数学建模_零件参数的优化设计说明

合集下载

零件的参数设计

零件的参数设计

零件的参数设计孙连山,洪献,曹奕剑模型是研究产品各零件参数对产品某一性能影响的连续模型,以减少生产产品总费用最小为最终目的,主要用非线性规划化的思想建立,因为零件参数为随机变量,所以建模时要用概率论的方法给出非线性规划化问题目标函数。

模型形式简洁,因零件加工精度的限制,实际参数标定值的选取是离散的,我们可充分利用计算机的数值计算能力,用格种方法搜索最优值,其中虎克—吉福斯直接搜索法效果最好。

零件的参数设计.pdf (362.12 KB)零件参数设计的数学模型黄杲,陈旭东,邵伟本文建立了一个关于零件参数设计的数学模型,本文首先利用概率的理论,假设各零件产品的参数服务从正态分布,推出粒子分离器某参数(y)偏差的分布函数,进而可得一批产品总费用的目标函数,运用龙贝格数值积分将其转化为计算机可求值的函数,然后运用网格搜索法和蒙特卡罗法求出目标函数的全局最优解。

零件参数设计的数学模型.pdf (309.51 KB)零件的参数设计何华海,李江滔,束礼宝本文对零件参数设计问题提出了有效的算法, 零件参数设计可以归结为在一定约束条件下求总费用(成本和质量损失的总和)最小的一个非线性规划问题,我们采用分两步走的策略来简化问题,即首先选定零件参数的标定值,再在此基础上选取零件容差等级。

设计的总费用是由y的具体分布所决定的,我们采用了两种方法来计算y的概率分布:一种是用蒙特卡罗方法来模拟;另一种是将y的经验公式作线性近似,得到y近似服从正态分布,我们又引入了函数E(y-1.5)~2,以此作为新的目标函数对问题进行简化,对模型的求解,我们采用了梯度法来搜索目标函数在限定区域内的最优解,得到相应的总费用(单件产品)为 430元,远低于原设计方案的3150元。

通过检验,我们发现通过线性近似得到y服从正态分布的结论是基本可靠的,分两步走策略也是合理、有效的,最后我们还讨论了当质量损失函数为连续(特例为抛物线)时的情形。

零件的参数设计(1).pdf (333.62 KB)零件参数设计的动态规划模型高洁,郭去疾,康俊海对于本零件参数设计问题,我们建立一个动态规划模型,分阶段以不同的目标搜索求优。

MATLAB R2015b数学建模 第9章 优化设计

MATLAB R2015b数学建模 第9章 优化设计

9.2 无约束一维极值
3. 斐波那契法 4. 牛顿法 5. 割线法 6. 抛物线法 7. 三次插值法
9.3 无约束多维极值
9.3.1 直接法
1. 模式搜索法 2. Rosenbrock法 3. 单纯形搜索法 4. Powell法
9.3.2 使用导数计算的间接法
1. 最速下降法 2. 共轭梯度法 3. 牛顿法 4. 修正牛顿法 5. 拟牛顿法 6. 信赖域法 7. 显式最速下降法
在MATLAB中,提供了fmincon函数实现约束优化问题。函数的调用 格式为:
x = fmincon(fun,x0,A,b):fun为目标函数,x0为初始值,A、b满 足线性不等式约束Ax≤b,如果没有不等式约束,则取A=[],b=[]。
x = fmincon(fun,x0,A,b,Aeq,beq):Aeq、beq满足等式约束 Aeqx=beq,如果没有,则取Aeq=[],beq=[]。
x = fmincon(fun,x0,A,b,Aeq,beq,lb,ub):lb、ub满足lb≤x≤ub ,如果没有界,可设lb=[],ub=[]。
9.5.1 线性规划的方法
1. 单纯形法 2. 大M法
9.6.1 整数规划的方法
1. 割平面法 2. 分支定界法
9.7二次规划问题
9.7.1 二次规划的方法 1. 拉格朗日法 2. 起作用集法 3. 路径跟踪法
(1)建立数学模型:即用数学语言来描述最优化问题。模型中的数学 关系式反映了最优化问题所要达到的目标和各种约束条件。
(2)数学求解:数学模型建好后,选择合理的最优化方法进行求解。
9.1 优化概述
在现代工程设计、经济管理与市场规划等领域,广泛地 涉及工程优化问题。对于工厂企业,如何在消耗总工时最小的 情况下获取最大的产品数量?如何安排物流秩序,在满足最大 效率的前提下,达到成本最低、运费最小?工程优化问题几乎 涉及社会生活的每一个领域。对于工程优化问题,利用最优理 论与方法进行求解,帮助决策者作出最优的决策,以最小的成 本、获取最大的利润。

