多目标意象驱动的梳棉机造型设计研究

段金娟，侯子轩，雒平升，袁博

多目标意象驱动的梳棉机造型设计研究

段金娟1，侯子轩2,3，雒平升4，袁博5

（1.北京社会管理职业学院（民政部培训中心） 婚礼文化与传媒艺术学院，北京 102600； 2.内蒙古第一机械集团有限公司，内蒙古 包头 014032；3.特种车辆设计制造集成技术全国重点实验室，内蒙古 包头 014032；4.天津工业大学 机械工程学院，天津 300387； 5.内蒙古科技大学 机械工程学院，内蒙古 包头 014010）

为满足用户对梳棉机的多维感性需求，多层次提升纺织机械的造型意象满意度和用户满意度，提出一种多目标意象驱动的梳棉机造型设计方法，并展开设计实践与实验研究。首先，设计感性评价实验，通过焦点小组讨论和问卷调研获取用户对梳棉机的感性意象评价均值；其次，采用形态分析法，对梳棉机造型设计要素进行划分，并对代表性样本的造型类目特征进行编码；基于反向传播神经网络（Back Propagation Neural Network，BP-NN），建立梳棉机产品造型要素与用户感性意象评价均值之间的关联映射模型，建立用于造型推荐的样本库，获取单意象维度下的梳棉机造型设计策略；再次，应用层次分析法（Analytic Hierarchy Process，AHP）得到各目标意象维度的权重值，输出多目标意象下梳棉机造型设计策略；最后，结合梳棉机的造型设计实践及感性评价，进一步验证该方法的可靠性和有效性。基于该方法展开设计实践，依据推荐的梳棉机造型设计策略得到的设计方案，在目标感性意象的整体评价得分优于对照样本。该方法有较好的可靠性和有效性，能为企业的新产品开发及设计师的设计实践输出指向具体、操作性强的梳棉机多目标意象设计策略。

纺织机械；梳棉机；多目标意象；反向传播神经网络；造型设计

我国纺织装备制造产业正向高度专业化、智能化方向发展。在产品技术性能日趋同质化的今天，力求塑造符合品牌风格的产品形象、通过造型设计使产品在市场中脱颖而出，更好地吸引消费者，已经成为当前装备制造产业发展的必然趋势[1-2]。新产品开发成功的关键是要不断满足用户的心理需求[3]。在新产品研发中，仅依靠产品功能获取竞争优势的时代已不复存在，可信的设计过程模型必需包括情感分析[4]。

当前对纺织机械造型创新设计的研究主要集中在CMF创新[5]、人机优化及功能结构创新[6-7]等方面，围绕对目标产品造型要素内在之间的关系展开，重点关注造型设计的影响因素及造型设计与材质、色彩等的关系，对于造型设计实践的启发与指示偏于经验化和模糊化。量化研究方面，有学者[8]基于层次分析法（Analytic Hierarchy Process，AHP）和加权灰色关联分析，通过将定性的并条机评价指标转换为定量的评价指标，建立用于优选最佳设计方案的量化评价模型，帮助设计师获得符合企业需求的最佳设计方案，从而使设计过程理性系统化。然而该类方法更适用于设计方案的优选，难以获得较为具体和准确的造型设计策略。为建立更为具体和指向性强的并条机造型要素与用户感性意象评价之间的映射关系，有学者[9]结合数量化理论I类（Quantification Theory I，QTI）建立二者间的线性关联模型，但是当预测关系为非线性关系时，QTI的预测精度将会降低[10]。相较于QTI，反向传播神经网络（Back Propagation Neural Network，BP-NN）无需限定于线性关系假设和变量相互独立假设，研究中限制性较少，可以建立造型要素与产品单目标感性意象间的非线性关联模型，以量化研究的方式提升用户满意度。如苏建宁等[11]为了能及时反映产品造型中的用户情感，采用神经网络的方法，建立产品的造型设计要素和用户感性意象之间的非线性关联关系，提高了用户满意度；徐骁琪等[12]基于BP神经网络建立了陶瓷食用器皿造型要素和感性认知量值之间相对应的BP神经网络关系模型；Mai等[13]分析裂纹图案的感性意象数据后，采用神经网络研究了杯子的裂纹图案和感性意象的关系，通过对实际的裂纹生成机制进行建模，从而生成了满足用户要求的系统。

