基于DOE设计研究
基于DOE的实验设计优化研究
基于DOE的实验设计优化研究实验设计优化研究是一个重要的工程和科学领域，它旨在通过理论和实验方法，优化研究设计方案，并找到最佳的实验设计结果。
基于DOE（Design of Experiments）的实验设计优化研究是指利用DOE方法来设计和优化研究实验。
DOE是一种系统的方法，它可以帮助研究人员确定实验中需要考虑的因素以及它们之间的相互关系。
通过对这些因素的系统、全面的研究，研究人员可以更好地理解这些因素对实验结果的影响，优化实验设计，并进一步提高实验的可靠性和结果的准确性。
在基于DOE的实验设计优化研究中，首先需要明确研究的目的和问题，确定要研究的因素和响应变量。
然后，根据因素之间的相互关系，选择适当的DOE方法进行实验设计。
常用的DOE方法包括因子水平设计、正交设计、Taguchi方法等。
因子水平设计是最常见的一种方法，它通过对各个因素设置不同的水平来研究因素对响应变量的影响。
正交设计是一种全面而高效的实验设计方法，它可以同时考虑多个因素之间的相互作用。
Taguchi方法是一种针对复杂系统的实验优化方法，通过优化实验设计参数，最小化对外界干扰的敏感性。
在实际的实验过程中，研究人员需要根据实验目标和研究资源的限制，选择合适的DOE方法和实验设计方案。
然后，根据设计方案，进行实验，并记录实验数据。
根据实验数据，研究人员可以通过统计分析方法，以及相关的软件工具，对实验结果进行数据处理、分析和优化。
基于DOE的实验设计优化研究可以帮助研究人员快速、有效地确定最优的实验设计方案，提高实验的效率和可靠性。
它广泛应用于许多领域，如制造业、化学工程、材料科学、生物医学等。
总之，基于DOE的实验设计优化研究是一种重要的研究方法，它可以帮助研究人员优化实验设计方案，并找到最佳的实验结果。
通过合理选择DOE方法和实验设计方案，进行实验，并进行数据处理和分析，研究人员可以获得准确、可靠的研究结果，并提高研究工作的效率和效果。
基于DOE方法改进供应链效率的实验设计报告
基于DOE方法改进供应链效率的实验设计报告实验名称：基于DOE方法改进供应链效率的实验设计报告摘要：本实验旨在基于设计实验方法（DOE）改进供应链效率。
通过探索不同的供应链参数和变量，我们希望确定最佳的供应链设计，并最大化效率。
为了实现这一目标，我们使用了一种实验方法设计，以评估不同因素对供应链性能的影响。
引言：供应链是由各个环节和组成部分组成的复杂网络。
有效的供应链管理对于组织的成功至关重要。
通过调整供应链中的参数和变量，可以改进供应链的效率，减少成本，并提供更高质量的产品或服务。
本实验将使用设计实验方法（DOE）来优化供应链效率。
方法：1. 定义实验目标和变量：首先，我们定义了实验的目标，即改进供应链的效率。
然后，我们确定了可能影响供应链效率的变量，如供应链网络设计、运输方式、库存管理等。
2. 选择实验设计方法：基于实验目标和变量，我们选择了一种合适的实验设计方法。
在本实验中，我们采用了因素实验设计，通过对供应链变量进行多个不同水平的组合来评估其对供应链效率的影响。
3. 构建实验样本：根据选择的实验设计方法，我们确定了实验所需的样本数量。
我们选择了一组具有不同参数和变量水平的供应链，以便能够全面评估其效率。
4. 进行实验：我们按照实验设计的要求，对每个样本进行实验。
通过观察和记录实验结果，我们可以评估不同参数和变量水平对供应链效率的影响。
5. 数据分析：通过对实验结果进行统计分析，我们可以确定关键变量和参数对供应链效率的重要性。
我们可以使用统计软件（如SPSS）进行数据分析，以获得可靠的结果。
结果：通过实验和数据分析，我们得出了以下结论：1. 供应链网络设计对供应链效率有着重要影响。
较短的供应链和更紧密的合作伙伴关系可以提高效率。
2. 运输方式对供应链效率也有显著影响。
有效的运输方式和路线可以减少运输时间和成本。
3. 库存管理是提高供应链效率的另一个关键因素。
准确的库存预测和及时的补充可以避免库存过剩或不足的问题。
基于DOE的实验设计优化与效果评估分析
基于DOE的实验设计优化与效果评估分析实验设计是科学研究中非常重要的一环，能够有效地帮助研究人员优化实验过程和评估实验结果。
DOE（Design of Experiments）是一种常用的实验设计方法，通过系统地变化不同的因素并观察其对响应变量的影响，从而揭示因素与响应之间的关系。
