基于复杂网络的产品族造型意象耦合网络模型构建方法

王鹏，池钦*，姜峰

基于复杂网络的产品族造型意象耦合网络模型构建方法

王鹏1，池钦1*，姜峰2

（1.兰州理工大学 设计艺术学院，兰州 730050；2.兰州兰石集团有限公司，兰州 730200）

拓展产品族多意象设计相关知识的获取途径，提升产品族造型创新设计的能效。基于产品族造型意象耦合特性，引入复杂网络中的多层网络概念，利用造型特征间的多意象表达关系，构建了产品族造型意象耦合网络模型。利用节点敏感性与中心性分析产品族造型意象耦合网络，识别各造型特征节点属性类型以作为模型析出知识。结合产品族设计的特点，总结归纳适用于产品族设计的各造型特征节点类型并制定其类型运用规则，以辅助设计师进行产品族造型创新设计。以马自达汽车前脸造型设计为例，构建了马自达汽车前脸造型意象耦合网络模型，析出了产品族相关设计知识并运用于汽车前脸设计。产品族造型意象耦合网络模型丰富了产品族多意象设计相关知识的获取途径，可用于辅助产品族设计，提升设计能效。

复杂网络；复合意象；感性工学；产品族；造型设计

大数据时代的到来，企业可以通过大量在线评论信息获取消费者对产品的感性意象评价和喜好趋势以用于指导产品族设计。产品族设计是一个涉及复杂多因素协调解耦的过程，具有多变量动态控制和响应特性，这对设计知识的继承、整合、更新和迭代等提出了较高要求。因此，如何开发既满足企业产品族设计要求又能迎合消费者感性需求的新产品尤为关键。

本文的研究从复杂网络的多节点连接性、关键节点的挖掘和多重复杂性融合的角度出发，去研究产品族意象造型设计中多意象与造型节点之间的复杂关系。对于产品族造型设计的研究，近些年主要集中在产品基因（产品DNA）的迭代进化方面，通过继承现有产品的共同基因，同时加入新的变形设计，从而形成多个创新变体[1]。目前有罗仕鉴等[2]、朱上上等[3]、卢兆麟等[4]、周小舟等[5]进行了此方面的研究，通过产品造型、感性意象、文化特征等方面识别现有产品的DNA，进而继承与创新产品设计。然而，现阶段大多数研究主要集中在产品造型基因间单一关系的研究，而缺乏对产品族设计复杂多边关系的考虑，如产品族设计需同时考虑造型与意象的继承和多意象间的耦合关系。同时，复杂网络理论的研究对象是自然界和人类社会普遍存在的网络现象，该理论将网络中的一个个对象简化成节点，对象间的联系为节点之间的连边，聚焦研究网络系统内部的复杂关系。由于复杂网络在发现研究对象间协同关系及识别关键研究对象方面有优势，已被初步应用在产品设计领域，用于表示或解耦各个设计要素间的复杂耦合关系以析出相关设计知识，具体应用方面有：复杂产品变更设计[6-7]、产品族零部件模块化设计[8-9]、设计决策管理[10]等。

目前有部分学者已经开始将复杂网络应用在产品造型设计要素与感性意象映射关系方面的研究，用于识别与感性意象相关的关键设计要素或设计要素间的协同作用。刘肖健等[11]通过结合产品基因与复杂网络知识，将设计参数视为节点、用户喜好程度视为边的关系，形成无向、无权网络，并构建了产品基因网络。李雪瑞等[12]提出意象驱动产品形态基因网络，根据形状文法确定产品形态基因节点，以各节点之间的设计关系为边，并依据节点的意象强弱筛选节点，构建了产品形态基因网络。这些研究虽然考虑到了不同产品造型设计要素间的单一意象表达映射关系，但是忽视了产品造型设计需同时考虑多个设计意象及设计意象间的复杂耦合关系的要求，导致难以精准表征造型意象设计知识，以有效驱动多目标意象造型设计。本文基于产品族造型具有多意象的特点，构建产品族造型意象耦合网络模型，分析造型特征间的相互作用关系，针对性地获取产品族造型意象设计知识，以有效辅助设计师进行产品族造型创新设计。

