导读

在分析现有产品创新设计方法不足的基础上，结合数据技术的特点，提出数据驱动产品创新设计方法。基于创新设计的要求，分别对数据来源、数据特性、数据获取手段等方面内容进行分析，设计一套完整的数据驱动产品设计流程框架。最后针对产品设计过程，分别对设计需求分析、设计方案产生及方案性能评价3个阶段的数据驱动关键技术进行详细阐述。

文章信息

本文作者：肖人彬博士，华中科技大学人工智能与自动化学院教授，博士生导师，研究方向：复杂产品创新设计、大规模个性化定制、群体智能、涌现计算等。

林文广博士，厦门理工学院机械与汽车工程学院，研究方向：设计理论与方法、专利数据挖掘等。

本文荣获2022年度中国机械工程学会优秀论文证书。

创新设计是企业技术升级，提高产品市场竞争力的关键。近年来，国际贸易争端频频发生，国内企业经常面临欧美国家知识产权侵权起诉、核心元件及高端设备断供的风险，不仅影响了企业的生产，还对行业乃至整个民族工业的发展进程产生影响，而这一切都与企业院所的产品创新能力紧密相关［1］。创新设计能力不足是长期制约国内企业发展的主要因素。为此，国家不断出台鼓励企业及高校院所提高创新能力的政策，例如将创新设计纳入“中国制造2025”计划、“十三五”国家战略性新兴产业发展规划及“发展服务型制造专项行动指南”计划等［2］。虽然此类政策的出台可为相关单位创新设计打造良好的环境，但是这些仅仅是外部刺激因素，如何从根本上改善企业自身的创新设计能力，提高创新产品研发效率，还需要相关单位掌握科学有效的创新流程及更加丰富的创新手段。

创新设计内涵、研究现状及发展机遇

1.1 / 创新设计内涵

目前国内外关于创新设计的定义及内涵没有统一的标准，诸多学者纷纷提出各自的观点。例如约瑟夫·熊彼特就曾指出，通过生成要素的结合去满足市场需求的发明创造是对现有技术体系的变革［3］。Ulrich［4］将创新设计视为满足客户需求的商品或服务的构思及形式。傅家骥［5］将技术创新定义为企业抓住市场的潜在盈利机会，以获取商业利益为目标，重新组织生产条件及要素，从而推出新的产品、新的工艺、开辟新的市场等一系列综合过程。Verganti［6］把创新设计过程分为倾听、解释及想象3个环节，本质上是需求挖掘、功能转化及技术开发过程的集合，并以此实现产品质量的改进甚至突破性提升。

Creusen［7］指出创新设计过程是洞察市场需求及安排产品属性过程的总成，既包括功能设计，也包括外观设计。蔡瑞林等［8］将创新设计定义为融合多种要素，以用户需求为中心，综合利用技术、设计和市场多种力量，对产品及其流程和服务进行创新。檀润华等［9］认为创新设计的本质是通过导入新的资源去创造高价值差异性特征产品或服务的过程。设计过程往往是一个信息有效组织及利用的过程，现有研究往往聚焦于需求分析和方案设计，但是忽略了设计过程信息的获取及处理。因此在已有定义研究的基础上，对创新设计的内涵进行全面及准确的概括：产品创新设计是在充分挖掘现有信息的基础上，围绕市场需求开展的一种新方案构思、选优、完善的过程。

1.2 / 创新设计研究现状分析

为了精准捕捉市场需求，并创造具有较高市场竞争力的方案，学术界和工业界提出了诸多理论及方法，既包括系统化设计、公理化设计、通用设计理论GDT等流程优化方法［10－12］，也包括发明原理解决理论TRIZ、形态学分析、质量屋QFD等具体方案产生方法［13－15］，还有仿生学设计、情境分析、可拓推理等知识重用设计方法［16－18］，以及层次分析法、TOPSIS和专家群决策等方案筛选方法［19－20］。虽然这些方法分别从不同角度为产品设计提供支持，但是不论是市场需求获取还是设计过程开展，都存在如下几个方面的不足：

（1）方案分析与产生过程所需的知识依赖于专家经验，虽然人工手段具有通用性好、专业水平高的优点，但是也存在个体水平差异大及人力成本高的问题，容易受主观意志影响，不仅提高了产品研发风险，同时加重了企业负担。

