下载掌阅APP，畅读海量书库
立即打开
需求分析是指通过一定的方法获取客户需求信息，然后根据客户需求数据的重要性及其对产品设计的影响进行筛选的过程。制造产品的最初动机是满足客户的需求，客户需求是数据驱动产品设计的直接动力。
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。
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。
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。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。
数据是产品设计过程的重要资源，现有很多研究者对已有数据基于神经网络进行指导设计，优化参数，提高设计效率。当前，随着智能制造成为工业发展的主流模式，智能设计和服务的利润率增长点将会得到大幅度提升。其中，智能设计作为制造业三大主要业务的起点和关键，能够帮助企业精准获取设计知识、准确辨识生产要素、精确预测产品性能，是加快产品设计进程、提升产品制造质量、保障产品运行性能和提升企业竞争力的重要手段。通常，产品设计主要包括需求分析、概念设计、结构设计和详细设计四个阶段。数据驱动的详细设计是一种以数据为中心进行产品详细设计业务决策和行动的方式，基于精益分析和数据闭环理念，强调数据在产品设计决策制定中的核心作用，通过数据分析和挖掘技术提炼规律、分析研判再到详细设计的业务应用。
数据驱动的产品详细设计可以通过利用大量的真实数据进行建模和分析，更准确地了解产品结构在不同工况下的响应和行为，从而更加精确地进行设计和改进。随着数据处理和机器学习技术的迅猛发展，可以利用大量的现实数据来辅助产品结构的分析、优化和创新。与此同时能够提高设计效率和精度，为产品设计行业的创新和发展注入新的活力。深度学习神经网络能够处理各种类型的高维度、非线性、大规模的数据，并从中自动地学习到有用的特征，具有较高的准确率、优秀的泛化能力和自适应的能力，对于设计变量较多且复杂的模型，其计算结果的精度和误差在工程上是可以接受的。用于产品详细设计的神经网络算法主要包含网络结构的设计和损失函数的选择，完成神经网络的设计后，选择适当的优化器，将获得的数据集传入网络模型中进行训练和验证测试，通过不断调整模型结构和权值大小，最终获得最优的网络模型并保存，为网络模型的使用做准备。
设计知识是信息和数据收集的整合，与产品设计过程相关的数据包含了大量的设计知识。产品设计是一个不断扩展和优化设计知识的过程。设计知识可以结构化并存储在设计知识库中，便于设计知识的组织和管理。知识库系统可用于设计知识和数据的存储、管理和重用。产品数据驱动的设计知识库和实例库作为信息支持的基础，包括设计原则和规范、设计标准和方法及专家经验。有效的构造可以帮助设计者管理产品设计实例信息，提高产品设计效率。随着设计过程的继续，数据不断产生并转化为设计知识。通过数据的结构化处理和存储，促进了知识的积累和产品设计的改进。
为了克服数据库模型在知识表达能力方面的不足，有必要加强数据库的语义构件。将领域专家的所有知识集合起来并转化为知识库中的知识实现起来十分困难，因此知识开发的思想也从转换转向了建模。在知识库系统的建模框架中，KADS方法是构建知识库系统的结构化方法的集合。它的关键组件之一是通用推理模型库，它可以应用于给定类型的任务。基于模型和增量知识工程方法用于开发基于知识的系统，该系统将半规范和形式化规范技术与原型技术集成到一个一致的框架中。Protégé system是一个持久的、可扩展的知识系统开发和研究平台，它可以在各种平台上运行，并支持定制的用户界面扩展，包括开放式知识库连接知识模型。
产品数据驱动的设计知识库有效地支持了设计过程建模和设计对象建模中的知识重用。设计知识的管理和重用可以提高产品设计的效率和质量。在知识经济时代，有效利用企业积累的知识对保持企业竞争力有至关重要的作用，特别是对产品设计公司这类知识密集型企业。数据驱动设计支持工具作为应用的延伸，集成了设计知识库、实例库、数据库和产品模型，帮助设计人员在设计初期信息不完全的情况下对产品结构和参数进行优化。目前的数据驱动设计工具借助计算机辅助技术和产品数据管理，注重环境集成和界面关联，极大地方便了产品设计过程。