![](/user_photo/_userpic.png)
книги из ГПНТБ / Стабильность свойств ферритов. (Анализ физических свойств при внешних воздействиях, прогнозирование. Элементы проектирования)
.pdfность, то данные эксперимента можно представить ß виде матрицы:
Хг
Хг
( х . ) |
Х А ч ) ■ ■ ■ Xi ( X i) |
.. .. . |
. Х А О \ |
( X .) |
х 2 (ч) . • • * 2 ( X t ) |
|
Х 2 (іп) |
|
<х. (X . ) |
^ Д х г ) |
. . . |
ы |
■ ■ ■ |
X s {tn) |
|
|
\Х// ( х >) |
XПЫ |
• • • |
ХК Ы • • • |
X N (x n ) 1 |
||
где |
Х Дт)— контролируемые параметры изделия; s = |
||||||
= 1, 2, . . N, |
р—1, 2, |
. . п — моменты времени |
(времен |
||||
ные |
сечения), в которых |
осуществляется |
контроль; |
||||
(ті, |
. . Tn)— время |
испытаний; |
N — число испытуемых |
изделий (объем выборки).
Анализируя матрицу (5.2), можно выявить способы обработки текущей информации. Анализ (обработка) данных производится обычно по строкам и по столбцам. Анализ по строкам представляет собой анализ изменения состояния отдельного изделия во времени в период испы
таний, |
сводящийся к обработке временных функций |
A s ( t ) . |
При обработке столбцов изучается состояние всех |
изделий выборки в отдельном временном сечении. В обо их случаях используются специальные методы матема тической обработки.
Математическая обработка отдельных временных функций. Отдельно рассматриваемая строка в (5.2) пред ставляет собой дискретные значения временной функции Х(т). Основная цель обработки в этом случае состоит в обнаружении характера или тенденции изменения кон тролируемого параметра, что является обязательным условием, например, при решении задачи прогнозирова ния. Поскольку в общем случае контролируемый пара метр А(т) можно представить в виде (5.1), то очевидно, что тенденцию изменения X (т) определяет составляю щая £(т), а [т>(т) +х,(т)] препятствуют обнаружению и определению |(т ). Для обнаружения £(т) необходимо подавить составляющую помехи. Для этого используется тот или иной математической оператор, воздействие ко торого на Х(т) выделяет |(т).
Пусть распределения гДт) и х(х) подчинены гауссо ву закону с нулевым средним. Рассмотрим несколько ва риантов операторов, которые позволяют обнаруживать тенденцию и закономерность изменения Х(т).
247
Применяя оператор математическое ожидание М, най дем М[Х (%)]■.
М[Х (%)]-■= МЦ(х) +т](т) + х(т)];
раскроем скобки:
7WtJ ( T)] = M ß(T)] + M{T1(T)] + Mlx(T)]; |
(5.3) |
учитывая предположение о нормальности распределений,
получим М[ц (t)]=AJ[x (t)]=0.
Для составляющей |(т) можно предположить в пер вом приближении, что для каждого дискретного значения времени |( ті) —неслучайная величина, отсюда М[Х(т)] = = -Щ £(т)}=1;(т), т. е. необратимая составляющая в зна чительной степени определяет закономерность изменения
*(т).
Принцип действия непрерывного интегрального опе ратора состоит в том, что интегрируется функция Х(%), причем нижний предел Ті — начальное значение аргумен та, а верхний т — текущее время, т. е.
|
J X (х) = I [Дт) + та(х) + х(т)] d x |
|
||
или |
*1 |
X, |
|
|
X |
X |
X |
|
|
X |
|
|||
j X |
(т) = j |
k (т) d x -|- j ■)) (t) d x |
-|- j к (t) d x . |
(5.4) |
Xi |
Tl |
X| |
'S, |
|
Для симметрично распределенных случайных значе ний справедливо равенство
X
Tj (т) d x — J к (х) d x = 0. |
|
|
іі |
ti |
|
Тогда |
X |
|
|
|
|
|
Х ( х ) d x = J ^ ( т ) d x . |
( 5 . 5 ) |
•Ч |
•'l |
|
Следовательно, применение непрерывного интеграль ного оператора позволяет устранить влияние помехи и в интегральном масштабе оценить тенденцию изменения
Х(х).
