基于径向基神经网络响应曲面法的复杂装备零部件质量特性优化研究开题报告

复杂装备产品具有成本高、功能密集型高、工作要求多变、结构复杂等特点，典型的复杂装备产品制造部门包括航空航天业、大型电子信息产业和大型设备制造业等。近年来，随着大数据、云计算等高新技术的不断创新与突破，制造业发展也逐渐与之融合，向智能制造的方向前进，为抢占制造业改革的先机，世界各国先后推出一系列发展战略推动制造业发展。世界主要发达国家不断推进制造业复兴，其他发展中国家为占领制造产业链中下游市场逐渐扩大自身低成本制造业占比，使得我国制造业的改革升级面临着巨大的压力。作为制造业生产大国，中国装备制造业总体规模逐年增长，在新能源汽车、5G等领域发展迅速，在国际具备较强优势。但是，由于模块化技术落后、技术人才较少、发达国家技术封锁等因素，中国复杂装备制造业仍然处于向“工业3.0”过渡的阶段。同时，中国部分复杂精密产品生产车间仍存在过度依赖经验、事后处理等情况，容易造成生产过程中质量数据孤岛、质量改进信息不足等问题，对中国复杂装备制造业竞争力的提升产生不利影响。为应对当前的困境与压力，继续推动中国制造向中国创造转变，我国相继出台了一系列政策规划，如《中国制造2025》、《智能制造发展规划（2016-2020）》等。

作为装备制造业的重要部分之一，复杂装备制造业在现代经济社会和工程进展中发挥着关键作用，是衡量一个国家制造业发展水平和现代工程经济综合竞争力的关键因素。不同于一般的装备制造业，复杂装备制造业具有产品制造工艺复杂、零部件多、制造周期长、技术含量密集等特征，因此迫切需要提高复杂装备产品质量，提高产品稳定性和可靠性，深入适应装备高质量发展需求。目前，复杂装备产品设计过程中仍然存在依赖经验对产品结构参数进行优化调整的问题，虽然能够对产品优化目标产生一定的效果，但考虑到复杂装备产品结构复杂、技术密集等因素，依靠经验很难充分体现参数优化的效能。因此，采用多目标优化思想对复杂装备产品质量特性进行仿真、预测及优化后参数求解对复杂装备产品结构参数设计提供了参考。

结合上述研究背景，本文通过参数灵敏度分析和试验设计构建响应面模型，同时借助R编程语言引入神经网络对响应面模型进行修正，运用迭代算法优化质量特性参数，对复杂装备产品的质量特性优化具有参考意义。

（1）研究内容：

论文以复杂装备桥式放大机构为研究对象，针对复杂装备产品在高精密领域向着高性能和长寿命方向发展时对其关键质量特性提出的要求，围绕桥式放大机构最大应力及放大倍数参数优化等相关问题进行研究。本论文各章节的主要研究内容如下：

第一章，绪论：介绍本文的研究背景和研究意义，解释了复杂装备产品质量的提升对我国制造业发展的重要意义，阐述了多元质量特性优化、响应面法及桥式放大机构设计优化的研究现状，论述了对桥式机构相关质量特性进行参数优化的重要性和必要性，并列出本文各章节结构安排。

第二章，试验设计：为了使用响应面法和神经网络结合的方法对复杂装备产品质量特性进行优化，对响应面法常用试验设计方法进行介绍和对比，为模型搭建及参数优化提供参考。

第三章，复杂装备多元质量特性优化模型：基于响应面法构建复杂装备产品参数与响应目标之间的参数优化模型，使用神经网络反向修正模型参数。

第四章，实例分析：以桥式放大机构具体数据为载体，以柔性铰链厚度 、刚性梁长度、铰链距离、柔性铰链长度、机构厚度为输入变量，以放大倍数及最大应力为输出变量，对前文提出的模型及方法进行有效性验证及精度检验。

第五章，结论与展望：总结全文研究内容，展望未来研究方向

（2）拟解决的关键问题

①使用响应面法建立多元质量特性优化模型是在工程应用中较为常用的方法之一，而响应面模型的拟合函数大多采用多项式模型，这种模型对采样点构建插值曲面时，可能导致部分信息丢失，从而导致响应面模型的精度降低，影响模型修正的精度，因此本文在响应面模型的基础上使用效率较高、精度较好的神经网络对其参数进行修正；

