![](/user_photo/_userpic.png)
книги из ГПНТБ / Игнатов, В. А. Статистическая оптимизация качества функционирования электронных систем
.pdfНапример, если качество функционирования радиоло кационной станции оценивать дальностью обнаружения Q, то этот обобщенный параметр связан с мощностью Уі передатчика и чувствительностью У2 приемника извест ным соотношением
Ф макс — |
су,у: |
где с — константа, учитывающая параметры цели и те параметры станции, которые в условиях эксплуатации изменяются незначительно.
Подставляя в уравнение (1-2) различные сочетания квантованных значений выходных параметров устройств и определяя значения обобщенных параметров и соот ветствующие им вероятности, можно приближенно опре делить все моменты обобщенных параметров и по ним построить ряды Грама — Шарлье для искомых законов распределений. Упростить процесс вычислений позволяет использование матрицы состояний обслуживаемой систе мы, которая включает все возможные сочетания состоя ний устройств, вероятности выполнения этих сочетаний и квантованные значения обобщенных параметров
|
|
o2 |
|
|
Л, |
Чо |
|
|
<?2 |
|
|
||
|
S! |
• |
|
Рі |
Ч\ |
|
|
*0 |
|
||||
М = |
Si |
o2 |
* |
|
Рі |
<7і |
|
|
|||||
|
4 |
|
||||
|
si |
\ |
■ |
< |
Р/лЧм |
|
|
|
|||||
где qi = <?(y*\, у*), |
.... у*[), |
Рі = Р\,Р), |
..., Р[, Р\ — веро |
|||
ятность пребывания |
первого устройства |
в 5^-м состоянии. |
Матрицу М проще всего составить по следующему пра вилу: формируя і-й столбец — столбец состояний t'-ro
устройства і = 1, г, следует сверху вниз записать ряд по
следовательностей |
j= ( n + \) г~* одинаковых |
состояний |
устройства, начиная |
с S 0 до использования |
всех строк, |
число которых (п—1)г.
Начальный момент обобщенного параметра ѵ-го по
рядка
м
(2-59)
1 = 0
50
центральный момент ѵ-го порядка |
|
м |
|
К = £ (Я і-т .у Р г. |
(2-60) |
1 — 0 |
|
Эти формулы определяют все требуемые моменты для построения рядов Грама — Шарлье.
Если моменты высших порядков малы, для определе ния вероятностных характеристик обобщенных парамет ров можно успешно применять метод линеаризации [Л. 3, 33, 38]. В этом случае одномерные законы распре деления обобщенных параметров близки к нормальным и, рассчитав их математические ожидания и дисперсии, нетрудно найти и другие вероятностные характерис тики.
Число слагаемых в формулах (2-59) и (2-60) и общий объем вычислений можно существенно сократить, если учесть, что для высоконадежных устройств обычно P„<g
•С0,01. Не учитывая в матрице М строки, содержащие отказовые состояния устройств, получим Мм = п г и, сле довательно, выигрыш в уменьшении числа строк матри
цы М и слагаемых в формулах (2-59), |
(2-60) W — {(n + |
|||
+ 1)/г_1]г. |
Этот выигрыш, |
очевидно, тем больше, |
чем |
|
больше г |
и чем меньше |
п. Например, |
при п = 2, |
г—3, |
(п + 1)г=27, пг= 8, W = 3,75.
Однако следует учесть, что погрешности, обусловлен ные упрощением матрицы М, также увеличиваются с ростом п и г. По-видимому, использование упрощенной матрицы целесообразно для предварительных оценок моментов и распределений обобщенных параметров сложных систем, состоящих из высоконадежных устройств.
То, что определение распределений обобщенных пара метров сложных систем (с большими п и г) требует при влечения электронных вычислительных машин, вполне естественно, так как нами, по сути дела, решается зада ча отыскания характеристик нелинейного преобразова ния многомерного случайного процесса. А эта задача, как известно, является довольно сложной. Достоинство рассмотренного способа отыскания законов распределе ний обобщенных параметров в том, что он легко про граммируется.
Итак, в этом параграфе рассмотрена достаточно общая, математическая модель изменения качества
4* |
51. |
обслуживаемых устройств и систем. Она позволяет опре делять эксплуатационные коэффициенты надежности устройств и систем, а также законы распределения вы ходных и обобщенных параметров. В ней учитываются основные эксплуатационные факторы — взаимосвязанное появление внезапных, постепенных и перемежающихся отказов; проведение профилактического обслуживания; режим использования и другие, влияющие на характери стики качества. Кроме того, в случае необходимости рас смотренная модель позволяет учесть отказы устройств во время их неиспользования, проведение профилакти ческого обслуживания в периодах неиспользования и т. п.
