感性工学中的参数化设计方法关键技术研究现状与展望

林 丽，张云鹍

感性工学中的参数化设计方法关键技术研究现状与展望

林 丽1,2，张云鹍1

(1. 贵州大学现代制造技术教育部重点实验室，贵州 贵阳 550025；2.贵州大学机械工程学院，贵州 贵阳 550025)

感性工学(KE)是将消费者感性体验融入设计中的常用方法。过去十余年间，国内外学者对KE展开了研究并取得了一定成果。通过对国内外KE中的参数化设计方法关键技术研究成果进行梳理，首先总结了KE中常用的感性意象与产品特征参数化方法；随后重点介绍了3种KE模型构建问题上的常用方法及其特点，并将现有研究进行了对比；最后讨论了KE现存问题并对未来可能的研究趋势进行了展望。

产品设计；KE；参数化设计；KE模型；关键技术；综述

随着生产力的提高，同类产品之间的功能差异逐渐减小，产品体验逐渐成为影响消费者购买决策的主要因素。作为用户体验的重要组成部分，产品引发的感性意象日益被消费者所关注，设计师也开始尝试将感性意象融入产品设计之中，以满足消费者的感性需求，感性工学(kansei engineering，KE)应运而生。

KE的概念于1986年10月由NAGAMACHI[1]首次提出，属于多学科融合的新兴交叉学科，是人机工程学的一个新的分支。主要研究人对物和外在环境所产生的心理反应，使物和环境更加符合人的心理需求。

随着KE的发展与研究的深入，一些学者对KE进行了分析总结。NAGAMACHI[2]于2002年对KE的相关研究进行了总结，介绍了KE的起源与发展，并对KE中的常用技术、KE的分类及特点、KE专家系统、KE协同设计进行了介绍；KE于上世纪末引入我国，罗仕鉴和潘云鹤[3]在2007年对KE的基本框架与类型、感性意象相关概念等进行了总结，介绍了感性意象量化分析、KE专家系统构建等常用技术与方法，并对部分学者的研究成果进行了总结；2013年苏建宁等[4]从意象挖掘与量化、产品形态特征描述与提取、意象与设计要素关联等方面对KE进行了介绍。

现有综述力图全面介绍KE及相关技术，但在方法特点与应用方式方面介绍较为笼统，对方法的选择与优化所提供的帮助较为有限。对感性意象与产品特征参数化及不同特点的KE模型构建方法进行综述，能够在方法的选择上为研究者提供参考，对初入领域的研究者提供更直接的帮助。此外，现有综述缺乏对2007年以来国内外学者的研究成果的总结。以上几点促使本文对KE中的参数化设计方法关键技术进行梳理与总结。

1 感性意象与产品特征参数化方法

KE作为“用户体验或意象与产品设计特征之间的翻译技术”[1]，通过构建KE专家系统，建立用户感性意象与产品设计特征之间的联系，从而实现二者的转换。KE研究框架如图1所示。其中，感性意象与产品特征的参数化是构建映射关系的基础与前提；KE专家系统即KE模型的构建，是KE的核心。

图1 KE研究框架

1.1 感性意象参数化方法

“感性kansei”一词来源于日语词汇“カンセイ”，意指消费者对产品所产生的心理感受和意象[1]，是直觉与认知相互作用的结果，既包含了对物的情感体验，也包含了相应的思维活动与结果。作为一种心理感受，感性意象通常使用心理学方法进行提取与分析，目前最常用的方法是通过使用基于语义量表或里克特量表的各类调查问卷进行设计调查。语义量表一般指基于语义差分法(semantic differential，SD)设计的量表，由KITTROSS[5]提出，通过分析被试者在一对具有相反含义的词汇对上的倾向来实现；里克特量表(Likert scale)，是一种心理反应量表，由LIKERT[6]提出，通过分析被试者对某一陈述的认同程度来实现。通过使用数值来表达被试者的倾向或认同程度的强弱，从而实现态度与认同程度的参数化提取。