②分析不同试验设计方法，通过比较选出最适合响应面与神经网络结合方法的试验设计方法，以提高拟合精度和拟合效果；

③桥式放大机构具有结构紧凑，对称性强等优点，在工程应用中富有前景，为了优化其使用性能，本文对桥式放大机构进行多目标优化分析，从Pareto解集中挑选出对目标响应优化效果较好的结构参数。

复杂装备产品质量特性优化是优化问题研究的基础，为了更好地分析其规律，需要将其多元质量特性优化问题转换为数学模型。

3.1多元质量特性优化研究现状

针对复杂装备产品的多元质量特性优化本质上可以归结为多目标优化问题，早期的多目标优化更像是运用运筹学理论进行数学规划，这些方法具有坚实的数学理论基础，但是大多执行一次后只能得到单个解，不能兼顾多个目标进行优化，这些问题导致早期的多目标优化方法深受限制从而不能得到更好的优化效果和更广的应用范围。为了克服这些问题，人们在求解各类现实问题的过程中不断提出了多种方法。李立君等（2006）提出了一种基于Pareto最优解的多目标遗传算法NSGA-Ⅱ算法进行发动机总体性能方案优化设计的方法，在一次优化中搜索到问题的多个非劣解, 使优化过程直接面向Pareto最优解, 避免了效应函数法的缺陷。王宏亮等（2008）使用神经网络近似模型、多目标优化方法以及多属性决策方法的耦合提出了跨音速翼型的优化设计，并比较了NSGA-Ⅱ算法与粒子群算法的在实际优化设计问题中性能，算例表明粒子群算法更能满足复杂工程优化问题的要求。U. Natarajan等（2011）提出了一种基于响应面法的微细立铣削工艺参数优化方法，采用中心复合设计，为金属去除率和表面粗糙度建立了二阶二次方模型，并通过满意度函数进行多响应优化，经验证观察到响应值与预测值有很好的一致性。李超等（2021）提出一种基于BP神经网络和多目标粒子群算法的参数优化方法，采用神经网络建立响应目标预测模型，后利用粒子群算法进行优化，结果显示优化后的参数能够显著提升响应目标。王挨荣等（2022）提出了一种基于BP神经网络和遗传算法混合策略的过程控制参数优化方法，该方法可以实现在不受人为干扰的情况下快速优化综采工作面工艺控制参数。Jahanbakhshi Akram等（2022）提出了一种基于响应面法和遗传算法相结合的优化模型，然后利用非参数回归模型确定变量之间的相关性，最终通过Pareto图确定了最优设计点。

从上述研究可以看出，针对复杂工程的多目标优化算法往往各有利弊，越来越多的学者选择采用两种或两种以上的算法进行优化，实现优化算法之间优势互补从而增强优化效果。

3.2响应面法研究现状

1951年，英国统计学家G. E. P. Box 和K. B. Wilson首次提出了响应面法。1959年，Box和Draper将响应面法定义为“一组应用在经验模型设计和开发中的统计学技术”。Raymond H. Myers等（1989）精辟总结了1966年至1988年响应面法研究领域等主要研究成果和进展，并提出将响应面法与非参数和多响应问题结合。M.Farooq Anjum等（1997）基于神经网络与响应面法开发了一个二阶段程序来获得未知模型的最优参数，证明神经网络方法对于优化方程参数有较大作用。1999年，Myers将响应面法细分为试验设计、模型拟合和过程优化三个部分。

半个多世纪以来，响应面法逐渐成为了试验设计的核心方法之一，其不仅涵盖非参数问题、稳健型方法等新技术，还涉及制造业、化工业、生物业等诸多领域的质量优化应用。经典响应面法的提出最初是为了解决单响应问题，而在实际生产过程中多响应问题才是最常遇到的。为了解决这个问题，Lind和Goldin（1960）提出了一种基于多重等高图的方法，通过将各响应量单独拟合绘制多重等高图，从而通过图形得到能满足多个响应要求的最优解，这种方法无法适应存在较多响应的情况，同时在大多数情况下，想要找到能够同时满足所有响应要求最优点是非常难实现的。Ankenman（1996）等提出了一种将多响应情况下的响应面法转化为约束优化问题的思路：首先将各响应量单独拟合，然后将重要度较高的一个响应作为目标函数，而其他响应要求作为约束条件来构造约束优化问题求解。

