基于感性意象的并条机造型设计

段金娟， 宣艾祺， 袁 博， 李娜娜

(1. 天津工业大学 机械工程学院， 天津 300387; 2. 拉夫堡大学 航空与车辆工程学院， 莱斯特郡 LE11 3TU; 3. 天津工业大学 纺织科学与工程学院， 天津 300387)

纺织装备外观造型的创新设计可帮助企业彰显企业文化，提升产品形象，是推动纺织装备全球竞争力的核心软技术[1]。新产品开发成功的关键因素之一是要满足用户的心理需求[2]。在纺织机械造型设计前期，开发者需要通过大量的问卷调研，以获得用户对产品的审美和感性意象偏好，确定设计研发策略。研究显示，传统的调研方法耗时、成本高[3]。设计师通过手绘概念图像模式展开设计构思、探索设计方向的产品初始概念设计[4]过程完全在设计师大脑中运作。该过程是一种严重依赖设计师直觉和灵感生成的黑箱模式[5]，很难快速捕捉用户的感性需求，聚焦和定位产品设计策略[6]。当前针对纺织机械外观造型的研究多集中于质性研究方面，主要依靠设计师的专业经验和主观判断[7]，可重复性和客观性不足。量化方法的相关研究如基于层次分析法(AHP) 通过分析纺织机械各造型意象的权重，来进行系统的科学评价和设计分析[8]，但该类方法更适用于设计中后期的方案评估。

为更准确地满足用户对纺织机械的感性需求，提升设计研发的速度和效率，本文以并条机为研究对象，提出一种基于感性意象的并条机造型设计方法。在满足技术合理、生产安全、经济环保等基础前提下，通过结合感性工学与数量化理论I，构建并求解产品感性意象和物理造型要素的量化映射模型，自动获取满足用户某感性意象维度下的最优造型设计策略推荐，为后期设计实践提供要素形式明确、可行性强的造型设计策略。

1 相关理论基础

1.1 感性工学

感性工学(KE)是面向消费者的人机工程学新产品开发技术[9]，采用量化研究的方式从不同层面构建产品感性意象[10]与造型设计要素之间的关联映射模型。KE将用户对产品的主观感受和印象转换为产品参数和设计细节[11]，为用户决策辅助系统和设计人员决策辅助系统提供帮助[12]，极大地减少设计过程中的模糊性和不确定性。

1.2 数量化理论I

数量化理论I(QTI)由日本林知己夫教授提出[13]，用于揭示定性变量为自变量、定量变量为因变量之间的内在规律与关系。将造型设计要素看作因变量，将感性意象看作自变量，根据QTI建立他们之间的数学模型，可以量化各造型设计要素对感性意象的贡献，并依此进行优化设计[14]。从QTI中获得的结果可存储在感性数据库中，也可转换为知识库，并集成到感性工程专家系统中[15]。

2 并条机造型设计感性评价实验

2.1 实验流程与方法

2.1.1 收集与筛选典型感性意象词对

有效地获取感性意象词汇在KE研究中起着决定性作用[3]。首先，广泛搜集与并条机造型相关的感性形容词对；然后，采用亲和图法，邀请从事纺织机械相关的生产和设计人员5名，组建焦点小组，对感性词对的关联程度和重要性打分；最后，根据频次统计，并兼顾感性词对在描述角度的差异性和全面性，确定10组典型意象感性词对，分别为：“突兀-协调”“冰冷-亲和”“流线-几何”“轻巧-沉稳”“保守-现代”“灵动-机械”“模块-整体”“危险-安全”“繁琐-简约”“粗糙-精密”。

2.1.2 选择代表性样本与划分造型要素

2.1.2.1收集与筛选代表性样本 通过浏览中国纺机网、各品牌官网、展览、样册等方式，尽可能多地搜集市场上现有的并条机样本图片。邀请焦点小组的专家对搜集到的53个样本图片进行聚类，排除形态相似、像素模糊的样本，共获得24个角度较为相似的代表性样本图片作为实验样本。对代表性样本进行去色化处理，筛选后的代表性样本如图1所示。

图1 代表性并条机样本Fig.1 Figures of representative drawing frame samples

2.1.2.2划分并条机造型设计要素类目 定义并条机的机体构成部件为项目，每个项目所对应的不同形态特征为类目。由焦点小组成员选定并条机的造型项目，筛选在图1中均能被识别且能较大程度影响被试对并条机感性意象判断的造型项目；根据造型项目频次排序，获得6个最为重要的造型项目，分别编号为车头前盖(A)、车头外侧罩壳(B)、 通风口(C)、操作面板(D)、脚踏(E)和下墙面造型(F)。运用形态分析法对各造型项目进行类目划分[16]。以车头前盖为例，步骤如图2所示。

