林 麗，張云鹍

感性工學(xué)中的參數(shù)化設(shè)計方法關(guān)鍵技術(shù)研究現(xiàn)狀與展望

林 麗1,2，張云鹍1

(1. 貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點實驗室，貴州 貴陽 550025；2.貴州大學(xué)機械工程學(xué)院，貴州 貴陽 550025)

感性工學(xué)(KE)是將消費者感性體驗融入設(shè)計中的常用方法。過去十余年間，國內(nèi)外學(xué)者對KE展開了研究并取得了一定成果。通過對國內(nèi)外KE中的參數(shù)化設(shè)計方法關(guān)鍵技術(shù)研究成果進行梳理，首先總結(jié)了KE中常用的感性意象與產(chǎn)品特征參數(shù)化方法；隨后重點介紹了3種KE模型構(gòu)建問題上的常用方法及其特點，并將現(xiàn)有研究進行了對比；最后討論了KE現(xiàn)存問題并對未來可能的研究趨勢進行了展望。

產(chǎn)品設(shè)計；KE；參數(shù)化設(shè)計；KE模型；關(guān)鍵技術(shù)；綜述

隨著生產(chǎn)力的提高，同類產(chǎn)品之間的功能差異逐漸減小，產(chǎn)品體驗逐漸成為影響消費者購買決策的主要因素。作為用戶體驗的重要組成部分，產(chǎn)品引發(fā)的感性意象日益被消費者所關(guān)注，設(shè)計師也開始嘗試將感性意象融入產(chǎn)品設(shè)計之中，以滿足消費者的感性需求，感性工學(xué)(kansei engineering，KE)應(yīng)運而生。

KE的概念于1986年10月由NAGAMACHI[1]首次提出，屬于多學(xué)科融合的新興交叉學(xué)科，是人機工程學(xué)的一個新的分支。主要研究人對物和外在環(huán)境所產(chǎn)生的心理反應(yīng)，使物和環(huán)境更加符合人的心理需求。

隨著KE的發(fā)展與研究的深入，一些學(xué)者對KE進行了分析總結(jié)。NAGAMACHI[2]于2002年對KE的相關(guān)研究進行了總結(jié)，介紹了KE的起源與發(fā)展，并對KE中的常用技術(shù)、KE的分類及特點、KE專家系統(tǒng)、KE協(xié)同設(shè)計進行了介紹；KE于上世紀(jì)末引入我國，羅仕鑒和潘云鶴[3]在2007年對KE的基本框架與類型、感性意象相關(guān)概念等進行了總結(jié)，介紹了感性意象量化分析、KE專家系統(tǒng)構(gòu)建等常用技術(shù)與方法，并對部分學(xué)者的研究成果進行了總結(jié)；2013年蘇建寧等[4]從意象挖掘與量化、產(chǎn)品形態(tài)特征描述與提取、意象與設(shè)計要素關(guān)聯(lián)等方面對KE進行了介紹。

現(xiàn)有綜述力圖全面介紹KE及相關(guān)技術(shù)，但在方法特點與應(yīng)用方式方面介紹較為籠統(tǒng)，對方法的選擇與優(yōu)化所提供的幫助較為有限。對感性意象與產(chǎn)品特征參數(shù)化及不同特點的KE模型構(gòu)建方法進行綜述，能夠在方法的選擇上為研究者提供參考，對初入領(lǐng)域的研究者提供更直接的幫助。此外，現(xiàn)有綜述缺乏對2007年以來國內(nèi)外學(xué)者的研究成果的總結(jié)。以上幾點促使本文對KE中的參數(shù)化設(shè)計方法關(guān)鍵技術(shù)進行梳理與總結(jié)。

1 感性意象與產(chǎn)品特征參數(shù)化方法

KE作為“用戶體驗或意象與產(chǎn)品設(shè)計特征之間的翻譯技術(shù)”[1]，通過構(gòu)建KE專家系統(tǒng)，建立用戶感性意象與產(chǎn)品設(shè)計特征之間的聯(lián)系，從而實現(xiàn)二者的轉(zhuǎn)換。KE研究框架如圖1所示。其中，感性意象與產(chǎn)品特征的參數(shù)化是構(gòu)建映射關(guān)系的基礎(chǔ)與前提；KE專家系統(tǒng)即KE模型的構(gòu)建，是KE的核心。

圖1 KE研究框架

1.1 感性意象參數(shù)化方法

“感性kansei”一詞來源于日語詞匯“カンセイ”，意指消費者對產(chǎn)品所產(chǎn)生的心理感受和意象[1]，是直覺與認知相互作用的結(jié)果，既包含了對物的情感體驗，也包含了相應(yīng)的思維活動與結(jié)果。作為一種心理感受，感性意象通常使用心理學(xué)方法進行提取與分析，目前最常用的方法是通過使用基于語義量表或里克特量表的各類調(diào)查問卷進行設(shè)計調(diào)查。語義量表一般指基于語義差分法(semantic differential，SD)設(shè)計的量表，由KITTROSS[5]提出，通過分析被試者在一對具有相反含義的詞匯對上的傾向來實現(xiàn)；里克特量表(Likert scale)，是一種心理反應(yīng)量表，由LIKERT[6]提出，通過分析被試者對某一陳述的認同程度來實現(xiàn)。通過使用數(shù)值來表達被試者的傾向或認同程度的強弱，從而實現(xiàn)態(tài)度與認同程度的參數(shù)化提取。