1.2 产品特征参数化方法

KE的研究对象十分广泛，不仅包括具有明确形态、色彩、材质等特征的工业产品、人机交互界面，还包括无形的服务与产品的配置等，需针对研究对象选择合适的参数化方法。按照是否由人工主观判断，可分为基于人工的方式与基于参数化设计的方式。

1.2.1 基于人工的方式

基于人工提取的方式适用范围广泛，在形态、色彩、材质、界面元素、服务与配置等方面的研究中都有应用，但是对研究人员的设计经验要求较高，获得的产品特征参数一般为定性变量，包含了较多的主观因素。

形态分析法[7-8]：将产品视为组件的组合，将产品设计特征分解为若干基本组件，并对其进行编号或分析，从而获得离散型或连续型的产品形态参数。除了针对产品形态外，也可以分析产品配置与服务等无形特征。

类目层次法：部分产品的设计特征较为复杂，需要按照隶属关系进行多层次分类，并按照层级顺序进行编号，从而得到离散型产品特征参数。

1.2.2 基于参数化设计的方式

基于参数化设计的方式适合于分析形态参数明确或形态特征相似的产品，实施过程较为繁琐，获得的产品特征参数大多为定量变量，包含的个人主观因素相对较少。

参数模型法[9-10]：针对产品的三维模型，通过对产品进行参数化建模，将其中的关键参数作为产品特征参数，得到连续型产品特征参数。

曲线控制法[11]：在某些情况下，使用线条对造型特征进行表达更有优势[12]，使用参数化曲线对造型进行描绘，从而得到连续型产品特征参数。

实物测量法[13-15]：针对实际场景中的待分析对象，若待分析特征较为明确，可通过对产品特征进行描绘或测试，来获得连续型参数。

2 KE模型构建方法

KE模型实质上是产品特征与感性意象之间的关联关系，可分为前向式、逆向式与混合式。前向式能够实现从感性意象到设计参数的映射，逆向式与前向式相反，混合式则能够实现设计参数与感性意象的相互转化。

在KE模型的构建过程中，目前研究主要集中在关联模型的可解释性、非线性关系、非精确关系等方面。用于构建KE模型的数据通常具有以下特点：①数据类型不确定，如产品特征参数可为定量也可为定性；②数据中误差与噪声较多，如意象参数化结果容易受到环境、认知差异[16-17]、被试者主观情绪等影响，产品特征参数化中个人主观因素与系统误差的影响。因此，KE模型构建方法需要结合研究重点与数据特点来进行选择。

2.1 可解释KE模型

可解释性是指模型能够被人类理解的程度。在KE模型构建问题上，可解释性强的模型能够直观地显示特征参数与意象参数之间的关联关系与影响程度，提高KE模型的可信度。目前常用的可解释性较强的KE模型构建方法有数量化理论Ⅰ、线性回归、偏最小二乘回归。

2.1.1 数量化理论Ⅰ

数量化理论(theory of quantification)是多元分析的一个分支，起源于20世纪50年代，目的是定量地估计定性变量对目标变量的影响，可分为数量化理论Ⅰ、Ⅱ、Ⅲ、Ⅳ，具体特点见表1。其中数量化理论Ⅰ在KE研究中的应用最为广泛，通过将定性变量分为项目(item)，项目的不同取值分为类目(category)，在此基础上获得定性变量与定量变量间的关系。

使用数量化理论Ⅰ，苏建宁和李鹤歧[18]将定性变量造型要素作为自变量，定量变量感性评价值作为因变量，得到了各感性意象与手机按键形态布局间的关系；SCHÜTTE和EKLUND[19]建立了不同类型的翘板开关特征与感性意象之间的作用关系；LAI等[20]以手机的外形和配色为研究对象，进一步比较了外形与色彩对意象的贡献度大小；HSIAO等[21]对咖啡机特征进行分解并计算了各个特征对感性意象的贡献度，使用遗传算法生成新产品为产品设计提供支持。

表1 数量化理论类型及特点

2.1.2 线性回归

线性回归通常是建立学习预测模型首选的技术之一。线性回归方法研究较为完善，能够明确反映变量间关系并量化可信度，解释性较强，比较常用的方法主要是多元线性回归、偏最小二乘回归。