（2）虽然上述方法都是围绕市场需求开展的，但是市场需求信息的获取往往也是依赖于电话咨询、问卷调查、产品维护报告等手段，不仅得到的信息量较少，而且过程耗时长，一方面不能全面反映市场的总体需求，另一方面会导致设计过程严重滞后于市场的变化。

（3）产品设计过程往往会产生多个方案，传统方法往往通过人工比较的形式对不同方案的总体性能进行打分评估，不仅要求专家对方案有全面深入的了解，同时评价过程不能受到情绪及利益因素的干扰，但在实际执行过程中难以做到，容易导致错误的评价结果。

1.3 / 数据时代的机遇

随着数据时代的到来，以专利数据、网络评论、科技文献、网络商品、社交媒体、移动位置、运行状态为代表的新型数据信息不断涌现，推动着社会不断进步［21］。数据成为了新的产业发展动力，为诸多领域技术发展提供了新的机遇，并体现在以下几个方面：

（1）这些数据是由大量个人和企业在相当长一段时间内自发产生，具有随机性、客观性的特点，代表着市场的发展动态及技术进步，为企业研发提供了海量具有高可测性、可多种方式度量、易指标化的研究素材和参考实例［22］。

（2）以服务器、云存储、5／4G、物联网为代表的廉价存储手段及高速传输技术的大规模应用，使得海量数据可以快速上传、获取及共享，不仅极大压缩了数据的获取成本，而且提高了数据的获取效率。

（3）随着数据挖掘、云计算、机器学习及知识图谱等数据处理技术的快速发展，不仅在数据处理量及处理时间上都得到了改善，同时丰富了数据处理过程的可视化效果，增强了分析结果的可读性。

产品创新设计的数据源分析与数据获取

2.1 / 数据驱动产品创新设计的提出

随着经济的不断发展，企业间的竞争也日益加剧，同时市场也对企业提出了更高的要求。企业不仅需要快速满足客户多样化需求，还需要避免侵犯竞争对手的专利，同时需要遵守不断出现的政策要求。这就要求企业能够在产品研发时预先准确全面地获取各种信息，提高对数据资源的要求。因此结合现有创新设计存在的瓶颈及数据驱动技术存在的巨大优势，把数据作为创新设计的驱动力是提升企业研发效率的重要机遇，其意义如下：

（1）数据分析技术，尤其是大数据分析技术在医疗、教育、公共管理、图书情报等诸多行业得到广泛的应用，不断彰显出较高的理论研究与实践应用价值，这些可以为数据驱动产品设计提供丰富的案例，同时部分成熟技术可以直接或间接移植到设计领域，不仅降低了风险，而且缩短了技术磨合期限。

（2）近年来国内外关于数据驱动产品创新设计的文献日益增多，涉及的数据包括图像、专利、网络评论、移动数据、运动数据等［23］，说明数据驱动产品设计已经有一定的研究基础，为后期的发展提供良好的条件。

（3）数据是产品设计过程的重要资源，但是在设计过程中往往聚焦于少数几种类型数据，同时数据利用率较低。据统计，目前所利用数据量不到总量的1％，存在巨大浪费［24］，如果能够得到改善，将会显著提高产品设计的效率。

（4）数据驱动产品创新设计是多学科交叉融合的过程，由于不同学科之间的差异，融合过程需要解决设计知识提取、创新方案生成、产品性能评价等方面的问题，对设计人员而言既是挑战，也是提升能力的机遇。

2.2 / 数据来源分析

随着计算机革命的到来，从社会生活到工业生产等国民经济的各个环节都不同程度地融入了信息技术，在推动物资与人员快速流动的同时，实时产生了大量的数据。根据来源的不同，这些数据分为以下几类：

（1）企业数据

企业数据主要是企业日常经营活动产生的，包括ERP数据、BOM数据、账目数据及产品客服记录。这些数据往往是企业保密的，不能共享给其他数据用户。同时因为信息化推广程度的差异，部分企业数据是通过纸质材料记载，尚未转化为电子数据，数据提取难度大。

（2）机器数据

机器数据主要是指工业设备、电子仪表、传感器及个体终端产生的数据，这些数据是机器运行时产生的，是监控机器及其环境状态变化的重要依据［25］，但是此类数据往往也是被设备归属企业或者平台独有，其他人员难以获取，这点和企业数据一样。同时因为设备的改造及维护原因，导致数据的产生及获取成本较高，不适用于中小型企业。