1.2 產(chǎn)品特征參數(shù)化方法

KE的研究對象十分廣泛，不僅包括具有明確形態(tài)、色彩、材質(zhì)等特征的工業(yè)產(chǎn)品、人機交互界面，還包括無形的服務(wù)與產(chǎn)品的配置等，需針對研究對象選擇合適的參數(shù)化方法。按照是否由人工主觀判斷，可分為基于人工的方式與基于參數(shù)化設(shè)計的方式。

1.2.1 基于人工的方式

基于人工提取的方式適用范圍廣泛，在形態(tài)、色彩、材質(zhì)、界面元素、服務(wù)與配置等方面的研究中都有應(yīng)用，但是對研究人員的設(shè)計經(jīng)驗要求較高，獲得的產(chǎn)品特征參數(shù)一般為定性變量，包含了較多的主觀因素。

形態(tài)分析法[7-8]：將產(chǎn)品視為組件的組合，將產(chǎn)品設(shè)計特征分解為若干基本組件，并對其進行編號或分析，從而獲得離散型或連續(xù)型的產(chǎn)品形態(tài)參數(shù)。除了針對產(chǎn)品形態(tài)外，也可以分析產(chǎn)品配置與服務(wù)等無形特征。

類目層次法：部分產(chǎn)品的設(shè)計特征較為復(fù)雜，需要按照隸屬關(guān)系進行多層次分類，并按照層級順序進行編號，從而得到離散型產(chǎn)品特征參數(shù)。

1.2.2 基于參數(shù)化設(shè)計的方式

基于參數(shù)化設(shè)計的方式適合于分析形態(tài)參數(shù)明確或形態(tài)特征相似的產(chǎn)品，實施過程較為繁瑣，獲得的產(chǎn)品特征參數(shù)大多為定量變量，包含的個人主觀因素相對較少。

參數(shù)模型法[9-10]：針對產(chǎn)品的三維模型，通過對產(chǎn)品進行參數(shù)化建模，將其中的關(guān)鍵參數(shù)作為產(chǎn)品特征參數(shù)，得到連續(xù)型產(chǎn)品特征參數(shù)。

曲線控制法[11]：在某些情況下，使用線條對造型特征進行表達更有優(yōu)勢[12]，使用參數(shù)化曲線對造型進行描繪，從而得到連續(xù)型產(chǎn)品特征參數(shù)。

實物測量法[13-15]：針對實際場景中的待分析對象，若待分析特征較為明確，可通過對產(chǎn)品特征進行描繪或測試，來獲得連續(xù)型參數(shù)。

2 KE模型構(gòu)建方法

KE模型實質(zhì)上是產(chǎn)品特征與感性意象之間的關(guān)聯(lián)關(guān)系，可分為前向式、逆向式與混合式。前向式能夠?qū)崿F(xiàn)從感性意象到設(shè)計參數(shù)的映射，逆向式與前向式相反，混合式則能夠?qū)崿F(xiàn)設(shè)計參數(shù)與感性意象的相互轉(zhuǎn)化。

在KE模型的構(gòu)建過程中，目前研究主要集中在關(guān)聯(lián)模型的可解釋性、非線性關(guān)系、非精確關(guān)系等方面。用于構(gòu)建KE模型的數(shù)據(jù)通常具有以下特點：①數(shù)據(jù)類型不確定，如產(chǎn)品特征參數(shù)可為定量也可為定性；②數(shù)據(jù)中誤差與噪聲較多，如意象參數(shù)化結(jié)果容易受到環(huán)境、認知差異[16-17]、被試者主觀情緒等影響，產(chǎn)品特征參數(shù)化中個人主觀因素與系統(tǒng)誤差的影響。因此，KE模型構(gòu)建方法需要結(jié)合研究重點與數(shù)據(jù)特點來進行選擇。

2.1 可解釋KE模型

可解釋性是指模型能夠被人類理解的程度。在KE模型構(gòu)建問題上，可解釋性強的模型能夠直觀地顯示特征參數(shù)與意象參數(shù)之間的關(guān)聯(lián)關(guān)系與影響程度，提高KE模型的可信度。目前常用的可解釋性較強的KE模型構(gòu)建方法有數(shù)量化理論Ⅰ、線性回歸、偏最小二乘回歸。

2.1.1 數(shù)量化理論Ⅰ

數(shù)量化理論(theory of quantification)是多元分析的一個分支，起源于20世紀(jì)50年代，目的是定量地估計定性變量對目標(biāo)變量的影響，可分為數(shù)量化理論Ⅰ、Ⅱ、Ⅲ、Ⅳ，具體特點見表1。其中數(shù)量化理論Ⅰ在KE研究中的應(yīng)用最為廣泛，通過將定性變量分為項目(item)，項目的不同取值分為類目(category)，在此基礎(chǔ)上獲得定性變量與定量變量間的關(guān)系。

