翟翠紅, 汪建均, 馮澤彪

(南京理工大學經(jīng)濟管理學院, 江蘇 南京 210094)

0 引 言

近年來,隨著半導體、電子自動化和通信等技術的迅猛發(fā)展,能夠記錄和存儲數(shù)量不斷增加的復雜和高維數(shù)據(jù)的智能傳感器不斷出現(xiàn)。這些傳感器能夠獲得具有以下特點的數(shù)據(jù)流[1]:① 多種類,各種類型的傳感器產(chǎn)生的數(shù)據(jù)流種類較多,如波形信號、圖像和視頻;② 高維度,典型的用于表面檢測的圖像在1 M像素左右;③ 高速度,近年來數(shù)據(jù)采集速度顯著提高,幾乎可以跟上任何生產(chǎn)速度;④ 時空結(jié)構(gòu),剖面圖中的數(shù)據(jù)點或圖像內(nèi)的像素是空間相關的。這種響應變量稱為時空數(shù)據(jù)、剖面響應或函數(shù)響應。通過對流數(shù)據(jù)進行有效的建模和分析,可以實現(xiàn)實時過程監(jiān)控、故障診斷和在線產(chǎn)品檢測。然而,這些數(shù)據(jù)流的復雜特性給數(shù)據(jù)建模與穩(wěn)健參數(shù)設計帶來巨大挑戰(zhàn)。

20世紀80年代,日本著名的質(zhì)量工程專家Taguchi博士,在試驗設計和信噪比(signal to noise ratio, SNR)的基礎上提出穩(wěn)健參數(shù)設計(robust parameter design, RPD)方法。他認為質(zhì)量特性一旦偏離其設計目標值,就會造成質(zhì)量損失,且偏離越遠,質(zhì)量損失越大。為了減少產(chǎn)品或過程的波動造成的質(zhì)量損失,他利用正交表進行試驗設計,通過選擇可控因子的最佳參數(shù)組合,使得產(chǎn)品或過程對噪聲因子不敏感。具有復雜特性的剖面響應穩(wěn)健參數(shù)設計與經(jīng)典穩(wěn)健參數(shù)設計類似,大多通過如Taguchi參數(shù)設計、響應曲面等統(tǒng)計建模的方法,研究輸入因子與其輸出響應之間的關系。此外,各種創(chuàng)造性的方法將其他技術與Taguchi方法相結(jié)合,以解決剖面響應優(yōu)化問題。例如,Tansel等[2]將比率分析的多目標優(yōu)化與Taguchi方法整合,將多響應問題轉(zhuǎn)化為單響應問題. 不僅減少了Taguchi法中用戶決策所需的計算步驟,而且不需要額外的系數(shù),這將降低數(shù)學計算的復雜性。少數(shù)研究者為了考慮生產(chǎn)過程中多個質(zhì)量特征之間的相關性,開發(fā)了更可靠、更實用的響應面模型,如似不相關的回歸模型[3]。Wang等[4]利用貝葉斯似不相關回歸模型擬合輸入因子與輸出響應之間的關系,并綜合考慮模型參數(shù)的不確定性和制造過程的高變異性,建立一種兼顧報廢成本和質(zhì)量損失的兩目標函數(shù),提出了一種在貝葉斯建模和優(yōu)化框架下的經(jīng)濟參數(shù)設計。

由Taguchi[5]開創(chuàng)和倡導的穩(wěn)健試驗設計,已被世界上許多科學家和工程師所接受和研究。但是,Taguchi的穩(wěn)健設計方法有時需要進行大量物理試驗或建立大量原模型。而物理試驗只適用于設計因子有限的產(chǎn)品和工藝,且在爆炸性材料的引爆,或者當觀察到山體滑坡或颶風等罕見事件時,物理試驗是不可行的。為了在全球競爭中求得生存和成功,人們的興趣和焦點逐漸從物理試驗轉(zhuǎn)向了虛擬試驗[6]。與物理試驗相比在計算機模擬器上進行試驗的速度快、成本低,所以計算機試驗在電氣工程中的集成光子濾波器[7],航空航天工程中的氣釘噴嘴[8]和微機電系統(tǒng)裝置[9]等工程和科學研究中被廣泛應用。然而,在制造業(yè)中,計算密集型設計問題變得越來越普遍[10-12]。為了達到與物理測試數(shù)據(jù)相當?shù)臏蚀_性水平,計算機仿真通常很復雜且執(zhí)行起來非常昂貴。盡管計算能力不斷進步,但諸如有限元分析和計算流體動力學等工程分析代碼的復雜性似乎與計算能力保持同步,使得綜合參數(shù)分析非常耗時。因此,迫切需要為計算機仿真模型開發(fā)簡單的近似模型,即元模型。

