一种基于小样本建立复杂产品优化设计代理模型的方法，属于复杂产品优化设计技术领域。确定该复杂产品优化设计的目标；为该复杂产品优化设计生成样本量为S的原始设计方案样本集；为该复杂产品优化设计生成虚拟设计方案样本集；合并原始设计方案样本集和虚拟设计方案样本集，构成混合设计方案样本集；确定复杂产品优化设计的目标相对各决策变量的灵敏度及灵敏度排序；以目标变量为输出变量，建立具有不同输入变量的三层BP神经网络模型；以混合样本集为训练样本集对上述各神经网络模型进行训练；选择性能最优的神经网络模型为最终的复杂产品优化设计代理模型。降低了生成样本的工作量，又保证了复杂产品优化设计代理模型的精度。
【技术实现步骤摘要】
本专利技术属于复杂产品优化设计
，具体设及一种基于小样本建立复杂产品 优化设计代理模型的方法。
技术介绍
复杂产品是指客户需求复杂、产品构成复杂、产品技术复杂、制造流程复杂、生产 管理复杂的一类产品，飞机、发动机、轮船、机床等是运类产品的典型代表。复杂产品优化设 计是一个不断调整设计参数W形成新方案，并评价该调整是否有效地逼近设计目标的优化 过程。运是一个反复试探的过程，如果每次试探性调整的有效性评价都使用原始的设计方 法，则会带来不可接受的计算量，最终导致优化设计的不可行。因此，目前的复杂产品优化 设计都采用"建模+优化"两步走的策略，其中建模部分确立决策变量(设计参数)和目标变 量(性能参数)之间的关系，其成果为代理模型;优化部分W此代理模型为依托，在决策变量 构成的空间中捜索最优的解。在运种"建模+优化"的设计体系中，建模的有效性决定了优化 设计的可信性，最终决定了产品的整体性能。 为复杂产品设计建立一个良好的模型，需要丰富的设计方案样本W构造训练样本 集。但是复杂产品设计过程所表现出来的技术复杂性，导致设计方案样本的生成费用高昂， 难W获得足够的训练样本，从而导致某些特征提取参数无法估计，不能建立准确的代理模 型;此外，如何充分考虑技术复杂性所带来的高维问题，选择性价比高的模型，将从根本上 决定优化设计的整体质量。因此和普通产品设计的建模相比，复杂产品设计的建模需要从 W下两点寻求突破:第一，针对设计方案样本生成的难度和成本，需要进行精屯、的样本设计 W提高其覆盖率，降低样本数量;第二，从决策变量和目标变量之间关系复杂性出发，确定 代理模型的架构和建模方法，提高代理模型的性能和效率。通过运两个问题的良好解决，最 终提高多学科优化的效率和质量。
技术实现思路
针对复杂产品设计建模的复杂性及困难性，本专利技术提供一种基于小样本建立复杂 产品优化设计代理模型的方法。[000引本专利技术的技术方案： -种基于小样本建立复杂产品优化设计代理模型的方法，包括如下步骤： 步骤1:确定该复杂产品优化设计的目标，并初步确定建立复杂产品优化设计代理 模型所需训练样本集的样本量M; 步骤2:采用正交试验设计的方法，为该复杂产品优化设计生成S个设计方案，并将 上述的每个设计方案视作一个设计方案样本，上述S个设计方案即构成样本量为S的原始设 计方案样本集； 步骤3:基于原始设计方案样本集，生成虚拟样本集； 步骤3.1:对每个原始设计方案样本进行归一化处理得到归一化的设计方案样本， 进而得到样本量为s的归一化的设计方案样本集； 步骤3.2:如果S ^ Μ ^ 2S则把Μ调整为2S，并W归一化的S个设计方案样本为基础样 本;如果M〉2S，则拷贝归一化的设计方案样本I化，形成集合A，再从归一化的S个设 计方案样本中随机选揖个样本形成集合B，A、B-起构成基础样本集，此 处[]表示向下取整操作； 步骤3.3:生成随机扰动，并将其叠加到上述基础样本上生成虚拟样本，并把虚拟 样本各变量约束在取值区间内，进而得到虚拟样本集： 将第i个归一化的设计方案样本表示为Si=(Xi,l. . .Xij. . .