使用數(shù)量化理論Ⅰ，蘇建寧和李鶴歧[18]將定性變量造型要素作為自變量，定量變量感性評價值作為因變量，得到了各感性意象與手機按鍵形態(tài)布局間的關(guān)系；SCHüTTE和EKLUND[19]建立了不同類型的翹板開關(guān)特征與感性意象之間的作用關(guān)系；LAI等[20]以手機的外形和配色為研究對象，進一步比較了外形與色彩對意象的貢獻度大??；HSIAO等[21]對咖啡機特征進行分解并計算了各個特征對感性意象的貢獻度，使用遺傳算法生成新產(chǎn)品為產(chǎn)品設(shè)計提供支持。

表1 數(shù)量化理論類型及特點

2.1.2 線性回歸

線性回歸通常是建立學(xué)習(xí)預(yù)測模型首選的技術(shù)之一。線性回歸方法研究較為完善，能夠明確反映變量間關(guān)系并量化可信度，解釋性較強，比較常用的方法主要是多元線性回歸、偏最小二乘回歸。

感性意象通常與多個變量相關(guān)，因此多元線性回歸是當(dāng)前特征與意象間關(guān)系構(gòu)建方法中的主流。例如，羅仕鑒等[14]使用多元線性回歸建立了被試者偏好中心與汽車側(cè)輪廓控制點間的關(guān)系并使用遺傳算法生成產(chǎn)品族；林麗等[22]將MP4外形解構(gòu)為人機界面元件，分析了多維界面元素與感性詞匯的相關(guān)關(guān)系并構(gòu)建了多維造型特征共同作用的KE模型；CHANG和CHEN[23]分析了各類感性詞匯與方向盤設(shè)計特征之間的關(guān)系；VIEIRA等[15]建立了鍵盤的物理特性與感性意象強度之間的關(guān)系；周蕾等[24]定義了界面美觀度的計算方法，并以運用神經(jīng)網(wǎng)絡(luò)和線性回歸2種方法建立了感性因子與插箱界面布局特征間的關(guān)系；LLINARES和PAGE[25]結(jié)合卡諾模型構(gòu)建了房屋特征與感性意象之間的關(guān)系，從而分析主觀屬性對消費者決策的影響；CHEN等[26]結(jié)合主成分分析，建立了表面粗糙度與情感體驗之間、不同層次情感體驗之間的線性關(guān)系。

也有部分學(xué)者嘗試使用偏最小二乘回歸作為關(guān)系構(gòu)建方法，由于在關(guān)系構(gòu)建過程中使用了主成分提取等變換方式，解釋性相對較低，但是能夠有效處理自變量間的相關(guān)性問題。相關(guān)的研究有：CHEN等[27]分析了客戶感受與送貨上門服務(wù)特點之間的關(guān)系；ZHOU等[28]通過用戶訪問數(shù)據(jù)分析用戶的感性意象傾向，進而計算了各個特征與感性詞匯的顯著性。

針對可解釋KE模型的相關(guān)研究總結(jié)及對比見表2。

表2 可解釋KE模型研究對比

2.2 非線性KE模型

解釋性較強的KE模型構(gòu)建方法大多基于意象與特征間關(guān)系的線性假設(shè)，難以處理意象與特征間的非線性關(guān)系。針對非線性假設(shè)下的KE模型，常使用非線性回歸、神經(jīng)網(wǎng)絡(luò)、粗糙集理論、基于樹的方法等方式進行構(gòu)建。

2.2.1 非線性回歸

在KE研究中常用的非線性回歸方法主要有支持向量回歸、多項式回歸。支持向量回歸主要針對有限樣本數(shù)據(jù)和包含噪聲的樣本數(shù)據(jù)，通過將低維數(shù)據(jù)映射到高維空間、求回歸超平面并映射回低維空間，從而獲得非線性的回歸模型；多項式回歸將自變量的冪作為新的預(yù)測變量參與分析，得到非線性的回歸模型。

使用支持向量回歸，WANG[29]分析了感性詞匯與數(shù)控機床外形特征之間的關(guān)系；YANG和SHIEH[30]以類似神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)將支持向量回歸模型組合，構(gòu)建了手機外形配置多維產(chǎn)品特征與顧客的情感反應(yīng)之間的關(guān)系和預(yù)測模型，并結(jié)合多目標(biāo)遺傳算法，構(gòu)建了混合KE模型[31]；SHIEH等[32]分析了花瓶輪廓曲線參數(shù)與情感反應(yīng)之間的關(guān)系，并使用多目標(biāo)進化算法(multi-objective evolutionary algorithm，MOEA)生成新設(shè)計方案，構(gòu)建了混合KE模型。在多項式回歸方面，文獻[33]將紅酒杯的主要特征參數(shù)化，結(jié)合響應(yīng)面法(response surface methodology，RSM)與二階多項式回歸，構(gòu)建了設(shè)計參數(shù)與感性詞匯間的關(guān)系。

2.2.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)能夠通過學(xué)習(xí)算法來獲得“知識”，通過神經(jīng)元之間的連接強度儲存“知識”，使機器能夠?qū)W習(xí)“抽象概念”[34]，并自動逼近任何非線性數(shù)學(xué)函數(shù)[35]。

