1.3.2　数据驱动的概念设计

产品概念设计是面向设计需求的一系列迭代、复杂的工程过程，它通过建立功能行为关联来寻找正确的组合机制，确定基本求解路径，并生成设计方案。新产品开发的成功与否取决于概念设计阶段的设计概念生成。企业需要在不增加生产成本和产品开发周期的前提下，快速生产满足消费者多样化和个性化需求的新产品。产品概念设计是解决这些问题的关键步骤之一，而产品数据的使用效率是影响产品概念设计效率的主要因素。

在大数据时代背景下，数据在产品概念设计中发挥积极作用。大多数消费群体的需求可以从大量的产品数据中分析出来，从而减少了概念设计的模糊性。产品数据包含丰富的设计知识，可以提高概念设计的效率和设计方案的创新性。数据的其他方面包括许多有助于设计过程的方法论经验。在产品概念设计中，设计者往往需要依靠自己的设计经验，找到相关的设计知识来解决设计问题。有时在遇到新问题时，仅靠设计者自身的知识和经验很难解决问题，而这会导致设计效率低下。数据驱动的产品概念设计不仅可以减轻设计人员的工作量，而且可以提高产品设计质量。

在产品概念设计阶段，需要解决的问题包括设计概念、功能需求等高层抽象表达，以有效捕捉思维的演变。因此有必要生成实现设计功能的基本物理结构，以便明确表达设计意图。产品概念设计方案的生成过程是一个从模糊需求到特定结构的映射过程，产品概念设计中的功能推理方法侧重于功能层面，以生成和评估特定设计问题的解决方案。推理过程中涉及大量的实际数据。许多学者将数据处理技术引入概念设计，形成了一系列数据驱动的功能推理方法。对设计知识和数据重用的需求推动了基于实例推理法（CBR）在产品设计领域的发展和应用。CBR通过将过去相似问题的解决方案关联起来，并通过对其进行适当的修改来解决新问题，这与人类的决策过程类似。CBR通过有效地组织和利用原有的设计知识和数据，克服了一般智能系统中知识获取的瓶颈。智能算法可以处理特定的产品数据，因此引入智能算法可以更好地执行推理过程。神经网络具有自组织和自学习的能力，可以解决分类任务和联想记忆的重新获得。在功能推理中，神经网络可以处理不充分且容易被更改的数据，用于提取和表达知识。混合推理是两种或多种推理技术的结合，通过一定的信息交换和相互协作，生成概念设计优化方案，有效地解决了单一推理方法的不足。概念设计方法学、信息建模和人工智能技术的发展为混合推理技术的实现提供了良好的平台。

通过对产品功能设计、原理解和原始理解的结合，得到多个产品原理解。概念设计的目标是选择一个令人满意的设计方案，并在随后的详细设计阶段进一步细化方案。概念设计方案的决策是在方案生成阶段对生成的多个候选方案进行评价和比较，以选出最优的概念设计方案。在此阶段，通过设定合理的评价目标，选择合适的评价方法和决策方法，对最优原则方案进行优化。方案决策需要考虑的因素包括功能因素、制造、可靠性、安全性等经济社会要求。由于决策过程受评价数据的多样性、模糊性、不确定性等诸多因素的影响，合理的评价指标和权重数据是概念方案决策的关键。数据驱动的方案决策通过选择和分析选定的数据对象来提供决策支持信息。以产品类型和产品元素作为数据驱动的影响因素和阈值权重，实现对产品设计方案的决策。产品类型是基于数据的价值创新，源于对用户数据的挖掘。产品元素的获取基于数据聚类，是一个集成、分析和归纳的过程，表示某一类用户的相关特征。这些特征是相互关联的，是用户之间相互理解和交流的纽带。常用的经典决策方法有线性加权法、相似理想解排序法（TOPSIS）和层次分析法等。随着研究的深入，学者们引入了灰色理论、粗糙集理论等其他数学分析方法，改进了经典的多属性决策方法，拓宽了多属性决策的思路，并提出了灰色关联评价法、模糊综合评判法等多属性决策方法。随着数据分析和数据驱动方法在产品设计中的应用，机器学习、神经网络等方法也逐渐被用于产品设计方案的评价和决策。