Если влиянием некоторых эксплуатационных факто ров пренебречь, из рассмотренной модели следует ряд более простых, в том числе и известных моделей, полу чивших широкое распространение. Часть из них, пред ставляющих практический интерес, была уже рассмотре на в предыдущих параграфах.
Квантование по уровню случайных функций и мар ковская аппроксимация реальных процессов дают воз можность, сохраняя требуемую точность оценки харак теристик качества, перейти от достаточно сложных мето дов теории случайных функций, позволяющих связать изменение характеристик качества с изменением пара метров устройств, к более простым методам теории мас сового обслуживания.
Применяемый метод не использует никаких ограни чений на вид выходных случайных функций, сложность и погрешности вычислений при оценке характеристик ка чества определяет выбранный тип модели.
2-5. Рандомизированные марковские модели
Статистическая оценка интенсивностей показывает, что при более точном анализе необходимо учитывать случайный характер оценок. Строго говоря, эта случай ность может быть обусловлена не только ограничен ностью объемов выборок, по и другими причинами, на пример, случайным характером условий эксплуатации. Поэтому марковские модели, в которых интенсивности рассматривают как детерминированные величины, приво дят к погрешностям, которые тем больше, чем больше вариация интенсивностей. В связи с этим необходимо
52
остановиться на основных особенностях применения марковских моделей со случайными интенсивностями, которые для краткости будем называть рандомизирован ными марковскими моделями.
Характерной особенностью рандомизированных мар ковских моделей является то, что с их помощью мы полу чаем не сами характеристики качества устройств, а их оценки, законы распределения которых определяются законами распределения оценок интенсивностей. Попыт ки учесть эту особенность приводят к стохастическим дифференциальным уравнениям (дифференциальные уравнения со случайными параметрами) и в конечном итоге к отысканию характеристик различного вида не линейных преобразований систем случайных величин.
Несмотря на возникающие трудности, задачи такого рода приходится решать, так как только с помощью по лученных решений можно определить точность и досто верность оценок характеристик качества. Простейшей формой учета ограниченности объема выборок является рассмотрение рандомизированных распределений харак теристик качества ;[Л. 27, 28] — распределений, парамет ры которых являются случайными величинами. Следует отметить, что во многих теоретических и прикладных за дачах анализа и оптимизации качества приходится стал киваться с распределениями, параметры которых сами являются случайными величинами или процессами, т. е. структура случайных явлений оказывается как бы вдвой не случайной.
Рандомизированные распределения относительно дав но являются предметом исследований в математической статистике, в отечественной литературе их обычно назы вают смесями [Л. 37]. Одно из таких распределений мы уже рассматривали в § 2-3. Систематическое изучение различных рандомизированных распределений проводи лось также Э. А. Корнильевым при решении задач обна ружения радиолокационных сигналов в сложных помехо вых ситуациях [Л. 39],
Как и ранее, мы будем придавать рандомизации бо лее широкий смысл, не ограничиваясь рассмотрением рандомизированных распределений. По сути дела, любой метод введения дополнительных случайных параметров или процессов в математические модели случайных явле ний для проведения более точного исследования являет ся рандомизацией.
53
Особенности рандомизированных моделей рассмо трим в следующем порядке. Сначала найдем вид точных законов распределений характеристик качества для са мого простого случая — при экспоненциальных рандоми зированных распределениях времени безотказной работы
ивремени аварийного ремонта (Д-Р), полагая интенсив ности отказов и восстановлений нормально распределен ными величинами, а затем, используя метод линеариза ции, получим приближенные выражения для характерис тик качества в более сложных случаях.
Последнее обусловлено тем, что отыскание точных за конов даже в простейших случаях приводит к сложным
ималопригодным для практического использования фор мулам. Если к тому же рассматривать несколько работо способных состояний устройства, несколько операций
аварийного ремонта (АР), ПО, ТО, контроля работоспо собности (KP) и т. п., то необходимо определять законы распределения многомерных нелинейных функций. Точ ное решение таких задач прямыми методами, использую щими якобианы преобразований, затруднительно и приводит к громоздким аналитическим выражениям. По лучение приближенного решения методом линеаризации, использующим свойство асимптотической нормальности функций, аргументы которых имеют конечные математи ческие ожидания І[Л. 3], значительно проще. Кроме того, этот метод асимптотически эффективен —с ростом объе ма выборок приближенные характеристики асимптоти чески стремятся к точным.
Предположим, что устройство имеет только одно ра ботоспособное состояние и после отказа его работоспо собность не восстанавливается. Тогда характеристики качества определяет экспоненциальный закон со случай ной интенсивностью X. При объеме выборок г>-11 можно использовать неусеченный нормальный закон распреде ления X, так как Зсц-С/Пі, следовательно,
|
|
(I—т,)* |
|
Ші( Х ) = ' |
е |
2°' , 0 < А < о о . |
(2-61) |
V 2ti0j |
|
|
|
Точные законы распределения характеристик качест ва устройств найдем обычными методами как законы распределения детерминированных функций случайного аргумента А.
