, structures are combined. The connection between an
action function and a structure occurs only through a direct reference.
Figure 2 - Connection between an action function and a behaviour or between an action

function and two or more behaviours
2.2.3 Relationships on the behavioural level

The level of behaviour explores connections in the following order:
• Behaviour – environment
• Behaviour – behaviours
• Behaviour – action function – behaviours
• Behaviour – structures
The two initial explorations are similar to the relationships existing on the action function level. The
initial behaviour may form chains or networks of behaviours to match its required input with a flow of
the environmental input.
During the exploration, the model may find redundant searches of behaviour. To avoid this problem,
we propose a relationship that allows a return to more abstract levels, which thus enables an abstract
re-definition of a design problem to be obtained. As a contribution, this representation scheme allows
the user to return to this level of abstraction. This is achieved by means of the behaviour–action
function–behaviour relationship.
One of the processes that end the implementation of an intention is the relationship between behaviour
and structure. By means of this combination, the user may find the structures that present the expected
behaviours. These structures may be a unique component or a group of components that form a
mechanism. In this latter situation we have to consider that some kinds of behaviour exist due to the
interaction between two or more components, which are called mechanisms here.
3 CASE STUDY
In this section, we will study one design case to prove the efficiency of the proposed representation
scheme. In this case study, the functional design process will be explained. This case will describe the
implementation of an initial intention and define the possible solution variations that can be generated
during a synthesis process.
The resolution was divided into phases of knowledge capture and problem reasoning. The knowledge
captures stage involved including the previous knowledge and information incorporated during the
synthesis. The database of past knowledge consisted of items of furniture taken from a catalogue. This
information was decoded and distributed over the four levels of abstraction. The knowledge captured
during the synthesis included the designer knowledge gained from interaction with the model. Both
knowledge capture processes make it possible to store the information needed to form the knowledge
database. Based on this information, the designer could use knowledge from past projects to solve
routine design problems or to adapt them to new intentions or principles.
The experiment started with the intention “Support writing activity” and two external flows {“Human
force”, “Vertical load”}. This initial intention supported the creation of 14 distinct solutions.
ICED’07/468 8
Figure 3 – Alternative generated for the design problem
After defining the intention and the external flows, the model did not present the knowledge needed to
implement the intention. Next, this complex function was sub-divided into two other sub-functions
{“Stabilise horizontal plan”, “Support structure”}. Subsequently, the model attends the sub-functions
with action function of input ports of “Vertical load”. Some of these action functions formed chains
with the set of action functions {“Distribute load”, “Stabilise horizontal plan”, “Transport load”,
“Secure structure”} to attend to their requested input with the available environmental inputs. Based
on the chains that were formed, some behavioural elements were explored and combined, and then
some structures were used to implement these behaviours.
Due to the flexibility of the model, an intention could be included and variations of the same
alternative could be generated. One variation incorporated the purpose sub-functions of “Regulate
height”. By means of this function, the solution could synthesize new mechanisms to raise or lower the
ICED’07/468 9
system. This new functionality thus adapted the product to a new user need. Figure 5 illustrates the
new alternative that was generated.
Figure 4 - Variation of the alternative for the same design problem.
ICED’07/468 10
4. CONCLUSIONS
This research work proposes a procedure for exploring and synthesizing a model based on the FBS
framework and shows its application to a design case. The proposed model satisfies the following
objectives:
• The user can go back to higher levels of abstraction in order to abstract the design problem
and to create variations of the same design alternatives. With this method, the model adopts
either a top-down or a bottom-up exploration.
• The user can start the design problem from any level of abstraction. As suggested by the
model, the user can describe the problem by means of the intentions of the product and, if
necessary, the problem may be described by means of an action function, behaviour or
structure. With this method, the model has no restrictions to start reasoning and allows the
user to tackle the problem with predefined behaviours or structures.
• The user controls the granularity of the alternative by means of the environmental input level.
The proposed representation scheme takes into account the external flows in order to control
the divergence of the design space during synthesis.
REFERENCES
[1] Campbell M., Cagan J. and Kotovsky K. The a-Design Approach to Managing Automated
Design Synthesis. Research in Engineering Design, 2003, 14 12 - 24.
[2] Xu Q.L., Ong S.K. and Nee A.Y.C. Function-Based Design Synthesis Approach to Design
Reuse. Research in Engineering Design, 2006, 17 27-44.
[3] Chakrabarti A., Sarkar P., Leelavathamma B. and Nataraju B.S. A Functional Representation
for Aiding Biomimetic and Artificial Inspiration of New Ideas. Artificial intelligence for
engineering design,analysis and manufacturing(AIEDAM), 2005, 19 113-132.
[4] Zhang W.Y., Tor S.B. and Britton G.A. Funcdesigner a Functional Design Software System.
International Journal of Advanced Manufacture Technology, 2003, 22 295-305.
[5] Parmee I.C. Evolutionary and Adaptive Computing in Engineering Design, 2001
[6] Al-Salka M., Cartmell M. and Hardy S. A Framework for a Generalized Computer-Based
Support Environment for Conceptual Engineering Design. Journal of Engineering Design,
1998, 9 (1), 57 - 88.
[7] Horvath I. Conceptual Design - inside and Outside. In 2nd Seminar and Workshop EDIPro, Vol.
Poland, pp.10
[8] Gero J. Design Prototypes: A Knowledge Representation Schema for Design. AI magazine,
1990, 11 (4), 26 - 36.
[9] Umeda Y., Takeda H., Tomiyama T. and Yoshikawa H. Function, Behaviour, and Structure In
(Eds) J. Gero. Applications of Artificial Intelligence in Engineering V, 1990 (Springer)
[10] Dorst K. and Vermaas P.E. John Gero’S Function-Behaviour-Structure Model of Designing: A
Critical Analysis. Research in Engineering Design, 2005, 16 17-26.
[11] Far B.H. and Elamy A.H. Functional Reasoning Theories: Problems and Perspectives. Artificial
Intelligence for Engineering Design, Analysis and Manufacturing (AIEDAM), 2005, 19 75-88.
[12] Kitamura Y. and Mizoguchi R. Ontology-Based Systematization of Functional Knowledge.
Journal of Engineering Design, 2004, 15 (4), 327-351.
[13] Deng Y. Function and Behavior Representation in Conceptual Mechanical Design. Artificial
intelligence for engineering design,analysis and manufacturing(AIEDAM), 2002, 16 343-362.
[14] Chakrabarti A. Supporting Two Views of Function in Mechanical Designs. In The Fifteenth
National Conference on Artificial Intelligence - AAAI'98, Vol. Madison, Wisconsin, July 26–
30, 1998,
[15] Williams B.C. Interaction-Based Design: Constructing Novel Devices from First Principles. In
Intelligent Computer Aided Design, Vol. North-Holland, pp.255-282
[16] Chakrabarti A., Langdon P., Liu Y. and Bligh T. An Approach to Compositional Synthesis of
Mechanical Design Concepts Using Computers In (Eds) A. Chakrabarti. Engineering Design
Synthesis. Understanding, Approaches and Tools, 2002 (Springer-Verlag)
[17] Liu Y., Chakrabarty A. and Bligh T. A Computational Framework for Concept Generation and
Exploration in Mechanical Design Further Developments of Function. Artificial Intelligence
in Design '00, 2000, 499 - 519.
ICED’07/468 11
[18] Zhang W.Y., Tor S.B. and Britton G.A. A Heuristic State-Space Approach to the Functional
Design of Mechanical Systems. The International Journal of Advanced Manufacturing
Technology, 2002, 19 (4), 235-244.
[19] Kota S. and Chiou S.-J. Conceptual Design of Mechanisms Based on Computational Synthesis
and Simulation of Kinematic Building Blocks. Research in Engineering Design, 1992, 4 75-
87.
[20] Hirtz J., Stone R., McAdams D., Szykman S. and Wood K. A Functional Basis for Engineering
Design: Reconciling and Evolving Previous Efforts. Research in Engineering Design, 2002,
13 65 - 82.
[21] Martel A. Applications of Ergonomics and Consumer Feedback of Product Design at Whirlpool
In (Eds) Human Factors in Consumer Products, 1998 (Taylor & Francis)
[22] Mulet E. (Phd) Análisis Experimental Y Modelización Descriptiva Del Proceso De Diseño,
2003 (Politechnical of Valencia).
[23] Bruno F., Giampà F., Muzzupappa M. and Rizzuti S. A Methodology to Support Designer
Creativity During the Conceptual Design Phase of Industrial Products. In International
Conference on Engineering Design, ICED 03, Vol. Stockholm, Sweden,
Supported by the Programme Alban, the European Union Programme of High Level Scholarships for Latin
America, scholarship no. E04D030611BR
Contact: Dr. Elena Mulet

Universitat Jaume I. Department of Mechanical and Construction Engineering
Av. Sos Baynat, s/n. 12071, Castellón de la Plana. Spain
Phone: +34 964 72 8114
Fax: +34 964 72 8106
e-mail: emulet@emc.uji.es
ICED’07/468 12
Artículo F
A multi-relational and interactive computational model
for supporting the design process in the conceptual
phase
Authors:
Dioclecio Moreira Camelo
Department of Mechanical Engineering and Construction
Universitat Jaume I
Elena Mulet
Department of Mechanical Engineering and Construction, Engineering Design Group
GID
Universitat Jaume I
Av. Sos Baynat, s/n, 12071 Castellón de la Plana, Spain
emulet@emc.uji.es
Tel: +34 964 72 81 17 / +34 964 72 81 17
Fax: +34 964 72 81 06
SHORT TITLE: (same as full title above)