图2 并条机造型类目划分步骤Fig.2 Drawing frame modeling category division step

2.1.3 实验过程

实验问卷设计：采用语义差分法[17]建立并条机感性意象调查问卷。将前期实验筛选的24个代表性样本图片与10组典型感性词对结合，设计感性意象评价问卷如图3所示。将用户对并条机的感性意象用1～7进行定量分析。以“突兀-协调”为例：1表示非常突兀，2表示较为突兀，3表示有点突兀，4表示中立，5表示有点协调，6表示较为协调，7表示非常协调。被试依次根据样本图片的主观感受进行评价。

图3 感性意象评价问卷Fig.3 Kansei image evaluation questionnaire

被试选择：复杂机械装备的购买者与使用者往往不一致，二者的感性意象评价也会存在差异[18]。本文的被试选择兼顾了用户端、开发端和设计端，邀请并条机或纺织机械的操作用户、生产开发人员，以及有过并条机造型设计或纺织机械造型设计经验的设计人员共30人进行实验调查。其中男性12人，女性18人。

实验形式：采用问卷星软件进行线上调查。

2.2 实验结果

剔除浏览问卷时间小于500 s及评分过于集中的问卷，共获得30份有效问卷。统计实验结果计算得到各样本的感性意象评价均值见表1。

表1 代表性样本的感性意象评价均值Tab.1 Mean value of Kansei evaluation of representative samples

采用Pearson相关性检验[19]进行可靠性检验。根据Pearson相关系数值和显著性水平(Sig∂)，删除“流线-几何”“轻巧-沉稳”2组相关性低且无显著差异的感性词对。经过再次相关性检验，8组感性词对的相关性绝对值均大于0.3，具有中度或高度相关；Sig∂值均小于0.01，表明被试的评价标准较为一致，且相互间具有显著差异。

2.3 并条机关联模型构建

2.3.1 基于QTI的理论模型

设并条机有r个样本，共有m个项目，每个项目有n个类目。定义δi(j,k)=1表示第i个样本具有第j个项目第k个类目特征；否则δi(j,k)=0。结合类目划分对各样本进行开关式编码见表2。

根据QTI将定性变量造型要素作为自变量，将定量变量感性评价值作为因变量。第i个样本的感性评价值yi可用类目特征的线性函数描述

(1)

式中：a(j,k)为仅依赖于j项目的k类目的待定系数；εi为随机抽样的扰动误差。该式对应的预测方

表2 造型特征类目划分及代表性样本的形态反应矩阵Tab.2 Classification of modeling feature categories and response matrix of representative samples

程表示为

(2)

(3)

2.3.2 模型求解及结果讨论

在MatLab软件中求解模型得到表3。

表3 复相关系数和决定系数统计表Tab.3 Statistical table of multi-correlation coefficient and determination coefficient

QTI一般采用决定系数(R2)来衡量回归方程的拟合优度，R2∈[0,1]，其值越接近于1，方程的预测精度越高。一般情况下，R2的值要高于0.8，且不能低于0.6[15]。

从决定系数来看，7个模型的决定系数R2大于0.6，表明关联模型拟合优度较好，预测精度较高。感性词对“冰冷-亲和”的R2值略小于0.6，推测在该意象维度下，可能存在：1)造型要素与感性评价值之间可能存在一定的非线性关系；2)造型要素对感性评价值的相关性弱。基于R2排序，以预测精度最高的“繁琐-简约”语义维度为例，进行后期的数据分析和实验验证。计算并统计“繁琐-简约”感性意象维度下各设计要素的偏相关系数与标准系数如表4所示。

表4 偏相关系数和标准系数统计表Tab.4 Statistical table of partial correlation coefficient and standard coefficient

偏相关系数表示各造型设计项目对感性意象词对的贡献值，数值越大，该项目对感性意象词对的贡献度越大[14]。根据偏相关系数，后期的设计实践将优先强调设计贡献程度较高的造型项目，即重点对车头外侧罩壳、通风口、脚踏进行设计优化。标准系数，也称为类目得分，表示类目要素对感性意象词汇的贡献值[14]，绝对值数值越大，则该设计要素类目对感性意象词对的贡献度越大。根据标准系数，类目组合1{A2,B3,C3,D1,E1,F2}得分最高，被认为“最简约”；类目组合2{A3,B1,C2,D2,E2,F3}得分最低，被认为“最繁琐”。

依据表4和式(3),建立“繁琐-简约”感性意象维度下的预测关联模型，表示为

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为该样本在j项目k类目的反应值。

同理，可以得到其他意象维度下的量化关联模型。采用穷举法对造型要素进行正交组合，可以构建并条机造型设计的案例库，并结合关联模型实现并条机感性意象评价的自动预测，获取相应最优造型组合和造型设计策略推荐。

