段金娟，侯子軒，雒平升，袁博

多目標(biāo)意象驅(qū)動(dòng)的梳棉機(jī)造型設(shè)計(jì)研究

段金娟1，侯子軒2,3，雒平升4，袁博5

（1.北京社會(huì)管理職業(yè)學(xué)院（民政部培訓(xùn)中心） 婚禮文化與傳媒藝術(shù)學(xué)院，北京 102600； 2.內(nèi)蒙古第一機(jī)械集團(tuán)有限公司，內(nèi)蒙古 包頭 014032；3.特種車輛設(shè)計(jì)制造集成技術(shù)全國重點(diǎn)實(shí)驗(yàn)室，內(nèi)蒙古 包頭 014032；4.天津工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300387； 5.內(nèi)蒙古科技大學(xué) 機(jī)械工程學(xué)院，內(nèi)蒙古 包頭 014010）

為滿足用戶對梳棉機(jī)的多維感性需求，多層次提升紡織機(jī)械的造型意象滿意度和用戶滿意度，提出一種多目標(biāo)意象驅(qū)動(dòng)的梳棉機(jī)造型設(shè)計(jì)方法，并展開設(shè)計(jì)實(shí)踐與實(shí)驗(yàn)研究。首先，設(shè)計(jì)感性評價(jià)實(shí)驗(yàn)，通過焦點(diǎn)小組討論和問卷調(diào)研獲取用戶對梳棉機(jī)的感性意象評價(jià)均值；其次，采用形態(tài)分析法，對梳棉機(jī)造型設(shè)計(jì)要素進(jìn)行劃分，并對代表性樣本的造型類目特征進(jìn)行編碼；基于反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BP-NN），建立梳棉機(jī)產(chǎn)品造型要素與用戶感性意象評價(jià)均值之間的關(guān)聯(lián)映射模型，建立用于造型推薦的樣本庫，獲取單意象維度下的梳棉機(jī)造型設(shè)計(jì)策略；再次，應(yīng)用層次分析法（Analytic Hierarchy Process，AHP）得到各目標(biāo)意象維度的權(quán)重值，輸出多目標(biāo)意象下梳棉機(jī)造型設(shè)計(jì)策略；最后，結(jié)合梳棉機(jī)的造型設(shè)計(jì)實(shí)踐及感性評價(jià)，進(jìn)一步驗(yàn)證該方法的可靠性和有效性?；谠摲椒ㄕ归_設(shè)計(jì)實(shí)踐，依據(jù)推薦的梳棉機(jī)造型設(shè)計(jì)策略得到的設(shè)計(jì)方案，在目標(biāo)感性意象的整體評價(jià)得分優(yōu)于對照樣本。該方法有較好的可靠性和有效性，能為企業(yè)的新產(chǎn)品開發(fā)及設(shè)計(jì)師的設(shè)計(jì)實(shí)踐輸出指向具體、操作性強(qiáng)的梳棉機(jī)多目標(biāo)意象設(shè)計(jì)策略。

紡織機(jī)械；梳棉機(jī)；多目標(biāo)意象；反向傳播神經(jīng)網(wǎng)絡(luò)；造型設(shè)計(jì)

我國紡織裝備制造產(chǎn)業(yè)正向高度專業(yè)化、智能化方向發(fā)展。在產(chǎn)品技術(shù)性能日趨同質(zhì)化的今天，力求塑造符合品牌風(fēng)格的產(chǎn)品形象、通過造型設(shè)計(jì)使產(chǎn)品在市場中脫穎而出，更好地吸引消費(fèi)者，已經(jīng)成為當(dāng)前裝備制造產(chǎn)業(yè)發(fā)展的必然趨勢[1-2]。新產(chǎn)品開發(fā)成功的關(guān)鍵是要不斷滿足用戶的心理需求[3]。在新產(chǎn)品研發(fā)中，僅依靠產(chǎn)品功能獲取競爭優(yōu)勢的時(shí)代已不復(fù)存在，可信的設(shè)計(jì)過程模型必需包括情感分析[4]。