感性意象通常与多个变量相关，因此多元线性回归是当前特征与意象间关系构建方法中的主流。例如，罗仕鉴等[14]使用多元线性回归建立了被试者偏好中心与汽车侧轮廓控制点间的关系并使用遗传算法生成产品族；林丽等[22]将MP4外形解构为人机界面元件，分析了多维界面元素与感性词汇的相关关系并构建了多维造型特征共同作用的KE模型；CHANG和CHEN[23]分析了各类感性词汇与方向盘设计特征之间的关系；VIEIRA等[15]建立了键盘的物理特性与感性意象强度之间的关系；周蕾等[24]定义了界面美观度的计算方法，并以运用神经网络和线性回归2种方法建立了感性因子与插箱界面布局特征间的关系；LLINARES和PAGE[25]结合卡诺模型构建了房屋特征与感性意象之间的关系，从而分析主观属性对消费者决策的影响；CHEN等[26]结合主成分分析，建立了表面粗糙度与情感体验之间、不同层次情感体验之间的线性关系。

也有部分学者尝试使用偏最小二乘回归作为关系构建方法，由于在关系构建过程中使用了主成分提取等变换方式，解释性相对较低，但是能够有效处理自变量间的相关性问题。相关的研究有：CHEN等[27]分析了客户感受与送货上门服务特点之间的关系；ZHOU等[28]通过用户访问数据分析用户的感性意象倾向，进而计算了各个特征与感性词汇的显著性。

针对可解释KE模型的相关研究总结及对比见表2。

表2 可解释KE模型研究对比

2.2 非线性KE模型

解释性较强的KE模型构建方法大多基于意象与特征间关系的线性假设，难以处理意象与特征间的非线性关系。针对非线性假设下的KE模型，常使用非线性回归、神经网络、粗糙集理论、基于树的方法等方式进行构建。

2.2.1 非线性回归

在KE研究中常用的非线性回归方法主要有支持向量回归、多项式回归。支持向量回归主要针对有限样本数据和包含噪声的样本数据，通过将低维数据映射到高维空间、求回归超平面并映射回低维空间，从而获得非线性的回归模型；多项式回归将自变量的幂作为新的预测变量参与分析，得到非线性的回归模型。

使用支持向量回归，WANG[29]分析了感性词汇与数控机床外形特征之间的关系；YANG和SHIEH[30]以类似神经网络的结构将支持向量回归模型组合，构建了手机外形配置多维产品特征与顾客的情感反应之间的关系和预测模型，并结合多目标遗传算法，构建了混合KE模型[31]；SHIEH等[32]分析了花瓶轮廓曲线参数与情感反应之间的关系，并使用多目标进化算法(multi-objective evolutionary algorithm，MOEA)生成新设计方案，构建了混合KE模型。在多项式回归方面，文献[33]将红酒杯的主要特征参数化，结合响应面法(response surface methodology，RSM)与二阶多项式回归，构建了设计参数与感性词汇间的关系。

2.2.2 神经网络

神经网络能够通过学习算法来获得“知识”，通过神经元之间的连接强度储存“知识”，使机器能够学习“抽象概念”[34]，并自动逼近任何非线性数学函数[35]。

神经网络广泛的适用性，使其在KE模型的构建中得到大量应用。例如苏建宁等[36]使用三层BP神经网络，建立了能够预测酒杯外形的感性意象的神经网络模型，构建了汽车侧面造型感性评价系统[13]；GUO等[37]使用BP神经网络建立了迷你数码相机中的多维关键特征与感性意象之间的映射模型；OZSOYDAN等[38]建立了24个不同配置的神经网络模型以进行模型优化并建立感性词汇与水龙头外形整体偏好得分之间的关系；GUO等[39]通过眼动追踪提取关键特征，使用BP神经网络建立了关键设计要素和感性意象之间的定量关系；李少波等[40]使用BP神经网络建立了感性意象与手机配置特征之间的对应关系。