（3）社交数据

社交数据是指微博、、Facebook等网络社交媒体平台产生的数据，主要包括发帖、网友评论、点赞次数、转发情况等，具有网民数量多、网络数据量庞大、时效性强、更新速度快的特点，代表了社会舆论的最新趋势，但是涉及的领域较为广泛，数据类型多样，数据中富含半结构化数据与非结构化数据，处理难度较大。

（4）电商数据

电商数据主要是指淘宝、天猫、京东、亚马逊等购物网站产生的数据，此类数据一般包含商品清单、网络评论、购买数量。和社交数据一样，此类数据量大、时效性强、更新速度快，同时数据聚焦于产品销售方面，与市场及客户紧密结合。而且可以通过网评数量、好评比例、销售量及点击率等结构化信息及时反映出产品的销售情况，数据提取及分析难度都较低。

（5）机构数据

机构数据是指政府机关、智库及咨询公司等定期发布的数据。相比较其他数据源，该数据的来源主要是权威机构，受到各方的高度关注，有很强的客观性和准确性。同时获取成本较低，风险较小。例如专利数据是由各国知识产权局公开的，一方面受到国家法律的保护，所以企业及其申请人积极申请，并产生数以亿计的专利，可以间接反映出市场的变化趋势，另一方面专利数据需要公开，以接受社会大众的查询与举证，因此可以通过知识产权局的网站及商业检索引擎合法获取。

综上所述，不同来源的数据不论是结构化程度、数据量还是获取难度都存在较大差异。产品创新设计是不断深入挖掘客户需求、调研设计约束及创造高质量方案的过程，期间需要使用大量且准确的信息，因此对数据的来源及质量有着严格的要求，具体如下：

（1）深度

产品设计围绕特定市场需求开展方案构思的过程，不论对市场信息，还是相关设计实例，都要求数据具有足够的深度，不仅要求内容上能够精准反映客户的真实需求、竞争对手的研发动向及相关政策的细节信息，同时尽量减少无关信息的干扰，要求数据具有较高的价值密度，能够为产品设计提供丰富且详实的信息。

（2）广度

产品创新设计不仅要满足多类型客户的需求，还需要考虑其他方面的因素，例如市场环境、政策影响、对手情况、知识产权、供应链及物流等。任何一方面因素的遗漏都会影响到最终产品的生产及销售。因此在设计过程中，需要全面获取这些方面的信息，避免盲目设计。

（3）时效

市场竞争越来越激烈，不论是市场、社会还是竞争对手的调整速度都日益加快，需要企业产品创新设计过程及时获取最新的数据信息，不仅可以避免出现产品设计滞后的现象，同时可以通过不同时间段的信息对市场进行准确的预测，以便提前竞争对手发布新产品。

（4）成本

产品创新设计是一项耗费资源的过程，需要考虑成本，其中与信息相关的成本包括海量数据采购费用、数据处理人工成本、数据存储硬件成本、市场大数据分析成本、支持人机交互的数据驱动设计系统开发及维护成本等。数据驱动费用增加，会导致产品研发投入增加。

根据创新设计的特点，可以看出设计过程对市场数据具有严格的要求，因此结合这些要求对现有数据来源进行筛选。通过表1可以看出目前数据来源在4个特性方面的分布情况。为了给产品创新设计提供有价值的、低成本的信息，数据驱动产品设计主要选取部分企业数据、电商数据、机构数据作为主要来源。

2.3 / 数据获取

创新设计数据获取方式会影响到设计的成本及风险，是数据驱动产品设计的关键。获取方式受到不同数据来源的影响，主要分为如下几类：

（1）网络爬取

通过伪装成普通网络点击搜索目标网站，分析不同网页URL的变化规律，设计规则反复更换URL，模拟普通用户对网页进行遍历，并结合网络爬虫或者网络蜘蛛程序提取网页特定位置的内容，最后将数据分组下载并存在本地或者云端数据库供后续研究之用。网络爬取存在一定的风险：一方面是网站尤其是知名网站数据加密技术水平不断提升，爬取难度较大；另一方面是现有企业及个体对网络的保护意识日益加强，相关机构不断出台防止恶意爬取的规定，爬取过程存在法律风险。

