基于FNN的特種車輛外觀設計評價方法研究*

□ 曹 娜 □ 余隋懷 □ 安珊珊

西北工業大學 工業設計研究所 西安 710072

特種車具有降低勞動成本、提高工作效率、減少作業損耗的優勢，面對愈加激烈的競爭局面，新型特種車輛的設計面臨著更大的挑戰。隨著科技的進步，不同企業生產的特種車輛在功能性方面的差異越來越小，特種車輛的外觀設計作為提高產品競爭力的一項關鍵要素，涉及到人機、材料、涂裝、形態、市場、經濟等多方面目標的綜合設計，通常會產生大量的設計方案，需要來自不同背景的決策者及專家共同對其進行評價，直至選出最佳方案后投入生產。評價的客觀性與準確性會影響到整個產品設計的最終成果。

目前的專家評價方法主要有層次分析法、模糊綜合評價法等［1-4］，在評價方案較少時，這些方法可以獲得產品定性、定量的評價結果，而評價方案數量增多時，運算量增加，專家會產生一定的評價疲勞。這些方法的缺點是：依賴經驗，對已經確定的指標權重值常常由設計人員進行主觀確定，在多重指標的評價環境中對評價結果的影響極大；重復評價，對已有的案例不能實現評價的知識積累，每次評價都需要對其進行重新定位、單獨分析，最后得出評價結果?，F代設計是基于知識的設計［5］，為此本文提出基于模糊神經網絡（FNN）的評價方法。模糊神經網絡兼具模糊理論與神經網絡的特點，不僅能夠模擬人腦的思維方式處理模糊不精確的問題，而且具有分布式、并行性特點，并具有學習能力，適用于復雜系統，能處理定量與定性的知識［6］。利用以往的決策案例訓練網絡模型，簡化對評價方案進行深入分析的過程，輸入帶評價方案的評價指標值后即可獲得含有領域專家經驗的最終評價結果。

▲圖1 特種車外觀評價體系

1 評價指標的確定

從特種車設計的特點來看，造型設計是影響特種車外觀設計的主要因素。但對于外觀的評價來講，其復雜性就在于影響因素較多，它涉及到形態、色彩、材質、人機、經濟、市場等諸多因素。因此，對特種車進行外觀評價需要從多方面綜合考慮。

根據評價目標全面性及獨立性的基本要求［7］，本文將從特種車的人機性能、造型形式、市場及加工制造4個方面進行分析，并建立了如圖1所示的外觀評價指標體系。

（1）人機性能?，F代設計是以人為本的設計，特種車能高效便捷地進行作業，不僅依靠用戶操作的熟練性與有效性，更取決于對操作者本身特性的符合度，因此主要以特種車的可靠性、創新性、可操控性及舒適性作為人機性能的評價指標，即特種車的部件設計能夠最大程度地滿足用戶的操作習慣，并從技術方面避免可能出現的誤操作，符合人體結構學、生理學及人機工程學等要求的以人為設計基準的準則。例如對特種車駕駛室操作面板的布局設計，顯示類界面要處于人的正常視域范圍內，操作類的按鍵或手柄要按照操作可靠性及使用頻繁度的不同進行布局，使其相互間的位置合理，操作便捷高效。

（2）造型形式。特種車的造型與色彩是造型形式最直接的表現，是外觀的重要評價依據。造型不僅體現在整體與局部造型設計是否協調，更體現在設計師對細小部件處理的精細程度上，良好的造型感是獲取評價專家及用戶好感的重要指標之一；特種車的色彩是對其最直接的視覺接觸，優秀出色的色彩搭配不僅能在同類系產品中脫穎而出，更能增強用戶對生產企業的印象感，提高企業的認知程度。

（3）市場。優秀的設計離不開對設計環境的把控，在了解特種車國際潮流方向的基礎上，將最新的設計方法、制造技術等與本地的實際進行結合，形成獨特并受用戶歡迎的特種車外觀設計。

（4）加工制造。特種車設計方案的可制造性是生產企業最為關注的問題，缺少對現有制造技術的了解及忽視制造成本的設計方案，無疑會使企業的生產成本加重，帶來不可預計的結果，成為失敗的設計案例。

2 特種車外觀評價的模糊神經網絡結構

模糊神經網絡前饋型網絡有幾種不同的形式，根據特種車的外觀評價特點，本文選取3層前饋型的BP神經網絡以及多輸入、單輸出的模糊神經網絡結構，如圖2所示。整個網絡由4個重要部分組成，分別是輸入層、模糊化層、規則層和輸出層。

▲圖2 特種車外觀評價模糊神經網絡結構

第一層為輸入層，輸入值是產品的評價指標值。評價指標有定性與定量描述兩種形式［7］，定量描述的指標通常含有不同的物理意義，表達形式也不盡相同；定性描述的指標由于不同的評價者對指標值的理解程度不同，需要通過建立評價集來完成對指標的評價。定性指標在評價中一般采用兩種方式來完成最終評價，第一種是在評價過程中一直采用定性描述的形式，通過評價者本身的經驗及邏輯判斷能力完成評價；第二種是將定性指標進行量化，在此基礎上通過數學方法完成評價。本文采用第二種方式針對特種車的外觀設計進行評價，評價指標多為定性描述。

文中所選外觀評價指標中，制造成本與使用成本為逆向評價指標，屬于越小越優型，其余指標則屬于正向指標，需要對指標值進行歸一化處理。本文采用文獻［8］中提出的改進后的歸一化方法進行處理。