数学建模零件参数的优化设计

数学建模零件参数的优化设计

数学建模零件参数的优化设计Company number【1089WT-1898YT-1W8CB-9UUT-92108】零件参数的优化设计摘要本文建立了一个非线性多变量优化模型。

已知粒子分离器的参数y由零件参数)72,1(=ixi 决定,参数ix的容差等级决定了产品的成本。

总费用就包括y偏离y造成的损失和零件成本。

问题是要寻找零件的标定值和容差等级的最佳搭配,使得批量生产中总费用最小。

我们将问题的解决分成了两个步骤:1.预先给定容差等级组合,在确定容差等级的情况下,寻找最佳标定值。

2.采用穷举法遍历所有容差等级组合,寻找最佳组合,使得在某个标定值下,总费用最小。

在第二步中,由于容差等级组合固定为108种,所以只要在第一步的基础上,遍历所有容差等级组合即可。

但是,这就要求,在第一步的求解中,需要一个最佳的模型使得求解效率尽可能的要高,只有这样才能尽量节省计算时间。

经过对模型以及matlab代码的综合优化,最终程序运行时间仅为秒。

最终计算出的各个零件的标定值为:ix={,,,,,,},等级为:BBCCBBBd,,,,,,=一台粒子分离器的总费用为:元与原结果相比较,总费用由(元/个)降低到(元/个),降幅为%,结果是令人满意的。

为了检验结果的正确性,我们用计算机产生随机数的方式对模型的最优解进行模拟检验,模拟结果与模型求解的结果基本吻合。

最后,我们还对模型进行了误差分析,给出了改进方向,使得模型更容易推广。

关键字:零件参数 非线性规划 期望 方差一、问题重述一件产品由若干零件组装而成,标志产品性能的某个参数取决于这些零件的参数。

零件参数包括标定值和容差两部分。

进行成批生产时,标定值表示一批零件该参数的平均值,容差则给出了参数偏离其标定值的容许范围。

若将零件参数视为随机变量,则标定值代表期望值,在生产部门无特殊要求时,容差通常规定为均方差的3倍。

进行零件参数设计,就是要确定其标定值和容差。

这时要考虑两方面因素:一是当各零件组装成产品时,如果产品参数偏离预先设定的目标值,就会造成质量损失,偏离越大,损失越大;二是零件容差的大小决定了其制造成本,容差设计得越小,成本越高。

数学建模中的优化算法应用实例

数学建模中的优化算法应用实例

数学建模中的优化算法应用实例数学建模是一种有效的解决实际问题的方法,而优化算法则是数学建模中不可或缺的工具之一。

优化算法能够寻找最优解,最大化或最小化某个目标函数,有着广泛的应用领域。

本文将介绍数学建模中的几个优化算法应用实例,以展示其在实际问题中的作用和价值。

一、车辆路径规划优化在实际的物流配送领域中,如何合理地规划车辆路径,使得总运输成本最小、配送效率最高,是一个关键问题。

优化算法在车辆路径规划中起到了至关重要的作用。

通过建立数学模型,基于某个目标函数(如最小化总运输成本),可以采用遗传算法、模拟退火算法等优化算法,快速找到最优解,从而提高物流配送的效率和效益。

二、资源分配优化在资源分配问题中,常常需要考虑到各种限制条件,如最大化利润、最小化生产成本等。

优化算法能够帮助决策者在有限的资源下做出最优的分配决策。

例如,对于生产调度问题,可以利用线性规划等优化算法,将生产计划与订单需求进行匹配,使得生产成本最小化、交货期最短化。

三、供应链优化供应链管理中的优化问题也是实际应用中的重点关注点之一。

通过数学建模和优化算法,可以实现供应链中物流、库存、订单等多个环节的优化。

例如,在供应链网络设计中,可以使用整数规划算法来寻找最优仓储和配送中心的位置,从而降低总运输成本;在需求预测和库存管理中,可以利用模拟退火算法等优化算法,提高供应链的响应速度和利润率。