2.2.3 粗糙集理论

粗糙集理论由PAWLAK[41]于1982年10月提出，能有效地分析具有不精确、不一致、不完整等特点的不完备信息，是一种简单易用的潜在关系提取方法，主要用于分析定性变量。

粗糙集在KE模型构建中常用于定性参数的分析，如：ZHAI等[42]结合优势原则(dominance principle)与粗糙集理论，建立了手机配置特征对感性词汇的贡献度关系，并通过比较不同特征组合产品的感性意象得分来指导产品设计，提出类别得分来描述对特征的偏好顺序，提出划分质量来描述意象分类的效果，进而实现了从不精确的设计信息中有效地提取感性知识[43]；SHIEH等[44]使用粗糙集分析了牙刷的色彩与形态要素与消费者的情感反应之间的相关性。

2.2.4 基于树的方法

基于树的方法通过分层与分割的方式将因变量的变量空间进行分割，通过分析自变量的所属区域特征对因变量进行预测。基于树的方法能够直接处理定性因变量，对自变量间的关系不敏感，常用于分类关系的KE模型构建过程中。

基于树的方法在KE模型构建中的应用有：YEH和CHEN[45]使用决策树算法分析感知响应的组合与使用意图间的关系，以及送货上门服务的特征组合对感知响应结果的影响，建立了感性词汇和服务属性之间的关系；文献[46]以数码相机外形为研究对象，使用分类树分析产品感性意象特征，以实现对市场的划分，并使用多准则妥协解排序法(vlsekriterijumska optimizacija I kompromisno resenje，VIKOR)对产品组合优先级进行排序。

针对非线性KE模型的相关研究总结及对比见表3。

表3 非线性KE模型研究对比

2.3 非精确KE模型

感性意象与设计要素均具有一定的模糊性，部分学者尝试在KE模型的构建中融入模糊理论与灰色理论，试图对这类非精确关系进行描述。

2.3.1 模糊理论

模糊理论是由ZADEH[47]于1965年提出，适合处理与不确定性和模糊性有关的问题。模糊理论将样本是否属于集合的二值问题转换为隶属度问题，适用于没有严格分类属性的对象。

由于模糊理论对隶属关系的描述符合人的感性信息认知特点，因此模糊理论在KE中获得了广泛的应用。如：石夫乾等[48]使用模糊集结合D-S证据理论，以感性词汇集为目标集，产品特征集为证据集，建立了感性知识与汽车前脸局部特征集合的推导关系；丁满等[49]使用模糊数表达用户对色彩的模糊期望值，建立了感性期望值与色彩设计方案的模糊设计模型，并使用粒子群算法实现了设计模型的迭代优化；SHEN和WANG[50]融合模糊KE与创造性方法，建立感性意象词汇与扬声器的外观元素之间的关系，并结合仿生方法设计了新的外观；LI等[51]使用贝叶斯推理方法从变精度粗糙集和样本距离测量的结果中计算感性知识，使用模糊关联规则挖掘与BP神经网络获取并预测高频规则，为新高跟鞋外形设计提供支持。

2.3.2 灰色理论

灰色理论由邓聚龙提出[52]，通过因素之间在发展过程中的相近性与相对变化趋势来构造关联度[53]，适合于动态历程分析。

在KE的研究中，常通过灰色理论分析特征参数与意象参数的变化趋势，从而获得特征与意象间的关系强弱。如：SUTONO等[54]以乘用车外形轮廓为研究对象，使用田口方法(Taguchi method)生成产品样本，使用灰色关联分析解决多响应优化问题，主成分分析分配相关感性响应的权重值，建立了与乘用车外形设计要素与感性词汇间的响应关系；丁满等[55]提出了多工作模式下的产品配色意象的灰色评价方法，基于灰色关联分析法建立了高空作业车色彩与感性意象之间的关联模型；LIN和WEI[56]首先对产品特征的重要性排序，通过灰色预测方法得到了感性词汇与香水瓶形态要素关联关系的强弱程度，利用偏好排序辅助设计。