1 基于复杂网络的产品族造型意象耦合网络模型的构建

1.1 产品族造型意象耦合特性

耦合的概念来源于物理学，是指两个或多个系统之间存在着某种共同的联系或者相互制约等作用[13]；在产品族设计中，也存在着多种设计变量间的耦合关系，如设计过程耦合、功能耦合、意象耦合等。其中，在产品族造型设计中，需要重点关注造型意象耦合。

在产品族造型设计中，产品造型能够体现多种程度的多维感性意象，是由各个造型设计要素间相互作用及它们自身体现的多种意象共同作用的结果。在同一意象下，各造型设计要素通过相互影响给予用户不同强度的单一意象主观体验。同时，在复合意象下，同一造型的不同设计要素糅合着多种感性意象，这些意象之间又相互作用、相互影响，给予用户多维意象的复杂主观体验，所以产品族造型设计中具有较强的多意象耦合特性。

1.2 产品族造型意象耦合网络模型构建方法

产品族造型意象耦合网络模型以复杂网络理论中多层网络概念为基础，对产品族造型意象间的耦合关系进行描述与模型构建，研究蕴含不同感性意象程度的产品形态间相对关系和多种意象间的相互耦合作用。

图1 造型意象多层网络示例

产品族造型意象耦合网络模型的构建流程如下。

3）构建造型意象多层网络。针对同一个产品构建基于不同意象的多个造型意象单层网络G，并在不同的造型意象单层网络中，将相同位置编号的造型特征节点彼此相连接，即G中的造型特征节点v与G中的造型特征节点v间存在多意象耦合作用关系，构成层间耦合连接方式。

2 产品族造型意象耦合网络模型知识析出

2.1 造型特征节点属性分析与评价

2.1.1 节点敏感性

敏感性是指产品某设计要素值的分布规律呈现出的倾向性。而在产品族造型意象网络中，节点敏感性可表示不同用户感受到的、来自造型特征节点自身的造型意象评价所体现出的倾向性，可通过计算造型意象评价取值的方差得到各节点的敏感度[11]。当造型特征节点的敏感度越小时，表示其呈现出的倾向性越小，对网络的影响越小；反之亦然。

2.1.2 节点中心性

中心性是评价造型特征节点意象表现优势的重要指标，体现节点的重要程度。根据中心性显示造型特征节点在其网络结构中的位置，优势位置节点具有更大的权重。根据评价节点重要程度的方式不同，中心性分析包括：度中心性、特征向量中心性、PageRank中心性等。

在单层网络中，特征向量中心性认为一个节点的影响力取决于与其所连接的节点数量及所连接节点的影响力。而在多层网络中，考虑到层间的耦合作用，特征向量中心性可认为是衡量节点在受到自身所在的单层网络中其他节点的影响作用，以及来自不同网络层节点的耦合连接下，节点在网络中的重要程度。同时，根据产品族造型意象耦合网络，每个造型特征节点v在受到来自同一层造型意象单层网络中其他节点相互作用的同时，也会受到来自不同层的自身节点的耦合作用。因此，本研究采用基于张量的多层网络特征向量中心性框架计算节点在多层网络中的中心性，作为评价造型特征节点重要程度的指标。此种方法考虑了节点的特征向量中心性与层间连接关系的耦合，避免了将多层网络压缩成单层网络的计算方法所造成耦合等关系的信息缺失问题[14]。

关于产品族造型意象耦合网络的多层网络特征向量中心性计算张量方程见式（1）。

其中，张量方程中包含的层间影响计算见式（2）。

张量方程计算结果可以通过多层网络特征向量中心性数值迭代算法求解得出。

2.2 节点类型识别

通过造型特征节点属性分析，计算造型特征节点在同一意象下的节点敏感性，并按值的大小分为两类型节点，分别为高敏节点和低敏感节点。高敏节点是具有较高水平敏感性的造型特征节点；低敏节点是敏感性较低的造型特征节点。节点敏感性水平表明了该造型特征节点在造型意象传达上的稳定性。

