基于RBF神经网络模型的改进加权主成分分析参数全局优化研究

为分析响应预测能力对优化结果的影响,建立响应与可控因子间参数回归模型以计算预测能力指数,但复杂生产过程中模型拟合度不高,难以满足建模要求,因此提出一种基于RBF神经网络的改进加权主成分分析参数优化方法。该方法利用RBF神经网络构建非线性预测模型,计算并引入网络预测能力指数以调整加权主成分分析法,优先改进预测能力强的响应,然后进行主效应图分析,并通过建立响应曲面模型,利用遗传算法全局搜索最优点。实验结果表明,RBF神经网络泛化能力强,改进的方法能够使得多个响应达到较理想的综合优化效果,且优于企业所用参数组合。     

基于RSM的电铸自支撑金刚石-镍复合膜参数优化

目的为提高电铸自支撑金刚石-镍复合膜的生产品质,研究一种改进的响应曲面模型,对电铸工艺的多响应参数进行优化选择。方法以电铸自支撑金刚石-镍复合膜沉积工艺参数为研究对象。在逐步回归的基础上,利用响应曲面法构建因子与响应间回归模型,通过试验设计的分析方法解释、分析、检验模型的优劣。以响应预测能力指数为权重,加权得到综合回归模型,将多响应参数优化转换为单响应参数优化,使参数优化结果优先优化预测能力强的响应,改善工艺参数整体优化效果。最后,以综合回归模型为目标函数,利用有约束最小化函数法在区间范围内搜索最优参数组合,并给出参数改进的方向。结果利用有约束最小化函数法搜索得到的最优参数组合为:金刚石含量16 g/L、阴极电流密度0.6 A/dm2、沉积时间1.5 h。通过试验设计的分析方法给出参数进一步改进的方向:在金刚石含量大于16 g/L、阴极电流密度小于0.6A/dm2、沉积时间小于1.5 h的区域内增加试验设计,以得到更优参数组合。结论将质量工具、质量改进方法及统计分析方法等运用到材料制备工艺中,能够提高最优工艺参数选择的有效性,减少试验设计的盲目性,以及达到参数全局最优的可能性。