针对非精确KE模型的相关研究总结及对比见表4。

表4 非精确KE模型研究对比

3 存在的问题与未来研究方向

3.1 存在的问题

经过对现有研究的分析与对比，可发现在当前KE研究中，绝大部分的研究均使用基于问卷的量表作为感性意象参数的获取与分析方法。这种方法实施方式灵活、简单易行、问卷结果易处理，但也存在一些不足：样本量较少，且样本群体特征较为集中；问卷场景对意象提取结果的影响无法预测[42]；问卷重复使用率低；进行问卷的过程耗时多；用户对感性词汇评价等级之间差异的认知会导致意象分析提取的误差[16]；设计师与用户对意象词汇的认知差异无法通过问卷体现[17]。

在产品特征参数化方面，本文所引研究中基于人工的方法、基于参数化设计的方法、两种方法均使用的比例分别为63.89%，33.33%，2.78%，可见基于人工的方法为最常用的方法。基于人工的方法具有适用性强和使用便捷的特点，使其能够在KE研究中被广泛使用，但是由于其依赖主观判断，难以形成通行的标准，导致KE的研究成果难以再现。而基于参数化设计的方法由于需要进行大量的建模或测量工作，在实用性上较差，因此当前参数模型法主要应用于特征简单的载体中，如可参数化表示的色彩[20,44,49,55]、简单形态[32-33,36]。但是由于参数设置通常较为明确，能够提高再现其研究成果的可能性。

3.2 未来的研究方向

在感性意象提取方面，为了消除因使用调查问卷而出现的误差，一些学者开始尝试应用大数据挖掘或生理测量的方法来分析用户的感性意象，为感性意象的量化分析提供了新的路径。如文献[57]使用基于词频统计的文本挖掘方法，选用已知词性和评价指标的词语构建词典，通过分析文本中的评价词构建感性意象维度，分析文本中关键词的词频以获得相应的感性意象维度评分；文献[58]将脑电分析与眼动追踪技术相结合，通过分析脑电信号研究了产品包装的设计特征与产品意象词汇之间的联系，通过眼动追踪分析了视觉要素与意象词汇间的关系。

在特征参数化方面，尽管基于人工的方法存在许多不足，但是其广泛的适用性和简便的使用方法使其仍将成为未来KE中产品特征参数提取的主要方法之一。随着计算机辅助设计技术、产品形状反求、工艺反求和材料反求等逆向工程技术日渐完善，促进了基于参数化设计的特征参数提取方法的应用，从早期主要提取外形轮廓特征[13-14,19,24]，到近年来对表面特征与材料特征的提取[15,26]，可以预见基于参数化设计的特征参数提取方法的应用难度将会逐渐降低。

KE研究基于案例进行[3]，使得KE模型的构建方法十分多样。早期的KE研究主要使用的是数量化理论Ⅰ[18-20]与线性回归[14,22-23]等较为成熟的技术，而近年受到数据挖掘、神经网络等热点技术的影响，一些学者开始尝试将这些热点技术应用于KE研究中[37-39]，新技术的发展会使KE模型的构建方法有更多选择，促进KE研究的深入。

4 结束语

KE作为一种将消费者的感性需求融入设计当中的技术，近年来越来越受到学者的关注。随着目前数据科学、生理测量技术、计算机辅助设计、逆向工程等技术的发展，KE的研究方法与可用技术日渐丰富，仍有很大的发展空间。

本文总结了近十年左右KE中的参数化设计方法关键技术的相关研究，对感性意象与产品特征参数化方法进行了分析，针对3种类型的KE模型，梳理总结了其构建过程中的常用方法的特点及其应用方式。本文能够帮助KE领域的初学者较为全面地了解其常用方法及作用，具有一定的借鉴与参考价值。

[1] NAGAMACHI M. Kansei engineering: A new ergonomic consumer-oriented technology for product development [J]. International Journal of Industrial Ergonomics, 1995, 15(1): 3-11.

[2] NAGAMACHI M. Kansei engineering as a powerful consumer-oriented technology for product development [J]. Applied Ergonomics, 2002, 33(3): 289-294.

[3] 罗仕鉴, 潘云鹤. 产品设计中的感性意象理论、技术与应用研究进展[J]. 机械工程学报, 2007, 43(3): 8-13.