在基于DOE的实验设计中，优化实验过程是一个重要的目标。
通过合理地选择实验因素（Independent Variables）、水平（Levels）、实验次数和设计结构，能够最大程度地减少实验误差，提高实验效率。
其中，实验因素是指影响响应变量的各种条件或操作，水平指的是实验因素可以取的不同取值。
而实验次数和设计结构是指确定实验进行的多次程度和实验因素的交叉组合方式。
实验设计优化的主要目标是在给定的资源限制下，通过减少实验次数和提高实验效率，获得更可靠的实验结论。
为了实现这个目标，可以采用以下几种策略：1. 完全随机设计（Completely Randomized Design，CRD）：将实验因素随机地分配给实验样本，以减少实验误差。
这种设计结构适用于实验因素之间相互独立且没有先后关系的情况。
2. 随机区组设计（Randomized Complete Block Design，RCBD）：将实验因素分组，每组内的实验因素随机地分配给实验样本。
这种设计结构适用于实验因素之间存在一定的相互关联或有明显的前后顺序的情况。
3. 因子水平选择（Factor Level Selection）：根据实验目的和资源限制，合理地选择实验因素的水平。
在实验资源有限的情况下，选择较高或较低的水平以观察它们对响应变量的影响。
4. 太阳设计（Taguchi Design）：通过系统地变化实验因素的水平，以找出对响应变量影响较大的实验因素，并确定其最佳水平。
太阳设计通常适用于实验因素较多且交互作用复杂的情况。
5. 变量筛选（Variable Screening）：根据实验结果的变异性和影响大小，筛选出对响应变量影响较大的实验因素，以便优化实验设计。
基于DOE的实验设计与统计分析
基于DOE的实验设计与统计分析实验设计是科学研究中非常重要的一环。
在进行实验时，为了确保实验结果的准确性和可靠性，需要采用合适的实验设计方法。
其中，基于DOE（Design of Experiments）的实验设计方法被广泛应用于各个领域，包括工程、医学、农业等。
DOE是一种系统的、有计划的方法，通过设置实验因素和水平，使得实验过程更加高效和有效。
DOE的核心思想是在尽量少的试验次数下获取最大信息量，从而得出可靠的统计结论。
首先，DOE的实验设计应该基于明确的目标和研究问题。
明确的目标有助于确定实验因素和水平，以及确定实验结果的评价指标。
例如，如果我们想研究某种新药对治疗某种疾病的疗效，我们需要确定药物剂量、用药时间和观察期等实验因素，并确定主要评价指标是疾病的治愈率还是症状的缓解程度。
其次，DOE的实验设计应该考虑实验因素的选择和水平的确定。
实验因素是决定实验结果的主要因素。
在实验设计时，应该选择对实验结果有重要影响的因素，并确定每个因素的水平。
这可以通过文献研究、专家咨询和先期试验等方式进行确定。
例如，在设计新产品实验时，可能需要考虑产品的材料、尺寸和工艺等因素，并确定每个因素的水平。
接着，DOE的实验设计应该考虑实验的随机性。
随机性意味着每个试验单位有相同的机会被分配到不同的实验组，从而减小偏差的影响。
在实际操作中，可以通过随机数发生器或者随机编码器来实现。
具体的随机分配方法可以根据实际情况来选择。
然后，DOE的实验设计应该进行正交试验设计。
正交试验设计是一种用较少的试验次数完成对多个因素和水平的考察的设计方法。
正交试验设计可有效降低因素间的交互作用，并保证得到准确的实验结果。
在进行正交试验设计时，可以使用正交表、拉丁方格或Taguchi方法等。
这些方法使得每个因素的每个水平都能在整个试验过程中均匀分布和充分考察。
最后，DOE的实验结果应该进行统计分析。
统计分析是分析实验数据并得出结论的关键步骤。
基于DOE方法的实验设计及参数优化策略分析
基于DOE方法的实验设计及参数优化策略分析实验设计及参数优化策略分析是科学研究和工程实践中的重要环节，能够提高实验结果的可信度和实验效果的优化。
基于DOE（Design of Experiments）方法的实验设计和参数优化策略分析在这方面发挥着重要作用。
本文将针对这一任务名称，按照要求进行详细阐述。
一、实验设计实验设计是科学研究和工程实践中的核心环节之一。
合理的实验设计可以减小实验偏差，提高实验结果的可靠性和实验效果的优化。
基于DOE方法的实验设计是一种系统的、统计学的方法，它能够最小化实验误差，最大程度地利用资源并提高试验的可信度。
