思易特公司_Isight_06_近似模型
思易特公司_Isight_05_试验设计
19
DOE-数据文件方法
�数据文件方法
�
本质上，设计矩阵可以由从一个或多个文件里导入的数据来定义，同时允许 你来进行DOE研究（自动评估所有的设计点）并且分析结果。 数据文件方法为将在Isight以外确定的一组试验数据的嵌入提供了一个很便 捷的方法，从而可以方便的利用Isight的DOE相关功能。 所用的文件格式： � 每一个数值点在数据文件中用一行来表示 � 作为因子的每一个参数都有对应的一列。 � 每列用空格或Tab键分隔值
�
发展历史:
� DOE思想最早由R.A. Fisher在二十世纪二十年代在农业试验中首次提出DOE的 概念，用于研究雨水、浇灌水以及日照等情况对农作物产量的影响 � 二十世纪四十年代，日本科学家Taguchi博士经过深入研究，将DOE技术用于制 造业，帮助获得低成本、高质量的产品 � 八十年代以来，涌现出了更多种DOE方法，并在更加广泛的领域得以应用
�
� � � � � �
5
DOE相关问题
�
试验设计是用来研究设计参数对设计状况的影响，并以此作出明智的 设计决定 要进行一组指定的实验在实验设计中应主要考虑以下几个方面：
�可以进行的试验数量
�
要求设计者对已定的资源和时间有充分的估计
�在每一个实验中参数的值
要求设计者对设计问题有初步的认识，能够提炼出试验设计的因 子，以及试验中各个因子应取的水平值
X2
�
随机拉丁方
isight参数优化理论和实例详解
前言●Isight 5.5简介笔者自2000年开始接触并采用Isight软件开展多学科设计优化工作，经过12年的发展，我们欣喜地看到优化技术已经深深扎根到众多行业，帮助越来越多的中国企业提高产品性能和品质、降低成本和能耗，取得了可观的经济效益和社会效益。
作为工程优化技术的优秀代表，Isight 5.5软件由法国Dassault/Simulia公司出品，能够帮助设计人员、仿真人员完成从简单的零部件参数分析到复杂系统多学科设计优化（MDO, Multi-Disciplinary Design Optimization）工作。
Isight将四大数学算法（试验设计、近似建模、探索优化和质量设计）融为有机整体，能够让计算机自动化、智能化地驱动数字样机的设计过程，更快、更好、更省地实现产品设计。
毫无疑问，以Isight为代表的优化技术必将为中国经济从“中国制造”到“中国创造”的转型做出应有的贡献！●本书指南Isight功能强大，内容丰富。
本书力求通过循序渐进，图文并茂的方式使读者能以最快的速度理解和掌握基本概念和操作方法，同时提高工程应用的实践水平。
全书共分十五章，第1章至第7章为入门篇，介绍Isight的界面、集成、试验设计、数值和全局优化算法；第8章至第13章为提高篇，全面介绍近似建模、组合优化策略、多目标优化、蒙特卡洛模拟、田口稳健设计和6Sigma品质设计方法DFSS（Design For 6Sigma）的相关知识。
本书约定在本书中，【AA】表示菜单、按钮、文本框、对话框。
如果没有特殊说明，则“单击”都表示用鼠标左键单击，“双击”表示用鼠标左键双击。
在本书中，有许多“提示”和“试一试”，用于强调重点和给予读者练习的机会，用户最好详细阅读并亲身实践。
本书内容循序渐进，图文并茂，实用性强。
适合于企业和院校从事产品设计、仿真分析和优化的读者使用。
在本书出版过程中，得到了Isight发明人唐兆成（Siu Tong）博士、Dassault/Simulia （中国）公司负责人白锐、陈明伟先生的大力支持，工程师张伟、李保国、崔杏圆、杨浩强、周培筠、侯英华、庞宝强、胡月圆、邹波等参与撰写，李鸽、杨新龙也为本书提供了宝贵的建议和意见，在此向所有关心和支持本书出版的人士表示感谢。
isight工程机械实例
Msc Nastran
z 有限元求解
Isight
z 集成工作流程 z 设计变量敏度分析 z 多方案寻优
5
6
3
优化问题设置
Variables 设计变量
z 4个隔板位置
{ mid1~mid4 { 允许值：-60~60
多目标权衡 iSIGHT/EDM
优化流程如下：
z 试验设计（DOE）调用真实CAE模型仿真，获得一系列离散方案的结果 z 利用已有的结果作为样本点构造出近似模型 z 在近似模型上采用多目标算法进行寻优，而不需要真实的CAE模型 z 采用多目标权衡工具（EDM）对多目标的结果进行权衡处理
14
7
大纲
利用EDM(工程数据挖掘工具)生成直观的多目标变量间关系，方便 工程师根据自己的要求进行选择。下图分别为采用NCGA和NSGA两 种算法得到的最大应变与质量之间的关系，其中蓝色点为Pareto前 沿上的点，工程师就可以根据工程需要选择合适的蓝色点（方案）。
