基于神經(jīng)網(wǎng)絡(luò)的多響應(yīng)復(fù)雜過(guò)程參數(shù)優(yōu)化方法研究.pdf

1、在國(guó)家發(fā)展大局中，質(zhì)量強(qiáng)國(guó)彰顯越來(lái)越重要的地位，并在“十三五”規(guī)劃中將建設(shè)質(zhì)量強(qiáng)國(guó)作為重大方針政策。參數(shù)優(yōu)化是質(zhì)量改進(jìn)中的一個(gè)重要環(huán)節(jié)，而現(xiàn)實(shí)生產(chǎn)過(guò)程中，由于生產(chǎn)工藝復(fù)雜，參數(shù)優(yōu)化普遍存在復(fù)雜多響應(yīng)參數(shù)優(yōu)化問(wèn)題，包括質(zhì)量特性數(shù)目多、響應(yīng)間的相關(guān)性、高度復(fù)雜的非線性和響應(yīng)之間映射的多極值問(wèn)題，使得傳統(tǒng)的參數(shù)優(yōu)化方法難以實(shí)施。目前該方面的研究主要利用智能算法建立因子與響應(yīng)間復(fù)雜的映射關(guān)系，但沒(méi)有考慮響應(yīng)預(yù)測(cè)能力、響應(yīng)相關(guān)性等問(wèn)題，因此，本文

2、給出了處理復(fù)雜多響應(yīng)參數(shù)優(yōu)化問(wèn)題的改進(jìn)方法。
　　研究了一種改進(jìn)的響應(yīng)曲面模型優(yōu)化方法，主要考慮響應(yīng)預(yù)測(cè)能力對(duì)結(jié)果的影響。利用響應(yīng)曲面法構(gòu)建因子與響應(yīng)間回歸模型，以響應(yīng)預(yù)測(cè)能力指數(shù)為權(quán)重得到綜合回歸模型，然后以綜合回歸模型為目標(biāo)函數(shù)在區(qū)間范圍內(nèi)搜索最優(yōu)參數(shù)組合，并給出參數(shù)改進(jìn)的方向。利用該方法可使參數(shù)優(yōu)化結(jié)果優(yōu)先優(yōu)化預(yù)測(cè)能力強(qiáng)的響應(yīng)。
　　針對(duì)生產(chǎn)過(guò)程中存在的復(fù)雜多響應(yīng)問(wèn)題，給出一種基于神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法。利用加權(quán)主成分

3、分析方法將多個(gè)質(zhì)量指標(biāo)轉(zhuǎn)化為單一的質(zhì)量績(jī)效指標(biāo)，并利用神經(jīng)網(wǎng)絡(luò)彌補(bǔ)響應(yīng)曲面法的不足，構(gòu)建良好的映射模型，利用神經(jīng)網(wǎng)絡(luò)模型的高泛化能力對(duì)最優(yōu)參數(shù)組合尋優(yōu)搜索，以較少的試驗(yàn)數(shù)據(jù)得到理想的參數(shù)設(shè)計(jì)。研究結(jié)果表明，該方法能夠較大程度地改善多響應(yīng)指標(biāo)。
　　研究了一種基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的改進(jìn)加權(quán)主成分分析法。對(duì)于生產(chǎn)過(guò)程中存在的復(fù)雜響應(yīng)問(wèn)題，回歸模型的擬合度達(dá)不到響應(yīng)預(yù)測(cè)能力指數(shù)的計(jì)算要求，本文利用神經(jīng)網(wǎng)絡(luò)建立非線性模型，使用神經(jīng)網(wǎng)絡(luò)模型的均

4、方誤差計(jì)算響應(yīng)預(yù)測(cè)能力指數(shù)，調(diào)整加權(quán)主成分分析，改善了工藝參數(shù)優(yōu)化效果。
　　理論與實(shí)際相結(jié)合是本文研究的特色，理論方法研究以工程案例為依托，案例背景均來(lái)自于研究項(xiàng)目中的實(shí)際工程問(wèn)題，且試驗(yàn)數(shù)據(jù)多為項(xiàng)目中的實(shí)際試驗(yàn)數(shù)據(jù)。
　　本文理論方法研究的創(chuàng)新之處在于對(duì)回歸模型構(gòu)建的多響應(yīng)參數(shù)優(yōu)化問(wèn)題以曲面擬合度作為響應(yīng)預(yù)測(cè)能力的評(píng)價(jià)指標(biāo)引入多響應(yīng)參數(shù)優(yōu)化，能夠達(dá)到強(qiáng)調(diào)預(yù)測(cè)能力的效果。對(duì)復(fù)雜多響應(yīng)參數(shù)優(yōu)化問(wèn)題，曲面擬合度不理想，以其擬合