段金娟， 宣艾祺， 袁 博， 李娜娜

(1. 天津工業(yè)大學(xué) 機(jī)械工程學(xué)院， 天津 300387; 2. 拉夫堡大學(xué) 航空與車輛工程學(xué)院， 萊斯特郡 LE11 3TU; 3. 天津工業(yè)大學(xué) 紡織科學(xué)與工程學(xué)院， 天津 300387)

紡織裝備外觀造型的創(chuàng)新設(shè)計(jì)可幫助企業(yè)彰顯企業(yè)文化，提升產(chǎn)品形象，是推動(dòng)紡織裝備全球競(jìng)爭(zhēng)力的核心軟技術(shù)[1]。新產(chǎn)品開(kāi)發(fā)成功的關(guān)鍵因素之一是要滿足用戶的心理需求[2]。在紡織機(jī)械造型設(shè)計(jì)前期，開(kāi)發(fā)者需要通過(guò)大量的問(wèn)卷調(diào)研，以獲得用戶對(duì)產(chǎn)品的審美和感性意象偏好，確定設(shè)計(jì)研發(fā)策略。研究顯示，傳統(tǒng)的調(diào)研方法耗時(shí)、成本高[3]。設(shè)計(jì)師通過(guò)手繪概念圖像模式展開(kāi)設(shè)計(jì)構(gòu)思、探索設(shè)計(jì)方向的產(chǎn)品初始概念設(shè)計(jì)[4]過(guò)程完全在設(shè)計(jì)師大腦中運(yùn)作。該過(guò)程是一種嚴(yán)重依賴設(shè)計(jì)師直覺(jué)和靈感生成的黑箱模式[5]，很難快速捕捉用戶的感性需求，聚焦和定位產(chǎn)品設(shè)計(jì)策略[6]。當(dāng)前針對(duì)紡織機(jī)械外觀造型的研究多集中于質(zhì)性研究方面，主要依靠設(shè)計(jì)師的專業(yè)經(jīng)驗(yàn)和主觀判斷[7]，可重復(fù)性和客觀性不足。量化方法的相關(guān)研究如基于層次分析法(AHP) 通過(guò)分析紡織機(jī)械各造型意象的權(quán)重，來(lái)進(jìn)行系統(tǒng)的科學(xué)評(píng)價(jià)和設(shè)計(jì)分析[8]，但該類方法更適用于設(shè)計(jì)中后期的方案評(píng)估。

為更準(zhǔn)確地滿足用戶對(duì)紡織機(jī)械的感性需求，提升設(shè)計(jì)研發(fā)的速度和效率，本文以并條機(jī)為研究對(duì)象，提出一種基于感性意象的并條機(jī)造型設(shè)計(jì)方法。在滿足技術(shù)合理、生產(chǎn)安全、經(jīng)濟(jì)環(huán)保等基礎(chǔ)前提下，通過(guò)結(jié)合感性工學(xué)與數(shù)量化理論I，構(gòu)建并求解產(chǎn)品感性意象和物理造型要素的量化映射模型，自動(dòng)獲取滿足用戶某感性意象維度下的最優(yōu)造型設(shè)計(jì)策略推薦，為后期設(shè)計(jì)實(shí)踐提供要素形式明確、可行性強(qiáng)的造型設(shè)計(jì)策略。

1 相關(guān)理論基礎(chǔ)

1.1 感性工學(xué)

感性工學(xué)(KE)是面向消費(fèi)者的人機(jī)工程學(xué)新產(chǎn)品開(kāi)發(fā)技術(shù)[9]，采用量化研究的方式從不同層面構(gòu)建產(chǎn)品感性意象[10]與造型設(shè)計(jì)要素之間的關(guān)聯(lián)映射模型。KE將用戶對(duì)產(chǎn)品的主觀感受和印象轉(zhuǎn)換為產(chǎn)品參數(shù)和設(shè)計(jì)細(xì)節(jié)[11]，為用戶決策輔助系統(tǒng)和設(shè)計(jì)人員決策輔助系統(tǒng)提供幫助[12]，極大地減少設(shè)計(jì)過(guò)程中的模糊性和不確定性。

