[发明专利]一种基于改进主成分法的参数优化方法

说明书

本发明提出一种基于改进主成分法的参数优化方法，通过将犹豫模糊思想引入参数优化过程中，构建多响应参数优化决策矩阵，在主成分分析过程中引入修正系数，调整改进加权主成分分析方法，使综合优化指标更加客观，并通过RBF神经网络与主效应分析相结合，实现全局寻优，改善参数优化效果。本发明保留有效决策信息的同时，拓宽参数优化的形式，将最优参数组合模糊化，为实际生产提供更大的选择空间。

技术领域

本发明涉及复杂生产制造业产品生产控制领域，具体涉及一种基于改进主成分法的参数优化方法。

背景技术

随着全球生产制造业不断向自动化方向迈进，作为产品设计的首个环节，产品工艺设计显得尤为重要。在工艺设计中，良好的工艺参数不仅能够合理调配生产资源，节约生产成本，还可以降低产品缺陷率，保证产品质量，提升企业品牌核心竞争力，由此，产品工艺设计备受各类生产制造企业家的关注。随着需求变化和生产复杂程度的提高，产品工艺设计的目标逐渐由产品多方面的性能指标综合衡量，这一变化使工艺参数设计成为复杂的多响应参数优化问题，如何通过参数设计获得具有较强鲁棒性的参数组合，一直是生产制造业关注的热点问题，因此，建立合适的参数优化模型，对生产制造业进行工艺参数设计具有重要的指导意义。

基于国际常用的多响应参数优化方法，现有参数优化方法主要有满意度函数法、理想解逼近法、灰关联分析法、田口方法、质量损失函数法、响应曲面法以及双响应曲面法等。这些方法在处理有重复多响应参数优化问题时，通常直接将同一实验条件下，同一响应的多个实验观测值进行平均，作为参数优化的响应值，然而这样处理忽略了生产过程中噪声因素的干扰，会降低参数设计的可靠性，从而影响产品的质量。田口方法通过“三次设计”充分考虑到噪声因素影响，并通过内外表结合的设计方式，得到稳健设计参数组合，当噪声因素数量众多时，田口方法需要设计大量噪声因素实验，并进行验证，增加了生产成本，违背了工业制造经济性原则和质量改进活动降低生产成本的初衷。

公开号为CN106372426A的中国发明专利申请公开了一种基于主成分分析与神经网络的多响应参数优化方法，1)用主成分分析消除多个响应的相关性；2)将影响因子变量温度和时间的水平组合值作为神经网络的输入变量，对应的多响应绩效指标MPI值作为神经网络的期望输出变量，建立RBF神经网络模型；3)利用已训练得到的RBF神经网络模型搜索最优工艺参数。该发明建立生产过程影响因素与多个响应之间映射关系的径向基函数神经网络预测模型，应用主成分分析将多响应指标转化为不相关的指标，通过加权使多响应指标转化为综合评价的单响应指标，并优先改进预测能力强的响应，实现多个响应整体效果的优化。但是，该专利中主成分法未能充分考虑各响应之间的关系，仅以贡献率和特征值等作为各响应的系数，会导致综合评价指标不够客观可靠，此外，该发明中主成分法易造成多响应系统过度简化，导致决策信息的损失。

公开号为CN 110059824 A的中国发明专利申请公开了一种基于主成分分析的神经网络预测方法，包括如下步骤：步骤1、采集过程数据和质量数据，利用主成分分析对数据进行处理；步骤2、使用步骤1中得到的数据，建立神经网络模型，并做预测。该方法首先采集化工过程中产生的过程变量和质量变量，并利用主成分分析法对数据做预处理，降低数据维度，避免冗余，将处理好的数据输入到径向基神经网络的预测模型中，求解并优化相应参数，使模型预测准确率达到预定值。不同于传统的预测方法，该方法结合主成分分析法和径向基神经网络模型，减少了建模的复杂度，提高了模型的精度。但是，该发明所用算法较为复杂，不利于生产技术人员进行操作，且主成分法易造成信息损失，一定程度上会降低参数设计的可靠性。