基于感性意象的并條機造型設計

段金娟， 宣艾祺， 袁 博， 李娜娜

(1. 天津工業大學 機械工程學院， 天津 300387; 2. 拉夫堡大學 航空與車輛工程學院， 萊斯特郡 LE11 3TU; 3. 天津工業大學 紡織科學與工程學院， 天津 300387)

紡織裝備外觀造型的創新設計可幫助企業彰顯企業文化，提升產品形象，是推動紡織裝備全球競爭力的核心軟技術[1]。新產品開發成功的關鍵因素之一是要滿足用戶的心理需求[2]。在紡織機械造型設計前期，開發者需要通過大量的問卷調研，以獲得用戶對產品的審美和感性意象偏好，確定設計研發策略。研究顯示，傳統的調研方法耗時、成本高[3]。設計師通過手繪概念圖像模式展開設計構思、探索設計方向的產品初始概念設計[4]過程完全在設計師大腦中運作。該過程是一種嚴重依賴設計師直覺和靈感生成的黑箱模式[5]，很難快速捕捉用戶的感性需求，聚焦和定位產品設計策略[6]。當前針對紡織機械外觀造型的研究多集中于質性研究方面，主要依靠設計師的專業經驗和主觀判斷[7]，可重復性和客觀性不足。量化方法的相關研究如基于層次分析法(AHP) 通過分析紡織機械各造型意象的權重，來進行系統的科學評價和設計分析[8]，但該類方法更適用于設計中后期的方案評估。

為更準確地滿足用戶對紡織機械的感性需求，提升設計研發的速度和效率，本文以并條機為研究對象，提出一種基于感性意象的并條機造型設計方法。在滿足技術合理、生產安全、經濟環保等基礎前提下，通過結合感性工學與數量化理論I，構建并求解產品感性意象和物理造型要素的量化映射模型，自動獲取滿足用戶某感性意象維度下的最優造型設計策略推薦，為后期設計實踐提供要素形式明確、可行性強的造型設計策略。

1 相關理論基礎

1.1 感性工學

感性工學(KE)是面向消費者的人機工程學新產品開發技術[9]，采用量化研究的方式從不同層面構建產品感性意象[10]與造型設計要素之間的關聯映射模型。KE將用戶對產品的主觀感受和印象轉換為產品參數和設計細節[11]，為用戶決策輔助系統和設計人員決策輔助系統提供幫助[12]，極大地減少設計過程中的模糊性和不確定性。

1.2 數量化理論I

數量化理論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在規律與關系。將造型設計要素看作因變量，將感性意象看作自變量，根據QTI建立他們之間的數學模型，可以量化各造型設計要素對感性意象的貢獻，并依此進行優化設計[14]。從QTI中獲得的結果可存儲在感性數據庫中，也可轉換為知識庫，并集成到感性工程專家系統中[15]。

2 并條機造型設計感性評價實驗

2.1 實驗流程與方法

2.1.1 收集與篩選典型感性意象詞對

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，廣泛搜集與并條機造型相關的感性形容詞對；然后，采用親和圖法，邀請從事紡織機械相關的生產和設計人員5名，組建焦點小組，對感性詞對的關聯程度和重要性打分；最后，根據頻次統計，并兼顧感性詞對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，分別為：“突兀-協調”“冰冷-親和”“流線-幾何”“輕巧-沉穩”“保守-現代”“靈動-機械”“模塊-整體”“危險-安全”“繁瑣-簡約”“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 通過瀏覽中國紡機網、各品牌官網、展覽、樣冊等方式，盡可能多地搜集市場上現有的并條機樣本圖片。邀請焦點小組的專家對搜集到的53個樣本圖片進行聚類，排除形態相似、像素模糊的樣本，共獲得24個角度較為相似的代表性樣本圖片作為實驗樣本。對代表性樣本進行去色化處理，篩選后的代表性樣本如圖1所示。

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

2.1.2.2劃分并條機造型設計要素類目 定義并條機的機體構成部件為項目，每個項目所對應的不同形態特征為類目。由焦點小組成員選定并條機的造型項目，篩選在圖1中均能被識別且能較大程度影響被試對并條機感性意象判斷的造型項目；根據造型項目頻次排序，獲得6個最為重要的造型項目，分別編號為車頭前蓋(A)、車頭外側罩殼(B)、 通風口(C)、操作面板(D)、腳踏(E)和下墻面造型(F)。運用形態分析法對各造型項目進行類目劃分[16]。以車頭前蓋為例，步驟如圖2所示。

