论文部分内容阅读
在现代制造加工过程中,面临着一类多响应同时存在的参数优化问题,这些多响应之间往往存在冲突关系,难以同时达到最优状态,且整体作用关系相较于单响应过程更为复杂,呈现多极值非线性等特点,是实践中亟待解决的关键问题。特别是随着加工水平的不断进步,出现了一类具备函数型数据特征的工艺参数,函数型参数。函数型参数不同于传统参数类型,其水平值在加工进程中会发生连续变化,对质量特性施加动态影响,给优化工作提出了新的挑战。针对函数型参数的多响应优化,在当前质量改进中缺少适用性理论方法指导,基于此,提出了一种基于改进最小二乘支持向量回归机(LS-SVR)的函数型参数多响应优化方法:首先,在实验设计与建模优化工作开始前,需要确定函数型参数从标量型到函数型的重构方式,实现函数型参数的设计功能。以函数型数据分析中基函数系统的灵活性为借鉴,提出使用与基函数展开类似的B-样条曲线作为函数型参数的设计方法,将曲线定义点作为函数型参数的代表,与标量型参数共同作为设计变量。这样做不仅与标量型参数实现数据形式上的统一,而且对坐标值进行恰当抽样即可获得随机多样的曲线形式。之后,通过超拉丁方抽样进行实验设计,获取的样本点具备均匀分层特点,比普通随机抽样更加高效、样本更具代表性,适用于复杂作用关系问题。其次,对于实验设计建模而言,需要确定函数型参数、标量型参数与多个响应之间作用关系的有效近似模型。采用小样本通用学习理论LS-SVR作为整体作用关系建模方法,在面对复杂作用关系过程时也能取得较好的建模效果。在此基础上,采用基于Fréchet距离改进Gaussian核函数的LS-SVR建立参数与各响应之间的作用关系模型,函数型参数在保留函数特征的同时参与模型学习。在实验设计样本量有限且较小的情况下,LS-SVR更好地拟合函数型参数、标量型参数与多个响应共同参与的复杂作用关系。最后,通过带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对所建模型进行寻优,获得一组Pareto解,并利用熵权-逼近理想点决策法(TOPSIS)法对Pareto解进行综合评价确定最优参数组合。结合最优参数组合和预测得到的最优多响应值,为具体优化工作提供指导,从而实现函数型参数的多响应参数优化。对注塑仿真实验以及FDM实证实验研究表明,与现有的多响应参数优化方法相比,在样本量较小时,所提方法的优化效果更好、预测精度更高,可以更好地实现多个响应的优化。