四、机器学习模型参数优化在机器学习领域,模型参数的选择对模型的性能和准确性有着重要的影响。

通过建立数学模型,可以将模型参数优化问题转化为参数寻优问题,进而采用优化算法求得最优参数。

例如,在神经网络的训练过程中,可以利用遗传算法、粒子群优化算法等进行参数调整,提高模型的预测准确性和泛化能力。

五、能源系统优化能源系统的优化是实现可持续发展的重要方向之一。

通过优化算法,可以针对能源系统进行容量规划、发电机组简化和能源分配等问题的优化。

例如,在微电网系统优化中,可以利用整数规划等算法,实现可再生能源与传统能源的协同供电,最大化清洁能源的利用率。

数学模型的参数优化方法

数学模型的参数优化方法

数学模型的参数优化方法数学模型在科研和工业应用中扮演着至关重要的角色。

但是,在实际应用中,如何找到最优的模型参数是一个挑战。

在本文中,我们将介绍一些常见的数学模型的参数优化方法。

一、遗传算法优化遗传算法是一种启发式方法,其灵感来源于自然界的遗传过程。

它通过从一组随机种群开始,通过交叉和突变操作生成新的“后代”种群,并根据不同的适应度函数来评估每个“后代”的适应度。

然后,优秀的“后代”可以遗传到下一代,如此反复进行,直到找到最优解。

遗传算法的优点在于它能够处理多维问题和非线性问题,但是其计算成本较高,需要大量的迭代和随机化操作。

二、蒙特卡罗优化蒙特卡罗方法是一种基于随机采样的优化方法。

它通过随机生成一些点并计算它们的适应度来找到最优解。

这些点可以从一些内置的分布中采样,如均匀分布、正态分布等等。

蒙特卡罗方法的优点在于它的实现简单易懂,并且不需要计算导数等数学知识。

但是,它的随机性导致其收敛速度较慢,需要大量的采样才能得到较准确的结果。

三、梯度下降优化梯度下降是一种基于导数的优化方法。

它通过计算函数的导数来沿着导数的负方向逐步迭代,最终达到函数的最小值。

梯度下降方法的优点在于它的收敛速度较快,并且能够处理大规模数据集。

但是,如果函数具有局部最优解,那么梯度下降方法可能会收敛到局部最优解,而不是全局最优解。

四、贝叶斯优化贝叶斯优化是一种基于概率模型的优化方法。

它通过建立一个先验概率模型来评估参数的不同取值并选择具有最大期望的下一个参数。

然后,使用新的参数来更新先验概率模型,并继续进行迭代。

贝叶斯优化的优点在于它能够处理非凸函数和高维参数空间。

但是,它需要建立一个先验概率模型,这需要大量的计算和统计知识。

总之,选择最适合自己的数学模型参数优化方法需要根据具体问题和条件来考虑。

例如,如果数据规模较小,可以使用蒙特卡罗方法;如果需要处理多维数据,可以选择遗传算法;如果需要快速收敛到最优解,可以选择梯度下降方法。

数学建模中的参数估计与优化算法研究

数学建模中的参数估计与优化算法研究

数学建模中的参数估计与优化算法研究第一章引言数学建模是利用数学方法解决实际问题的过程。

在数学建模中,参数估计和优化算法是两个重要的研究方向。

本文将分别介绍参数估计和优化算法在数学建模中的应用、相关的研究成果以及未来的发展趋势。

第二章参数估计2.1 参数估计的概念参数估计是根据已有的观测数据,通过建立数学模型来推断未知参数的过程。

在数学建模中,参数估计是一个基本且关键的环节。

通过参数估计,我们可以根据已有数据来推断出最合理的参数值,从而为后续的计算和分析提供基础。

2.2 参数估计方法常见的参数估计方法包括最小二乘法、极大似然估计和贝叶斯估计等。