NUMBER OF MANUSCRIPT PAGES: 40
NUMBER OF FIGURES: 8
NUMBER OF TABLES: 5
1
Abstract
The article presents a highly interactive computational model that considers the
creativity of the user during the design process. The model can be viewed as an
extended application of the function-behaviour model of Deng [1]. In this way, the
model proposes three main improvements: an improvement on the knowledge
exploration and the possible ways of guiding the synthesis process, improvement on
the interaction with the designer during synthesis, improvement on the representation
of knowledge with a language closer to the user and at the same time avoids
ambiguities.
The proposed model intends to consider a more flexible representation that widens the
levels of abstraction, increases the number of relations to provide a more flexible,
applies a wider and easier method for handling knowledge, includes a level of
abstraction to describe the external flows, and, consequently, reduces the time
required for the formation of new products in accordance with the creativity of the
designer.
A pilot software tool implements a graphic environment that reflects the reasoning
and knowledge representation models. With this pilot tool, the designer can explore
and converge the design space by means of rules that connect the abstraction levels.
The graphic environment achieves the following goals: it begins the synthesis from
any level of abstraction, it explores the knowledge by means of pop-up menus, these
pop-up menus adapt themselves to the knowledge being managed and the direction of
the user, it makes it possible to go back to higher levels of abstraction during the
synthesis, this resource allows a design problem to be abstracted in order to find a
solution with other application focuses, it allows more than one alternative to be
2
handled, it captures the knowledge before or during the generation of alternatives, it
stores experience from previous projects, it proposes assembly links between
components and the user, and it forms alternatives by means of multi-reasoning
processes.
By means of this computational model, we expect to define basis for a design
software that is focused on the reality of the conceptual design task in industry.
The article starts with a brief survey of the most significant computational synthesis
models and the knowledge schemes used, next it describes the language, methods and
resources used to implement a pilot software application. And application of the
model to a design case and describes the results in relation to the research objectives.
Keywords: knowledge representation; synthesis methods; automated design
3
1. Introduction
By means of using Computer Aided Design (CAD) tools the productivity of designers
has been greatly improved during the past twenty years. With these improvements,
computational models have evolved into new methods and models that support
routine design with automatic algorithms and a more creative design with semi-
automatic methods.
Most of these design tools attempt to reproduce the cognitive capabilities of humans
to solve problems by means of intuition, creativity, analysis and synthesis processes
[2]. The majority of these tools use the principles of artificial intelligence to automate
the generation of design solutions, thus ruling out the creative intervention of the user.
The industry considers conceptual design to be naive and simply discards the use of
the conceptual design tools developed by the academia. This shortcoming reflects
how difficult it is to reproduce the design process by means of software tools [3]. For
this reason, a number of scientists argue that human intervention is fundamental to
assist in the development of more creative ideas and concepts [3-8].
Thus, several authors consider that a conceptual design support tool should implement
the following factors [8-10]:
• Guidance and control over the design process,
• Real-time capture of the design rationale,
• Powerful search engine to allow quick access to the design information and to
interact with knowledge,
• Well-organised design definition, design history and previous project
database,
4
• Integration with other design tools,
• Routine design activities could be automated and creative design could offer
an intensive interaction with the user,
• A set of alternatives for a single problem should be manipulated,
• The generation of design documents should be more automated.
In this situation, the development of a computational model that supports design
interactively is therefore still a relatively unexplored issue. For this reason, the article
defends the following hypothesis: To improve the representation of knowledge by
functional synthesis models, designers can use a more flexible and interactive model
of synthesis to form alternatives. To reach this goal, the model should consider a
flexible scheme to represent and reuse knowledge from previous projects and to
connect knowledge from different domains.
The article proposes a computational model that supports the interaction of some
design tasks. The model can be viewed as an extended application of the function-
behaviour model of Deng [1]. In this way, the model should be capable of:
• Improving knowledge exploration and the possible ways of guiding the
synthesis process. Both improvements should broaden the search for solutions.
• Improving interaction with the designer during synthesis.
• Representing the knowledge to support the synthesis by means of a language
that is closer to the user and at the same time avoids ambiguities.
This model might also execute other processes that are similar to those of already-
available computational models, such as:
• Applying rules to converge the exploration of knowledge and selecting
knowledge that is more suitable for the alternative, and
• Allowing many alternatives to be handled.
5
By means of a flexible exploration method of knowledge, the current model should
improve the easy of use of the synthesis models, and consequently, it should reduce
the description time of non-detailed products, in accordance with the creativity of the
designer. With the help of this model, we expect to offer a computational method that
is adapted to the reality of the conceptual design task in industry.
The model has been implemented and applied to a design case, and a preliminary
evaluation describes how the research goals were dealt with by the pilot software.
The following section offers a brief survey of the most significant computational
synthesis models. The third section elucidates the knowledge representation model of
Deng [1]. The fourth section describes the proposed model and its implementation.
The fifth section shows an application of the model to a design case and describes the
results in relation to the research objectives.
2. Related works
Computational models establish guidelines to define, guide and automat certain tasks
of the design process. The concept of computational models evolved from the
cognitive, epistemology and methodology fields [3]. With the advance of information
technology, most of these models reached the goals of specifying, rationalising,
storing and handling the knowledge used during the development of a product. With
the advances in information technology, the computational models are able to
describe, rationalise, store and manipulate the knowledge used during the
development of a product [11].
The Heuristic State-space Approach (HSA) [12], Two-stage Functional Framework
(TFMF) [1, 13], Functional Design Software System (FuncDesigner) [14] and
Hierarchical Co-Evolutionary Approach to conceptual Design (HiCED) [15] models
6
use the function-means tree method. This method uses a representation of trees to
break down the functional requirements of a design. This tree representation reflects a
hierarchy of functions and sub-functions defined during or before the synthesis
process [16]. HSA, TFMF and FuncDesigner apply the behavioural reasoning and
functional decomposition method to prevent the design problem from being broken
down too finely, thus avoiding combinatorial explosion during the behavioural
configuration. This usually results in a more compact and less costly design.
The Schematic Synthesis (SS) [17], Interaction-based Design (Ibis) [18], Kota's
Kinematic Building-Blocks (KBB) [19], Functional Synthesizer for Input Output
Networks (FuncSION) [20, 21], Qualitative and Heuristic Approach (QHA) [22],
Automatic Design by Configuration Space (ADCS) [23, 24] models, together with the
model by Bruno, Giampà, Muzzupappa and Rizziti [25], all use the relationship
between inputs and outputs. This method considers the relationships that link the
required inputs with the available outputs (of flows or movements) to explore sub-
functions in a knowledge database. The model by Bruno, Giampà, Muzzupappa and
Rizziti comprises of a methodology that starts from a functional representation of a
product and allows the designer to assembly components from these functions in a 3D
environment. The representation scheme of this model is based on a concept called
functional surfaces that consider characteristics of the geometry, contact surfaces and
degree of freedom of each physical component for future assembly in a design.
The models Schemebuilder [26, 27] and the Dialog-oriented Intelligent CAD
(DIICAD) [28, 29] use the relationship between cause and effect. This method
derives effects from a foregoing cause.
7
The Initial Design Selection (IDS) [30] model applies the method of characteristics
search. This method considers the minimum characteristics for the products, which
represent the dimensions of a design space formed by a finite number of partitions.
The Knowledge Intensive Engineering Framework (KIEF) [31, 32] model applies the
method of abduction. This method is based on the logic area and defines a design
solution (facts) by means of the design knowledge (axioms) and the properties of
other design solutions (theorems) [33].
The model by A-Design [34-36] applies agents in its reasoning method. This method
consists of computational processes that use intelligent agents to provide better
integration and functionality of tasks in a distributed execution environment.
The Genetic Algorithm Designer (GADES) [37], Interactive Evolutionary Design
System (IEDS) [4] and Autogenetic Design Theory (ADT) [38, 39] models apply
evolutionary methods. These methods are computational processes based on an
abstraction from genetic engineering.
The Function-based design synthesis (FBDS) [40] model applies the neural
networks method. This method is a paradigm inspired in the biological neural system
that considers a huge set of interconnected processors (neurons) simultaneously in
order to solve a specific problem.
Since 1990, the Function-Behaviour-Structure (FBS) approach has represented a
common language with which to analyse and compare knowledge representation
models. Function represents the functions performed by the design, structure
represents the states or physical elements, and behaviour connects both levels. Gero
defends that structure defines components and their relationships and Umeda holds
that this level represents the elements of an artefact and relationships among them
[41].
8
There are two focuses to represent functions: one centred on the operations
(operational focus) and another centred on the intentions (intentional focus) [1, 42-
46]. In the operational focus, functions are oriented towards or depend on the
solution, and constitute the components of this solution or the physical interaction
between objects and their surroundings, e.g. “to rotate the hour, minute and second
hands around the same pivot, each with a specific rotary velocity”. In the intentional
focus, functions are independent of the solution and represent the desires, intentions
and necessities from the viewpoint of a human user (designer), e.g. “to indicate time”.
An extensive analysis of the knowledge representation models can be found on the
article [47]. This analysis indicates that a new flexible model of knowledge
representation should take into account the following aspects:
• Widening the levels of abstraction,
• Increasing the number of relations that link the levels of abstraction. With
these new links the model will provide a more flexible, wider and easier
method for handling knowledge, and
• Including a level of abstraction that describes the external flows and acts on
the design functionality.
3. Representation model of Deng
Before defining the improvements of the synthesis model, first we elucidate the
knowledge representation model of the Two-stage Functional Framework (TFMF)
synthesis model [1]. In his model, the author clarifies some confusions relating to the
representation of function and behaviour used in conceptual mechanical product
design. It suggests four levels of abstraction to represent the knoweledge of a design:
9
two views of functions (purpose function, action function), a behavioural level, a
structural level and a complementary level of environmental inputs.
The first view of function, the level of purpose function ( f i ), represents the
intentions that are expected in a design product. This level is user-oriented. The
purpose function is the most abstract level of the model. Its semantic considers only
one attribute with the same name (purpose function). Its syntax uses natural language
in the verb + complement form.
The second level of function, the level of action function ( a j ), abstracts the intended
and useful behaviour of the product. This level is operation-oriented. Its semantics
consist of the following attributes:
• Input–output flow of object transformation: input and output flows of object
(material, energy and signal) that affect the performance of the product,
mechanisms or components.
• Input–output flow of action transformation: input and output flows of action
(movement) that also affect the performance of the product, mechanisms or
components.
• Initial and ending states: effects expressed during the operation of the
components.
The reader should note that this level does not treat the unexpected flows. In its
syntax, this level considers both natural language and mathematical representation
forms. When natural language is used to indicate a flow, the attribute uses the
verb + complement form.
Behaviour ( bk ) is the level of abstraction that describes the intermediate states of a
component or physical mechanisms by means of the input and output flows. In this
approach, the states can be the internal states of a component, the internal interaction
10
between two or more components, or the interaction between a component and its
environment. The representation scheme uses the following attributes to define the
semantic of the behavioural level:
• For the action (movement):
o Driving input and functional output of action: expected input and
output flows of action that affect the operation of the system.
o Harmful input and side-effects of action: unexpected input and output
flows of action that hinder the correct operation of the product.
Harmful input is an unexpected input of flow for the system; and side-
effect is an unexpected output of flow.
• For input-output of object (material, energy or signal):
o Driving input and functional output of object: flows of object (material,
energy or signal) or action (movement) that affect the operation of the
system.
o Harmful input and side-effects of object: unexpected input and output
flows of object that also hinder the correct operation of the product.
• State transition: a chain or network of physical states.
The syntax of the behavioural level considers either the natural language or the
mathematical form to codify the knowledge in each attribute of this level.
Structure ( s l ) is the least abstract level and describes the geometry of a physical
component or mechanism. This level defines the formal idea of the solution or sub-
solution.
And the Environmental inputs ( e p ) are the external elements from the environment
that supply flows needed to perform a particular behaviour.
11
4. Proposed model of functional synthesis
This section extends the abovementioned knowledge representation scheme on the
following aspects:
1. It allows the designer to start the description of a design problem from any
level of abstraction. With this resource, the model increases the flexibility of
the synthesis of alternatives.
2. It expands the relationships in knowledge representation. The model therefore
increases the number of relations and specifies the attributes that implement
these relationships.
3. It considers the influence of the external flows from the environment on two
levels of abstraction.
4. It implements a flexible process of synthesis to improve knowledge
exploration and broaden the exploration paths during synthesis.
5. It represents the user intentions in the synthesis model by means of a standard
set of verbs, thus preventing ambiguity.
The following subsections describe the improvements of the proposed model divided
into the levels of abstraction, e.g. purpose functions, action functions, behaviours,
structures and environmental inputs.
4.1. Level of purpose functions
For the proposed model, this level reproduces the same semantics and syntax of the
knowledge representation scheme of Deng. To describe the functions, we adopt the
second class of verbs from the standard of Hirtz et al [48]. This set of verbs allows the
user to define the intention of the product and to avoid ambiguity at the same time.
Table 1 shows the semantics, syntax and an example of this kind of function.
12
Semantics Syntax Example
Purpose function Natural language regulate occupied volume
(verb + complement)
Verbs from Hirtz’s 2nd class
Table 1
4.2. Level of action functions
In this abstraction level, we include another field to link an action function with a
number of purpose functions. This attribute is called List of Purpose Functions and its
semantics comprises a list of verb+complement that make reference to certain purpose
functions.
Two contributions are included in this level: The first contribution considers one
expected input and one expected output of flow that integrates the expected input of
object and action and the expected output of object and action, respectively. And the
second contribution establishes a dependence relationship between the input flow with
the initial state and the output flow with the final state. For this reason, an output flow
represents a consequence of an indicated final state.
Table 2 describes the semantics and an example of the current level of abstraction.
Semantic Syntax Example

Identification Mathematical form AF: 01
number
Description Natural language Regulate or reduce the maximum volume of a component
until it reaches the minimum volume
Purpose functions Natural language (list) Regulate occupied volume
Input-output Natural language or Driving input: Actuate after twisting movement or Stabilise
- Driving input mathematical form.
- Functional Verbs from Hirtz’s 3rd class weight
output
Functional output: Change dimension of the component
Final and ending Natural language or To change height from a maximum to a minimum
states mathematical form.
Verbs from Hirtz’s 3rd class
Table 2
13
This level considers both natural language and mathematical representation forms.
When natural language is used to indicate a flow, the attribute uses the
verb + complement form. To avoid ambiguity, the driving input and functional output
should use verbs of the third class according to Hirtz’s classification [48], i.e. driving
input: “to import rotary force” and functional output: “to increase height of the
support”. In its mathematical language, these attribute use numeric values (fixed or
range) or parametric equations.
4.3. Level of behaviours
The behavioural level presents more precise information than the level of action
function, because the behaviour is operation-oriented. To make this information
readable by the user, the level includes fields to describe the behaviour in a language
that is more familiar to the user.
From the computational point of view, the level of behaviour includes the inputs and
outputs of the proposed level of action function. But there are differences in some
characteristics, e.g. it considers the unexpected or harmful flows of the system,
describes the intermediate states of a physical component and describes precise values
for the flows and states. Due to the specific character of the states, the user can
identify all the intermediate states and organise them in chains or networks. This
network representation scheme contributes to allow the user to describe variations in
the way the product behaves [49].
In the level of behaviour, we include two link attributes to connect the current level
with a number of purpose functions and action functions. These link attributes define
which action functions and purpose functions are met by the behavioural level.
14
The representation of states on the behavioural level extends the states of the action
functions and allows designers to consider the intermediate states. In the chain of
states (Figure 1a), the representation model considers not only the initial state and the
final states, but also linear sequences of states executed between the initial and the
final states. In networks of states (Figure 1b), the intermediate states are considered by
distinct chains or sequences of states. These intermediate chains represent a subtle
variation in behaviour. In the proposed model, each final state of the behavioural level
is related to one specific outputs of the design system.
Figure 1 – Chain (a) and network (b) of states considered on the behavioural level
Table 3 describes the semantics, syntax and an example of a behavioural element.