同时，中心性的水平高低决定了该造型特征节点在产品造型中的意象表现强度，以及是否需要优先对其进行改进或优化设计。在同一意象下，将造型特征节点按照多层网络特征向量中心性的大小分为两类节点类型，分别为关键节点和次要节点。关键节点是具有较低水平多层网络特征向量中心性的造型特征节点，它们的意象表现较差，设计时需要重点关注；而次要节点是多层网络特征向量中心性水平较高的造型特征节点，它们的意象表现较好，设计时可适当降低关注度。耦合网络模型的造型特征节点类型与其相应的设计规则见表1。

3 析出知识在产品族造型设计中的运用方法

企业在现有产品平台的基础上开发新的迭代产品时，既需要考虑产品造型意象风格的延续性，又要考虑产品应具有的时代性，所以在产品族设计中，需要考虑产品造型意象的继承和创新[5]。其次，为了加强消费者对产品的品牌认知黏度，需要考虑产品造型在意象风格表达上的清晰性和稳定性。

与此同时，本文构建的产品族造型意象耦合网络模型通过对产品造型特征节点进行分析，析出在多意象耦合作用下造型特征节点在不同意象下的表现程度。因此，针对产品族设计继承与创新这一特点，并且考虑产品造型风格的稳定表达，利用产品族造型意象耦合网络模型析出知识，总结提取出七种造型特征节点类型，分别为：稳定继承节点、改良继承节点、改进核心节点、稳定优化节点、改良优化节点、稳定目标节点、改良目标节点，并制定其节点相应的运用规则，应用于指导产品族设计，如表2所示。

表1 造型特征节点类型与设计规则

Tab.1 Modeling feature node types and design rules

表2 产品族造型特征设计节点类型与运用规则

Tab.2 Product family modeling features design node types and application rules

4 基于产品族造型意象耦合网络模型的产品族造型创新设计流程

根据以上构建的产品族造型意象耦合网络模型和模型析出知识在产品族造型设计中运用方法的研究，本文提出基于产品族造型意象耦合网络模型的产品族造型创新设计流程（如图2所示），分为三个主要步骤。

1）构建产品族造型意象耦合网络。确定产品造型特征作为网络节点，获取任意两造型特征关于造型意象的评价结果作为节点间的相互作用关系，构建造型意象单层网络。此外，利用网络层层间作用关系，进而构建产品族造型意象多层网络。

2）造型特征节点特征分析与节点分类。分别对多层网络进行节点敏感性和中心性分析，识别各个节点的意象造型特征节点类型，并进一步依据产品族造型特征节点分类规则，进行产品族造型特征节点分类。

图2 基于产品族造型意象耦合网络模型的产品族造型创新设计流程

3）产品族造型创新设计。根据产品族造型特征节点的运用规则，对产品造型进行人工或智能优化创新设计。

5 应用案例

5.1 案例描述

本文使用2022款马自达CX-5汽车的前脸作为实例对象，对产品族造型意象耦合分析模型的技术实现进行验证。该实例作为对象具备两方面优点：一方面，汽车前脸造型特征不仅起着承载该品牌产品族基因的作用，也是普通汽车消费者识别汽车品牌的一个重要因素；另一方面，汽车前脸轮廓线各参数间的连通性较强，但每个参数自身不具有明显特征。本文所使用的实例对象和其主要造型特征曲线如图3所示。

图3 2022款马自达CX-5和其主要造型特征曲线

从马自达官网及相关汽车评测网站查询，得到马自达CX-5型号汽车的产品族意象为“动感”。利用Python爬虫工具在汽车品牌、媒体和用户评测网站（如马自达官网、汽车之家、易车网等）爬取2022款马自达CX-5汽车的语料信息，得到约共53万字。对得到的语料信息进行去除停用词、词频统计、分析筛选等操作，获得人们评价该款汽车造型时，使用频率最多的感性意象词汇，包括：“动感”“时尚”“简约”“精致”“速度”。同时，利用相同的方法在汽车类评测网站获取同类型汽车的用户评价，得到使用频率最多的感性意象词汇，包括：“大气”“硬朗”“豪华”。最后经过专家访谈，结合查询结果与爬取分析结果，确定了该款汽车产品族设计的目标意象，其中保留与继承原有意象中的“动感”为可遗传族意象、“简约”为可调节族意象，并确定“硬朗”为可变异新意象。