DOE方法基于统计学理论和实验设计原则，通过设计合理的实验方案，主要包括确定试验对象、自变量选择、控制变量设计、因变量测量和数据分析等步骤。
二、参数优化策略分析参数优化是指在给定的条件下，通过调节系统中的特定参数，使得系统的某个性能指标达到最佳状态的过程。
参数优化策略分析是确定最佳参数配置的一种方法，可以在参数空间中寻找最优解，并找到使系统性能最优化的参数设置。
对于参数优化策略分析，基于DOE方法的实验设计可以为我们提供大量的实验数据，通过对实验数据的分析结合统计学方法，可以得出参数在不同条件下的最优值和最优组合。
最常见的分析方法包括单因素分析、方差分析、回归分析等。
在进行参数优化策略分析时，需注意以下几点：1. 确定优化目标：明确系统性能指标或优化目标，例如生产效率、产品质量、能源利用效率等。
2. 确定可调参数：确定对系统性能影响较大且可以调节的参数，这些参数可以是物理量、材料性质、工艺参数等。
3. 设计参数空间：确定参数的变动范围和步长，以保证获取全面的实验数据。
4. 设置试验组：根据实验设计方法，合理设置试验组，确保实验过程的随机性和可比性。
5. 数据处理和分析：采用统计学方法对实验数据进行处理和分析，找出影响性能指标的关键参数。
6. 确定最优参数组合：通过比较不同参数组合下的性能指标，确认最优参数组合。
基于DOE的实验设计在工业生产中的应用研究
基于DOE的实验设计在工业生产中的应用研究实验设计（DOE）是一种系统的方法，用于确定影响产品和工艺参数的因素，并确定如何调整这些参数以达到最佳结果。
在工业生产中，DOE的应用非常广泛，可以帮助优化生产过程、提高产品质量、降低成本以及提高效率。
一、DOE的基本原理DOE基于统计学原理，通过合理选择实验设计和分析方法，从而利用有限的实验数据快速准确地识别影响结果的关键因素。
以下是DOE的基本原理：1. 因素选择：在实验设计中，首先需要明确要调查的因素目标，即对产品或工艺参数的影响因素进行筛选和确定。
2. 水平选择：确定每个选择的因素的水平范围，即每个因素的不同变化程度。
3. 实验设计：选择适当的实验设计方法，例如完全随机设计（CRD）、随机区组设计（RCBD）等，以确保实验结果的准确性和可靠性。
4. 数据收集：根据实验设计方案，收集实验数据，包括因素值和响应值。
5. 数据分析：利用统计学方法对实验数据进行分析，例如方差分析（ANOVA）、回归分析等，以确定因素对响应值的显著性影响。
6. 结果优化：根据数据分析结果，确定优化方案，即调整关键因素的水平以获得最佳结果。
二、DOE在工业生产中的应用研究1. 生产工艺优化在工业生产中，通过DOE可以确定对产品质量有显著影响的工艺参数，并找到最佳的参数组合，以提高产品质量和生产效率。
例如，在某电子产品的制造过程中，DOE可以帮助确定温度、时间和处理液浓度等工艺参数对产品性能的影响，进而优化工艺流程，提高产品质量和产量。
2. 产品设计改进通过DOE，可以确定产品设计中的关键参数，以提高产品的性能和可靠性。
例如，某汽车制造公司通过DOE确定车身结构和发动机参数对燃油效率的影响，并通过优化设计减少能量损耗、降低排放和提高燃油效率。
3. 故障分析与优化当产品出现故障时，DOE可以帮助确定故障的原因并进行改进。
通过对关键参数进行分析和优化，可以减少故障发生率，提高产品的可靠性和稳定性。
基于DOE实验设计进行产品质量改进的案例分析
基于DOE实验设计进行产品质量改进的案例分析案例分析：基于DOE实验设计进行产品质量改进产品质量是企业的核心竞争力之一。
为了满足市场需求和提高产品质量，许多企业采用了基于DOE（设计实验）的方法进行质量改进。
本文将通过一个基于DOE实验设计的案例分析，探讨如何利用DOE方法提高产品质量。
案例背景：某家电企业生产液晶电视，但在运输和使用过程中出现了屏幕亮度不均匀的问题，这严重影响了用户的观看体验和品牌声誉。
为了解决这一问题，企业决定运用DOE实验设计方法进行产品质量改进。
确定问题：在进行实验设计之前，企业首先明确问题，即电视屏幕亮度不均匀。
此外，还需要了解亮度不均匀的影响因素，比如背光模块、传感器和控制系统等。
通过对问题的深入分析，企业得出结论，亮度不均匀主要受背光模块和控制系统的影响。
建立实验设计：在确定了问题和影响因素后，企业采用了DOE实验设计的方法。
首先，确定了影响因素的水平（比如背光模块有两个水平：A1和A2，控制系统有三个水平：B1、B2和B3）。