54
Закон распределения вероятности безотказной работы
_ |
( т Ц + ln р Щ |
1 |
2 |
«а (Р) ■ V2п axpt |
, 0 < р < 1, (2-62) |
|
среднего времени безотказной оаботы
, 0 < t< o o , (2-63)
№з {t) ~ Ѵъ. 8іі*
дисперсии |
времени безотказной работыь |
|
||
|
|
_ 1 |
|
|
.(d) = |
- ch |
Ѵ~3~~т' У |
0 < d < o o . |
|
2z\ |
||||
2V2naldVd |
|
(2-64)
Точное аналитическое выражение закона распределе ния плотности вероятности получить невозможно, так как невозможно найти точное аналитическое представление обратной функции для
y = Xe~xt. |
(2-65) |
Поэтому получим приближенное выражение, аппрок симируя функцию (2-65) обобщенным полиномом второй степени на отрезке fmi—Зоі, т і + Зоц] с помощью полино мов Чебышева, которые ортогональны с весовой функ
цией ( У 1—X2) _1 на отрезке [—1, 1], тогда
|
2 |
|
|
|
|
Уд== S |
CidІ (x)t |
|
|
|
1=0 |
|
|
|
где Ti(x) |
— полином Чебышева і-й степени. |
|
||
Подставляя значения Т і ( х |
) , |
получим: |
|
|
|
Уд — С%Х-ф .Т-ф с0 2~ с%, |
( 2-66) |
||
где коэффициенты |
|
|
|
|
|
1 |
|
1 |
|
<*= |
j y T = = r r * W dx |
Т\(х) |
(2-67) |
|
V \ — зса |
||||
|
—1 |
|
|
|
55
Учтем, что |
X= |
/п, -(- З^л*, |
1 < л : < 1 , тогда |
||||
|
J |
(m, |
-|- |
Зз,л:) g |
|
|
|
|
—1 |
|
|
|
|
|
|
|
|
X dx |
L—1 |
|
|
( 2- 68) |
|
|
|
|
|
|
|
|
|
Значения |
интеграла в |
знаменателе (2-68) известны. |
|||||
При k = 0 интеграл |
равен |
я, при к —Л—я/2, |
при к — 2— |
||||
я/8 (Л. 40]. |
Интеграл |
в |
числителе (2-68) |
представим |
в виде суммы двух интегралов, разложив показательную функцию в ряд Маклорена, оставим под знаком интегра лов по четыре члена этого ряда. После преобразований с использованием таблиц [Л. 41] неопределенных инте гралов получим:
Так как х= (X—т{) (Зоі)_і, то
4с2Х2 — 2 (4от,е2 — 6с,в) 7-}- 36о^ (с0—0,5сг) -)- 4т\с2— 12/пІа1с1
Пример 2-5. Оценим максимальные погрешности чебышевской аппроксимации функции (2-65). Пусть /Иі=
=1 • 10~3 ч-\ <ті= 0,33-ІО“ 3 ч-К
Втабл. 2-1 приведены значения X из интервала [піі—Зоі, mi + 3ai], значения функции (2-65) и аппрокси мирующего полинома (2-70), а также абсолютные А и относительные погрешности 6% аппроксимации для двух моментов времени ^ = 10 ч, t%=T0= ІО3 ч.
Можно заметить, что чебышевская аппроксимация обеспечивает неплохое соответствие на интервалах воз
можного изменения X и t. Увеличение погрешностей при t2—103 ч обусловлено тем, что при вычислении коэффи
56
циентов полинома (2-70) использовался отрезок ряда Маклорена, содержащий всего четыре члена. Уточнить результаты можно или за счет увеличения числа членов этого ряда, или за счет разложения в ряд Тейлора в окрестности точки /щ. Однако такое уточнение не всег да требуется, так как практически интересны оценки на дежности для моментов времени £<7Ѵ
Таблица 2 - 1
t |
|
|
=10 ч |
|
|
7Э=7'0=Ю3 ч |
|
|
X-10-3,1-1 |
0W-1O-’ѴД(Т>-10-3 |
д |
ь% |
у(Х). Ю-з ѵлМ-ю-3 д |
5% |
|||
0,01 |
0,0099 |
0,0101 |
—0,0002 |
-0 ,2 |
0,099 |
0,125 |
—0,026 |
—26,2 |
0,34 |
0,338 |
0,340 |
—0,002 |
—0,65 |
0.242 |
0,2488 |
—0,0368 |
—2,8 |
0,67 |
0,665 |
0,6643 |
+ 0,0007 |
+0,0105 |
0,343 |
0,3438 |
—0,0008 |
—0,23 |
1,00 |
0,99 |
0,9895 |
+ 0,0005 |
+ 0,05 |
0,3679 |
0,3719 |
—0,004 |
— 1,08 |
1,33 |
1,31 |
1,307 |
+ 0,005 |
+ 0,38 |
0,352 |
0,3523 |
—0,0003 |
—0,08 |
1,66 |
1,63 |
1,625 |
+0,005 |
+0,31 |
0,318 |
0,2748 |
+0,0432 |
+ 13,5 |
1,99 |
1,95 |
1,947 |
+0,003 |
+ 0,15 |
0,273 |
0,154 |
+ 0,119 |
+ 42 |
Таким образом, чебышевская аппроксимация вполне обеспечивает требуемую для инженерного анализа точ ность.