元建模方法能夠利用有限樣本來逼近昂貴的計算密集型函數(shù),在有效降低仿真優(yōu)化成本的同時保證仿真優(yōu)化的精度,被廣泛用于設計優(yōu)化[12-16]。為了在有限的樣本數(shù)量下高效、準確地生成元模型,人們已經(jīng)進行了大量研究。常用的元模型有多項式回歸[17],人工神經(jīng)網(wǎng)絡[18-19],多元自適應回歸樣條[20],徑向基函數(shù)[21-22],高斯隨機過程(或Kriging模型)[23-24]和支持向量回歸[25-26]。然而,輸入和輸出變量的高維性會給問題建模和優(yōu)化帶來指數(shù)級困難,即工作量隨維數(shù)的增加呈指數(shù)增長。假設在n個輸入變量的每一個變量中采樣s個點,則該采樣需要執(zhí)行sn次計算機試驗來建立元模型,這對于計算昂貴型函數(shù)的建模顯然不太現(xiàn)實。除了計算量大之外,這些模型(函數(shù))對于設計者而言是隱式且未知的,即黑盒函數(shù)。函數(shù)隱式是設計優(yōu)化的重大障礙,隨著設計問題中變量數(shù)量的增加,計算需求也呈指數(shù)增長。這種由問題維度帶來的困難被稱為維數(shù)災難。Mistree研究小組將此困難稱為穩(wěn)健設計或多學科設計優(yōu)化中的問題規(guī)模。而在對由傳感系統(tǒng)獲得的具有復雜特性的高維數(shù)據(jù)流進行建模與優(yōu)化時,要同時克服高維度、計算昂貴以及黑盒函數(shù)(high-dimensional, expensive and black-box, HEB)3種困難,嚴重加劇了問題仿真與優(yōu)化的難度。Shan等[12]從1 000多篇不同學科論文中篩選出207篇參考文獻,對HEB問題的建模和優(yōu)化策略進行調(diào)查。該調(diào)查顯示:通常,用于HEB的建模技術和優(yōu)化方法都限于低維問題,對于高維問題的研究比較缺乏。

目前,能夠緩解維數(shù)災難問題的常用方法有分解、篩選、映射、空間縮小和可視化等。分解將一個問題重新劃分為多個維度較低的子問題,并將子問題重新組合,生成一個元模型[9]。篩選或特征選擇利用敏感性分析識別重要的變量,并去除不重要的變量以生成元模型,從而降低問題的維度[12, 27-30]。映射將相關變量的集合轉(zhuǎn)化為更小的集合。而空間縮小則減少了問題的設計范圍[12]。上述方法已從并行計算、減小設計空間、篩選重要變量、將設計問題分解為子問題、映射和可視化變量等不同角度緩解高維性所帶來的困難。但這些傳統(tǒng)的元建模方法對具有HEB特征的復雜和高維數(shù)據(jù)問題效率低下、精確度低。例如,篩選在降低問題維度和復雜性的同時,可能會導致模型參數(shù)估計和預測中信息損失,影響模型精度。而映射雖然可以減少問題的規(guī)模和優(yōu)化的復雜性,但卻不能確保在低維空間中獲得的最佳方案是原高維空間中的真正最佳方案。因此,面對高維數(shù)據(jù)的建模與穩(wěn)健參數(shù)設計問題,迫切需要研究新的元建模與參數(shù)優(yōu)化技術。

