基于多元线性回归的多维感性工学模型构建*

刘征宏，潘伟杰，吕　健，林　丽

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



基于多元线性回归的多维感性工学模型构建*

刘征宏a，潘伟杰a，吕健a，林丽b

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

摘要：针对现有一维感性工学模型不能真实反应用户对产品的情感意象，提出了基于多元线性回归的多维感性工学模型构建方法，首先构建产品多维造型特征空间和情感意象认知空间，然后判定多维造型特征空间主特征，接着对主特征进行量化处理，最后运用多元回归分析多维造型特征空间与感性设计空间映射函数关系并构建产品的形、色、音、质及相关关系元件的多维感性工学模型。以某型号数控机床为例，应用模型构建方法构建其多维感性工学模型，结果表明该方法能有效构建产品多维感性工学模型。

关键词：多元线性回归；主特征；多维感性工学模型；数控机床

0引言

感性工学方法在产品设计领域的研究近年来已成为国内外重点研究内容，并且感性工学的应用领域也在不断拓展。国内外众多研究者以各种工业产品为研究案例分别从产品的形状、色彩、材质等造型特征入手，建立了由产品某一类造型特征所构成的一维感性工学(kasei engineering, KE)模型。傅业焘等[1]在感性工学基础上建立了产品族风格意象(心理的意象特征)和外形基因(物理的外形特征)之间的映射模型，并以电话机产品为例进行验证。苏建宁等[2]构建KE模型对产品意象造型进行优化设计，并以电热水壶设计实例进行验证。王莹等[3]运用形态分析法的基本原理，对冬季女外套的款式设计要素进行分析，建立设计要素空间及意象语意空间，并建立了数学回归模型，然后进行应用。许彧青等[4]提出了适用于家电产品设计的感性工学研究方法，构建KE模型，然后以微波炉造型设计为例对该方法进行验证。柳沙[5]运用KE模型对农机产品的色彩进行研究。韩挺等[6]运用KE模型对服装面料材质进行研究。对多维KE模型的研究中，刘玲玲等[7]融入认知科学、形态学观点提出一种多感官通道的多维度的产品特征解构方法。林丽等[8]以人机界面元件为立足点提出一种面向优化KE模型的产品形态解构方法。

通过以上研究可对产品设计中某类设计要素进行深入探讨，并定量分析出各关键要素对于用户情感的重要性及贡献度，从而使产品设计更有针对性和目的性。但是在实际生活中，用户并非通过某一类造型特征进行认知而产生情感意象，而是通过多个感觉通道对产品的多类造型特征进行多维认知而产生对产品的情感意象。因此，通过某一类造型特征构建的一维KE模型不能完全反应用户真实的认知过程，从而此类模型获取的特征元素不能对情感意象进行全面表达，在产品感性设计阶段没有应用价值[9]。此外，以前的研究文献多是运用形态分析学对产品进行解构，从而获取单一独立的设计特征，而对产品特征间相关关系欠缺考虑，对于一个完整的产品而言，各设计特征间相对位置、组合、布局、尺寸比例、配色等关系是以“整体”的形式向用户传递情感信息，因此，此类缺少“整体”信息的KE模型并不实用。因此，本文从用户对产品的实际认知模式出发，首先构建基于产品形、色、音、质及其相关关系等多维造型特征(multi-dimensional modeling features, MMFs)空间，然后在其基础上构建基于多元线性回归的多维KE(multi-dimensional KE, MKE)模型，解决传统一维KE模型应用范围有限、难于指导产品感性设计等问题。

1基于多元线性回归的MKE模型构建

1.1确定目标产品

由于感性工学是基于案例的研究方法，因此需选择合适的案例，以构建基于案例产品的MKE模型。

1.2确定感性词组

选取描述目标产品风格的意象形容词对作为实验变量，以求尽量准确地构建关于研究对象特征的多维认知空间。语意差异法对形容词的选取有比较高的要求，必须能满足从不同层面描述对象认知特性的要求。