[4] 苏建宁, 王鹏, 张书涛, 等. 产品意象造型设计关键技术研究进展[J]. 机械设计, 2013, 30(1): 97-100.

[5] KITTROSS J M. The measurement of meaning [J]. Audiovisual Communication Review, 1959, 7(3): 154-156.

[6] LIKERT R. A technique for the measurement of attitudes [J]. Archives of Psychology, 1932, 140: 44-53.

[7] 陈亮, 唐珊. 基于徐州汉文化元素的旅游纪念品创新设计[J]. 包装工程, 2016, 37(10): 122-125.

[8] 景楠, 方海, 张秦玮. 基于类型学的产品风格创新设计研究[J]. 机械设计, 2015, 32(4): 121-125.

[9] HSIAO S W, TSAI H C. Applying a hybrid approach based on fuzzy neural network and genetic algorithm to product form design [J]. International Journal of Industrial Ergonomics, 2005, 35(5): 411-428.

[10] SUTONO S B, ABDUL-RASHID S H, AOYAMA H, et al. Fuzzy-based Taguchi method for multi-response optimization of product form design in Kansei engineering: A case study on car form design [J]. Journal of Advanced Mechanical Design, Systems, and Manufacturing, 2016, 10(9): 1-16.

[11] 李雪瑞, 余隋怀, 初建杰, 等. 意象驱动的产品形态基因网络模型构建与应用[J]. 计算机集成制造系统, 2018, 24(2): 464-473.

[12] 张云龙, 王进, 陆国栋. 产品廓形曲线的几何特征语义描述与风格解析技术[J]. 计算机辅助设计与图形学学报, 2013, 25(11): 1735-1745, 1758.

[13] 苏建宁, 张秦玮, 吴江华, 等. 产品多意象造型进化设计[J]. 计算机集成制造系统, 2014, 20(11): 2675-2682.

[14] 罗仕鉴, 李文杰, 傅业焘. 消费者偏好驱动的SUV产品族侧面外形基因设计[J]. 机械工程学报, 2016, 52(2): 173-181.

[15] VIEIRA J, OSÓRIO J M A, MOUTA S, et al. Kansei engineering as a tool for the design of in-vehicle rubber keypads [J]. Applied Ergonomics, 2017, 61: 1-11.

[16] CHOU J R. A Kansei evaluation approach based on the technique of computing with words [J]. Advanced Engineering Informatics, 2016, 30(1): 1-15.

[17] HSU S H, CHUANG M C, CHANG C C. A semantic differential study of designers' and users' product form perception [J]. International Journal of Industrial Ergonomics, 2000, 25(4): 375-391.

[18] 苏建宁, 李鹤歧. 应用数量化一类理论的感性意象与造型设计要素关系的研究[J]. 兰州理工大学学报, 2005, 31(2): 36-39.

[19] SCHÜTTE S, EKLUND J. Design of rocker switches for work-vehicles: An application of Kansei engineering [J]. Applied Ergonomics, 2005, 36(5): 557-567.

[20] LAI H H, LIN Y C, YEH C H, et al. User-oriented design for the optimal combination on product design [J]. International Journal of Production Economics, 2006, 100(2): 253-267.

[21] HSIAO S W, CHIU F Y, LU S H. Product-form design model based on genetic algorithms [J]. International Journal of Industrial Ergonomics, 2010, 40(3): 237-246.

[22] 林丽, 薛澄岐, 王海燕, 等. 优化KE模型的产品形态解构方法[J]. 东南大学学报: 自然科学版, 2010, 40(6): 1353-1357.

[23] CHANG Y M, CHEN C W. Kansei assessment of the constituent elements and the overall interrelations in car steering wheel design [J]. International Journal of Industrial Ergonomics, 2016, 56: 97-105.

[24] 周蕾, 薛澄岐, 汤文成, 等. 产品信息界面的用户感性预测模型[J]. 计算机集成制造系统, 2014, 20(3): 544-554.

[25] LLINARES C, PAGE A F. Kano's model in Kansei engineering to evaluate subjective real estate consumer preferences [J]. International Journal of Industrial Ergonomics, 2011, 41(3): 233-246.