神經(jīng)網(wǎng)絡(luò)廣泛的適用性，使其在KE模型的構(gòu)建中得到大量應(yīng)用。例如蘇建寧等[36]使用三層BP神經(jīng)網(wǎng)絡(luò)，建立了能夠預(yù)測酒杯外形的感性意象的神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建了汽車側(cè)面造型感性評價系統(tǒng)[13]；GUO等[37]使用BP神經(jīng)網(wǎng)絡(luò)建立了迷你數(shù)碼相機中的多維關(guān)鍵特征與感性意象之間的映射模型；OZSOYDAN等[38]建立了24個不同配置的神經(jīng)網(wǎng)絡(luò)模型以進行模型優(yōu)化并建立感性詞匯與水龍頭外形整體偏好得分之間的關(guān)系；GUO等[39]通過眼動追蹤提取關(guān)鍵特征，使用BP神經(jīng)網(wǎng)絡(luò)建立了關(guān)鍵設(shè)計要素和感性意象之間的定量關(guān)系；李少波等[40]使用BP神經(jīng)網(wǎng)絡(luò)建立了感性意象與手機配置特征之間的對應(yīng)關(guān)系。

2.2.3 粗糙集理論

粗糙集理論由PAWLAK[41]于1982年10月提出，能有效地分析具有不精確、不一致、不完整等特點的不完備信息，是一種簡單易用的潛在關(guān)系提取方法，主要用于分析定性變量。

粗糙集在KE模型構(gòu)建中常用于定性參數(shù)的分析，如：ZHAI等[42]結(jié)合優(yōu)勢原則(dominance principle)與粗糙集理論，建立了手機配置特征對感性詞匯的貢獻度關(guān)系，并通過比較不同特征組合產(chǎn)品的感性意象得分來指導(dǎo)產(chǎn)品設(shè)計，提出類別得分來描述對特征的偏好順序，提出劃分質(zhì)量來描述意象分類的效果，進而實現(xiàn)了從不精確的設(shè)計信息中有效地提取感性知識[43]；SHIEH等[44]使用粗糙集分析了牙刷的色彩與形態(tài)要素與消費者的情感反應(yīng)之間的相關(guān)性。

2.2.4 基于樹的方法

基于樹的方法通過分層與分割的方式將因變量的變量空間進行分割，通過分析自變量的所屬區(qū)域特征對因變量進行預(yù)測?；跇涞姆椒軌蛑苯犹幚矶ㄐ砸蜃兞?，對自變量間的關(guān)系不敏感，常用于分類關(guān)系的KE模型構(gòu)建過程中。

基于樹的方法在KE模型構(gòu)建中的應(yīng)用有：YEH和CHEN[45]使用決策樹算法分析感知響應(yīng)的組合與使用意圖間的關(guān)系，以及送貨上門服務(wù)的特征組合對感知響應(yīng)結(jié)果的影響，建立了感性詞匯和服務(wù)屬性之間的關(guān)系；文獻[46]以數(shù)碼相機外形為研究對象，使用分類樹分析產(chǎn)品感性意象特征，以實現(xiàn)對市場的劃分，并使用多準(zhǔn)則妥協(xié)解排序法(vlsekriterijumska optimizacija I kompromisno resenje，VIKOR)對產(chǎn)品組合優(yōu)先級進行排序。

針對非線性KE模型的相關(guān)研究總結(jié)及對比見表3。

表3 非線性KE模型研究對比

2.3 非精確KE模型

感性意象與設(shè)計要素均具有一定的模糊性，部分學(xué)者嘗試在KE模型的構(gòu)建中融入模糊理論與灰色理論，試圖對這類非精確關(guān)系進行描述。

2.3.1 模糊理論

模糊理論是由ZADEH[47]于1965年提出，適合處理與不確定性和模糊性有關(guān)的問題。模糊理論將樣本是否屬于集合的二值問題轉(zhuǎn)換為隸屬度問題，適用于沒有嚴(yán)格分類屬性的對象。

由于模糊理論對隸屬關(guān)系的描述符合人的感性信息認知特點，因此模糊理論在KE中獲得了廣泛的應(yīng)用。如：石夫乾等[48]使用模糊集結(jié)合D-S證據(jù)理論，以感性詞匯集為目標(biāo)集，產(chǎn)品特征集為證據(jù)集，建立了感性知識與汽車前臉局部特征集合的推導(dǎo)關(guān)系；丁滿等[49]使用模糊數(shù)表達用戶對色彩的模糊期望值，建立了感性期望值與色彩設(shè)計方案的模糊設(shè)計模型，并使用粒子群算法實現(xiàn)了設(shè)計模型的迭代優(yōu)化；SHEN和WANG[50]融合模糊KE與創(chuàng)造性方法，建立感性意象詞匯與揚聲器的外觀元素之間的關(guān)系，并結(jié)合仿生方法設(shè)計了新的外觀；LI等[51]使用貝葉斯推理方法從變精度粗糙集和樣本距離測量的結(jié)果中計算感性知識，使用模糊關(guān)聯(lián)規(guī)則挖掘與BP神經(jīng)網(wǎng)絡(luò)獲取并預(yù)測高頻規(guī)則，為新高跟鞋外形設(shè)計提供支持。

