摘要：因子效应原则(效应稀疏原则、效应排序原则和效应遗传原则)经常用于评判因子设计理论与数据分析策略的合理性.针对非正态响应的部分因子试验,当筛选试验含有复杂的别名效应时.提出了一种结合广义线性模型(generalized linear models,GLM)与因子效应原则的多阶段贝叶斯变量选择方法.首先,在广义线性模型的线性预测器中对每个变量设置一个二元变量指示器;其次,将因子效应原则以变量指示器的先验信息分成三个不同的阶段分别加以考虑;然后,利用变量指示器的后验概率识别显著性的因子效应.最后,仿真试验结果表明:所提出的方法不仅能简化广义线性模型先验参数的选择,而且能够有效地识别出非正态响应部分因子试验的显著性因子.

摘要：针对多响应的质量设计问题,本文结合似不相关回归(seemingly unrelated regression,SU R)模型与因子效应原则提出了一种新的建模与优化方法.该方法不仅结合S U R模型与因子效应原则筛选出各响应模型的显著性变量,而且运用多变量过程能力指数衡量了过程能力满足规格要求程度的水平.此外,该方法还通过贝叶斯抽样技术考虑了模型参数不确定性和预测响应值波动对优化结果的影响.首先,在S U R模型中针对每个变量设置了一个二元变量指示器以考虑因子效应原则,通过所构建的混合二元变量指示器修正了过程响应和试验因子之间的函数关系;其次,通过计算混合二元变量指示器和模型结构的后验概率以识别显著性变量,从而确定最佳的模型结构;然后,在此基础上结合贝叶斯抽样技术构建了一种新的多变量过程能力指数,并通过最大化所构建的多变量过程能力指数获得了最佳的参数设计值;最后,实际案例研究表明:本文所提方法不仅能够有效地筛选出多响应过程的显著性变量,而且能够获得最佳的参数设计值.

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：针对多响应三水平部分因子试验,当筛选试验中候选变量个数大于试验样本数时,本文提出了一种考虑因子效应原则的建模与优化方法.首先,构建三水平对照试验,并结合二元变量指示器构建Bayesian Lasso模型;其次,根据因子效应原则,分三个阶段逐步更新二元变量指示器的先验信息,并利用变量指示器的后验概率来识别显著性变量,确定模型结构;然后,在此基础上结合贝叶斯抽样技术构建多变量过程能力指数函数,并通过最大化该函数获得最佳的参数设计值;最后,实际案例的结果表明:本文所提方法不仅能够有效地筛选出多响应三水平部分因子试验的显著性变量,而且能够获得最佳的参数设计值.

摘要：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。