طراحي بهينه و مقاوم سيستم هاي مكانيكي در حضور پارامتر هاي غيرقطعي با رويكرد قابليت اطمينان بر مبناي استنباط بيزين

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

فضاي تجاري و رقابتي جهان، توليدكنندگان را وادار به عرضه محصولاتي با كيفيت بالا، هزينه پايين و در عين حال قابل اطمينان مي كند. از طرف ديگر، در فرآيند طراحي و توليد يك محصول، مهندسان همواره با عدم قطعيت روبه رو هستند. در سال هاي اخير، در راستاي برخورد با عدم قطعيت هاي موجود و تضمين كيفيت و قابليت اطمينان سيستم، الگوريتم هايي تحت عنوان طراحي بهينه و مقاوم بر مبناي قابليت اطمينان (RBRDO) با تركيب رويكرد هاي طراحي بهينه مقاوم (RDO) و طراحي بهينه بر مبناي قابليت اطمينان (RBDO) توسعه يافته اند. در مهندسي طراحي، عدم قطعيت برخي از متغير ها يا پارامتر هاي طراحي از نوع شناختي بوده و تنها در قالب نمونه هايي محدود در اختيار طراح است. اكثر روش هاي موجود، اين عدم كامل بودن اطلاعات را در نظر نمي گيرند كه اين خود مي تواند منجر به خطاهاي بزرگ تري شود. در دسته اي ديگر از روش هاي موجود نيز، از اين اطلاعات ارزشمند در فرآيند طراحي صرف نظر مي شود. در اين پژوهش، با به كارگيري روش بهينه سازي چندهدفه NSGA2-II و تركيب روش تحليل قابليت اطمينان بيزين و روش كاهش ابعادي تك متغيره (DRM)، يك الگوريتم جامع براي فرمول بندي مساله طراحي بهينه و مقاوم بر مبناي قابليت اطمينان در حضور عدم قطعيت شناختي پيشنهاد شده است. به منظور راستي آزمايي الگوريتم پيشنهادي، يك مثال مهندسي انتخاب شده و تاثير عدم قطعيت شناختي بر توابع هدف بررسي شده و در انتها نيز، براي يك حالت خاص از تعداد داده موجود، نتايج حاصل از الگوريتم پيشنهادي با نتايج ساير رويكرد هاي موجود در زمينه طراحي بهينه در شرايط عدم قطعيت مقايسه شده است.

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.