5.2 产品族造型意象耦合网络模型构建

根据大量学者以汽车前脸特征进行造型意象研究的结果，结合汽车设计专家意见，对研究对象的主要造型特征进行了产品形态分割。由于汽车前脸的意象表达主要集中在下半部分，且发动机罩侧边线可调参数较小，因此本文不针对汽车车顶、A柱和发动机罩侧边线进行设计。同时由于汽车前脸的对称性，所以仅对汽车前脸的一侧进行轮廓分割，共得到11条汽车造型线段。因此，确定该款汽车的造型特征节点共有11个，如图4、表3所示。

根据产品族意象“动感”、其他意象“简约”和“硬朗”，以及11个造型特征节点，采用李克特5级量表制作关于汽车前脸造型特征感性意象评价的调查问卷，调查在单个意象下11个造型特征节点分别给予调查对象的感性意象强度，以及11个造型特征节点中的任意两节点对给予调查对象的感性意象强度。同时，考虑到设计人员具有的设计知识和经验，而普通消费者并不具备此条件，以此造成的设计人员与普通消费者之间的意象认知差异。本研究分别邀请35位设计人员和35位普通汽车消费者作为此次问卷调查的调查对象，以平衡意象认知差异。共收回有效问卷60份，其中32份来自设计人员，28份来自普通汽车消费者。根据调查问卷结果，计算11个造型特征节点在不同意象下的意象评价均值，以及任意两节点在不同意象下的意象评价均值。结果如表4～7所示。

图4 2022马自达CX-5汽车前脸造型特征曲线分割图

表3 2022款马自达CX-5汽车前脸造型特征节点

Tab.3 Modeling feature nodes of the front face of 2022 Mazda CX-5

表4 各个造型特征节点的意象评价均值

Tab.4 Average value of image evaluation of each modeling feature node

表5 “动感”族意象下任意两节点的意象评价均值

Tab.5 Average value of image evaluation of pairwise node pairs under "dynamic" family image

表6 “简约”意象下任意两节点的意象评价均值

Tab.6 Average value of image evaluation of pairwise node pairs under "contracted" image

表7 “硬朗”意象下任意两节点的意象评价均值

Tab.7 Average value of image evaluation of pairwise node pairs under "tough" image

对比表4与表5～7可以发现，在多意象表达方面，某一造型特征与其他造型特征共同传递多意象时与单独传递时，所传递的各意象强度是不同的，这说明产品造型向用户表达不同程度的多意象，是各个造型特征在多意象耦合作用下的结果。

同时，当某两个造型特征节点对的感性意象评价值较低时，表示这两个造型特征共同作用所给予消费者的感性意象水平较低，可忽略。因此，根据问卷调查得到的任意两造型特征节点对不同意象下的意象评价值，设定连边阈值。根据专家经验[11-12]，设置连边阈值一般为评价最高值的40%，且保证对象信息基本完整。对表5～7进行观察，本研究设定阈值为2.00，当意象评价均值超过2.00时，认为两节点对之间存在连边关系，边权值大小为意象评价均值；当意象评价均值未超过2.00时，则认为两节点对之间不存在连边关系。据此，构建关于马自达CX-5产品族造型意象耦合网络模型，如图5所示。

5.3 造型意象设计知识析出与规则运用

对产品族造型意象耦合网络模型进行分析，利用方差公式计算节点敏感性大小，利用式（1）～（2）计算得出汽车前脸造型特征节点的多层网络特征向量中心性大小，结果如表8～9所示。

