[机械电子]零件参数设计随机模拟.pptVIP

引例（零件参数设计） 产品性能的评价取决于产品包含零件的某个参数。由标定值和容差两个控制指标。 标定值：一批零件该参数的平均值（期望值） 容差：参数偏离标定值的容许范围（一般为均方差的3倍） 粒子分离器某个参数（用y表示）由7个零件的参数（用x1,x2,…,x7表示）决定，经验公式为 评价标准： （1）设定y的目标值（记为y0）为1.50； （2）当y偏离目标值0.1时，产品为次品，质量损失1000元 （3）当y偏离目标值0.3时，产品为废品，质量损失9000元 要求： 对于给定的零件参数标定值和容差，计算产品的损失，同时进行零件参数最优化设计。 概率论知识复习 事件A发生的可能性称为事件A的概率。 随机现象中，取值不确定的变量称为随机变量，描述随机变量取各种值的概率函数称为概率分布。 数学期望（均值）：描述随机变量的平均值 方差，标准差（均方差）：描述随机变量分布的差异程度。 概率分布 0-1分布 二项分布 均匀分布 正态分布（标准正态分布） 随机模拟原理 大数定理表明，当k?? 时，样本平均值趋向于总体平均值，它是数理统计参数估计的理论基础，也是数字特征随机模拟的理论根据。 设?是一个分布已知的随机变量，为了求取? = f(?)的概率分布或数字特征，生成N个(N足够大)服从?的分布的随机数x1, x2, …, xN，令yi = f(xi), i=1,2,…,N, 那么 数据分析与随机数生成的MATLAB命令 ?数据分析(注意对向量和矩阵的不同运算方式) a=min(X)(max(X)): 返回向量X的最小(大)向量 X=min(A)(max(A)): 返回矩阵A每列最小(大)元素构成的行向量 mean(X),mean(A): 返回向量X的平均值(矩阵A的列向量的均值构成的向量) median: 返回中值； ?std: 返回标准差 cov: 返回协方差矩阵； ? corrcoef: 返回相关系数矩阵 sum: 各元素的和； ? cumsum: 元素累计和 prod: 各元素的积； ? cumprod: 元素累积积 直方图 Bar(Y): 作向量Y的直方图 Bar(X, Y): 作向量Y相对于X的直方图 Hist(X, k): 将向量X中数据等矩分为k组，并作出直方图，缺省k=10 [N, X]=hist(Y, k): 不作图，N返回各组数据个数，X返回各组的中心位置 R=randperm(N): 生成1,2,…,N的一个随机排列 R=unidrnd(N,m,n):生成1,2,…,N的等概率m行n列随机矩阵 R=unifrnd(a,b,m,n): 生成[a,b]区间上的均匀分布的m行n列矩阵 R=normrnd(mu,sigma,m,n): 生成均值为mu，均方差为sigma的m行n列随机矩阵 R=binornd(k,p,m,n): 生成参数为k,p的m×n列二项分布随机矩阵 R=mvnrnd(mu,sigma,m): 生成n维正态分布数据，其中mu为均值向量，sigma为n阶协方差矩阵（必须正定），R为m行n列矩阵，每行代表一个随机数 实验例题 零件参数设计 计算下述情况的零件每件产品的平均损失 Monte Carlo法计算积分 使用随机模拟法可以求解一些复杂的非随机问题。 使用随机模拟计算二重积分的原理： 假设C被包含在几何体D内,D的体积已知，若在D内生成1个均匀分布的随机数，则该随机数落在C中的概率应当是C的体积除以D的体积。若一共生成N个随机数，其中有NC个在C的内部，则C的体积约为D的体积乘以NC/N 最优化计算Monte Carlo法 求下列函数的最大值： * * ? 随机数的生成 R=rand(m,n): 生成(0,1)上均匀分布的m行n列随机矩阵 R=randn(m,n):生成标准正态分布的m行n列随机矩阵 　　(1)立式数控车床 立式数控车床简称为数控立车，其车床主轴垂直于水平面，一个直径很大的圆形工作台，用来装夹工件。这类机床主要用于加工径向尺寸大、轴向尺寸相对较小的大型复杂零件。 　　(2)卧式数控车床 卧式数控车床又分为数控水平导轨卧式车床和数控倾斜导轨卧式车床。其倾斜导轨结构可以使车床具有更大的刚性，并易于排除切屑。 按加工零件的基本类型分类 　　(1)卡盘式数控车床 这类车床没有尾座，适合车削盘类(含短轴类)零件。夹紧方式多为电动或液动控制，卡盘结构多具有可调卡爪或不淬火卡爪(即软卡爪)。 　　(2)顶尖式数控车床 这类车床配有普通尾座或数控尾座，适合车削较长的零件及直径不太大的盘类零件。 按刀架数量分类 　　(1)单刀架数控车床 数控车床一般都配置有各种形式的单刀架，如四工位卧动转位刀架或多工