3. 工艺质量、效率与成本的目标函数构建
在制造工艺参数化优化中，真正困难的往往不是“如何优化”，而是“优化什么”。同一组工艺参数，从质量角度看可能希望缺陷率最低，从效率角度看希望节拍最短，从成本角度看又希望能耗与刀具损耗最小。这三者通常彼此冲突：提高焊接电流可能提升熔深质量，却增加热输入与能耗；提高切削速度能缩短加工时间，却加速刀具磨损。因此，多目标优化的第一步，是把模糊的工艺诉求翻译成可计算的目标函数，并明确它们之间的权衡关系。
一、响应指标定义：把工艺诉求变成可测量量
目标函数的构建起点是响应指标（Response）的定义。响应指标必须是工艺参数的可观测函数，且能够通过试验、传感或模型计算获得。以激光焊接为例，常见响应指标包括焊缝熔深、熔宽、气孔率、抗拉强度、焊接节拍、单位长度能耗和飞溅等级。定义时要同时给出量纲、测量方式与期望方向。例如熔深单位为 mm，期望“越大越好”；气孔率单位为 %，期望“越小越好”；节拍单位为 s/件，期望“越小越好”。
响应指标可分为三类：望大型（ Larger-the-Better，LTB ）、望小型（ Smaller-the-Better，STB ）和望目型（ Nominal-the-Better，NTB ）。望目型在工艺中很常见，例如涂层厚度希望稳定在 20 μm，过薄影响耐磨，过厚增加材料成本并可能开裂。明确指标类型，是后续归一化的前提。
二、约束条件建模：区分硬约束与软约束
目标函数描述“希望达到什么”，约束条件描述“允许在什么范围内搜索”。工艺约束通常来自设备能力、材料极限与安全规范。例如激光功率上限 4 kW、焊接速度范围 1.5～6 m/min、离焦量范围 −3～+3 mm，这些是参数边界约束。另一类约束来自工艺结果，如熔深必须 ≥ 1.2 mm、气孔率必须 ≤ 2%、热影响区宽度 ≤ 0.8 mm，这类属于响应约束。
建模时应区分硬约束与软约束。硬约束不可违反，一旦越界直接判定为不可行解；软约束允许轻微越界，但需在目标函数中施加惩罚项。例如将“气孔率 ≤ 2%”设为硬约束，而把“表面粗糙度尽量低”作为软约束，通过惩罚系数折算进目标。这样既保证工艺安全，又保留优化空间。
三、目标函数归一化：消除量纲与数量级差异
不同响应指标的量纲和数量级差异巨大：熔深约 1～3 mm，能耗可能达 200～800 J/mm，节拍约 10～60 s。若直接加权求和，数值大的指标会主导优化结果。因此必须先归一化，把各指标映射到 [0,1] 区间。
对望大型指标，常用归一化公式为：
f_norm = (f - f_min) / (f_max - f_min)对望小型指标，则取反向：
f_norm = (f_max - f) / (f_max - f_min)其中 f_min 与 f_max 可来自试验数据的极值、工艺规范上下限或历史批次统计。对望目型指标，可用目标值 T 构造：
f_norm = 1 - |f - T| / max(|f_max - T|, |T - f_min|)归一化后，所有指标都变成“越大越好”的效益型数值，便于统一加权。需要注意，f_min 与 f_max 的选取会直接影响归一化结果，建议在同一批试验或同一工艺窗口内统一确定，避免跨批次混用。
四、加权方法与多目标权衡
归一化之后，最直接的多目标处理是加权求和：
F = w1·f1_norm + w2·f2_norm + w3·f3_norm
约束：w1 + w2 + w3 = 1，wi ≥ 0权重反映工艺决策者对质量、效率、成本的相对重视程度。例如以质量优先的航空结构件焊接，可取 w_质量 = 0.6、w_效率 = 0.25、w_成本 = 0.15；以节拍优先的消费电子装配，则可取 w_效率 = 0.5、w_质量 = 0.3、w_成本 = 0.2。权重不是固定值，应通过层次分析法（AHP）、专家打分或历史数据回归确定，并做敏感性分析：若权重小幅变化导致最优参数剧烈跳变，说明该方案鲁棒性不足。
加权法简单高效，但只能得到一个折中解。若需要展示完整权衡关系，可采用 Pareto 前沿方法：以质量损失和节拍为两轴，绘制非支配解集，决策者根据实际产线需求从前沿上选取工作点。下图给出本节目标函数构建的整体关系：从工艺参数出发，经响应指标定义、约束筛选、归一化，最终形成加权目标函数并输出权衡结果。
五、从目标函数到可执行优化
完成上述四步后，目标函数即可交给优化算法求解。常用方法包括响应面法结合遗传算法、粒子群优化或贝叶斯优化。以响应面法为例，先用中心复合设计安排 20～30 组试验，拟合熔深、气孔率、节拍对功率、速度、离焦量的二次回归模型，再把回归模型代入加权目标函数，用遗传算法在约束范围内搜索。若某组参数使气孔率超过 2%，则直接判为不可行；若粗糙度略超软约束，则按惩罚系数扣减目标值。
结果判断不能只看单一目标值。建议同时输出三件事：最优参数组合及其各响应预测值、权重敏感性曲线、以及 Pareto 前沿散点图。若最优解在权重 ±10% 扰动下仍保持同一工艺窗口，说明方案稳健；若最优解频繁跳变，则应重新审视指标定义或约束边界是否过紧。
最后需要强调，目标函数不是一次写死的。随着工艺成熟度提升、设备更新或质量要求变化，响应指标、约束边界和权重都应重新评审。建议把目标函数配置作为工艺文件的一部分进行版本管理，记录每次调整的依据与对应的验证结果，使多目标优化真正成为可追溯、可复现的工艺决策过程。