影响产品质量特性的工艺参数众多,除了常规的标量型参数,具有明显函数特征的函数型参数也成为了工艺参数研究的对象。函数型参数不同于标量型参数,它对质量特性的影响是连续的、随时间而变化的动态过程,对产品质量的影响也是通过曲线的不断变化而产生的。对于含有函数型与标量型的混合参数、参数相互作用复杂以及混合参数对质量特性作用复杂的制造过程,如何通过实验设计进行建模寻优实现参数优化就成了要研究的问题。为此,提出了基于双层嵌套LS-SVR的混合型参数实验设计建模及优化的方法,具体内容如下:首先,通过分析函数型参数的先验曲线形式确定控制点个数与可行域,利用Bernstein多项式基函数与控制点的加权求和将函数型参数表示成贝济埃曲线形式。贝济埃曲线是一种应用广泛的逼近曲线,其描述比较简单方便,只要给出控制点即可确定曲线的形状,且随着控制点的改变,曲线形状也随着改变,用较少的控制点就可以描述复杂的曲线形状,因此可用贝济埃曲线实现函数型参数的自身建模,构建内层模型;其次将贝济埃曲线的控制点作为函数型参数的代表,通过超拉丁方实验将函数型参数与标量型参数相融合,获得样本点。超拉丁方抽样是空间填充设计的一种,其本质是一种分层抽样。其实验点安排较为灵活,所需样本量较小,样本点分布较为均匀,不易导致维数灾难,较适用于混合参数的复杂作用关系过程。再者,选择适合小样本的最小二乘支持向量回归(LS-SVR)作为混合参数建模的基础方式。因为函数型参数的外在表现是一条条曲线,为了能精准地计算曲线之间的距离,利用半度量改进LS-SVR的核函数,将函数型参数之间的距离与标量型参数之间的距离分开度量,实现LS-SVR模型的改进,构建混合参数外层模型,与内层模型共同构成双层嵌套的模型。最后,利用改进后的核函数进行混合参数的建模并利用遗传算法对模型寻优,从而获得期望的优化参数组合,实现参数优化。仿真与实证研究表明:基于先验曲线形式的函数型参数设计可以帮助获得具有代表性的样本点,建模后模型性能更优;利用半度量将函数型参数从“函数性”角度整体嵌入混合参数建模是可行有效的。