Identification number Mathematical B: 01
language
Description Natural language To support a vertically distributed load or which acts on
a certain point on a smooth surface
- Driving input (*) Mathematical and Driving input: Weight 100 kg *, Unit: kg, Range: 0-100
- Harmful input natural language Functional output: Normal force perpendicular to
- Functional output surface
- Side effect Hirtz’s 3rd class of Harmful input: Weight equal to or greater than 100kg
verbs Side effect: Break of structure
Initial-ending states Mathematical and
- Chains or networks of states natural language
15
Purpose functions Natural language Stabilise point or distributed weight
(list)
Table 3
This representation extends the behavioural representation of the FBS in the following
aspects:
• It considers the flow of object and flow action as a single flow,
• And it considers sub-attributes to represent chains or networks of states.
4.4. Level of structures
For the level of structure, the proposed model considers a three-dimensional
parametric model to represent the component used to meet the designer’s needs. This
parametric model illustrates graphically the component or the mechanism formed
during the synthesis. From the semantic and syntax viewpoint, structure considers the
attributes illustrated in Table 4.

Identification number Mathematical language S01
Description Natural language To support loads on a plane surface
Purpose functions Natural language (list) To support point or distributed loading
Action functions Reference (list) None
Behaviours Reference (list) To stabilise a vertical load
Geometric definition Mathematical language Geometric definition
- ID of the geometry ID: 0000X6
- Parametric solid geometry Solid geometry
- Identification of the structures
- Contact surfaces
- Identification number
- Type of surface
16
- Degree of Freedom
- List of compatible contact surfaces
Contact surfaces1
Identification of the surface: 01
Type of surface: Plane
Degree of Freedom: 1
Compatible surfaces: Plane
Table 4
The level of structure proposed applies the contact surface principle of Bruno’s [25].
With this principle, the user can assembly the components of a design system at the
end of the reasoning process.
4.5. Level of environmental inputs or external flows
The level of environmental inputs not only describes the external flows of the design
system, but is also controls the formation of chains and networks of action functions
and behaviours. When the alternative presents an action function or behaviour that
requires a driving input to be met by an external flow or output, the model firstly
search for the available environmental input in the alternative that could match this
required input. If the alternative presents an environmental input that match the
required input, the synthesis model combines this required input of the action function
or behaviour with the environmental input, and then the model interrupts the
formation of the network or chain. Otherwise, the synthesis model keeps exploring
action function or behaviour until finding an environmental input available in the
alternative that meet the new requirements. From the computational viewpoint, the
semantic of the environmental inputs considers the following attributes:
• Description of flow: this describes the objective of the flow in terms of natural
language. This type of flow uses the verb + complement scheme.
17
• Type of flow: this describes the type of flow considered in the function of the
system, such as: action, energy, material, information, etc.
• Unit of flow: this defines the unit used to quantify the flow, such as:
kilograms, Newtons, volts, bytes, etc.
• Magnitude: this describes the value or range used to quantify the flow.
Table 5 shows the semantics, syntax and an example of environmental input.

Identification number Mathematical language E: 01
Description: Natural language To import human force
Verb + complement Hirtz’s 3rd class of verbs
Type of flow Natural language Action
Unit of flow Natural language Newton
Magnitude Mathematical language 10 N
Table 5
The environmental input maintains relationships so as to address the action function
and behaviour levels. Attributes of type and unit of flow are used to implement this
link.
For this level of environmental input, the proposed model presents two contributions:
(i) the model shows a detailed representation of the environmental input, (ii) with the
detailed attributes, the model maintains relationships that connect the environmental
input with the levels of action function and behaviour. These relationships control the
granularity on the formation of chains or networks of both abstraction levels.
4.6. Relationships available to connect levels of abstraction
To represent a product bearing in mind its functions, behaviours and physical
abstraction, the model stores the necessary data and relates them in a logical sequence.
Without them, the result can be an incomplete solution, misuse of the available
computational resources or problems in the synthesis of the solution. To better guide
18
synthesis and make better use of the available resources, this representation scheme
has to consider relationships that link the stored information in a flexible manner. This
representation scheme extends Deng’s relations and allows the intensive participation
of the user during the synthesis and increases the flexibility of the exploration process.
With these relationships, the user can abstract from complex problems and start the
synthesis from any level of abstraction.
This section shows the relationships available at each level of abstraction. Each
relationship presents its attributes of connection and benefits. Figure 2 presents the
logical sequence of exploration by means of the connections that are available. The
bold arrows indicate the contributions of the current representation scheme.
Figure 2 – Overview of the representation scheme and relationships available to
connect the levels of abstraction
4.6.1. Relationships on the purpose function level
To represent a design from its functionalities and to go beyond the definition of a
solution, the designer can explore knowledge by means of the following relationships
at the purpose function level:
19
• Purpose function – action function (1): this relationship allows the designer to
find action functions that satisfy the purpose function.
• Purpose function – behaviour (2): this relationship allows behaviours to be
found to satisfy a certain purpose function.
• Purpose function – structure (3): this allows structures to be found to satisfy a
purpose function.
• Purpose function – purpose function (4): this relationship breaks down a
certain purpose function into simpler sub-functions.
After the initial definition, the user can explore the knowledge of the three subsequent
levels. This search can be carried out based on two methods: one automatic, without
the intervention of the user, and the other guided by the user. In the automatic process,
the model looks for action functions that attend to the purpose function. If no action
function is found, the model extends this search to the behavioural level and then to
the structure level. If the search process cannot match this purpose function, this is
considered to be complex and subsequently has to be sub-divided into simpler
purpose function. To connect two purpose functions, the model uses natural language,
based on the verb + complement format, and organises them using graphs or matrices.
This kind of relationship is similar to the Behavioural and Functional decomposition
method proposed for the HSA model.
4.6.2. Relationships on the action function level
Once a number of action functions have been defined, the synthesis model looks for
elements that satisfy the inputs and outputs of these action functions. The model
guides the synthesis through the following sequence of relationships:
20
• Action function – environmental input (5): this relationship guides the
synthesis to search for environmental inputs that attend to the required input of
an action function. This relationship also stops the formation of one chain or
one network of action functions.
• Action function – action function (6): this reflexive relationship allows the
designer to form chains or networks of action functions. In this relationship,
the model explores for action functions that match their outputs with the input
of a referenced action function.
• Action function – behaviour (7): this relationship matches an action function
input with the input of an explored behaviour and matches the output of the
same action function with the output of the same or another explored
behaviour.
• Action function – structure (8): this relationship allows the designer to find a
structure that performs a certain action function.
4.6.3. Relationships on the behavioural level
• Behaviour – environmental input (9): this relationship allows the designer to
consider the needed external flows that should make the system work. This
relationship controls the granularity of the chains of behaviours that are
formed.
• Behaviour – behaviour (10): this relationship forms chains or networks of
behaviours to satisfy an action function.
• Behaviour – action function – behaviour (11): this relationship allows the
design to go back one level in the abstraction. From this abstracted action
21
function, the designer can explore other possible behaviours for the initial
behaviour.
• Behaviour – structure (12): this relationship explores structures that carry out
the behaviour.
The two initial explorations are similar to the relationships existing on the action
function level. The initial behaviour may form chains or networks of behaviours to
match its required input with a flow of the environmental input.
During the exploration, the model may find redundant searches of behaviour. To
avoid this problem, we propose a relationship that allows a return to more abstract
levels, which thus enables an abstract re-definition of a design problem to be obtained.
As a contribution, this representation scheme allows the user to return to this level of
abstraction. This is achieved by means of the behaviour–action function–behaviour
relationship.
One of the processes that end the implementation of an intention is the relationship
between behaviour and structure. By means of this combination, the user may find the
structures that present the expected behaviours. These structures may be a unique
component or a group of components that form a mechanism. In this latter situation
some kinds of behaviour consider the interaction between two or more components,
which are called mechanisms here.
4.6.4. Relationships with structures
The structural level presents a reflexive relationship (13) that allows the designer to
form chains or networks of physical components. The relation between structures is
performed by means of the contact surfaces attribute.
22
From the chain or network of structure, the designer obtains a visual configuration of
the product which is oriented by the contact surface in each component or mechanism
represented in the alternative.
4.7. Synthesis reasoning scheme and procedure
The model proposed here integrates a flexible user-oriented algorithm. The initial
standard procedure recommends starting the synthesis at the most abstract level. After
this initial definition of the problem, a semi-automatic method guides the formation of
alternatives. The synthesis process proposed here allows the designer to start the
design from any level of abstraction, such as purpose function, action function,
behaviour or structure.
Figure 4 illustrates the synthesis process in the proposed model. The synthesis starts
with the following information:
• Purpose functions ( f1 ); and
• A set of environmental inputs {e p , e p +1 , e p + 2 }.
After defining the initial design information, the model guides the exploration to
generate solutions that meet the requirements. The first operation executed is the
exploration of action functions (I). If there is no action function available in the
knowledge database, the model uses the next relationship that changes the focus of the
exploration to behaviours (II), and afterwards, structures.
If the model finds no action function, behaviour or structure that implement the
purpose functions, the model marks these functions as complex and starts a procedure
to decompose these functions. This procedure subdivides complex functions into
simpler sub-functions (III). With other new sub-functions the problem is simplified
23
and the model again explores for knowledge (action functions, behaviours or
structures) that can implement these new requirements.
In this synthesis model, this decomposition process applies rules but also allows the
user to intervene. With these rules, the designer can decompose functions based on
his/her experience or he/she can break them down bearing in mind knowledge from
previous projects.
After defining and combining the knowledge that matches the purpose functions, the
synthesis model takes the first action function as a reference to continue with the
reasoning process. Thus, the model searches for environmental inputs to fulfil the
required driving input of this action function (IV). If there is an environmental input
available to address the required input of the action function, then the model matches
both inputs and updates the alternative. Otherwise, the synthesis explores for action
functions whose outputs match the required input of the original action function (V).
Next, the functional output of an action function meets the required driving input of
another action function. This process forms chains or networks of action functions in
the alternative. If there is no action function available in the knowledge database, the
model searches for more specific elements, such as behaviours (VI), and
subsequently, structures.
If the alternative presents only behaviours on the extreme leaf of the tree, the model
should execute the following explorations to meet these behaviours: (i) the model
explores for environmental inputs that match with the driving input or harmful input
of the each behaviour and (ii) the model explores for another behaviours whose
outputs match with the driving inputs or harmful inputs of each behaviour. This later
search process (VII) generates chains or networks of behaviours. The extreme inputs
and outputs of these chains or networks of behaviours have to match with the extreme
24
inputs and outputs of action functions that maintain a relationship. While these chains
are formed (Figure 3a), another parallel process finds environmental flows to address
the inputs of the most extreme behaviours (VIII). With this parallel process, the
synthesis model controls the granularity of the behavioural chain or network (Figure
3b). The combination of both processes contributes by decreasing the search time and
including new inputs to make the design system work properly.
Figure 3 – (a) Process that forms a chain of behaviours, and (b) process that combines
an environmental input at the end of this chain
If there is no behaviour available to address this chain, the designer is guided to
abstract the extreme behaviour to an action function; and subsequently he/she can
execute a wide exploration of other behaviours of the same domain or of other
knowledge domains (IX). This procedure offers two contributions: it allows designers
to go back one level of abstraction, and it allows designers to explore other possible
behaviours in other domains.
To conclude the behavioural exploration, the model verifies if the inputs of the
extremities and outputs of these chains match the inputs and outputs of the action
functions taken as a reference. If this combination is verified, then the model executes
25
a process to implement the behaviour with physical elements, exploring structures for
the solution (X).
During the combination of structures, the designer can combine distinct structures to
form a single behaviour. This combination allows the designer to generate chains or
networks of structures in the alternative (XI). The process finishes when the model
has addressed all the functions and behaviours, or when the user interrupts the
reasoning.
26
Figure 4 – Reasoning process of the proposed model
5. Implementation of the proposed model
Once the theoretical model has been defined, a pilot software tool has been
implemented within a symbolic environment that interacts with the user. This pilot
tool reproduces a flexible environment, and shows the explored knowledge with
27
symbols and graphics so that the process of generating alternatives can be guided
easily. At the end of the reasoning process, this pilot tool shows the components of
each generated solution.
5.1. Language and architecture of implementation
Python 2.4 was used to implement the pilot software. This implementation uses the
Three-tier architecture, which comprises three implementation layers with classes, and
a fourth layer that manages the knowledge explored. These classes abstract a set of
objects with similar characteristics and are defined by means of methods and
attributes that describe the states of the objects.
The first layer implements the graphic user interface (GUI), which allows the user
to access the knowledge in the database. This layer collaborates with the exploration,
capture and navigation inside the database. And most of its classes inherit the
wxPython library, which instantiates the Application Programming Interfaces (API)
of the Windows interface. By means of this resource, this software tool displays a
friendly interface with windows and symbols that are familiar to the user.
The application layer (AL) is the second implementation layer that communicates
the graphic interface (GUI) with the database communication layer. This AL
implements the classes of the levels of abstraction of the theoretical model and
translates all the information explored into objects. With this AL, the software reuses
the code and allows for the portability of the GUI into other media such as web, thin-
client, client-server, and so forth.
The database communication layer (DCL) is the third layer that links the
instantiated objects with the database manager. This DCL controls the Structured
28
Query Language (SQL) commands, the server configuration and the structure of the
knowledge in a single implementation layer.
The database manager (DBM) constitutes the last layer in this software tool. This
layer handles and relates the knowledge in tables that can store and reuse information
from previous projects.
6. Design case and evaluation of the model
This section describes the application of the software tool to a design case. For this
case, a design involving furniture for offices is considered.
6.1. Definition of the problem
The design case begins with an initial requirement: “to provide a support the for the
writing activity” or “to support a surface that the user can write on”. With this
requirement, a purpose function can be defined. The designer selects a verb of a list,
i.e. “support” and then he/she defines the complement, i.e. “writing activity”. In this
process, the user defines the purpose function “support writing activity”. Next, the
user translates his/her inputs from the environment to the system, such as “position a
vertical load”.
From the purpose function and the environmental input, the software tool assists the
designer by converging the solution space that is explored. Based on the previously
defined purpose functions, the software tool explores and combines action functions,
behaviours and structures to generate alternatives.
At the end of the synthesis, the structural level is used to combine components and
parts of the product. In this case, contact surfaces are used to assemble the
alternatives. By means of this information, the designer can define the union between
physical parts and abstract the final form of the product.