當(dāng)前對紡織機(jī)械造型創(chuàng)新設(shè)計(jì)的研究主要集中在CMF創(chuàng)新[5]、人機(jī)優(yōu)化及功能結(jié)構(gòu)創(chuàng)新[6-7]等方面，圍繞對目標(biāo)產(chǎn)品造型要素內(nèi)在之間的關(guān)系展開，重點(diǎn)關(guān)注造型設(shè)計(jì)的影響因素及造型設(shè)計(jì)與材質(zhì)、色彩等的關(guān)系，對于造型設(shè)計(jì)實(shí)踐的啟發(fā)與指示偏于經(jīng)驗(yàn)化和模糊化。量化研究方面，有學(xué)者[8]基于層次分析法（Analytic Hierarchy Process，AHP）和加權(quán)灰色關(guān)聯(lián)分析，通過將定性的并條機(jī)評價(jià)指標(biāo)轉(zhuǎn)換為定量的評價(jià)指標(biāo)，建立用于優(yōu)選最佳設(shè)計(jì)方案的量化評價(jià)模型，幫助設(shè)計(jì)師獲得符合企業(yè)需求的最佳設(shè)計(jì)方案，從而使設(shè)計(jì)過程理性系統(tǒng)化。然而該類方法更適用于設(shè)計(jì)方案的優(yōu)選，難以獲得較為具體和準(zhǔn)確的造型設(shè)計(jì)策略。為建立更為具體和指向性強(qiáng)的并條機(jī)造型要素與用戶感性意象評價(jià)之間的映射關(guān)系，有學(xué)者[9]結(jié)合數(shù)量化理論I類（Quantification Theory I，QTI）建立二者間的線性關(guān)聯(lián)模型，但是當(dāng)預(yù)測關(guān)系為非線性關(guān)系時(shí)，QTI的預(yù)測精度將會(huì)降低[10]。相較于QTI，反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BP-NN）無需限定于線性關(guān)系假設(shè)和變量相互獨(dú)立假設(shè)，研究中限制性較少，可以建立造型要素與產(chǎn)品單目標(biāo)感性意象間的非線性關(guān)聯(lián)模型，以量化研究的方式提升用戶滿意度。如蘇建寧等[11]為了能及時(shí)反映產(chǎn)品造型中的用戶情感，采用神經(jīng)網(wǎng)絡(luò)的方法，建立產(chǎn)品的造型設(shè)計(jì)要素和用戶感性意象之間的非線性關(guān)聯(lián)關(guān)系，提高了用戶滿意度；徐驍琪等[12]基于BP神經(jīng)網(wǎng)絡(luò)建立了陶瓷食用器皿造型要素和感性認(rèn)知量值之間相對應(yīng)的BP神經(jīng)網(wǎng)絡(luò)關(guān)系模型；Mai等[13]分析裂紋圖案的感性意象數(shù)據(jù)后，采用神經(jīng)網(wǎng)絡(luò)研究了杯子的裂紋圖案和感性意象的關(guān)系，通過對實(shí)際的裂紋生成機(jī)制進(jìn)行建模，從而生成了滿足用戶要求的系統(tǒng)。

在新產(chǎn)品實(shí)際研發(fā)中，設(shè)計(jì)師經(jīng)常需要在單款產(chǎn)品的造型設(shè)計(jì)中表現(xiàn)多維度的感性意象[14]?，F(xiàn)有研究主要針對單目標(biāo)意象展開，尚缺乏從滿足產(chǎn)品的多目標(biāo)感性意象表達(dá)出發(fā)，探究梳棉機(jī)造型設(shè)計(jì)要素與用戶感性意象評價(jià)之間的關(guān)聯(lián)映射關(guān)系，進(jìn)而輸出多目標(biāo)意象驅(qū)動(dòng)下梳棉機(jī)造型設(shè)計(jì)策略的相關(guān)研究。綜上所述，為了表達(dá)紡織機(jī)械的多維度感性意象，提升造型設(shè)計(jì)效率和用戶滿意度，本文提出一種多目標(biāo)意象驅(qū)動(dòng)的梳棉機(jī)造型設(shè)計(jì)方法，并結(jié)合梳棉機(jī)造型設(shè)計(jì)實(shí)踐對方法進(jìn)行深入分析和驗(yàn)證。研究分為四步進(jìn)行，首先，通過感性評價(jià)實(shí)驗(yàn)獲取用戶對代表性樣本的感性評價(jià)值；其次，基于BP-NN建立關(guān)聯(lián)模型，構(gòu)建梳棉機(jī)的造型要素樣本庫，獲取單意象維度下的梳棉機(jī)造型設(shè)計(jì)策略；再次，應(yīng)用AHP得到多目標(biāo)意象下梳棉機(jī)造型設(shè)計(jì)策略；最后，通過梳棉機(jī)造型設(shè)計(jì)實(shí)踐及評價(jià)，進(jìn)一步驗(yàn)證所提研究方法的可靠性和有效性。

1 相關(guān)理論基礎(chǔ)

1.1 感性工學(xué)

感性工學(xué)（Kansei Engineering，KE）是人體工程學(xué)的一個(gè)重要領(lǐng)域，將消費(fèi)者感受和需求用工程學(xué)的方法加以量化，尋找需求感性變量和工程學(xué)中物理變量間的關(guān)系，然后將其轉(zhuǎn)譯為設(shè)計(jì)形態(tài)的技術(shù)[15]。它的優(yōu)點(diǎn)在于能站在理性化的角度，用定量、半定量的方法研究感性意象的應(yīng)用原理，把模糊性的感性意象用工學(xué)的數(shù)據(jù)表示出來，幫助人們準(zhǔn)確地表達(dá)需求[16]。

1.2 BP-NN

BP-NN作為神經(jīng)網(wǎng)絡(luò)工程中具有代表性和廣泛應(yīng)用的非線性擬合方法，在產(chǎn)品建模設(shè)計(jì)中具有很好的應(yīng)用前景[12]，是目前廣泛應(yīng)用的一種神經(jīng)網(wǎng)絡(luò)模型。其優(yōu)點(diǎn)在于當(dāng)系統(tǒng)復(fù)雜或信息量較少時(shí)，可以建立非線性映射模型[17]。利用BP-NN的學(xué)習(xí)能力來挖掘?qū)蛻舻母行灾R(shí)，并對不同時(shí)段的關(guān)聯(lián)規(guī)則進(jìn)行訓(xùn)練、預(yù)測和整合，可以為產(chǎn)品設(shè)計(jì)提供更好的方法參考，也為企業(yè)決策提供了新思路[18]。

1.3 AHP

AHP是由美國運(yùn)籌學(xué)家托馬斯·塞蒂提出，通過將復(fù)雜的目標(biāo)分解成若干準(zhǔn)則和若干層次，定性與定量相結(jié)合的系統(tǒng)科學(xué)方法[19]。層次分析法具有較好的處理復(fù)雜決策問題的能力，表現(xiàn)出很強(qiáng)的系統(tǒng)性和有效性，經(jīng)常被用于計(jì)算和確定復(fù)雜問題中不同影響因素的權(quán)重值，以及進(jìn)行設(shè)計(jì)方案的評估與優(yōu)選。

