1.3.2　數(shù)據(jù)驅(qū)動的概念設(shè)計

產(chǎn)品概念設(shè)計是面向設(shè)計需求的一系列迭代、復(fù)雜的工程過程，它通過建立功能行為關(guān)聯(lián)來尋找正確的組合機(jī)制，確定基本求解路徑，并生成設(shè)計方案。新產(chǎn)品開發(fā)的成功與否取決于概念設(shè)計階段的設(shè)計概念生成。企業(yè)需要在不增加生產(chǎn)成本和產(chǎn)品開發(fā)周期的前提下，快速生產(chǎn)滿足消費者多樣化和個性化需求的新產(chǎn)品。產(chǎn)品概念設(shè)計是解決這些問題的關(guān)鍵步驟之一，而產(chǎn)品數(shù)據(jù)的使用效率是影響產(chǎn)品概念設(shè)計效率的主要因素。

在大數(shù)據(jù)時代背景下，數(shù)據(jù)在產(chǎn)品概念設(shè)計中發(fā)揮積極作用。大多數(shù)消費群體的需求可以從大量的產(chǎn)品數(shù)據(jù)中分析出來，從而減少了概念設(shè)計的模糊性。產(chǎn)品數(shù)據(jù)包含豐富的設(shè)計知識，可以提高概念設(shè)計的效率和設(shè)計方案的創(chuàng)新性。數(shù)據(jù)的其他方面包括許多有助于設(shè)計過程的方法論經(jīng)驗。在產(chǎn)品概念設(shè)計中，設(shè)計者往往需要依靠自己的設(shè)計經(jīng)驗，找到相關(guān)的設(shè)計知識來解決設(shè)計問題。有時在遇到新問題時，僅靠設(shè)計者自身的知識和經(jīng)驗很難解決問題，而這會導(dǎo)致設(shè)計效率低下。數(shù)據(jù)驅(qū)動的產(chǎn)品概念設(shè)計不僅可以減輕設(shè)計人員的工作量，而且可以提高產(chǎn)品設(shè)計質(zhì)量。

在產(chǎn)品概念設(shè)計階段，需要解決的問題包括設(shè)計概念、功能需求等高層抽象表達(dá)，以有效捕捉思維的演變。因此有必要生成實現(xiàn)設(shè)計功能的基本物理結(jié)構(gòu)，以便明確表達(dá)設(shè)計意圖。產(chǎn)品概念設(shè)計方案的生成過程是一個從模糊需求到特定結(jié)構(gòu)的映射過程，產(chǎn)品概念設(shè)計中的功能推理方法側(cè)重于功能層面，以生成和評估特定設(shè)計問題的解決方案。推理過程中涉及大量的實際數(shù)據(jù)。許多學(xué)者將數(shù)據(jù)處理技術(shù)引入概念設(shè)計，形成了一系列數(shù)據(jù)驅(qū)動的功能推理方法。對設(shè)計知識和數(shù)據(jù)重用的需求推動了基于實例推理法（CBR）在產(chǎn)品設(shè)計領(lǐng)域的發(fā)展和應(yīng)用。CBR通過將過去相似問題的解決方案關(guān)聯(lián)起來，并通過對其進(jìn)行適當(dāng)?shù)男薷膩斫鉀Q新問題，這與人類的決策過程類似。CBR通過有效地組織和利用原有的設(shè)計知識和數(shù)據(jù)，克服了一般智能系統(tǒng)中知識獲取的瓶頸。智能算法可以處理特定的產(chǎn)品數(shù)據(jù)，因此引入智能算法可以更好地執(zhí)行推理過程。神經(jīng)網(wǎng)絡(luò)具有自組織和自學(xué)習(xí)的能力，可以解決分類任務(wù)和聯(lián)想記憶的重新獲得。在功能推理中，神經(jīng)網(wǎng)絡(luò)可以處理不充分且容易被更改的數(shù)據(jù)，用于提取和表達(dá)知識。混合推理是兩種或多種推理技術(shù)的結(jié)合，通過一定的信息交換和相互協(xié)作，生成概念設(shè)計優(yōu)化方案，有效地解決了單一推理方法的不足。概念設(shè)計方法學(xué)、信息建模和人工智能技術(shù)的發(fā)展為混合推理技術(shù)的實現(xiàn)提供了良好的平臺。

通過對產(chǎn)品功能設(shè)計、原理解和原始理解的結(jié)合，得到多個產(chǎn)品原理解。概念設(shè)計的目標(biāo)是選擇一個令人滿意的設(shè)計方案，并在隨后的詳細(xì)設(shè)計階段進(jìn)一步細(xì)化方案。概念設(shè)計方案的決策是在方案生成階段對生成的多個候選方案進(jìn)行評價和比較，以選出最優(yōu)的概念設(shè)計方案。在此階段，通過設(shè)定合理的評價目標(biāo)，選擇合適的評價方法和決策方法，對最優(yōu)原則方案進(jìn)行優(yōu)化。方案決策需要考慮的因素包括功能因素、制造、可靠性、安全性等經(jīng)濟(jì)社會要求。由于決策過程受評價數(shù)據(jù)的多樣性、模糊性、不確定性等諸多因素的影響，合理的評價指標(biāo)和權(quán)重數(shù)據(jù)是概念方案決策的關(guān)鍵。數(shù)據(jù)驅(qū)動的方案決策通過選擇和分析選定的數(shù)據(jù)對象來提供決策支持信息。以產(chǎn)品類型和產(chǎn)品元素作為數(shù)據(jù)驅(qū)動的影響因素和閾值權(quán)重，實現(xiàn)對產(chǎn)品設(shè)計方案的決策。產(chǎn)品類型是基于數(shù)據(jù)的價值創(chuàng)新，源于對用戶數(shù)據(jù)的挖掘。產(chǎn)品元素的獲取基于數(shù)據(jù)聚類，是一個集成、分析和歸納的過程，表示某一類用戶的相關(guān)特征。這些特征是相互關(guān)聯(lián)的，是用戶之間相互理解和交流的紐帶。常用的經(jīng)典決策方法有線性加權(quán)法、相似理想解排序法（TOPSIS）和層次分析法等。隨著研究的深入，學(xué)者們引入了灰色理論、粗糙集理論等其他數(shù)學(xué)分析方法，改進(jìn)了經(jīng)典的多屬性決策方法，拓寬了多屬性決策的思路，并提出了灰色關(guān)聯(lián)評價法、模糊綜合評判法等多屬性決策方法。隨著數(shù)據(jù)分析和數(shù)據(jù)驅(qū)動方法在產(chǎn)品設(shè)計中的應(yīng)用，機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等方法也逐漸被用于產(chǎn)品設(shè)計方案的評價和決策。