基于感性工學方法的產品設計分析

蔣穎姿，陳炳發

(南京航空航天大學 機電學院，江蘇 南京 210016)

基于感性工學方法的產品設計分析

蔣穎姿，陳炳發

(南京航空航天大學 機電學院，江蘇 南京 210016)

以感性工學理論為基礎，對產品感性意象進行量化研究，運用統計學方法建立產品設計元素空間和感性意象評價值矩陣，并應用BP神經網絡算法構建產品形態元素和感性意象的關聯模型，得出一具體設計目標下的產品形態元素組合方案。以家具椅為對象，體現江南區域文化意象為目標，采用BP神經網絡算法，通過計算機軟件MATLAB編程進行學習訓練并模擬預測，最終得出結論指導家具椅設計方案。將感性意象量化并系統化，使以感性需求為導向的產品設計更具科學性和實踐指導意義，為開發出更符合用戶感性需求、更具有市場競爭的產品提供了一種設計思路。

感性工學；BP人工神經網絡算法；感性需求；產品設計

1 感性工學

感性工學是感性與工學相結合的技術，主要分析人的感性信息、人的喜好與產品的關系，以盡可能準確地把握用戶對產品感性需求。通過定性推理和定量分析的理論及方法，有效結合用戶對于產品的感性信息和產品設計元素以獲得產品設計新的發展方向，設計出更符合消費者需求的產品。感性工學幫助設計師量化用戶的感性需求，同時也有助于用戶更準確地選擇符合自己要求的產品。近年來,感性工學研究領域不斷擴大，感性意象被越來越多的國際學者運用不同的數學分析方法和計算機技術探討研究。其研究方法主要分為實驗、統計、計算機系統分析三個階段，分別涉及到的方法如表1所示。

2 BP人工神經網絡算法在感性工學中的應用

人工神經網絡(ANNS)(誤差反響傳播算法)是感性工學中十分重要的統計研究方法。它可以解決大復雜度(如上百個參數)問題的方法，是對人腦或自然神經網絡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80年代后，其算法得到了切實可行的實踐后被應用于各個領域，在產品設計方面則較多被應用于產品的功能、外形、色彩、質感和消費者感性設計等方面[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網絡中求解非線性函數的多層前饋神經網絡的權重調整問題。1986年，Rumelhart和McClelland提出了BP算法網絡模型，無需提前揭示具有映射關系的數學方程而是經由學習和存儲大量的輸入-輸出模式的映射關系得到規律。其中的學習規則是利用反向傳播來調網絡的權值和閾值，目標是使網絡的誤差平方和最小，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網絡的學習由4個過程組成：模式順傳播——輸入模式，由輸入層經過隱藏層到輸出層的“順”傳播過程；誤差逆傳播——希望輸出與實際輸出之差的誤差信號修正連接權過程；記憶訓練——由模式順傳播和誤差逆傳播的反復交替進行的過程；學習收斂——網絡趨向收斂，即網絡的全局誤差趨向極小值的過程。其學習主要流程如圖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為消費者的感性意象語義表達的量化值和產品設計要素的量化值。利用網絡訓練建立二者之間的非線性關系，如圖2所示。

圖2 BP網絡結構

通過感性工學的理論和研究方法的描述分析，從產品設計的方法進行總結，進一步定量化地分析并構建方法模型。其具體步驟如下：

1) 選取產品代表性樣本，分析目標產品設計元素，篩選并確定感性詞匯；

2) 構建設計元素空間；

3) 設計調查問卷，選擇受測目標人群，發放問卷；

4) 問卷回收及數據統計分析，建立設計元素和感性評價平均值矩陣；

5) 分析映射模型，應用BP神經網絡算法構建、訓練、測試并模擬網絡；

6) 討論并分析結果。

3 基于感性工學的應用BP人工神經網絡算法的產品設計分析

3.1 解構產品設計要素

以家具椅為對象，目標為設計出能體現江南區域文化的現代家具椅。首先對家具椅進行設計元素的分析。

1) 形態要素

家具椅的形態是家具椅的信息載體，主要指產品的有機形態和幾何形態，表達家具椅的實用意義和象征意義。

2) 色彩與材料要素

文中所研究的家具椅主要以木質材料為主，其表面多以清漆進行涂飾，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。色彩的色相引發人們對某些事物的聯想，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，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，現代家具椅的設計與傳統明式家具相比，從人機工程和環保等多種角度出發，更多地考慮現代人的使用和環境，為家具椅增加了一些“附屬構件”[5]。附屬構件的顏色如編織物、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) 結構要素

家具椅的結構除了典型的跟制作生產相關的代表性連接結構外，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。而不同結構部位，可能具有不同的文化意象。如截面為外圓內方的椅腳體現了我國古代天圓地方的陰陽學說。

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

從網絡、家居雜志、產品型錄等多種渠道獲取椅子的樣本183個，依據主觀分析，首先排除結構、外形等設計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，并以此為基礎建構椅子的形態樣本庫。通過結構、形態、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。然后通過問卷調查及數據分析，結合5名具有3年以上設計經驗的人員利用KJ法[6]依據家具椅的設計元素進行二次篩選，最終篩選出20個樣本作為本次研究椅子形態分析的對象和感性意象調查樣本。其中，15個作為BP神經網絡的訓練樣本，剩余5個作為檢測網絡效果的測試樣本。