20
10
最优方案与初始方案的隔板位置比较
12
6
具体模块介绍__计算质量
再次采用simcode组件集成hypermesh程序，利用hypermesh 读入bdf文件，统计出质量等参数
13
解决方案__优化流程探讨
根据CAE分析耗时长的特点，利用isight丰富的算法库可以实现一下 流程：
CAE模型 DOE实验设计
近似建模
多目标算法 NCGA/NSGA2
z 本案例针对单节臂结构（见下图），采用有限元仿真手段，考查结构尺寸和隔板 位置变化对应力\应变，总质量等参数的影响，采用isight作为集成优化平台，完 成该结构的性能改进，即综合优化应力\位移、总质量等性能指标
Isight 安装教程
t 安装教程 Isigh Isight
本教程介绍了 Isight 软件在 Windows 操作系统中的安装方法，主要包含如下内容： � 安装准备 � Isight 服务器端安装方法 � Isight 客户端安装及 license 配置方法 � Isight 软件版本升级配置方法
5
北京思易特科技有限责任公司
图 7. 法律声明
备注：该图为步骤 9 中选择第 2 种方式后出现的界面。 14. （适用于许可文件和服务器的安装） ，选择 license.dat 后，点击 Next。 在安装程序计算所需要硬盘空间之后，在安装摘要中将会显示被安装软件的名称及其被 安装的位置，如图 8 所示。
图 11，Config services 界面
1、进入 Config Services 界面
10
北京思易特科技有限责任公司
� 命名一个 Isight-FD 4.5 的 Service name(本例中命名为 Fiper License) � 修改 Path to lmgrd.exe file: <Isight-FD 4.5_install_directory>\ bin\win32\lmgrd.exe � 修改 Path to the license file: <Isight-FD 4.5_install_directory>\license\license.dat（更新后的许可文件） � 选择 Use Services � 选择 Start Server at Power Up, 可使之作为后台服务开机自动启动 � 点击按钮：Save Service 2、进入 Start/Stop/Reread 界面 点击按钮： Start server ，开启 Isight-FD 4.5 的 License 服务，如下 图 12 所示。
iSIGHT优化设计—Optimization
iSIGHT优化设计—Optimization 1 概述1.1 传统劳动密集型的人工设计1.2 iSIGHT智能软件机械人驱动的设计优化1.3 优化问题特点（1）约束（3）非线性（6）组合问题（7）优化问题按特点分类对优化设计的研究不断证明，没有任何单一的优化技术能够适用于所有设计问题。
事实上，单一的优化技术乃至可能无法专门好地解决一个设计问题。
不同优化技术的组合最有可能发觉最优设计。
优化设计极大地依托于起始点的选择，设计空间本身的性质（如线形、非线形、持续、离散、变量数、约束等等）。
iSIGHT 就此问题提供两种解决方案。
第一，iSIGHT 提供完备的优化工具集，用户可交互式选用并可针对特定问题进行定制。
第二，也是更重要的，iSIGHT 提供一种多学科优化操作模式，以便把所有的优化算法有机组合起来，解决复杂的优化设计问题。
2 优化算法概述iSIGHT 包括的优化方式能够分为四大类：数值优化、全局探讨法、启发式优化法和多目标多准那么优化算法。
数值优化（如登山法）一样假设设计空间是单峰的，凸起的和持续的，本质上是一种局部优化技术。
全局探讨技术那么幸免了局限于局部区域，一样通过评估整个设计空间的设计点来寻觅全局最优。
启发式技术是按用户概念的参数特性和交叉阻碍方向寻觅最优方案。
多目标优化那么需要衡量，iSIGHT 正是提供了一种易于利用的多目标准那么衡量分析框架。
另外自iSIGHT v9.0 开始新增加了Pointer 优化器，它是GA、MPQL、N-M 单纯形法和线性单纯形法的组合。
iSIGHT 包括的具体算法按分类列表如下:2.1 数值方式iSIGHT 纳入了十二种数值优化算法。
其中八种是直接法，在数学搜索进程中直接处置约束条件。
而Exterior Penalty 方式和Hooke-Jeeves 方式是罚函数法，它们通过在目标函数中引入罚函数将约束问题转化为无约束问题。
