魯棒性設計的案例
螺旋管簧的可靠性魯棒設計
螺旋管簧的可靠性魯棒設計
螺旋管簧的可靠性魯棒設計
張義民, 賀向東, 劉巧伶
(吉林大學南嶺校區機械科學與工程學院,吉林長春130025)
摘要:在可靠性優化設計理論與可靠性靈敏度分析方法的基礎上,討論了螺旋管
簧的可靠性魯棒設計問題,提出了可靠性魯棒設計的數值計算方法. 把可靠性靈
敏度溶入可靠性優化設計模型之中,將可靠性魯棒設計歸結為滿足可靠性要求
的多目標優化問題.
關鍵詞: 螺旋管簧;可靠性優化;可靠性靈敏度;魯棒設計
展開 科普時刻 | 借助魯棒性設計解決制造中的不確定性問題
堅持采用有利于選擇最佳設計的方法，可提高最終產品的質量。工程團隊往往會對其設計進行過高或過低的評估，因為他們不能確切地確定所需的公差。通常，這會導致所需的材料、成本和時間增加。大多數工程師都熟悉優化技術，但魯棒性評估可進一步為高質量提供保證。
電子設計和制造中的魯棒性
制造單個電子組件會產生偏差，裝配流程也會導致不一致性，這已不是行業秘密。而這正是我們需要六西格瑪等設計指南的原因所在。六西格瑪質量水平要求制造流程生產出的產品缺陷率不超過百萬分之3.4。六西格瑪，也被稱為魯棒性設計，可促進工程師設計出不容易受制造變化因素影響的產品。
隨著電子系統和組件變得更小、密度更高、更容易受到熱的影響，不僅有更多的意外相互作用需要被納入考慮范圍，而且也很難預測公差將如何影響設計和制造。通過找出必須遵守的生產公差以確保一致的質量，工程師能夠減少成本和缺陷，提高質量并簡化工作流程。
評估魯棒性的流程包括：
識別制造階段可能產生不確定性并影響最終產品質量的隨機參數，如隨機環境變量或材料屬性。
將來自制造的統計數據作為概率參數輸入到仿真模型中，以量化不確定性并預測這些參數的相對影響。
使用人工智能/機器學習（AI/ML）算法對設計進行迭代，并通過自動化和系統化仿真流程找到最佳值。
許多公司使用Ansys optiSLang進行優化，但下面要介紹的是，其中一些公司如何使用該軟件來證明或改進設計和最終產品的魯棒性。
獲得共封裝光學的優勢
自動變速器的成本和功能優化
產品設計中的一項主要挑戰是確定功能和成本的最佳組合；有許多方法可以實現這一目標，然而每種方法都需要在開發范圍方面做出不同的承諾。
一家全球汽車制造商在其自動變速器設備設計中比較和評估螺線管的設計替代方案時，就親身體驗過這種情況。
展開 ANSYS和SYNOPSYS將展開合作，加速優化新一代高性能計算、移動和汽車產品的魯棒性設計
ANSYS和SYNOPSYS將展開合作，加速優化新一代高性能計算、移動和汽車產品的魯棒性設計：獨有的產品集成，可將電源和可靠性驗收解決方案與內建設計分析的物理實施解決方案充分整合，進而推動未來智能產品的研發http://www.ansys.com/zh-CN/About-ANSYS/news-center/06-19-17-ansys-and-synopsys-partner
螺旋管簧的可靠性魯棒設計
螺旋管簧的可靠性魯棒設計
基于仿真的設計集成提高混合動力車輛的可靠性
魯棒設計(Robust Design)方法是一種有組織和經過驗證的開發哲學，其設計目的就是提供系統的可靠性。魯棒性的設計原則讓設計團隊能夠以可重復的過程來處理復雜的系統集成問題。如下圖所示，基于魯棒設計的系統概念輸入信號并處理一個合適的響應。然而，在典型的環境中，設計變更可能影響系統的性能。設計團隊必須實現控制技術以補償設計的變化。
魯棒設計流程的重點是降低設計變更對系統性能和可靠性的影響，這些變更可能來自設計的源內部或外部，包括元器件容差、制造過程、用戶模式、環境和因系統老化等因素引起的變化。盡管這些變化種類繁多，每一種因素都可能對系統的可靠性產生大的影響。魯棒性設計流程的主要目標是：在解決這些變化引起的問題同時，要從性能、可靠性和成本等方面優化系統設計。
在典型的設計流程中，解決多種變化引起的問題需要廣泛的測試。這意味著一旦系統設計完成，必須做出原型并進行測試。魯棒的設計流程需要測試多種變量，這意味著要構建新的原型并測試每一種變量。顯然，采用這種設計-原型-測試流程來實現魯棒設計的方法太費時間且實際上很昂貴。
