蔣穎姿，陳炳發(fā)

(南京航空航天大學(xué) 機(jī)電學(xué)院，江蘇 南京 210016)

基于感性工學(xué)方法的產(chǎn)品設(shè)計(jì)分析

蔣穎姿，陳炳發(fā)

(南京航空航天大學(xué) 機(jī)電學(xué)院，江蘇 南京 210016)

以感性工學(xué)理論為基礎(chǔ)，對產(chǎn)品感性意象進(jìn)行量化研究，運(yùn)用統(tǒng)計(jì)學(xué)方法建立產(chǎn)品設(shè)計(jì)元素空間和感性意象評價(jià)值矩陣，并應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建產(chǎn)品形態(tài)元素和感性意象的關(guān)聯(lián)模型，得出一具體設(shè)計(jì)目標(biāo)下的產(chǎn)品形態(tài)元素組合方案。以家具椅為對象，體現(xiàn)江南區(qū)域文化意象為目標(biāo)，采用BP神經(jīng)網(wǎng)絡(luò)算法，通過計(jì)算機(jī)軟件MATLAB編程進(jìn)行學(xué)習(xí)訓(xùn)練并模擬預(yù)測，最終得出結(jié)論指導(dǎo)家具椅設(shè)計(jì)方案。將感性意象量化并系統(tǒng)化，使以感性需求為導(dǎo)向的產(chǎn)品設(shè)計(jì)更具科學(xué)性和實(shí)踐指導(dǎo)意義，為開發(fā)出更符合用戶感性需求、更具有市場競爭的產(chǎn)品提供了一種設(shè)計(jì)思路。

感性工學(xué)；BP人工神經(jīng)網(wǎng)絡(luò)算法；感性需求；產(chǎn)品設(shè)計(jì)

1 感性工學(xué)

感性工學(xué)是感性與工學(xué)相結(jié)合的技術(shù)，主要分析人的感性信息、人的喜好與產(chǎn)品的關(guān)系，以盡可能準(zhǔn)確地把握用戶對產(chǎn)品感性需求。通過定性推理和定量分析的理論及方法，有效結(jié)合用戶對于產(chǎn)品的感性信息和產(chǎn)品設(shè)計(jì)元素以獲得產(chǎn)品設(shè)計(jì)新的發(fā)展方向，設(shè)計(jì)出更符合消費(fèi)者需求的產(chǎn)品。感性工學(xué)幫助設(shè)計(jì)師量化用戶的感性需求，同時(shí)也有助于用戶更準(zhǔn)確地選擇符合自己要求的產(chǎn)品。近年來,感性工學(xué)研究領(lǐng)域不斷擴(kuò)大，感性意象被越來越多的國際學(xué)者運(yùn)用不同的數(shù)學(xué)分析方法和計(jì)算機(jī)技術(shù)探討研究。其研究方法主要分為實(shí)驗(yàn)、統(tǒng)計(jì)、計(jì)算機(jī)系統(tǒng)分析三個階段，分別涉及到的方法如表1所示。

2 BP人工神經(jīng)網(wǎng)絡(luò)算法在感性工學(xué)中的應(yīng)用

人工神經(jīng)網(wǎng)絡(luò)(ANNS)(誤差反響傳播算法)是感性工學(xué)中十分重要的統(tǒng)計(jì)研究方法。它可以解決大復(fù)雜度(如上百個參數(shù))問題的方法，是對人腦或自然神經(jīng)網(wǎng)絡(luò)的若干基本特性的抽象和模擬。它常被用于解決分類和回歸的問題。20世紀(jì)80年代后，其算法得到了切實(shí)可行的實(shí)踐后被應(yīng)用于各個領(lǐng)域，在產(chǎn)品設(shè)計(jì)方面則較多被應(yīng)用于產(chǎn)品的功能、外形、色彩、質(zhì)感和消費(fèi)者感性設(shè)計(jì)等方面[1]。其中的BP算法(誤差反響傳播算法)的提出解決了人工神經(jīng)網(wǎng)絡(luò)中求解非線性函數(shù)的多層前饋神經(jīng)網(wǎng)絡(luò)的權(quán)重調(diào)整問題。1986年，Rumelhart和McClelland提出了BP算法網(wǎng)絡(luò)模型，無需提前揭示具有映射關(guān)系的數(shù)學(xué)方程而是經(jīng)由學(xué)習(xí)和存儲大量的輸入-輸出模式的映射關(guān)系得到規(guī)律。其中的學(xué)習(xí)規(guī)則是利用反向傳播來調(diào)網(wǎng)絡(luò)的權(quán)值和閾值，目標(biāo)是使網(wǎng)絡(luò)的誤差平方和最小，這種方法被稱為“最速下降法”[2]。