最小二乘法是一种常用的无偏估计方法,通过最小化观测值与模型估计值之间的残差平方和来推断最佳参数值。

极大似然估计是一种通过最大化观测数据的似然函数来推断参数值的方法。

贝叶斯估计是一种基于贝叶斯定理的参数估计方法,通过先验概率和观测数据来计算后验概率,以得到参数的估计值。

2.3 参数估计的应用参数估计在数学建模中有着广泛的应用。

例如,在金融领域中,通过参数估计可以对股票价格和利率进行预测,从而帮助投资者制定决策。

在医学领域中,参数估计可以用于疾病的诊断和治疗方案的制定。

在物理学中,参数估计可以用于天体物理学的研究和粒子物理实验的设计等。

2.4 参数估计的挑战与展望参数估计面临着许多挑战,如数据质量、模型复杂性和计算效率等。

未来的研究可以重点关注如何提高参数估计的准确性和稳定性,以及如何处理大规模数据和高维数据的参数估计问题。

此外,随着机器学习和深度学习等技术的发展,参数估计也可以与这些技术相结合,提高建模的精确度和效率。

第三章优化算法3.1 优化算法的概念优化算法是一种通过最小化或最大化目标函数来寻求最优解的方法。

在数学建模中,优化算法是一个重要的工具,可以用于求解复杂的优化问题。

优化算法可以应用于多个领域,如工程优化、物流优化和网络优化等。

3.2 常用优化算法常见的优化算法包括梯度下降法、遗传算法和粒子群优化等。

零件参数设计的数学模型

零件参数设计的数学模型

具体计算程序的流程图如下: 1:固定一组容差(Yi)等级,用7个for循环列出可行域内的xi; 2: 利用软件现成求导函数,求出y在这一组xi下,对xi求偏导的值 g(xi)。


3: 偏导f(xi)与三分之一容差1/3*Yi对应相乘,再求和,得到 y 4: 带入目标函数,求出W. 5: 重复循环,不断比较W,待循环完,得出一优W和xi; 6: 在较优xi基础上,改变Yi,经过循环迭代得出最优值。 当然,这样仍较复杂,我们可队程序作部分优化,如必要的判断 语句提早提前,以减少循环次数和计算量。 经过计算得出下列一组最优值: p1=16.52%,p2=0.01% X T =(0.075,0,375,0.125,0.113,1.1716,20,0.5725) GT =[B,B,B,C,C,B,B] W=42.12万元
由以上可知y由Xi的标定值和容差两方面决定,在此我们可估计 y~N( y x , i ),为更确认一些我们选取1000多个随机点来作出y的直方 图,来观察y的分布:
结合题意我们建立目标函数:


产品总费用=零件总成本+次品损失费+ 废品损失费 即 7 min w Ci 1000* p1 9000* p2
标定植取值范围
X1 X2 X3 X4 X5 X6
[0.075,0.125] [0.225,0.375] [0.075,0.125] [0.075,0.125] [1.125,1.875] [12,20]
x7
[0.5625,0.935]
C 等 / 20 20 50 50 10 /
B等
25 50 50 100 / 25 25
问题分析



要求的问题是使总费用最低,而总费用包括各 零件成本及次,废品损失费,综合考虑两种问 题可归纳为总费用的非线形优化问题。 由于待优化的目标函数复杂,无法利用其解析 性求最优解,故可考虑用直接全局搜索法或随 机试验点法. 从生产实际考虑,本问题对解的精确度要求很 高,但是对求解的实时性无明确要求,我们认为, 只要求解时间不是太长,都是可以接受的.

