□ 曹 娜 □ 余隋怀 □ 安珊珊

西北工业大学 工业设计研究所 西安 710072

特种车具有降低劳动成本、提高工作效率、减少作业损耗的优势，面对愈加激烈的竞争局面，新型特种车辆的设计面临着更大的挑战。随着科技的进步，不同企业生产的特种车辆在功能性方面的差异越来越小，特种车辆的外观设计作为提高产品竞争力的一项关键要素，涉及到人机、材料、涂装、形态、市场、经济等多方面目标的综合设计，通常会产生大量的设计方案，需要来自不同背景的决策者及专家共同对其进行评价，直至选出最佳方案后投入生产。评价的客观性与准确性会影响到整个产品设计的最终成果。

目前的专家评价方法主要有层次分析法、模糊综合评价法等［1-4］，在评价方案较少时，这些方法可以获得产品定性、定量的评价结果，而评价方案数量增多时，运算量增加，专家会产生一定的评价疲劳。这些方法的缺点是：依赖经验，对已经确定的指标权重值常常由设计人员进行主观确定，在多重指标的评价环境中对评价结果的影响极大；重复评价，对已有的案例不能实现评价的知识积累，每次评价都需要对其进行重新定位、单独分析，最后得出评价结果。现代设计是基于知识的设计［5］，为此本文提出基于模糊神经网络（FNN）的评价方法。模糊神经网络兼具模糊理论与神经网络的特点，不仅能够模拟人脑的思维方式处理模糊不精确的问题，而且具有分布式、并行性特点，并具有学习能力，适用于复杂系统，能处理定量与定性的知识［6］。利用以往的决策案例训练网络模型，简化对评价方案进行深入分析的过程，输入带评价方案的评价指标值后即可获得含有领域专家经验的最终评价结果。

▲图1 特种车外观评价体系

1 评价指标的确定

从特种车设计的特点来看，造型设计是影响特种车外观设计的主要因素。但对于外观的评价来讲，其复杂性就在于影响因素较多，它涉及到形态、色彩、材质、人机、经济、市场等诸多因素。因此，对特种车进行外观评价需要从多方面综合考虑。

根据评价目标全面性及独立性的基本要求［7］，本文将从特种车的人机性能、造型形式、市场及加工制造4个方面进行分析，并建立了如图1所示的外观评价指标体系。

（1）人机性能。现代设计是以人为本的设计，特种车能高效便捷地进行作业，不仅依靠用户操作的熟练性与有效性，更取决于对操作者本身特性的符合度，因此主要以特种车的可靠性、创新性、可操控性及舒适性作为人机性能的评价指标，即特种车的部件设计能够最大程度地满足用户的操作习惯，并从技术方面避免可能出现的误操作，符合人体结构学、生理学及人机工程学等要求的以人为设计基准的准则。例如对特种车驾驶室操作面板的布局设计，显示类界面要处于人的正常视域范围内，操作类的按键或手柄要按照操作可靠性及使用频繁度的不同进行布局，使其相互间的位置合理，操作便捷高效。

（2）造型形式。特种车的造型与色彩是造型形式最直接的表现，是外观的重要评价依据。造型不仅体现在整体与局部造型设计是否协调，更体现在设计师对细小部件处理的精细程度上，良好的造型感是获取评价专家及用户好感的重要指标之一；特种车的色彩是对其最直接的视觉接触，优秀出色的色彩搭配不仅能在同类系产品中脱颖而出，更能增强用户对生产企业的印象感，提高企业的认知程度。

（3）市场。优秀的设计离不开对设计环境的把控，在了解特种车国际潮流方向的基础上，将最新的设计方法、制造技术等与本地的实际进行结合，形成独特并受用户欢迎的特种车外观设计。

（4）加工制造。特种车设计方案的可制造性是生产企业最为关注的问题，缺少对现有制造技术的了解及忽视制造成本的设计方案，无疑会使企业的生产成本加重，带来不可预计的结果，成为失败的设计案例。

2 特种车外观评价的模糊神经网络结构

模糊神经网络前馈型网络有几种不同的形式，根据特种车的外观评价特点，本文选取3层前馈型的BP神经网络以及多输入、单输出的模糊神经网络结构，如图2所示。整个网络由4个重要部分组成，分别是输入层、模糊化层、规则层和输出层。

▲图2 特种车外观评价模糊神经网络结构

第一层为输入层，输入值是产品的评价指标值。评价指标有定性与定量描述两种形式［7］，定量描述的指标通常含有不同的物理意义，表达形式也不尽相同；定性描述的指标由于不同的评价者对指标值的理解程度不同，需要通过建立评价集来完成对指标的评价。定性指标在评价中一般采用两种方式来完成最终评价，第一种是在评价过程中一直采用定性描述的形式，通过评价者本身的经验及逻辑判断能力完成评价；第二种是将定性指标进行量化，在此基础上通过数学方法完成评价。本文采用第二种方式针对特种车的外观设计进行评价，评价指标多为定性描述。

