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

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 به کارگیری روش بهینه‌سازی چندهدفه nsga2ii 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.

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

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, reliabilitybased robust design optimization (RBRDO) algorithms have been developed based on robust design optimization (RDO) and reliabilitybased 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 NSGA2II multiobjective 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.