1.2 數(shù)量化理論I

數(shù)量化理論I(QTI)由日本林知己夫教授提出[13]，用于揭示定性變量為自變量、定量變量為因變量之間的內(nèi)在規(guī)律與關(guān)系。將造型設(shè)計(jì)要素看作因變量，將感性意象看作自變量，根據(jù)QTI建立他們之間的數(shù)學(xué)模型，可以量化各造型設(shè)計(jì)要素對(duì)感性意象的貢獻(xiàn)，并依此進(jìn)行優(yōu)化設(shè)計(jì)[14]。從QTI中獲得的結(jié)果可存儲(chǔ)在感性數(shù)據(jù)庫(kù)中，也可轉(zhuǎn)換為知識(shí)庫(kù)，并集成到感性工程專家系統(tǒng)中[15]。

2 并條機(jī)造型設(shè)計(jì)感性評(píng)價(jià)實(shí)驗(yàn)

2.1 實(shí)驗(yàn)流程與方法

2.1.1 收集與篩選典型感性意象詞對(duì)

有效地獲取感性意象詞匯在KE研究中起著決定性作用[3]。首先，廣泛搜集與并條機(jī)造型相關(guān)的感性形容詞對(duì)；然后，采用親和圖法，邀請(qǐng)從事紡織機(jī)械相關(guān)的生產(chǎn)和設(shè)計(jì)人員5名，組建焦點(diǎn)小組，對(duì)感性詞對(duì)的關(guān)聯(lián)程度和重要性打分；最后，根據(jù)頻次統(tǒng)計(jì)，并兼顧感性詞對(duì)在描述角度的差異性和全面性，確定10組典型意象感性詞對(duì)，分別為：“突兀-協(xié)調(diào)”“冰冷-親和”“流線-幾何”“輕巧-沉穩(wěn)”“保守-現(xiàn)代”“靈動(dòng)-機(jī)械”“模塊-整體”“危險(xiǎn)-安全”“繁瑣-簡(jiǎn)約”“粗糙-精密”。

2.1.2 選擇代表性樣本與劃分造型要素

2.1.2.1收集與篩選代表性樣本 通過(guò)瀏覽中國(guó)紡機(jī)網(wǎng)、各品牌官網(wǎng)、展覽、樣冊(cè)等方式，盡可能多地搜集市場(chǎng)上現(xiàn)有的并條機(jī)樣本圖片。邀請(qǐng)焦點(diǎn)小組的專家對(duì)搜集到的53個(gè)樣本圖片進(jìn)行聚類，排除形態(tài)相似、像素模糊的樣本，共獲得24個(gè)角度較為相似的代表性樣本圖片作為實(shí)驗(yàn)樣本。對(duì)代表性樣本進(jìn)行去色化處理，篩選后的代表性樣本如圖1所示。

圖1 代表性并條機(jī)樣本Fig.1 Figures of representative drawing frame samples

2.1.2.2劃分并條機(jī)造型設(shè)計(jì)要素類目 定義并條機(jī)的機(jī)體構(gòu)成部件為項(xiàng)目，每個(gè)項(xiàng)目所對(duì)應(yīng)的不同形態(tài)特征為類目。由焦點(diǎn)小組成員選定并條機(jī)的造型項(xiàng)目，篩選在圖1中均能被識(shí)別且能較大程度影響被試對(duì)并條機(jī)感性意象判斷的造型項(xiàng)目；根據(jù)造型項(xiàng)目頻次排序，獲得6個(gè)最為重要的造型項(xiàng)目，分別編號(hào)為車頭前蓋(A)、車頭外側(cè)罩殼(B)、 通風(fēng)口(C)、操作面板(D)、腳踏(E)和下墻面造型(F)。運(yùn)用形態(tài)分析法對(duì)各造型項(xiàng)目進(jìn)行類目劃分[16]。以車頭前蓋為例，步驟如圖2所示。