解決方法是把設計-原型-測試操作轉移到虛擬世界做仿真和分析。這就是常說的虛擬原型。采用像Saber這樣的現代設計工具，設計團隊能設計和構建其系統的虛擬原型，并在分配給傳統的設計-原型-測試流程的時間和預算之內運行多次測試。因此，仿真和建模是實現魯棒設計流程的關鍵要求。
圖1 混合動力乘用車的主要傳動總成系統包括：電動機/發電機(前)、控制器(中)和電池包(后)
圖2 混合動力汽車依賴于對機械、電力和軟件技術的有效集成
圖3 通用的魯棒性設計系統框圖是以Taguchi方法為基礎的
設計流程
基于建模和仿真的魯棒設計流程必須緊跟著系統過程。
展開 設計仿真 | 基于ODYSSEE 的機器學習方法在汽車約束系統魯棒性分析中的應用
圖3 (a) 機器學習模型搭建；(b) 機器學習模型精度對比
假人傷害魯棒性分析
假人傷害魯棒性分析需要大量碰撞仿真，利用上述訓練的高精度機器學習模型，能夠快速計算不同輸入參數下系統的各個響應曲線，大大提高工作效率。
使用蒙特卡洛方法進行數據的采樣，假定3個設計變量滿足均值為設計值，均方差為設計值3.3%的正態分布。
從圖4統計結果來看，在魯棒性分析中，假人總得分均值略高于設計值，如考慮可靠性優化設計（如6σ設計要求），約束系統關鍵零部件設計參數仍需進一步優化，以確保假人在物理試驗中得分滿足預設的星級開發目標。
圖4. 假人總得分分布圖
應用價值
基于ODYSSEE的POD降階算法，使用少量的樣本點，就能夠實現對汽車約束系統中假人傷害曲線的高精度預測，可以有效提高仿真工程師的工作效率。
通過POD降階模型，與蒙特卡洛采樣方法的結合，能有效評估假人得分魯棒性，為性能開發人員快速提供參數調整依據。
展開 資料包精選：PCB仿真設計、HyperLynx、Xpedition、電路設計、信號完整性...你要的都有！
??微信掃碼即可報名??
研討會內容
? PDN 噪聲分析方法
-時域的瞬態仿真模擬紋波
-頻域的阻抗曲線魯棒性設計方法
? Die 到穩壓模塊的完整建模
-穩壓模塊的建模和模型數值確定
-板級PDN 的通道的建模
-去耦電容的電感和偏置效應
-Chip Power Model模型的結構
? PDN 設計與優化的實用方法
報名福利
報名領取官方案例：《PADS Professional 入門》、《隔離電源完整性對信號完整性的影響類型的案例研究及緩解方法》
/END/
DfAM專欄 | optiSLang多學科穩健性優化設計
optiSLang的算法和模塊化工作流程生成由三個模塊支持：
敏感度分析可幫助用戶理解設計，專注于關鍵參數，檢查響應變化的預測質量，并自動生成最佳元模型；
優化設計有助于提升產品設計性能；
魯棒性評估有助于用戶驗證有關分散性材料參數、生產容差和變化環境條件的設計魯棒性。
這些模塊可通過optiSLang的拖放功能輕松應用。使用基于向導的設置，用戶能夠最大限度地簡化輸入，只需設置參數范圍、隨機變量、約束和目標。借助最佳實踐默認設置與向導指導的模塊化工作流程，所有算法設置均可自動生成。在優化模塊中，算法根據敏感度分析的結果和額外的用戶輸入，推薦最高效、最合適的優化策略。
可擴展性
optiSLang的開放式架構便于用戶整合：
用于DOE、優化、魯棒性等的算法；
元模型；
工具集成；
數據庫連接。
這些接口能夠滿足即將推出的可擴展性功能的靈活性要求。
您的增材制造小幫手來了！安世亞太增材評估小程序已經正式上線！只需花費2分鐘，快速測評增材技術對產品的應用潛力，得到增材設計與制造方法的指導建議。根據下方提示，快來測一測吧！
展開 案例分享 | 燃氣輪機渦輪的優化、魯棒性和可靠性方法研究
因此在前文中做出的設計決策無法滿足本案例的要求，因為它的目標是30000個周期下的POF小于1.0 10-6。必須從帕累托前沿中選取具有更高額定壽命的新設計點并重新檢查其可靠性。顯然這種在多目標優化后檢查魯棒性或可靠性的方法成本極高（參見圖8）。對于每項設計決策（帕累托前沿上的點）而言，事前無從知曉它是否滿足給定的魯棒性或可靠性要求。
圖8：當今的方法用于發現符合可靠性要求的設計
因此，似乎有必要將可靠性信息納入多目標優化， 即開展可靠性優化（參見圖9）.