表1 感性意象的研究方法

BP網(wǎng)絡(luò)的學(xué)習(xí)由4個過程組成：模式順傳播——輸入模式，由輸入層經(jīng)過隱藏層到輸出層的“順”傳播過程；誤差逆?zhèn)鞑ァＭ敵雠c實(shí)際輸出之差的誤差信號修正連接權(quán)過程；記憶訓(xùn)練——由模式順傳播和誤差逆?zhèn)鞑サ姆磸?fù)交替進(jìn)行的過程；學(xué)習(xí)收斂——網(wǎng)絡(luò)趨向收斂，即網(wǎng)絡(luò)的全局誤差趨向極小值的過程。其學(xué)習(xí)主要流程如圖1所示。

圖1 BP單樣本算法流程

其中，輸入層和輸出層分別對應(yīng)為消費(fèi)者的感性意象語義表達(dá)的量化值和產(chǎn)品設(shè)計(jì)要素的量化值。利用網(wǎng)絡(luò)訓(xùn)練建立二者之間的非線性關(guān)系，如圖2所示。

圖2 BP網(wǎng)絡(luò)結(jié)構(gòu)

通過感性工學(xué)的理論和研究方法的描述分析，從產(chǎn)品設(shè)計(jì)的方法進(jìn)行總結(jié)，進(jìn)一步定量化地分析并構(gòu)建方法模型。其具體步驟如下：

1) 選取產(chǎn)品代表性樣本，分析目標(biāo)產(chǎn)品設(shè)計(jì)元素，篩選并確定感性詞匯；

2) 構(gòu)建設(shè)計(jì)元素空間；

3) 設(shè)計(jì)調(diào)查問卷，選擇受測目標(biāo)人群，發(fā)放問卷；

4) 問卷回收及數(shù)據(jù)統(tǒng)計(jì)分析，建立設(shè)計(jì)元素和感性評價(jià)平均值矩陣；

5) 分析映射模型，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建、訓(xùn)練、測試并模擬網(wǎng)絡(luò)；

6) 討論并分析結(jié)果。

3 基于感性工學(xué)的應(yīng)用BP人工神經(jīng)網(wǎng)絡(luò)算法的產(chǎn)品設(shè)計(jì)分析

3.1 解構(gòu)產(chǎn)品設(shè)計(jì)要素

以家具椅為對象，目標(biāo)為設(shè)計(jì)出能體現(xiàn)江南區(qū)域文化的現(xiàn)代家具椅。首先對家具椅進(jìn)行設(shè)計(jì)元素的分析。

1) 形態(tài)要素

家具椅的形態(tài)是家具椅的信息載體，主要指產(chǎn)品的有機(jī)形態(tài)和幾何形態(tài)，表達(dá)家具椅的實(shí)用意義和象征意義。

2) 色彩與材料要素

文中所研究的家具椅主要以木質(zhì)材料為主，其表面多以清漆進(jìn)行涂飾，以展示木材的天然紋理[3]，其色彩大多保有材料的原色。材質(zhì)的不同家具椅的顏色也不同，如橡木、櫸木、紅木等各不相同。色彩的色相引發(fā)人們對某些事物的聯(lián)想，決定了給人帶來的冷暖感。如紅橙黃色讓人想到太陽、火焰、火山巖等，因此具有暖感。同時(shí)，明度高的顏色有冷感，明度低的顏色有暖感；純度高的顏色有暖感，純度低的顏色有冷感。對于家具來說，通常認(rèn)為在炎熱、高溫條件下宜用冷色，在低溫或寒冷條件下宜用暖色[4]。

另外，現(xiàn)代家具椅的設(shè)計(jì)與傳統(tǒng)明式家具相比，從人機(jī)工程和環(huán)保等多種角度出發(fā)，更多地考慮現(xiàn)代人的使用和環(huán)境，為家具椅增加了一些“附屬構(gòu)件”[5]。附屬構(gòu)件的顏色如編織物、皮革、金屬、塑料等的顏色則需要考慮其所在的家具椅的原木色的色相和明度。