2.3.2 灰色理論

灰色理論由鄧聚龍?zhí)岢鯷52]，通過因素之間在發(fā)展過程中的相近性與相對變化趨勢來構(gòu)造關(guān)聯(lián)度[53]，適合于動態(tài)歷程分析。

在KE的研究中，常通過灰色理論分析特征參數(shù)與意象參數(shù)的變化趨勢，從而獲得特征與意象間的關(guān)系強弱。如：SUTONO等[54]以乘用車外形輪廓為研究對象，使用田口方法(Taguchi method)生成產(chǎn)品樣本，使用灰色關(guān)聯(lián)分析解決多響應(yīng)優(yōu)化問題，主成分分析分配相關(guān)感性響應(yīng)的權(quán)重值，建立了與乘用車外形設(shè)計要素與感性詞匯間的響應(yīng)關(guān)系；丁滿等[55]提出了多工作模式下的產(chǎn)品配色意象的灰色評價方法，基于灰色關(guān)聯(lián)分析法建立了高空作業(yè)車色彩與感性意象之間的關(guān)聯(lián)模型；LIN和WEI[56]首先對產(chǎn)品特征的重要性排序，通過灰色預(yù)測方法得到了感性詞匯與香水瓶形態(tài)要素關(guān)聯(lián)關(guān)系的強弱程度，利用偏好排序輔助設(shè)計。

針對非精確KE模型的相關(guān)研究總結(jié)及對比見表4。

表4 非精確KE模型研究對比

3 存在的問題與未來研究方向

3.1 存在的問題

經(jīng)過對現(xiàn)有研究的分析與對比，可發(fā)現(xiàn)在當(dāng)前KE研究中，絕大部分的研究均使用基于問卷的量表作為感性意象參數(shù)的獲取與分析方法。這種方法實施方式靈活、簡單易行、問卷結(jié)果易處理，但也存在一些不足：樣本量較少，且樣本群體特征較為集中；問卷場景對意象提取結(jié)果的影響無法預(yù)測[42]；問卷重復(fù)使用率低；進行問卷的過程耗時多；用戶對感性詞匯評價等級之間差異的認知會導(dǎo)致意象分析提取的誤差[16]；設(shè)計師與用戶對意象詞匯的認知差異無法通過問卷體現(xiàn)[17]。

在產(chǎn)品特征參數(shù)化方面，本文所引研究中基于人工的方法、基于參數(shù)化設(shè)計的方法、兩種方法均使用的比例分別為63.89%，33.33%，2.78%，可見基于人工的方法為最常用的方法?；谌斯さ姆椒ň哂羞m用性強和使用便捷的特點，使其能夠在KE研究中被廣泛使用，但是由于其依賴主觀判斷，難以形成通行的標(biāo)準(zhǔn)，導(dǎo)致KE的研究成果難以再現(xiàn)。而基于參數(shù)化設(shè)計的方法由于需要進行大量的建模或測量工作，在實用性上較差，因此當(dāng)前參數(shù)模型法主要應(yīng)用于特征簡單的載體中，如可參數(shù)化表示的色彩[20,44,49,55]、簡單形態(tài)[32-33,36]。但是由于參數(shù)設(shè)置通常較為明確，能夠提高再現(xiàn)其研究成果的可能性。

3.2 未來的研究方向

在感性意象提取方面，為了消除因使用調(diào)查問卷而出現(xiàn)的誤差，一些學(xué)者開始嘗試應(yīng)用大數(shù)據(jù)挖掘或生理測量的方法來分析用戶的感性意象，為感性意象的量化分析提供了新的路徑。如文獻[57]使用基于詞頻統(tǒng)計的文本挖掘方法，選用已知詞性和評價指標(biāo)的詞語構(gòu)建詞典，通過分析文本中的評價詞構(gòu)建感性意象維度，分析文本中關(guān)鍵詞的詞頻以獲得相應(yīng)的感性意象維度評分；文獻[58]將腦電分析與眼動追蹤技術(shù)相結(jié)合，通過分析腦電信號研究了產(chǎn)品包裝的設(shè)計特征與產(chǎn)品意象詞匯之間的聯(lián)系，通過眼動追蹤分析了視覺要素與意象詞匯間的關(guān)系。

在特征參數(shù)化方面，盡管基于人工的方法存在許多不足，但是其廣泛的適用性和簡便的使用方法使其仍將成為未來KE中產(chǎn)品特征參數(shù)提取的主要方法之一。隨著計算機輔助設(shè)計技術(shù)、產(chǎn)品形狀反求、工藝反求和材料反求等逆向工程技術(shù)日漸完善，促進了基于參數(shù)化設(shè)計的特征參數(shù)提取方法的應(yīng)用，從早期主要提取外形輪廓特征[13-14,19,24]，到近年來對表面特征與材料特征的提取[15,26]，可以預(yù)見基于參數(shù)化設(shè)計的特征參數(shù)提取方法的應(yīng)用難度將會逐漸降低。