高斯過程(Gaussian process, GP)是用于近似計算密集型計算機模型的強大工具,具有預測精度高、便于擴展的優(yōu)點,被廣泛用于模擬輸入與輸出之間的復雜非線性關系。對于已經(jīng)成為典型的多輸入與多輸出數(shù)據(jù)建模與穩(wěn)健參數(shù)設計問題,當不考慮輸出之間的相關性時,一種簡單方法是為每個輸出分別構(gòu)造一個獨立的GP模型。而在許多實際應用中,計算機模型的不同輸出級別是相互關聯(lián)的[31-33]。Qian等[34]提出了構(gòu)建多變量GP (multivariate GP, MGP)模型的通用框架。框架中的協(xié)方差函數(shù)是可分離的,并且在所有輸出級別上具有共同的邊際協(xié)方差函數(shù)。該假設簡化了協(xié)方差結(jié)構(gòu)并顯著減少了模型參數(shù)的數(shù)量。Melkumyan等[35]使用不可分的協(xié)方差結(jié)構(gòu)對輸出進行充分建模。不可分離協(xié)方差函數(shù)允許不同輸出水平使用不同的協(xié)方差參數(shù),這比可分離的協(xié)方差函數(shù)要靈活得多。Li等[36]開發(fā)了測試協(xié)方差函數(shù)可分性的多變量隨機字段,這為選擇哪種類型的協(xié)方差函數(shù)提供了理論依據(jù)。Sung等[37]提出一種多分辨率函數(shù)方差分析模型,作為一種計算上可行的仿真替代方法。這個模型可以用于大規(guī)模和多輸入的非線性回歸問題。Chen等[38]使用GP對具有時空相關結(jié)構(gòu)的高維輸出變量進行建模,提高了量化模型自身不確定性的能力和模型預測精度。Ghosh等[39]提出基于線性混合效應(linear mixed effects, LME)的多變量剖面建模方法,使用MGP控制的B-splines曲線構(gòu)建LME模型中的隨機部分。與傳統(tǒng)的MGP和LME方法相比,該方法在未增加大量參數(shù)的情況下實現(xiàn)了剖面建模的靈活性。Li等[40]針對高維參數(shù)空間和大規(guī)模協(xié)方差矩陣問題,提出了一種成對建模方法,該方法充分利用超球面分解的序列構(gòu)造特點,將高維MGP模型分解為一系列的二元GP模型。隨后,馮澤彪等[41]針對預測偏差和波動的多響應穩(wěn)健參數(shù)設計問題,結(jié)合超球面分解理論和成對估計超參數(shù)方法建立MGP預測模型。提出了綜合考慮質(zhì)量損失和期望概率的多響應穩(wěn)健參數(shù)設計方法。然而,MGP模型經(jīng)常面臨巨大協(xié)方差矩陣造成的數(shù)值問題和計算挑戰(zhàn)。此外,估計GP模型相關函數(shù)中的參數(shù)的標準方法,如最大似然估計(maximum likelihood estimation, MLE),通常會產(chǎn)生不穩(wěn)定的結(jié)果,從而導致預測結(jié)果較差。使得MGP模型在大型和復雜問題上的實際應用中受到限制。

本文針對高維試驗數(shù)據(jù)的穩(wěn)健參數(shù)設計問題,在GP的建?？蚣芟?采用部分平行的GP (parallel partial GP, PPGP)模型來構(gòu)建試驗因子與多質(zhì)量特性之間的響應曲面,在此基礎上運用多元質(zhì)量損失函數(shù)作為優(yōu)化指標來獲得可控因子的最佳參數(shù)設計值。首先,利用符合穩(wěn)健參數(shù)估計標準的邊緣后驗估計方法,估計GP模型中的相關參數(shù),并使用從總體似然中估計的共同相關參數(shù),建立每個坐標位置概率上獨立的PPGP模型[42]。然后,使用PPGP模型構(gòu)建試驗因子與多質(zhì)量特性之間的響應曲面,結(jié)合PPGP模型部分平行的特征,基于SNR的方法構(gòu)建多元質(zhì)量損失函數(shù)。最后,結(jié)合PPGP模型和多元質(zhì)量損失函數(shù)建立多響應優(yōu)化模型,并使用遺傳算法獲得可控因子的最佳參數(shù)設計值。此外,通過仿真算例和實際案例驗證了所提方法的有效性和便捷性。與獨立建模的單變量GP模型相比,本文采用聯(lián)合建模方法不僅能夠有效地處理高維試驗數(shù)據(jù)的建模與參數(shù)優(yōu)化問題,而且能夠獲得更為穩(wěn)健的優(yōu)化結(jié)果,運行效率更高。