（2）商业采购

随着数据经济的发展，越来越多数据公司及知名网站提供后台数据采购业务，通过这些公司提供的端口，可获取定期更新的数据。与网络爬取相比，商业采购的好处一方面是快速批量下载海量数据，另一方面是法律侵权风险较低。但是商业采购也存在成本高、数据更新速度慢的缺点。

（3）数据统计

数据统计主要是企业制造工程师、售后工程师、客服经理等相关人员对现场设备、返修设备、客户反映意见等对象开展信息采集与分析工作，往往采取人工手动输入方式，数据获取方式较为简单，但是存在耗时长、数据量较少、效率低的不足。

数据驱动产品创新设计过程

数据驱动产品设计是一个将设计需求转化为数据信息，并协助研发工程师完成设计目标的过程。整个研究框架是数据驱动与创新设计互动的过程，分为数据产生、数据获取及数据分析3个阶段。根据不同阶段数据的特点，有针对性地开展相应的提取、处理及分析工作，并融入到产品设计过程中，如图1所示。

第1阶段是数据转化及采集阶段

该阶段根据产品、物流、常规、售后等初步设计需求，查找并获取企业内外已有的全部数据信息。采集方面，预先获取采集权限，并确定链接、地址、域名及路径，结合多线程下载方式及选择触发模式采集数据。转化方面，针对不同格式类型的数据进行转化，例如：将纸质数据转化为电子数据，主要手段包括人工输入和图像扫描；对于图像、视频、语音等非结构化数据和半结构化数据主要完成特征标注、文本提取及文本转换工作，最终将这些数据连同结构化数据进行统一归纳分类。

第2阶段是数据存储及处理阶段

该阶段主要根据前一阶段获取的原始数据，同时结合专家经验及行业资料进行查缺和补充；进行专业特征词检索及筛选，并构建不同语种的领域专业词典数据库；同时对这些数据根据数据量的大小及提取速度分别选择分布式文件系统HDFS、非关系型数据库NoSQL及分布式数据库DDBS进行储存［26］；对分布式多源异构数据进行集成，便于上层设计工程师可以无视数据的差异；对数据进行不同格式转化，例如将txt，doc，ppt等格式文件转化为excel或者mysql格式文件，以便机器识别及统一处理；进行一致性检测，并清洗无效数据，同时对重复项进行比较及合并；针对高维空间存在的数据稀疏性高、变量关联复杂、数据量大的不足，对数据进行降维，获取关键信息，并转化为功能、原理、结构及约束等设计信息。

第3阶段是数据分析与解释阶段

该阶段主要针对数据向量空间进行变量频次计算及排名；根据变量之间距离计算相似性，并对变量进行聚类及社团分析；统计变量之间的共现概率，计算变量共现置信度，并确定变量之间的相关性，以便推荐不同变量；结合时间维度，对相关变量进行趋势分析；同时利用图形、图像处理及计算机视觉，通过立体、表面及动画显示对分析过程进行可视化操作；通过人机操作界面，实现数据的实时处理；同时设计相关系统对数据进行管理；支持数据分析结果的导出，以支持市场需求分析、产品方案生成及综合性能评价等创新设计任务的开展。

实施数据驱动产品创新设计的若干关键技术

4.1 / 设计需求分析

需求分析是产品创新设计的基础环节，是企业全面了解市场现状、准确预测市场变化及快速提升客户满意度的关键，直接影响到后期的方案设计及性能评价结果。图2描述了数据驱动客户需求分析关键技术体系。

（1）需求信息提取

面向设计需求的主题提取，一方面旨在为后期产品设计提供描述功能需求的关键词，另一方面避免低价值噪声的干扰。主要从评论、手册、专利、报告等海量市场文档中进行提取，并根据粒度大小选择文章、段落及语句进行分析。对于部分隐性信息，例如图像、视频等，需要借助模糊关联规则及图像识别等方法提取，并进行打标签操作。借助自然语言处理工具对所提取文本应用切割技术将其划分为单独词向量，并通过预先建立的停用词数据库对数据进行清洗，在此基础上利用词频分析方法构建需求主题向量空间。