KE研究基于案例進行[3]，使得KE模型的構(gòu)建方法十分多樣。早期的KE研究主要使用的是數(shù)量化理論Ⅰ[18-20]與線性回歸[14,22-23]等較為成熟的技術(shù)，而近年受到數(shù)據(jù)挖掘、神經(jīng)網(wǎng)絡(luò)等熱點技術(shù)的影響，一些學(xué)者開始嘗試將這些熱點技術(shù)應(yīng)用于KE研究中[37-39]，新技術(shù)的發(fā)展會使KE模型的構(gòu)建方法有更多選擇，促進KE研究的深入。

4 結(jié)束語

KE作為一種將消費者的感性需求融入設(shè)計當(dāng)中的技術(shù)，近年來越來越受到學(xué)者的關(guān)注。隨著目前數(shù)據(jù)科學(xué)、生理測量技術(shù)、計算機輔助設(shè)計、逆向工程等技術(shù)的發(fā)展，KE的研究方法與可用技術(shù)日漸豐富，仍有很大的發(fā)展空間。

本文總結(jié)了近十年左右KE中的參數(shù)化設(shè)計方法關(guān)鍵技術(shù)的相關(guān)研究，對感性意象與產(chǎn)品特征參數(shù)化方法進行了分析，針對3種類型的KE模型，梳理總結(jié)了其構(gòu)建過程中的常用方法的特點及其應(yīng)用方式。本文能夠幫助KE領(lǐng)域的初學(xué)者較為全面地了解其常用方法及作用，具有一定的借鑒與參考價值。

[1] NAGAMACHI M. Kansei engineering: A new ergonomic consumer-oriented technology for product development [J]. International Journal of Industrial Ergonomics, 1995, 15(1): 3-11.

[2] NAGAMACHI M. Kansei engineering as a powerful consumer-oriented technology for product development [J]. Applied Ergonomics, 2002, 33(3): 289-294.

[3] 羅仕鑒, 潘云鶴. 產(chǎn)品設(shè)計中的感性意象理論、技術(shù)與應(yīng)用研究進展[J]. 機械工程學(xué)報, 2007, 43(3): 8-13.

[4] 蘇建寧, 王鵬, 張書濤, 等. 產(chǎn)品意象造型設(shè)計關(guān)鍵技術(shù)研究進展[J]. 機械設(shè)計, 2013, 30(1): 97-100.

[5] KITTROSS J M. The measurement of meaning [J]. Audiovisual Communication Review, 1959, 7(3): 154-156.

[6] LIKERT R. A technique for the measurement of attitudes [J]. Archives of Psychology, 1932, 140: 44-53.

[7] 陳亮, 唐珊. 基于徐州漢文化元素的旅游紀(jì)念品創(chuàng)新設(shè)計[J]. 包裝工程, 2016, 37(10): 122-125.

[8] 景楠, 方海, 張秦瑋. 基于類型學(xué)的產(chǎn)品風(fēng)格創(chuàng)新設(shè)計研究[J]. 機械設(shè)計, 2015, 32(4): 121-125.

[9] HSIAO S W, TSAI H C. Applying a hybrid approach based on fuzzy neural network and genetic algorithm to product form design [J]. International Journal of Industrial Ergonomics, 2005, 35(5): 411-428.

[10] SUTONO S B, ABDUL-RASHID S H, AOYAMA H, et al. Fuzzy-based Taguchi method for multi-response optimization of product form design in Kansei engineering: A case study on car form design [J]. Journal of Advanced Mechanical Design, Systems, and Manufacturing, 2016, 10(9): 1-16.

[11] 李雪瑞, 余隋懷, 初建杰, 等. 意象驅(qū)動的產(chǎn)品形態(tài)基因網(wǎng)絡(luò)模型構(gòu)建與應(yīng)用[J]. 計算機集成制造系統(tǒng), 2018, 24(2): 464-473.

[12] 張云龍, 王進, 陸國棟. 產(chǎn)品廓形曲線的幾何特征語義描述與風(fēng)格解析技術(shù)[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2013, 25(11): 1735-1745, 1758.

[13] 蘇建寧, 張秦瑋, 吳江華, 等. 產(chǎn)品多意象造型進化設(shè)計[J]. 計算機集成制造系統(tǒng), 2014, 20(11): 2675-2682.

[14] 羅仕鑒, 李文杰, 傅業(yè)燾. 消費者偏好驅(qū)動的SUV產(chǎn)品族側(cè)面外形基因設(shè)計[J]. 機械工程學(xué)報, 2016, 52(2): 173-181.

[15] VIEIRA J, OSóRIO J M A, MOUTA S, et al. Kansei engineering as a tool for the design of in-vehicle rubber keypads [J]. Applied Ergonomics, 2017, 61: 1-11.

[16] CHOU J R. A Kansei evaluation approach based on the technique of computing with words [J]. Advanced Engineering Informatics, 2016, 30(1): 1-15.

[17] HSU S H, CHUANG M C, CHANG C C. A semantic differential study of designers' and users' product form perception [J]. International Journal of Industrial Ergonomics, 2000, 25(4): 375-391.