1 高斯過程模型原理

設X為輸入空間,x∈X表示k維輸入因子,對應的輸出響應y(x)視為一個通過GP建模的未知函數(shù):

y(·)～GP(μ(·),C(·,·))

(1)

式中:μ(·)為均值函數(shù);C(·,·)=σ2c(·,·)為協(xié)方差,σ2和c(·,·)分別為方差及相關函數(shù)。

對來自X的任意輸入因子組合{x1,x2,…,xm},其似然函數(shù)服從下面的多元正態(tài)分布:

(y(x1),y(x2),…,y(xm))T|μ,σ2,R～

MVN((μ(x1),μ(x2),…,μ(xm))T,σ2R)

(2)

式中:σ2是未知方差;R是(i,j)元素為c(xi,xj)的相關矩陣。

通常通過回歸對均值函數(shù)建模:

(3)

式中:h(x)=(h1(x),h2(x),…,hq(x))是指定基函數(shù)的向量;θt是基函數(shù)ht的未知回歸參數(shù)。對于輸入xi=(xi1,xi2,…,xik)和xj=(xj1,xj2, …,xjk),常用的相關函數(shù)是以下形式的指數(shù)族相關[43]:

(4)

為了處理未知的均值和方差,簡單地利用位置-尺度參數(shù)的標準參考先驗,即

(5)

(6)

對應的密度函數(shù)[46-47]為

其中,

2 結(jié)合部分平行高斯過程模型與質(zhì)量損失的穩(wěn)健參數(shù)設計

2.1 基于部分平行高斯過程建立響應曲面

為了提高計算效率和預測精度,本文采用聯(lián)合建模的PPGP方法替代獨立建模的單變量GP方法,來擬合多輸入和具有時空結(jié)構(gòu)的多輸出計算機模型。令p表示每次預測所考慮的時空網(wǎng)格點總數(shù),為每個坐標分別建立一個概率上獨立的式(1)形式的模型。對于均值和方差參數(shù),我們使用相同的標準目標先驗:

(7)

(8)

2.2 多元質(zhì)量損失函數(shù)

Taguchi使用信噪比作為評估產(chǎn)品質(zhì)量穩(wěn)定性的重要指標,信噪比越大,產(chǎn)品質(zhì)量越穩(wěn)定,造成的損失越小。望目、望小和望大3種質(zhì)量特性的信噪比分別為

(9)

(10)

ηL=10lg(σ2+u2)

(11)

式中:μ和σ2分別是產(chǎn)品質(zhì)量特性y的均值和方差。

為了近似描述波動造成的質(zhì)量損失,Taguchi定義了二次質(zhì)量損失函數(shù):

L(y)=k(y-T)2

(12)

式中:k=A/Δ2,其中A為質(zhì)量偏差造成的經(jīng)濟損失,Δ為質(zhì)量偏差。

Artiles-león[48]為使損失函數(shù)不受其單位影響,令Taguchi的二次質(zhì)量損失函數(shù)中的系數(shù)k=4/(U-L)2,提出了無量綱的標準化多元質(zhì)量損失函數(shù):

(13)

式中:Ti,Ui,Li分別為質(zhì)量特性yi的目標值和上、下規(guī)格限。

Pignatiello[49]根據(jù)最小化偏離設計目標值的偏差和最大化穩(wěn)健性原則,在Taguchi單變量質(zhì)量損失函數(shù)的基礎上,提出了多元二次損失函數(shù):