Введем обозначения
Л ,—'4с2, Л2= 4т,с2— бз,^, Л3=
=36jj (с0— 0,5с2) -f- 4т\ с, — 12т1п1сі
инайдем обратную функцию для (2-70)
Я, ,2= (А, ± У А2 — А, [Л3 — 36з^ Уа] ) Л, 1 ,
дХ |
зб5і |
-■ |
- |
отсюда з—= —т = |
|
||
д°А Ѵ а \ - А іА , - Збфл |
|||
Закон распределения плотности вероятности безот |
|||
казной работы |
|
|
36а, |
»5 (Ул) = -7ГГ |
|
||
|
- X |
||
|
ѴъіѴ а\- |
■Л , ( Л 3 — 3 6 з,(/л ) |
|
|
2сг‘ |
|
(Xj—тЩ |
X |
|
(2-71) |
|
|
|
Найдем и закон распределения математического ожи дания выходного параметра устройства. Так как my{t)=
— У*1 (У*о ~ У*i) e~Xt ^ является линейной функцией
57
случайной |
величины е |
xt, |
то |
|
|
|
|
Мц — У 1 |
|
|
|
|
П-2---— |
+ т1 |
|
|
|
У * о - У * і |
|
I Ѵ '1у ) — |
,/•= - |
* |
2of |
(2-72) |
|
||||
|
К 27t«! (ту— у*!И |
|
||
где у*, — нормированное |
t'-e квантованное |
значение вы |
ходного параметра.
Учтем, что после отказа проводится АР со случайной интенсивностью р. При объеме выборки г >11 можно использовать неусеченный нормальный закон распреде ления р, так как Зо^-Онг- Найдем закон распределения
коэффициента готовности |
/<’г = р ( ^ + |
р ) - 1 - Аналогичная |
задача решалась в работе |
[Л. 6]. В |
качестве исходных |
в ней рассматривались законы распределения времени безотказной работы и времени АР.
Обозначим |
|
У. = Р'(Я + Н‘)“ 1, у а = ц, тогда Я = у2 |
— 1^ , p~-=t/2. |
Якобиан преобразования |
|
д \ |
д \ |
J h _ |
1 |
|
д у і |
д у г |
У1 |
У' |
|
J = |
|
|||
d p |
0 |
1 |
||
d p |
||||
д у і |
д у і |
|
|
—1
У*У1
Совместная плотность вероятности
Используя выражение (2-73), найдем закон распреде ления КТ
— СО
X ^ d y , |
(2-74) |
Показатель экспоненциальной функции в выражении (2-74) представим в виде полного квадрата и после ряда
58
промежуточных преобразований получим:
да,о ' |
1 —уЛ |
T" ОТ2®1 |
—м |
і°2 I |
Уі J |
|
01
(2-75)
где
Как видим, отыскание таких законов распределения характеристик надежности даже в простейшем случае приводит к достаточно сложным аналитическим выраже ниям. Именно поэтому в дальнейшем мы будем приме нять метод линеаризации. Так как всегда интересен ана лиз возникающих погрешностей, то для иллюстрации возможной величины погрешности рассмотрим примеры, в которых сравниваются точные и приближенные точеч ные и интервальные оценки вероятности безотказной ра боты.
Пример 2-6. Найдем точные и приближенные оценки для моментов вероятности безотказной работы. Точная оценка і-го начального момента вероятности
СО |
2я? |
—imj + 1к- К<)г |
||||
|
1 |
dl = e |
|
2 |
|
(2-76) |
Следовательно, точные значения математического |
||||||
ожидания и дисперсии вероятности |
|
|
|
|
||
- т Д + ЫУ |
|
)2 |
|
|
|
|
т1= е |
—2rriit г —2 |
— еы у |
(2-77) |
|||
|
I«' |
|
||||
Приближенные |
значения математического |
ожидания |
||||
и дисперсии вероятности, полученные методом |
|
линеари |
||||
зации: |
|
|
|
|
|
|
т1= |
е—тгі 0* = |
g -2m‘t (3,f)a. |
|
( 2-78) |
59