質(zhì)量設(shè)計作為持續(xù)質(zhì)量改進活動的重要支撐技術(shù),主要應(yīng)用在產(chǎn)品／過程的設(shè)計階段,因此能夠從源頭上減小和控制產(chǎn)品實現(xiàn)過程中的波動。隨著試驗設(shè)計的廣泛應(yīng)用,質(zhì)量工程師經(jīng)常會遇到非正態(tài)響應(yīng)如泊松分布(產(chǎn)品的缺陷數(shù))、二項分布(不合格品率)以及指數(shù)分布(單位時間失效數(shù))。在工業(yè)試驗中,非正態(tài)響應(yīng)通常滿足指數(shù)族分布的特征,即方差是均值的函數(shù)關(guān)系。廣義線性模型(generalized linear models, GLM)不僅適用于廣泛的指數(shù)族分布,而且能夠通過聯(lián)系函數(shù)靈活地建立響應(yīng)均值與方差之間的函數(shù)關(guān)系,因此在GLM的框架下實現(xiàn)產(chǎn)品的質(zhì)量設(shè)計已引起一些研究者的高度關(guān)注和重視。本文以非正態(tài)響應(yīng)的質(zhì)量設(shè)計問題為研究對象,綜合運用了廣義線性模型、貝葉斯統(tǒng)計、隨機搜索技術(shù)以及啟發(fā)式優(yōu)化算法等技術(shù)和方法,以系統(tǒng)建模、仿真試驗與實證研究為手段,系統(tǒng)地研究了基于GLM的變量選擇與穩(wěn)健參數(shù)設(shè)計問題,本文的主要研究內(nèi)容包括：(1)基于GLM的貝葉斯估計與篩選試驗分析。針對一些特殊的試驗數(shù)據(jù)(如超散度、零膨脹等),本文在GLM的框架下選擇相對客觀的Jeffreys先驗,運用馬爾科夫蒙特卡洛(Markov Chain Monte Carlo, MCMC)模擬技術(shù)與SAS統(tǒng)計軟件實現(xiàn)了模型參數(shù)的貝葉斯估計,在此基礎(chǔ)上提出了根據(jù)參數(shù)大于零或小于零的后驗概率識別顯著性因子的方法,并以波焊接試驗與仿真的部分因子設(shè)計為例,展示了本文所提方法的有效性。(2)基于GLM的兩階段貝葉斯變量與模型選擇。針對非正態(tài)響應(yīng)的部分因子試驗,以偏差信息準則(deviance information criterion, DIC)為貝葉斯模型的評估準則,運用MCMC方法與迭代優(yōu)化技術(shù)構(gòu)建了一種兩階段的貝葉斯變量與模型選擇方法。以波焊接試驗為例進行了實例分析,結(jié)果表明所提方法能夠有效地處理試驗因子數(shù)目較大時變量與模型選擇的問題,擴展了非正態(tài)響應(yīng)部分因子試驗設(shè)計的變量篩選方法與建模技術(shù)。(3)基于GLM與隨機搜索技術(shù)的貝葉斯變量與模型選擇。當篩選試驗所涉及的因子數(shù)目較多時,所考慮的模型個數(shù)將會相當大。在這種情形下,需要尋求一種有效的算法搜索整個模型的空間(即不同候選變量組合所構(gòu)成的模型集合),計算這些候選變量與模型的后驗概率,然后根據(jù)其大小識別顯著性因子與選擇最佳模型。根據(jù)試驗者對試驗所獲取信息程度的差異,基于隨機搜索技術(shù)構(gòu)建了兩種基于GLM的貝葉斯變量與模型選擇方法,并結(jié)合工業(yè)實例與仿真試驗展示了本文所提方法的有效性。在某些情形下,試驗者能夠根據(jù)以往的經(jīng)驗或先驗信息了解到可能潛在重要的交互效應(yīng)。