Χι,Ν)，该样本矢量由P 个决策变量ai,i. . .ai,p和Q个目标变量bi,i. . .bi,Q共同组成，P+Q = N;对Si的第j个变量xi,jE 的扰动di,功[-1，U内的随机值，其叠加到Xij的加权值即扰动强度为β，则Xij所对 应虚拟变量χ/ 的计算方法为：(1)，从而得到与S拥应的虚拟设计方案样 本S'i=(X'i,l. . .X'i'j. . .X'i'N); 步骤4:合并归一化的设计方案样本集和虚拟设计方案样本集，构成混合设计方案 样本集； 步骤5:基于归一化的设计方案样本集，确定复杂产品优化设计的目标相对各决策 变量的灵敏度及灵敏度排序； 步骤6: W目标变量为输出变量，建立具有不同输入变量的Ξ层BP神经网络模型； 首先根据决策变量数P及神经网络模型输入变量数I的确定规则，确定上述各神经 网络模型的输入变量数I;再基于步骤5所得灵敏度排序，按照所确定的输入变量数，取出相 应数量的决策变量作为各神经网络模型的输入变量； 步骤7: W混合样本集为训练样本集对上述各神经网络模型进行训练，同时记录各 神经网络模型的建模误差Μ沈及回归相关系数R; 步骤8:选择MSE最小同时R最大的神经网络模型为最终的复杂产品优化设计代理 模型。 根据所述的基于小样本建立复杂产品优化设计代理模型的方法，所述步骤2包括 如下步骤： 步骤2.1:根据复杂产品优化设计的目标，确定试验指标即目标变量，进而确定出 影响上述试验指标的因素即决策变量及其变化范围； 步骤2.2:从各因素的变化范围中确定出各因素的水平数，进而建立因素水平表； 步骤2.3:根据因素水平表，选定正交表，并进行表头设计； 步骤2.4:按照上述正交表实施试验，得到样本量为S的原始设计方案样本集； 上述正交表的行数表示进行的试验次数，每次试验生成一个设计方案即一个原始 设计方案样本，完成全部s次试验后得到样本量为s的原始设计方案样本集。 根据所述的基于小样本建立复杂产品优化设计代理模型的方法，所述步骤5包括 如下步骤： 步骤5.1:基于归一化的设计方案样本集，利用赌方法确定目标变量的相对权重： 步骤5.2 :根据目标变量的相对权重，通过极差分析法分析试验结果，确定复杂产 品优化设计的目标相对各决策变量的灵敏度及灵敏度排序。 根据所述的基于小样本建立复杂产品优化设计代理模型的方法，所述步骤6中所 述神经网络模型输入变量数I的确定规则为： 当P<10时，I可分别选择、 + 1、+2、…、，即IW [0.33門为下界，[0.75門为上界，遍历取值该区间内所有整数； 当P〉10时，先建立、、表示向下取整操作。 本专利技术有益效果：由上述本专利技术提供的技术方案可W看出，本专利技术和现有代理模 型生成方法相比具有如下优点： 1.在通过正交试验设计得到设计方案小样本集基础上，采用微小随机扰动的方法 生成虚拟样本集，再将上述两个样本集混合来扩充样本量，运种方式降低了生成样本的工 作量，同时既满足了复杂产品优化设计代理模型建模的样本数量需求，又保证了复杂产品 优化设计代理模型的精度； 2.采用随机扰动的方法生成虚拟样本时，通过虚拟设计方案样本数量和和原始设 计方案样本数量的比值确定扰动强度，保证了虚拟设计方案样本精度和分布均匀性； 3.采用随机扰动的方法生成虚拟样本时，由于使用的基础样本中各变量为归一化 到区间的映射变量，公式（1)保证了扰动之后的变量也在该有效范围内变化W确保 虚拟样本的有效性，同时和-1为对称轴处理超出该有效区间虚拟变量，从而最大限度保 证了扰动的随机性； 4. W通过正交试验设计得到的设计样本为基础，采用赌的方法确定各目标变量的 相对重要度，进而W加权的方式完成综合性灵敏度分析。运种方法简洁高效，充分挖掘了样 本中蕴含的规律，确定了优化设计总目标对各决策变量的灵敏度排序，为复杂产品优化设 计代理模型输入参数的正确选择提供了支持； 5.根据优化设计目标对各决策变量的灵敏度排序，确定不同神经网络模型输入变 量，通过比较运些模型的建模误差MSE及回归相关系数R，本文档来自技高网...