然后，根据实验设计的原则，构建了正交表，生成了实验设计方案。
执行实验：企业按照实验设计方案进行了一系列的实验。
通过对背光模块和控制系统的不同水平组合进行测试，记录了每次实验的亮度均匀性数据。
数据分析：在实验完成后，企业对实验数据进行了统计分析。
首先，利用分析工具（比如图表、直方图和散点图）对实验数据进行可视化分析，帮助企业了解数据的分布特征。
接下来，企业运用统计学方法，如方差分析（ANOVA），确定了各个影响因素的显著性和相互之间的交互作用。
寻找最优解：在确定了显著的影响因素后，企业进一步寻找最优解，即能够保证亮度均匀性的最佳水平组合。
基于统计分析的结果，企业制定了一组新的控制方案，包括背光模块水平为A2和控制系统水平为B3。
验证实施结果：企业在改变控制方案后，重新制造了一批电视进行验证。
通过与之前的产品进行对比实验，企业发现新方案显著提高了亮度均匀性，解决了产品质量问题。
基于DOE的实验设计及结果分析研究
基于DOE的实验设计及结果分析研究实验设计和结果分析是科学研究中非常重要的环节，能够帮助研究者建立科学的实验方案并得出可靠的结论。
本文将着重介绍基于DOE（Design of Experiments，实验设计）的实验设计和结果分析研究。
一、实验设计的基本原则实验设计是指通过划分实验因素、确定实验水平和设计试验方案，以尽可能少的实验次数获取最大的信息量。
在进行实验设计时，应遵循以下原则：1. 随机性原则：实验设计中的试验对象应随机分组，以减少实验误差的影响，并保证实验结果的可靠性。
2. 重复性原则：为了提高实验结果的稳定性和可靠性，应对每个实验条件进行重复，以减少可能的误差。
3. 控制性原则：应通过控制其他可能影响结果的因素，仅改变需要研究的因素，以获得真实可靠的结果。
二、DOE的基本步骤基于DOE的实验设计可分为以下几个基本步骤：1. 确定实验目标和问题：在进行实验设计之前，首先需要明确研究的目标和问题，以便设计出符合需求的实验方案。
2. 确定影响因素：对于研究中的问题，需要明确哪些因素可能会对结果产生影响，并确定它们的水平。
3. 构建试验方案：根据影响因素和水平，采用适当的设计方法构建试验方案。
常用的设计方法包括完全随机设计、随机区组设计、因子设计等。
4. 进行实验：按照设计方案进行实验，并记录实验结果。
5. 数据分析和结果解释：对实验结果进行统计分析，使用合适的方法探索各因素对结果的影响程度及相互作用。
为了减少偶然误差和随机性导致的结果波动，统计分析应充分考虑重复性和随机性。
三、基于DOE的结果分析方法基于DOE的实验设计可采用多种统计方法对实验结果进行分析，以获取准确的结论。
下面介绍几种常用的结果分析方法：1. 方差分析（ANOVA）：方差分析是一种常用的统计方法，可以通过比较不同因素水平之间的方差大小，判断不同因素对结果的影响是否显著。
2. 回归分析：回归分析是一种常用的统计方法，用于研究因变量与自变量之间的关系。
- 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)。
Abstract：Based on ANSYS Workbench simulation platform, FEA model of the crankshaft of a diesel engine was built. The stress field distribution of the crankshaft in static compression state was computed, and the FEA model was verified. Based on DOE (Design Of Experiments) method, multi-objective optimization design of the crankshaft was completed, considering wall thickness of the crankshaft, length of main journal, length of crank pin, fillet radius of connecting rod journal and fillet radius of main bearing journal as input parameters, and the mass and maximum stress of the crankshaft as output parameters. After optimization, both the mass and the maximum stress of the crankshaft decreased. Thus, the mass and the stress