（2）需求功能转化

通过数据来源及数据特点分析结果，可以知道市场需求信息往往具有口语化、主观化、用词多样的特点，难以直接用于产品设计过程，需要进一步抽象处理并转换为产品设计需求［27］。首先通过物元理论建立产品功能词汇数据库，对同义词进行合并，并转化为关键词。通过词性分析对不同关键词进行动名词区分，并去除数字、符号、副词、介词、冠词等与功能无关的词汇，借助主体－行为－客体（Subject-Action-Object，SAO）技术对同句共现的词汇进行关系识别［28］，同时建立代表作用关系三元组，完成客户需求向设计需求的转化。

（3）需求偏好分析

客户对产品的性能需求根据满意情况分为基本需求、满意需求及兴奋需求［29］，但是传统市场调研往往借助问卷调查或者电话调查，通过与客户面对面交流获取客户满意度情况，调研效率低下。借助语义分析技术，挖掘客户评论中的形容词，并转化为情感词汇，同时借助共现频次分析情感词汇与功能需求词汇之间的关联程度，利用模糊Kano模型计算不同功能需求与3种类型需求的隶属度，以此作为功能需求重要性的评价依据。该方法借助语义处理技术及现有电子商务数据可以最大化避免人工干预分析过程，保证了分析结果的客观性，实现需求偏好调研的准确性与高效性。

（4）需求趋势预测

传统需求分析受制于落后的调研手段，往往聚焦于当下的数据，忽略了数据的动态性，导致调研结果严重滞后于市场变化，影响了数据的准确性。随着市场竞争的加剧，如何及时洞察市场变动态势、快速获取市场发展机会是企业提高市场竞争力的关键。因此首先需要对数据进行拆分，确定需要预测的变量对象。借助专家群策对部分数据进行变量关联分析，以此作为判断趋势模型的验证集。通过生长曲线及时间序列智能算法对其余数据进行训练，以确定不同需求对时间变量的敏感性，并结合验证集建立需求变量演化模型，从而实现客户需求的准确预测。

4.2 / 设计方案产生

设计方案产生是为了满足客户需求而开展的方案获取、组合优化及创新设计的过程，具有不确定性高和风险大的特点，是整个设计过程中要求最高、难度最大的环节，需要同时结合数据驱动及专家参与两方面的手段才能实现。图3描述了数据驱动设计方案产生关键技术体系。

（1）功能方案映射

功能域向方案域映射的过程是指针对复杂、多样的客户需求，通过实例检索及专家构思获取对应解决方案的过程。传统设计过程往往是采取功能－原理－结构（Function-Behavior-Structure，FBS）自上而下逐级映射的方法［30］。因为适用于发散思维过程，所以这种方法适合于专家设计模式。基于数据驱动产品设计，主要采取自下而上的模式，即首先确定需求，再集成共现分析及词性分析技术，找出对应的结构方案，并对这些结构方案与功效词典数据库的描述进行相似度计算，并归纳确定其原理归属，并通过原理关联去获取其他数据资料的结构信息，以进一步补充结构方案来源。

（2）方案优化组合

组合创新是大部分产品研发所采取的方法，面对多功能产品设计，需要针对每一个功能分别获取原理或者结构方案模块，并对这些模块进行优化组合，以得到最优的整体方案。首先确定功能与数据库中结构的映射关系，并针对不同功能，分别计算对应模块之间的共现频次，利用频繁项集中的Apriori关联规则算法确定模块组合置信度［31］，结合物场理论设计模块装配次序，基于专家经验对元件及其接口进行细化，最后得到完整的结构方案组合。

（3）整体创新设计

基于原有实例的组合设计虽然效率较高，但是也存在结构模块冲突及创新性不足的问题，不仅导致方案功能失效，而且侵犯其他申请人的专利。针对设计冲突，分析原因并利用TRIZ矛盾冲突矩阵获取解决原理，并通过实例推理从专利数据库、企业数据库中找到相似的案例，从中获取解决方案。针对专利侵权问题，借助专利数据库找到可能侵犯的专利组合，通过分析权利要求及背景技术，结合裁剪、变换、合并等规避手段，在目标专利基础上开展二次创新。