圖9：尋找符合可靠性要求的未來設計方法
總結及展望
本文以重量和預期壽命為研究對象，對簡化渦輪模型進行研究。開展敏感性研究，以確定多目標優化最相關的幾何結構參數。研究表明，如果不考慮最短壽命位置，簡單的DOE就可能誤導識別。多目標優化得到帕累托前沿，用于做出設計決策，對選定設計開展可靠性分析，尋找符合可靠性要求設計迭代過程的道路漫長而曲折。
展開 VirtualLab：傾斜光柵的魯棒性優化
摘要
由于制造過程中潛在的不準確性，對于一個好的光柵設計來說，面對光柵參數的微小變化，提供穩健的結果是至關重要的。VirtualLab Fusion為光學工程師提供了各種工具，可以將這種行為直接納入優化過程，例如參數變化分析儀。該工具結合了同一系統的多次迭代，在優化過程中實現了評價函數的表示和自動計算，如平均效率。在這個用例中，我們通過稍微改變填充因子來優化傾斜光柵來演示這個特性。
仿真任務
連接建模技術:傾斜光柵
可用的微結構建模技術:
光柵階數分析儀
參數變化分析儀
參數優化
優化結果-平均效率
優化結果-對比度
光柵的魯棒性分析與優化
傾斜光柵的魯棒性優化
但是光柵本身的參數并不是影響這類系統性能的唯一因素:已知大多數具有小特征尺寸的周期結構對入射光的偏振狀態非常敏感。作為本周的第二個用例，我們選擇了一個場景，在這個場景中，我們分析了二元光柵的偏振依賴性,并對結構進行了優化，使其在任意偏振角入射光下均能表現良好。
光柵是許多光學工程師的基本工具，因為它們的物理特性(將入射光衍射成一組離散的級次)使它們在許多不同的配置和許多不同的應用中都是非常有吸引力的工具。然而，研究主要的興趣是給定光柵設置如何能夠容許例如制造過程產生的與設計參數的小偏差。請查看下面的文檔，找到我們根據其填充因子優化傾斜光柵的示例。我們使用新發布的Parameter Variation Analyzer來執行設置的容差分析，并計算一個評價函數，該函數計算了不同填充因子下工作級次的平均效率。
展開 
傾斜光柵的魯棒性優化
由于制造過程中潛在的不準確性，對于一個好的光柵設計來說，面對光柵參數的微小變化，提供穩健的結果是至關重要的。VirtualLab Fusion為光學工程師提供了各種工具，可以將這種行為直接納入優化過程，例如參數變化分析儀。該工具結合了同一系統的多次迭代，在優化過程中實現了評價函數的表示和自動計算，如平均效率。在這個用例中，我們通過稍微改變填充因子來優化傾斜光柵來演示這個特性。
[VirtualLab] 傾斜光柵的魯棒性優化
摘要
由于制造過程中潛在的不準確性，對于一個好的光柵設計來說，面對光柵參數的微小變化，提供穩健的結果是至關重要的。VirtualLab Fusion為光學工程師提供了各種工具，可以將這種行為直接納入優化過程，例如參數變化分析儀。該工具結合了同一系統的多次迭代，在優化過程中實現了評價函數的表示和自動計算，如平均效率。在這個用例中，我們通過稍微改變填充因子來優化傾斜光柵來演示這個特性。
仿真任務
連接建模技術:傾斜光柵
可用的微結構建模技術:
光柵階數分析儀
參數變化分析儀
參數優化
優化結果-平均效率
優化結果-對比度
VirtualLab：傾斜光柵的魯棒性優化
摘要
由于制造過程中潛在的不準確性，對于一個好的光柵設計來說，面對光柵參數的微小變化，提供穩健的結果是至關重要的。VirtualLab Fusion為光學工程師提供了各種工具，可以將這種行為直接納入優化過程，例如參數變化分析儀。該工具結合了同一系統的多次迭代，在優化過程中實現了評價函數的表示和自動計算，如平均效率。在這個用例中，我們通過稍微改變填充因子來優化傾斜光柵來演示這個特性。
仿真任務
連接建模技術:傾斜光柵
可用的微結構建模技術:
光柵階數分析儀
參數變化分析儀
參數優化
優化結果-平均效率
優化結果-對比度
VirtualLab：光柵的魯棒性分析與優化
然而，研究主要的興趣是給定光柵設置如何能夠容許例如制造過程產生的與設計參數的小偏差。請查看下面的文檔，找到我們根據其填充因子優化傾斜光柵的示例。我們使用新發布的Parameter Variation Analyzer來執行設置的容差分析，并計算一個評價函數，該函數計算了不同填充因子下工作級次的平均效率。
但是光柵本身的參數并不是影響這類系統性能的唯一因素：已知大多數具有小特征尺寸的周期結構對入射光的偏振狀態非常敏感。作為本周的第二個用例，我們選擇了一個場景，在這個場景中，我們分析了二元光柵的偏振依賴性,并對結構進行了優化，使其在任意偏振角入射光下均能表現良好。
傾斜光柵的魯棒性優化
這個用例演示了一個具有稍微變化的填充因子的傾斜光柵的魯棒性優化。
高效偏振無關傳輸光柵的分析與設計
展開 