圖2 并條機(jī)造型類目劃分步驟Fig.2 Drawing frame modeling category division step

2.1.3 實(shí)驗(yàn)過(guò)程

實(shí)驗(yàn)問(wèn)卷設(shè)計(jì)：采用語(yǔ)義差分法[17]建立并條機(jī)感性意象調(diào)查問(wèn)卷。將前期實(shí)驗(yàn)篩選的24個(gè)代表性樣本圖片與10組典型感性詞對(duì)結(jié)合，設(shè)計(jì)感性意象評(píng)價(jià)問(wèn)卷如圖3所示。將用戶對(duì)并條機(jī)的感性意象用1～7進(jìn)行定量分析。以“突兀-協(xié)調(diào)”為例：1表示非常突兀，2表示較為突兀，3表示有點(diǎn)突兀，4表示中立，5表示有點(diǎn)協(xié)調(diào)，6表示較為協(xié)調(diào)，7表示非常協(xié)調(diào)。被試依次根據(jù)樣本圖片的主觀感受進(jìn)行評(píng)價(jià)。

圖3 感性意象評(píng)價(jià)問(wèn)卷Fig.3 Kansei image evaluation questionnaire

被試選擇：復(fù)雜機(jī)械裝備的購(gòu)買者與使用者往往不一致，二者的感性意象評(píng)價(jià)也會(huì)存在差異[18]。本文的被試選擇兼顧了用戶端、開(kāi)發(fā)端和設(shè)計(jì)端，邀請(qǐng)并條機(jī)或紡織機(jī)械的操作用戶、生產(chǎn)開(kāi)發(fā)人員，以及有過(guò)并條機(jī)造型設(shè)計(jì)或紡織機(jī)械造型設(shè)計(jì)經(jīng)驗(yàn)的設(shè)計(jì)人員共30人進(jìn)行實(shí)驗(yàn)調(diào)查。其中男性12人，女性18人。

實(shí)驗(yàn)形式：采用問(wèn)卷星軟件進(jìn)行線上調(diào)查。

2.2 實(shí)驗(yàn)結(jié)果

剔除瀏覽問(wèn)卷時(shí)間小于500 s及評(píng)分過(guò)于集中的問(wèn)卷，共獲得30份有效問(wèn)卷。統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果計(jì)算得到各樣本的感性意象評(píng)價(jià)均值見(jiàn)表1。

表1 代表性樣本的感性意象評(píng)價(jià)均值Tab.1 Mean value of Kansei evaluation of representative samples

采用Pearson相關(guān)性檢驗(yàn)[19]進(jìn)行可靠性檢驗(yàn)。根據(jù)Pearson相關(guān)系數(shù)值和顯著性水平(Sig?)，刪除“流線-幾何”“輕巧-沉穩(wěn)”2組相關(guān)性低且無(wú)顯著差異的感性詞對(duì)。經(jīng)過(guò)再次相關(guān)性檢驗(yàn)，8組感性詞對(duì)的相關(guān)性絕對(duì)值均大于0.3，具有中度或高度相關(guān)；Sig?值均小于0.01，表明被試的評(píng)價(jià)標(biāo)準(zhǔn)較為一致，且相互間具有顯著差異。

2.3 并條機(jī)關(guān)聯(lián)模型構(gòu)建

2.3.1 基于QTI的理論模型

設(shè)并條機(jī)有r個(gè)樣本，共有m個(gè)項(xiàng)目，每個(gè)項(xiàng)目有n個(gè)類目。定義δi(j,k)=1表示第i個(gè)樣本具有第j個(gè)項(xiàng)目第k個(gè)類目特征；否則δi(j,k)=0。結(jié)合類目劃分對(duì)各樣本進(jìn)行開(kāi)關(guān)式編碼見(jiàn)表2。

根據(jù)QTI將定性變量造型要素作為自變量，將定量變量感性評(píng)價(jià)值作為因變量。第i個(gè)樣本的感性評(píng)價(jià)值yi可用類目特征的線性函數(shù)描述

(1)

式中：a(j,k)為僅依賴于j項(xiàng)目的k類目的待定系數(shù)；εi為隨機(jī)抽樣的擾動(dòng)誤差。該式對(duì)應(yīng)的預(yù)測(cè)方

表2 造型特征類目劃分及代表性樣本的形態(tài)反應(yīng)矩陣Tab.2 Classification of modeling feature categories and response matrix of representative samples

程表示為

(2)

(3)