式中：xij是指第i個方案的第j個指標量化值；yij是經過處理后的指標量化值；m是輸入指標的個數；n是語言變量個數。

第二層為模糊化層，是對第一層輸入值的模糊化處理。文中的語言變量值有n個，一般n選取3～9，本文選擇V=（優，良，中，差，劣）作為評價論域，則隸屬度的五維向量為 rm=（rm1，rm2，rm3，rm4，rm5）。

這里隸屬函數模糊化選用高斯函數，則與指標值xi相關的第j個節點的隸屬函數是：

式中：μi是高斯型隸屬函數的中心；σi為其寬度。

將樣本庫中的樣本評價指標按照文中提出的評價論域，將其分成5個級別，指標在某個等級上的均值即確定為μi，而此等級的寬度σi則通過式（3）進行確定：

式中：n是在某一等級中樣本的數量；xij是某一樣本的指標值，當某等級上的樣本數量為1時，取σi=10-5。

第三層為規則層，即模糊推理層。該層將模糊化層和輸出層聯系起來，是模糊神經網絡的關鍵層。按照模糊評價論域，訓練網絡，調節連接權值，獲取專家的評價經驗。其中使用反向傳播算法對BP神經網絡進行權值調整，神經元傳遞函數一般使用可微的Sigmoid型函數，即 f（x）=1/（1+e-x）。

第四層為輸出層，也就是反模糊化層。該層根據一定的模糊規則對輸入層進行評判，進而進行模糊決策，輸出最終的模糊評價結果。

3 實例驗證

以某企業的某型罐車設計評價作為案例，對本文所提方法進行驗證。在正式對評價對象進行綜合評價之前，獲取領域專家相關評價的經驗知識，需要建立含有多個評價案例的樣本數據集。本文以某企業罐車的10個設計方案作為訓練樣本，以樣本10作為測試樣本，邀請專家對這些設計方案的相關指標進行打分，分值范圍設定為0～5分，在加工制造的一級評價指標中，成本屬于越小越優型，根據式（1）進行處理。處理后的造型形式中，各指標的模糊化評價結果見表1，權值由專家根據經驗給出。參考文獻［4］中的綜合評價方法得到如表2所示的評價結果。

依照特種車的外觀評價指標體系，本文的模糊神經網絡的輸入層共有4個節點，先將10個方案的指標值區分成優良中差劣5個等級，按照式（3）確定各μi及σi的值，再根據式（2）計算指標對各評語等級間的模糊關系，確定模糊神經網絡的第二層輸出值。使用MATLAB8.1對文中的BP網絡進行訓練，學習率設定為0.01，誤差取0.02，初始權值由隨機賦值，經過反復迭代完成網絡訓練。

表1 特種車造型形式指標模糊化處理結果

表2 特種車外觀評價模糊神經網絡訓練樣本

將方案10作為測試樣本，對比模糊綜合評價方法得到的評價結果與訓練后的模糊神經網絡評價輸出，使用模糊綜合評價得到的結果為（0.04，0.50，0.3，0.16，0），模糊神經網絡的評價結果為（0.023，0.511，0.293，0.173，0），可以看出，兩者結果接近，這表明訓練后的模糊神經網絡很好地存儲了評價專家的經驗知識，訓練好的網絡可以用來對某企業的特種車外觀進行評價。

4 結論

對于特種車的外觀評價一直以專家經驗作為評價的主要接受層，具有很大的主觀性。本文建立了完整的特種車外觀評價指標體系，并引入了模糊神經網絡的思想，提出基于FNN的特種車外觀評價方法。通過訓練模糊神經網絡獲取專家的評價經驗，克服了評價專家在評價指標認識上的不確定性、評價結果對專家的主觀經驗依賴過強等缺點。以某企業的罐車外觀設計評價為例，結果表明，該方法能夠較為完整地將專家的直覺思維及知識經驗進行再現，并提高了對特種車外觀評價結果的客觀性。

［1］ 邵飛，鄧衛，易富君，等.基于AHP灰色理論的大城市公交系統綜合評價方法 ［J］.解放軍理工大學學報 （自然科學版），2009（6）:536-541.

［2］ Emilio Larrode，Jose Maria Moreno-Jimenez，M Victoria Muerza.An AHP-multicriteria Suitability Evaluation of Technological Diversification in the Automotive Industry［J］.International Journal of Production Research，2012，17.

［3］ 成經平.機械系統概念設計的機構選型模糊綜合評價［J］.機械設計與研究，2001，17（4）：15-17．

［4］ 徐元，陳菓.模糊綜合評價法在機械傳動方案設計中的應用［J］.重慶工商大學學報（自然科學版），2004（1）：75-77．

［5］ 謝友柏，現代設計與知識獲取［J］.中國機械工程，1996（6）.

［6］ 鄭太雄，伍光鳳;基于模糊神經網絡產品設計的可裝配性評價［J］.機械設計，2005（1）.

［7］ 楊程，孫守遷，劉征，等.基于主成分分析的產品外觀設計決策模型［J］.中國機械工程，2011，22(18).

［8］ 劉沐宇，袁衛國;基于模糊神經網絡的大跨度鋼管混凝土拱橋安全性評價方法研究［J］.中國公路學報，2004（4）.

［9］ 田啟華，杜義賢.基于模糊神經網絡的機械產品性能評價［J］.中國制造業信息化，2004（9）.

［10］榮莉莉，王眾托;基于知識和模糊神經網絡的學習型評價系統［J］.管理科學學報，2003（3）.