3) 結(jié)構(gòu)要素

家具椅的結(jié)構(gòu)除了典型的跟制作生產(chǎn)相關(guān)的代表性連接結(jié)構(gòu)外，從視覺上最具有代表性的是家具椅的靠背形狀、椅面高度、扶手類型和椅腳類型等。而不同結(jié)構(gòu)部位，可能具有不同的文化意象。如截面為外圓內(nèi)方的椅腳體現(xiàn)了我國古代天圓地方的陰陽學(xué)說。

4) 裝飾要素。裝飾要素主要分為自然花紋裝飾和抽象花紋裝飾兩類，不同的裝飾花紋具有不同的背景和文化涵義。

3.2 選取研究樣本

從網(wǎng)絡(luò)、家居雜志、產(chǎn)品型錄等多種渠道獲取椅子的樣本183個，依據(jù)主觀分析，首先排除結(jié)構(gòu)、外形等設(shè)計(jì)因素相同或類似的椅子樣本，初步得到102個基本的椅子樣本，并以此為基礎(chǔ)建構(gòu)椅子的形態(tài)樣本庫。通過結(jié)構(gòu)、形態(tài)、色彩等因素的比對，刪除相似程度較大的樣本得到50個樣本。然后通過問卷調(diào)查及數(shù)據(jù)分析，結(jié)合5名具有3年以上設(shè)計(jì)經(jīng)驗(yàn)的人員利用KJ法[6]依據(jù)家具椅的設(shè)計(jì)元素進(jìn)行二次篩選，最終篩選出20個樣本作為本次研究椅子形態(tài)分析的對象和感性意象調(diào)查樣本。其中，15個作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，剩余5個作為檢測網(wǎng)絡(luò)效果的測試樣本。

3.3 構(gòu)建產(chǎn)品樣本的設(shè)計(jì)元素空間

根據(jù)前文所述對家具椅的分析以及所選家具椅的代表性樣本，提取樣本的設(shè)計(jì)元素并進(jìn)行分類，構(gòu)建其設(shè)計(jì)元素空間表，如表2所示。

表2 家具椅樣本的設(shè)計(jì)元素空間表

3.4 用戶調(diào)查問卷及數(shù)據(jù)統(tǒng)計(jì)

確定受測目標(biāo)對象和感性語匯對，利用語義差異法進(jìn)行問卷調(diào)查，獲得感性評價(jià)平均值。本次調(diào)研的產(chǎn)品目標(biāo)為體現(xiàn)區(qū)域文化意象，因此對受測人群有一定要求：必須為長期在江南區(qū)域生活過或正生活著的人群。同時(shí)，給予一定的受測條件：以中式風(fēng)格室內(nèi)家居為前提，給受測用戶一定的限制范圍和想象空間。一方面對測試更有導(dǎo)向性，得出的結(jié)果會更準(zhǔn)確；另一方面，排除一些不利于測試和結(jié)果的因素，如個人對區(qū)域文化的喜惡，特別是不喜歡江南區(qū)域文化的用戶的影響。

另外，通過“最可能選擇的——最不可能選擇的”這組中性感性反義詞語匯對，讓用戶做感性評價(jià)打分調(diào)查?，F(xiàn)采用7分制的語義差異法進(jìn)行問卷調(diào)查。量尺的區(qū)間為7，即1，2，3，4，5，6，7。每位受測者對20個樣本進(jìn)行打分，打1分表示最不可能選擇該樣本，打4分表示對該樣本可選可不選，打7分表示最可能選擇該樣本。

調(diào)查問卷一共發(fā)放150份，回收有效問卷132份。其中，這132個受測者均來自江南區(qū)域。平均年齡24.33歲，其中受過專業(yè)設(shè)計(jì)知識訓(xùn)練的23個人，普通消費(fèi)者為109個。得到132份關(guān)于20個家具椅樣本的“最不可能選擇—最可能選擇”的這一語匯對的感性評價(jià)值，如表3所示。其中，X1-X8分別對應(yīng)表5.3中木質(zhì)顏色-裝飾8個設(shè)計(jì)元素，1、2、3、4分別對應(yīng)其中的元素類型。感性評價(jià)值是搜集的調(diào)查問卷132份的打分均值。如第一個樣本的感性評價(jià)值為3.008。

續(xù)表3

4113132233．0085211132434．3646211132224．3647241212134．5308243142314．0689221312333．98510222212234．12911213431313．22712131212134．07613133112332．97714141411132．93915142312333．46216142412134．00017221112134．22018243341314．00819213122333．46220243142432．856

