基于感性工学与BP神经网络的电动叉车造型设计研究_杨晶晶.pdf

技术与实践158/INDUSTRIAL DESIGN 工业设计基于感性工学与BP神经网络的电动叉车造型设计研究RESEARCH ON MODELING DESIGN OF ELECTRIC FORKLIFT BASED ON KANSEI ENGINEERING AND BP NEURAL NETWORK五邑大学艺术设计学院杨晶晶王汉友（通信作者）梁育圣1感性工学概述感性工学是将消费者的感性认知转化为工学尺度的有效方法，它的思想核心是以消费者的感性需求为导向，利用数理统计方法将消费者对产品的主观感性意象进行定性或定量的表达，从而指导设计师进行新产品的设计开发2。感性工学方法已应用于多领域，有学者提出基于用户偏好的造型设计，用以解决汽车造型与用户感性认知偏好之间匹配度低的问题3。运用感性意象理论指导设计，获取用户的感性意象因子，并以提升产品的情感关怀4。同时，还可以利用数理原理识别出产品形象有影响力的设计元素，例如采用数量化 I 类方法通过定性自变量来预测定量因变量，充分地理解用户的需求5。许多学者已经意识到用户感觉意象的重要性，由于感性认知是模糊不易测量的，大多数研究停留在定性方法的运用上，显然对造型感性意象的研究不够深入。因此，文章采用具有非线性属性的 BP 神经网络进行研究，使用户对产品造型的感性意象逐渐可视化和定量化。2BP 神经网络概述BP 神经网络是人类通过研究生物神经网络的运作原理、组成要素、影响因素等，从而考究出人工神经网络的一种，通过模仿动物神经网络的工作原理，构建人工神经元摄取数据内部规律。在设计领域通常以统计学为基础，采用 BP 神经网络解决用户感性需求与产品造型的复杂非线性问题6。有学者以手机为设计对象建立了设计变量与用户偏好之间的 BP 神经网络模型，用于指导设计7。基于 BP 神经网络计算造型设计要素与感觉意象之间的映射关系，可对汽车造型设计进行准确地评价8。进一步，可结合实验仪器通过眼动追踪提取网页主页外观的设计要素，使用BP 神经网络定量描述设计要素和感性意象之间的关联9。综合上述研究，在工程产品上，缺乏这样的定量研究。市场更偏重于功能性，忽略造型的美观性。因此，文章运用 BP 神经网络在电动叉车造型设计上，目的是把用户的模糊情感与需求采用数理工具将其转化为定量的数据，并与设计要素构成可视化的映射网络用于指导设计，从而精确地把握市场的需求并缩短设计周期。3基于感性工学与 BP 神经网络的电动叉车造型设计流程3.1筛选代表样本通过叉车官网、杂志、期刊文献、大赛作品等渠道选取样本随着社会需求的多样化发展，以功能为导向和凭借主观经验设计产品已不能满足市场需求，形式与功能的相辅相成共同带动设计领域的进步是十分必要的1。现有工程装备创新设计主要由工程师主导，设计师缺乏话语权，导致工程装备造型设计不仅不如人意，还严重影响了用户的使用体验和产品的品牌形象，制约了我国工程装备产业的进一步转型升级。因此，文章以感性工学理论为依据，以电动叉车为例，构建电动叉车造型要素与感性意象的 BP 神经网络模型，寻找工程与设计的最大契合点，挖掘造型特征与市场感性认知之间的关联性。摘要：鉴于工程装备的造型设计与用户感觉意象之间存在不匹配性，可以通过感性工学的方法指导设计，文章首先运用聚类分析与因子分析进行感性意象调查，其次运用 Matlab 软件构建感性意象与电动叉车造型特征要素的 BP 神经网络模型，经过反复的训练和测试网络得到两者较高的拟合度，进而成功计算出最契合用户感性意象，即力量的、简约的、灵活的、坚实的产品造型要素特征组合。最后进行设计实践，综合考虑市场的感性需求和工程产品的造型设计之间的拟合度是设计走向合理性的关键环节，有效避免了设计师主观设计的不足，使模糊的市场需求明晰化。关键词：感性工学；BP 神经网络；感性意象；电动叉车设计中图分类号：TH242文献标识码：A文章编号：1672-7053(2023)01-0158-03Abstract：In view of the mismatch between the modeling design of engineering equipment and the users sensory image,the design is guided by the method of perceptual engineering.First,the perceptual image is investigated by using cluster analysis and factor analysis,and then the BP neural network model of perceptual image and the modeling feature elements of electric forklift is constructed by using MATLAB software.After repeated training and testing,the network obtains a high degree of fitting between them,and then successfully calculates the most suitable users perceptualimage,Powerful,simple,flexible and solid product modeling element feature combination.Comprehensively considering the fitting degree between the perceptual demand of the market and the modeling design of engineering products is the key link for the rationality