4.3 / 方案性能评价

产品设计过程往往会产生多个设计方案，为了降低后期制造、销售及维护等方面的风险，需要对这些方案性能进行评价并择优选用。性能本质上是产品设计的终极目标，是产品对功能满足程度的度量［32］，具有多样性、模糊性、抽象性的特点。为此基于数据驱动的设计方案性能评价研究中，需要涉及性能获取、指标确定及方案整体评价3方面的关键技术。图4描述了数据驱动设计方案评价关键技术体系。

（1）产品性能获取

由于性能是抽象的，因此对于方案的性能描述往往隐含在海量数据中，无法直接从浅层关键词中提取。方案由多个结构组成，首先利用Jaccard系数法从数据库中获取与方案相近的实例，并提取评论数据，其次采取隐含狄利克雷主题模型（L，tDirichletAllocation，LDA）、潜在语义分析（LatentSemanticAnalysis，LSA）或者隐语义分析（LatentFactorModel，LFA）等主题分析技术对评论数据对象进行主题抽取［33］，并结合属性词典对主题进行性能归属判断，以确定是否满足方案评价要求。

（2）指标权值分析

市场对产品不同性能指标的偏好是存在差异的，如何将这些差异转化为具体权值，是产品性能建模的关键。由于数据库中，尤其是网络数据，往往是通过情绪语言对性能进行描述，因此首先通过关联规则获取与性能相关的情感词，并结合语义相似度对情感词进行聚类，同时参考HowNet对聚类结果进行情感强烈等级划分，其次在分析性能与情感共现次数的基础上，引入隶属度函数计算性能不同情感等级隶属度，最后通过熵值法或者频次排名等手段计算性能权值。

（3）方案择优评价

基于前述的分析结果，根据方案不同子性能权值，基于性能因变量与子变量的关系，选择多元线性回归方程、多元非线性方程或者神经网络模型等方法，对不同案例整体性能进行建模并求值，结合待评方案与案例的相似度，分别构建网络的节点与边，利用外围－边缘复杂网络分析不同设计方案的分布情况，以此作为方案性能重要度的评价依据，该方法不仅提升了性能评价的效率，同时也改善了分析过程可视化效果。

总结与展望

随着数据时代的来临，信息技术广泛应用于企业管理的各个环节。同时国内企业面临创新能力不足，创新手段落后的问题。在此背景下，文中针对现有产品设计理论存在的不足，倡导将数据驱动融入到产品创新设计过程中，以促进企业研发效率，提高企业市场竞争力。主要工作总结如下：

（1）结合现有已经公开的数据资料，同时根据产品创新设计对数据特性的要求，提出挖掘适合产品创新设计过程的数据来源，并研究上述来源数据获取的手段方法。

（2）为了将公开数据有效转化为产品设计所需的信息，提出数据驱动产品创新设计流程框架，整个流程包括数据转化及采集、数据存储及处理和数据分析与解释3个阶段。

（3）在流程框架的基础上，结合产品设计的周期过程，分别对设计需求分析、产品创新设计及方案性能评价等方面所需的技术模块及分析算法等关键技术进行详细阐述。

作为一种多方法融合研究，文中从学科交叉的角度，围绕数据驱动产品创新设计流程框架和数据驱动设计过程的若干关键技术问题进行阐述和探讨。由于篇幅所限，对具体的产品方案设计、可视化操作及系统构建等方面技术尚未涉及，后期将逐一开展这些相关技术的研究与实践工作，以促进该方法的应用与推广。