2.3.2 模型求解及結(jié)果討論

在MatLab軟件中求解模型得到表3。

表3 復(fù)相關(guān)系數(shù)和決定系數(shù)統(tǒng)計(jì)表Tab.3 Statistical table of multi-correlation coefficient and determination coefficient

QTI一般采用決定系數(shù)(R2)來(lái)衡量回歸方程的擬合優(yōu)度，R2∈[0,1]，其值越接近于1，方程的預(yù)測(cè)精度越高。一般情況下，R2的值要高于0.8，且不能低于0.6[15]。

從決定系數(shù)來(lái)看，7個(gè)模型的決定系數(shù)R2大于0.6，表明關(guān)聯(lián)模型擬合優(yōu)度較好，預(yù)測(cè)精度較高。感性詞對(duì)“冰冷-親和”的R2值略小于0.6，推測(cè)在該意象維度下，可能存在：1)造型要素與感性評(píng)價(jià)值之間可能存在一定的非線性關(guān)系；2)造型要素對(duì)感性評(píng)價(jià)值的相關(guān)性弱?；赗2排序，以預(yù)測(cè)精度最高的“繁瑣-簡(jiǎn)約”語(yǔ)義維度為例，進(jìn)行后期的數(shù)據(jù)分析和實(shí)驗(yàn)驗(yàn)證。計(jì)算并統(tǒng)計(jì)“繁瑣-簡(jiǎn)約”感性意象維度下各設(shè)計(jì)要素的偏相關(guān)系數(shù)與標(biāo)準(zhǔn)系數(shù)如表4所示。

表4 偏相關(guān)系數(shù)和標(biāo)準(zhǔn)系數(shù)統(tǒng)計(jì)表Tab.4 Statistical table of partial correlation coefficient and standard coefficient

偏相關(guān)系數(shù)表示各造型設(shè)計(jì)項(xiàng)目對(duì)感性意象詞對(duì)的貢獻(xiàn)值，數(shù)值越大，該項(xiàng)目對(duì)感性意象詞對(duì)的貢獻(xiàn)度越大[14]。根據(jù)偏相關(guān)系數(shù)，后期的設(shè)計(jì)實(shí)踐將優(yōu)先強(qiáng)調(diào)設(shè)計(jì)貢獻(xiàn)程度較高的造型項(xiàng)目，即重點(diǎn)對(duì)車頭外側(cè)罩殼、通風(fēng)口、腳踏進(jìn)行設(shè)計(jì)優(yōu)化。標(biāo)準(zhǔn)系數(shù)，也稱為類目得分，表示類目要素對(duì)感性意象詞匯的貢獻(xiàn)值[14]，絕對(duì)值數(shù)值越大，則該設(shè)計(jì)要素類目對(duì)感性意象詞對(duì)的貢獻(xiàn)度越大。根據(jù)標(biāo)準(zhǔn)系數(shù)，類目組合1{A2,B3,C3,D1,E1,F2}得分最高，被認(rèn)為“最簡(jiǎn)約”；類目組合2{A3,B1,C2,D2,E2,F3}得分最低，被認(rèn)為“最繁瑣”。

依據(jù)表4和式(3),建立“繁瑣-簡(jiǎn)約”感性意象維度下的預(yù)測(cè)關(guān)聯(lián)模型，表示為

0.221x14-1.253x21+0.028x22+1.155x23+

0.158x24+0.352x31-1.077x32+0.546x33-

0.634x34+0.064x41-0.156x42+1.016x51-

0.339x52+0.145x61+0.539x62-0.243x63+

0.127x64

(4)

式中,xjk為該樣本在j項(xiàng)目k類目的反應(yīng)值。

同理，可以得到其他意象維度下的量化關(guān)聯(lián)模型。采用窮舉法對(duì)造型要素進(jìn)行正交組合，可以構(gòu)建并條機(jī)造型設(shè)計(jì)的案例庫(kù)，并結(jié)合關(guān)聯(lián)模型實(shí)現(xiàn)并條機(jī)感性意象評(píng)價(jià)的自動(dòng)預(yù)測(cè)，獲取相應(yīng)最優(yōu)造型組合和造型設(shè)計(jì)策略推薦。

3 并條機(jī)關(guān)聯(lián)模型驗(yàn)證及評(píng)價(jià)