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

2.1.3 實驗過程

實驗問卷設計：采用語義差分法[17]建立并條機感性意象調查問卷。將前期實驗篩選的24個代表性樣本圖片與10組典型感性詞對結合，設計感性意象評價問卷如圖3所示。將用戶對并條機的感性意象用1～7進行定量分析。以“突兀-協調”為例：1表示非常突兀，2表示較為突兀，3表示有點突兀，4表示中立，5表示有點協調，6表示較為協調，7表示非常協調。被試依次根據樣本圖片的主觀感受進行評價。

圖3 感性意象評價問卷Fig.3 Kansei image evaluation questionnaire

被試選擇：復雜機械裝備的購買者與使用者往往不一致，二者的感性意象評價也會存在差異[18]。本文的被試選擇兼顧了用戶端、開發端和設計端，邀請并條機或紡織機械的操作用戶、生產開發人員，以及有過并條機造型設計或紡織機械造型設計經驗的設計人員共30人進行實驗調查。其中男性12人，女性18人。

實驗形式：采用問卷星軟件進行線上調查。

2.2 實驗結果

剔除瀏覽問卷時間小于500 s及評分過于集中的問卷，共獲得30份有效問卷。統計實驗結果計算得到各樣本的感性意象評價均值見表1。

表1 代表性樣本的感性意象評價均值Tab.1 Mean value of Kansei evaluation of representative samples

采用Pearson相關性檢驗[19]進行可靠性檢驗。根據Pearson相關系數值和顯著性水平(Sig?)，刪除“流線-幾何”“輕巧-沉穩”2組相關性低且無顯著差異的感性詞對。經過再次相關性檢驗，8組感性詞對的相關性絕對值均大于0.3，具有中度或高度相關；Sig?值均小于0.01，表明被試的評價標準較為一致，且相互間具有顯著差異。

2.3 并條機關聯模型構建

2.3.1 基于QTI的理論模型

設并條機有r個樣本，共有m個項目，每個項目有n個類目。定義δi(j,k)=1表示第i個樣本具有第j個項目第k個類目特征；否則δi(j,k)=0。結合類目劃分對各樣本進行開關式編碼見表2。

根據QTI將定性變量造型要素作為自變量，將定量變量感性評價值作為因變量。第i個樣本的感性評價值yi可用類目特征的線性函數描述

(1)

式中：a(j,k)為僅依賴于j項目的k類目的待定系數；εi為隨機抽樣的擾動誤差。該式對應的預測方

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

程表示為

(2)

(3)

2.3.2 模型求解及結果討論

在MatLab軟件中求解模型得到表3。

表3 復相關系數和決定系數統計表Tab.3 Statistical table of multi-correlation coefficient and determination coefficient

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

從決定系數來看，7個模型的決定系數R2大于0.6，表明關聯模型擬合優度較好，預測精度較高。感性詞對“冰冷-親和”的R2值略小于0.6，推測在該意象維度下，可能存在：1)造型要素與感性評價值之間可能存在一定的非線性關系；2)造型要素對感性評價值的相關性弱。基于R2排序，以預測精度最高的“繁瑣-簡約”語義維度為例，進行后期的數據分析和實驗驗證。計算并統計“繁瑣-簡約”感性意象維度下各設計要素的偏相關系數與標準系數如表4所示。

表4 偏相關系數和標準系數統計表Tab.4 Statistical table of partial correlation coefficient and standard coefficient

偏相關系數表示各造型設計項目對感性意象詞對的貢獻值，數值越大，該項目對感性意象詞對的貢獻度越大[14]。根據偏相關系數，后期的設計實踐將優先強調設計貢獻程度較高的造型項目，即重點對車頭外側罩殼、通風口、腳踏進行設計優化。標準系數，也稱為類目得分，表示類目要素對感性意象詞匯的貢獻值[14]，絕對值數值越大，則該設計要素類目對感性意象詞對的貢獻度越大。根據標準系數，類目組合1{A2,B3,C3,D1,E1,F2}得分最高，被認為“最簡約”；類目組合2{A3,B1,C2,D2,E2,F3}得分最低，被認為“最繁瑣”。

依據表4和式(3),建立“繁瑣-簡約”感性意象維度下的預測關聯模型，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項目k類目的反應值。

