传统稳健性设计方法一般是针对单响应问题,所指的稳健性是指对噪声因子不敏感。本文将研究拓展到多响应情况,并考虑了响应相关性以及可控因子波动、参数估计误差等其它不确定性因素。首先,对多响应优化中预测响应的常见估计方法进行了比较研究,包括最小二乘(Ordinary Least Squares,OLS)估计,似不相关回归(Seemingly Unrelated Regression,SUR)估计和在两者基础上的贝叶斯估计。研究发现当响应间相关性较高且样本量充足时,SUR参数估计整体优于OLS估计;而贝叶斯分析则能将模型参数误差考虑到预测响应的估计结果中。其次,针对响应相互独立时,考虑模型参数误差和预测误差,提出了基于贝叶斯分析的满意度函数方法。该方法采用递阶优化策略,实现了解的最优性和稳健性间的权衡,并简化了算法复杂度。借鉴贝叶斯预后验分析思想对解的可靠性进行评价,提出了两种改进策略下仿真数据的产生和分析方法,为后续实验改进提供依据。再次,针对响应相关且可控因子波动时,提出了一种多元稳健损失函数。一方面通过引入SUR模型将响应间的相关性综合考虑到模型拟合和参数优化两个阶段;另一方面用给定点处响应模型的雅可比矩阵信息来估计可控因子波动时预测响应的变化,并根据响应是否满足规格要求而采用两种不同的质量成本矩阵。该方法的主要优点在于能将响应相关性、预测质量、过程经济性和稳健性统一于一个质量损失函数的框架内,并能保证优化结果落在可行域。最后,考虑噪声因子和模型参数误差,提出了一种基于蒙特卡罗方法的多响应稳健性优化方法。采用统计模拟的思想定量描述了因子波动,并基于蒙特卡罗方法对预测响应的期望和方差进行估计。结合损失函数方法给出的稳健最优解既考虑了预测响应的均值优化,又综合考虑了过程变异,从而克服了现有贝叶斯方法无法实现各响应在规格限内进一步优化的不足。上述研究拓展了传统稳健性设计的研究范围,有助于工程设计人员加深对过程的认识,其结果可以为过程参数设计或工艺改进提供参考。