29
6.2. Application of the synthesis model to the design case
This section briefly illustrates the results of the design problem. To generate the
alternatives, the software tool guides the resolution, taking into account knowledge
that has previously been registered in the database. The reasoning begins with the
exploration of the action functions, behaviours and structures. As the initial purpose
function is considered to be too complex to be solved by these three levels of
abstraction, the user is then asked to break down this initial function into simpler sub-
functions (Figure 5a).
With these new purpose functions, the software explores action functions, behaviours
and structures again. After combining the action function elements, the software
matches them with the environmental inputs that are available. After this process, the
alternative takes the form depicted in Figure 5b.
Figure 5 – (a) Decomposition of purpose function, and (b) improvement of the design
alternative
With the action functions in the alternative, the system guides the exploration of
behaviours and structures that meet the driving input/functional output of the action
functions. For this problem, 14 alternatives were formed.
30
Figure 6 and Figure 7 illustrate two alternatives generated with the support of the
software tool.
Figure 6 – One alternative generated with the software support
31
Figure 7 – Another alternative generated with the software support
For illustration purposes, Figure 8 illustrates a number of alternatives that were
assembled to demonstrate their final form.
32
Figure 8 – Concept of the alternatives defined after the synthesis process
6.3. Validation of the model
The functional synthesis model fulfils the intended research goals, e.g.: the model
improves a knowledge representation model that broads the exploration of solutions,
improves the interaction with the designer during the synthesis and represents the
knowledge with a human-oriented language that avoids ambiguities.
In this article, a representation and synthesis model is presented. The knowledge
representation model extends the approach of Deng, applies the set of verbs of Hirtz
to represent the user’s intentions and applies the scheme to represent the structure of
Bruno.
Thirteen relationships link the levels of abstraction in the knowledge representation
scheme. This proposition is innovative because most of the synthesis models present a
linear and restricted number of relations between their levels of abstraction. By means
of those relationships, the model proposes a flexible exploration of knowledge and it
abstracts a difficult problem and goes back to explore higher levels of abstraction.
With those resources, the model widens the exploration paths and the formation of
33
alternatives. With this model, the designer explores the design space and reduces it by
means of rules and connections between levels of abstraction. This model achieves the
following goals:
• It begins the synthesis from any level of abstraction,
• It allows the user to guide the knowledge exploration,
• It makes it possible to go back to higher levels of abstraction during the
synthesis. This resource allows a design problem to be abstracted in order to
find a different solution.
• It allows more than one alternative to be handled. By means of this resource,
the designer can handle different alternatives or create variations of
alternatives.
• It captures the knowledge before or during the generation of alternatives with
the support of the top-down and bottom-up capture techniques.
• It stores experience from previous projects. By means of this resource, the
designer can generate new alternatives and reuse the experience gained from
previous projects.
• It proposes assembly links between components and the user. With this
resource, the designer can define the best assembly of the physical elements
and define the physical form of the product.
• It forms alternatives by means of multi-reasoning processes.
7. Conclusions
The research outlined here proposes a synthesis model that supports design activity
and allows the designer to solve a design problem from its functionalities to the
physical abstraction of the solution.
34
The contributions of this synthesis model are defined as follows:
• The model applies a standard language that avoids the ambiguity in the
functional representation. Therefore, the designer does not need to adapt
him/herself to the support design tool because the tool uses a standard based
on natural language.
• The model extends the information represented and widens the relationships
between the levels of abstraction. These improvements make it possible to:
o Increase interaction with the designer;
o Control the exploration of the knowledge space;
o Generate networks of design elements at different levels of abstraction
(action functions, behaviours and structures). These networks increase
the number of proposed solutions;
o Reach lower levels of abstraction through a number of more or less
intermediate levels for each design case;
o Facilitate the exploration of other knowledge domains, starting out
from a highly abstract level of representation.
The proposed model allows different application domains to be explored, it cuts
development time, it reuses resources during the design and it allows the designer to
form alternatives by means of multi-reasoning processes.
Acknowledgments
This research was supported by the Alban Programme, the European Union
Programme of High Level Scholarships for Latin America, scholarship no.
E04D030611BR.
35
References
1. Deng, Y., Function and behavior representation in conceptual mechanical

design. Artificial Intelligence for Engineering Design, Analysis and
Manufacturing - AIEDAM, 2002. 16: p. 343-362.
2. Horvath, I., A treatise on order in engineering design research. Research in

engineering design, 2004. 15: p. 155-181.
3. Horvath, I. On some crucial issues of computer support of conceptual design -

What to consider in order to be successful. in Product Engineering: Eco-
design, technologies and green energy. 2004. Brasov, Romania.
4. Parmee, I.C., Evolutionary and adaptive computing in engineering design, ed.

Springer. 2001, Londres.
5. Chakrabarti, A., et al., A functional representation for aiding biomimetic and

artificial inspiration of new ideas. Artificial intelligence for engineering
design,analysis and manufacturing(AIEDAM), 2005. 19: p. 113-132.
6. Chakrabarti, A. Defining and supporting design creativity. in International

Design Conference - Design 2006. 2006. Dubrovnik, Croatia.
7. Sridharan, P. and M.I. Campbell, A study on the grammatical construction of

function structures. Artificial Intelligence for Engineering Design, Analysis
and Manufacturing (AIEDAM), 2005. 19: p. 139-160.
8. Wilhelms, S., Function- and constraint-based conceptual design support using

easily exchangeable, reusable principle solution elements. Artificial
Intelligence for Engineering Design, Analysis and Manufacturing (AIEDAM),
2005. 19: p. 201-219.
9. Horvath, I. Conceptual design - inside and outside. in 2nd Seminar and

Workshop EDIPro. 2000. Poland.
10. Li, G., R. Bracewell, and K. Wallace. A knowledge framework to support

engineering design. in Eighth ISPE International Conference on Concurrent
Engineering. 2001.
11. Chandrasekaran, B., A. Goel, and Y. Iwasaki, Functional representation as

design rationale. 1993.
12. Zhang, W.Y., S.B. Tor, and G.A. Britton, A Heuristic State-Space Approach to
the Functional Design of Mechanical Systems. The International Journal of
Advanced Manufacturing Technology, 2002. 19(4): p. 235-244.
36
13. Deng, Y.M., G.A. Briton, and S.B. Tor, A Design Perspective of Mechanical
Function and its Object-Oriented Representation Scheme. Engineering with
Computers, 1998. 14: p. 309-320.
14. Zhang, W.Y., S.B. Tor, and G.A. Britton, FuncDesigner a functional design
software system. International Journal of Advanced Manufacture Technology,
2003. 22: p. 295-305.
15. Jin, Y., W. Li, and S.C.Y. Lu, A hierarchical co-evolutionary approach to
conceptual design. Cirp Annals-Manufacturing Technology, 2005. 54(1): p.
155-158.
16. Van Wie, M., et al., A model of function-based representations. Artificial

Intelligence for Engineering Design, Analysis and Manufacturing (AIEDAM),
2005. 19: p. 89-111.
17. Ulrich, K.T. and W.P. Seering, Synthesis of Schematic Descriptions in

Mechanical Design. Research in Engineering Design, 1989. 1(1): p. 3-18.
18. Williams, B.C. Interaction-based Design: Constructing Novel Devices from

First Principles. in Intelligent Computer Aided Design. 1992. North-Holland.
19. Kota, S. and S.-J. Chiou, Conceptual design of mechanisms based on

computational synthesis and simulation of kinematic building blocks. Research
in Engineering Design, 1992. 4: p. 75-87.
20. Chakrabarti, A., et al., An approach to compositional synthesis of mechanical

design concepts using computers, in Engineering Design Synthesis.
Understanding, approaches and tools, A. Chakrabarti, Editor. 2002, Springer-
Verlag: Londres. p. 179 - 194.
21. Liu, Y., A. Chakrabarti, and T. Bligh, A computational framework for concept
generation and exploration in mechanical design further developments of
function. Artificial Intelligence in Design '00, 2000: p. 499 - 519.
22. Li, C.L., S.T. Tan, and K.W. Chan, A qualitative and heuristic approach to the
conceptual design of mechanisms. Engineering applications of artificial
intelligence, 1996. 9(1): p. 17-31.
23. Li, C.L., K.W. Chan, and S.T. Tan, Automatic design by configuration space:
an automatic design system for kinematic devices. Engineering Applications of
Artificial Intelligence, 1999. 12: p. 613-628.
24. Li, C.-l., Conceptual design of single and multiple state mechanical devices :
an intelligent CAD approach, in Mechanical Engineering. 1998, University of
Hong Kong: Hong Kong. p. 347.
37
25. Bruno, F., et al. A Methodology to support designer creativity during the
conceptual design phase of industrial products. in International Conference
on Engineering Design, ICED 03. 2003. Stockholm, Sweden: Design Society.
26. Bracewell, R., Synthesis based on function–means trees: Schemebuilder, in

Engineering Design Synthesis - Understanding, Approaches and Tools, A.
Chakrabarti, Editor. 2002, Springer-Verlang: Londres, Inglaterra. p. 199-212.
27. Bracewell, R. and J. Sharpe, Functional Descriptions used in Computer

Support for Qualitative Scheme Generation-"Schemebuilder". AIEDAM,
1996. 10(4): p. 333-346.
28. Lossack, R., Design process and context for the support of design synthesis, in
Engineering Design Synthesis. Understanding, Approaches and Tools, A.
Chakrabarti, Editor. 2002, Springer-Verlag: Londres. p. 213 - 227.
29. Lossack, R.S., Y. Umeda, and T. Tomiyama. Requirement, function and

physical principle modelling as the basis for a model of synthesis. in Computer
Aided Conceptual Design'98. 1998.
30. Esterline, A. and S. Kota, A General paradigm for routine design - theory and
implementation. Artificial Intelligence in Engineering Design, Analysis, and
Manufacturing, 1992. 6(2): p. 73-93.
31. Takeda, H., Towards multi-aspect design support systems, in Technical Report
NAIST-IS-TR94006. 1994, Nara Institute of Science and Technology: Nara -
Japón.
32. Takeda, H., M. Yoshioka, and T. Tomiyama. A general framework for

modelling of synthesis- Integration of theories of synthesis. in International
Conference on Engineering Design - ICED'01. 2001. Glasgow: Elsevier
Science.
33. Tomiyama, T., et al. Adbuction for creative design. in ASME 2003 - Design
Engineering Conference. 2003. Chicago, EEUU.
34. Campbell, M.I., J. Cagan, and K. Kotovsky. A-Design: theory and

implementation of an adaptive, agent-based method of conceptual design. in
Artificial Intelligence in design. 1998. Lisbon, Portugal.
35. Campbell, M.I., J. Cagan, and K. Kotovsky, A-Design: an agent-based

approach to conceptual design in a dynamic environment. Research in
engineering design, 1999. 11: p. 172-192.
38
36. Campbell, M., J. Cagan, and K. Kotovsky, The A-Design approach to
managing automated design synthesis. Research in Engineering Design, 2003.
14: p. 12 - 24.
37. Bentley, P.J., From coffee tables to hospitals: generic evolutionary design, in
Evolutionary Design by Computers, P.J. Bentley, Editor. 1999, Elsevier:
Londres. p. 405-423.
38. Vajna, S., et al., The Autogenetic Design Theory: An evolutionary view of the
design process. Journal of Engineering Design, 2005. 16(4): p. 423-440.
39. Clement, S., et al. The use of evolutionary algorithms in prototypes in engine
development at Volkswagen AG. in MTZ. 2004.
40. Xu, Q.L., S.K. Ong, and A.Y.C. Nee, Function-based design synthesis
approach to design reuse. Research in Engineering Design, 2006. 17: p. 27-
44.
41. Umeda, Y., et al., Function, behaviour, and structure, in Applications of

Artificial Intelligence in Engineering V, J. Gero, Editor. 1990, Springer:
Berlin. p. 177-194.
42. Chakrabarti, A., Supporting two views of function in mechanical designs, in