L(y(x))=(y(x)-T)TC(y(x)-T)

(14)

式中:y=(y1(x),y2(x),…,yp(x))T為p個響應構(gòu)成的p×1維向量;T=(T1,T2,…,Tp)T為p個響應的目標值構(gòu)成的p×1維向量;C為反應過程經(jīng)濟成本的p×p維正定矩陣。

文獻[50]指出,使用Taguchi的信噪比方法度量穩(wěn)健性能時效率低,有時信息損失較大。雖然Artiles-len在Taguchi的二次損失函數(shù)基礎上,提出的無量綱損失函數(shù)具有較多優(yōu)點,但將每個變量等同對待,進行簡單的求和計算,沒有考慮各響應變量之間的相關結(jié)構(gòu)。盡管Pignatiello的多元二次質(zhì)量損失函數(shù)考慮了不同響應變量之間的相關結(jié)構(gòu),但僅適用于“望目”質(zhì)量特性,對于在實踐中經(jīng)常遇到的“望小”和“望大”質(zhì)量特性均不適用。

(15)

LL(y(x))=

(16)

LT(y(x))=

(17)

令:

則式(15)～式(17)可以統(tǒng)一為如下形式:

(18)

式中:λi和L(yi(x))分別為第i個質(zhì)量特性yi的損失權重和損失函數(shù)。

2.3 結(jié)合部分平行高斯過程模型與質(zhì)量損失的參數(shù)優(yōu)化

在PPGP建?？蚣芟?結(jié)合本文所提出的多元質(zhì)量損失函數(shù),構(gòu)建多響應優(yōu)化模型:

(19)

式中:各變量解釋與前文一致。然后,使用遺傳算法尋找優(yōu)化模型的全局最優(yōu)參數(shù)設計值。鑒于篇幅有限,文中所用程序代碼和相關試驗數(shù)據(jù)未放入正文。

結(jié)合PPGP模型與質(zhì)量損失的穩(wěn)健參數(shù)設計基本流程如圖1所示。

圖1 結(jié)合PPGP模型與質(zhì)量損失的穩(wěn)健參數(shù)設計流程圖Fig.1 Flow chart of robust parameter design combining PPGP model and quality loss

具體步驟如下。

步驟 1收集具有時空結(jié)構(gòu)的高維試驗數(shù)據(jù),利用試驗數(shù)據(jù)建立初始PPGP回歸模型。

步驟 2利用邊緣后驗估計法近似模型超參數(shù),確立PPGP模型,并使用PPGP模型構(gòu)建試驗因子與質(zhì)量特性間的預測響應曲面,如式(2)～式(8)所示。

步驟 3結(jié)合PPGP模型部分平行的特征,利用信噪比計算各預測響應均值的損失權重,由損失權重生成的對角矩陣作為損失成本矩陣,構(gòu)建多元質(zhì)量損失函數(shù)。如式(9)～式(11)及式(18)所示。

步驟 4結(jié)合PPGP模型和多元質(zhì)量損失函數(shù)構(gòu)建多響應優(yōu)化模型,如式(19)所示。

步驟 5使用遺傳算法,在輸入變量可行域內(nèi)為多響應優(yōu)化模型尋找全局最優(yōu)參數(shù)設計值,并記錄其運行時間。

步驟 6獲得高維復雜試驗數(shù)據(jù)的建模與參數(shù)優(yōu)化問題的有效方法,得到的優(yōu)化結(jié)果更穩(wěn)健,運行效率更高。

3 仿真與實證研究

本節(jié)使用一個仿真算例和電動交流發(fā)電機(望目)、金屬注射成型(望大)兩個應用實例來說明本文方法的預測能力、有效性和便捷性。并選擇單變量GP方法作為對比方法,使用如下標準評價兩種方法樣本外預測和不確定性量化的準確性。

(1) 絕對偏差

(20)

(2) 多元質(zhì)量損失函數(shù)

(21)