3.5 利用MATLAB建立BP神經(jīng)網(wǎng)絡(luò)分析模型

通過BP神經(jīng)網(wǎng)絡(luò)模擬受測對象對不同的設(shè)計(jì)元素的組合的感性意向評價(jià)。首先需要利用BP神經(jīng)網(wǎng)絡(luò)對上述樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，把學(xué)習(xí)后的網(wǎng)絡(luò)作為仿真實(shí)驗(yàn)的數(shù)學(xué)模型映射與家具椅設(shè)計(jì)相關(guān)的8個設(shè)計(jì)元素與感性意象評價(jià)之間復(fù)雜的非線性關(guān)系。選取數(shù)學(xué)語言工具M(jìn)ATLAB實(shí)現(xiàn)整個程序的編程和計(jì)算。利用其中的神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)對網(wǎng)絡(luò)進(jìn)行初始化、仿真和訓(xùn)練，然后通過圖形變化觀察網(wǎng)絡(luò)的動態(tài)訓(xùn)練過程。具體實(shí)施步驟如下：

1) 構(gòu)建網(wǎng)絡(luò)

設(shè)置網(wǎng)絡(luò)為輸入層、兩個隱藏層和輸出層共四層網(wǎng)絡(luò)，它們分別有8、4、16、1個節(jié)點(diǎn)數(shù)。其中，輸入層的8個節(jié)點(diǎn)為8個家具椅的設(shè)計(jì)元素編號后的數(shù)學(xué)矩陣，輸出層則是對于家具椅的調(diào)查有關(guān)江南區(qū)域的消費(fèi)者對符合“中式”家具的感性意象的評價(jià)值。第一個隱藏層中有4個神經(jīng)元，選擇tangen sigmoid傳遞函數(shù)，神經(jīng)元的輸出公式如下：

j=1,2…,4)

k=1,2…,16)

2)訓(xùn)練網(wǎng)絡(luò)

設(shè)置網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)為15 000次，設(shè)置誤差參數(shù)為0.001，采用traignd(梯度下降)法，利用均方誤差測定訓(xùn)練結(jié)果，利用樣本和感性值評價(jià)數(shù)據(jù)表中前15組數(shù)據(jù)，作為網(wǎng)絡(luò)的輸入和輸出，導(dǎo)入已建好的BP網(wǎng)絡(luò)對其學(xué)習(xí)訓(xùn)練。

開始訓(xùn)練10 636次的時(shí)候達(dá)到訓(xùn)練目標(biāo)停止訓(xùn)練，如圖3所示，其訓(xùn)練效果如圖4所示。其中x坐標(biāo)表示訓(xùn)練次數(shù)，y坐標(biāo)表示訓(xùn)練誤差。

圖3 網(wǎng)絡(luò)訓(xùn)練結(jié)束圖

圖4 網(wǎng)絡(luò)訓(xùn)練圖

3) 測試網(wǎng)絡(luò)

用樣本和感性值評價(jià)數(shù)據(jù)表3中最后的5組樣本數(shù)據(jù)測試網(wǎng)絡(luò)性能，即將5個樣本的設(shè)計(jì)元素組合導(dǎo)入進(jìn)網(wǎng)絡(luò)的輸入層，進(jìn)行運(yùn)算后所得結(jié)果與調(diào)查問卷的數(shù)據(jù)(3.462,4.000,4.220,4.008,3.462,2.856)相對比，發(fā)現(xiàn)基本吻合。

tnew=3.433 2、4.235 1、3.001 4、3.510 4、3.155 4

4) 模擬預(yù)測

樣本所選的8個設(shè)計(jì)元素的組合的所有可能方式共有2×4×4×4×4×2×3×3=9 216種可能性，將其導(dǎo)入輸入層，模擬預(yù)測出每種組合對應(yīng)的感性評價(jià)值。

3.6 分析結(jié)果

通過BP神經(jīng)網(wǎng)絡(luò)計(jì)算得到的實(shí)驗(yàn)結(jié)果為家具椅9 216種設(shè)計(jì)元素組合方式及其對應(yīng)的體現(xiàn)江南區(qū)域文化意向的感性評價(jià)值。其中，感性評價(jià)值最小的是2.619，感性評價(jià)值最大的是4.793，分別對應(yīng)的設(shè)計(jì)元素組合編號為1 3 2 3 4 1 3 3和2 4 1 1 1 2 1 3，表明前一組設(shè)計(jì)元素的組合產(chǎn)生的家具椅的造型最能體現(xiàn)江南區(qū)域文化意象，后一組設(shè)計(jì)元素的組合產(chǎn)生的家具椅的造型最不能體現(xiàn)江南區(qū)域文化意象。將兩組編號對應(yīng)設(shè)計(jì)元素空間表分析，得出最優(yōu)的設(shè)計(jì)元素組合，如表4所示。