经典响应面法假设过程服从正态分布，并以一二阶多项式作为模型，虽然学者们已经通过广义线性模型(Generalized LinearModel，GLM)的引用来解决非正态过程的问题，但是响应面法仍然是一种线性参数模型，由于参数模型易受模型形式的限制，产生的结果有可能与实际情况不符。为了解决该问题，学者们提出了非参数响应面法，相较于参数模型，非参数响应面法不限制模型形式，仅假定其属于某光滑函数。其中，人工神经网络（Artificial NeutralNetwork, ANN）属于较为常用的非参数响应面法之一。何曙光等（2001）基于ANN和响应面法结合的方法对某橡胶产品胶料硬度进行分析，发现该方法的拟合效果比单独使用响应面法更好。Sahuck Oh（2020）分别使用响应面法和ANN进行近似模型预测，结果显示当数据集复杂程度较高时，通过ANN计算得出的模型预测精度高于响应面法计算的模型，而当数据复杂度较低时结果则相反。目前，非参数响应面法虽然还集中在与经典方法的对比和基础结合应用的研究阶段，但是显示出的效果表明该方法具有较高的研究价值。

基于上述综述，本文提出一种基于神经网络响应面模型解决复杂装备多元质量特性优化问题的方法。考虑到复杂装备结构参数间重要度较难确定、质量特性间权重随不同应用场景发生变化等问题，多元质量特性优化权重分配困难，因此基于响应面法引入神经网络模型既能适应结构参数间重要性不确定的问题，又能通过迭代学习将问题转化为线性可分问题，实现结构参数的优化。

[1]Natarajan U ,Periyanan P ,Yang S H .Multiple-response optimization for micro-endmilling process using responsesurface methodology[J]. International Journal of Advanced ManufacturingTechnology, 2011, 56(1-4):177-185.

[2] Jahanbakhshi A ,Nadooshan A A ,Bayareh M .Multi-objective optimization of microchannel heatsink with wavy microtube bycombining response surface method and genetic algorithm[J]. EngineeringAnalysis with Boundary Elements, 2022, 140:12-31. [3] Box G E ,Wilson K B . On the experimental attainmentof optimal conditions, 1951,13(1):1-45

[4] Draper B N R . A Basis for the Selection of a ResponseSurface Design[J]. Journal of the American Statistical Association, 1959,54(287):622-654. [5] Raymond H. Myers, Andr I. Khuri amp; Walter H. Carter,ResponseSurface Methodology: 1966–l988, Technometrics,1989(31):137-157.

[6] M. Farooq Anjum, Imran Tasadduq, KhaledAl-Sultan,Response surface methodology: A neural network approach,European Journalof Operational Research,1997,101(1):65-73.

[7] Lind E E, Goldin J, Hickman J B. Fitting Yeild and CostRsponse Surface [I]. Chemi-

cal Engineering Process,1960,56(1):62-68.

[8] Bisgaard S ,Ankenman B . Standard Errors for the Eigenvalues in Second-OrderResponse Surface Models[J]. Technometrics,1996,38(2):238-246.

[9] Myers R H ,Montgomery D C ,Vining G G ,et al. Generalized Linear Models: With Applications in Engineering and theSciences: Second Edition. Wiley, 2002.

[10] Oh S . Comparison of a Response Surface Method andArtificial Neural Network in Predicting the Aerodynamic Performance of a WindTurbine Airfoil and Its Optimization[J]. Applied Sciences, 2020, 10(18):6277.

[11] 李立君,尹泽勇,乔渭阳.基于多目标遗传算法的航空发动机总体性能优化设计[J].航空动力学报,2006(01):13-18.

[12] 王宏亮,席光.多目标优化设计方法在翼型气动优化中的应用研究[J].工程热物理学报,2008(07):1129-1132.

[13] 李超,王仲奇,常正平,马健智.基于BP神经网络和多目标粒子群算法的自动钻铆工艺参数优化方法[J].航空制造技术,2021,64(Z2):94-102.

[14] 王挨荣,陈汉章,郭微,潘涛,赵洪泽,贾灵强,徐洪洋.基于BP神经网络和遗传算法的综采面工艺参数优化研究[J].煤炭工程,2022,54(04):62-67.

[15] 何曙光,齐二石,何桢.神经网络在响应曲面分析中的应用[J].系统工程理论与实践,2001(12):130-133.