在這種情形下,在GLM的框架下提出了基于隨機搜索技術(shù)的貝葉斯變量與模型選擇方法。然而,在相當多的試驗設(shè)計中,試驗者往往對所研究的試驗缺乏一定的先驗信息或經(jīng)驗知識。為此,在上述研究的基礎(chǔ)上進一步地考慮因子效應(yīng)的三個基本原則(稀疏效應(yīng)原則、層次效應(yīng)原則以及遺傳效應(yīng)原則),提出結(jié)合因子效應(yīng)原則與GLM的多階段貝葉斯變量與模型選擇方法。與以往的研究方法相比,新方法在隨機搜索的過程中考慮因子效應(yīng)的三個基本原則,從而大大地縮減了需要搜索的模型空間。此外,考慮因子效應(yīng)原則所獲得的最佳模型通常更加符合試驗設(shè)計的基本思想,避免獲得擬合結(jié)果很好但毫無實際意義的模型。(4)基于GLM的雙響應(yīng)曲面方法與穩(wěn)健參數(shù)設(shè)計。針對非正態(tài)響應(yīng)的穩(wěn)健參數(shù)設(shè)計問題,在均值與散度的聯(lián)合廣義線性模型基礎(chǔ)上構(gòu)建了基于GLM的雙響應(yīng)曲面模型。然后,針對雙響應(yīng)曲面模型高度復(fù)雜的非線性關(guān)系,利用遺傳算法與模式搜索方法所構(gòu)建的混合函數(shù)在試驗區(qū)域內(nèi)進行參數(shù)優(yōu)化,從而獲得可控因子最佳的參數(shù)設(shè)計值。以電阻率試驗為例進行了分析,結(jié)果表明：本文所提的方法在實現(xiàn)非正態(tài)響應(yīng)的穩(wěn)健參數(shù)設(shè)計時,不僅能夠減少過程均值偏離目標值的程度,而且還能夠同時減少整個過程的波動。(5)基于GLM的動態(tài)穩(wěn)健參數(shù)設(shè)計。針對動態(tài)響應(yīng)系統(tǒng)(亦稱信號-響應(yīng)系統(tǒng))的穩(wěn)健參數(shù)設(shè)計問題,提出了基于聯(lián)合廣義線性模型與響應(yīng)模型的動態(tài)穩(wěn)健參數(shù)設(shè)計方法。針對動態(tài)響應(yīng)系統(tǒng),首先分別擬合基于廣義線性模型的均值與散度模型；然后選擇散度因子與位置因子的水平最小化潛在噪聲因子和具體噪聲因子所引起的波動；最后選擇調(diào)節(jié)因子的水平調(diào)整模型的截距與斜率到設(shè)定的目標值。以推挽式電纜驅(qū)動器為例進行了分析,結(jié)果表明：本文所提的方法不僅能夠有效地區(qū)分具體噪聲因子和潛在噪聲因子對整個過程波動的不同影響,而且還能夠靈活地調(diào)節(jié)模型的截距和斜率以滿足不同的設(shè)計目標。最后,在總結(jié)以上研究成果的基礎(chǔ)上,還指出該研究領(lǐng)域一些值得進一步研究的問題。
【學(xué)位單位】：南京理工大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2011
【中圖分類】：F273.2;F224
【部分圖文】：

參數(shù)n的蹤跡圖、自相關(guān)圖以及后驗

以模擬各參數(shù)的后驗分布。為了減少各參數(shù)馬爾科夫鏈的自相關(guān)性，在SAS程序設(shè)計時設(shè)置thin=5，即每間隔5步抽樣1次。在此僅給出D，AC兩個參數(shù)的抽樣值蹤跡圖、自相關(guān)圖以及后驗分布的核密度估計圖，其結(jié)果分別如圖4.2、圖43所示。10000迭代次數(shù)后驗度密數(shù)核函 0505‘，

本文編號：2809513