3.1 方案設(shè)計(jì)

依據(jù)表1，樣本6被認(rèn)為在24個(gè)代表性樣本中 “最繁瑣”。在保證技術(shù)可行，不改變并條機(jī)原型結(jié)構(gòu)，以及除表4類目要素之外部件造型不變的前提下，對(duì)樣本6進(jìn)行造型特征要素重組。選擇類目組合1{A2,B3,C3,D1,E1,F2}與類目組合2{A3,B1,C2,D2,E2,F3}對(duì)樣本6進(jìn)行方案重組，通過(guò)設(shè)計(jì)構(gòu)思、方案優(yōu)化，得到預(yù)測(cè)“最簡(jiǎn)約”的方案1和預(yù)測(cè)“最繁瑣”的方案2。

3.2 方案評(píng)價(jià)

3.2.1 評(píng)價(jià)樣本選擇

依據(jù)“繁瑣-簡(jiǎn)約”意象維度下評(píng)價(jià)均值排序，將代表性樣本分為3組，并隨機(jī)從每組中抽取1個(gè)樣本(包含樣本6)。最終選定樣本6{A1，B1，C1,D1,E2,F3}、樣本13{A4,B3,C1,D1,E2,F3}和樣本16{A4,B3，C1，D1,E2,F3}作為對(duì)照組，與方案1和方案2共同組成評(píng)價(jià)樣本。為避免樣本圖片與方案渲染圖因像素、清晰度不同對(duì)被試評(píng)價(jià)時(shí)產(chǎn)生干擾，并去除色彩對(duì)被試的影響，對(duì)渲染后的圖片進(jìn)行去色、降低圖像質(zhì)量處理，方案評(píng)價(jià)樣本見(jiàn)圖4。

圖4 并條機(jī)方案評(píng)價(jià)樣本Fig.4 Evaluation samples of drawing frame schemes. (a) Programme 1; (b) Programme 2;(c) Sample 6; (d) Sample 13; (e) Sample 16

3.2.2 評(píng)價(jià)過(guò)程及結(jié)果

基于語(yǔ)義差分法再次設(shè)計(jì)方案評(píng)價(jià)問(wèn)卷。邀請(qǐng)15名有紡織機(jī)械、并條機(jī)設(shè)計(jì)及研究經(jīng)驗(yàn)的設(shè)計(jì)從業(yè)人員根據(jù)主觀感性意象對(duì)5個(gè)并條機(jī)方案的“簡(jiǎn)約”程度進(jìn)行打分，評(píng)價(jià)結(jié)果均值見(jiàn)表5。

采用Kendall′s Tau等級(jí)相關(guān)系數(shù)檢驗(yàn)關(guān)聯(lián)模型預(yù)測(cè)排序與用戶實(shí)際打分排序的相關(guān)性和準(zhǔn)確度[20]，表示為

(5)

式中：C表示關(guān)聯(lián)模型預(yù)測(cè)正確的評(píng)價(jià)偏序數(shù)；D表示預(yù)測(cè)錯(cuò)誤的評(píng)價(jià)偏序數(shù)；TR表示用戶打分相同的產(chǎn)品數(shù)；TP表示具有相同預(yù)測(cè)值的產(chǎn)品數(shù)。Tau值越大表示關(guān)聯(lián)模型預(yù)測(cè)結(jié)果與用戶實(shí)際打分的吻合度越高，反之則吻合度低。

根據(jù)表1和預(yù)測(cè)模型，評(píng)價(jià)樣本的預(yù)測(cè)排序應(yīng)為：方案2<樣本6<樣本16<樣本13<方案1。15名被試對(duì)圖片簡(jiǎn)約程度的排序?yàn)椋簶颖?<方案2<樣本16<樣本13<方案1，用戶打分相同的方案數(shù)TR=0。對(duì)比2次實(shí)驗(yàn)結(jié)果用戶一致評(píng)價(jià)：樣本6<樣本16<樣本13，Tau=1，即2次實(shí)驗(yàn)相關(guān)性強(qiáng)，此次小樣本的實(shí)驗(yàn)評(píng)價(jià)結(jié)果有效。

