基于开放式创新的工业产品造型智能启发设计研究

发布时间：2020-07-15 23:55

【摘要】：随着社会经济的不断发展,人们对于工业产品质量与多样性的要求也随之增长。现如今,工业产品的功能质量趋于同质化,因而产品造型成为赢得市场与用户的重要因素,企业对产品造型的创新设计也愈加重视。然而企业和设计师所具有的知识局限阻碍了创新的过程,需要借助适宜的启发设计方法与工具来更好地开展创新设计。通过对工业产品造型设计流程的研究,得出设计调研与方案发想两个阶段是启发设计的着力点。通过对文献和设计实践活动的研究得出,成功产品的图片、用户创意图片和自然物图片有助于设计师开阔思路、激发灵感,创造性方法中的头脑风暴法、KJ法和TRIZ法有助于帮助设计师进行方案发想。开放式创新是企业等创新主体在内部和外部鼓励和寻找创新资源,通过多种渠道开发市场机会的一种创新模式,能够帮助企业在进行产品造型设计时,获得来自用户、上下游企业、技术机构和知识产权机构等多方参与者的支持,获取市场信息资源和技术资源,进而更好地开展创新设计。基于人工智能中生成式对抗网络(GAN)的信息检索方法有助于设计师在进行概念发想工作时,提升设计师检索图片等设计启发资源的效率,进而启发设计师完成更多的概念设计方案。根据上述理论与方法,构建得到基于开放式创新的工业产品造型智能启发设计模型。对开放式创新平台和设计资源网站所做的调研分析了各类设计启发工具的功能、特点、优势与不足;对设计启发工具的用户所做的问卷调查明确了这些用户的需求、痛点与希望点。基于GAN构建的设计启发资源检索算法初步实现了拟合设计师检索偏好的功能,并在与Behance网站所做的对比实验中证明了两者检索性能基本一致,有很好的应用价值与发展空间。为了进一步说明启发设计模型的具体应用方法,设计并开发了工业产品造型智能启发设计平台。通过平台的设计资源、启发工具和设计合作三个核心模块,帮助企业和设计师在多方参与者的协助下,更为高效地开阔思路、激发灵感,提升工业产品造型创新设计的效率,促进产品获得市场成功。
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TB472
【图文】：

路线图,课题,路线,部分内容

图 1-1 本课题的技术路线1.6 论文架构本文共有六章内容，各章的主要内容如下：第一章是对本文的整体性概括。这部分内容首先阐明了课题的研究背景、国内外研究现状和研究目的与意义；而后介绍了课题的研究内容与方法、研究的技术路线；最后对论文的架构进行了说明。第二章是本文的理论研究部分。这部分内容首先对工业产品造型启发设计的目的、方法与工具进行了研究；而后对开放式创新的相关理论、参与者和应用案例进行了研究；之后对智能启发设计的方法与应用进行了研究；最后根据上述理论研究，构建了基于开放式创新的工业产品造型智能启发设计模型。第三章是本文的设计调研部分。这部分内容分别对开放式创新平台、设计资源网站和设计启发工具的用户进行了调研，了解了现有设计启发工具的功能、特点、优势与不

流程图,工业产品造型设计,流程,头脑风暴法

图 2-1 工业产品造型设计流程2.1.3 工业产品造型启发设计方法目前，各国专家学者总结得到的创造性方法有 300 余种，包括头脑风暴法、联想法、缺点列举法、希望点列举法、KJ 法、TRIZ 法等[30]。本文针对设计实践中较为常用的几种启发设计方法进行了研究。（一）头脑风暴法头脑风暴法（Brain Storming，BS 法），又称智力激励法，由美国创造学家 A·F·奥斯本于 1939 年首次提出，是一种用于激发思维的方法[34]。头脑风暴法最初只是用于进行广告的创意设计，但后来在技术突破、管理创新等领域也得到了广泛的应用[35]。头脑风暴法鼓励讨论的参与者无拘无束地发表想法，使不同知识背景的参与者能互相启发，从而突破思维障碍和心理约束，激发出更多独特的想法。头脑风暴法所遵循的四项原则是：（1）自由联想；（2）延迟批判；（3）追求一定的数量；（4）探索、研究、组合和改

结构图,计算流程,生成式

同比提升 100%。而在 2017 年双十一促销期间，鲁班总共设计了 4 亿张海报，平均设计 8000 张，每天完成 4000 万张海报制作。这些海报能够根据网络购物应用所收的用户偏好等信息，选择用户可能感兴趣的商品，自动进行排版并生成海报，做到用户打开应用后看到的宣传海报都不同，为用户个性化推荐商品。.3.3 生成式对抗网络及其应用生成式对抗网络（GenerativeAdversarial Networks, GAN）[57]是人工智能领域机器算法中的一种生成式模型，能够模拟真实数据生成新的数据。GAN 的关键思想来源于博弈论的纳什均衡[58]。该理论假定参与游戏的两方分别个生成器和一个判别器，生成器的目的是尽量学习真实数据的分布，判别器的目的尽量做出正确的判别，即输入的数据是来源于真实数据还是来源于生成器生成的数9]。双方不断地学习和优化，逐步提高各自的生成能力和判别能力。GAN 的计算流结构图如图 2-2 所示。

【参考文献】