2 感性評價(jià)實(shí)驗(yàn)

2.1 實(shí)驗(yàn)準(zhǔn)備

2.1.1 篩選目標(biāo)感性意象詞匯

通過閱讀相關(guān)文獻(xiàn)，瀏覽產(chǎn)品宣傳頁、網(wǎng)站等渠道廣泛收集有關(guān)梳棉機(jī)的感性意象詞匯對，得到100組感性意象詞匯對。首先，依據(jù)語義差異性原則，刪除意思相近的感性意象詞對；其次，根據(jù)梳棉機(jī)的功能結(jié)構(gòu)特點(diǎn)和造型特點(diǎn)，篩除與梳棉機(jī)造型不符的詞匯對；最后，邀請6名有工業(yè)設(shè)計(jì)工程教育背景、有過紡織機(jī)械造型設(shè)計(jì)經(jīng)驗(yàn)的專家組成焦點(diǎn)小組進(jìn)行討論，并參考相關(guān)文獻(xiàn)中對紡織機(jī)械感性意象詞匯對的選擇結(jié)果[9]，選定7組較為符合且能多維度地展現(xiàn)梳棉機(jī)造型語義的感性意象詞對：“冷漠的-親切的”“傳統(tǒng)的-現(xiàn)代的”“輕巧的-穩(wěn)重的”“突兀的-協(xié)調(diào)的”“繁瑣的-簡約的”“零碎的-整體的”“難用的-易用的”。在實(shí)際設(shè)計(jì)實(shí)踐中，同時(shí)表達(dá)7個(gè)維度的感性意象存在較大難度。因此，繼續(xù)邀請專家依據(jù)梳棉機(jī)創(chuàng)新設(shè)計(jì)與感性意象的關(guān)聯(lián)性與重要性，采用1～7標(biāo)度法對上述7組意象詞對進(jìn)行打分，排序前三的是“難用的-易用的”“零碎的-整體的”“繁瑣的-簡約的”。因?yàn)樯鲜鋈M詞匯對已考慮了示能性、結(jié)構(gòu)性、視覺性，能夠較好地表達(dá)梳棉機(jī)造型感性意象，所以選定“繁瑣的-簡約的”“零碎的-整體的”“難用的-易用的”為最終目標(biāo)感性意象詞對。

2.1.2 篩選梳棉機(jī)代表性樣本

通過瀏覽紡織機(jī)械制造企業(yè)網(wǎng)站、銷售網(wǎng)站、宣傳圖冊等途徑廣泛收集梳棉機(jī)樣本圖片，共得到40個(gè)樣本。由上述焦點(diǎn)小組篩選，去除重復(fù)及非典型性樣本后，得到24個(gè)代表性樣本。為方便被試者在后續(xù)評估樣本感性意象時(shí)進(jìn)行觀察，并盡可能確保評價(jià)的客觀性，統(tǒng)一選取各樣本的左45°側(cè)視圖片；同時(shí)，為了避免色彩、材質(zhì)等因素對感性意象評估造成的影響，對樣本圖片進(jìn)行統(tǒng)一去色化處理，結(jié)果如圖1所示。

2.2 實(shí)驗(yàn)過程

2.2.1 問卷設(shè)計(jì)

語義差分法是感性工學(xué)中量化被試者感性意象的基本方法之一[20]。為了獲得有效的梳棉機(jī)感性意象評價(jià)值，將篩選出的3組感性意象詞對和24個(gè)代表性樣本相結(jié)合，基于語義差分法，采用Likert七階量表制作梳棉機(jī)感性意象評價(jià)問卷。

2.2.2 被試者選擇

被試者除需對產(chǎn)品及工藝有一定程度的了解外，還應(yīng)對感性詞匯有較好的認(rèn)知[21]。同時(shí)，小樣本的專家語義評價(jià)，能夠在一定程度上預(yù)測梳棉機(jī)用戶語義評價(jià)結(jié)果[22]。因此，采用專家用戶調(diào)研的方式，邀請紡織機(jī)械相關(guān)的開發(fā)者、操作者，有紡織機(jī)械設(shè)計(jì)相關(guān)經(jīng)驗(yàn)的設(shè)計(jì)師填寫調(diào)研問卷。要求每位被試者根據(jù)對樣本圖片的第一印象進(jìn)行該樣本的感性意象評價(jià)，共收回31份有效問卷。

圖1 代表性樣本

2.2.3 實(shí)驗(yàn)形式

網(wǎng)絡(luò)和智能手機(jī)已成為人們生活的重要組成部分，且在線調(diào)研比傳統(tǒng)調(diào)研方式更能獲取真實(shí)的用戶感性偏好[23]。因此，選擇網(wǎng)絡(luò)問卷星模式開展在線問卷調(diào)研。

2.3 實(shí)驗(yàn)結(jié)果

輸出調(diào)查結(jié)果，統(tǒng)計(jì)各樣本在各典型意象維度的評價(jià)平均值，見表1。為便于后期將感性意象評價(jià)均值作為輸出端構(gòu)建BP-NN模型，采用min-max標(biāo)準(zhǔn)化方法對表1數(shù)據(jù)進(jìn)行歸一化處理，結(jié)果見表2。