AAAI 1998. 1998: Madison.
43. Kitamura, Y. and R. Mizoguchi, Ontology-based systematization of functional

knowledge. Journal of Engineering Design, 2004. 15(4): p. 327-351.
44. Chandrasekaran, B., Representing function: relating functional representation

and functional modeling research streams. Artificial Intelligence for
Engineering Design, Analysis and Manufacturing (AIEDAM), 2005. 19: p. 65-
74.
45. Dorst, K. and P.E. Vermaas, John Gero’s Function-Behaviour-Structure

model of designing: a critical analysis. Research in Engineering Design, 2005.
16: p. 17-26.
46. Far, B.H. and A.H. Elamy, Functional reasoning theories: problems and
perspectives. Artificial Intelligence for Engineering Design, Analysis and
Manufacturing (AIEDAM), 2005. 19: p. 75-88.
47. Camelo, D., E. Mulet, and R. Vidal. Análisis y discussión de la aplicación del
marco FBS en modelos funcionales de síntesis. in X Congreso internacional
de Ingeniería de proyectos. 2006. Valencia, Spain.
39
48. Hirtz, J., et al., A functional basis for engineering design: Reconciling and
evolving previous efforts. Research in Engineering Design, 2002. 13: p. 65 -
82.
49. Martel, A., Applications of ergonomics and consumer feedback of product

design at Whirlpool, in Human factors in consumer products. 1998, Taylor &
Francis: Stanfor. p. 107-126.
40
Summary of the thesis
Summary
1 Introduction

3
Summary
By means of using Computer Aided Design (CAD) tools productivity of designers

has been greatly improved during the past twenty years. With these improvements,
computational models evolved into new methods and models that support routine design
with automatic algorithms and creative design with semi-automatic methods.
Most of these design tools attempt to reproduce the cognitive capabilities of
humans to solve problems by means of intuition, creativity, analysis and synthesis processes
(Horvath 2004b). The majority of these tools use the principles of artificial intelligence to
automate the generation of design solutions, thus ruling out the creative intervention of the
user. The industry considers conceptual design to be naive and simply discards the use of the
conceptual design tools developed by the academia. This shortcoming reflects how difficult it
is to reproduce the design process by means of software tools (Horvath 2004a).
Nevertheless, a number of scientists defend distinct propositions and argue that human
intervention is fundamental to assist in the development of more creative ideas and concepts
(Parmee 2001; Horvath 2004a; Chakrabarti, Sarkar et al. 2005; Sridharan y Campbell 2005;
Wilhelms 2005; Chakrabarti 2006).
Thus, authors consider that a conceptual design support tool should implement the
following factors (Horvath 2000; Li, Bracewell et al. 2001; Wilhelms 2005):
• Guidance and control over the design process,
• Real-time capture of the design rationale,
• Powerful search engine to allow quick access to the design information and to
interact with knowledge,
• Well-organised design definition, design history and previous project database,
• Integration with other design tools,
• Routine design activities could be automated and creative design could offer an
intensive interaction with the user,
• A set of alternatives for a single problem should be manipulated,
• The generation of design documents should be more automated.
In this situation, the development of a computational model that supports design
interactively is therefore still a relatively unexplored issue. For this reason, the thesis
defends the following hypothesis: To improve the representation of knowledge by functional
synthesis models, one can form alternatives in a manner that is more flexible and interactive
compared with the current functional models of synthesis. To satisfy this goal, the model
might consider a flexible scheme to represent and reuse knowledge from previous projects
and to connect knowledge from different domains, thus improving the exploration of the
function-behaviour-structure (FBS) approach.
Based on this hypothesis, the thesis proposes a new computational model that
supports the interaction of some design tasks, while considering tasks which reflect the
creativity of the design process. In this way, the model should be capable of:
• Improving knowledge exploration and the possible ways of guiding the synthesis
process. Both improvements should broaden the search for solutions.
• Improving interaction with the designer during synthesis.

5
• Representing the knowledge to support the synthesis by means of a natural human
language that should avoid ambiguities.
This model might also execute other processes that are similar to those of already-
available computational models, such as:
• Applying rules to converge the exploration of knowledge and to select knowledge
that is more suitable for the alternative, and
• Allowing many alternatives to be handled.
The current model should reduce the time required for the formation of new
products in accordance with the creativity of the designer. With the help of this model, we
expect to offer a computational method that is adapted to the reality of the conceptual design
task in industry.
This investigation starts by making reference to the research work by Mulet (Mulet
2003). The author defines some initial directions for improving the creativity of the
computational models based on a protocol analysis of experiments with designers.
The current model was implemented and applied to a design case. A preliminary
evaluation was executed with the support of prototype software. This evaluation describes
how the research goals were reached by the model. Finally, the research work concludes with
a number of considerations.
The following section offers a brief survey of the most significant computational
synthesis models, while the third section describes how these synthesis models represent
the knowledge utilised. This description uses the reference of the FBS approach to compare
these schemes. The fourth section describes the language, methods and resources used to
implement a pilot software application. The fifth section shows an application of the model
to a design case and describes the results in relation to the research objectives. And the last
section concludes the investigation with some proposals for future work.

6
Summary
2 Models of functional synthesis

7
Summary
From a computational viewpoint, conceptual design comprises tasks involving the

exploration and combination of ideas, which gives rise to new concepts or new ideas.
Computational models help in the definition, guidance and automation of certain tasks in
the design process. The concept of computational models originates from the evolution of
the methods from the cognitive, epistemology and methodology fields (Horvath). With the
advance of information technology, most of these models reached the goals of specifying,
rationalising, storing and handling the knowledge used during the development of a product
(Chandrasekaran, Goel et al. 1993).
The current section describes two analyses of the computational model of
synthesis. The first analysis shows the reasoning process used to synthesise the functions,
while the second analysis shows the representation schemes used to capture the knowledge
explored.
2.1 Analysis of methods of functional reasoning

To analyse and describe the most significant reasoning methods, this subsection
groups the computational models by the method used to break down and connect functions
and, in a more generic manner, the behaviours and structures of a design. In this analysis,
we consider eight main methods of functional synthesis: function-means tree, relationship
between inputs and outputs (I/O relationship), relationship between cause and effect (causal
relationship), characteristics search, abduction, agents, neural networks and evolutionary
methods.
The Heuristic State-space Approach (HSA) (Zhang, Tor et al. 2002), Two-stage
Functional Framework (TFMF) (Deng, Briton et al. 1998; Deng 2002), Functional Design
Software System (FuncDesigner) (Zhang, Tor et al. 2003), C-K Design Theory (CKDT)
(Hatchuel y Weil 2003; Hatchuel, Masson et al. 2004) and Hierarchical Co-Evolutionary
Approach to conceptual Design (HiCED) (Jin, Li et al. 2005) models use the function-means
tree method. This method uses a representation of trees to break down the functional
requirements of a design. This tree representation reflects a hierarchy of functions and sub-
functions defined during or before the synthesis process (Van Wie, Bryant et al. 2005).
The Schematic Synthesis (SS) (Ulrich y Seering 1989), Interaction-based Design
(Ibis) (Williams 1992), Kota's Kinematic Building-Blocks (KBB) (Kota y Chiou 1992),
Functional Synthesizer for Input Output Networks (FuncSION) (Liu, Chakrabarti et al. 2000;
Chakrabarti, Langdon et al. 2002), Qualitative and Heuristic Approach (QHA) (Li, Tan et al.
1996), Automatic Design by Configuration Space (ADCS) (Li 1998; Li, Chan et al. 1999)
models, together with the model by Bruno, Giampà, Muzzupappa and Rizziti (Bruno, Giampà
et al. 2003), all use the relationship between inputs and outputs. This method considers the
relationships that link the required inputs with the available outputs (of flows or
movements) to explore sub-functions in a knowledge database.
The models Schemebuilder (Bracewell y Sharpe 1996; Bracewell 2002), Dialog-
oriented Intelligent CAD (DIICAD) (Lossack, Umeda et al. 1998; Lossack 2002) and the
algorithm by Zavbi and Duhovnik (Zavbi y Duhovnik 2000; Zavbi y Duhovnik 2001) use the
relationship between cause and effect. This method derives effects from a foregoing cause.

9
The Initial Design Selection (IDS) (Esterline y Kota 1992) model applies the
method of characteristics search. This method considers the minimum characteristics for
the products, which represent the dimensions of a design space formed by a finite number of
partitions.
The Knowledge Intensive Engineering Framework (KIEF) (Takeda 1994; Takeda,
Yoshioka et al. 2001) model applies the method of abduction. This method is based on the
logic area and defines a design solution (facts) by means of the design knowledge (axioms)
and the properties of other design solutions (theorems) (Tomiyama, Takeda et al. 2003).
The model by A-Design (Campbell, Cagan et al. 1998; Campbell, Cagan et al. 1999;
Campbell, Cagan et al. 2003) applies agents in its reasoning method. This method consists of
computational processes that use intelligent agents to provide better integration and
functionality of tasks in a distributed execution environment. In those kinds of systems,
each agent executes a specific task to interact with other agents. The other agents address
their separate tasks in order to continue with the interaction in this distributed environment
(Vidal, Bermell et al. 2002).
The Genetic Algorithm Designer (GADES) (Bentley 1999), Interactive Evolutionary
Design System (IEDS) (Parmee 2001) and Autogenetic Design Theory (ADT) (Clement,
Jordan et al. 2004; Vajna, Clement et al. 2005) models apply evolutionary methods. These
methods are computational processes based on an abstraction from genetic engineering.
With these processes the system can detect the most favourable abstraction and, from this
abstraction, mutation and cross-over algorithms are used as methods to change genotypes
and phenotypes (content of variables) to decompose functions (parameters).
The Function-based design synthesis (FBDS) (Xu, Ong et al. 2006) model applies
the neural networks method. This method is a paradigm inspired in the biological neural
system that considers a huge set of interconnected processors (neurons) simultaneously in
order to solve a specific problem.
2.2 Analysis of models of knowledge representation

With the advances in information technology, the computational models are able to
describe, rationalise, store and manipulate the knowledge used during the development of a
product (Chandrasekaran, Goel et al. 1993). This analysis uses a well-accepted function-
behaviour-structure (FBS) approach to compare the knowledge represented by the synthesis
models. Since 1990, the Function-Behaviour-Structure (FBS) approach has represented a
common language with which to analyse and compare knowledge representation models. In
this line of thinking, function represents the functions performed by the design, structure
represents the states or physical elements, and behaviour connects the two levels. Gero
defends that structure expresses the internal and external states of a physical element (Gero
1990) and Umeda holds that this level represents the elements of an artefact and
relationships among them (Umeda, Takeda et al. 1990).
To represent functions, the scientific literature accepts two focuses: one centred on
the operations (operational focus) and another that concentrates on the intentions
(intentional focus) (Chakrabarti 1998; Deng 2002; Kitamura y Mizoguchi 2004;
Chandrasekaran 2005; Dorst y Vermaas 2005; Far y Elamy 2005). In the operational focus,

10
Summary
functions are focused or dependent on the solution, and constitute the components of this
solution or the physical interaction between objects and their environment. To exemplify
this focus, we consider the functions of a clock “to rotate the hour, minute and second hands
around the same pivot, each with a specific rotary velocity”. In the intentional focus,
functions are independent of the solution and represent the desires, intentions and
necessities from the viewpoint of a human user (designer). These kinds of functions
represent a human standpoint, a mental representation of the functionalities within the real
world or the execution of a phenomenon regardless of its physical components. To exemplify
these functions, we use the same clock example “to show or indicate hours, minutes and
seconds”.
Figure 1 synthesises the analysis of the models studied here and describes the levels
of abstraction and the syntax considered on each level. The syntax indicates how information
can be represented by a computer program so that it can be defined, retrieved, edited and
manipulated in a specific design situation. The syntax considers two types of codifications:
natural and mathematical languages.
Natural language is simple and promotes interaction with the user. In contrast,
however, it is ambiguous and lacks precision in its interpretation. The verb + complement
scheme is the commonest form presented by most functional approaches. The mathematical
form solves part of the language problems. Its format is precise but complex for the user to
understand. It always presents the common form of numeric values of constants, variables,
ranges or parametric equations.
This analysis indicates that most of the computational models studied consider the
operation focus in their functional representation. Since 2002, this situation has begun to
change and the latest models consider intentions in their functional representation.
Based on this analysis, we propose a new model with a more flexible representation
that takes the following aspects into account:
• Widening the levels of abstraction,
• Increasing the number of relations that link the levels of abstraction. With these
new links the model will provide a more flexible, wider and easier method for
handling knowledge, and
• Including a level of abstraction that describes the external flows and acts on the
design functionality.

