基于感性工学方法的产品设计分析

蒋颖姿，陈炳发

(南京航空航天大学 机电学院，江苏 南京 210016)

基于感性工学方法的产品设计分析

蒋颖姿，陈炳发

(南京航空航天大学 机电学院，江苏 南京 210016)

以感性工学理论为基础，对产品感性意象进行量化研究，运用统计学方法建立产品设计元素空间和感性意象评价值矩阵，并应用BP神经网络算法构建产品形态元素和感性意象的关联模型，得出一具体设计目标下的产品形态元素组合方案。以家具椅为对象，体现江南区域文化意象为目标，采用BP神经网络算法，通过计算机软件MATLAB编程进行学习训练并模拟预测，最终得出结论指导家具椅设计方案。将感性意象量化并系统化，使以感性需求为导向的产品设计更具科学性和实践指导意义，为开发出更符合用户感性需求、更具有市场竞争的产品提供了一种设计思路。

感性工学；BP人工神经网络算法；感性需求；产品设计

1 感性工学

感性工学是感性与工学相结合的技术，主要分析人的感性信息、人的喜好与产品的关系，以尽可能准确地把握用户对产品感性需求。通过定性推理和定量分析的理论及方法，有效结合用户对于产品的感性信息和产品设计元素以获得产品设计新的发展方向，设计出更符合消费者需求的产品。感性工学帮助设计师量化用户的感性需求，同时也有助于用户更准确地选择符合自己要求的产品。近年来,感性工学研究领域不断扩大，感性意象被越来越多的国际学者运用不同的数学分析方法和计算机技术探讨研究。其研究方法主要分为实验、统计、计算机系统分析三个阶段，分别涉及到的方法如表1所示。

2 BP人工神经网络算法在感性工学中的应用

人工神经网络(ANNS)(误差反响传播算法)是感性工学中十分重要的统计研究方法。它可以解决大复杂度(如上百个参数)问题的方法，是对人脑或自然神经网络的若干基本特性的抽象和模拟。它常被用于解决分类和回归的问题。20世纪80年代后，其算法得到了切实可行的实践后被应用于各个领域，在产品设计方面则较多被应用于产品的功能、外形、色彩、质感和消费者感性设计等方面[1]。其中的BP算法(误差反响传播算法)的提出解决了人工神经网络中求解非线性函数的多层前馈神经网络的权重调整问题。1986年，Rumelhart和McClelland提出了BP算法网络模型，无需提前揭示具有映射关系的数学方程而是经由学习和存储大量的输入-输出模式的映射关系得到规律。其中的学习规则是利用反向传播来调网络的权值和阈值，目标是使网络的误差平方和最小，这种方法被称为“最速下降法”[2]。

表1 感性意象的研究方法

BP网络的学习由4个过程组成：模式顺传播——输入模式，由输入层经过隐藏层到输出层的“顺”传播过程；误差逆传播——希望输出与实际输出之差的误差信号修正连接权过程；记忆训练——由模式顺传播和误差逆传播的反复交替进行的过程；学习收敛——网络趋向收敛，即网络的全局误差趋向极小值的过程。其学习主要流程如图1所示。

