17219

17219

مدل سازي و بهينه سازي آزمايش هاي پروفايل پاسخ با استفاده از مدل هاي خطي تعميم يافته

كارشناسي ارشد

مديريت سيستم و بهره وري

دي ماه 1395

دكتر رسول نورالسناء

دكتر محمد سعيدي مهرآباد

صنايع

چكيده آزمايش¬هايي كه در آن‌ها پاسخ مورد نظر يك پروفايل است، در اكثر برنامه‌هاي كاربردي مهندسي به كار مي‌روند. در اين آزمايش¬ها¬، براي هر تنظيم از عامل¬هاي طرح، پاسخ¬ها در محدوده يك شاخص پيوسته مانند زمان يا دما جمع¬آوري مي¬شوند. در مطالعه¬هاي طولي، با اندازه‌گيري‌هاي مكرر از واحدهاي آزمايشي در طول زمان، امكان دستيابي به تغييرهاي پروفايل خروجي و يافتن عوامل تأثير¬گذار بر متغير پاسخ امكان‌پذير مي¬شود؛ درحالي‏كه در مطالعه-هاي مقطعي، از هر پاسخ تنها يك اندازه‌گيري در يك وقفه زماني در دسترس است. مدل‌هاي خطي تعميم ‌يافته، رايج‌ترين شيوه تحليل داده‌هاي طولي هستند كه دربرگيرنده طيف وسيع‌تري از توزيع احتمالي متغير پاسخ شامل خانواده توزيع نمايي مي‌شوند و از روش حداكثر درستنمايي به‌ منظور براورد ضرايب رگرسيوني استفاده مي‌كنند. مدل آميخته خطي تعميم يافته، توسعه¬اي بر مدل خطي تعميم يافته و در آن پيشگوي خطي، شامل اثرهاي تصادفي علاوه بر اثرهاي ثابت است. نمودار بهينه¬سازي توأم، نتيجه بهينه¬سازي پاسخ¬هاي چندگانه را نمايش مي¬دهد. نتيجه بهينه¬سازي، يك تنظيم از عامل¬هاي طرح است، كه منجر به قرار گرفتن پاسخ¬ها در مقادير هدف مي¬شود. در اين پژوهش، از مدل آميخته خطي تعميم يافته براي مدل‌سازي پاسخ پروفايلي استفاده مي¬شود. پارامترهاي رگرسيوني با استفاده از روش انعطاف¬پذير درستنمايي سلسله مراتبي براورد و تنظيم بهينه عامل¬هاي كنترل، متناسب با قرارگيري پاسخ¬ها در مقدار هدف، در نمودار بهينه¬سازي توأم، نمايش داده مي¬شود. واژه‌هاي كليدي: آزمايش¬هاي پروفايل پاسخ، آزمايش¬هاي استوار، مدل¬هاي‌ خطي تعميم ‌يافته، درستنمايي سلسله مراتبي، نمودار بهينه‌سازي توأم.

1396/02/11

1/1/1900 12:00:00 AM

Abstract: Experiments where the response of interest is a profile are used in most engineering applications. In this experiments, for each setting of design factors, responses are collected over an interval of some continuous index, such as time o​r temperature. In longitudinal studies, the access to variations within output profile an​d the detection of effective factors on response variable is possible through repeated measurments of experimental units over time,while in cross - sectional studies variations between profiles are computable, merely. Typically, Generalized Linear Models are common methods for longitudinal data analysis, including wide range of response distribution involves exponential distribution family an​d use maximum likelihood approach for regression coefficients estimation. Generalized Linear Mixed Model is an extention to generalized linear model in which the linear predictor contains random effects in addition to usual fixed effects. The joint optimization plot, graphically displays the result of optimization for multiple responses. This result of optimization is a setting of design factors, which produces responses on target values. In this research, Generalized Linear Mixed Model will be used for modelling profile response an​d hierarchical-likelihood approach, that is more flexible for such studies, will be used for estimation of regression coefficients. Then, joint optimization plot will be used for finding the optimal setting of control factors that leads to pre-specified target values of responses. Keywords: Profile response experiments, Robust designs, Generalized Linear Models, Hierarchical- likelihood, Joint Optimization Plot