طراحی بهینه و مقاوم سیستم‌های مکانیکی در حضور پارامتر‌های غیرقطعی با رویکرد قابلیت اطمینان بر مبنای استنباط بِیزیَن

حسنی, حسین; خدایگان, سعید

طراحی بهینه و مقاوم سیستم‌های مکانیکی در حضور پارامتر‌های غیرقطعی با رویکرد قابلیت اطمینان بر مبنای استنباط بِیزیَن

نوع مقاله : پژوهشی اصیل

نویسندگان

حسین حسنی

سعید خدایگان

گروه طراحی کاربردی، دانشکده مهندسی مکانیک، دانشگاه صنعتی شریف، تهران، ایران

چکیده

فضای تجاری و رقابتی جهان، تولیدکنندگان را وادار به عرضه محصولاتی با کیفیت بالا، هزینه پایین و در عین حال قابل اطمینان می‌کند. از طرف دیگر، در فرآیند طراحی و تولید یک محصول، مهندسان همواره با عدم قطعیت روبه‌رو هستند. در سال‌های اخیر، در راستای برخورد با عدم قطعیت‌های موجود و تضمین کیفیت و قابلیت اطمینان سیستم، الگوریتم‌هایی تحت عنوان طراحی بهینه و مقاوم بر مبنای قابلیت اطمینان (RBRDO) با ترکیب رویکرد‌های طراحی بهینه مقاوم (RDO) و طراحی بهینه بر مبنای قابلیت اطمینان (RBDO) توسعه یافته‌اند. در مهندسی طراحی، عدم قطعیت برخی از متغیر‌ها یا پارامتر‌های طراحی از نوع شناختی بوده و تنها در قالب نمونه‌هایی محدود در اختیار طراح است. اکثر روش‌های موجود، این عدم کامل‌بودن اطلاعات را در نظر نمی‌گیرند که این خود می‌تواند منجر به خطاهای بزرگ‌تری شود. در دسته‌ای دیگر از روش‌های موجود نیز، از این اطلاعات ارزشمند در فرآیند طراحی صرف‌نظر می‌شود. در این پژوهش، با بهکارگیری روش بهینه‌سازی چندهدفه NSGA۲-II و ترکیب روش تحلیل قابلیت اطمینان بِیزیَن و روش کاهش ابعادی تک‌متغیره (DRM)، یک الگوریتم جامع برای فرمول‌بندی مساله طراحی بهینه و مقاوم بر مبنای قابلیت اطمینان در حضور عدم قطعیت شناختی پیشنهاد شده است. به‌منظور راستی‌آزمایی الگوریتم پیشنهادی، یک مثال مهندسی انتخاب شده و تاثیر عدم قطعیت شناختی بر توابع هدف بررسی شده و در انتها نیز، برای یک حالت خاص از تعداد داده موجود، نتایج حاصل از الگوریتم پیشنهادی با نتایج سایر رویکرد‌های موجود در زمینه طراحی بهینه در شرایط عدم قطعیت مقایسه شده است.

کلیدواژه‌ها

طراحی بهینه و مقاوم بر مبنای قابلیت اطمینان

طراحی بهینه و مقاوم

طراحی بهینه بر مبنای قابلیت اطمینان

الگوریتم بهینه‌سازی NSGA-II

20.1001.1.10275940.1398.20.3.21.2

موضوعات

طراحی و ساخت به کمک کامپیوتر

عنوان مقاله English

Reliability-Based Robust Design Optimization of Mechanical Systems in the Presence of Uncertain Parameters Based on Bayesian Inference

نویسندگان English

H. Hassani

S. Khodaygan

Applied Mechanics Division Department, Mechanical Engineering School, Sharif University of Technology, Tehran, Iran

چکیده English

This competitive commercial space forces designers and manufactures to produce and supply products with high quality and low prices at a desirable level of reliability. On the other hand, during the design and production process, engineers are always faced with uncertainty. In recent years, to encounter these uncertainties and guarantee the quality and reliability of a system subsequently, reliability-based robust design optimization (RBRDO) algorithms have been developed based on robust design optimization (RDO) and reliability-based optimization (RBDO). In practical engineering, uncertainties of some design parameters or variables are epistemic and only a few samples are available for designer. Generally, some of the RBRDO methods ignore the information in the design process. This approach can lead to an enormous error. Other RBRDO methods ignore this valuable information in the design process. This study, a comprehensive RBRDO framework is developed by combining Bayesian reliability analysis and dimensionality reduction method (DRM) using NSGA2-II multi-objective optimization algorithm. For verification of the proposed algorithm, an engineering example is selected and the effects of epistemic uncertainty on objectives are studied. Moreover, the results of the proposed approach are compared with other existing approaches at a specific case of available data about epistemic uncertainty.