表1 代表性樣本的感性意象評價(jià)平均值

Tab.1 Kansei image evaluation mean of representative samples

表2 歸一化處理后的感性意象平均值

Tab.2 Normalized Kansei image mean

3 獲取單目標(biāo)意象設(shè)計(jì)策略

3.1 提取梳棉機(jī)造型要素及編碼

在保障生產(chǎn)安全、結(jié)構(gòu)合理等基本要素的基礎(chǔ)上，采用形態(tài)分析法[24]對梳棉機(jī)外殼造型進(jìn)行形態(tài)要素分解。將影響梳棉機(jī)造型設(shè)計(jì)的形態(tài)要素分為通風(fēng)孔、主箱體、觀察窗形態(tài)、觀察窗面積、控制箱體、底座6個(gè)項(xiàng)目；之后分別對各項(xiàng)目進(jìn)一步劃分，得到19個(gè)類目，見表3。采用開關(guān)式名義尺度編碼對24個(gè)代表性樣本進(jìn)行編碼，將定性造型要素轉(zhuǎn)化為定量數(shù)據(jù)，得到代表性樣本的形態(tài)反應(yīng)矩陣，見表4。

表3 梳棉機(jī)類目劃分

Tab.3 Classification of carding machines modeling categories

表3（續(xù)）

表4 代表性樣本的形態(tài)反應(yīng)矩陣

Tab.4 Morphological response matrix of representative samples

3.2 構(gòu)建關(guān)聯(lián)模型

采用3層BP-NN分別構(gòu)建并訓(xùn)練梳棉機(jī)的造型要素形態(tài)矩陣和三個(gè)代表性感性意象詞對之間的關(guān)聯(lián)映射模型。

3.2.1 參數(shù)和函數(shù)的選取

在全部樣本中隨機(jī)抽選21個(gè)樣本為訓(xùn)練樣本，其余3個(gè)為測試樣本。采用對數(shù)S型函數(shù)（Log Sigmoid函數(shù)）為隱藏層和輸出層的傳遞函數(shù)，trainlm函數(shù)為網(wǎng)絡(luò)訓(xùn)練函數(shù)，learngdm函數(shù)為學(xué)習(xí)函數(shù)，MSE（Mean Square Error，均方誤差）函數(shù)為驗(yàn)證函數(shù)。

3.2.2 訓(xùn)練模型

依據(jù)3.2.1所述，設(shè)置相關(guān)參數(shù)與函數(shù)，構(gòu)建并訓(xùn)練梳棉機(jī)造型元素與各感性意象維度之間的關(guān)聯(lián)映射模型。如圖2所示，“繁瑣的-簡約的”意象維度下的神經(jīng)網(wǎng)絡(luò)訓(xùn)練到第10次時(shí)，MSE值降低至0.001以下，停止訓(xùn)練。

圖2 “繁瑣的-簡約的”意象維度下模型訓(xùn)練結(jié)果

3.2.3 驗(yàn)證模型

訓(xùn)練后的模型需要對其有效性和魯棒性進(jìn)行驗(yàn)證分析，驗(yàn)證合格后方可作為預(yù)測模型投入使用[25]。訓(xùn)練回歸圖中擬合度越接近1，說明擬合程度越高[26]。三個(gè)網(wǎng)絡(luò)模型的擬合度分別為簡約的=0.942 09，整體的=0.976 28，易用的=0.935 22，說明網(wǎng)絡(luò)擬合度良好，訓(xùn)練回歸圖如圖3所示。

圖3 “繁瑣的-簡約的”意象維度下模型擬合度

在24個(gè)代表性樣本中，隨機(jī)抽取樣本3、樣本10和樣本24為測試樣本，采用sim仿真實(shí)驗(yàn)對測試樣本的感性意象值進(jìn)行預(yù)測，計(jì)算預(yù)測值歸一化的感性意象值和反歸一化處理后的數(shù)值（見表5）。由表5可知，各測試樣本的誤差在允許范圍之內(nèi)，證明神經(jīng)網(wǎng)絡(luò)具有良好的魯棒性，可以對梳棉機(jī)造型的感性意象進(jìn)行較為準(zhǔn)確的預(yù)測。

3.3 建立用于造型推薦的樣本庫

經(jīng)訓(xùn)練，上述模型能較好地預(yù)測給定樣本或設(shè)計(jì)方案在某具體意象維度下的感性意象值。然而在設(shè)計(jì)實(shí)踐中，除需對設(shè)計(jì)方案進(jìn)行感性預(yù)測評估之外，設(shè)計(jì)師往往更希望根據(jù)目標(biāo)意象評價(jià)值尋找對應(yīng)的最優(yōu)造型要素組合，即獲得目標(biāo)意象下最優(yōu)造型要素組合的推薦。

為實(shí)現(xiàn)目標(biāo)意象下造型要素組合的推薦，構(gòu)建相應(yīng)造型設(shè)計(jì)樣本庫。根據(jù)表1，采用窮舉法對梳棉機(jī)造型要素進(jìn)行重新組合，共得到3×5×2×4×2×3=720種方案，對所有可能的方案進(jìn)行編碼，構(gòu)建梳棉機(jī)造型樣本庫，并用訓(xùn)練好的3個(gè)BP-NN模型預(yù)測各樣本的三種感性意象值，見表6。其中，樣本X429、X226、X174分別為對應(yīng)單意象維度下在梳棉機(jī)造型庫中的最優(yōu)造型要素組合推薦，見表7。

在目標(biāo)尋優(yōu)之外，上述模型還可以通過指定預(yù)期感性意象閾值在樣本庫中搜索符合條件的樣本，幫助設(shè)計(jì)師快速有效地獲取對應(yīng)的造型設(shè)計(jì)要素組合推薦。如在“難用的-易用的”感性意象維度下，尋找預(yù)測感性意象值大于等于5的類目組合，可以得到2組符合條件的造型要素組合方案，見表8。