11
Figure 1 – Analysis of the representation considered by the computational models

12
Summary
3 Proposed model of functional

synthesis

13
Summary
This chapter proposes a knowledge model based on the FBS approach. The current
model not only represents the knowledge of a design, but also extends the FBS
representation on the following aspects:
1. It allows the designer to start the description of a design problem from any level of
abstraction. With this resource, the model increases the flexibility of the synthesis
of alternatives.
2. It expands the relationships in knowledge representation. The model therefore
increases the number of relations and specifies the attributes that implement these
relationships.
3. It considers the influence of the external flows from the environment (material,
energy, signal or movement) on distinct levels of abstraction.
4. It implements a flexible process of synthesis to improve knowledge exploration and
widen the exploration paths during synthesis.
5. It improves the representation of intentions in the synthesis model by means of
natural language, thus preventing ambiguity.
The following subsections describe the levels of abstraction considered in the
proposed model, i.e. purpose functions, action functions, behaviours, structures and
environmental inputs.
3.1 Level of purpose functions

Purpose functions ( f i ) represent the intentions that are expected in a design
object. The purpose function is the most abstractive level of those that describe the intention
of the designer or the objectives of a design. Its semantics consider only one attribute with
the same name (purpose function). Its syntax uses natural language in the form of verb +
complement. For the verb attribute, we should use the second class of verbs introduced by
Hirtz (Hirtz, Stone et al. 2002). This contribution of the representation model allows the
user to define the intention of the product and to avoid ambiguity. Table 1 shows the
semantics, syntax and an example of this kind of function.
Table 1 – Semantics of the purpose function level and an example of applying this scheme

Purpose function Natural language regulate occupied volume
(verb + complement)
Verbs from Hirtz’s 2nd class
3.2 Level of action functions

The action function ( a j ) abstracts the behaviour of the product and it is
operation-oriented. Based on this level, designers can guarantee the achievement of an
intention. As a function, it is more operative than the purpose function. Its semantics
consist of the following attributes:
• Description: this attribute describes the objectives of the function.

15
• Driving input and functional output: flows of input and output that affect the
performance of the product, mechanisms or components. Unexpected flows are not
yet considered at this level.
• Initial and ending states: effects expressed during the operation of the components.
• Purpose functions: List of functions that can be met by the action function.
In its syntax, this level considers both natural language and mathematical
representation forms. When natural language is used to indicate a flow, the attribute uses the
verb + complement form. To avoid ambiguity, as in the case of the purpose function, the
driving input and functional output should use verbs of the third class according to Hirtz’s
classification (Hirtz, Stone et al. 2002).
This representation scheme proposes two contributions: the integration of flows,
i.e. object (material, energy or signal) and action (movement), and the dependence
relationship between an output flow and the final state. For this reason, an output flow
Table 2 describes the semantics and an example of the current level of abstraction.
Table 2 – Action function level: semantics, syntax and example

Identification Mathematical form AF: 01
number
Description Natural language Regulate or reduce the maximum volume of a
component until it reaches the minimum volume
Purpose Natural language (list) Regulate occupied volume
functions
Input-output Natural language or Driving input: Actuate after twisting movement or
- Driving input mathematical form. Stabilise weight
- Functional Verbs from Hirtz’s 3rd Functional output: Change dimension of the
output class component
Final and ending Natural language or To change height from a maximum to a minimum
states mathematical form.
Verbs from Hirtz’s 3rd
class
In its syntax, this level considers both natural language and mathematical
representation forms. When natural language is used to indicate a flow, the attribute uses the
verb + complement form. To avoid ambiguity, as in the case of the purpose function, the
driving input and functional output should use verbs of the third class according to Hirtz’s
classification (Hirtz, Stone et al. 2002). In its mathematical language, these attribute use
numeric values (fixed or range) or parametric equations.
This representation scheme proposes two contributions: the integration of flows,
i.e. object (material, energy or signal) and action (movement), and the dependence
relationship between an output flow and the final state. For this reason, an output flow

16
Summary
3.3 Level of behaviours

Behaviour ( bk ) is the level of abstraction that describes the intermediate states of a
component or physical mechanisms by means of the input and output flows. In this
approach, the states can be the internal states of a component, the internal interaction
between two or more components, or the interaction between a component and its
environment. Because it focuses on the physical element, this abstraction presents more
precise information. To make this information readable by the user, the level includes
attributes to describe the objectives of the behaviour in a language that is more familiar to
the user.
From the computational point of view, the level of behaviour is similar to the action
function. But there are differences in some characteristics, e.g. it considers the unexpected
or harmful flows of the system, describes the intermediate states of a physical component
and describes precise values for the flows and states. Due to the specific character of the
states, the user can identify all the intermediate states and organise them in chains or
networks. This network representation scheme contributes to allow the user to describe
variations in the way the product behaves (Martel 1998).
The semantics of the behavioural level presents the following attributes:
• Description: similar to the description of the action function.
• Driving input and functional output: flow of an object (material, energy or signal)
or an action that affects the operation of the system.
• Harmful input and side-effects: flows of an object (material, energy or signal) or an
action that hinders the correct operation of the product. Harmful input and side-
effects are considered to be unexpected flows for the system.
• States: besides the normal initial and ending states, the current attribute can take
into account intermediate states and more than one final state. The representation
of states on the behavioural level extends the states of the action functions and
allows designers to consider the intermediate states. In the chain of states (Figure
2a), the representation model considers not only the initial state and the final
states, but also linear sequences of states executed between the initial and the final
states. In networks of states (Figure 2b), the intermediate states are considered by
distinct chains or sequences of states. These intermediate chains represent a subtle
variation in behaviour and the final states allow distinct kinds of outputs to be
represented (Martel 1998; Thompson y Heimdahl 1999).
• Action functions: list of action functions met by the behaviour element.
• Purpose functions: list of purpose functions attended to by the behaviour.

17
Figure 2 – Chain (a) and network (b) of states considered on the behavioural level
Table 3 describes the semantics, syntax and an example of a behavioural element.
This representation extends the behavioural representation of the FBS in the
following aspects:
• It integrates the flows of object and action into a single flow,
• It defines sub-attributes to link behaviours with action functions and
environmental inputs,
• And it considers sub-attributes to represent chains or networks of states.

18
Summary
Table 3 – Behavioural level: semantics, syntax and example

Identification number Mathematical B: 01
language
Description Natural language To support a vertically distributed load or
which acts on a certain point on a smooth
surface
- Driving input (*) Mathematical Driving input: Weight 100 kg *, Unit: kg,
- Harmful input and natural Range: 0-100
- Functional output language Functional output: Normal force
- Side effect perpendicular to surface
Hirtz’s 3rd class of Harmful input: Weight equal to or greater
verbs than 100kg
Side effect: Break of structure
Initial-ending states Mathematical and Initial-ending states
- Chains or networks of states natural language
Purpose functions Natural language Stabilise point or distributed weight

(list)
3.4 Level of structures

Structure ( s l ) is the least abstract level and describes the geometry of a physical
component or mechanism. Based on this level, the user can get a formal idea of the solution
from the model. During the synthesis process, this level can consider a parametric model of
the component to be adapted to the designer’s needs. With this parametric model, the user
receives a visual preview of the component or the mechanism formed during the synthesis.
From the semantic and syntax viewpoint, structure considers the attributes illustrated in
Table 4.

19
Table 4 – Level of structures: semantics, syntax and example

Identification number Mathematical S01
language
Description Natural language To support loads on a plane surface
Purpose functions Natural language To support point or distributed
(list) loading
Action functions Reference (list) None
Behaviours Reference (list) To stabilise a vertical load
Geometric definition Mathematical Geometric definition
- ID of the geometry language ID: 0000X6
- Parametric solid geometry Solid geometry
- Identification of the structures
- Contact surfaces
- Identification number
- Type of surface
- Degree of Freedom
- List of compatible contact
surfaces Contact surfaces1
Identification of the surface: 01
Type of surface: Plane
Degree of Freedom: 1
Compatible surfaces: Plane
This level uses the Bruno’s (Bruno, Giampà et al. 2003) contact surfaces principles.
With these assumptions, the designer can execute a symbolic assembly of the physical
components.
3.5 Level of environmental inputs or external flows

Environmental inputs ( e p ) are the external elements that may be needed to
perform a particular behaviour. By means of this level, the user can describe these external
elements and control the solution space. The semantics of these environmental inputs
consider the following attributes:
• Description of flow: this describes the objective of the flow in terms of natural
language. This type of flow uses the verb + complement scheme.
• Type of flow: this describes the type of flow considered in the function of the
system, such as: action, energy, material, information, etc.
• Unit of flow: this defines the unit used to quantify the flow, such as: kilograms,
Newtons, volts, bytes, etc.
• Magnitude: this describes the value or range used to quantify the flow.
Table 5 shows the semantics, syntax and an example of environmental input.

20
Summary
Table 5 – Level of environmental inputs: semantics, syntax and example

Identification number Mathematical language E: 01
Description: Natural language To import human force
Verb + complement Hirtz’s 3rd class of verbs
Type of flow Natural language Action
Unit of flow Natural language Newton
Magnitude Mathematical language 10 N
The environmental input maintains relationships with levels of action function and
behaviour. Attributes of type and unit of flow are used to implement this link.
3.6 Relationships available to connect levels of abstraction

To represent a product bearing in mind its intentions, behaviours and physical
abstraction, the model stores the necessary data and relates them in a logical sequence.
Without them, the result can be an incomplete solution, misuse of the available
computational resources or problems in the synthesis of the solution. To better guide
synthesis and make better use of the available resources, this representation scheme has to
consider relationships that link the stored information in a flexible manner. This
representation scheme extends Deng’s assumptions and allows the user to participate on an
intensive basis during the synthesis, as well as increasing the flexibility of the exploration
process. With these relationships, the user can abstract from complex problems and
encounter no restrictions to start the synthesis from any level of abstraction.
This section shows the relationships available at each level of abstraction. Each
relationship presents its attributes of connection and benefits. Figure 3 presents the logical
sequence of exploration by means of the connections that are available. The bold arrows
indicate the contributions of the current representation scheme.
3.6.1 Relationships on the purpose function level
To represent a design from its functionalities and to go beyond the definition of a
solution, the designer can explore knowledge by means of the following relationships:
• Purpose function – action function (1): this relationship allows the designer to find
action functions that satisfy the purpose function.
• Purpose function – behaviour (2): this relationship allows behaviours to be found
to satisfy a certain purpose function.
• Purpose function – structure (3): this allows structures to be found to satisfy a
purpose function.
• Purpose function – purpose function (4): this relationship breaks down a certain
purpose function into simpler sub-functions.
After the initial definition, the user can explore the knowledge of the three
subsequent levels, according to the search sequence that is defined. This search can be
carried out based on two methods: one automatic, without the intervention of the user, and

21
other guided by the user. In the automatic process, the model looks for action functions that
attend to the intentions. If no action function is found, the model extends this search to the
next level of behaviour and subsequently to the structure level. If the search process cannot
match this intention, the function is considered to be complex and subsequently has to be
sub-divided into simple intentions. To connect two purpose functions, the model uses
natural language, based on the verb + complement format, and organises them using graphs
or matrices. This kind of relationship is similar to the Behavioural and Functional
decomposition proposed by Zhang (Zhang, Tor et al. 2002). According to this author,
combining both methods can prevent the design problem from being broken down too
finely, thus avoiding combinatorial explosion during the behavioural configuration. This
usually results in a more compact and less costly design.
3.6.2 Relationships on the action function level
Once a number of action functions have been defined, the synthesis model looks
for elements that satisfy the inputs and outputs of these action functions. The model guides
the synthesis through the following sequence of relationships:
• Action function – environmental input (5): this relationship guides the synthesis to
search for environmental inputs that attend to the required input of an action
function. This relationship also stops the formation of one chain or one network of
action functions.
• Action function – action function (6): this reflexive relationship allows the
designer to form chains or networks of action functions. In this relationship, the
model explores for action functions that match their outputs with the input of a
referenced action function.
• Action function – behaviour (7): this relationship matches an action function input
with the input of an explored behaviour and matches the output of the same action
function with the output of the same or another explored behaviour.
• Action function – structure (8): this relationship allows the designer to find a
structure that performs a certain action function.
3.6.3 Relationships on the behavioural level
• Behaviour – environmental input (9): this relationship controls the granularity of
the chains of behaviours that are formed.
• Behaviour – behaviour (10): this relationship forms chains or networks of
behaviours to satisfy an action function.
• Behaviour – action function – behaviour (11): this relationship allows the design to
go back one level in the abstraction. This process abstracts one behaviour with one
action function. From this abstracted action function, the designer can explore
other possible behaviours for the initial behaviour.
• Behaviour – structure (12): this relationship explores structures that carry out the
behaviour.