3.3 構建產品樣本的設計元素空間

根據前文所述對家具椅的分析以及所選家具椅的代表性樣本，提取樣本的設計元素并進行分類，構建其設計元素空間表，如表2所示。

表2 家具椅樣本的設計元素空間表

3.4 用戶調查問卷及數據統計

確定受測目標對象和感性語匯對，利用語義差異法進行問卷調查，獲得感性評價平均值。本次調研的產品目標為體現區域文化意象，因此對受測人群有一定要求：必須為長期在江南區域生活過或正生活著的人群。同時，給予一定的受測條件：以中式風格室內家居為前提，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向性，得出的結果會更準確；另一方面，排除一些不利于測試和結果的因素，如個人對區域文化的喜惡，特別是不喜歡江南區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，讓用戶做感性評價打分調查。現采用7分制的語義差異法進行問卷調查。量尺的區間為7，即1，2，3，4，5，6，7。每位受測者對20個樣本進行打分，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。

調查問卷一共發放150份，回收有效問卷132份。其中，這132個受測者均來自江南區域。平均年齡24.33歲，其中受過專業設計知識訓練的23個人，普通消費者為109個。得到132份關于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值，如表3所示。其中，X1-X8分別對應表5.3中木質顏色-裝飾8個設計元素，1、2、3、4分別對應其中的元素類型。感性評價值是搜集的調查問卷132份的打分均值。如第一個樣本的感性評價值為3.008。

續表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神經網絡分析模型

通過BP神經網絡模擬受測對象對不同的設計元素的組合的感性意向評價。首先需要利用BP神經網絡對上述樣本數據進行學習，把學習后的網絡作為仿真實驗的數學模型映射與家具椅設計相關的8個設計元素與感性意象評價之間復雜的非線性關系。選取數學語言工具MATLAB實現整個程序的編程和計算。利用其中的神經網絡工具箱中的函數對網絡進行初始化、仿真和訓練，然后通過圖形變化觀察網絡的動態訓練過程。具體實施步驟如下：

1) 構建網絡

設置網絡為輸入層、兩個隱藏層和輸出層共四層網絡，它們分別有8、4、16、1個節點數。其中，輸入層的8個節點為8個家具椅的設計元素編號后的數學矩陣，輸出層則是對于家具椅的調查有關江南區域的消費者對符合“中式”家具的感性意象的評價值。第一個隱藏層中有4個神經元，選擇tangen sigmoid傳遞函數，神經元的輸出公式如下：

j=1,2…,4)

k=1,2…,16)

2)訓練網絡

設置網絡的學習次數為15 000次，設置誤差參數為0.001，采用traignd(梯度下降)法，利用均方誤差測定訓練結果，利用樣本和感性值評價數據表中前15組數據，作為網絡的輸入和輸出，導入已建好的BP網絡對其學習訓練。

開始訓練10 636次的時候達到訓練目標停止訓練，如圖3所示，其訓練效果如圖4所示。其中x坐標表示訓練次數，y坐標表示訓練誤差。

圖3 網絡訓練結束圖

圖4 網絡訓練圖

3) 測試網絡

用樣本和感性值評價數據表3中最后的5組樣本數據測試網絡性能，即將5個樣本的設計元素組合導入進網絡的輸入層，進行運算后所得結果與調查問卷的數據(3.462,4.000,4.220,4.008,3.462,2.856)相對比，發現基本吻合。

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

4) 模擬預測

樣本所選的8個設計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，將其導入輸入層，模擬預測出每種組合對應的感性評價值。

3.6 分析結果

通過BP神經網絡計算得到的實驗結果為家具椅9 216種設計元素組合方式及其對應的體現江南區域文化意向的感性評價值。其中，感性評價值最小的是2.619，感性評價值最大的是4.793，分別對應的設計元素組合編號為1 3 2 3 4 1 3 3和2 4 1 1 1 2 1 3，表明前一組設計元素的組合產生的家具椅的造型最能體現江南區域文化意象，后一組設計元素的組合產生的家具椅的造型最不能體現江南區域文化意象。將兩組編號對應設計元素空間表分析，得出最優的設計元素組合，如表4所示。

表4 網絡預測結果表

對比表中的兩組元素發現，裝飾花紋表現為同一特征，即無裝飾。這表明這兩個設計元素對于體現江南區域文化這一感性設計的影響不大。同時可以大膽猜測，對于現代社會的用戶來說，比較偏向沒有花紋裝飾的“樸素”家具設計。因此，以體現江南區域文化意象作為設計目標，設計者應更多地將設計重點放在其他7個設計元素上，以優化設計結果，提高設計效率。

另外，在構建BP神經網絡構建時通過增加輸出層的節點數可以獲得多個不同維度的感性評價值，以滿足更為復雜的設計需求。

4 結語

如何將用戶的感性需求定量化研究，是如今工業設計領域的新亮點。隨著市場需求的提高和科學信息的發展，工業設計的傳統思維模式正在迎接各類交叉學科和知識的挑戰和輔助。如何更準確地針對目標產品提取設計元素，如何對用戶進行更深入細致的分類研究，把握其深層的感性需求，利用更優化的數學模型，設計出更符合用戶需求的產品，是當下及未來研究的重點和難點。

[1] 韓立群. 人工神經網絡[M]. 北京:北京郵電大學出版，2006.

[2] 張濤. BP神經網絡在測井解釋中的應用研究[D] . 西安：西北大學碩士論文，2010.

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

[4] 張寒凝. 現代家具的色彩意象研究[D]. 南京：南京林業大學，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，2009.

[6] 戴菲，張俊華 .規劃設計學中的調查方法7——KJ法[A]. 風景園林調查與分析，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：產品設計及理論。

TP183

B

1671-5276(2015)05-0200-04

2014-03-16