[18] 蘇建寧, 李鶴歧. 應(yīng)用數(shù)量化一類理論的感性意象與造型設(shè)計要素關(guān)系的研究[J]. 蘭州理工大學(xué)學(xué)報, 2005, 31(2): 36-39.

[19] SCHüTTE S, EKLUND J. Design of rocker switches for work-vehicles: An application of Kansei engineering [J]. Applied Ergonomics, 2005, 36(5): 557-567.

[20] LAI H H, LIN Y C, YEH C H, et al. User-oriented design for the optimal combination on product design [J]. International Journal of Production Economics, 2006, 100(2): 253-267.

[21] HSIAO S W, CHIU F Y, LU S H. Product-form design model based on genetic algorithms [J]. International Journal of Industrial Ergonomics, 2010, 40(3): 237-246.

[22] 林麗, 薛澄岐, 王海燕, 等. 優(yōu)化KE模型的產(chǎn)品形態(tài)解構(gòu)方法[J]. 東南大學(xué)學(xué)報: 自然科學(xué)版, 2010, 40(6): 1353-1357.

[23] CHANG Y M, CHEN C W. Kansei assessment of the constituent elements and the overall interrelations in car steering wheel design [J]. International Journal of Industrial Ergonomics, 2016, 56: 97-105.

[24] 周蕾, 薛澄岐, 湯文成, 等. 產(chǎn)品信息界面的用戶感性預(yù)測模型[J]. 計算機集成制造系統(tǒng), 2014, 20(3): 544-554.

[25] LLINARES C, PAGE A F. Kano's model in Kansei engineering to evaluate subjective real estate consumer preferences [J]. International Journal of Industrial Ergonomics, 2011, 41(3): 233-246.

[26] CHEN X, BARNES C J, CHILDS T H C, et al. Materials′ tactile testing and characterisation for consumer products′ affective packaging design [J]. Materials & Design, 2009, 30(10): 4299-4310.

[27] CHEN M C, HSU C L, CHANG K C, et al. Applying Kansei engineering to design logistics services - A case of home delivery service [J]. International Journal of Industrial Ergonomics, 2015, 48: 46-59.

[28] ZHOU X X, LIANG H E, DONG Z Y. A personalized recommendation model for online apparel shopping based on Kansei engineering [J]. International Journal of Clothing Science and Technology, 2017, 29(1): 2-13.

[29] WANG K C. A hybrid Kansei engineering design expert system based on grey system theory and support vector regression [J]. Expert Systems with Applications, 2011, 38(7): 8738-8750.

[30] YANG C C, SHIEH M D. A support vector regression based prediction model of affective responses for product form design [J]. Computers and Industrial Engineering, 2010, 59(4): 682-689.

[31] YANG C C. Constructing a hybrid Kansei engineering system based on multiple affective responses: Application to product form design [J]. Computers and Industrial Engineering, 2011, 60(4): 760-768.

[32] SHIEH M D, LI Y F, YANG C C. Comparison of multi-objective evolutionary algorithms in hybrid Kansei engineering system for product form design [J]. Advanced Engineering Informatics, 2018, 36: 31-42.

[33] KITTIDECHA C, MARASINGHE A C. Application of Kansei Engineering and Box-Behnken response surface methodology for shape parameter design: A case study of wine glass [J]. Journal of Advanced Mechanical Design, Systems, and Manufacturing, 2015, 9(5): JAMDSM0059.

[34] 焦李成, 楊淑媛, 劉芳, 等. 神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 計算機學(xué)報, 2016, 39(8): 1697-1716.

[35] PALIWAL M, KUMAR U A. Neural networks and statistical techniques: A review of applications [J]. Expert Systems with Applications, 2009, 36(1): 2-17.

[36] 蘇建寧, 范躍飛, 張書濤, 等. 基于感性工學(xué)和神經(jīng)網(wǎng)絡(luò)的產(chǎn)品造型設(shè)計[J]. 蘭州理工大學(xué)學(xué)報, 2011, 37(4): 47-50.

[37] GUO F, LIU W L, LIU F T, et al. Emotional design method of product presented in multi-dimensional variables based on kansei engineering [J]. Journal of Engineering Design, 2014, 25(4-6): 194-212.

[38] OZSOYDAN F B, KANDEMIR C M, DEMIRTAS E A. Neural-network-based genetic algorithm for optimal kitchen faucet styles [J]. Neural Network World, 2015, 25(4): 387-404.

[39] GUO F, LIU W L, CAO Y Q, et al. Optimization design of a webpage based on kansei engineering [J]. Human Factors and Ergonomics in Manufacturing and Service Industries, 2016, 26(1): 110-126.

[40] 李少波, 全華鳳, 胡建軍, 等. 基于在線評論數(shù)據(jù)驅(qū)動的產(chǎn)品感性評價方法[J]. 計算機集成制造系統(tǒng), 2018, 24(3): 752-762.

[41] PAWLAK Z. Rough sets [J]. International Journal of Computer and Information Sciences, 1982, 11(5): 341-356.