(3) 均方根誤差

(22)

(4) 95%后驗置信區(qū)間覆蓋率

PCI(95%)=

(23)

3.1 仿真算例

3.1.1 仿真函數(shù)

仿真試驗虛擬圖書館為評估計算機模型的試驗設計和分析的新方法,提供了一套函數(shù)和數(shù)據(jù)集。本文在此網(wǎng)站上選取Cross-in-Tray,Bohachevs-ky,McCormick和Easom 4個經(jīng)典復雜二元函數(shù)構(gòu)建仿真案例,對本文方法和單變量GP方法的性能進行測試。4個測試函數(shù)的過程參數(shù)xi∈[-10,10],i=1,2。質(zhì)量特性yj的取值范圍長度分別為R1=1.812 6,R2=297.138 6,R3=444.117 5,R4=1.009 0?？紤]到隨機噪聲的水平對基于GP的優(yōu)化算法有很大影響,本文根據(jù)質(zhì)量特性yj的取值范圍長度Rj的大小,設定各函數(shù)的隨機噪聲水平分別為:ε1,ε4～N(0,0.000 12),ε2,ε3～N(0,0.0012)。測試函數(shù)的具體設置如表1所示。

表1 測試函數(shù)詳情

如圖2中第一行的二維曲面圖所示,這4個測試函數(shù)的選取涵蓋了4個不同的形狀特征。Cross-in-Tray函數(shù)由于存在大量局部極小值而難以優(yōu)化;Bohachevsky函數(shù)圖像類似于碗狀;McCormick函數(shù)圖像類似于盤狀;Easom函數(shù)圖像陡降,雖然是單峰的,但有多個局部極小值,且局部極小值的搜索空間很小。圖2中的第二行為各測試函數(shù)的等高線圖,紅色星號代表取得最優(yōu)解的位置。

圖2 4個測試函數(shù)的曲面圖和等高線圖Fig.2 Surface and contour plots of four test functions

3.1.2 仿真結(jié)果

使用最大最小拉丁超立方體(maximin Latin hypercube,maximin LH)設計在[-10,10]×[-10,10]上生成240組二維隨機樣本,前40組用來擬合PPGP模型和單變量GP模型,后200組用來做樣本外預測,仿真結(jié)果如表2所示。

表2 模型優(yōu)化結(jié)果對比

3.2 實證研究案例

3.2.1 實例1(望目) 電動交流發(fā)電機試驗

該試驗案例來源于文獻[51],主要研究電動交流發(fā)電機的穩(wěn)健參數(shù)設計問題。試驗由8個控制因子xc=(x1,x2,…,x8)T、兩個噪聲因子xn=(x9,x10)T和一個信號因子s組成,各因子具體設置如表3所示。試驗中感興趣的響應是交流發(fā)電機在7個不同轉(zhuǎn)速(revolutions-per-minute, RPM)下運行時產(chǎn)生的電流。7個質(zhì)量特性均屬“望目”類型,表4中的U(sj),L(sj)和T(sj)分別為電動交流發(fā)電機在轉(zhuǎn)速sj下產(chǎn)生的電流上、下規(guī)格限及目標值。試驗者采用TaguchiL18正交陣列設計,并將其重復6次開展相關試驗。

表3 因子列表

表4 電動交流發(fā)電機在不同轉(zhuǎn)速下電流的上、下規(guī)格限及目標值

試驗的目標是找到控制因子與噪聲因子的最佳參數(shù)組合,使得各轉(zhuǎn)速下的電流均值盡可能接近設計目標值的基礎上,最大限度地減少質(zhì)量特性圍繞設計目標值的波動。針對該目標,按照第2.3節(jié)中的優(yōu)化模型構(gòu)建步驟,使用本文方法和單變量GP方法對該試驗數(shù)據(jù)進行建模與優(yōu)化。選用遺傳算法尋找多響應優(yōu)化模型的全局最優(yōu)參數(shù)設計值,并記錄其運行時間。其中,最大迭代次數(shù)設置為1 000,在優(yōu)化停止之前最優(yōu)解沒有任何改進的情況下,連續(xù)迭代次數(shù)設置為100。搜索空間的上、下界分別設為(1,1,1,1,1,1,1,1,1,1)和(-1,-1,-1,-1,-1,-1,-1,-1,-1,-1),其他設置選擇默認,優(yōu)化結(jié)果如表5所示。 另外,為了與Alshraideh等[52]提出的高斯隨機函數(shù)(Gaussian random function, GRF)方法進行比較,將其得到的優(yōu)化參數(shù)設計值對應的優(yōu)化結(jié)果放入表5,以便對比分析。

