基于神經(jīng)網(wǎng)絡的多響應復雜過程參數(shù)優(yōu)化方法研究.pdf

1、在國家發(fā)展大局中，質(zhì)量強國彰顯越來越重要的地位，并在“十三五”規(guī)劃中將建設質(zhì)量強國作為重大方針政策。參數(shù)優(yōu)化是質(zhì)量改進中的一個重要環(huán)節(jié)，而現(xiàn)實生產(chǎn)過程中，由于生產(chǎn)工藝復雜，參數(shù)優(yōu)化普遍存在復雜多響應參數(shù)優(yōu)化問題，包括質(zhì)量特性數(shù)目多、響應間的相關性、高度復雜的非線性和響應之間映射的多極值問題，使得傳統(tǒng)的參數(shù)優(yōu)化方法難以實施。目前該方面的研究主要利用智能算法建立因子與響應間復雜的映射關系，但沒有考慮響應預測能力、響應相關性等問題，因此，本文

2、給出了處理復雜多響應參數(shù)優(yōu)化問題的改進方法。
　　研究了一種改進的響應曲面模型優(yōu)化方法，主要考慮響應預測能力對結(jié)果的影響。利用響應曲面法構建因子與響應間回歸模型，以響應預測能力指數(shù)為權重得到綜合回歸模型，然后以綜合回歸模型為目標函數(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)化預測能力強的響應。
　　針對生產(chǎn)過程中存在的復雜多響應問題，給出一種基于神經(jīng)網(wǎng)絡的參數(shù)優(yōu)化方法。利用加權主成分

3、分析方法將多個質(zhì)量指標轉(zhuǎn)化為單一的質(zhì)量績效指標，并利用神經(jīng)網(wǎng)絡彌補響應曲面法的不足，構建良好的映射模型，利用神經(jīng)網(wǎng)絡模型的高泛化能力對最優(yōu)參數(shù)組合尋優(yōu)搜索，以較少的試驗數(shù)據(jù)得到理想的參數(shù)設計。研究結(jié)果表明，該方法能夠較大程度地改善多響應指標。
　　研究了一種基于神經(jīng)網(wǎng)絡預測的改進加權主成分分析法。對于生產(chǎn)過程中存在的復雜響應問題，回歸模型的擬合度達不到響應預測能力指數(shù)的計算要求，本文利用神經(jīng)網(wǎng)絡建立非線性模型，使用神經(jīng)網(wǎng)絡模型的均

4、方誤差計算響應預測能力指數(shù)，調(diào)整加權主成分分析，改善了工藝參數(shù)優(yōu)化效果。
　　理論與實際相結(jié)合是本文研究的特色，理論方法研究以工程案例為依托，案例背景均來自于研究項目中的實際工程問題，且試驗數(shù)據(jù)多為項目中的實際試驗數(shù)據(jù)。
　　本文理論方法研究的創(chuàng)新之處在于對回歸模型構建的多響應參數(shù)優(yōu)化問題以曲面擬合度作為響應預測能力的評價指標引入多響應參數(shù)優(yōu)化，能夠達到強調(diào)預測能力的效果。對復雜多響應參數(shù)優(yōu)化問題，曲面擬合度不理想，以其擬合