Дискретный интегральный оператор отличается от не прерывного способом взятия верхних и нижних пределов.
248
Весь период [хі, тп] реализации контролируемой функции Х(т) разбивается на к интервалов [хи Ті+ і], которые являются пределами интегрирования.
Выражения (5.3), (5.4) в этом случае примут вид
тг+1 |
’’ч+ І |
т<+1 |
Т<+1 |
||
I |
X (т) eh = |
I* S (t) efc + |
j |
7] (т) dx -f- |
\ к (т) dt, |
\ |
|
\ |
хі |
|
Ч |
где і= 1, 2, ..., к—1. |
|
|
рассуждения, |
||
В |
остальном |
здесь применимы те же |
что и для непрерывного интегрального оператора. Стро гость же равенства, аналогичного (5.5), зависит от интер вала интегрирования Гт,-, Ті+і )- Следует заметить, что при использовании интегральных операторов в качестве до пустимых Хдоп, номинальных ХНОм и т. д. значений исполь зуются их интегральные эквиваленты
На рис. 5.2 приведена кривая изменения A |i/p= f(t) для ферритов марки 1500 НМЗ, а на рис. 5.3—5.5 эта же кривая построена после обработки данных при помо щи операторов. В качестве операторов использовались: математическое ожидание (рис. 5.3), дискретный инте гральный (рис. 5.4) и непрерывный интегральный (рис. 5.5) операторы.
Математическая обработка множества значений функ ций в отдельном временном сечении. Столбец в (5.2) представляет собой значения одного итого же параметра {Х8(ті)} для всех изделий выборки объемом N в отдель но взятом временном сечении Хі. Вообще говоря, в иде альном случае все значения Xs(t,), s = 1 , 2, ..., N равны между собой, так как изделия идентичны. Однако в силу отклонений различного характера в технологических и производственных операциях изготовления изделий раз брос значений Х3(хі) носит случайный характер и зна чения Xs необходимо рассматривать как случайные. Та ким образом, обработку множества {Х,(т,)} нужно вести вероятностно-статистическими методами (в дальнейшем
549
V |
Ш 800 то ?,ч |
О |
ООО 800 1200 f,V |
для простоты изложения величина Xs(x,-) будет рассма триваться без аргумента т,).
Поскольку методы анализа совокупности случайных величин подробно изложены в фундаментальных рабо тах по теории вероятностей и математической статисти ки, например в [19], рассмотрим лишь некоторые аспекты статистической обработки множества {Xs}.
Пусть имеется совокупность значений параметров Хи Х2, ..., Xs, ..., XN, принадлежащих N однотипным изде лиям испытуемой партии. Смысл обработки заключается
втом, чтобы оценить, как распределены значения Ха, определить математическое ожидание и дисперсию, т. е.
вконечном счете оценить качество производства изде лий. В количественном отношении эта оценка заключа ется в определении местонахождения {Xs} на отрезке оси X, ограниченном величинами [ХДОп, Х+доп] (при двухсто ронних допустимых пределах) или [ХНОм, Хдоп] (при одно стороннем допустимом пределе), установленными раз
личными техническими требованиями. Очевидно, чем больше разность Xs—Хдоп, тем выше надежность изде лия, т. е. тем выше качество производства и наоборот.
На первом этапе обработки диапазон допустимых зна чений параметров на оси X разбивается на к одинаковых интервалов: (Х0, Хі), (Хи Х2), ..., (Хк_,, ХД. Величина и
количество интервалов зависят от конкретной задачи
250
(5:g;/c<c: 15). Подсчитывается количество значений, по павших в каждый интервал, в результате получается сле
дующая |
последовательность: п\, п2, ..., |
п„, ..., пк, где |
||||
пі^{ Х о, |
Хі], ii2^[Xi, |
Х?\, ..., Пі^ [ Х і- і, |
Xi], ..., |
пк e= |
||
|
KJ, |
|
|
|
|
|
Ряд отношений |
i=l |
|
|
|
|
|
|
|
|
|
|
||
p^m /N , |
p2= n 2/N, |
..., pi = ni/N, |
..., |
pK= nJN |
(5.6) |
|
называется статистическим рядом, |
где |
Pi — частота |
или |
вероятность попадания значений параметра в і-й интер
вал. |
Графическое |
изображение |
статистического |
ряда |
|
(гистограмма) показано на |
рис. |
5.6 (а — гистограмма, |
|||
б — многоугольник |
вероятностей). |
Статистический |
ряд |
||
(5.6) |
есть не что |
иное, как |
аналог дифференциальной |
Рис. 5.6. |
Рис. 5.7. |
251
функции распределения (закона распределения) или плотности распределения /(X). На рис. 5.7 показана функция распределения изделий (а) и вероятностей (б).