22
Summary
The two initial explorations are similar to the relationships existing on the action
function level. The initial behaviour may form chains or networks of behaviours to match its
required input with a flow of the environmental input.
During the exploration, the model may find redundant searches of behaviour. To
avoid this problem, we propose a relationship that allows a return to more abstract levels,
which thus enables an abstract re-definition of a design problem to be obtained. As a
contribution, this representation scheme allows the user to return to this level of
abstraction. This is achieved by means of the behaviour–action function–behaviour
relationship.
One of the processes that end the implementation of an intention is the
relationship between behaviour and structure. By means of this combination, the user may
find the structures that present the expected behaviours. These structures may be a unique
component or a group of components that form a mechanism. In this latter situation we have
to consider that some kinds of behaviour exist due to the interaction between two or more
components, which are called mechanisms here.
3.6.4 Relationships with structures
The structural level presents a reflexive relationship (13) that allows the designer to
form chains or networks of physical components. The relation between structures is
performed by means of the contact surfaces attribute.
From the chain or network of structure, the designer obtains a visual configuration
of the product which is oriented by the contact surface in each component or mechanism
represented in the alternative.
Figure 3 – Overview of the representation scheme and relationships available to connect the levels of
abstraction

23
3.7 Procedure to synthesise alternatives
The model proposed here integrates a flexible algorithm focused on interaction
with the designer. The initial standard procedure recommends starting the synthesis at the
most abstractive level. After this initial definition of the problem, a semi-automatic method
guides the formation of alternatives. The synthesis process proposed here allows the
designer to start the design from any level of abstraction, such as purpose function, action
function, behaviour or structure.
Figure 5 illustrates a theoretical example of synthesis aided by the proposed model.
This theoretical synthesis starts with the following information:
• Functional requirements or general purpose functions ( f 1 ); and

• { }
A set of environmental inputs e p , e p +1 , e p + 2 .
After defining the initial design information, the model guides the exploration to
generate solutions that meet the requirements. The first operation executed is the
exploration of action functions (I). If there is no action function available in the knowledge
database, the model uses the next relationship that changes the focus of the exploration to
behaviours (II), and afterwards, structures.
If the model finds no action function, behaviour or structure that implement the
purpose functions, the model marks these functions as complex and starts a procedure to
decompose these functions. This procedure subdivides complex functions into simpler sub-
functions (III). With other new sub-functions the problem is simplified and the model again
explores for knowledge (action functions, behaviours or structures) that can implement
these new requirements.
In this synthesis model, this decomposition process applies rules but also allows
the user to intervene. With these rules, the designer can decompose functions based on
his/her experience or he/she can break them down bearing in mind knowledge from
previous projects.
After defining and combining the knowledge that matches the purpose functions,
the synthesis model takes the first action function as a reference to continue with the
reasoning process. Thus, the model searches for environmental inputs to fulfil the required
driving input of this action function (IV). A driving input of an action function indicates the
input required to get the product underway. If there is no environmental input available to
attend the required input, then the model matches both inputs and updates the alternative.
Otherwise, the synthesis changes the focus of the exploration to the action function space
whose outputs match the required input of the original action function (V).
Next, the input of the action function is addressed by the outputs of other action
functions. This process forms chains or networks of action functions in the alternative. If
there is no action function available in the knowledge database, the model searches for more
specific elements, such as behaviours (VI), and subsequently, structures.

24
Summary
When the alternative presents only behaviours on the extreme leaf of the tree, the
model take these behaviours to execute the following explorations: first, the environmental
inputs that match their driving input/harmful input, and, second, other behaviours whose
outputs match these required inputs. Thus, the second search process (VII) allows the
synthesis to generate chains or networks of behaviours. The extreme inputs and outputs of
these chains or networks of behaviours have to combine with the extreme inputs and outputs
of action functions that maintain a relationship. While these chains are formed (Figure 4a),
another parallel process finds external flows to address the inputs of the most extreme
behaviours (VIII). With this parallel process, the synthesis model controls the granularity of
the behavioural chain or network (Figure 4b). The combination of both processes
contributes by decreasing the search time and including new inputs to make the design
system work properly.
Figure 4 – (a) Process that forms a chain of behaviours, and (b) process that combines an
environmental input at the end of this chain
If there is no behaviour available to address this chain, the designer is guided to
abstract the extreme behaviour with an action function; and subsequently he/she can execute
a wide exploration of other behaviours in other knowledge domains (IX). This procedure
offers two contributions: it allows designers to go back one level of abstraction, and it allows
designers to explore other possible behaviours in other application domains. After this
method has been applied, the design can continue these new behaviours at the end of the
tree.
To conclude the behavioural exploration, the model certifies if the inputs of the
extremities and outputs of these chains match the inputs and outputs of the action functions
taken as a reference. If this combination is verified, then the model executes a process to
implement the behaviour with physical elements, exploring structures for the solution (X).
During the combination of structures, the designer can combine distinct structures
to form a single behaviour. This combination allows the designer to generate chains or
networks of structures in the alternative (XI). The process finishes when the model has
addressed all the functions and behaviours, or when the user interrupts the reasoning.

25
Figure 5 – The synthesis process proposed

26
Summary
4 Implementation of the proposed

model

27
Summary
Once the theoretical model had been defined, a pilot software tool was
implemented within a symbolic environment that interacts with the user. This pilot tool
reproduces a flexible environment, and shows the explored knowledge with symbols and
graphics so that the process of generating alternatives can be guided easily. At the end of the
reasoning process, this pilot tool shows the solutions that have been generated and the
components of each solution.
4.1 Language and architecture of implementation

Python 2.4 was used to implement the pilot software. This implementation uses the
Three-tier architecture, which comprises three implementation layers with classes, and a
fourth layer that manages the knowledge explored. These classes abstract a set of objects with
similar characteristics and are defined by means of methods and attributes that describe the
states of the objects.
The first layer implements the graphic user interface (GUI), which allows the user
to access the knowledge in the database. This layer collaborates with the exploration, capture
and navigation inside the database. And most of its classes inherit the wxPython library
(Smart, Roebling et al. 2006), which instantiates the Application Programming Interfaces
(API) of the Windows interface. By means of this resource, this software tool displays a
friendly interface with windows and symbols that are familiar to the user.
The application layer (AL) is the second implementation layer that communicates
the graphic interface (GUI) with the database communication layer. This AL implements the
classes of the levels of abstraction of the theoretical model and translates all information
explored into objects. With this AL, the software reuses the code and allows for the
portability of the GUI into other media such as web, thin-client, client-server, and so forth.
The database communication layer (DCL) is the third layer that links the
instantiated objects with the database manager. This DCL controls the Structured Query
Language (SQL) commands, the server configuration and the structure of the knowledge in a
single implementation layer.
The database manager (DBM) constitutes the last layer in this software tool. This
layer handles and relates the knowledge in tables that can store and reuse information from
previous projects. To support this DBM, Microsoft Access Manager is used. This manager is
simple, easy to use and configure, and suits our purpose.

29
Summary
5 Design case and evaluation of the

model

31
Summary
This section describes the application of the software tool to a design case. For this
case, a design involving furniture for offices is considered. At the end of this section, the
results of the design case are reported and the research objectives are analysed against these
results.
5.1 Definition of the problem

The design case begins with an initial requirement: “provide the user with a support
for writing” or “support a surface that the user can write on”. With this requirement, a
purpose function can be defined, such as “support writing activity”. Next, the user translates
his/her inputs from the environment to the system, such as “position a vertical load”.
From the two definitions of the purpose function and environmental input, the
software tool assists the designer by converging the solution space that is explored. Based on
the previously defined purpose functions, the software tool explores and combines action
functions, behaviours and structures to generate alternatives.
At the end of the synthesis, the structural level is used to combine components and
parts of the product. In this case, contact surfaces are used to assemble the alternatives. By
means of this information, the designer can define the union between physical parts and
abstract the final form of the product.
5.2 Application of the synthesis model to the design case

This section briefly illustrates the results of the design problem. To generate the
alternatives, the software tool guided the resolution, taking into account knowledge that had
previously been registered in the database. The reasoning begins with the exploration of the
action functions, behaviours and structures. As the initial purpose function is considered to
be too complex to be solved by these three levels of abstraction, the user is then asked to
break down this initial function into simpler sub-functions (Figure 6a).
With these new purpose functions, the software explores action functions,
behaviours and structures again. After combining the action function elements, the software
matches them with the environmental inputs that are available. After this process, the
alternative is improved and takes the form depicted in Figure 6b.

33
Figure 6 – (a) Decomposition of purpose function, and (b) improvement of the design alternative

34
Summary
After some explorations and combinations of knowledge, 14 alternatives were

generated for the design problem.
5.3 Generated alternatives

Figure 7 and Figure 8 illustrate two possible alternatives generated with the support
of the software tool.

35
Figure 7 – First alternative generated with the software support

36
Summary
Figure 8 – Second alternative generated with the software support

37
For illustration purposes, some of the alternatives that were developed were
assembled to demonstrate their possible final forms. Figure 9 illustrates some of the
alternatives that were developed.
Figure 9 – Concept of the alternatives defined after the synthesis process
5.4 Evaluation of the model

With the aid of the design case, we demonstrate that the functional synthesis model
fulfils the intended research goals.
In this article, a representation and synthesis model is presented. This model is
based on the FBS approach and allows the user to represent his/her intentions in natural
language, ambiguities being avoided by using Hirtz’s (Hirtz, Stone et al. 2002) verbs.
The levels of abstraction can be linked by a set of thirteen relationships. This
proposition is innovative because most of the synthesis models present a linear and
restricted number of relations between their levels of abstraction. By means of those
relationships, the model performs the following factors: it proposes flexible exploration of
knowledge; it abstracts a difficult problem and goes back to explore higher levels of
abstraction. With those resources, the model widens the exploration paths and formation of
alternatives, which address the objective of improving knowledge exploration and increasing
possible synthesis paths.
A pilot software tool was implemented to handle and capture knowledge in a
graphic environment that adopts the proposed reasoning process. With this pilot tool, the

38
Summary
designer explores the design space and reduces it by means of rules and connections
between levels of abstraction. The graphic environment thus implemented achieves the
following goals:
• It begins the synthesis from any level of abstraction,
• It explores the knowledge by means of pop-up menus. These pop-up menus adapt
themselves to the knowledge being managed and the direction of the user.
• It makes it possible to go back to higher levels of abstraction during the synthesis.
This resource allows a design problem to be abstracted in order to find a solution
with other application focuses.
• It allows more than one alternative to be handled. By means of this resource, the
designer can handle different alternatives or create variations of alternatives in the
same graphic interface.
• It captures the knowledge before or during the generation of alternatives with the
support of the top-down and bottom-up capture techniques.
• It stores experience from previous projects. By means of this resource, the designer
can generate new alternatives and reuse the experience gained from previous
projects.
• It proposes assembly links between components and the user. With this resource,
the designer can define the best assembly of the physical elements and define the
physical form of the product.
• It forms alternatives by means of multi-reasoning processes.

39
Summary
6 Conclusions

41
Summary
The research outlined here proposes a synthesis model that supports design activity
and allows the designer to solve a design problem from its functionalities to the physical
abstraction of the solution.
The contributions of this synthesis model are defined as follows:
• The knowledge representation proposed here allows the designer to consider the
external elements (inputs and flows of the environment) that affect system
functionality at certain levels of abstraction. This representation extends the
proposition of other models and controls the exploration of the levels of
abstraction and the generation of a number of alternatives. This control of the
alternatives improves the assumptions of other models, since the model considers
more attributes in order to define the inputs from the environment. For this reason
the contribution of this model improves the benefits from the use of the
environmental flows to more than one knowledge level.
• The model uses a standard language that prevents the ambiguity of the functional
representation. Therefore, the designer does not need to adapt him/herself to the
support design tool because the tool uses a standard based on natural language.
• The model extends the information represented by current models and widens the
relationships between the levels of abstraction. These improvements make it
possible to:
o Increase interaction with the designer;
o Control the exploration of the knowledge space;
o Generate networks of design elements (action functions, behaviours and
structures). These networks increase the number of proposed solutions;
o Reach lower levels of abstraction through a number of more or less
intermediate levels for each design case;
o Facilitate the exploration of other knowledge domains, starting out from a
highly abstract level of representation.
With these contributions, the model improves the following factors: it allows
different application domains to be explored, it reduces the development time, it reuses
resources during the design, and it allows the designer to form alternatives by means of
multi-reasoning processes.

43
Summary
References

45
Summary
Bentley, P. J. (1999). From coffee tables to hospitals: generic evolutionary design.

Evolutionary Design by Computers. Bentley, P. J. Londres, Elsevier: 405-423.
Bracewell, R. (2002). Synthesis based on function–means trees: Schemebuilder.

Engineering Design Synthesis - Understanding, Approaches and Tools.
Chakrabarti, A. Londres, Inglaterra, Springer-Verlang: 199-212.
Bracewell, R. y Sharpe, J. (1996). "Functional Descriptions used in Computer Support for

Qualitative Scheme Generation-"Schemebuilder"." AIEDAM 10(4): 333-346.
Bruno, F., Giampà, F., et al. (2003). A Methodology to support designer creativity during the
conceptual design phase of industrial products. International Conference on
Engineering Design, ICED 03, Stockholm, Sweden, Design Society.
Campbell, M., Cagan, J., et al. (2003). "The A-Design approach to managing automated
design synthesis." Research in Engineering Design 14: 12 - 24.
Campbell, M. I., Cagan, J., et al. (1998). A-Design: theory and implementation of an
adaptive, agent-based method of conceptual design. Artificial Intelligence in
design, Lisbon, Portugal.
Campbell, M. I., Cagan, J., et al. (1999). "A-Design: an agent-based approach to conceptual
design in a dynamic environment." Research in engineering design 11: 172-192.
Chakrabarti, A. (1998). Supporting two views of function in mechanical designs. AAAI 1998.
Madison.
Chakrabarti, A. (2006). Defining and supporting design creativity. International Design

Conference - Design 2006, Dubrovnik, Croatia.
Chakrabarti, A., Langdon, P., et al. (2002). An approach to compositional synthesis of

mechanical design concepts using computers. Engineering Design Synthesis.
Understanding, approaches and tools. Chakrabarti, A. Londres, Springer-Verlag:
179 - 194.
Chakrabarti, A., Sarkar, P., et al. (2005). "A functional representation for aiding biomimetic
and artificial inspiration of new ideas." Artificial intelligence for engineering
design,analysis and manufacturing(AIEDAM) 19: 113-132.