2.2 全局探讨法iSIGHT 全局探讨法包括遗传算法和模拟退火算法，它们不受凸（凹）面性、滑腻性或设计空间持续性的限制。
IISGT-L06-近似模型 Approximations
• 减少优化时陷入局部解的可能性 • 可以与多种策略进行组合，包括： • 实验设计 DOE • 优化 Optimization • 蒙特卡罗 Monte Carlo • 六西格玛分析
Introduction to Isight
All features are accessible via the Approximations submenu in the component title bar
Introduction to Isight
L6.6
响应面模型 Response Surface Model
• 使用简单的代数函数，经常是低阶多项式来近似组件中的输入输出关系 • RSM 可以是 1st, 2nd, 3rd, or 4th order:
Introduction to Isight
L6.13
Isight中近似模型Approximations的使用
• 可以使用近似模型替代任何组件(过程或行为组件)来计算组件的输出
Introduction to Isight
L6.14
在Workflow中使用近似模型
近似模型可以用于子流 程，只需要将其丢放到相 应过程组件上即可
• Average: differences between actual (workflow execution) and predicted (approx. model execution) are averaged and then normalized by the range of allowed values
Sequential Stepwise Two-at-a-time Exhaustive
Low High High Very high
思易特公司_Isight_04_优化算法
16
大纲
� � � � �
参数的概念 优化算法概述 数值优化算法 全局优化算法 多目标优化算法
17
Isight 现代设计工具: Optimization
作用 Isight 设计工具
优化算法 Optimization Algorithms
� 对于构造好的优化问题（设计变量、目标函数
Y OU CA N TRY, BUT S TAYINSIDE THE FENCES
G. N. Vanderplaats
�目 标：找寻最高点 � 设计变量：经度和纬度 �约 束：围栏范围内
3
THE OPTIMIZATION PROCESS 优化概念：逐步改进的过程
S3 X2 S2 X1 S1
设计变量 :
10 ≤ Beam Height ≤ 80 mm 10 ≤ Flange Width ≤ 50 mm
�
约束 :
Stress ≤ 16 MPa
�
目标 :
最小化质量 (最小化面积)
解 解:: Beam Beam Height Height = = 38.4 38.4 Flange Flange Width Width = = 22.7 22.7 Stress = = 16 16 Stress Area = Area = 233.4 233.4
12
ObjectiveAndPenalty参数
�
ObjectiveAndPenalty = Objective + Penalty
� ObjectiveAndPenalty = 0.45 + 10.0036 = 10.4536
�
以ObjectiveAndPenalty的值为依据，计算 feasibility参数
相似模型总结归纳
相似模型总结归纳在数据分析和机器学习领域，相似模型是一种常用的方法，用于捕捉数据之间的相似性。
基于相似模型的算法可以帮助我们进行聚类、分类、降维和推荐等任务。
本文将对几种常见的相似模型进行总结归纳，包括K近邻算法、余弦相似度、欧式距离和曼哈顿距离。
1. K近邻算法K近邻算法（K-Nearest Neighbors，KNN）是一种简单而常用的相似模型算法。
该算法基于一个假设：相似的事物在数据空间中聚集在一起。
KNN算法通过计算待分类样本与已知样本之间的距离，选取距离最近的K个点，并根据这K个点的标签进行分类。
KNN算法在分类、回归和异常检测等任务中均有广泛应用。
2. 余弦相似度余弦相似度是一种衡量向量之间相似性的方法，适用于处理文本和高维数据。
该方法计算向量之间的夹角余弦值，取值范围在[-1, 1]之间。
余弦相似度越接近1，表示两个向量越相似；越接近-1，表示两个向量越不相似；接近0表示两个向量在方向上没有关联。