mass′ ≤1.2， mises′ ≤320。 ，m m； x 2 为主轴颈长度 式中： x 1 为曲轴壁厚 d 0 ′ d6′ ，mm；x3 为曲柄销长度 d8′ ，mm；x4 为连杆轴颈 过渡圆角半径 d13′ ，mm；x5 为主轴颈过渡圆角半径 d14′ ，mm；m 为曲轴质量，kg；mises 为曲轴最大等 效应力，MPa。
将单拐由轴的参数化模型直接导入 ANSYS Workbench 中，在 Design Model 模块下设置优化输入参数； 进行网格划分，建立有限元模型，如图 2 所示。
1.1 曲轴的三维实体模型
为了简化模型，提高计算速度，笔者以最易失效 的第三曲拐建立实体模型，考虑曲轴的对称性，仅建 立了曲轴的 1/ 4 参数化实体模型。 为了实现参数之间的传递，实体模型的尺寸参数 名都以“DS_”开头。曲轴的结构如图 1 所示，曲轴 优化模型可描述为： (1) 优化目标 min f (x) = (m′ - m)2 + (mises′ - mises)2。 (1) (2) 设计变量 x = { x1，x2，x3，x4，x5}T。 (3) 约束条件 20.0≤x1≤40.0， 20.0≤x2≤40.0， 20.0≤x3≤40.0， 2.0≤x4≤5.0， 20.0≤x5≤40.0，
参 考 文 献
[1] 王 鹰．连续输送机械设计手册 [M]．北京：中国铁道出版 社，2001：120-125. [2] 李江全，刘恩博，胡 蓉．LabVIEW 虚拟仪器数据采集与串 口通信测控应用实战 [M]．北京：人民邮电出版社，2010： 180-184. [3] 牛群峰，王 莉，胡红生．LabVIEW 虚拟仪器系统开发与实 践 [M]．北京：中国电力出版社，2011：32-36. [4] 刘小丽，张晓光．基于 LabVIEW 的压风机组状态监测及故障 诊断系统设计 [J]．煤矿机械，2011，32(5)：248-250. [5] 朱艳君，肖兴明．基于 LabVIEW 的刮板输送机状态监测系统 设计 [J]．矿山机械，2012，40(3)：19-22. [6] 李 扬，谢 晖，陈 侃．基于 LabVIEW 的 PID 控制系统设 计与实现 [J]．中国测试技术，2008，34(3)：74-76. [7] 胡宝权，赵荣珍，马再超．基于 LabVIEW 的数据采集与反 馈控制通讯系统 [J]．仪表技术与传感器，2012，32(12)：3234.□ (收稿日期：2012-12-11) (修订日期：2013-01-22)
此采用该模型的计算结果可信。
108
本栏目编辑 陆秋云
3 曲轴优化设计
3.1 优化设计实现
本次优化基于 ANSYS Workbench 平台，其集成了 Pro/ Engineer、Design Model 模块、Static-Structure 模块 及 Design Exploration 模块等，可以实现曲轴的优化， 其优化分析流程如图 4 所示。
图 2 曲轴有限元模型 Fig. 2 FEA model of crankshaft
107
第 41 卷 2013 年第 6 期
采用 10 节点四面体单元 (SOLID187) 建模。模 型的所有网格尺寸 ≤ 4 mm，由于曲轴连杆轴颈的过 渡圆角是应力较为集中的部位，应对其进行局部网 格细化，有限元模型的节点数为 312 083，单元数为 214 490。 定义有限元模型材料的弹性模量为 2.1×10 5 MPa；泊松比为 0.3；最大拉压强度为 300 MPa；密度 为 7 520 kg/ m3。
通 用
Fig. 4
图 4 曲轴优化设计流程 Flow chart of crankshaft optimization design
3.2 试验设计及结果
研究中心复合设计对曲轴进行优化[8]。试验设计 结果如表 1 所列。由表 1 可知，27 次试验的计算结
表 1 试验设计及结果 Tab. 1 Test design and results
/ mm
19.50 19.50 19.50 17.55 21.45 19.50 19.50 19.50 19.50 19.50 19.50