47
Chandrasekaran, B. (2005). "Representing function: relating functional representation and
functional modeling research streams." Artificial Intelligence for Engineering
Design, Analysis and Manufacturing (AIEDAM) 19: 65-74.
Chandrasekaran, B., Goel, A., et al. (1993). Functional representation as design rationale.
Clement, S., Jordan, A., et al. (2004). The use of evolutionary algorithms in prototypes in
engine development at Volkswagen AG. MTZ.
Deng, Y. (2002). "Function and behavior representation in conceptual mechanical design."

Artificial Intelligence for Engineering Design, Analysis and Manufacturing -
AIEDAM 16: 343-362.
Deng, Y. M., Briton, G. A., et al. (1998). "A Design Perspective of Mechanical Function and
its Object-Oriented Representation Scheme." Engineering with Computers 14:
309-320.
Dorst, K. y Vermaas, P. E. (2005). "John Gero’s Function-Behaviour-Structure model of

designing: a critical analysis." Research in Engineering Design 16: 17-26.
Esterline, A. y Kota, S. (1992). "A General paradigm for routine design - theory and
implementation." Artificial Intelligence in Engineering Design, Analysis, and
Manufacturing 6(2): 73-93.
Far, B. H. y Elamy, A. H. (2005). "Functional reasoning theories: problems and

perspectives." Artificial Intelligence for Engineering Design, Analysis and
Gero, J. (1990). "Design prototypes: A knowledge representation schema for design." AI

magazine 11(4): 26 - 36.
Hatchuel, A., Masson, P. L., et al. (2004). C-K theory in practice: lessons from industrial
applications. International Design Conference - Design 2004, Dubrovnik.
Hatchuel, A. y Weil, B. (2003). A new approach of innovative design: an introduction to C-K

theory. ICED'03 - International Conference on Engineering Design, Stockholm,
Sweden.

48
Summary
Hirtz, J., Stone, R., et al. (2002). "A functional basis for engineering design: reconciling and
evolving previous efforts." Research in Engineering Design 13: 65 - 82.
Horvath, I. (2000). Conceptual design - inside and outside. 2nd Seminar and Workshop
EDIPro, Poland.
Horvath, I. (2004a). On some crucial issues of computer support of conceptual design -

What to consider in order to be successful. Product Engineering: Eco-design,
technologies and green energy, Brasov, Romania.
Horvath, I. (2004b). "A treatise on order in engineering design research." Research in

engineering design 15: 155-181.
Jin, Y., Li, W., et al. (2005). "A hierarchical co-evolutionary approach to conceptual design."
Cirp Annals-Manufacturing Technology 54(1): 155-158.
Kitamura, Y. y Mizoguchi, R. (2004). "Ontology-based systematization of functional

knowledge." Journal of Engineering Design 15(4): 327-351.
Kota, S. y Chiou, S.-J. (1992). "Conceptual design of mechanisms based on computational

synthesis and simulation of kinematic building blocks." Research in Engineering
Design 4: 75-87.
Li, C.-l. (1998). Conceptual design of single and multiple state mechanical devices : an
intelligent CAD approach. Mechanical Engineering. Hong Kong, University of
Hong Kong: 347.
Li, C. L., Chan, K. W., et al. (1999). "Automatic design by configuration space: an automatic
design system for kinematic devices." Engineering Applications of Artificial
Intelligence 12: 613-628.
Li, C. L., Tan, S. T., et al. (1996). "A qualitative and heuristic approach to the conceptual
design of mechanisms." Engineering applications of artificial intelligence 9(1): 17-
31.
Li, G., Bracewell, R., et al. (2001). A knowledge framework to support engineering design.
Eighth ISPE International Conference on Concurrent Engineering.

49
Liu, Y., Chakrabarti, A., et al. (2000). "A computational framework for concept generation
and exploration in mechanical design further developments of function." Artificial
Intelligence in Design '00: 499 - 519.
Lossack, R. (2002). Design process and context for the support of design synthesis.
Engineering Design Synthesis. Understanding, Approaches and Tools.
Chakrabarti, A. Londres, Springer-Verlag: 213 - 227.
Lossack, R. S., Umeda, Y., et al. (1998). Requirement, function and physical principle
modelling as the basis for a model of synthesis. Computer Aided Conceptual
Design'98.
Martel, A. (1998). Applications of ergonomics and consumer feedback of product design at

Whirlpool. Human factors in consumer products. Stanfor, Taylor & Francis: 107-
126.
Mulet, E. (2003). Análisis experimental y modelización descriptiva del proceso de diseño.

Departamento de Proyectos de Ingeniería. Valencia, Universidad Politécnica de
Valencia: 248.
Parmee, I. C. (2001). Evolutionary and adaptive computing in engineering design. Londres.
Smart, J., Roebling, R., et al. (2006). wxWidgets 2.6.3: A portable C++ and Python GUI
toolkit. 2007.
Sridharan, P. y Campbell, M. I. (2005). "A study on the grammatical construction of function

structures." Artificial Intelligence for Engineering Design, Analysis and
Takeda, H. (1994). Towards multi-aspect design support systems. Technical Report NAIST-
IS-TR94006. Nara - Japón, Nara Institute of Science and Technology.
Takeda, H., Yoshioka, M., et al. (2001). A general framework for modelling of synthesis-
Integration of theories of synthesis. International Conference on Engineering
Design - ICED'01, Glasgow, Elsevier Science.
Thompson, J. M. y Heimdahl, M. P. E. (1999). An integrated development environment for

prototyping safety critical systems. Tenth IEEE International Workshop on Rapid
System Prototyping (RSP'99).

50
Summary
Tomiyama, T., Takeda, H., et al. (2003). Adbuction for creative design. ASME 2003 - Design
Engineering Conference, Chicago, EEUU.
Ulrich, K. T. y Seering, W. P. (1989). "Synthesis of Schematic Descriptions in Mechanical

Design." Research in Engineering Design 1(1): 3-18.
Umeda, Y., Takeda, H., et al. (1990). Function, behaviour, and structure. Applications of
Artificial Intelligence in Engineering V. Gero, J. Berlin, Springer. 1: 177-194.
Vajna, S., Clement, S., et al. (2005). "The Autogenetic Design Theory: An evolutionary view
of the design process." Journal of Engineering Design 16(4): 423-440.
Van Wie, M., Bryant, C. R., et al. (2005). "A model of function-based representations."
Artificial Intelligence for Engineering Design, Analysis and Manufacturing
(AIEDAM) 19: 89-111.
Vidal, R., Bermell, P., et al. (2002). Definicion de una arquitectura para la asistencia en el
diseño de productos. VI International Congress on Project Engineering, Barcelona.
Wilhelms, S. (2005). "Function- and constraint-based conceptual design support using

easily exchangeable, reusable principle solution elements." Artificial Intelligence
for Engineering Design, Analysis and Manufacturing (AIEDAM) 19: 201-219.
Williams, B. C. (1992). Interaction-based Design: Constructing Novel Devices from First

Principles. Intelligent Computer Aided Design, North-Holland.
Xu, Q. L., Ong, S. K., et al. (2006). "Function-based design synthesis approach to design
reuse." Research in Engineering Design 17: 27-44.
Zavbi, R. y Duhovnik, J. (2000). "Conceptual Design of Technical Systems using Functions

and Physical Laws." Artificial Intelligence for Engineering Design, Analysis and
Manufacturing - AIEDAM 14: 69 - 83.
Zavbi, R. y Duhovnik, J. (2001). "Conceptual design chains with basic schematics based on an
algorithm of conceptual design." Journal of Engineering Design 12(2): 131-145.

51
Zhang, W. Y., Tor, S. B., et al. (2002). "A Heuristic State-Space Approach to the Functional
Design of Mechanical Systems." The International Journal of Advanced
Zhang, W. Y., Tor, S. B., et al. (2003). "FuncDesigner a functional design software system."
International Journal of Advanced Manufacture Technology 22: 295-305.

52
UNIVERSITAT JAUME I
Modelado y desarrollo de un modelo computacional de síntesis interactivo y

multirrelacional para guiar la actividad de diseño en la fase conceptual
Esta tesis parte de las hipótesis de que es posible
mejorar las herramientas funcionales de soporte
del diseño conceptual representando el
conocimiento de manera más flexible e interactiva
a como lo hacen los actuales modelos funcionales
de síntesis por medio del marco función,
comportamiento y estructura (FBS).
Esta tesis propone un modelo computacional que

mejora la exploración del conocimiento ampliando
las opciones de búsqueda de soluciones,
aumentando la interacción con el diseñador
durante la síntesis y representando las intenciones
del diseñador con un lenguaje más cercano al
usuario y evitando ambigüedades.
La tesis define un modelo funcional de síntesis
centrado en el usuario que considera cinco niveles
de abstracción y múltiples relaciones entre estos
niveles.
TESIS DOCTORAL
El documento describe la implementación del
mismo en una herramienta informática piloto que
se ha aplicado, como caso de estudio, al diseño de
mobiliario de oficinas.
Presentada por:
Dirigida por:
DOCTORAL
T E S I S
Castellón, 2007

Modelado y Desarrollo de Un Modelo Computacional de Síntesis Interactivo y Multirrelacional para Guiar La Actividad de Diseño en La Fase Conceptual

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modelado y Desarrollo de Un Modelo Computacional de Síntesis Interactivo y Multirrelacional para Guiar La Actividad de Diseño en La Fase Conceptual

Uploaded by

Copyright:

Available Formats

UNIVERSITAT JAUME I

Modelado y desarrollo de un modelo computacional de síntesis interactivo y

Esta tesis propone un modelo computacional que

Modelado y desarrollo de un modelo computacional

Agradezco a Dios todos los días de mi existencia.

El Programa Alban (Programa de becas de alto nivel de la Unión Europea para la

E a meus irmãos Daniel e Denise,

aj Action function (función de acción) 77

ep Environmental input (entrada del entorno) 84

fi Purpose function (función de propósito) 75

i Índice que hace referencia a las funciones de propósito exploradas 75

k Índice que hace referencia a los comportamientos explorados 80

l Índice que hace referencia a las estructuras exploradas 83

Dioclécio Moreira Camelo

4 Dioclécio Moreira Camelo

Dioclécio Moreira Camelo

Figura 1 - Metodología de investigación para el diseño propuesto por Blessing y

1.4 Estructura de la tesis

6 Dioclécio Moreira Camelo

Este capítulo describe los modelos computacionales que soportan la concepción de

2.1 Tipos de diseño

2.2 El proceso de diseño

Dioclécio Moreira Camelo

Diverger Converger Diverger Converger

Trazado del Solución

Figura 2 – Modelo de Cross (Cross 1994).

Takeda y Yoshioka formalizan el proceso de diseño por medio de cinco etapas

10 Dioclécio Moreira Camelo

etapas (Figura 3):

Dioclécio Moreira Camelo

Otra definición que se emplea frecuentemente en esta tesis es la de alternativa, que

2.3 Modelos computacionales para la síntesis

12 Dioclécio Moreira Camelo

(neuronas) que trabajan de forma simultánea para resolver problemas

Dioclécio Moreira Camelo

soluciones compactas, próximas al nivel considerado como óptimo y en tiempo reducido de

2.3.1.2 Two-stage Functional Modeling Framework (TFMF)

14 Dioclécio Moreira Camelo

2.3.1.3 Functional Design Software System (FuncDesigner)

Figura 5 – La teoría C-K Design (Hatchuel, Masson et al. 2004)

Dioclécio Moreira Camelo

2.3.1.5 Hierarchical Co-Evolutionary Approach to Conceptual Design (HiCED)

16 Dioclécio Moreira Camelo

información cuantitativa y cualitativa de los mecanismos, y un sistema híbrido de resolución

Dioclécio Moreira Camelo

18 Dioclécio Moreira Camelo

2.3.3.3 Modelo de Zavbi y Duhovnik

Dioclécio Moreira Camelo

algoritmo los parámetros geométricos, topológicos y materiales necesarios para las

20 Dioclécio Moreira Camelo

La herramienta pretende explorar para encontrar resultados completamente

Dioclécio Moreira Camelo

22 Dioclécio Moreira Camelo

con el proceso de síntesis.

2.4 Conclusiones del capítulo

Dioclécio Moreira Camelo

3.1 Análisis de la representación del conocimiento para la

Dioclécio Moreira Camelo

horas”. En el enfoque intencional, las funciones se refieren a los deseos, intenciones y

o Las de funciones con comportamientos ( F → B );

Dioclécio Moreira Camelo

o Las de funciones con estructuras ( F → S );

o Los comportamientos con las estructuras ( B → S );