可靠度方法 理论与应用 .pptVIP

RDO: 文献综述 现有技术 田口（Taguchi）方法: 试验设计 (DOE), 信噪比 进化设计: 试验设计 (DOE), 操作环境 恶劣工况设计 鲁棒性设计优化: 概率方法 均方根 法(RSS) 产品质量损失评估不准确 优化时需要计算海森矩阵 性能差分法 产品质量损失评估高效、但不准确。 RDO: 质量损失 N, S, L型 质量损失: Cql(H(X;d)) = k?||H ? ht||2 类型 质量损失函数 应用 Nominal-the-Best (N型) 转向控制, 机械臂定位等 Smaller-the-Better (S型) 应力, 回弹等 Larger-the-Better (L型) 自然频率, 疲劳寿命等 基于可靠度的鲁棒性优化模型 RDO: 试验设计 与 质量损失函数在输入域的数值积分 数值积分 性能矩计算的数值积分 田口法 (Taguchi, 1978) 加权田口法 (D’Errico and Zaino, 1988) 1/3 Xi : 1/9 X1 X2 : 1/36 : 1/9 : 4/9 X1 X2 1/6 4/6 Xi “计算代价大” 计算量 = 3n, 这里 n: 设计变量数目 例如, 310 = 59049 RDO: 质量损失函数在输出域的数值积分 在输出域的数值积分 (Youn and Choi, 2004) 产品性能 H的统计矩 产品性能统计矩的数值积分法 1/6 4/6 H 计算量 = 两次可靠度分析 不需要计算产品性能函数的二阶敏感度。 这就是“性能矩数值积分法”(PMI)； 矩估计结果 H3=耻骨受力 (侧撞) Mean Standard Deviation Skew-ness Kurtosis RSS PMI MCS RSS PMI MCS H1 ?5.250 ?5.286 ?5.272 0.839 0.841 0.841 ?0.260 3.109 Error, % 0.415 0.259 0.238 0.071 H2 3.632 3.608 3.494 1.939 0.880 0.935 ?0.572 7.135 Error, % 3.961 3.277 107.4 5.872 H3 ?1.410 ?1.413 ?1.413 0.063 0.069 0.071 ?0.989 4.929 Error, % 1.337? 1.092? ? 10.73 2.816 “偏度（ Skewness ）”: 对称性测度, “峭度（ Kurtosis ）”: 峰值测度 采用Monte Carlo法，100000个抽样 基于可靠度的鲁棒性优化结果 基于可靠度的鲁棒性优化 ：N型 Iter. Std. Dev. NFE1/NFE2 0 0.032 4.696 8/7 1 0.153 3.219 18/12 2 0.172 2.389 16/12 3 0.150 1.569 16/16 4 0.163 1.324 16/14 5 0.163 1.325 24/21 Opt 0.163 1.325 98/82 MCS优化结果： = 0.167, error = 2.39% Standard deviation = 1.327, error = 0.15% NFE1: 约束函数评估次数 NFE2: 目标函数评估次数 基于可靠度的鲁棒性优化结果(续) 基于可靠度的鲁棒性优化 ：S型 Iter. Mean Std. Dev. NFE1/NFE2 0 11.02 4.696 8/7 1 14.54 2.957 22/24 2 6.017 2.102 16/16 3 5.343 1.673 16/16 4 4.579 1.322 16/14 5 4.505 1.322 16/14 Opt 4.505 1.322 94/91 MCS优化结果： Mean = 4.443, error = 1.39% Standard deviation = 1.325, error = 0.23% 不同的质量损失函数模型导致了不同的寻优路径。 基于可靠度的鲁棒性优化结果(续) 基于可靠度的鲁棒性优化 ： L -型 Iter. Mean Std. Dev. NFE1/NFE2 0 11.02 4.696 8/7 1 24.59 3.219 27/18 2 22.22 2.872 18/12 3 20.91 2.751 18/16 4 21.09 2.770 27/18 Opt 21.09 2.770 98/67 MCS优化结果： Mean = 20.99, error = 0.48% Standard deviation = 2.774, erro