图1 BP单样本算法流程

其中，输入层和输出层分别对应为消费者的感性意象语义表达的量化值和产品设计要素的量化值。利用网络训练建立二者之间的非线性关系，如图2所示。

图2 BP网络结构

通过感性工学的理论和研究方法的描述分析，从产品设计的方法进行总结，进一步定量化地分析并构建方法模型。其具体步骤如下：

1) 选取产品代表性样本，分析目标产品设计元素，筛选并确定感性词汇；

2) 构建设计元素空间；

3) 设计调查问卷，选择受测目标人群，发放问卷；

4) 问卷回收及数据统计分析，建立设计元素和感性评价平均值矩阵；

5) 分析映射模型，应用BP神经网络算法构建、训练、测试并模拟网络；

6) 讨论并分析结果。

3 基于感性工学的应用BP人工神经网络算法的产品设计分析

3.1 解构产品设计要素

以家具椅为对象，目标为设计出能体现江南区域文化的现代家具椅。首先对家具椅进行设计元素的分析。

1) 形态要素

家具椅的形态是家具椅的信息载体，主要指产品的有机形态和几何形态，表达家具椅的实用意义和象征意义。

2) 色彩与材料要素

文中所研究的家具椅主要以木质材料为主，其表面多以清漆进行涂饰，以展示木材的天然纹理[3]，其色彩大多保有材料的原色。材质的不同家具椅的颜色也不同，如橡木、榉木、红木等各不相同。色彩的色相引发人们对某些事物的联想，决定了给人带来的冷暖感。如红橙黄色让人想到太阳、火焰、火山岩等，因此具有暖感。同时，明度高的颜色有冷感，明度低的颜色有暖感；纯度高的颜色有暖感，纯度低的颜色有冷感。对于家具来说，通常认为在炎热、高温条件下宜用冷色，在低温或寒冷条件下宜用暖色[4]。

另外，现代家具椅的设计与传统明式家具相比，从人机工程和环保等多种角度出发，更多地考虑现代人的使用和环境，为家具椅增加了一些“附属构件”[5]。附属构件的颜色如编织物、皮革、金属、塑料等的颜色则需要考虑其所在的家具椅的原木色的色相和明度。

3) 结构要素

家具椅的结构除了典型的跟制作生产相关的代表性连接结构外，从视觉上最具有代表性的是家具椅的靠背形状、椅面高度、扶手类型和椅脚类型等。而不同结构部位，可能具有不同的文化意象。如截面为外圆内方的椅脚体现了我国古代天圆地方的阴阳学说。

4) 装饰要素。装饰要素主要分为自然花纹装饰和抽象花纹装饰两类，不同的装饰花纹具有不同的背景和文化涵义。

3.2 选取研究样本

从网络、家居杂志、产品型录等多种渠道获取椅子的样本183个，依据主观分析，首先排除结构、外形等设计因素相同或类似的椅子样本，初步得到102个基本的椅子样本，并以此为基础建构椅子的形态样本库。通过结构、形态、色彩等因素的比对，删除相似程度较大的样本得到50个样本。然后通过问卷调查及数据分析，结合5名具有3年以上设计经验的人员利用KJ法[6]依据家具椅的设计元素进行二次筛选，最终筛选出20个样本作为本次研究椅子形态分析的对象和感性意象调查样本。其中，15个作为BP神经网络的训练样本，剩余5个作为检测网络效果的测试样本。

3.3 构建产品样本的设计元素空间

根据前文所述对家具椅的分析以及所选家具椅的代表性样本，提取样本的设计元素并进行分类，构建其设计元素空间表，如表2所示。

表2 家具椅样本的设计元素空间表

3.4 用户调查问卷及数据统计

确定受测目标对象和感性语汇对，利用语义差异法进行问卷调查，获得感性评价平均值。本次调研的产品目标为体现区域文化意象，因此对受测人群有一定要求：必须为长期在江南区域生活过或正生活着的人群。同时，给予一定的受测条件：以中式风格室内家居为前提，给受测用户一定的限制范围和想象空间。一方面对测试更有导向性，得出的结果会更准确；另一方面，排除一些不利于测试和结果的因素，如个人对区域文化的喜恶，特别是不喜欢江南区域文化的用户的影响。

另外，通过“最可能选择的——最不可能选择的”这组中性感性反义词语汇对，让用户做感性评价打分调查。现采用7分制的语义差异法进行问卷调查。量尺的区间为7，即1，2，3，4，5，6，7。每位受测者对20个样本进行打分，打1分表示最不可能选择该样本，打4分表示对该样本可选可不选，打7分表示最可能选择该样本。

调查问卷一共发放150份，回收有效问卷132份。其中，这132个受测者均来自江南区域。平均年龄24.33岁，其中受过专业设计知识训练的23个人，普通消费者为109个。得到132份关于20个家具椅样本的“最不可能选择—最可能选择”的这一语汇对的感性评价值，如表3所示。其中，X1-X8分别对应表5.3中木质颜色-装饰8个设计元素，1、2、3、4分别对应其中的元素类型。感性评价值是搜集的调查问卷132份的打分均值。如第一个样本的感性评价值为3.008。