在各个感性意象下，将11个造型特征节点按照节点敏感性和多层网络特征向量中心性的大小进行类型分类。对比表8中的数据，以众数0.227为阈值，将意象评价方差低于0.227的造型特征节点视为低敏节点，反之为高敏节点。同时，在每个造型意象下将造型特征节点按照多层特征向量中心性从大到小进行排列，以中心性处在前两级的节点为次要节点，其余的为关键节点。分类结果如表10～11所示。

根据产品族造型设计节点类型分类规则，在造型特征节点敏感性与中心性类型分类的基础上，对汽车前脸造型特征节点进行分类，析出可用于辅助产品族造型设计的设计知识。同时，为高效、有序地进行方案设计，以及硬朗作为迭代设计产品的新意象需要重点关注，因此在产品族造型设计分类节点的基础上，以硬朗意象下的各造型特征节点中心性水平判断该造型特征节点是否被优先考虑用于改进设计。产品族造型设计节点分类和节点设计优先排序结果如表12所示。

图5 关于马自达CX-5产品族造型意象耦合网络模型

表8 汽车前脸造型特征节点的敏感性

Tab.8 Sensitivity of feature nodes of automobile front face modeling

表9 汽车前脸造型特征节点的多层特征向量中心性

Tab.9 Multi-layer feature vector centrality of feature nodes of automobile front face modeling

表10 汽车前脸造型特征节点敏感性类型

Tab.10 Sensitivity types of feature nodes of automobile front face modeling

表11 汽车前脸造型特征节点中心性类型

Tab.11 Centrality types of feature nodes of automobile front face modeling

根据分类结果与节点的设计运用规则可知，造型特征节点3、4可以优先继承于迭代设计方案中，而对于7，则需要进行适当的改良以使得意象稳定表达进而继承。改进核心节点1需要在“动感”“简约”“硬朗”三个意象方面进行改进，以提高意象表现。对于稳定优化节点，8、9需要改进造型以提高对硬朗意象的表达，而10需要同时提高对简约与硬朗意象的表达，改良优化节点5、6需要改进造型以提高对简约意象的表达并注意意象的稳定表达。稳定目标节点2与11需要以动感族意象作为重点设计目标，并改进造型在硬朗方面的表达及稳定表现。

表12 产品族造型设计节点分类和节点设计优先级排序

Tab.12 Product family modeling design node classification and node design priority ranking

5.4 产品族造型创新智能设计

析出的关于产品族造型设计知识不仅可用于辅助设计师进行产品族造型创新设计，也可用于规划产品感性设计智能优化算法的搜索策略。由于设计师设计产品造型时，可能因为思维差异导致设计出的产品造型在意象传达上存在不稳定性，而智能算法以大量问卷调查为基础进而生成设计方案，可减少意象传达的不稳定性（造型特征的敏感性），因此本文将得到的产品族造型设计知识用于智能优化设计中。

在模型析出的产品族造型设计知识的基础上，利用之前研究构建的多意象驱动产品造型创新设计系统[15]对目标造型特征节点进行创新设计。收集多款同类型汽车的前脸造型，按照汽车前脸结构进行产品造型特征识别，并对造型特征曲线进行编码。同时以目标造型意象为评价指标，得到各造型特征的意象评价值。根据模型析出的产品族造型设计知识确定保留的造型特征节点和需要优先进行创新优化设计的造型特征节点，将对应的造型特征曲线和其意象评价值输入系统中，设定迭代次数，得到创新设计方案并生成造型特征曲线参数。图6为由系统创新设计得到的造型特征节点2的3个设计方案。

图6 多意象驱动产品造型创新设计系统

首先，利用总结析出的产品族造型设计知识，选择产品造型个性化定制系统对某一造型特征节点进行改进优化。其次，人工选择智能生成的其中一个方案，根据析出产品族设计知识再次进行人工优化产品造型特征。最后，依次经过9轮造型特征的改进优化得到最终设计方案。本文选择不同设计人员分别进行了两次产品族造型迭代设计，最终设计方案如图7所示。