同理，可以得到其他意象維度下的量化關聯模型。采用窮舉法對造型要素進行正交組合，可以構建并條機造型設計的案例庫，并結合關聯模型實現并條機感性意象評價的自動預測，獲取相應最優造型組合和造型設計策略推薦。

3 并條機關聯模型驗證及評價

3.1 方案設計

依據表1，樣本6被認為在24個代表性樣本中 “最繁瑣”。在保證技術可行，不改變并條機原型結構，以及除表4類目要素之外部件造型不變的前提下，對樣本6進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}對樣本6進行方案重組，通過設計構思、方案優化，得到預測“最簡約”的方案1和預測“最繁瑣”的方案2。

3.2 方案評價

3.2.1 評價樣本選擇

依據“繁瑣-簡約”意象維度下評價均值排序，將代表性樣本分為3組，并隨機從每組中抽取1個樣本(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}作為對照組，與方案1和方案2共同組成評價樣本。為避免樣本圖片與方案渲染圖因像素、清晰度不同對被試評價時產生干擾，并去除色彩對被試的影響，對渲染后的圖片進行去色、降低圖像質量處理，方案評價樣本見圖4。

圖4 并條機方案評價樣本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 評價過程及結果

基于語義差分法再次設計方案評價問卷。邀請15名有紡織機械、并條機設計及研究經驗的設計從業人員根據主觀感性意象對5個并條機方案的“簡約”程度進行打分，評價結果均值見表5。

采用Kendall′s Tau等級相關系數檢驗關聯模型預測排序與用戶實際打分排序的相關性和準確度[20]，表示為

(5)

式中：C表示關聯模型預測正確的評價偏序數；D表示預測錯誤的評價偏序數；TR表示用戶打分相同的產品數；TP表示具有相同預測值的產品數。Tau值越大表示關聯模型預測結果與用戶實際打分的吻合度越高，反之則吻合度低。

根據表1和預測模型，評價樣本的預測排序應為：方案2<樣本6<樣本16<樣本13<方案1。15名被試對圖片簡約程度的排序為：樣本6<方案2<樣本16<樣本13<方案1，用戶打分相同的方案數TR=0。對比2次實驗結果用戶一致評價：樣本6<樣本16<樣本13，Tau=1，即2次實驗相關性強，此次小樣本的實驗評價結果有效。

表5 用戶感性意象評價Tab.5 Users′ Kensei image evaluation

從5個樣本的整體評價結果分析，關聯模型預測正確的為方案2<樣本16等9對序列，C=9；預測錯誤的序列為樣本6<方案2，D=1；Tau=0.8。說明關聯模型的預測精度較好，且可靠性較高。

3.3 專家訪談評價

為驗證該方法對設計師工作支持的有效性，獲取進一步的評價及建議，從15名被試中選擇3位有紡機設計經驗的資深設計專家，向他們展示了研究方法的操作流程和機制后，對其開展訪談。問題包括：“您是否同意該方法能縮短調研周期？”“您是否同意該方法可以縮短概念設計階段的迭代過程？”“您是否同意生成的設計案例庫能啟發您的設計靈感，幫助您展開設計？”“您是否愿意信任這個設計模型預測的意象值和推薦的設計策略？”“您對該方法有什么建議？”。

訪談結果可歸納為以下5點：1)該方法可幫助設計師較為準確地把握用戶感性需求，縮短概念設計前期的調研時間；2)該方法減少了設計實踐中反復定位設計策略而開展的思維發散與收斂的迭代過程，降低了設計的時間成本；3)基于關聯模型建立的設計案例庫可激發設計靈感；4)設計師愿意信任該方法，認同該方法可提供更明確的設計策略，提升設計效率；5)建議將色彩、材質等因素納入設計要素進行分析。

4 結束語

本文基于感性工學和數量化理論，分析了并條機感性意象與造型設計要素之間的映射關系；以“繁瑣-簡約”意象維度為例，建立并條機關聯預測模型，得出該維度下的最優設計組合方案，并通過方案設計及用戶評價進一步驗證了模型的可靠性。結果如下：基于感性意象的并條機造型設計方法可節省設計師前期調研時間，減少設計過程中的模糊性和主觀性；基于關聯模型，采用窮舉法建立了較為豐富、全面的設計案例庫，并實現對設計方案感性意象評價值的自動化預測；關聯預測模型將抽象的感性意象概念轉化為具體的造型設計要素，可輸出較為準確的造型設計策略，快速推進設計進程，提升設計效率，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化為機器編碼，可以為計算機輔助造型、建立產品數據庫提供方法參考。