【技术保护点】
一种基于小样本建立复杂产品优化设计代理模型的方法，其特征在于：包括如下步骤：步骤1：确定该复杂产品优化设计的目标，并初步确定建立复杂产品优化设计代理模型所需训练样本集的样本量M；步骤2：采用正交试验设计的方法，为该复杂产品优化设计生成S个设计方案，并将上述的每个设计方案视作一个设计方案样本，上述S个设计方案即构成样本量为S的原始设计方案样本集；步骤3：基于原始设计方案样本集，生成虚拟样本集；步骤3.1：对每个原始设计方案样本进行归一化处理得到归一化的设计方案样本，进而得到样本量为S的归一化的设计方案样本集；步骤3.2：如果S≤M≤2S则把M调整为2S，并以归一化的S个设计方案样本为基础样本；如果M>2S，则拷贝归一化的设计方案样本集份，形成集合A，再从归一化的S个设计方案样本中随机选择个样本形成集合B，A、B一起构成基础样本集，此处[]表示向下取整操作；步骤3.3：生成随机扰动，并将其叠加到上述基础样本上生成虚拟样本，并把虚拟样本各变量约束在[‑1,1]取值区间内，进而得到虚拟样本集：将第i个归一化的设计方案样本表示为Si＝(xi,1...xi,j...xi,N)，该样本矢量由P个决策变量ai,1...ai,P和Q个目标变量bi,1...bi,Q共同组成，P+Q＝N；对Si的第j个变量xi,j∈[‑1,1]的扰动di,j为[‑1,1]内的随机值，其叠加到xi,j的加权值即扰动强度为β，则xi,j所对应虚拟变量x′i,j的计算方法为：xi,j′=2-Tempi,jifTempi,j≥1Tempi,jelse-2-Tempi,jifTempi,j≤-1---(1)]]>其中Tempi,j＝xi,j+β*di,j,β∈[‑0.5，0.5]，从而得到与Si对应的虚拟设计方案样本S′i＝(x′i,1...x′i,j...x′i,N)；步骤4：合并归一化的设计方案样本集和虚拟设计方案样本集，构成混合设计方案样本集；步骤5：基于归一化的设计方案样本集，确定复杂产品优化设计的目标相对各决策变量的灵敏度及灵敏度排序；步骤6：以目标变量为输出变量，建立具有不同输入变量的三层BP神经网络模型；首先根据决策变量数P及神经网络模型输入变量数I的确定规则，确定上述各神经网络模型的输入变量数I；再基于步骤5所得灵敏度排序，按照所确定的输入变量数，取出相应数量的决策变量作为各神经网络模型的输入变量；步骤7：以混合样本集为训练样本集对上述各神经网络模型进行训练，同时记录各神经网络模型的建模误差MSE及回归相关系数R；步骤8：选择MSE最小同时R最大的神经网络模型为最终的复杂产品优化设计代理模型。...
【技术特征摘要】
【专利技术属性】
技术研发人员：崔东亮，冯国奇，俞胜平，张亚军，徐泉，王良勇，许美蓉，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。