3 并条机关联模型验证及评价

3.1 方案设计

依据表1，样本6被认为在24个代表性样本中 “最繁琐”。在保证技术可行，不改变并条机原型结构，以及除表4类目要素之外部件造型不变的前提下，对样本6进行造型特征要素重组。选择类目组合1{A2,B3,C3,D1,E1,F2}与类目组合2{A3,B1,C2,D2,E2,F3}对样本6进行方案重组，通过设计构思、方案优化，得到预测“最简约”的方案1和预测“最繁琐”的方案2。

3.2 方案评价

3.2.1 评价样本选择

依据“繁琐-简约”意象维度下评价均值排序，将代表性样本分为3组，并随机从每组中抽取1个样本(包含样本6)。最终选定样本6{A1，B1，C1,D1,E2,F3}、样本13{A4,B3,C1,D1,E2,F3}和样本16{A4,B3，C1，D1,E2,F3}作为对照组，与方案1和方案2共同组成评价样本。为避免样本图片与方案渲染图因像素、清晰度不同对被试评价时产生干扰，并去除色彩对被试的影响，对渲染后的图片进行去色、降低图像质量处理，方案评价样本见图4。

图4 并条机方案评价样本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 评价过程及结果

基于语义差分法再次设计方案评价问卷。邀请15名有纺织机械、并条机设计及研究经验的设计从业人员根据主观感性意象对5个并条机方案的“简约”程度进行打分，评价结果均值见表5。

采用Kendall′s Tau等级相关系数检验关联模型预测排序与用户实际打分排序的相关性和准确度[20]，表示为

(5)

式中：C表示关联模型预测正确的评价偏序数；D表示预测错误的评价偏序数；TR表示用户打分相同的产品数；TP表示具有相同预测值的产品数。Tau值越大表示关联模型预测结果与用户实际打分的吻合度越高，反之则吻合度低。

根据表1和预测模型，评价样本的预测排序应为：方案2<样本6<样本16<样本13<方案1。15名被试对图片简约程度的排序为：样本6<方案2<样本16<样本13<方案1，用户打分相同的方案数TR=0。对比2次实验结果用户一致评价：样本6<样本16<样本13，Tau=1，即2次实验相关性强，此次小样本的实验评价结果有效。

表5 用户感性意象评价Tab.5 Users′ Kensei image evaluation

从5个样本的整体评价结果分析，关联模型预测正确的为方案2<样本16等9对序列，C=9；预测错误的序列为样本6<方案2，D=1；Tau=0.8。说明关联模型的预测精度较好，且可靠性较高。

3.3 专家访谈评价

为验证该方法对设计师工作支持的有效性，获取进一步的评价及建议，从15名被试中选择3位有纺机设计经验的资深设计专家，向他们展示了研究方法的操作流程和机制后，对其开展访谈。问题包括：“您是否同意该方法能缩短调研周期？”“您是否同意该方法可以缩短概念设计阶段的迭代过程？”“您是否同意生成的设计案例库能启发您的设计灵感，帮助您展开设计？”“您是否愿意信任这个设计模型预测的意象值和推荐的设计策略？”“您对该方法有什么建议？”。

访谈结果可归纳为以下5点：1)该方法可帮助设计师较为准确地把握用户感性需求，缩短概念设计前期的调研时间；2)该方法减少了设计实践中反复定位设计策略而开展的思维发散与收敛的迭代过程，降低了设计的时间成本；3)基于关联模型建立的设计案例库可激发设计灵感；4)设计师愿意信任该方法，认同该方法可提供更明确的设计策略，提升设计效率；5)建议将色彩、材质等因素纳入设计要素进行分析。

4 结束语

本文基于感性工学和数量化理论，分析了并条机感性意象与造型设计要素之间的映射关系；以“繁琐-简约”意象维度为例，建立并条机关联预测模型，得出该维度下的最优设计组合方案，并通过方案设计及用户评价进一步验证了模型的可靠性。结果如下：基于感性意象的并条机造型设计方法可节省设计师前期调研时间，减少设计过程中的模糊性和主观性；基于关联模型，采用穷举法建立了较为丰富、全面的设计案例库，并实现对设计方案感性意象评价值的自动化预测；关联预测模型将抽象的感性意象概念转化为具体的造型设计要素，可输出较为准确的造型设计策略，快速推进设计进程，提升设计效率，从而更好地满足用户的感性需求；该方法将用户感性偏好转化为机器编码，可以为计算机辅助造型、建立产品数据库提供方法参考。