表5 測試樣本的觀測值與預(yù)測值

Tab.5 Observed value and predicted value of test samples

表6 樣本庫的預(yù)測值

Tab.6 Predicted value of sample library

表7 單意象維度下最優(yōu)樣本

Tab.7 Optimal sample under single image dimension

表8 “難用的-易用的”預(yù)測感性評價(jià)≥5的造型推薦

Tab.8 Recommended models with predictive value of "difficult to use-easy to use" ≥ 5

4 獲取多目標(biāo)意象設(shè)計(jì)策略

用戶的意象認(rèn)知和情感需求經(jīng)常是復(fù)合的、多方面的，擁有復(fù)合意象風(fēng)格的產(chǎn)品造型風(fēng)格得到更多的青睞[27]。在梳棉機(jī)造型設(shè)計(jì)實(shí)踐中，一般需要同時(shí)考慮產(chǎn)品的多個(gè)目標(biāo)意象，而不是僅在單一維度下進(jìn)行設(shè)計(jì)創(chuàng)新。在多個(gè)目標(biāo)維度下，目標(biāo)意象與目標(biāo)意象所對應(yīng)的最優(yōu)造型要素可能存在差異，此時(shí)BP-NN網(wǎng)絡(luò)在造型設(shè)計(jì)推薦時(shí)會(huì)存在矛盾與困難。常見的多目標(biāo)尋優(yōu)方法有多目標(biāo)遺傳算法[28]、加權(quán)和法[29]、Pareto前言法[30]等。其中，加權(quán)和法通過多個(gè)目標(biāo)函數(shù)加權(quán)求和，將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，具有簡單易實(shí)現(xiàn)、靈活性及利用現(xiàn)有單目標(biāo)優(yōu)化算法的優(yōu)勢，是多目標(biāo)優(yōu)化領(lǐng)域中常用且有效的方法之一[31]。為實(shí)現(xiàn)在多目標(biāo)維度下進(jìn)行造型設(shè)計(jì)方案的尋優(yōu)，本文采用加權(quán)和法進(jìn)行多目標(biāo)意象的實(shí)現(xiàn)。首先需要為各目標(biāo)意象分配權(quán)重，以反映其相對重要性，進(jìn)而尋求多目標(biāo)意象驅(qū)動(dòng)下的梳棉機(jī)最佳造型方案。AHP方法常用于確定多個(gè)準(zhǔn)則或因素的權(quán)重，通過將復(fù)雜的決策問題分解為層次結(jié)構(gòu)，再使用專家判斷和比較來確定各層次元素之間的相對重要性。因此，本文采用AHP方法獲取各目標(biāo)意象的重要性權(quán)重。

4.1 計(jì)算多目標(biāo)意象的權(quán)重值

4.1.1 構(gòu)建層次結(jié)構(gòu)模型

根據(jù)研究目標(biāo)，將梳棉機(jī)造型作為目標(biāo)層，“繁瑣的-簡約的”“零碎的-整體的”和“難用的-易用的”三個(gè)感性意象作為準(zhǔn)則層，構(gòu)建梳棉機(jī)多目標(biāo)感性意象層次分析模型，見圖4。

圖4 梳棉機(jī)多目標(biāo)感性意象層次分析模型

4.1.2 建立判斷矩陣及計(jì)算權(quán)重

使用1～9標(biāo)度法，邀請焦點(diǎn)小組成員對各意象的重要性程度進(jìn)行打分，兩兩比較后給出一致性意見；基于得到的專家打分，建立梳棉機(jī)準(zhǔn)則層的判斷矩陣；根據(jù)層次分析法中權(quán)重值計(jì)算公式，計(jì)算各意象的權(quán)重值，匯總?cè)绫?所示。

表9 準(zhǔn)則層判斷矩陣及權(quán)重值

Tab.9 Criterion layer judgment matrix and weight

4.1.3 一致性檢驗(yàn)

4.2 獲取多意象驅(qū)動(dòng)下的梳棉機(jī)造型設(shè)計(jì)策略

結(jié)合表7和表9，計(jì)算梳棉機(jī)樣本庫中各樣本在多意象維度下的感性意象預(yù)測值，計(jì)算見式（1）。

經(jīng)計(jì)算，max=5.029 5，樣本編號(hào)為X174，對應(yīng)的造型要素組合為{A3，B3，C2，D2，E2，F(xiàn)1}。即在多意象驅(qū)動(dòng)下樣本庫中推薦的最佳造型的設(shè)計(jì)要素組合為類倒三角形控制箱、斜面式主箱體、窄邊底座、矩形+梯形觀察窗、觀察窗面積不小于門面積的1/2、條形通風(fēng)孔。

5 梳棉機(jī)設(shè)計(jì)實(shí)踐及策略驗(yàn)證

為驗(yàn)證上述研究方法的可靠性，通過梳棉機(jī)造型設(shè)計(jì)實(shí)踐產(chǎn)生設(shè)計(jì)方案，并結(jié)合進(jìn)一步的感性意象評價(jià)實(shí)驗(yàn)進(jìn)行檢驗(yàn)。

5.1 設(shè)計(jì)實(shí)踐

基于4.2節(jié)輸出的設(shè)計(jì)策略，以{A3，B3，C2，D2，E2，F(xiàn)1}造型設(shè)計(jì)要素組合進(jìn)行梳棉機(jī)造型設(shè)計(jì)實(shí)踐，得到3款設(shè)計(jì)方案，見圖5。