表5 用戶感性意象評(píng)價(jià)Tab.5 Users′ Kensei image evaluation

從5個(gè)樣本的整體評(píng)價(jià)結(jié)果分析，關(guān)聯(lián)模型預(yù)測(cè)正確的為方案2<樣本16等9對(duì)序列，C=9；預(yù)測(cè)錯(cuò)誤的序列為樣本6<方案2，D=1；Tau=0.8。說(shuō)明關(guān)聯(lián)模型的預(yù)測(cè)精度較好，且可靠性較高。

3.3 專家訪談評(píng)價(jià)

為驗(yàn)證該方法對(duì)設(shè)計(jì)師工作支持的有效性，獲取進(jìn)一步的評(píng)價(jià)及建議，從15名被試中選擇3位有紡機(jī)設(shè)計(jì)經(jīng)驗(yàn)的資深設(shè)計(jì)專家，向他們展示了研究方法的操作流程和機(jī)制后，對(duì)其開(kāi)展訪談。問(wèn)題包括：“您是否同意該方法能縮短調(diào)研周期？”“您是否同意該方法可以縮短概念設(shè)計(jì)階段的迭代過(guò)程？”“您是否同意生成的設(shè)計(jì)案例庫(kù)能啟發(fā)您的設(shè)計(jì)靈感，幫助您展開(kāi)設(shè)計(jì)？”“您是否愿意信任這個(gè)設(shè)計(jì)模型預(yù)測(cè)的意象值和推薦的設(shè)計(jì)策略？”“您對(duì)該方法有什么建議？”。

訪談結(jié)果可歸納為以下5點(diǎn)：1)該方法可幫助設(shè)計(jì)師較為準(zhǔn)確地把握用戶感性需求，縮短概念設(shè)計(jì)前期的調(diào)研時(shí)間；2)該方法減少了設(shè)計(jì)實(shí)踐中反復(fù)定位設(shè)計(jì)策略而開(kāi)展的思維發(fā)散與收斂的迭代過(guò)程，降低了設(shè)計(jì)的時(shí)間成本；3)基于關(guān)聯(lián)模型建立的設(shè)計(jì)案例庫(kù)可激發(fā)設(shè)計(jì)靈感；4)設(shè)計(jì)師愿意信任該方法，認(rèn)同該方法可提供更明確的設(shè)計(jì)策略，提升設(shè)計(jì)效率；5)建議將色彩、材質(zhì)等因素納入設(shè)計(jì)要素進(jìn)行分析。

4 結(jié)束語(yǔ)

本文基于感性工學(xué)和數(shù)量化理論，分析了并條機(jī)感性意象與造型設(shè)計(jì)要素之間的映射關(guān)系；以“繁瑣-簡(jiǎn)約”意象維度為例，建立并條機(jī)關(guān)聯(lián)預(yù)測(cè)模型，得出該維度下的最優(yōu)設(shè)計(jì)組合方案，并通過(guò)方案設(shè)計(jì)及用戶評(píng)價(jià)進(jìn)一步驗(yàn)證了模型的可靠性。結(jié)果如下：基于感性意象的并條機(jī)造型設(shè)計(jì)方法可節(jié)省設(shè)計(jì)師前期調(diào)研時(shí)間，減少設(shè)計(jì)過(guò)程中的模糊性和主觀性；基于關(guān)聯(lián)模型，采用窮舉法建立了較為豐富、全面的設(shè)計(jì)案例庫(kù)，并實(shí)現(xiàn)對(duì)設(shè)計(jì)方案感性意象評(píng)價(jià)值的自動(dòng)化預(yù)測(cè)；關(guān)聯(lián)預(yù)測(cè)模型將抽象的感性意象概念轉(zhuǎn)化為具體的造型設(shè)計(jì)要素，可輸出較為準(zhǔn)確的造型設(shè)計(jì)策略，快速推進(jìn)設(shè)計(jì)進(jìn)程，提升設(shè)計(jì)效率，從而更好地滿足用戶的感性需求；該方法將用戶感性偏好轉(zhuǎn)化為機(jī)器編碼，可以為計(jì)算機(jī)輔助造型、建立產(chǎn)品數(shù)據(jù)庫(kù)提供方法參考。