文中所选外观评价指标中，制造成本与使用成本为逆向评价指标，属于越小越优型，其余指标则属于正向指标，需要对指标值进行归一化处理。本文采用文献［8］中提出的改进后的归一化方法进行处理。

式中：xij是指第i个方案的第j个指标量化值；yij是经过处理后的指标量化值；m是输入指标的个数；n是语言变量个数。

第二层为模糊化层，是对第一层输入值的模糊化处理。文中的语言变量值有n个，一般n选取3～9，本文选择V=（优，良，中，差，劣）作为评价论域，则隶属度的五维向量为 rm=（rm1，rm2，rm3，rm4，rm5）。

这里隶属函数模糊化选用高斯函数，则与指标值xi相关的第j个节点的隶属函数是：

式中：μi是高斯型隶属函数的中心；σi为其宽度。

将样本库中的样本评价指标按照文中提出的评价论域，将其分成5个级别，指标在某个等级上的均值即确定为μi，而此等级的宽度σi则通过式（3）进行确定：

式中：n是在某一等级中样本的数量；xij是某一样本的指标值，当某等级上的样本数量为1时，取σi=10-5。

第三层为规则层，即模糊推理层。该层将模糊化层和输出层联系起来，是模糊神经网络的关键层。按照模糊评价论域，训练网络，调节连接权值，获取专家的评价经验。其中使用反向传播算法对BP神经网络进行权值调整，神经元传递函数一般使用可微的Sigmoid型函数，即 f（x）=1/（1+e-x）。

第四层为输出层，也就是反模糊化层。该层根据一定的模糊规则对输入层进行评判，进而进行模糊决策，输出最终的模糊评价结果。

3 实例验证

以某企业的某型罐车设计评价作为案例，对本文所提方法进行验证。在正式对评价对象进行综合评价之前，获取领域专家相关评价的经验知识，需要建立含有多个评价案例的样本数据集。本文以某企业罐车的10个设计方案作为训练样本，以样本10作为测试样本，邀请专家对这些设计方案的相关指标进行打分，分值范围设定为0～5分，在加工制造的一级评价指标中，成本属于越小越优型，根据式（1）进行处理。处理后的造型形式中，各指标的模糊化评价结果见表1，权值由专家根据经验给出。参考文献［4］中的综合评价方法得到如表2所示的评价结果。

依照特种车的外观评价指标体系，本文的模糊神经网络的输入层共有4个节点，先将10个方案的指标值区分成优良中差劣5个等级，按照式（3）确定各μi及σi的值，再根据式（2）计算指标对各评语等级间的模糊关系，确定模糊神经网络的第二层输出值。使用MATLAB8.1对文中的BP网络进行训练，学习率设定为0.01，误差取0.02，初始权值由随机赋值，经过反复迭代完成网络训练。

表1 特种车造型形式指标模糊化处理结果

表2 特种车外观评价模糊神经网络训练样本

将方案10作为测试样本，对比模糊综合评价方法得到的评价结果与训练后的模糊神经网络评价输出，使用模糊综合评价得到的结果为（0.04，0.50，0.3，0.16，0），模糊神经网络的评价结果为（0.023，0.511，0.293，0.173，0），可以看出，两者结果接近，这表明训练后的模糊神经网络很好地存储了评价专家的经验知识，训练好的网络可以用来对某企业的特种车外观进行评价。

4 结论

对于特种车的外观评价一直以专家经验作为评价的主要接受层，具有很大的主观性。本文建立了完整的特种车外观评价指标体系，并引入了模糊神经网络的思想，提出基于FNN的特种车外观评价方法。通过训练模糊神经网络获取专家的评价经验，克服了评价专家在评价指标认识上的不确定性、评价结果对专家的主观经验依赖过强等缺点。以某企业的罐车外观设计评价为例，结果表明，该方法能够较为完整地将专家的直觉思维及知识经验进行再现，并提高了对特种车外观评价结果的客观性。

［1］ 邵飞，邓卫，易富君，等.基于AHP灰色理论的大城市公交系统综合评价方法 ［J］.解放军理工大学学报 （自然科学版），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］ 成经平.机械系统概念设计的机构选型模糊综合评价［J］.机械设计与研究，2001，17（4）：15-17．

［4］ 徐元，陈菓.模糊综合评价法在机械传动方案设计中的应用［J］.重庆工商大学学报（自然科学版），2004（1）：75-77．

［5］ 谢友柏，现代设计与知识获取［J］.中国机械工程，1996（6）.

［6］ 郑太雄，伍光凤;基于模糊神经网络产品设计的可装配性评价［J］.机械设计，2005（1）.

［7］ 杨程，孙守迁，刘征，等.基于主成分分析的产品外观设计决策模型［J］.中国机械工程，2011，22(18).

［8］ 刘沐宇，袁卫国;基于模糊神经网络的大跨度钢管混凝土拱桥安全性评价方法研究［J］.中国公路学报，2004（4）.

［9］ 田启华，杜义贤.基于模糊神经网络的机械产品性能评价［J］.中国制造业信息化，2004（9）.

［10］荣莉莉，王众托;基于知识和模糊神经网络的学习型评价系统［J］.管理科学学报，2003（3）.