在新产品实际研发中，设计师经常需要在单款产品的造型设计中表现多维度的感性意象[14]。现有研究主要针对单目标意象展开，尚缺乏从满足产品的多目标感性意象表达出发，探究梳棉机造型设计要素与用户感性意象评价之间的关联映射关系，进而输出多目标意象驱动下梳棉机造型设计策略的相关研究。综上所述，为了表达纺织机械的多维度感性意象，提升造型设计效率和用户满意度，本文提出一种多目标意象驱动的梳棉机造型设计方法，并结合梳棉机造型设计实践对方法进行深入分析和验证。研究分为四步进行，首先，通过感性评价实验获取用户对代表性样本的感性评价值；其次，基于BP-NN建立关联模型，构建梳棉机的造型要素样本库，获取单意象维度下的梳棉机造型设计策略；再次，应用AHP得到多目标意象下梳棉机造型设计策略；最后，通过梳棉机造型设计实践及评价，进一步验证所提研究方法的可靠性和有效性。

1 相关理论基础

1.1 感性工学

感性工学（Kansei Engineering，KE）是人体工程学的一个重要领域，将消费者感受和需求用工程学的方法加以量化，寻找需求感性变量和工程学中物理变量间的关系，然后将其转译为设计形态的技术[15]。它的优点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应用原理，把模糊性的感性意象用工学的数据表示出来，帮助人们准确地表达需求[16]。

1.2 BP-NN

BP-NN作为神经网络工程中具有代表性和广泛应用的非线性拟合方法，在产品建模设计中具有很好的应用前景[12]，是目前广泛应用的一种神经网络模型。其优点在于当系统复杂或信息量较少时，可以建立非线性映射模型[17]。利用BP-NN的学习能力来挖掘对客户的感性知识，并对不同时段的关联规则进行训练、预测和整合，可以为产品设计提供更好的方法参考，也为企业决策提供了新思路[18]。

1.3 AHP

AHP是由美国运筹学家托马斯·塞蒂提出，通过将复杂的目标分解成若干准则和若干层次，定性与定量相结合的系统科学方法[19]。层次分析法具有较好的处理复杂决策问题的能力，表现出很强的系统性和有效性，经常被用于计算和确定复杂问题中不同影响因素的权重值，以及进行设计方案的评估与优选。

2 感性评价实验

2.1 实验准备

2.1.1 筛选目标感性意象词汇

通过阅读相关文献，浏览产品宣传页、网站等渠道广泛收集有关梳棉机的感性意象词汇对，得到100组感性意象词汇对。首先，依据语义差异性原则，删除意思相近的感性意象词对；其次，根据梳棉机的功能结构特点和造型特点，筛除与梳棉机造型不符的词汇对；最后，邀请6名有工业设计工程教育背景、有过纺织机械造型设计经验的专家组成焦点小组进行讨论，并参考相关文献中对纺织机械感性意象词汇对的选择结果[9]，选定7组较为符合且能多维度地展现梳棉机造型语义的感性意象词对：“冷漠的-亲切的”“传统的-现代的”“轻巧的-稳重的”“突兀的-协调的”“繁琐的-简约的”“零碎的-整体的”“难用的-易用的”。在实际设计实践中，同时表达7个维度的感性意象存在较大难度。因此，继续邀请专家依据梳棉机创新设计与感性意象的关联性与重要性，采用1～7标度法对上述7组意象词对进行打分，排序前三的是“难用的-易用的”“零碎的-整体的”“繁琐的-简约的”。因为上述三组词汇对已考虑了示能性、结构性、视觉性，能够较好地表达梳棉机造型感性意象，所以选定“繁琐的-简约的”“零碎的-整体的”“难用的-易用的”为最终目标感性意象词对。

2.1.2 筛选梳棉机代表性样本

通过浏览纺织机械制造企业网站、销售网站、宣传图册等途径广泛收集梳棉机样本图片，共得到40个样本。由上述焦点小组筛选，去除重复及非典型性样本后，得到24个代表性样本。为方便被试者在后续评估样本感性意象时进行观察，并尽可能确保评价的客观性，统一选取各样本的左45°侧视图片；同时，为了避免色彩、材质等因素对感性意象评估造成的影响，对样本图片进行统一去色化处理，结果如图1所示。

2.2 实验过程

2.2.1 问卷设计

语义差分法是感性工学中量化被试者感性意象的基本方法之一[20]。为了获得有效的梳棉机感性意象评价值，将筛选出的3组感性意象词对和24个代表性样本相结合，基于语义差分法，采用Likert七阶量表制作梳棉机感性意象评价问卷。