续表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神经网络分析模型

通过BP神经网络模拟受测对象对不同的设计元素的组合的感性意向评价。首先需要利用BP神经网络对上述样本数据进行学习，把学习后的网络作为仿真实验的数学模型映射与家具椅设计相关的8个设计元素与感性意象评价之间复杂的非线性关系。选取数学语言工具MATLAB实现整个程序的编程和计算。利用其中的神经网络工具箱中的函数对网络进行初始化、仿真和训练，然后通过图形变化观察网络的动态训练过程。具体实施步骤如下：

1) 构建网络

设置网络为输入层、两个隐藏层和输出层共四层网络，它们分别有8、4、16、1个节点数。其中，输入层的8个节点为8个家具椅的设计元素编号后的数学矩阵，输出层则是对于家具椅的调查有关江南区域的消费者对符合“中式”家具的感性意象的评价值。第一个隐藏层中有4个神经元，选择tangen sigmoid传递函数，神经元的输出公式如下：

j=1,2…,4)

k=1,2…,16)

2)训练网络

设置网络的学习次数为15 000次，设置误差参数为0.001，采用traignd(梯度下降)法，利用均方误差测定训练结果，利用样本和感性值评价数据表中前15组数据，作为网络的输入和输出，导入已建好的BP网络对其学习训练。

开始训练10 636次的时候达到训练目标停止训练，如图3所示，其训练效果如图4所示。其中x坐标表示训练次数，y坐标表示训练误差。

图3 网络训练结束图

图4 网络训练图

3) 测试网络

用样本和感性值评价数据表3中最后的5组样本数据测试网络性能，即将5个样本的设计元素组合导入进网络的输入层，进行运算后所得结果与调查问卷的数据(3.462,4.000,4.220,4.008,3.462,2.856)相对比，发现基本吻合。

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

4) 模拟预测

样本所选的8个设计元素的组合的所有可能方式共有2×4×4×4×4×2×3×3=9 216种可能性，将其导入输入层，模拟预测出每种组合对应的感性评价值。

3.6 分析结果

通过BP神经网络计算得到的实验结果为家具椅9 216种设计元素组合方式及其对应的体现江南区域文化意向的感性评价值。其中，感性评价值最小的是2.619，感性评价值最大的是4.793，分别对应的设计元素组合编号为1 3 2 3 4 1 3 3和2 4 1 1 1 2 1 3，表明前一组设计元素的组合产生的家具椅的造型最能体现江南区域文化意象，后一组设计元素的组合产生的家具椅的造型最不能体现江南区域文化意象。将两组编号对应设计元素空间表分析，得出最优的设计元素组合，如表4所示。

表4 网络预测结果表

对比表中的两组元素发现，装饰花纹表现为同一特征，即无装饰。这表明这两个设计元素对于体现江南区域文化这一感性设计的影响不大。同时可以大胆猜测，对于现代社会的用户来说，比较偏向没有花纹装饰的“朴素”家具设计。因此，以体现江南区域文化意象作为设计目标，设计者应更多地将设计重点放在其他7个设计元素上，以优化设计结果，提高设计效率。

另外，在构建BP神经网络构建时通过增加输出层的节点数可以获得多个不同维度的感性评价值，以满足更为复杂的设计需求。

4 结语

如何将用户的感性需求定量化研究，是如今工业设计领域的新亮点。随着市场需求的提高和科学信息的发展，工业设计的传统思维模式正在迎接各类交叉学科和知识的挑战和辅助。如何更准确地针对目标产品提取设计元素，如何对用户进行更深入细致的分类研究，把握其深层的感性需求，利用更优化的数学模型，设计出更符合用户需求的产品，是当下及未来研究的重点和难点。

[1] 韩立群. 人工神经网络[M]. 北京:北京邮电大学出版，2006.

[2] 张涛. BP神经网络在测井解释中的应用研究[D] . 西安：西北大学硕士论文，2010.

[3] 王世襄. 明式家具研究[M]. 生活·读书·新知三联书店，2008.

[4] 张寒凝. 现代家具的色彩意象研究[D]. 南京：南京林业大学，2011.

[5] 张泽健. 明式椅子与北欧椅子的比较研究[D]. 苏州：江南大学，2009.

[6] 戴菲，张俊华 .规划设计学中的调查方法7——KJ法[A]. 风景园林调查与分析，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

蒋颖姿(1989-)，女，江苏无锡人，硕士研究生，研究方向：产品设计及理论。

TP183

B

1671-5276(2015)05-0200-04

2014-03-16