首先通过查阅相关文献及向相关设计专家咨询获得大量感性词汇，然后对初步收集的感性词汇进行筛选、分类。采用卡片分析法(Card System)，请相关专家根据感性词间的亲密程度将它们进行分析归纳，并为每组选择一个具有代表性的词[10]，然后运用主成分分析法，根据各指标的贡献率来选择主要感性词汇，使主体感性结构建立在了严谨的统计学基础之上，最终一般得到6～8组感性词汇。

1.3MMFs空间构建

运用全局HIEs解构方法[8]对产品形态进行解构，以人的多感觉通道(视觉、触觉、听觉等)构成产品的形、色、质、肌理及声音五个维度的产品设计特征。根据格式塔的完形结构，增加产品设计特征间的相关关系元件，将产品的外观形态解构成六个维度的造型特征空间。文献[8]将案例产品的外观形态分解成具体的HIEs，所有的HIEs构成MMFs空间。目前KE模型构建系统中，通常运用形态分析法分解产品的外观形态，形成设计特征空间，将产品的外观形态分解为“项目”和“类别”，从而形成单一维度的形状特征空间[11]。

1.4情感意象认知空间构建

情感意象认知空间构建是基于用户调查实验完成的。首先有目的地选择多个样本，然后针对前面获取的感性词汇组构成感性设计空间，根据感性词汇组构建语意差异7分量表，将产品解构形成的MMFs空间中的每一个设计特征与语意差异量表一一对应，形成意象认知实验问卷。

(1)

1.5MMFs空间中的主特征评判

由全局HIEs解构方法获取的高维造型特征中，有些造型特征对情感意象没有影响或影响不大可忽略不计，因此，需对造型特征进行评判，本文用环比法评判出对情感影响作用较大的主特征。其步骤如下：

(1)首先在某一组感性词汇下，对案例产品解构体系中的某一类别，指定其中一个中等强度元件为标准刺激，并指定它的关键度为1；

(2)将待判定的其它元件连环式作比较，设刺激所引起的感觉是标准的n倍或n分之几；

(3)以中等强度元件关键度乘毗邻元件倍比数，得毗邻元件关键度，此元件关键度再乘其毗邻元件倍比数，得其毗邻元件关键度。依此类推，得到该类别中所有元件关键度；

(4)以指定为中等强度元件的关键度为基准，关键度高于此的元件则判定为MMFs空间主特征。

1.6主特征定量化处理

由于MMFs是产品的设计要素，无法直接应用于MKE模型的构建，需对其进行定量化处理，其定量化处理过程如下：设L为第n组感性词汇的主特征个数，案例产品被解构为r个HIEs，设δ(j,n)为第j个HIEs第n组感性词汇在第i各样本中的反应，当第j个HIEs定性数据为第n组感性词汇时，则x=δ(j,n)=1，否则x=δ(j,n)=0，则L个主特征在第n组感性词汇第i个样本的所有x值构成二进制变量数组([Main(L)])i,n。

1.7基于多元线性回归的MKE模型构建

MKE模型的构建是主特征到感性设计空间的映射描述，即以情感意象认知空间的意象认知数值为基础，经模型构建推论机制形成MMFs空间与感性设计空间的映射函数关系，因此，在MKE模型中，MMFs空间元件x为自变量(定性变量，称为解释变量)，感性意象评价值y为因变量(定量变量，称为预测变量)。第n组感性词汇下样本i的情感意象认知空间与主特征的映射描述数学表达如式(2)所示。

(2)

(i=1,2,…t;j=1,2,…r;m=1,2,…q;n=1,2,…q)