2.2.2 被试者选择

被试者除需对产品及工艺有一定程度的了解外，还应对感性词汇有较好的认知[21]。同时，小样本的专家语义评价，能够在一定程度上预测梳棉机用户语义评价结果[22]。因此，采用专家用户调研的方式，邀请纺织机械相关的开发者、操作者，有纺织机械设计相关经验的设计师填写调研问卷。要求每位被试者根据对样本图片的第一印象进行该样本的感性意象评价，共收回31份有效问卷。

图1 代表性样本

2.2.3 实验形式

网络和智能手机已成为人们生活的重要组成部分，且在线调研比传统调研方式更能获取真实的用户感性偏好[23]。因此，选择网络问卷星模式开展在线问卷调研。

2.3 实验结果

输出调查结果，统计各样本在各典型意象维度的评价平均值，见表1。为便于后期将感性意象评价均值作为输出端构建BP-NN模型，采用min-max标准化方法对表1数据进行归一化处理，结果见表2。

表1 代表性样本的感性意象评价平均值

Tab.1 Kansei image evaluation mean of representative samples

表2 归一化处理后的感性意象平均值

Tab.2 Normalized Kansei image mean

3 获取单目标意象设计策略

3.1 提取梳棉机造型要素及编码

在保障生产安全、结构合理等基本要素的基础上，采用形态分析法[24]对梳棉机外壳造型进行形态要素分解。将影响梳棉机造型设计的形态要素分为通风孔、主箱体、观察窗形态、观察窗面积、控制箱体、底座6个项目；之后分别对各项目进一步划分，得到19个类目，见表3。采用开关式名义尺度编码对24个代表性样本进行编码，将定性造型要素转化为定量数据，得到代表性样本的形态反应矩阵，见表4。

表3 梳棉机类目划分

Tab.3 Classification of carding machines modeling categories

表3（续）

表4 代表性样本的形态反应矩阵

Tab.4 Morphological response matrix of representative samples

3.2 构建关联模型

采用3层BP-NN分别构建并训练梳棉机的造型要素形态矩阵和三个代表性感性意象词对之间的关联映射模型。

3.2.1 参数和函数的选取

在全部样本中随机抽选21个样本为训练样本，其余3个为测试样本。采用对数S型函数（Log Sigmoid函数）为隐藏层和输出层的传递函数，trainlm函数为网络训练函数，learngdm函数为学习函数，MSE（Mean Square Error，均方误差）函数为验证函数。

3.2.2 训练模型

依据3.2.1所述，设置相关参数与函数，构建并训练梳棉机造型元素与各感性意象维度之间的关联映射模型。如图2所示，“繁琐的-简约的”意象维度下的神经网络训练到第10次时，MSE值降低至0.001以下，停止训练。

图2 “繁琐的-简约的”意象维度下模型训练结果

3.2.3 验证模型

训练后的模型需要对其有效性和鲁棒性进行验证分析，验证合格后方可作为预测模型投入使用[25]。训练回归图中拟合度越接近1，说明拟合程度越高[26]。三个网络模型的拟合度分别为简约的=0.942 09，整体的=0.976 28，易用的=0.935 22，说明网络拟合度良好，训练回归图如图3所示。

图3 “繁琐的-简约的”意象维度下模型拟合度

在24个代表性样本中，随机抽取样本3、样本10和样本24为测试样本，采用sim仿真实验对测试样本的感性意象值进行预测，计算预测值归一化的感性意象值和反归一化处理后的数值（见表5）。由表5可知，各测试样本的误差在允许范围之内，证明神经网络具有良好的鲁棒性，可以对梳棉机造型的感性意象进行较为准确的预测。

3.3 建立用于造型推荐的样本库

经训练，上述模型能较好地预测给定样本或设计方案在某具体意象维度下的感性意象值。然而在设计实践中，除需对设计方案进行感性预测评估之外，设计师往往更希望根据目标意象评价值寻找对应的最优造型要素组合，即获得目标意象下最优造型要素组合的推荐。

为实现目标意象下造型要素组合的推荐，构建相应造型设计样本库。根据表1，采用穷举法对梳棉机造型要素进行重新组合，共得到3×5×2×4×2×3=720种方案，对所有可能的方案进行编码，构建梳棉机造型样本库，并用训练好的3个BP-NN模型预测各样本的三种感性意象值，见表6。其中，样本X429、X226、X174分别为对应单意象维度下在梳棉机造型库中的最优造型要素组合推荐，见表7。