为进一步检验产品族造型意象耦合网络模型析出知识的有效性，邀请15位设计人员与15位汽车消费者作为评价者，以拟定的3个目标造型意象作为评价指标，采用李克特5级量表制作问卷，分别统计得出原有方案与新方案的意象评价。同时，通过原有方案与新方案进行比较，以继承度作为评价指标，采用李克特5级量表制作问卷，统计得出方案的继承度，结果如表13所示。迭代设计方案一和方案二在目标意象表现上均有不同程度的改善，同时在产品族造型方面继承度水平较高，表明析出知识能够有效辅助设计师完成产品族设计。

图7 马自达CX-5迭代设计方案

表13 新方案评价结果

Tab.13 Evaluation results of the new scheme

6 结语

产品族设计是需要考虑包括多意象耦合、造型意象继承与创新在内的多维造型意象设计。本文通过分析产品族造型意象耦合特性，结合多层网络，构建了一种产品族造型意象耦合网络模型，通过模型析出了多意象耦合作用下的产品族造型意象相关知识，为产品族造型意象创新设计提供了一种新的途径。该模型的构建方法具有客观性，有效地处理分析了产品族造型特征之间的多意象耦合等复杂关系，同时，通过案例验证了该方法对产品族造型意象创新设计的辅助作用。然而，在研究过程中，因为意象词汇及造型特征意象评价的获取方式不够准确，从而导致模型析出知识不能高效地指导产品族设计。因此未来深入研究数据挖掘机制及不同造型特征组合对用户感性偏好的影响将是工作的重点，以进一步提升产品族造型意象耦合网络模型对产品族造型创新设计的高效性。

[1] 乐万德, 任静, 刘舟洲, 等. 频谱基因控制的概念产品族设计[J]. 计算机集成制造系统, 2021, 27(11): 3273-3281.

YUE W D, REN J, LIU Z Z, et al. Conceptual Product Family Design Based on Spectrum Gene Control[J]. Computer Integrated Manufacturing Systems, 2021, 27(11): 3273-3281.

[2] 罗仕鉴, 朱上上. 工业设计中基于本体的产品族设计DNA[J]. 计算机集成制造系统, 2009, 15(2): 226-233.

LUO S J, ZHU S S. Ontology-based Product Family Design DNA in Industrial Design[J]. Computer Integrated Manufacturing Systems, 2009, 15(2): 226-233.

[3] 朱上上, 罗仕鉴, 应放天, 等. 支持产品视觉识别的产品族设计DNA[J]. 浙江大学学报(工学版), 2010, 44(4): 715-721.

ZHU S S, LUO S J, YING F T, et al. Product Family Design DNA for Product Visual Identity[J]. Journal of Zhejiang University (Engineering Science), 2010, 44(4): 715-721.

[4] 卢兆麟, 张悦, FRITZ F. 基于映射关系的产品设计DNA描述方法研究[J]. 机械设计, 2014, 31(9): 1-5.

LU Z L, ZHANG Y, FRITZ F. Study on Description Method of Product Design DNA Based on Mapping[J]. Journal of Machine Design, 2014, 31(9): 1-5.

[5] 周小舟, 薛澄岐, 王海燕, 等. 产品族设计DNA可遗传因子提取[J]. 东南大学学报(自然科学版), 2016, 46(6): 1192-1197.

ZHOU X Z, XUE C Q, WANG H Y, et al. Extraction of Heritable Factors of Product Family Design DNA[J]. Journal of Southeast University (Natural Science Edition), 2016, 46(6): 1192-1197.

[6] 李从东, 章志伟, 曹策俊, 等. 复杂产品设计变更传播路径的多目标优选[J]. 计算机集成制造系统, 2021, 27(3): 842-856.

LI C D, ZHANG Z W, CAO C J, et al. Multi-objective Optimization of Design Change Propagation Paths in Complex Product[J]. Computer Integrated Manufacturing Systems, 2021, 27(3): 842-856.

[7] LIAN X, YANG Y, WANG J, et al. Research on Complex Product Design Change Propagation Based on Complex Networks[M]. Washington D.C：IEEE, 2017: 80-84.