多元回归分析(Regression Analysis)是一种常见的用于确立多个变量之间关系的统计方法。在感性工学领域，很多研究都引入多元回归分析进行定量分析，感性工学中的定量分析主要运用多元回归分析处理多个自变量和因变量的关系，通过回归方程建立、自变量系数求解和可信度检验等，建立感性词汇与设计元素的线性关系。假定因变量yi与自变量xi线性相关，其中y为样本的感性评价值，x为主特征设计元素，建立函数关系，如式(3)所示。

yi=β1x1i+β2x2i+…+βpxpi+εi

(3)

i=1,2,…,s

其中s为样本总数，p为s个手机样本中所有主特征个数总和减去重复的主特征个数，εi为随机误差，根据式(3)，构建RVKE模型的多元线性回归方程的矩阵形式，如式(4)所示。

(4)

i=1,2,…,s

2应用实例

本文以某企业某类数控机床造型设计为例，对本方法进行阐述。通过调查、采访用户、采访设计师，分析文献确定感性词汇，从得到的60多个形容词对组合中挑选出最能描述机床造型设计且含义明确的形容词对，使用因子分析法得到6组感性词汇，如表1所示，包括：人性—机械、简洁—复杂、对称—不对称、现代—传统、精密—粗糙、独特—大众。

表1　筛选后的6组感性词对

运用全局HIEs解构方法对该数控机床形态进行解构，其步骤如下：

(1)首先区分该数控机床的硬界面与软界面，然后细分硬界面的非功能性部件和功能性部件。非功能性部件包括实体、门体、把手、底座、数控操作面板及装饰物；

(2)对于硬界面的功能性部件，细分其输入功能部件和输出功能部件，其中，输入功能部件有数字输入按键，电源开关，操作旋钮；输出功能部件有显示屏、警报灯和标识。

(3)区分相关关系元件。

根据如上步骤对数控机床外观形态进行解构得到96个HIEs(解构具体结果省略)。

通过用户调查获取用户对数控机床MMFs情感意象认知量值。调查对象为具有数控机床设计经验的设计师25名和具有3年以上操作数控机床经验的企业员工25名。调查样本为12款具有典型代表的数控机床。利用语意差异法(SD)进行问卷调查，在MMFs空间基础上，让测试者在包含96个HIEs的6组感性词汇的标准语意差异7分量表上逐一评价。

针对解构出的96个造型特征，运用环比法评判主特征，以“人性”为例，在实体类别中，元件3、元件4、元件6、元件12为主特征元件。

y1=0.207x3-0.128x4+1.251x6-0.367x12-0.105x28-

0.139x39+0.420x54+0.394x67+0.216x69+

0.224x78+0.117x93+3.581

(5)

上述MKE模型中，y1表示感性词组“人性”的MKE模型，xi表示第i个HIEs，系数表示该元件对感性词汇影响重要性即贡献度，正数表示正面影响，即增加或提高该元件可使产品更具有此类情感，负数表示负面影响，即减少或降低该元件可使产品更具有此类情感。如式(5)所示，元件3、元件6、元件45、元件67、元件69、元件78、元件93对“人性”有正面影响，且元件6(1.251)的影响大于元件54(0.420)、元件67(0.394)、元件78(0.224)、元件69(0.216)、元件3(0.207)、元件93(0.117)，元件4、元件12、元件28、元件39对“人性”有负面影响，降低这些元件可使数控机床更“人性”。

此外，通过对上述MKE模型分析可知，该模型中同时具备形状变量(元件3)、色彩变量(元件39)、材质变量(元件28)、肌理变量(元件54)、软界面变量(元件78)、相关关系变量(元件93)，是典型的多维KE模型。

3结论

针对传统的一维KE模型不能完全反映用户对目标产品情感意象认知的问题，本文提出了多维KE模型并对其构建方法进行了详细描述。然后以数控机床为例，对其应用流程进行描述，首先运用全局HIEs解构方法对其形态进行解构，然后在此基础上分别构建了数控机床每组感性词汇下的MKE模型，该模型既融合了用户多通道感觉又包含了产品的形、色、音、质及相关关系元件，能够在产品感性设计阶段提供有效指导，提高了KE模型的实际应用价值。后续主要研究工作是拓展MKE模型的应用范围，并对一维KE模型和MKE模型应用效果进行对比。

[参考文献]

[1] 傅业焘, 罗仕鉴. 面向风格意象的产品族外形基因设计[J]. 计算机集成制造系统, 2012, 18(3): 449-457.