圖5 設(shè)計(jì)方案

5.2 方案感性意象評價(jià)

為了客觀地選擇出更符合多目標(biāo)意象的設(shè)計(jì)方案，并驗(yàn)證上述方法的有效性，對設(shè)計(jì)方案再次進(jìn)行用戶評價(jià)實(shí)驗(yàn)。

采用部分重復(fù)樣本結(jié)合新樣本的方式組建評價(jià)樣本集。從圖1的原有產(chǎn)品樣本中隨機(jī)抽選前期用戶評價(jià)較高的樣本5（10/24）、樣本12（5/24）為對照樣本；隨機(jī)從圖5的設(shè)計(jì)方案中選擇方案1、方案2作為抽選方案，并對其進(jìn)行灰度處理，之后與對照樣本共同組成評價(jià)樣本集合，見圖6。

圖6 梳棉機(jī)評價(jià)樣本集

結(jié)合3組目標(biāo)意象與評價(jià)樣本集合，采用Likert七階評價(jià)量表設(shè)計(jì)調(diào)研問卷。再次邀請與紡織機(jī)械相關(guān)的用戶、工程師、有紡織機(jī)械造型設(shè)計(jì)經(jīng)驗(yàn)或有5年以上工業(yè)設(shè)計(jì)教育背景及經(jīng)驗(yàn)的工業(yè)設(shè)計(jì)從業(yè)人員，填寫網(wǎng)絡(luò)調(diào)研問卷。共收回31份有效問卷。

表10 各樣本的感性意象得分

Tab.10 Kansei image value of each sample

根據(jù)表10，各樣本的整體得分如下：

計(jì)算各樣本的最終評價(jià)結(jié)果見式（4）。

計(jì)算結(jié)果見表11。由評價(jià)結(jié)果可知，方案1與方案2的最終得分均高于抽樣樣本，即依據(jù)關(guān)聯(lián)模型推薦的最優(yōu)造型設(shè)計(jì)要素組合開展設(shè)計(jì)實(shí)踐，所得設(shè)計(jì)方案在三個(gè)維度感性意象優(yōu)度均高于對照樣本，驗(yàn)證了方法的有效性。

表11 各樣本最終得分

Tab.11 Final value of each sample

6 結(jié)語

為了量化表達(dá)紡織機(jī)械的多維度感性意象，提升造型設(shè)計(jì)效率和用戶滿意度，本文提出多目標(biāo)意象驅(qū)動(dòng)的梳棉機(jī)造型設(shè)計(jì)方法，并結(jié)合設(shè)計(jì)實(shí)踐與方案評價(jià)驗(yàn)證了研究方法的有效性與可靠性。研究得出如下結(jié)論：基于KE和BP-NN可以構(gòu)建梳棉機(jī)造型設(shè)計(jì)要素與感性意象評價(jià)之間的非線性關(guān)聯(lián)映射模型；基于關(guān)聯(lián)模型構(gòu)建造型要素樣本庫，可以為設(shè)計(jì)提供更豐富的造型設(shè)計(jì)資源，并實(shí)現(xiàn)具體目標(biāo)意象下造型設(shè)計(jì)策略的推薦；結(jié)合AHP為各目標(biāo)意象賦權(quán)，構(gòu)建多目標(biāo)意象維度下梳棉機(jī)造型要素與感性意象評價(jià)的關(guān)聯(lián)映射模型，可以預(yù)測樣本在多目標(biāo)意象維度下的感性意象值和輸出最優(yōu)樣本，為設(shè)計(jì)師提供指向具體、要素清晰的造型設(shè)計(jì)策略，幫助設(shè)計(jì)師提升設(shè)計(jì)效率，更好地滿足用戶的多維感性需求。基于該方法提供的類目要素組合推薦策略，設(shè)計(jì)師可以結(jié)合當(dāng)下的智能設(shè)計(jì)生成工具，提出相應(yīng)的智能生成關(guān)鍵詞或限制約束，嘗試進(jìn)行設(shè)計(jì)草圖或預(yù)想概念圖的智能生成；同時(shí)，固定的設(shè)計(jì)要素組合即使是相應(yīng)條件下的最優(yōu)推薦組合，也可能會(huì)在一定程度上限制設(shè)計(jì)師的創(chuàng)意思路發(fā)散，建議設(shè)計(jì)師可以結(jié)合可拓圖解語義或形狀文法等方法，進(jìn)行約定語義或約定組合下的思維充分發(fā)散和有效收斂，為產(chǎn)品創(chuàng)意設(shè)計(jì)提供更充分、可靠的路徑方法，這也是課題組下一步的研究目標(biāo)。

[1] 王大龍. 基于品牌風(fēng)格的智能灌裝生產(chǎn)線造型設(shè)計(jì)研究[D]. 鎮(zhèn)江: 江蘇大學(xué), 2022. WANG D L. Research on Modeling Design of Intelligent Filling Production Line Based on Brand Style[D]. Zhenjiang: Jiangsu University, 2022.

[2] 廖為. 簇絨機(jī)導(dǎo)紗系統(tǒng)的拓?fù)鋬?yōu)化設(shè)計(jì)研究[D]. 上海: 東華大學(xué), 2022. LIAO W. Research on Topology Optimization Design of Yarn Guide System of Tufting Machine[D]. Shanghai: Donghua University, 2022.

[3] JIAO Y R, QU Q X. A Proposal for Kansei Knowledge Extraction Method Based on Natural Language Processing Technology and Online Product Reviews[J]. Computers in Industry, 2019, 108: 1-11.