数学建模中的模型优化与参数校准

数学建模中的模型优化与参数校准

数学建模中的模型优化与参数校准数学建模是解决实际问题的一个重要手段,通过对实际问题进行抽象和建模,可以利用数学方法求解问题并得到结果。

模型的优化和参数校准是数学建模过程中的两个重要的环节,本文将对这两个环节进行详细的探讨。

一、模型优化模型优化是指对已有的模型进行改进,使其更加适合于解决实际问题。

在实际应用中,我们往往会发现原有的模型存在一些缺陷,或者不能满足我们的需求,这时就需要对模型进行优化。

模型优化的方法很多,常用的方法包括参数调整、模型结构调整、数据采集等。

其中,参数调整是最常用的方法之一。

在建立模型时,我们往往需要确定一些参数,这些参数对模型的性能有着重要的影响。

如果模型的参数选择不合适,那么模型的预测结果可能会偏差较大。

因此,在实际应用中,我们需要对模型的参数进行调整,以获得更好的预测效果。

模型参数的调整通常有两种方法,一种是手动调节,另一种是自动调节。

手动调节的方式需要根据实际经验和知识对参数进行调整,这种方法虽然简单,但存在人为主观性较强的问题。

自动调节的方式则通过计算机算法自动调整模型参数,可以较好地解决人为主观性较强的问题,并且可以快速找到最优的参数组合,提高模型的预测精度。

另外,模型结构调整也是模型优化的一个重要方法。

模型的结构可以根据实际问题进行调整,例如,可以增加一些变量来改进模型的预测效果。

此外,数据采集也是模型优化的一个重要环节,通过增加更多的数据可以提高模型的预测精度,但同时也需要保证数据的质量和可靠性。

二、参数校准参数校准是指对模型中的参数进行调整,使得模型更加符合实际情况。

在实际应用中,我们往往需要将模型对实际问题进行预测,而模型中的参数是根据历史数据确定的,这些参数未必完全适用于实际问题。

因此,我们需要对模型中的参数进行校准,以获得更准确的预测结果。

参数校准通常需要依赖于实验数据,通过实验数据对模型中的参数进行调整,以获得更符合实际情况的模型。

参数校准的方法很多,常用的方法包括随机搜索、改进的遗传算法、模拟退火算法等。

  1. 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. 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. 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)。

零件参数的优化设计摘 要本文建立了一个非线性多变量优化模型。

已知粒子分离器的参数y 由零件参数)72,1( =i x i 决定,参数i x 的容差等级决定了产品的成本。

总费用就包括y 偏离y 0造成的损失和零件成本。

问题是要寻找零件的标定值和容差等级的最佳搭配,使得批量生产中总费用最小。

我们将问题的解决分成了两个步骤:1.预先给定容差等级组合,在确定容差等级的情况下,寻找最佳标定值。

2.采用穷举法遍历所有容差等级组合,寻找最佳组合,使得在某个标定值下,总费用最小。

在第二步中,由于容差等级组合固定为108种,所以只要在第一步的基础上,遍历所有容差等级组合即可。

但是,这就要求,在第一步的求解中,需要一个最佳的模型使得求解效率尽可能的要高,只有这样才能尽量节省计算时间。

经过对模型以及matlab 代码的综合优化,最终程序运行时间仅为3.995秒。

最终计算出的各个零件的标定值为:i x ={0.0750,0.3750,0.1250,0.1200,1.2919,15.9904,0.5625},等级为:B B C C B B B d ,,,,,,=一台粒子分离器的总费用为:421.7878元与原结果相比较,总费用由3074.8(元/个)降低到421.7878(元/个),降幅为86.28%,结果是令人满意的。

为了检验结果的正确性,我们用计算机产生随机数的方式对模型的最优解进行模拟检验,模拟结果与模型求解的结果基本吻合。

最后,我们还对模型进行了误差分析,给出了改进方向,使得模型更容易推广。

关键字:零件参数 非线性规划 期望 方差一、问题重述一件产品由若干零件组装而成,标志产品性能的某个参数取决于这些零件的参数。

零件参数包括标定值和容差两部分。

进行成批生产时,标定值表示一批零件该参数的平均值,容差则给出了参数偏离其标定值的容许围。

若将零件参数视为随机变量,则标定值代表期望值,在生产部门无特殊要求时,容差通常规定为均方差的3倍。

进行零件参数设计,就是要确定其标定值和容差。

这时要考虑两方面因素:一是当各零件组装成产品时,如果产品参数偏离预先设定的目标值,就会造成质量损失,偏离越大,损失越大;二是零件容差的大小决定了其制造成本,容差设计得越小,成本越高。

试通过如下的具体问题给出一般的零件参数设计方法。

粒子分离器某参数(记作y )由7个零件的参数(记作x 1,x 2,...,x 7)决定,经验公式为:7616.1242356.02485.01235136.0162.2142.174x x x x x x x x x x x Y ⎪⎪⎭⎫ ⎝⎛⎥⎥⎦⎤⎢⎢⎣⎡⎪⎪⎭⎫⎝⎛--⨯⎪⎪⎭⎫ ⎝⎛-⨯⎪⎪⎭⎫ ⎝⎛⨯=-y 的目标值(记作y 0)为1.50。