[2] 苏建宁, 王瑞红, 赵慧娟, 等. 基于感性意象的产品造型优化设计[J]. 工程设计学报, 2015, 22(1): 35-41.

[3] 王莹, 陈雁. 冬季女外套款式感性研究和应用[J]. 纺织学报, 2007, 28(11): 97-100.

[4] Yuqing Xu, Kun Chen, Haibin Qin, Zhaoyang Wang.Study on the Application of Kansei Engineering in Product Form Design[J]. Applied Mechanics and Materials. 2013, 274: 513-516.

[5] 柳沙. 基于SD量表的农机产品色彩感性体验研究[J]. 农机化研究, 2010(4): 50-54,57.

[6] 韩挺, 胡杰明, 孙守迁. 基于消费者感知的面料材质感官意象研究[J]. 纺织学报, 2012, 33(5): 140-144.

[7] 刘玲玲, 薛澄岐. 面向多维KE模型构建的产品特征解构方法[J]. 工程设计学报, 2014, 21(4): 323-328.

[8] 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.

[9] Chen H Y, Chang Y M. Extraction of product form features critical to determining consumers' perceptions of product image using a numerical definition-based systematic approach[J]. International Journal of Industrial Ergonomics, 2009, 39(1): 133-145.

[10] Simon T W Schutte, Jorgen Eklund, Jan R C. Axelsson and Mitsuo Concepts, methods and tools in Kansei Engineering Theoretical Issues in Ergonomics Science May-June 2004, 5(3):222.

[11] LIN Y C, LAI H H, YEH C H. Consumer-oriented product form design based on fuzzy logic: a case study of mobile phones[J]. Int J Ind Ergon, 2007, 37(6): 531-543.

(编辑赵蓉)

Multi-dimensional KE Model Construction Based on Multiple Linear Regression

LIU Zheng-honga, PAN Wei-jiea, LV Jiana, LIN Lib

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

Abstract：Because the one-dimensional KE model cannot reflect the emotion of product, the method of multi-dimensional KE (MKE) model construction based on multiple linear regression was proposed in this paper. Firstly, the space of multi-dimensional modeling features (MMFs) and emotion perception were set up. Next, the main features of MMFs were determined. Then, the main features were quantized. Finally, the mapping function relationship between the space of MMFs and kansei design was analyzed and the MKE model based on the form, color, sound, material and related components of product was constructed by multiple regression analysis method. The proposed method were described by a case of numerical control machine tools form design. The results have revealed that the approach can construct the MKE model effectively.

Key words：multiple linear regression; main feature; multi-dimensional KE model; NC machine tools

中图分类号：TH166;TG 506

文献标识码：A

作者简介：刘征宏(1987—),男，湖南邵阳人,贵州大学博士研究生,研究方向为先进制造模式及制造信息系统、数字化设计与制造，(E-mail)zehoo_liu@163.com；通讯作者：潘伟杰(1983—)，男，河南漯河人，贵州大学副教授，工学博士，研究方向为数字化设计与制造，(E-mail)290008933@qq.com。

*基金项目：国家自然科学基金(51475097)；国家自然科学基金(51465007)；国家科技支撑计划(2014BAH05F01),贵州省科技计划(黔科合计Z字[2013]4005;黔科合J字[2013]2108;黔科合LH字[2014]7644)；黔发改投资([2012]2484)；贵州大学基金项目(贵大人基合字[2012]009)

收稿日期：2015-09-08；修回日期：2015-09-18

文章编号：1001-2265(2015)12-0015-04

DOI:10.13462/j.cnki.mmtamt.2015.12.005