表5 交流發(fā)電機案例不同研究方法的優(yōu)化結(jié)果

圖3是3種不同方法下獲得的優(yōu)化參數(shù)組合對應的預測均值剖面圖,下面簡稱優(yōu)化預測剖面圖。結(jié)合圖例,可直觀地看出3種方法獲得的優(yōu)化預測剖面(黑色點線)均落在上、下規(guī)格限(紅色虛線)及其對應的上、下95%分位數(shù)線(藍色點線)范圍內(nèi)。但本文方法獲得的優(yōu)化預測剖面處在其他兩種方法的優(yōu)化預測剖面之間,波動較小,且與該試驗的目標值剖面(青色實線)更接近。更直觀地說明本文所提方法的優(yōu)化結(jié)果從位置與散度兩方面來看,均優(yōu)于其他兩種方法。

圖3 交流發(fā)電機試驗3種方法下的優(yōu)化預測剖面圖Fig.3 Optimized prediction profiles of alternator experimentunder three methods

3.2.2 實例2(望大):金屬注射成型工藝試驗

Govaerts和Noel在文獻[53]中介紹了金屬注射成型試驗案例,該試驗在金屬注射成型過程中觀察到25個“綠色”零件(燒結(jié)操作前的產(chǎn)品),在10～80 ℃的脫脂溫度范圍內(nèi)的701個值(信號因子s)處的凝膠強度(響應y)的剖面。試驗由粘合劑成分中的兩個可控因素組成,分別是黃原膠濃度(可控因子x1,從1～5在5個水平上變化)和鉻與黃原膠濃度比(可控因子x2,從1∶1至4∶1在4個水平上變化)。據(jù)作者介紹,其中一個剖面是明顯的離群剖面,因此將其排除在分析之外。為了加快計算速度,作者通過每9個觀測值采樣一次,即信號因子s的水平數(shù)從701降為78。由于該工藝旨在確定黃原膠和鉻兩種成分的最佳組合,使在低凝膠溫度(避免過度蒸發(fā))的條件下獲得盡可能大的膠凝強度。因此,上述試驗中的響應y屬于“望大”類型。使用本文方法和單變量GP方法,按照第2.3節(jié)中的優(yōu)化模型構(gòu)建步驟,對該試驗的數(shù)據(jù)進行建模與優(yōu)化。選用遺傳算法尋找多響應優(yōu)化模型的全局最優(yōu)參數(shù)設置,并記錄其運行時間。其中,最大迭代次數(shù)設置為1 000,在優(yōu)化停止之前最優(yōu)解沒有任何改進的情況下,連續(xù)迭代次數(shù)設置為100。搜索空間的上、下界分別設為(5,4)和(1,1),其他設置選擇默認,優(yōu)化結(jié)果如表6所示。另外,為了與Alshraideh等[52]提出的GRF方法進行比較,將其得到的優(yōu)化參數(shù)設計值對應的優(yōu)化結(jié)果放入表6,以便對比分析。

