Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Un Desafío en El Diseño de Sistemas Microelectromecánicos
Un Desafío en El Diseño de Sistemas Microelectromecánicos
Introducción
Las propiedades dentro de un conjunto de realizaciones de
un diseño técnico disperso al azar. Variabilidad,
o la incertidumbre de los parámetros de diseño son
causada por inexactitud de fabricación, proceso
inestabilidad, influencias ambientales, humanos
factores, etc. Este aspecto se considera en el
proceso de diseño por conceptos estadísticos. Clásico
La simulación y el análisis de sensibilidad local no pueden
predecir suficientemente el comportamiento del sistema real
causado por la variabilidad del diseño
parámetros. Una simulación probabilística, sin embargo,
calcula las distribuciones de probabilidad de
variables funcionales de cualquier tipo de probabilidad
distribuciones de los parámetros de diseño (Figura 1).
Usando un enfoque probabilístico, el diseñador
ya no piensa en cada variable como una única
valor. En cambio, se supone que cada variable es un
Distribución de probabilidad. Desde este punto de vista,
El diseño probabilístico predice el flujo de variabilidad a través de un sistema. Para mejorar el
diseño
calidad, el diseñador tiene que ajustar el diseño
con el objetivo de reducir el flujo de variabilidad aleatoria. Este enfoque permite predecir y
rectificar muchos problemas de calidad en el diseño inicial
etapas a costo reducido.
3. Métodos probabilísticos
Para las relaciones deterministas de entrada-salida, se utilizan métodos probabilísticos para
calcular la
distribuciones de variables de salida de un conjunto dado
de distribuciones estocásticas de variables de entrada. Nosotros
presentar dos clases de métodos probabilísticos
proporcionada por el análisis multidisciplinario y
programa de optimización OptiY [1]: métodos ResponseSurface y Moment, y comparamos
ellos al muestreo de Monte Carlo. También hay un
muchos otros métodos de confiabilidad como FORM,
SORM, valor medio, etc. [4]. Estos métodos
proporcionar solo información limitada, y no será
tratado en este documento
Para obtener los factores desconocidos de Taylor serie, las derivadas parciales se calculan
basándose en los cálculos del modelo que requieren mucho tiempo. por cada punto de diseño,
estos puntos de apoyo son determinísticamente fijo. Si n es el número de variables de entrada, el
número requerido de modelo cálculos para el momento de segundo orden el método es 2n 2 +1.
En lugar del muestreo de Monte-Carlo, los k-ésimos momentos centrales de la salida aquí se
calculará numéricamente en función de la serie de Taylor aproximada para las distribuciones de
salida:
Las distribuciones de salida se pueden ajustar utilizando el mesa conocida de los momentos.
Estado de El arte es que una distribución de probabilidad arbitraria puede sólo se puede montar
utilizando cuatro momentos centrales. Por lo tanto, solo se pueden usar series de Taylor de
segundo orden por el momento, el método logra Montaje de una distribución. Esta es una
limitación del método de momento comparado con la superficie de respuesta metodología. Pero
el método del momento es adecuado para la mayoría de los casos de simulación. El tiempo de
cálculo de este método también es muy rápido. los Los resultados se calculan analíticamente y,
por lo tanto, muy precisa y definitivamente estable. Este método
permite una optimización rápida y robusta del diseño [2]
Resultados de la simulación
La simulación probabilística se realiza utilizando
varios bucles de cálculo del modelo en COMSOL.
El número depende de la probabilística utilizada
método. Para el resonador, se usa el polinomio ansatz de primer orden sin interacción de entrada
debido a
a la correlación lineal entre entradas y salidas. Solo se necesitan 9 cálculos de modelo para 8
variables estocásticas. El tiempo de computación es
aceptable también para modelos grandes.
En primer lugar, comparamos las funciones de distribución acumulativa (CDF) de la frecuencia
resonante obtenida de la metodología de superficie de respuesta
y el método del momento. Ambos métodos producen el
mismos resultados (Figura 4). Eso apunta a la corrección y alta precisión de todos los métodos
numéricos.
implementado en OptiY.