在目标寻优之外，上述模型还可以通过指定预期感性意象阈值在样本库中搜索符合条件的样本，帮助设计师快速有效地获取对应的造型设计要素组合推荐。如在“难用的-易用的”感性意象维度下，寻找预测感性意象值大于等于5的类目组合，可以得到2组符合条件的造型要素组合方案，见表8。

表5 测试样本的观测值与预测值

Tab.5 Observed value and predicted value of test samples

表6 样本库的预测值

Tab.6 Predicted value of sample library

表7 单意象维度下最优样本

Tab.7 Optimal sample under single image dimension

表8 “难用的-易用的”预测感性评价≥5的造型推荐

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

4 获取多目标意象设计策略

用户的意象认知和情感需求经常是复合的、多方面的，拥有复合意象风格的产品造型风格得到更多的青睐[27]。在梳棉机造型设计实践中，一般需要同时考虑产品的多个目标意象，而不是仅在单一维度下进行设计创新。在多个目标维度下，目标意象与目标意象所对应的最优造型要素可能存在差异，此时BP-NN网络在造型设计推荐时会存在矛盾与困难。常见的多目标寻优方法有多目标遗传算法[28]、加权和法[29]、Pareto前言法[30]等。其中，加权和法通过多个目标函数加权求和，将多目标优化问题转化为单目标优化问题，具有简单易实现、灵活性及利用现有单目标优化算法的优势，是多目标优化领域中常用且有效的方法之一[31]。为实现在多目标维度下进行造型设计方案的寻优，本文采用加权和法进行多目标意象的实现。首先需要为各目标意象分配权重，以反映其相对重要性，进而寻求多目标意象驱动下的梳棉机最佳造型方案。AHP方法常用于确定多个准则或因素的权重，通过将复杂的决策问题分解为层次结构，再使用专家判断和比较来确定各层次元素之间的相对重要性。因此，本文采用AHP方法获取各目标意象的重要性权重。

4.1 计算多目标意象的权重值

4.1.1 构建层次结构模型

根据研究目标，将梳棉机造型作为目标层，“繁琐的-简约的”“零碎的-整体的”和“难用的-易用的”三个感性意象作为准则层，构建梳棉机多目标感性意象层次分析模型，见图4。

图4 梳棉机多目标感性意象层次分析模型

4.1.2 建立判断矩阵及计算权重

使用1～9标度法，邀请焦点小组成员对各意象的重要性程度进行打分，两两比较后给出一致性意见；基于得到的专家打分，建立梳棉机准则层的判断矩阵；根据层次分析法中权重值计算公式，计算各意象的权重值，汇总如表9所示。

表9 准则层判断矩阵及权重值

Tab.9 Criterion layer judgment matrix and weight

4.1.3 一致性检验

4.2 获取多意象驱动下的梳棉机造型设计策略

结合表7和表9，计算梳棉机样本库中各样本在多意象维度下的感性意象预测值，计算见式（1）。

经计算，max=5.029 5，样本编号为X174，对应的造型要素组合为{A3，B3，C2，D2，E2，F1}。即在多意象驱动下样本库中推荐的最佳造型的设计要素组合为类倒三角形控制箱、斜面式主箱体、窄边底座、矩形+梯形观察窗、观察窗面积不小于门面积的1/2、条形通风孔。

5 梳棉机设计实践及策略验证

为验证上述研究方法的可靠性，通过梳棉机造型设计实践产生设计方案，并结合进一步的感性意象评价实验进行检验。

5.1 设计实践

基于4.2节输出的设计策略，以{A3，B3，C2，D2，E2，F1}造型设计要素组合进行梳棉机造型设计实践，得到3款设计方案，见图5。

图5 设计方案

5.2 方案感性意象评价

为了客观地选择出更符合多目标意象的设计方案，并验证上述方法的有效性，对设计方案再次进行用户评价实验。

采用部分重复样本结合新样本的方式组建评价样本集。从图1的原有产品样本中随机抽选前期用户评价较高的样本5（10/24）、样本12（5/24）为对照样本；随机从图5的设计方案中选择方案1、方案2作为抽选方案，并对其进行灰度处理，之后与对照样本共同组成评价样本集合，见图6。