[8] 曹运健. 基于复杂网络的零部件族的动态演化[D]. 杭州: 浙江理工大学, 2015.

CAO Y J. Based on Dynamic Evolution of Complex Network Components[D]. Hangzhou: Zhejiang Sci-tech University, 2015.

[9] FAN B. Modularization Analysis Approach of Product Family for DFMC Based on Complex Network[J]. Advanced Materials Research, 2013, 2450(712-715): 2970- 2978.

[10] 杨延璞, 龚政, 兰晨昕, 等. 工业设计决策网络构建及其动态演化仿真[J]. 浙江大学学报(工学版), 2021, 55(12): 2298-2306.

YANG Y P, GONG Z, LAN C X, et al. Construction of Industrial Design Decision-making Network and Its Dynamic Evolution Simulation[J]. Journal of Zhejiang University (Engineering Science), 2021, 55(12): 2298- 2306.

[11] 刘肖健, 孙艳, 吴剑锋, 等. 产品基因调控网络模型及其对设计过程的辅助[J]. 计算机集成制造系统, 2013, 19(7): 1463-1471.

LIU X J, SUN Y, WU J F, et al. Product’s Gene Regulatory Network Model and Its Aiding to Design Process [J]. Computer Integrated Manufacturing Systems, 2013, 19(7): 1463-1471.

[12] 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.

LI X R, YU S H, CHU J J, et al. Construction and Application of Product Form Gene Network Model Driven by Kansei[J]. Computer Integrated Manufacturing Systems, 2018, 24(2): 464-473.

[13] 陈羽, 滕弘飞. 产品设计耦合分析研究进展[J]. 计算机集成制造系统, 2011, 17(8): 1729-1736.

CHEN Y, TENG H F. Advances of Coupling Analysis for Product Design[J]. Computer Integrated Manufacturing Systems, 2011, 17(8): 1729-1736.

[14] WU M, HE S, ZHANG Y, et al. A Tensor-based Framework for Studying Eigenvector Multicentrality in Multilayer Networks[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(31): 15407-15413.

[15] 王鹏, 张炜, 白睿昇. 多意象驱动下的产品造型个性化定制系统研究[J]. 计算技术与自动化, 2021, 40(1): 7-14.

WANG P, ZHANG W, BAI R S. Research on Product Image Personalization Customization System Driven by Multi-image[J]. Computing Technology and Automation, 2021, 40(1): 7-14.

Construction Method of Product Family Modeling Imagery Coupling Network Model Based on Complex Network

WANG Peng1, CHI Qin1*, JIANG Feng2

(1.School of Design Art, Lanzhou University of Technology, Lanzhou 730050, China; 2.Lanzhou LS Group Co., Ltd., Lanzhou 730200, China)

The work aims to expand the access to knowledge related to multi-image design of product families and improve the efficiency of product family modeling innovation design. Based on the coupling characteristics of modeling images about product family and in combination with the concept of multilayer networks in complex networks, a product family modeling imagery coupling network model was constructed by using the multi-image relationship between modeling features. The coupling network model was analyzed with the node sensitivity and centrality methods. The attribute type of each modeling feature node was identified as extracted knowledge. Further, the types of modeling feature nodes applicable to the product family design were summarized and their type application rules were formulated in combination with the characteristics of product family design, so as to assist designers to carry out the product family modeling innovation design. Taking the modeling design of Mazda's front face as an example, a modeling imagery coupling network model of Mazda's front face was constructed, then relevant design knowledge of product family was acquired by analyzing it and successfully applied to the design of the front face. The product family modeling imagery coupling network model enriches the knowledge of product family multi-image design. It can be used to assist the product family design and improve the design efficiency.

complex network; composite image; Kansei engineering; product family; modeling design

TB472

A

1001-3563(2024)06-0093-10

10.19554/j.cnki.1001-3563.2024.06.010

2023-10-19

甘肃省自然科学基金资助项目（20JR10RA165）；甘肃省科技专员专项（22CX8GA117）