表6 金屬注射成型試驗不同研究方法的優(yōu)化結(jié)果

圖4左側(cè)是3種不同方法下獲得的優(yōu)化參數(shù)組合對應的優(yōu)化預測剖面圖。結(jié)合圖例,可直觀地看出三種方法獲得的優(yōu)化預測剖面(黑色點線)均落在上、下規(guī)格限(紅色虛線)及其對應的上、下95%分位數(shù)線(藍色點線)范圍內(nèi)。圖4右側(cè)是對左側(cè)圖中[42,50]×[9,10.5]矩形區(qū)域內(nèi)圖像的放大。在右側(cè)的放大圖上可清楚地觀察到,雖然三種方法獲得的優(yōu)化預測剖面圖比較接近。但使用本文方法獲得的優(yōu)化預測剖面位于其他兩種方法的優(yōu)化預測剖面上方,且波動較小。更直觀的說明,本文方法不但可以在較低的凝膠溫度條件下獲得更高的膠凝強度,而且最大限度地減少了質(zhì)量特性圍繞設計目標值的波動,實現(xiàn)了該試驗的初始目標。

圖4 金屬注射成型試驗3種方法下的優(yōu)化預測剖面圖Fig.4 Optimized prediction profiles of metal injection molding experiment under three methods

4 方法討論

本文針對高維復雜數(shù)據(jù)的建模與穩(wěn)健參數(shù)設計問題,在PPGP的建?？蚣芟?結(jié)合多元質(zhì)量損失函數(shù)構(gòu)建一個新的多響應優(yōu)化模型。首先,利用邊緣后驗估計獲得超參數(shù)的近似值,確立PPGP元模型。其次,結(jié)合PPGP模型部分平行的特征,基于信噪比方法計算各響應的損失權重,由損失權重生成的對角矩陣作為成本矩陣,構(gòu)建多元質(zhì)量損失函數(shù)。最后,在PPGP建?？蚣芟?結(jié)合多元質(zhì)量損失函數(shù)構(gòu)建多響應優(yōu)化模型,并使用遺傳算法尋找全局最優(yōu)參數(shù)設置。此外,通過仿真試驗與工程案例,將本文所提方法與基于最大似然估計的單變量GP方法和Alshraideh等[52]提出的GRF方法進行比較。發(fā)現(xiàn)本文所提方法,得到的質(zhì)量損失和絕對偏差最小,95%后驗置信區(qū)間更接近95%的名義水平。更重要的是,由于本文方法采用聯(lián)合建模的思想,與獨立建模的單變量GP方法相比,在建模時更方便,用遺傳算法尋找最優(yōu)解時所用的時間更短。說明本文所提方法能夠較好地兼顧建模和優(yōu)化過程的便捷性和穩(wěn)健性。而且隨著數(shù)據(jù)量和維數(shù)的增加,本文方法的優(yōu)勢愈明顯。

5 結(jié)束語

針對高維試驗數(shù)據(jù)的建模與穩(wěn)健參數(shù)設計問題,本文在GP的建?？蚣芟?采用PPGP模型來構(gòu)建試驗因子與多質(zhì)量特性之間的響應曲面,在此基礎上運用多元質(zhì)量損失函數(shù)作為優(yōu)化指標來獲得可控因子的最佳參數(shù)設計值。另外,通過仿真試驗與工程案例,將本文所提方法與單變量GP方法和Alshraideh等提出的GRF方法進行比較。研究結(jié)果表明:與獨立建模的單變量GP方法相比,本文采用聯(lián)合建模方法,不僅能夠有效地處理高維試驗數(shù)據(jù)的建模與參數(shù)優(yōu)化問題,而且能夠獲得更為穩(wěn)健的優(yōu)化結(jié)果,運行效率更高?？梢杂行Ь徑飧呔S復雜數(shù)據(jù)建模的“維數(shù)災難”和優(yōu)化的復雜性等困難。

需要特別指出的是,本文所提方法的部分平行特點是簡化計算的關鍵,可以有效地處理響應服從正態(tài)分布的試驗數(shù)據(jù)的建模與穩(wěn)健參數(shù)設計問題。但若試驗數(shù)據(jù)存在明顯的空間相關性或為非正態(tài)響應時,本文方法不再適用。希望改進模型以擴大其適用范圍,以便本文方法能夠更好地解決現(xiàn)實問題。另外,如何使用PPGP模型有效地處理既有定量因子又有定性因子的高維混合效應試驗的質(zhì)量設計問題,是未來有待深入研究的課題之一。