کلیدواژه‌ها English

Reliability-Based Robust Design Optimization

Robust Design Optimization

Reliability-Based Optimization

NSGA2-II Algorithm

1- Yadav OP, Bhamare SS, Rathore A. Reliability-based robust design optimization: A multi-objective framework using hybrid quality loss function. Quality and Reliability Engineering International. 2010;26(1):27-41. [Link] [DOI:10.1002/qre.1027]

Arora JS. Introduction to optimum design. 2nd Edition. Amsterdam: Elsevier; 2004. [Link] [DOI:10.1016/B978-012064155-0/50004-5]

Haldar A, Mahadevan S. Probability, reliability, and statistical methods in engineering design. 1st Volume. New York: Wiley; 2000. [Link]

Beyer HG, Sendhoff B. Robust optimization-a comprehensive survey. Computer Methods in Applied Mechanics and Engineering. 2007;196(33-34):3190-3218. [Link] [DOI:10.1016/j.cma.2007.03.003]

Park GJ, Lee TH, Lee KH, Hwang KH. Robust design: An overview. AIAA Journal. 2006;44(1):181-191. [Link] [DOI:10.2514/1.13639]

Du X, Chen W. Towards a better understanding of modeling feasibility robustness in engineering design. Journal of Mechanical Design. 2000;122(4):385-394. [Link] [DOI:10.1115/1.1290247]

Aoues Y, Chateauneuf A. Benchmark study of numerical methods for reliability-based design optimization. Structural and multidisciplinary optimization. 2010;41(2):277-294. [Link] [DOI:10.1007/s00158-009-0412-2]

Valdebenito MA, Schuëller GI. A survey on approaches for reliability-based optimization. Structural and Multidisciplinary Optimization. 2010;42(5):645-663. [Link] [DOI:10.1007/s00158-010-0518-6]

Yadav OP, Bhamare SS, Rathore A. Reliability‐based robust design optimization: A multi-objective framework using hybrid quality loss function. Quality and Reliability Engineering International. 2010;26(1):27-41. [Link] [DOI:10.1002/qre.1027]

Forouzandeh Shahraki A, Noorossana R. Reliability-based robust design optimization: a general methodology using genetic algorithm. Computers & Industrial Engineering. 2014;74:199-207. [Link] [DOI:10.1016/j.cie.2014.05.013]

Lobato FS, Da Silva MA, Cavalini Jr AA, Steffen Jr V. Reliability-based robust multi-objective optimization applied to engineering system design. Engineering Optimization. 2019;52(1):1-21. [Link] [DOI:10.1080/0305215X.2019.1577413]

Lu H, Zhu Z, Zhang Y. A hybrid approach for reliability-based robust design optimization of structural systems with dependent failure modes. Engineering Optimization. 2019. [Link] [DOI:10.1080/0305215X.2019.1586893]

Box GE, Tiao GC. Bayesian inference in statistical analysis. Hoboken: John Wiley & Sons; 2011. [Link]

Srivastava R, Deb K. An evolutionary based Bayesian design optimization approach under incomplete information. Engineering Optimization. 2013;45(2):141-165. [Link] [DOI:10.1080/0305215X.2012.661730]

Gunawan S, Papalambros PY. A bayesian approach to reliability-based optimization with incomplete information. Journal of Mechanical Design. 2006;128(4):909-918. [Link] [DOI:10.1115/1.2204969]

Bastidas-Arteaga E, Soubra AH. Reliability analysis methods. Unknown Location: ALERT Doctoral School; 2014. [Link]

Du X. First order and second reliability methods. Rolla: University of Missouri - Rolla; 2005. pp. 1-33. [Link]

Zhang Y, Der Kiureghian A. Two improved algorithms for reliability analysis. In: Rackwitz R, Augusti G, Borri A, editors. Reliability and optimization of structural systems. Boston: Springer; 1995. pp. 297-304. [Link] [DOI:10.1007/978-0-387-34866-7_32]