[4] KHALID H M. Embracing Diversity in User Needs for Affective Design[J]. Applied Ergonomics, 2006, 37(4): 409-418.

[5] 金川, 馬彧. CMF設(shè)計(jì)在紡織裝備工業(yè)設(shè)計(jì)的應(yīng)用研究[J]. 現(xiàn)代工業(yè)經(jīng)濟(jì)和信息化, 2018, 8(13): 36-37, 43. JIN C, MA Y. Application Research of CMF Design in Textile Equipment Industrial Design[J]. Modern Industrial Economy and Informationization, 2018, 8(13): 36-37, 43.

[6] 聞洪波, 彭來湖. 鞋面針織圓緯機(jī)人機(jī)交互系統(tǒng)設(shè)計(jì)[J]. 針織工業(yè), 2019(4): 5-8. WEN H B, PENG L H. Design of Man-Computer Inter Action System for Circular Weft Knitted Vamp Machine[J]. Knitting Industries, 2019(4): 5-8.

[7] 劉靚靜, 馬彧. 機(jī)械設(shè)備造型設(shè)計(jì)的結(jié)構(gòu)性分析[J]. 包裝工程, 2018, 39(12): 203-207. LIU L J, MA Y. Structural Analysis of Mechanical Equipment Modeling Design[J]. Packaging Engineering, 2018, 39(12): 203-207.

[8] 柴敏, 馬彧. 基于AHP和加權(quán)灰色關(guān)聯(lián)分析的并條機(jī)設(shè)計(jì)評價(jià)研究[J]. 包裝工程, 2022, 43(4): 251-257. CHAI M, MA Y. Design and Evaluation of Drawing Frame Based on AHP and Weighted Grey Relational Analysis[J]. Packaging Engineering, 2022, 43(4): 251-257.

[9] 段金娟, 宣艾祺, 袁博, 等. 基于感性意象的并條機(jī)造型設(shè)計(jì)[J]. 紡織學(xué)報(bào), 2022, 43(4): 160-166. DUAN J J, XUAN A Q, YUAN B, et al. Drawing Frame Modeling Design Based on Kansei Image[J]. Journal of Textile Research, 2022, 43(4): 160-166.

[10] KIM K J, CHEN H R. A Comparison of Fuzzy and Nonparametric Linear Regression[J]. Computers & Operations Research, 1997, 24(6): 505-519.

[11] 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(jì)[J]. 蘭州理工大學(xué)學(xué)報(bào), 2011, 37(4): 47-50. SU J N, FAN Y F, ZHANG S T, et al. Product Form Design Based on Kansei Engineering and Neural Network[J]. Journal of Lanzhou University of Technology, 2011, 37(4): 47-50.

[12] 徐驍琪, 程永勝. 基于BP神經(jīng)網(wǎng)絡(luò)的陶瓷食用器皿造型設(shè)計(jì)研究[J]. 計(jì)算機(jī)仿真, 2022, 39(7): 466-470. XU X Q, CHENG Y S. Research on Modeling Design of Ceramic Food Ware Based on BP Neural Network[J]. Computer Simulation, 2022, 39(7): 466-470.

[13] MISAKA M, AOYAMA H. Development of Design System for Crack Patterns on Cup Surface Based on KANSEI[J]. Journal of Computational Design and Engineering, 2018, 5(4): 435-441.

[14] WU Y X. Product Form Evolutionary Design System Construction Based on Neural Network Model and Multi-Objective Optimization[J]. Journal of Intelligent & Fuzzy Systems, 2020, 39(5): 7977-7991.

[15] NAGAMACHI M. Kansei Engineering as a Powerful Consumer-Oriented Technology for Product Development[J]. Applied Ergonomics, 2002, 33(3): 289-294.

[16] XUE L, YI X, ZHANG Y. Research on Optimized Product Image Design Integrated Decision System Based on Kansei Engineering[J]. Applied Sciences, 2020, 10(4): 1198.

[17] ZOU X L. Analysis of Consumer Online Resale Behavior Measurement Based on Machine Learning and BP Neural Network[J]. Journal of Intelligent & Fuzzy Systems, 2021, 40(2): 2121-2132.

[18] HAN J X, MA M Y, WANG K. RETRACTED ARTICLE: Product Modeling Design Based on Genetic Algorithm and BP Neural Network[J]. Neural Computing and Applications, 2021, 33(9): 4111-4117.

[19] SAATY T L, KEARNS K P. The Analytic Hierarchy Process[M]. Amsterdam: Elsevier, 1985: 19-62.

[20] OSGOOD C E. Exploration in Semantic Space: A Personal Diary 1[J]. Journal of Social Issues, 1971, 27(4): 5- 64.

[21] 李倩文, 王建萍, 楊雅嵐, 等. 基于意象尺度的男西裝造型風(fēng)格認(rèn)知評價(jià)[J]. 紡織學(xué)報(bào), 2021, 42(4): 149- 154. LI Q W, WANG J P, YANG Y L, et al. Cognitive Eva-lua-tion of Men's Suit Style Based on Image Scales[J]. Journal of Textile Research, 2021, 42(4): 149-154.

[22] 李曉嬌, 馬彧, 陳永超. 基于梳棉機(jī)外觀設(shè)計(jì)的專家和用戶語義評價(jià)比較研究[J]. 包裝工程, 2022, 43(4): 258-264. LI X J, MA Y, CHEN Y C. A Comparative Study on Semantic Evaluation of Experts and Users Based on Carding Machine Appearance Design[J]. Packaging Engineering, 2022, 43(4): 258-264.