当y 偏离y 0+0.1时,产品为次品,质量损失为1,000元;当y 偏离y 0+0.3时,产品为废品,损失为9,000元。

零件参数的标定值有一定的容许围;容差分为A、B、C三个等级,用与标定值的相对值表示,A等为+1%,B等为+5%,C等为+10%。

7个零件参数标定值的容许围,及不同容差等级零件的成本(元)如下表(符号/表示无此等级零件):现进行成批生产,每批产量1,000个。

在原设计中,7个零件参数的标定值为:x1=0.1,x2=0.3,x3=0.1,x4=0.1,x5=1.5,x6=16,x7=0.75;容差均取最便宜的等级。

请你综合考虑y偏离y0造成的损失和零件成本,重新设计零件参数(包括标定值和容差),并与原设计比较,总费用降低了多少?二、模型假设1、将各零件参数视为随机变量,且各自服从正态分布;2、假设组成离子分离器的各零件互不影响,即各零件参数互相独立;3、假设小概率事件不可能发生,即认为各零件参数只可能出现在容许围;4、在大批量生产过程中,整批零件都处于同一等级,。

本题可认为1000各零件都为A 等、B 等或C 等;5、生产过程中出质量损失外无其他形式的损失;6、在质量损失计算过程中,认为所有函数都是连续可导的。

三、符号说明i x :第i 类零件参数的标定值(i=1,2……7);i x ∆:第i 类零件参数的实际值相对目标值的偏差(i=1,2……7);i r :第i 类零件参数的容差(i=1,2,……7);i σ:第i 类零件参数的方差(i=1,2,……7);i i b a ,:标定值i x 的上、下限;y :离子分离器某参数的实际值;0y :离子分离器该参数的目标值;y :离子分离器某参数的均值;y∆:离子分离器某参数的实际值y相对平均值y的偏差;σ:离子分离器某参数的方差;yP:一批产品中正品的概率;1P:一批产品中次品的概率;2P:一批产品中废品的概率;3W:一批产品的总费用(包括损失和成本费);C:第i类零件对应容差等级为j的成本(j=A,B,C)单位:元/个。

ij四、问题分析损失费 成本费次品率 废品率 i x 服从正态分布 容差等级y 服从正 容差态分布泰勒公式将 期 望 方 差 i x i r 其线性化该问题是一定约束条件下的最优化问题,经分析题意,拟建立以总费用为目标函数的非线性规划模型。

总费用由损失费和成本费两部分组成,零件成本由简单的线性代数式决定,而损失费涉及概率分布的非线性函数。

要求出损失费,就必须知道一批产品的次品率和废品率,结合各类零件都服从),(2i i x N ,可假设y 也服从正态分布,联想正态分布的性质——当各变量均服从正态分布时,其线性组合也服从正态分布。

题中所给经验公式为一复杂的非线性的公式,无法直接对其分析处理,所以需借助泰勒公式将其展开并作相应处理使其线性化。

而对于零件成本,需先确定容差等级才能求得成本费。

由容差等级和各类零件的标定值i x 便可知道给类零件的容差i r 。

最后,便将问题转化为i x 、i r 关于总目标函数的最优解的问题上。

在进行零件参数设计时,如果零件设计不妥,造成产品参数偏离预先设定值,就会造成质量损失,且偏差越大,损失也越大;零件容差的大小决定了其制造成本,容差设计得越小(即精度越高)零件成本越高。

合理的设计方案应既省费用又能满足产品的预先设定值,设计方向应该如下:(1)设计的零件参数,要保证由零件组装成的产品参数符合该产品的预先设定值,即使有偏离也应是在满足设计最优下的容许围。

(2)零件参数(包括标定值和容差等级)的设计应使总费用最小为优。

此外分析零件的成本及产品的质量损失不难发现,质量损失对费用的影响远大于零件成本对费用的影响,因而设计零件参数时,主要考虑提高产品质量来达到减少费用的目的。

五、模型建立为了确定原设计中标定值(的期望值)及已给的容差对产品性能参数影响而导致的总损失W ,即确定偏离目标值所造成的损失和零件成本,先列出总损失的数学模型表达如下: )90001000(10003271P P C W i ij ++⨯=∑=当然,为了确定总损失W ,必须知道1P 、2P 、3P (即正品、次品及废品的概率)。

