
- •Автоматизация физического эксперимента
- •Раздел 1. Планирование и обработка результатов эксперимента. 13
- •Раздел 2. Аппаратные и программные средства 57
- •Введение
- •Раздел 1. Планирование и обработка результатов эксперимента. Виды погрешностей измерения и способы их учета
- •Учет и компенсация систематической составляющей погрешности
- •Методы калибровки
- •Учет случайной составляющей погрешности
- •Определение центров распределения
- •Оценка случайной составляющей погрешности и доверительного интервала погрешности.
- •Выявление и устранение случайных промахов
- •Проведение и обработка результатов однофакторного эксперимента
- •Подбор вида модели
- •Определение коэффициентов уравнения регрессии.
- •Условия применения мнк [5]
- •Проверка адекватности уравнения регрессии результатам опытов
- •Планирование и обработка результатов полного многофакторного эксперимента
- •Определение вида частных зависимостей
- •Определение общего вида математической модели.
- •Определение числовых значений коэффициентов модели.
- •Отбор наиболее значимых факторов
- •Отбор наиболее значимых факторов с использованием коэффициентов значимости
- •Уточнение числовых значений коэффициентов модели
- •Проверка адекватности модели экспериментальным данным
- •Раздел 2. Аппаратные и программные средства автоматизации эксперимента интерфейсы в компьютерных системах измерения и управления
- •Высокоскоростные локальные компьютерные системы измерения и управления с интерфейсом isa и pci
- •Мобильные системы сбора данных и управления с интерфейсом usb
- •Аналого-цифровой канал (ацк)
- •Карта битов для ла-20usb:
- •Распределенные системы промышленной автоматизации с интерфейсом rs-232.
- •Распределенные системы удаленного сбора данных и управления с интерфейсом rs-485
- •Сложные распределенные системы удаленного сбора данных и управления на базе интерфейса camac.
- •Проектирование аппаратных средств измерения и управления
- •Выбор шага квантования по уровню
- •Расчет интервала дискретности по времени t.
Определение центров распределения
При определении центра распределения наиболее часто используются 5 различных оценок [5]. Выбор той или иной оценки определяется характером закона распределения ошибки и наличием или отсутствием неустраненных промахов.
Часто встречающиеся законы распределения: нормальный, равномерный, двухмодальный, экспоненциальный (Рис. 7).
Нормальный Равномерный Двухмодальный Экпоненциальный
Рис. 7
Основные правила выбора.
Для распределений, близких к нормальному (контрэксцесс близок к 0.577), и при отсутствии промахов эффективна оценка в виде среднеарифметического значения
Оценка чувствительна к промахам.
для защиты от не устраненных промахов вычисляется
после исключения из вариационного ряда по 5% наиболее удаленных наблюдений сверху и снизу.
Для ограниченных распределений (типа равномерного) и при отсутствии промахов эффективна оценка в виде центра размаха
т
.е.
полусуммы крайних членов вариационного
ряда.
Для экспоненциальных распределений (контрэксцесс меньше 0.52) вида
наиболее эффективна оценка центра распределения в виде медианы yм, т.е. результата измерения, занимающего среднее положение в вариационном ряду. Эта оценка полностью защищена от влияния промахов. Но она неэффективна для двухмодальных распределений.
Для двухмодальных распределений эффективна оценка в виде «центра размаха», определяемая как полусумма 25% и 75% квантилей
Квантилью порядка p называется точка v , в которой функция распределения переходит от значений, меньших p к значениям, большим p.
В случае, когда закон распределения неизвестен, рекомендуется вычислить все 5 оценок и выбрать ту, которая займет среднее положение в вариационном ряду оценок (т.е. после расположения их в порядке возрастания или убывания).
Примечание. В качестве центра распределения нельзя однозначно использовать математическое ожидание хотя бы уже потому, что не для всех законов распределения математическое ожидание существует.
Математическое ожидание определяется как
Д
ля
существования M[x] необходимо, чтобы
функция p(x) при x
спадала бы круче, чем
В частности, математическое ожидание не может быть вычислено для распределения Коши p(z), где z=x/y, а x и y распределены по нормальному закону
Оценка случайной составляющей погрешности и доверительного интервала погрешности.
В
еличину
случайной составляющей погрешности
принято характеризовать величиной
дисперсии, СКО и доверительного интервала.
П
ервичным
расчетным показателем является оценка
дисперсии
Собственно
дисперсию определить невозможно из-за
ограниченного объема выборки.
Доверительный интервал случайной погрешности определяется как поле допуска, за пределы которого величина случайной погрешности не выйдет с заданной вероятностью Ф. Для известного закона распределения ошибки зависимость между дисперсией, доверительной вероятностью и доверительным интервалом может быть установлена аналитически:
Д
ля
часто встречающегося нормального закона
распределения
Отсюда
следует, что для любого уровня доверительной
вероятности Ф может быть аналитически
вычислена величина
,
называемая
коэффициентом Стьюдента. Значения
коэффициента Стьюдента для различных
уровней доверительной вероятности
имеются в справочниках.
Табл. 1. Значение коэффициента Стьюдента для большого количества повторных измерений.
Ф |
0.68 |
0.95 |
0.997 |
0.999 |
|
1.0 |
2.0 |
3.0 |
3.5 |
З
начение
же
дает
возможность рассчитать величину
доверительного интервала по дисперсии
Н
а
практике в связи с тем, что значение S
не может быть вычислено, по причине
ограниченности количества повторных
измерений вместо S используют его оценку:
Кроме того, таблицу коэффициентов Стьюдента определяют не с помощью интеграла Лапласа, а с помощью интеграла Стьюдента, учитывающего количество повторных измерений n (см. табл. 2).
Табл. 2. Значение коэффициента Стьюдента для малого количества повторных измерений.
n |
Ф |
|||
0.68 |
0.95 |
0.997 |
0.999 |
|
2 |
2.0 |
12.7 |
31.8 |
636.0 |
3 |
1.3 |
4.3 |
7.0 |
31.6 |
4 |
1.3 |
3.2 |
4.5 |
12.9 |
5 |
1.2 |
2.8 |
3.7 |
8.5 |
6 |
1.2 |
2.6 |
3.4 |
6.9 |
7 |
1.1 |
2.4 |
3.1 |
6.0 |
8 |
1.1 |
2.4 |
3.0 |
5.4 |
9 |
1.1 |
2.3 |
2.9 |
5.0 |
10 |
1.1 |
2.3 |
2.9 |
4.8 |
|
1.0 |
2.0 |
2.8 |
4.0 |
Значение интеграла Стьюдента приближается к значению интеграла Лапласа при n>20. Поэтому практически рекомендуется в условиях значительной случайной погрешности делать 20 – 30 повторных измерений.
Примечание. В случае, если закон распределения погрешности отличается от нормального, вычисление доверительного интервала по СКО и коэффициенту Стьюдента неправомерно. В этом случае рекомендуется определить вид функции распределения погрешности по экспериментальным данным, а доверительный интервал погрешности оценить через квантильные оценки.Так например, если в результате анализа экспериментальных данных функция плотности распределения погрешности определена, то по ее виду можно оценить доверительный интервал погрешности аналитически или графически. Если, например, найти точки Х1 и Х2, такие, что площадь под кривой слева от Х1 и справа от Х2 будут равны 5% от общей площади, то можно утверждать, что погрешность измерения не превышает X1/-X2 с доверительной вероятностью 0,9.