[26] CHEN X, BARNES C J, CHILDS T H C, et al. Materials′ tactile testing and characterisation for consumer products′ affective packaging design [J]. Materials & Design, 2009, 30(10): 4299-4310.

[27] CHEN M C, HSU C L, CHANG K C, et al. Applying Kansei engineering to design logistics services - A case of home delivery service [J]. International Journal of Industrial Ergonomics, 2015, 48: 46-59.

[28] ZHOU X X, LIANG H E, DONG Z Y. A personalized recommendation model for online apparel shopping based on Kansei engineering [J]. International Journal of Clothing Science and Technology, 2017, 29(1): 2-13.

[29] WANG K C. A hybrid Kansei engineering design expert system based on grey system theory and support vector regression [J]. Expert Systems with Applications, 2011, 38(7): 8738-8750.

[30] YANG C C, SHIEH M D. A support vector regression based prediction model of affective responses for product form design [J]. Computers and Industrial Engineering, 2010, 59(4): 682-689.

[31] YANG C C. Constructing a hybrid Kansei engineering system based on multiple affective responses: Application to product form design [J]. Computers and Industrial Engineering, 2011, 60(4): 760-768.

[32] SHIEH M D, LI Y F, YANG C C. Comparison of multi-objective evolutionary algorithms in hybrid Kansei engineering system for product form design [J]. Advanced Engineering Informatics, 2018, 36: 31-42.

[33] KITTIDECHA C, MARASINGHE A C. Application of Kansei Engineering and Box-Behnken response surface methodology for shape parameter design: A case study of wine glass [J]. Journal of Advanced Mechanical Design, Systems, and Manufacturing, 2015, 9(5): JAMDSM0059.

[34] 焦李成, 杨淑媛, 刘芳, 等. 神经网络七十年:回顾与展望[J]. 计算机学报, 2016, 39(8): 1697-1716.

[35] PALIWAL M, KUMAR U A. Neural networks and statistical techniques: A review of applications [J]. Expert Systems with Applications, 2009, 36(1): 2-17.

[36] 苏建宁, 范跃飞, 张书涛, 等. 基于感性工学和神经网络的产品造型设计[J]. 兰州理工大学学报, 2011, 37(4): 47-50.

[37] GUO F, LIU W L, LIU F T, et al. Emotional design method of product presented in multi-dimensional variables based on kansei engineering [J]. Journal of Engineering Design, 2014, 25(4-6): 194-212.

[38] OZSOYDAN F B, KANDEMIR C M, DEMIRTAS E A. Neural-network-based genetic algorithm for optimal kitchen faucet styles [J]. Neural Network World, 2015, 25(4): 387-404.

[39] GUO F, LIU W L, CAO Y Q, et al. Optimization design of a webpage based on kansei engineering [J]. Human Factors and Ergonomics in Manufacturing and Service Industries, 2016, 26(1): 110-126.

[40] 李少波, 全华凤, 胡建军, 等. 基于在线评论数据驱动的产品感性评价方法[J]. 计算机集成制造系统, 2018, 24(3): 752-762.

[41] PAWLAK Z. Rough sets [J]. International Journal of Computer and Information Sciences, 1982, 11(5): 341-356.

[42] ZHAI L Y, KHOO L P, ZHONG Z W. A rough set based decision support approach to improving consumer affective satisfaction in product design [J]. International Journal of Industrial Ergonomics, 2009, 39(2): 295-302.

[43] ZHAI L Y, KHOO L P, ZHONG Z W. A dominance-based rough set approach to Kansei engineering in product development [J]. Expert Systems with Applications, 2009, 36(1): 393-402.

[44] SHIEH M D, YEH Y E, HUANG C L. Eliciting design knowledge from affective responses using rough sets and Kansei engineering system [J]. Journal of Ambient Intelligence and Humanized Computing, 2016, 7(1): 107-120.

[45] YEH C T, CHEN M C. Applying kansei engineering and data mining to design door-to-door delivery service [J]. Computers and Industrial Engineering, 2018, 120: 401-417.