为此,将经验公式用泰勒公式在)72,1( ==i x X i 处展开并略去二次以上高次项后来研究y 的概率分布,设y x f =)(,则∑=∆∂∂+==71)()(i i ii x x fx f y X f 将标定值)72,1( =i x i 带入经验公式即得 )(i x f y = 所以 i i ix x fy y y ∆∂∂=-=∆∑=71 由于在加工零件时,在标定值知道的情况下,加工误差服从正态分布,即 )(2,0N ~i i x σ∆ 且i x ∆相互独立,由正态分布性质可知),0(~2y N y σ∆ ),(~2y y N y σ由误差传递公式得 22712712)()()(i i i i ii i i yx x x f x f σσσ∑∑==∂∂=∂∂= (1)由于容差为均方差的3倍,容差与标定值的比值为容差等级,则31.0,305.0,301.0=iix σ y 的分布密度函数为()2221)(y y y ey yσσπϕ-=-y 偏离1.00±y 的概率,即次品的概率为⎰⎰+=8.16.14.12.12)()()()(y d y y d y P ϕϕ (2)y 偏离3.00±y 的概率,即废品的概率为⎰⎰+∞∞-+=8.12.13)()()()(y d y y d y P ϕϕ (3)由于y 偏离0y 越远,损失越大,所以在y σ固定时,调整y 使之等于目标值0y 可降低损失。

取0y y y -=∆即0y y =,则 )1.0(2yP σφ= )3.0(3yP σφ=)(t φ为标准正态分布函数。

综合考虑y 偏离y 0造成的损失和零件成本,设计最优零件参数的模型建立如下: 目标函数min )90001000(10003271P P C W i ij ++⨯=∑=s.t. )72,1( =≤≤i a x b ii i )72,1()(0 ==i x f y i六、模型求解初略分析对于原给定的设计方案,利用matlab 编程计算(见附录),计算结果如下:由于按原设计方案设计的产品正品率过低,损失费过高,显然设计不够合理。

y=1.5太远,致使损失过大。

进一步分析发现,参数均值y=1.7256偏离目标值尽管原设计方案保证了正本最低,但由于零件参数的精度过低,导致正品率也过低。

所以我们应综合考虑成本费和损失费。

模型的实现过程:本模型通过matlab进行求解,我们通过理论模型求解和随机模拟的求解过程如下:在给定容差等级的情况下,利用matlab中求解非线性规划的函数fmincon,通过多次迭代求解,最终求得一组最优解。

最初,我们设定的fmincon 函数的目标函数就是总费用,约束条件为各个标定值的容许围,以及各零件标定y,即1.5。

然而,在迭代过程中我们发现,求解过值带入产品参数表达式应为程十分慢,在给定容差等级的确定的情况下,计算最优标定值需要将近400秒,如果在此基础上对108种容错等级进行穷举查找最优组合,将需要大概12小时。

显然这是不合理的。

因此,我们在仔细对matlab实现代码研究发现,求解过程之所以慢,是因为代码中存在多次调用求偏导和积分的函数,在fmincon的多次迭代中,耗费大量时间。

所以,为了提高求解速度,我们首先利用matlab中diff 函数对产品参数中的各个表达式进行求偏导,然后得到多个带参表达式,利用int函数对y的概率密度函数进行积分,分别得到出现次品和废品概率的表达式,然后将这些表达式写进程序里,这样在求解过程中就不需要在每一次迭代中都要求偏导和积分了,修改后的程序运行时间大大减少。

程序流程图算 法 等级未计算 结 束min W W YN程序见附录,求解结果如下:运行总时间:3.995s 离子分离器参数均值y =1.5σ=0.0689离子分离器参数方差y模型检验对设计方案进行动态模拟,由于每种零件参数均服从正态分布,用正态分布x的计算随随机数发生器在每种零件参数允许围产生1000个随机数参与真实值i机模拟 N次后结果如下:正品率次品率废品率成本费损失费总费用0.8570 0.1430 0.0000 275 143 418σ=0.0689画出y的概率分布图,再对x随机取样画根据最优解的y=1.5,y出y的概率分布图(见图6.1),由图可知:两组数据所画概率分布图的拟合度相当高,进一步确保了模型的正确性。

相关文档
最新文档