摘要：在复杂产品或先进制造过程中往往存在各种影响产品质量设计的不确定性因素,会对模型精度和分析结果产生不利影响。因此,针对模型不确定的非正态响应稳健参数设计问题,提出了一种新的广义线性模型的贝叶斯模型平均方法来解决非正态响应的模型不确定问题。首先,在贝叶斯广义线性模型的框架下纳入变量指示器和模型指示器,利用因子效应原则识别显著效应;其次,通过贝叶斯抽样技术计算变量指示器和模型指示器的后验概率以确定模型权重与模型结构,并利用模拟程序获得模拟响应值;然后,基于模拟响应值构建质量损失函数确定优化方案寻找最优解;最后,通过实际微纳钻孔和3D打印案例证明了该方法的有效性。结果表明,在解决非正态响应下的模型不确定的稳健参数设计中,所提方法与现有方法相比质量损失更低且更加合理稳健。

摘要：针对非正态响应的稳健参数设计问题,提出一种考虑噪声因子的贝叶斯建模与参数优化方法。首先,考虑经验贝叶斯先验信息,利用贝叶斯广义线性模型构建设计因子与输出响应之间的函数关系;其次,假设噪声因子服从已知的分布,在此基础上利用贝叶斯抽样技术获得考虑噪声因子波动的输出响应模拟抽样值;然后,在给定产品规格的基础上,利用输出响应的抽样值构建符合性后验概率函数,并利用遗传算法对所构建的符合性后验概率函数进行优化,获得对噪声因子波动具有稳健性的参数设计值;最后,结合实际的案例验证了所提方法的有效性。研究结果表明,所提方法有效地刻画了噪声因子的波动对产品或过程质量的影响,从而获得了更为稳健可靠的参数设计值。

摘要：针对大规模时空数据的稳健参数设计问题,将快速不可分离高斯过程(fast nonseparable Gaussian process,FNSGP)模型与多元质量损失函数相结合,建立一个新的优化方案.首先,在考虑空间与时间相关性的条件下,使用FNSGP模型构建输入因子与质量特性之间的响应曲面,并采用前向滤波和后向平滑的快速、精确算法对模型进行估计和预测;其次,基于信噪比计算时空响应的联合损失权重,构造多元质量损失函数;然后,结合多元质量损失函数建立两阶段参数优化方案;最后,利用非线性优化算法寻找空间与时间因子的联合最优参数设计值.研究结果表明,本文所提方法可以有效地处理大规模时空数据的元建模与稳健参数设计问题,与可分离高斯过程、线性回归、随机森林等替代方法相比能够获得更为稳健的优化结果.

摘要：针对复杂工程系统中的稳健参数优化问题,提出了一种新的基于Kriging代理模型的序贯优化设计方法。首先,用Kriging模型预测均值的最小值,代替真实观测的最小响应值来考虑噪声;然后,对该加点准则的预测方差进行修正,使其在足够的样本量下能够收敛;最后,通过经典的低维、高维非线性数值算例和工程算例来验证所提方法的有效性。验证结果表明,与已有的传统加点准则相比,所提方法能以更少的加点次数获得更好的全局解,具有更强的全局寻优能力和稳健性。

摘要：针对响应服从非正态分布和模型不确定性的稳健参数设计问题,在Polya树混合建模的框架下,构建了一种半参数分层贝叶斯响应曲面模型,并在此基础上实现了稳健参数设计。首先,建立贝叶斯半参数模型,并获得模型各参数的后验分布;其次,运用马尔可夫链蒙特卡罗(Markov chain Monte Carlo,MCMC)算法获得各参数的估计值;然后,基于此构建期望质量损失函数,并利用混合遗传算法全局寻优,获得可控因子的最优设置;最后,通过数值模拟研究和实际案例验证了所提方法的有效性。所提方法能有效解决小样本数据以及模型不确定性对优化结果影响的问题,从而能够获得更稳健可靠的可控因子最优设置。

摘要：针对并行仿真环境下复杂工程系统的优化设计问题,提出一种基于Kriging模型、多目标策略和聚类方法的并行代理优化算法.该算法的多点加点准则,以同时优化期望改进准则和可行性概率准则为目标,首先生成兼具目标响应改进和可行域边界刻画功能的备选试验点集;再利用聚类方法从备选点集中选取多个有代表性的新试验点.通过两个数值算例和一个工程算例,将所提并行优化算法与已有算法做比较,结果表明所提算法具有更高的优化精度、效率和稳健性.

摘要：在加速寿命试验的可靠性设计中,随机化设计的限制以及删失数据不可避免地导致低分位数估计出现较大的偏差。针对上述的问题,结合贝叶斯抽样技术以及非线性混合模型(nonlinear mixed model,NLMM)提出了一种可靠性改进的分析方法。首先,需要检验所收集的数据是否服从威布尔分布以及验证形状参数是否是恒定常数。其次,考虑随机效应对尺度参数和形状参数的影响,运用NLMM构建了尺度参数和形状参数与试验因子之间的函数关系。然后,利用贝叶斯方法估计低分位数的可靠性寿命。最后,实际案例研究表明,在考虑删失问题和未完全随机设计的影响时,所提方法能够获得更为稳健和可靠的估计结果。

摘要：针对一类与时间相关的质量特性存在定时删失情形的稳健参数设计问题,提出了一种结合期望最大化算法和改进的随机森林算法的变量选择与过程优化方法.首先,采用期望最大化算法计算不同水平组合下的位置与散度估计;其次,利用改进的随机森林算法选择重要的因子效用;然后,将响应的置信区间引入优化策略中以构建更保守的约束条件,降低模型不确定对优化结果的影响;最后,通过一个实际的工程案例验证所提方法的有效性.实例分析的结果表明,所提方法能有效降低信息损失及模型不确定性对建模和优化结果的影响,能获得更加可靠的可控因子最优设计值.

摘要：针对双响应曲面模型的参数不确定性、参数之间的层次结构以及模型的异方差问题,结合分层贝叶斯建模方法提出一种新的均值-方差双响应曲面模型,并在此基础上运用所提方法实现了产品/过程的稳健参数设计。首先,建立分层贝叶斯模型,并获得参数的后验分布;其次利用Gibbs采样获得参数估计值,在此基础上构建质量损失函数,并采用遗传算法对质量损失函数进行优化求得可控因子的最佳设计水平;最后,从模型具有同方差和异方差两种情形出发,结合具体实例分别采用普通最小二乘、加权最小二乘及分层贝叶斯建立双响应曲面模型进行了比较分析,验证了所提方法的有效性。

摘要：在多响应优化设计中,模型参数的不确定性以及生产过程的噪声因子不可避免地会导致预测响应值出现较大的波动。针对上述的问题,结合贝叶斯抽样技术、帕累托优化策略以及灰色关联分析方法提出了一种多响应优化设计方法。首先,考虑模型参数的不确定性,运用贝叶斯多元回归模型构建了过程响应与试验因子之间的函数关系;其次,根据帕累托最优策略求出了帕累托最优前沿,并计算各试验点达到帕累托最优的贝叶斯后验概率;然后,利用灰色关联分析方法识别出最佳的优化设计方案;最后,实际案例研究表明,在考虑预测响应值波动时,所提的方法能够获得更为稳健和可靠的优化结果。