На практике довольно часто целесообразно знать,
кроме закона распределения, |
ряд статистических харак |
теристик, которые описывают |
некоторые особенности со |
вокупности {Xs} (оценивают |
устойчивые явления в рас |
пределении, т. е. устойчивые стороны в технологии и в производстве изделий). Эти статистические характери стики можно разбить на две группы [108]. Одна группа характеристик описывает «центр группирования» {Xs}, другая — меру их рассеяния.
Характеристики, описывающие центр распределения. Центр группирования характеризует общий технический уровень или состояние работоспособности изделия. По ложение его на поле допуска позволяет судить о запасе работоспособности испытуемых изделий. Среди характе ристик, описывающих центр группирования, можно выде
лить следующие: |
|
среднее значение: |
||
1. |
Математическое ожидание или |
|||
|
|
N |
N |
|
|
|
S=1 |
5=1 |
|
где ps — вероятность появления Xs. |
|
|||
|
|
|
|
1 IN |
2. |
Среднее |
геометрическое |
Gljr = |
IF* |
|
|
|
|
5 = 1 |
3. |
Среднее |
гармоническое |
|
|
Заметим, что m x ^ G i x ^ G i j c .
4. Мода Мо характеризует наиболее вероятное зна чение X. Поскольку мода соответствует максимуму диф ференциальной кривой плотности распределения, то рас пределения, имеющие один максимум, называются одно модальными, имеющие несколько максимумов — полимо дальными. Если центру распределения соответствует — экстремум — минимум, то распределение называют антимодальным.
5.Медиана Me хорошо поясняется соотношением
Р(Х< М е)= Р (Х> М е),
252
т. е. число параметров (изделий), принявших значения, меньшие Me, равно числу параметров, принявших зна чения, большие Me.
Характеристики, описывающие рассеяние распределе ния. Нетрудно заметить, что чем больше рассеяние пара метров изделий, тем более неустановившимся является их производство. И наоборот, при отработанной техноло гии и автоматизированном производственном процессе разброс и рассеяние наблюдаются в меньшей степени. Характеристиками, описывающими рассеяние, являются:
1. |
|
Дисперсия Dx = |
(X s — тх f ps и |
среднеквадра- |
|||
|
|
|
5—1 |
|
|
|
|
тическое отклонение ах = y rDx. |
Удобнее |
пользоваться |
|||||
величиной ах , так как |
она |
имеет размерность пара |
|||||
метра |
X. |
|
|
|
|
|
|
2. |
|
Среднее значение абсолютных отклонений |
|||||
|
|
|
N |
|
|
|
|
|
|
С х = 2 I |
~ т х I / V |
|
|||
|
|
|
S — 1 |
|
|
|
|
3. |
|
Коэффициент вариации Ѵх = Ох/тх. |
|
||||
4. |
|
Размах R x z=Xmax |
Хтогп, где Хтах, Хтіп соответ- |
||||
ственно максимальное и минимальное значения {Xs}. |
|||||||
5. |
Коэффициент |
ассиметрии |
или «скошенности» |
||||
|
|
|
П |
|
|
|
|
|
|
&іх = |
(Xs |
|
^x) Р&/Зх ■ |
|
|
|
|
|
S = |
1 |
|
|
|
6 . |
Коэффициент |
эксцесса |
или «крутости» |
||||
|
|
а. |
2 ( x s - т х у р 81 с* х |
|
|||
|
|
' 2 Х ' |
|
|
|
|
|
S — I
Этот коэффициент характеризует вершину распределе ния: насколько она является плоской или заостренной.