[42] ZHAI L Y, KHOO L P, ZHONG Z W. A rough set based decision support approach to improving consumer affective satisfaction in product design [J]. International Journal of Industrial Ergonomics, 2009, 39(2): 295-302.

[43] ZHAI L Y, KHOO L P, ZHONG Z W. A dominance-based rough set approach to Kansei engineering in product development [J]. Expert Systems with Applications, 2009, 36(1): 393-402.

[44] SHIEH M D, YEH Y E, HUANG C L. Eliciting design knowledge from affective responses using rough sets and Kansei engineering system [J]. Journal of Ambient Intelligence and Humanized Computing, 2016, 7(1): 107-120.

[45] YEH C T, CHEN M C. Applying kansei engineering and data mining to design door-to-door delivery service [J]. Computers and Industrial Engineering, 2018, 120: 401-417.

[46] WANG C H, CHIN H T. Integrating affective features with engineering features to seek the optimal product varieties with respect to the niche segments [J]. Advanced Engineering Informatics, 2017, 33: 350-359.

[47] ZADEH L A. Fuzzy sets [J]. Information and Control, 1965, 8(3): 338-353.

[48] 石夫乾, 孫守遷, 徐江. 產(chǎn)品感性評價系統(tǒng)的模糊D-S推理建模方法與應(yīng)用[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2008, 20(3): 361-365.

[49] 丁滿, 孫偉, 徐江, 等. 考慮色彩意象不明確的產(chǎn)品色彩模糊優(yōu)化設(shè)計[J]. 機械工程學(xué)報, 2011, 47(12): 185-190.

[50] SHEN H C, WANG K C. Affective product form design using fuzzy Kansei engineering and creativity [J]. Journal of Ambient Intelligence and Humanized Computing, 2016, 7(6): 875-888.

[51] LI Z R, SHI K, DEY N, et al. Rule-based back propagation neural networks for various precision rough set presented Kansei knowledge prediction: A case study on shoe product form features extraction[J]. Neural Computing and Applications, 2017, 28(3): 613-630.

[52] 鄧聚龍. 灰色控制系統(tǒng)[J]. 華中工學(xué)院學(xué)報, 1982(3): 11-20.

[53] 田民, 劉思峰, 卜志坤. 灰色關(guān)聯(lián)度算法模型的研究綜述[J]. 統(tǒng)計與決策, 2008(1): 24-27.

[54] SUTONO S B, ABDUL-RASHID S H A, TAHA Z, et al. Integration of grey-based Taguchi method and principal component analysis for multi-response decision-making in Kansei engineering [J]. European Journal of Industrial Engineering, 2017, 11(2): 205-227.

[55] 丁滿, 孫偉, 馬鐵強. 多工作模式產(chǎn)品配色意象的灰色評價方法[J]. 計算機輔助設(shè)計與圖形學(xué)學(xué)報, 2009, 21(12): 1857-1862.

[56] LIN Y C, WEI C C. A hybrid consumer-oriented model for product affective design: An aspect of visual ergonomics [J]. Human Factors and Ergonomics in Manufacturing and Service Industries, 2017, 27(1): 17-29.

[57] YAMADA A, HASHIMOTO S, NAGATA N. A text mining approach for automatic modeling of Kansei evaluation from review texts [C]//International Conference on Kansei Engineering & Emotion Research. Heidelberg: Springer, 2018: 319-328.

[58] ROJAS J C, CONTERO M, CAMBA J D, et al. Design perception: Combining semantic priming with eye tracking and event-related potential (ERP) techniques to identify salient product visual attributes [C]// Proceedings ASME Conference on ASME 2015 2015 International Mechanical Engineering Congress and Exposition. Houston: ASME Press, 2015: 2-8.

Key Technologies in Parametric Design Methods in Kansei Engineering: State of art and progress

LIN Li1,2, ZHANG Yun-kun1

(1. Key Laboratory of Advanced Manufacturing Technology of the Ministry of Education, Guizhou University, Guiyang Guizhou 550025, China;2. School of Mechanical Engineering, Guizhou University, Guiyang Guizhou 550025, China)

Kansei engineering is a common method to integrate the perceptual experience of consumers into design. Over the past ten years, scholars at home and abroad have carried out many researches on kansei engineering and made some achievements. Based on a review of the achievements made in the key technologies in parametric design methods in kansei engineering, firstly, this paper summarized the common kansei image in kansei engineering and product feature parameterization method; secondly, we highlighted the common methods and characteristics of three kinds of KE model construction and made a comparison among the existing studies; finally, the existing problems with kansei engineering were discussed and the possible future research trendswere sketched out.

product design; KE; parametric design; KE model; key technology; review

TB 472

10.11996/JG.j.2095-302X.2019050936

A

2095-302X(2019)05-0936-09

2019-05-13；

2019-07-28

國家自然科學(xué)基金項目(51865003，51465007)；貴州省科技計劃項目(黔科合平臺人才[2018]5781)

林 麗(1973-)，女，四川南充人，教授，博士，碩士生導(dǎo)師。主要研究方向為產(chǎn)品設(shè)計、感性工學(xué)、傳統(tǒng)文化創(chuàng)意設(shè)計。 E-mail：linlisongbai@163.com