[46] WANG C H, CHIN H T. Integrating affective features with engineering features to seek the optimal product varieties with respect to the niche segments [J]. Advanced Engineering Informatics, 2017, 33: 350-359.

[47] ZADEH L A. Fuzzy sets [J]. Information and Control, 1965, 8(3): 338-353.

[48] 石夫乾, 孙守迁, 徐江. 产品感性评价系统的模糊D-S推理建模方法与应用[J]. 计算机辅助设计与图形学学报, 2008, 20(3): 361-365.

[49] 丁满, 孙伟, 徐江, 等. 考虑色彩意象不明确的产品色彩模糊优化设计[J]. 机械工程学报, 2011, 47(12): 185-190.

[50] SHEN H C, WANG K C. Affective product form design using fuzzy Kansei engineering and creativity [J]. Journal of Ambient Intelligence and Humanized Computing, 2016, 7(6): 875-888.

[51] LI Z R, SHI K, DEY N, et al. Rule-based back propagation neural networks for various precision rough set presented Kansei knowledge prediction: A case study on shoe product form features extraction[J]. Neural Computing and Applications, 2017, 28(3): 613-630.

[52] 邓聚龙. 灰色控制系统[J]. 华中工学院学报, 1982(3): 11-20.

[53] 田民, 刘思峰, 卜志坤. 灰色关联度算法模型的研究综述[J]. 统计与决策, 2008(1): 24-27.

[54] SUTONO S B, ABDUL-RASHID S H A, TAHA Z, et al. Integration of grey-based Taguchi method and principal component analysis for multi-response decision-making in Kansei engineering [J]. European Journal of Industrial Engineering, 2017, 11(2): 205-227.

[55] 丁满, 孙伟, 马铁强. 多工作模式产品配色意象的灰色评价方法[J]. 计算机辅助设计与图形学学报, 2009, 21(12): 1857-1862.

[56] LIN Y C, WEI C C. A hybrid consumer-oriented model for product affective design: An aspect of visual ergonomics [J]. Human Factors and Ergonomics in Manufacturing and Service Industries, 2017, 27(1): 17-29.

[57] YAMADA A, HASHIMOTO S, NAGATA N. A text mining approach for automatic modeling of Kansei evaluation from review texts [C]//International Conference on Kansei Engineering & Emotion Research. Heidelberg: Springer, 2018: 319-328.

[58] ROJAS J C, CONTERO M, CAMBA J D, et al. Design perception: Combining semantic priming with eye tracking and event-related potential (ERP) techniques to identify salient product visual attributes [C]// Proceedings ASME Conference on ASME 2015 2015 International Mechanical Engineering Congress and Exposition. Houston: ASME Press, 2015: 2-8.

Key Technologies in Parametric Design Methods in Kansei Engineering: State of art and progress

LIN Li1,2, ZHANG Yun-kun1

(1. Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education, Guizhou University, Guiyang Guizhou 550025, China;2. School of Mechanical Engineering, Guizhou University, Guiyang Guizhou 550025, China)

Kansei engineering is a common method to integrate the perceptual experience of consumers into design. Over the past ten years, scholars at home and abroad have carried out many researches on kansei engineering and made some achievements. Based on a review of the achievements made in the key technologies in parametric design methods in kansei engineering, firstly, this paper summarized the common kansei image in kansei engineering and product feature parameterization method; secondly, we highlighted the common methods and characteristics of three kinds of KE model construction and made a comparison among the existing studies; finally, the existing problems with kansei engineering were discussed and the possible future research trendswere sketched out.

product design; KE; parametric design; KE model; key technology; review

TB 472

10.11996/JG.j.2095-302X.2019050936

A

2095-302X(2019)05-0936-09

2019-05-13；

2019-07-28

国家自然科学基金项目(51865003，51465007)；贵州省科技计划项目(黔科合平台人才[2018]5781)

林 丽(1973-)，女，四川南充人，教授，博士，硕士生导师。主要研究方向为产品设计、感性工学、传统文化创意设计。 E-mail：linlisongbai@163.com