В качестве примера в табл. 34 приведены вычислен ные характеристики обеих групп для распределения, представленного на рис. 5.6.
|
|
|
|
|
|
|
|
Т А Б Л И Ц А 3 |
||
|
Первая группа |
|
|
|
Вторая группа |
|
|
|||
т |
с. |
О.. |
М о |
M e |
С |
С |
V |
R |
Ö, |
я» |
3,95 |
3,935 |
3,93 |
3,90 |
3,945 |
0,525 |
0,4292 |
0,133 |
2,78 |
1,400 |
—0,72 |
253
Использование закона распределения для практиче ских расчетов затруднено, так как он известен только в ограниченном числе дискретных точек. Преодолеть эту трудность можно с помощью аппроксимации эксперимен тально полученной функции распределения какой-либо известной теоретической функцией. Существует достаточ ное количество теоретических законов распределения. Точность аппроксимации экспериментального распреде ления оценивается с помощью критериев согласия, наи более распространенными из которых являются крите рии Пирсона и Колмогорова >[19]. При удовлетворитель ном значении критерия согласия принимается выбранный теоретический закон распределения, математический аппарат которого используется в дальнейшем для веро ятностных расчетов.
Как уже было установлено выше (гл. 2), распреде ление значений параметров ферритов во временных се чениях подчинены нормальному закону:
f W = (1/** Ѵ Ы ) exp [ - (X . - т х )ЧЪ%\.
На рис. 5.8 показаны плотность и функция распреде ления для нормального закона. Вследствие симметрич ности закона частоты ps по мере удаления от математи ческого ожидания в обе стороны уменьшаются по иден тичному закону. Это распределение является одномо дальным, так как справедливы равенства:
т = Мо=Ме, аі = а2= 0 . |
(5.7) |
Ha практике условия (5.7) не всегда соблюдаются, однако часть экспериментального распределения хорошо аппроксимируется нормальным законом. Это объясняет ся воздействием множества факторов, которые деформи руют функцию распределения, а также зачастую недо статочной представительностью выборки. В табл. 34 при ведены значения параметров распределения при наруше нии условий (5.7). Максимальная ордината функции
плотности распределения равна h = l / a x 2 it, |
что соот |
ветствует точке Х = тх . Чем меньше дисперсия, |
тем боль |
ше ордината h, тем больше изделий группируется около тх и, следовательно, партия изделий является более ка чественной. Влияние временных изменений статистиче ских характеристик тх и ох на дифференциальную функцию распределения показано на рис. 5.9. Симмет-
254
- J |
- Z |
-0,671t 0 * 0 ,6 7 6 |
+ 2 |
+ 3 |
' Z |
6
Рис. 5.8.
Рис. 5.9.
255
ричность нормального закона позволяет проградуировать кривую распределения в долях среднеквадратического отклонения а или в нормированных величинах Z = = (X—mx)UУх- Такая градуировка на зоны удобна для
* ' * |
практических |
расчетов, |
|||
так как позволяет быстро |
|||||
|
найти |
значения |
вероятно |
||
|
стей |
попадания |
|
параме |
|
|
тра или изделия в ту или |
||||
|
иную зону (рис. 5.8). |
||||
|
Иногда |
в |
экспери |
||
|
ментальных |
распределе |
|||
|
ниях |
появляется |
устой |
||
|
чивая |
двумодальность |
|||
Рис. 5.10. |
(рис. |
5.10). Это свиде |
|||
|
тельствует |
о том, |
что на |
изделия воздействуют два доминирующих фактора, под действием которых пара метры изменяются и группируются вокруг двух центров. Плотность распределения, соответствующая нормально му закону для двумерного случая, при независимости этих факторов записывается в виде:
, Г |
. {X |
12Х> |
2пв1в1•ехр<---- И |
|
а 2 Х |
J \X |
|
где Ш\, т%— центры группирования; щ, ог— соответству ющие им среднеквадратические отклонения.
Нормальный закон часто применяется при аппрокси мации экспериментально полученных распределений кон тролируемых параметров в отдельных временных сече ниях. Однако рассмотренную статистическую обработку столбцов в (5.2) в полной мере можно применить и к об работке строк. Особенно это относится к определению закона распределения времени безотказной работы, ког да информация о наступлении отказов располагается в виде временного ряда. При этом наиболее распрост раненными для аппроксимации являются экспоненциаль ный, логарифмически нормальный законы, а также закон Вейбулла [71]. При обработке результатов испытаний на надежность и особенно при решении задачи прогнозиро вания важно оценить скоростные характеристики вре менного ряда в (5.2).
Скоростные характеристики временного ряда. Вычис ление статистических характеристик и функций распре-
256