/ m
36.80 36.80 36.80 36.80 36.80 33.12 40.48 36.80 36.80 36.80 36.80
本栏目编辑 陆秋云
随
着柴油机技术的不断发展，其关键零部件质 量、效率及可靠性已成为设计的主要目标[1]。 曲轴作为内燃机的关键零部件之一，直接影响内燃机 的可靠性，对其进行优化设计显得尤为重要。 曲轴的结构复杂，影响其质量和可靠性的设计参 数很多，即使仅考虑重要的设计参数，仍有较大计算 和试验工作量。 采用传统的设计 — 试制 — 试验方法很 难满足优化设计要求[2-3]。 建立有限元仿真模型，采用试验设计方法 (Design Of Experiments method，DOE) 分析曲轴的质量和可靠 性，寻找最优的设计方案是缩短设计过程，完成优化 设计的有效方法[4-6]。 笔者以某 6 缸直列柴油机曲轴为研究对象，建立 有限元分析模型，并对其进行了校核。提出基于试验 设计的优化策略，确定曲轴设计参数和优化目标，并 进行其优化设计。
通 用
1 曲轴优化设计模型
曲轴优化设计的目标是减轻其质量，提高整机效 率；减小最大应力，提高可靠性。曲轴设计参数包括 曲轴壁厚、主轴颈长度、曲柄销长度、连杆轴颈过渡 圆角半径及主轴颈过渡圆角半径，其中主轴颈过渡圆 用半径对曲轴性能的影响最大。 在给定应力约束下，以上述 5 个设计参数为变 量，以减轻曲轴质量和减小最大应力为目标，完成曲 轴的设计优化。
第 41 卷 2013 年第 6 期
characteristics improved. Key Words：crankshaft of diesel engine; finite element; DOE; crankshaft mass; maximum stress; multiobjective optimization
/ mm
26.20 23.58 28.82 26.20 26.20 26.20 26.20 26.20 26.20 26.20 26.20 25.458 26.942 25.458 26.942 25.458 26.942 25.458 26.942 25.458 26.942 25.458 26.942 25.458 26.942 25.458 26.942
通 用
Study on optimization design of crankshaft of diesel engine based on DOE
SONG Lili1, ZHU Hairong2,
1
LI Qing1
Dept. of Mechanical & Electrical Engineering, Chongqing College of Electronic Engineering, Chongqing 400030, China 2 School of Mechanical Engineering, Beijing Institute of Technology, Beijing 100081, China
基金项目：国家“973”重大基础研究项目 (613570303) 作者简介：宋丽莉，女，1974 年生，硕士，讲师，主要研究方向为 CAD、CAM 等现代机械设计方法研究。
证了该系统的可用性与准确性，对螺旋给料机安全可 靠运行以及定量可调给料具有重要的实际意义。
第 41 卷 2013 年第 6 期
106
本栏目编辑 陆秋云
基于 DOE 的柴油机曲轴 优化设计研究
宋丽莉1，朱海荣2，李 庆1
1
重庆电子工程职业学院机电工程学院 重庆 400030 2 北京理工大学机械与车辆学院 北京 100081
摘要：基于 ANSYS Workbench 仿真计算平台，笔者建立了柴油机曲轴的有限元分析模型，计算了柴 油机曲轴在静止受压状态下的应力场分布，完成了有限元模型的校核。采用试验设计方法 (Design Of Experiments method, DOE)，将曲轴壁厚、主轴颈长度、曲柄销长度、连杆轴颈过渡圆角半径及主轴颈 过渡圆角半径作为输入参数，曲轴质量及最大应力作为输出参数，完成了柴油机曲轴的多目标优化。 优化后曲轴质量和最大应力均有所降低，从而改善了曲轴的质量和应力特性。 关键词：柴油机曲轴；有限元；DOE；曲轴质量；最大应力；多目标优化 中图分类号：TK422 文献标志码：A 文章编号：1001-3954(2013)06-0106-05