图6 梳棉机评价样本集

结合3组目标意象与评价样本集合，采用Likert七阶评价量表设计调研问卷。再次邀请与纺织机械相关的用户、工程师、有纺织机械造型设计经验或有5年以上工业设计教育背景及经验的工业设计从业人员，填写网络调研问卷。共收回31份有效问卷。

表10 各样本的感性意象得分

Tab.10 Kansei image value of each sample

根据表10，各样本的整体得分如下：

计算各样本的最终评价结果见式（4）。

计算结果见表11。由评价结果可知，方案1与方案2的最终得分均高于抽样样本，即依据关联模型推荐的最优造型设计要素组合开展设计实践，所得设计方案在三个维度感性意象优度均高于对照样本，验证了方法的有效性。

表11 各样本最终得分

Tab.11 Final value of each sample

6 结语

为了量化表达纺织机械的多维度感性意象，提升造型设计效率和用户满意度，本文提出多目标意象驱动的梳棉机造型设计方法，并结合设计实践与方案评价验证了研究方法的有效性与可靠性。研究得出如下结论：基于KE和BP-NN可以构建梳棉机造型设计要素与感性意象评价之间的非线性关联映射模型；基于关联模型构建造型要素样本库，可以为设计提供更丰富的造型设计资源，并实现具体目标意象下造型设计策略的推荐；结合AHP为各目标意象赋权，构建多目标意象维度下梳棉机造型要素与感性意象评价的关联映射模型，可以预测样本在多目标意象维度下的感性意象值和输出最优样本，为设计师提供指向具体、要素清晰的造型设计策略，帮助设计师提升设计效率，更好地满足用户的多维感性需求。基于该方法提供的类目要素组合推荐策略，设计师可以结合当下的智能设计生成工具，提出相应的智能生成关键词或限制约束，尝试进行设计草图或预想概念图的智能生成；同时，固定的设计要素组合即使是相应条件下的最优推荐组合，也可能会在一定程度上限制设计师的创意思路发散，建议设计师可以结合可拓图解语义或形状文法等方法，进行约定语义或约定组合下的思维充分发散和有效收敛，为产品创意设计提供更充分、可靠的路径方法，这也是课题组下一步的研究目标。

[1] 王大龙. 基于品牌风格的智能灌装生产线造型设计研究[D]. 镇江: 江苏大学, 2022. WANG D L. Research on Modeling Design of Intelligent Filling Production Line Based on Brand Style[D]. Zhenjiang: Jiangsu University, 2022.

[2] 廖为. 簇绒机导纱系统的拓扑优化设计研究[D]. 上海: 东华大学, 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, 马彧. CMF设计在纺织装备工业设计的应用研究[J]. 现代工业经济和信息化, 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] 闻洪波, 彭来湖. 鞋面针织圆纬机人机交互系统设计[J]. 针织工业, 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] 刘靓静, 马彧. 机械设备造型设计的结构性分析[J]. 包装工程, 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, 马彧. 基于AHP和加权灰色关联分析的并条机设计评价研究[J]. 包装工程, 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. 基于感性意象的并条机造型设计[J]. 纺织学报, 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] 苏建宁, 范跃飞, 张书涛, 等. 基于感性工学和神经网络的产品造型设计[J]. 兰州理工大学学报, 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] 徐骁琪, 程永胜. 基于BP神经网络的陶瓷食用器皿造型设计研究[J]. 计算机仿真, 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, 杨雅岚, 等. 基于意象尺度的男西装造型风格认知评价[J]. 纺织学报, 2021, 42(4): 149- 154. LI Q W, WANG J P, YANG Y L, et al. Cognitive Eva­lua­tion of Men's Suit Style Based on Image Scales[J]. Journal of Textile Research, 2021, 42(4): 149-154.

[22] 李晓娇, 马彧, 陈永超. 基于梳棉机外观设计的专家和用户语义评价比较研究[J]. 包装工程, 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, 张秦玮. 基于类型学的产品风格创新设计研究[J]. 机械设计, 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] 姚昌荣, 姚山毛, 李亚东. 神经网络参数识别技术在施工控制中的应用[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] 张炜. 多意象驱动下的产品个性化定制造型设计方法研究[D]. 兰州: 兰州理工大学, 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. 基于多目标的应急供应商选择研究[J]. 物流工程与管理, 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] 颜远, 林舜江, 刘明波. 考虑备用动作约束的含风电场电力系统多目标动态优化调度[J]. 电网技术, 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

中央高校基本科研业务费资助项目（JBKYZD2023-1）；教育部产学合作协同育人项目（202102071001）