参考文献 ［1］林毅夫．世界新变局及中国的应对［J］．开放导报，2019（3）：29－31． ［2］路甬祥．创新设计竞争力研究［J］．机械设计，2019，36（1）：1－4． ［3］Kusiak A． Innovation：a data-driven approach ［J］．International Journal of Production Economics，2009，122（1）：440－448． ［4］Ulrich K T． Design is everything［J］． Journal of Product Innovation Management，2011，28（3）：394－398． ［5］傅家骥． 技术创新学［M］． 北京：清华大学出版社，1998． ［6］Verganti R． Design driven innovation：Changing the rules of competition by radically innovating what things mean［M］．Brighton:Harvard Business Press，2010． ［7］Creusen M E H．Research opportunities related to consumer response to product design［J］．Journal of Product Innovation Management，2011，28（3）： 405－408． ［8］蔡瑞林，唐朝永，孙伟国．产品设计创新的内涵、量表开发与检验［J］．软科学，2019，33（9）：138-143． ［9］檀润 华，曹 国 忠，刘 伟．创新设计概念与方法［J］．机械 设计，2019，36（9）：1－6． ［10］Pahl G，Beitz W，Feldhusen J，et al．Engineering design：a systematic approach［M］．New York：Springer-Verlag，2007． ［11］Suh N P．Axiomatic design theory for systems ［J］．Research in Engineering Design，1998，10（4）：189－209． ［12］Tomiyama T． General design theory and its extension and application ［C］//Universal Design Theory， Aachen：Shaker Verlag，1998：25－44． ［13］ Altshuller G S． Innovation algorithm，TRIZ，systematic innovation and technical creativity［M］． Massachusetts：Worcester Technical Innovation Center，1999． ［14］刘曦泽，祁国宁，傅建中，等．集成形态学矩阵与冲突解决原理的设计过程模型［J］．浙江大学学报：工学版，2012，46（12）：2243－2251． ［15］ Chan L K，Wu M L．Quality function deployment：a literature review ［J］．European Journal of Operational Research，2002，143（3）：463－497． ［16］罗仕鉴，张宇飞，边泽，等． 产品外形仿生设计研究现状与进展［J］． 机械工程学报，2018，54（21）：138－155． ［17］ Suri J F，Marsh M． Scenario building as an ergonomics method in consumer product design ［J］． Applied Ergonomics，2000，31（2）：151－157． ［18］ 赵燕伟，周建强，洪欢欢，等． 可拓设计理论方法综述与展望［J］． 计算机集成制造系统，2015，21（5）：1157－ 1167． ［19］ Collan M，Fedrizzi M，Luukka P． A multi-expert system for ranking patents：an approach based on fuzzy pay-off distributions and a TOPSIS-AHP framework ［J］． Expert Systems with Applications，2013，40（12）：4749－4759． ［20］ Saaty T L． Decision making with the analytic hierarchy process［J］． International Journal of Services Sciences，2008，1（1）：83－98． ［21］ 罗威，谭玉珊，毛彬． 数据驱动的技术预测之多维透视［J］．情报理论与实践，2019，42（7）：11－14． ［22］ 罗昊，何人可． 大数据思维驱动下的设计创新思变［J］． 包装工程，2017，38（12）：136－140． ［23］ 路甬祥，孙守迁，张克俊． 创新设计发展战略研究［J］． 机械设计，2019，36（2）：1－4． ［24］ Lee J， Lapira E， Bagheri B ， et al． Recent advances and trends in predictive manufacturing systems in big data environment［J］． Manufacturing Letters， 2013， 1（1）：38－ 41． ［25］ 张乐凯． 基于生理信号数据的产品设计与用户体验研究［D］． 杭州：浙江大学，2018． ［26］ 任杉，张映锋，黄彬彬． 生命周期大数据驱动的复杂产品智能制造服务新模式研究 ［J］． 机 械 工 程 学 报 ， 2018，54（22）：194－203． ［27］ 李少波，全华凤，胡建军，等． 基于在线评论数据驱动的产品感性评价方法［J］． 计算机集成制造系统， 2018，24（3）：752－762． ［28］ 饶齐，王裴岩，张桂平． 面向中文专利 SAO 结构抽取的文本 特 征 比 较 研 究 ［J］． 北 京 大 学 学 报 ：自 然 科 学 版 ，2015，51（2）：349－356． ［29］ 孙园园，刘飞，李丽． 基于 Kano－QFD 的个性化产品属性指标重要度确定 方 法 ［J］． 计算机集成制造系统， 2014，20（11）：2697－2704． ［30］ Deng Y M． Function and behavior representation in conceptual mechanical design ［J］． Artificial Intelligence for Engineering Design Analysis and Manufacturing， 2002， 16（5）：343－362． ［31］ 马铁强，徐成荫，刘颖明． 基于频繁子图挖掘的典型零件结构获取方法 ［J］． 组合机床与自动化加工技术，2011（11）：29－33，37． ［32］ 魏喆，谭建荣，冯毅雄，等． 广义性能驱动的机械产品方案设计方法［J］． 机械工程学报，2008，44（5）：1－10． ［33］ 陈琪，张莉，蒋竞，等． 一种基于支持向量机和主题模型的评论分析方法［J］． 软件学报，2019，30（5）：1547－1560．