余弦相似度在信息检索、文本挖掘和推荐系统等领域具有重要应用。
3. 欧式距离欧式距离是一种常用的距离度量方式，用于计算两个向量之间的距离。
该距离指的是在坐标空间中两个点的直线距离。
欧式距离广泛应用于聚类、分类和图像处理等问题。
在数据分析中，我们可以利用欧式距离来衡量不同样本之间的相似性或差异性。
4. 曼哈顿距离曼哈顿距离是一种计算向量之间距离的方法，也被称为曼哈顿度量。
该距离指的是在坐标空间中两个点的城市街区距离，即沿着网格线移动的最短距离。
曼哈顿距离与欧式距离相似，但不同之处在于曼哈顿距离只能沿坐标轴方向移动，无法斜向移动。
曼哈顿距离常用于聚类、路径规划和图像处理等任务中。
总结：相似模型是数据分析和机器学习中的重要概念，通过比较不同数据之间的相似性，可以帮助我们理解数据特征、进行分类和推荐等任务。
本文对几种常见的相似模型进行了总结归纳，包括K近邻算法、余弦相似度、欧式距离和曼哈顿距离。
这些相似模型在不同领域都有广泛的应用，可以根据具体问题选择合适的模型来解决。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
背景介绍
� � � �
近似模型: 模拟一系列输入参数与输出参数之间的响应关系 由试验人员发明近似模型方法 从1964年开始被工程人员用来辅助分析 行为模型
3
为何要使用近似模型?
� � � � �
避免高强度仿真计算，减少迭代时间 平滑设计空间的数值噪声 预估输入输出参数之间的响应关系 有效避免限于局部最优解， 使数值优化算法也有可能找到全局解 可与其他算法组成更好的优化策略 :
0
y -0.5 -1
1
2
3
4
5 x
6
7
8
9
10
24
Z = sin(x)*sin(y) x=[0,5], y=[0,5] 6*6=36 points
25
Z = sin(x)*sin(y) x=[0,5], y=[0,5], 11*11=121个点
cj
� c值的不同，建立的RBF模型也精度不尽相同，所以需要设置合适的c值来获得最 高精度的近似模型。 � Isight建立RBF近似模型的时候会内部做一个优化，优化的变量是c的值，目标是 要使得近似模型的误差最小
20
RBF模型的优点
� � � � �
快速自动变换 RBF 形状参数c 初始化时间短，一般为 5分钟以内 近似模型质量较高 方法稳健 ，对数据点的要求不高 可以实现预知模型错误
N N
2 i i
N i =1
F ( x) = a0 + ∑ bi xi +
i =1
ij ( i < j )
3 c x x + d x + e x ∑ ij i j ∑ ∑ii
i =1
16
四阶响应面
� �
四阶响应面模型 适合于高度非线性空间的 模拟
N
N ij ( i < j ) i =1
� 保留第一次抽样的50个样本点， � 同时运用DOE-LHC,增加 30个新样本点 � 因此，总样本点数为80个
� DOE � Optimization � Monte Carlo � Robust Design
4
Isight中应用近似模型
�
Can be applied at any level � simcode, calculation or (sub)task
Main Task SubTask1 SimCode3
37
建立近似模型
38Biblioteka 设置类型39
设置算法
40
定义输入、输出
41
设置拟合系数
42
定义样本点
43
定义抽样范围
� �
其中：
N为模型输入参数的数目 xi 为模型输入参数 a,b,c.d 为多项式系数
14
二阶响应面
一次项数目: N+1 单个二次项数目: N 交互二次项数目: N(N-1)/2
( N + 1) ( N + 2) 2
15
三阶响应面
� �
三阶响应面模型 模拟非线性空间
26
复杂函数 z = sin(x) cos(3x)/(x+1) * sin(y) 31*11points
误差 1.84%
27
大纲
� �
概述 Isight中的近似模型方法
� 响应面模型(RSM) � 径向基神经网络 (RBF)
� � �
在Isight中实现近似模型方法 近似模型后处理工具 练习
（Response Surface models ）
�
径向基神经网络模型
（Radial Basis Function (RBF) neural net model ）
10
响应面模型
�
函数是一个多项式
� �
是最常用的构建近似模型的方法 模型初始化方法：
� 随机采点 � 已有的样本点数据 (如DOE样本点、前次优化的db文件)
