在本教程中,您将执行可靠性分析,以确定物镜对最优值周围的小参数变化的敏感程度。
在开始本教程之前,请先完成HS-1630: Set Up an Optimization Based on a Flux Application Example,或将HS-1630.hstx从/HS-1630/ 导入到您的工作目录。
目标已最小化,以将计算值叠加到参考值。
在随机研究中,参数被视为随机(不确定)变量。这意味着参数可以采用围绕最佳值(μ) 的特定分布(如图1中的正态分布所示)的随机值。在空间中对变化进行采样,并评估设计以深入了解响应分布。
在此步骤中,您将检查使用GRSM找到的最优解的可靠性。您将对参数变化使用Normal Distribution,对空间采样使用MELS DOE。
1.添加随机指标。
a)在Explorer中,右键单击并从上下文菜单中选择Add。
此时将打开Add对话框。
b)对于Definition from ,选择一种方法。
c)选择Stochastic并单击OK。
2.转到Define input variables步骤。
3.在Nominal列中,复 制最优设计处的参数值。
a)转到GRSM_InclMatrix>Evaluate步骤。,然后从Iteration History选项卡复 制参数值。
b)转到Iteration History选项卡并复 制R1到AUX4的最佳参数值,如图2所示。
c)转到Stochastic 1>Define Inputs Variable。
d)右键单击Nominal列的标题,然后从上下文菜单中选择Paste transpose。
4.转到Distributions选项卡。
a)在Distribution列中,验证分布类型是否设置为Normal Variance。
对于随机研究,您必须提供有关参数的标准变异σ(或方差σ2)的数据,以说明不确定性。此数据应在Distributions选项卡的2列中定义。默认情况下,在HyperStudy中,σ2是使用范围规则
计算的,该规则是DV边界的函数。当您没有关于标准差的可靠数据时,您可以通过修改参数的上限和下限来修改默认的σ2σ2,就像步骤5中所做的那样。
5.转到Bounds选项卡。
a)对于所有活动的Inputs Variable,单击 (...) 在Nominal字段中。
b)在弹出窗口的Value字段中,输入0.05并单击**+/-。**
c)单击OK。
Distributions选项卡的2列(variance) 中的值将更新。
6.转到Specifications步骤。
a)在工作区中,将Mode设置为Mels。
b)单击Apply。
7.转到Evaluate步骤。
a)单击Evaluate Task。
在此步骤中,您将查看Post-Processing步骤中的评估结果。
1.转到Post Processing>Integrity选项卡。
a)使用Channel选择器,选择Health类别以获取统计数据的汇总视图,并发现最终、缺失或错误的值。
b)使用Channel选择器,选择Summary类别以获取有关数据的基本统计信息。
Range列有助于了解数据中值从最小值到最大值的分布。Range列中响应值的高分布表示评估集中的Minimum和Maximum值之间存在很大差异。
c)使用Channel选择器,选择Quality类别以识别最终的异常值。
2.**Optional:**评价波动。
a)转到Evaluate>Evaluation Plot选项卡。
b)使用Channel选择器,选择CURVE_DIFF_INTEGRAL标签。
3.查看随机结果的组织图
a)转到Post Processing>Distribution选项卡。
b)使用Channel选择器,选择R1。
图5 中的图表 显示了有关R1值分布的3条信息。直方图使用y轴,表示生成响应值子范围的运行频率。概率密度使用x轴,并指示变量采用特定值的相对可能性。高概率密度表示这些值更有可能出现。累积分布使用x轴,等于概率密度的积分。累积分布值表示低于值阈值的数据百分比。
c)使用Channel选择器,选择CURVE_DIFF_INTEGRAL。
高运行频率会为此响应值产生高概率密度。
d)单击并识别在步骤1.b 中识别的异常值。
4.单击Pareto Plot选项卡。
a)从Channel选择器中,选择Options。
b)启用Effect curve复选框。
虚线表示效果。例如,R1对响应具有正效应,这意味着响应的增加高于R1值的最优值。响应值高意味着计算曲线和参考曲线之间的匹配较差。
5.估计输出响应的失败概率(输出响应违反用户选择边界的概率)。
a)单击Reliability选项卡。
b)单击Add Reliability。
绑定值是根据响应将采用的最可能值来选择的。它高于最佳值,但仍然令人满意,因为它仍然确保良好的曲线匹配。