表4 網(wǎng)絡(luò)預(yù)測結(jié)果表

對比表中的兩組元素發(fā)現(xiàn)，裝飾花紋表現(xiàn)為同一特征，即無裝飾。這表明這兩個設(shè)計(jì)元素對于體現(xiàn)江南區(qū)域文化這一感性設(shè)計(jì)的影響不大。同時(shí)可以大膽猜測，對于現(xiàn)代社會的用戶來說，比較偏向沒有花紋裝飾的“樸素”家具設(shè)計(jì)。因此，以體現(xiàn)江南區(qū)域文化意象作為設(shè)計(jì)目標(biāo)，設(shè)計(jì)者應(yīng)更多地將設(shè)計(jì)重點(diǎn)放在其他7個設(shè)計(jì)元素上，以優(yōu)化設(shè)計(jì)結(jié)果，提高設(shè)計(jì)效率。

另外，在構(gòu)建BP神經(jīng)網(wǎng)絡(luò)構(gòu)建時(shí)通過增加輸出層的節(jié)點(diǎn)數(shù)可以獲得多個不同維度的感性評價(jià)值，以滿足更為復(fù)雜的設(shè)計(jì)需求。

4 結(jié)語

如何將用戶的感性需求定量化研究，是如今工業(yè)設(shè)計(jì)領(lǐng)域的新亮點(diǎn)。隨著市場需求的提高和科學(xué)信息的發(fā)展，工業(yè)設(shè)計(jì)的傳統(tǒng)思維模式正在迎接各類交叉學(xué)科和知識的挑戰(zhàn)和輔助。如何更準(zhǔn)確地針對目標(biāo)產(chǎn)品提取設(shè)計(jì)元素，如何對用戶進(jìn)行更深入細(xì)致的分類研究，把握其深層的感性需求，利用更優(yōu)化的數(shù)學(xué)模型，設(shè)計(jì)出更符合用戶需求的產(chǎn)品，是當(dāng)下及未來研究的重點(diǎn)和難點(diǎn)。

[1] 韓立群. 人工神經(jīng)網(wǎng)絡(luò)[M]. 北京:北京郵電大學(xué)出版，2006.

[2] 張濤. BP神經(jīng)網(wǎng)絡(luò)在測井解釋中的應(yīng)用研究[D] . 西安：西北大學(xué)碩士論文，2010.

[3] 王世襄. 明式家具研究[M]. 生活·讀書·新知三聯(lián)書店，2008.

[4] 張寒凝. 現(xiàn)代家具的色彩意象研究[D]. 南京：南京林業(yè)大學(xué)，2011.

[5] 張澤健. 明式椅子與北歐椅子的比較研究[D]. 蘇州：江南大學(xué)，2009.

[6] 戴菲，張俊華 .規(guī)劃設(shè)計(jì)學(xué)中的調(diào)查方法7——KJ法[A]. 風(fēng)景園林調(diào)查與分析，2009.4.

Analysis of Product Design Based on Kansei Engineering Methods

JIANG Yingzi , CHEN Bingfa

(College of Mechanical and Electrical Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing 210016,China)

Based on the Kansei engineering theory, this paper does the quantization research on the Kansei image of industrial products, establishes the evaluation matrix of product design elements and Kansei images using the statistical method, and builds the correlation model of product forms’ elements and Kansei images by use of BP neural network algorithm, to work out the scheme of guiding the product form design under some specific purpose. Taking chair furniture as an example, with embodying the Jiangnan region culture as the goal, this paper uses BP neural network algorithm for training, simulating and predicting with MATLAB computer software, so that eventually it works out the scheme of guiding the chair design. It also quantizes the Kansei image systematically makes the perceptual demand oriented product design be of more scientific and practical guiding significance and provies a design method for developing more products in line with the users’ perceptual demand and market competition.

kansei engineering; BP neural algorithm; psychological needs; product design

蔣穎姿(1989-)，女，江蘇無錫人，碩士研究生，研究方向：產(chǎn)品設(shè)計(jì)及理論。

TP183

B

1671-5276(2015)05-0200-04

2014-03-16