优化方法 优化方法 近似模型
CAE CAE
Optimization
Model
Y
Optimization Model Simcode
RSM0 RSM1 RSM2
Target: Target: 逼近全局最 逼近全局最 小点区域 小点区域
真实响应曲线 抽样点 响应面近似曲线
X
7
近似模型原理
Approx1 Calculation2
SimCode1
SimCode2
Approx2
Calculation1
5
近似模型术语
�
独立变量:
设计者控制的输入参数。
�
响应:
被预测的性能或质量特征。
�
近似模型（代理模型） :
预测响应值的近似 “metamodel” ，代替昂贵、耗时的仿真程序。
44
抽样点列表
45
定义误差分析类型
46
定义误差点
47
近似模型建立结果
48
误差分析
对变形和应力的 R^2<90%，说明近似 模型对这两个响应的 逼近程度未达标；因 此样本点不够多，需 要增加样本点，进行 第二次抽样
�
近似模型初始化可以随机采样，也可以使用已有的样本文件，如 DOE样本点 文件、前次优化db文件
� 一阶响应面模型需调用 (N+1)次精确计算 � 二阶响应面模型需调用(N+1)(N+2)/2次精确计算 � 三阶响应面模型需调用[(N+1)(N+2)/2] + N次精确计算 � 四阶响应面模型需调用[(N+1)(N+2)/2] + 2N次精确计算
�
近似方法:
对于开发、改善、优化过程和产品有用的统计方法和数学方法的集合。
�
预测:
利用近似Metamodel获得估计的响应。
6
近似模型思想
�
目的：
� 建立X与Y的近似关系 � 精确模型：Y= Y(X) � 近似模型： Y~ = Y~(X) � 减少数值模拟的次数 � 平滑设计空间的数值噪声 � 估计最优设计
� 应力的R^2=0.7389, 变形R^2=0.6307，
�
结论：
� 应力、变形的R^2<90%，因此当前的近似模型精度还没 达到标准，需要进一步增加样本点，进行第二次抽样
54
第二次抽样
� �
输入：高度、宽度 输出：应力、质量、变形
�
第二次抽样：
� 方法: RBF � 样本点来源：
34
误差分析
�
对于均值、最大值，平方根方 式 � 值越小越好 � 对于均值和平方根方式默 认的下限为0.2，而对于 最大值模式为 0.3
�
对于 R-squared � 值越大越好 � 默认的下限为 0.9
�
违反界限的显示红色
35
Beam例子
北京思易特科技有限公司
第一次抽样
� �
输入：高度、宽度 输出：应力、质量、变形
�
第一次抽样：
� 方法: RBF � 样本点来源：DOE-LHC, 50个 � 误差分析
� CrossValidation，10个点
� 敏度分析 � 近似关系可视化
�
近似模型可信度评价标准：
� 应力、变形、质量的R^2>90% � 否则增加样本点，进行第二次抽样
21
2. RBF-神经网络与人工神经网络
轴突末端 细胞体
轴突
树突
22
2. RBF-神经网络
�包含输入层，输出层和隐藏层 �最少需要2N＋1个样本点 �RBF模型包含所有的样本点
23
与多项式拟合(RSM)做对比
Blue:RBF, Red:Exact, Green:Polyval2, Black:Polyval4 0.5
8
流程图
数据采集
DOE采集数据 实验数据 随机选择 响应面模型（RSM）
选择模型 类型
径向基神经网络模型（RBF）
拟合 模型
X
误差分析
Y
验证 模型
N
模型可以 接受?
Y
使用该模型 代替仿真程序
9
Isight中建立近似模型的方法
�
1~4阶响应面模型
N i =1
N i =1
F ( x) = a0 + ∑ bi xi +
i =1
2 3 4 c x x + d x + e x + g x ∑ ij i j ∑ i i ∑ i i ∑ i i
17
响应面模型（总结）
�
最高阶为4阶响应面模型:
F(x) = a0 + Σ bixi + Σ ciixi2+ Σ cijxixj (i<j) + Σ dixi3 + Σ eixi4
�
可以在优化过程中通过使用动态文件的方式不断将新的设计点添加到文件 中，自动更新近似模型。 初始化时使用的样本点不保证都在拟合出来的响应面上
�
18
Isight中建立近似模型的方法
�
1~4阶响应面模型
（Response Surface models ）
�
径向基神经网络模型
（Radial Basis Function (RBF) neural net model ）
28
1. 实施方法－在子任务中添加近似模型组件