基于在线调整策略的稳健参数设计

稳健参数设计是一种有效减少离线设计质量损失的方法,而在线调整能够减少制造过程中造成的质量损失。针对调整成本及噪声测量的波动,提出了基于变量选取的稳健参数设计与在线调整结合的方法。该方法首先基于质量成本选择在线调整变量,然后确定离线控制变量的设计,再根据噪声变量实时在线自动调整,实现离线设计与在线调整的整合,从而提升产品质量。最后,通过汽车齿轮实例验证了所提方法的有效性。     

考虑模型响应不确定性的稳健参数设计

针对模型响应不确定性的稳健参数设计问题,在高斯过程回归(Gaussian process regression,GPR)建模的框架下,结合贝叶斯超参数最大后验(Maximum a posteriori estimation,MAP)估计和多目标线性加权方法构建一个新的优化模型.首先,利用MAP方法获得最优超参数组合,构建高斯回归模型;然后,考虑响应不确定性与响应之间的交互效应,采用线性加权准则,构建多响应稳健优化模型;最后,利用聚类分析方法获得最优参数解.该方法考虑了输出响应不确定性对优化结果的影响,权衡了最优因子水平与多元质量特性之间的关系.结合实际案例和软件仿真对所提出方法进行实证研究,结果表明,该方法能够较好地兼顾输出响应的最优性和稳健性,从而实现稳健参数设计.     

基于改进贝叶斯方法的稳健性设计建模技术

针对模型不确定性条件下的稳健参数设计问题,在贝叶斯模型平均方法的基础上,通过考虑因子效应原则,提出基于因子效应原则的贝叶斯模型平均(BMA-EP)稳健性设计建模技术.结合先验信息与贝叶斯法则,计算主效应的后验概率并构建传统的贝叶斯模型平均模型;根据各主效应的后验概率,逐步运用效应层次原则和效应遗传原则更新各主效应的先验,确定模型的后验概率,并以该后验概率作为权重,对各模型进行加权,得到预测性能较佳且符合试验设计原则的稳健性模型.结合实际工业案例和仿真试验验证了所提方法的有效性,结果表明,所提方法不但改善了模型的预测性能,而且提高了最佳参数设置的可靠性.     

基于序贯蒙特卡洛法的自相关过程控制

针对参数未知的自相关过程在线质量控制问题,研究了基于序贯蒙特卡洛法(SMC)的过程控制策略。在给出过程状态空间方程模型的基础上,分析了由于参数未知使得运用Kalman滤波求解控制策略时存在的困难;通过设置未知参数的先验分布,运用序贯蒙特卡洛法得到各参数的后验估计,进而获得了使过程损失最小的控制策略。给出了仿真,以分析控制策略的有效性,结果表明所得到的控制策略具有较好的控制效果。     

考虑测量误差的稳健参数设计北大核心CSSCI

在产品质量设计与制造过程中,通常假定产品或过程的最优参数设计能够准确无误地实施。然而,由于环境温度、湿度以及电压等噪声因素的干扰以及测量误差的作用,过程输入的最优参数设计值往往会呈现出一定的波动,与预定的设计参数值存在一定的偏差。为此,将离线的质量设计技术与在线调整技术相结合,考虑测量误差的情形下,提出一种在线调整的稳健参数设计新方法。首先,通过稳健参数设计方法确定离线控制变量的最优参数设计值;然后,利用传感器技术对生产过程中的可测噪声因子进行在线测量,并借助在线技术调整在线控制变量,对整个过程的期望损失进行调整与补偿,从而降低产品或过程的波动,最终提升产品或过程的设计质量。最后,通过半导体的实际例子验证所提方法的有效性。     

多元质量特性的满意参数设计

针对多元质量特性的参数设计问题,借鉴满意控制理论,引入指标相容性思想,提出了基于多元质量特性的满意参数设计方法.首先用双响应曲面法建立均值-方差模型并确定指标要满足的约束范围;然后对指标约束进行分解并设计约束放宽策略;最后通过指标相容性分析来求解参数的满意解集.实例分析表明,满意参数设计方法能为质量设计的改进提供较大的满意解集,在满意解集中选取的满意解比最优解更可靠.     

求解非半正定核Huber-支持向量回归机问题的序列最小最优化算法

序列最小最优化(SMO)算法是求解大型支持向量机(SVM)问题的有效算法.已有的算法都要求核函数是正定的或半正定的,从而使其应用受到限制.针对这种缺点,本文提出一种新的的SMO算法,可求解非半正定核Huber-SVR问题.提出的算法在保证收敛的前提下可使非半正定Huber-SVR能够达到比较理想的回归精度,因而具有一定的理论意义和实用价值.