of the design,which effectively avoids the deficiency of the designers subjective design and clarifies the fuzzy market demand.Key Words：Kansei Engineering;BP Neural Network;Kansei Image;Electric Forklift Design作者简介杨晶晶/1996 年生/女/贵州天柱人/在读硕士研究生/研究方向为感性工学、工业设计工程（广东江门 529030）王汉友（通信作者）/1979 年生/男/湖南浏阳人/教授/博士/硕士生导师/研究方向为创新设计、设计管理（广东江门 529030）梁育圣/1999 年生/男/广东肇庆人/本科生/研究方向为工程装备设计、智能家居设计（广东江门 529030）技术与实践INDUSTRIAL DESIGN 工业设计 /159124 个，随后组建有设计背景的焦点小组剔除重复、图片模糊和无设计感的样本。下一阶段以形态分析法为指导理论，将电动叉车造型结构进行分解可得 17 个造型要素，如表 1 所示。结合焦点小组筛选后的样本进行问卷调查，并将数据导入 SPSS 软件进行聚类分析，聚类后的样本有 28 类，最后从中选取代表性样本 28 个。3.2获取感性意象词汇文章电动叉车感性词汇筛选分为三个阶段，第一阶段：通过用户访谈、相关文献、叉车企业官网、叉车杂志书籍等收集相关叉车感性词汇 110 个。第二阶段：组织焦点小组预先剔除相似、功能性强、重复的词汇，再制作问卷指定工程与设计人群填写，选取投票率 60以上的词汇有 7 组。第三阶段：运用语义差异法和因子分析筛选代表性词汇。第二阶段筛选出来的 7 组词汇搭配 7 个叉车样本制作评价量表，反馈的数据使用 SPSS25 软件进行因子分析，经过因子旋转得到的主成分有两个，成分 1 选取 0.850，成分 2 选取 0.900的感性词汇包括力量的、简约的、灵活的，如表 2 所示。3.3构建网络运用 Matlab2018 软件构建 BP 神经网络，通过对数据的分析，文章的 BP 神经网络确定由输入层、一层隐含层、输出层三层共同组成。网络的成功预测在于训练时节点数的选择，隐节点数的作用是通过挖掘训练样本中的内在规律进而转化为权值，每训练一次权值便会调整一次，在误差结果没有达到预期时，通过权值进行反复调节，直到达到目标误差为止。文章对电动叉车的 17 个造型要素进行四个意象词汇评价，因此输入层节点数为 17，输出层节点数为 4。关于隐含层节点数的选取根据下列（1）公式：（1）式中：n输入节点数；l输出节点数；a110 的常数。可根据以上公式选取神经节点或根据文献 10 的研究，发现隐含层的节点数取输入层节点数与输出层节点数的一半时，误差MSE 值也较小。因此该网络结合公式（1）和文献研究选定隐层节点数为 13。文章 BP 神经网络示意图，如图 1 所示。3.4训练网络文章样本一共 28 个，前 23 个作为训练样本，将表 2 前 23个样本数据输入网络，设定学习次数为 5000 次，目标误差值为1e4，隐层和输出层激活函数分别为 logsig 和 purelin。采用梯度下降法，训练结果显示网络在第 4892 次时达到训练目标，实际训练的均方误差达到 104，训练 Training=0.99282 表示网络拟合程度较高，如图 2、3 所示。3.5测试网络网络的测试作用在于检测网络模型的泛化能力，神经网络的泛化能力是衡量网络优劣的重要指标，构建网络到训练网络的目的是挖掘数据的内在规律，获取一定的有效信息。最后一环节检测网络能不能用的关键在于网络的测试，网络测试可以发现问题。用剩余的 5 个样本作为测试样本。采用上述已经构建好的 BP 网络，运用梯度下降法原理测试网络。结果显示在 134 次时，网络误差较小达到预期（104），测试结果的期望值与实际值的相对误差在 105 至 104 之间，表示网络精度达到要求，如表 3所示。3.6电动叉车造型要素组合方案的确定文 章 电 动 叉 车 造 型 要 素 有 17 个，则 组 合 方 案 一 共 有443222=384种。把所有方案按照0,1编码导入已构建好的 BP 网络模型中计算其感性评价值，可预测出最优造型组合方案。由预测结果可得“力量的”最佳评价值是 2.3530，对应的电动叉车造型编码是 01001001000010110；“简约的”最佳评价值是 1.0300，对应的电动叉车造型编码是 00011000110000110；“灵活的”最佳评价值是 1.1891，对应的电动叉车造型编码是01000011000011010；“坚实的”最佳评价值是 1.2281，对应的电动叉车造型编码是 00101001000010101。经总结，可得各造型编码对应的感性词汇最优组合，如表 4 所示。护顶架多边形直角梯形圆弧梯形其他比例X=YXY色彩两种色彩三种及以上色彩车身侧面造型有机仿生形块状几何形普通贴纸和喷漆具有铸造细节支点3 个支点4 个支点配重与车身具有整体性与车身无整体性表 1电动叉车造型要素成分12力量的（W3）0.892坚实的（W7）0.892工业的（W4）0.849安全的（W2）0.827灵活的（W6）0.928简约的（W5）0.921科技的（W1）0.4850.754表 2旋转后的成分矩阵alnm+=图 1电动叉车 BP 神经网络模型样本实际评价均值网络预测均值相对误差243.0153.0217.0381e-05252.9332.9451.9172e-04263.9603.9622.6260e-05273.0103.0158.5605e-05283.5953.5963.2401e-05对应词汇力量的简约的灵活的坚实的护顶架 X1直角梯形其他直角梯形圆弧形比例 X2X=YX=YXYX=Y色彩 X3两种色彩两种色彩两种色彩两种色彩车身侧面造型 X4具有铸造细节有