[23] LI X, SU J N, ZHANG Z P, et al. Product Innovation Concept Generation Based on Deep Learning and Kansei Engineering[J]. Journal of Engineering Design, 2021, 32(10): 559-589.

[24] 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(jì)研究[J]. 機(jī)械設(shè)計(jì), 2015, 32(4): 121-125. JING N, FANG H, ZHANG Q W. Research of Product Style Innovative Design Based on Typology[J]. Journal of Machine Design, 2015, 32(4): 121-125.

[25] 姚昌榮, 姚山毛, 李亞東. 神經(jīng)網(wǎng)絡(luò)參數(shù)識(shí)別技術(shù)在施工控制中的應(yīng)用[J]. 四川建筑, 2007, 27(3): 210- 212. YAO C R, YAO S M, LI Y D. Application of Neural Network Parameter Identification Technology in Construction Control[J]. Sichuan Architecture, 2007, 27(3): 210-212.

[26] XU Y H, HUANG L F, GUO R R, et al. Metrological Analysis of Online Consumption Evaluation Influence Commodity Marketing Decision Based on Data Mining[J]. Mathematical Problems in Engineering, 2020, 2020: 9345901.

[27] 張煒. 多意象驅(qū)動(dòng)下的產(chǎn)品個(gè)性化定制造型設(shè)計(jì)方法研究[D]. 蘭州: 蘭州理工大學(xué), 2020. ZHANG W. Research on Product Customized Modeling Design Method Driven by Multiple Images[D].Lanzhou: Lanzhou University of Technology, 2020.

[28] SU Y, JIN S M, ZHANG X P, et al. Stakeholder- Oriented Multi-Objective Process Optimization Based on an Improved Genetic Algorithm[J]. Computers & Chemical Engineering, 2020, 132: 106618.

[29] 符瑜. 基于多目標(biāo)的應(yīng)急供應(yīng)商選擇研究[J]. 物流工程與管理, 2015, 37(10): 74-75. FU Y. Research on the Multi-Objective-Based Emergency Supplier Selection[J]. Logistics Engineering and Management, 2015, 37(10): 74-75.

[30] 顏遠(yuǎn), 林舜江, 劉明波. 考慮備用動(dòng)作約束的含風(fēng)電場電力系統(tǒng)多目標(biāo)動(dòng)態(tài)優(yōu)化調(diào)度[J]. 電網(wǎng)技術(shù), 2018, 42(2): 479-487. YAN Y, LIN S J, LIU M B. Multi-Objective Optimal Dynamic Dispatch of Power System with Wind Farms Considering Reserve Action Constraints[J]. Power System Technology, 2018, 42(2): 479-487.

[31] MARLER R T, ARORA J S. The Weighted Sum Method for Multi-Objective Optimization: New Insights[J]. Structural and Multidisciplinary Optimization, 2010, 41(6): 853-862.

[32] YAO Y Y. Measuring Retrieval Effectiveness Based on User Preference of Documents[J]. Journal of the American Society for Information Science, 1995, 46(2): 133-145.

Multi-objective Image Oriented Modeling Design of Carding Machines

DUAN Jinjuan1, HOU Zixuan2,3, LUO Pingsheng4, YUAN Bo5

(1. School of Wedding Culture & Media Art, Beijing College of Social Administration (Formerly the Ministry of Civil Affairs Management Cadre Institute), Beijing 102600, China; 2. Inner Mongolia First Machinery Group Co., Ltd., Inner Mongolia Baotou 014032, China; 3. National Key Laboratory of Special Vehicle Design and Manufacturing Integration Technology, Inner Mongolia Baotou 014032, China; 4. School of Mechanical Engineering, Tiangong University, Tianjin 300387, China; 5. School of Mechanical Engineering, Inner Mongolia University of Science & Technology, Inner Mongolia Baotou 014010, China)

The work aims to propose a multi-objective oriented design method for carding machinesbased on back propagation neural network (BP-NN) and analytic hierarchy process (AHP), and conduct a design practice and experimental research to meet users' multidimensional perceptual requirements for carding machines and enhance the satisfaction of the perceptual image and user satisfaction of textile machinery. Firstly, a perceptual evaluation experiment was conducted to obtain the mean value of perceptual image evaluations of users through focus group discussions and online survey. Secondly, using morphological analysis, the design elements of carding machineswere divided, and the morphological category features of representative samples were encoded. Based onBP-NN, the correlation mapping models between modeling elements of carding machines and Kansei image values were constructed. After training and validating the model, a sample library for design recommendations was established. Then, AHP was applied to determine the weights of various target perceptual images, thereby obtaining the recommended design strategy and combination of optimal design elements for carding machines under multi-objective image. Finally, combined with the carding machine modeling design practice and perceptual evaluation, the reliability and the effectiveness of the method were verified. The design practice based on this method shows that the design schemes obtained based on the recommended carding machine design strategy have higher scores in terms of target sensory image evaluation compared with the control samples. The method has high reliability and effectiveness. It can effectively output the carding machine design strategy under multi-objective image for modeling design to support the new product development of relative companies and designers.

textile machinery; carding machine; multi-objective image; BP neural network; modeling design

TB472

A

1001-3563(2024)02-0078-10

10.19554/j.cnki.1001-3563.2024.02.008

2023-08-07

中央高?；究蒲袠I(yè)務(wù)費(fèi)資助項(xiàng)目（JBKYZD2023-1）；教育部產(chǎn)學(xué)合作協(xié)同育人項(xiàng)目（202102071001）