- •А.Ю. Крюков, Б.Ф. Потапов
- •Крюков, А.Ю.
- •СОДЕРЖАНИЕ
- •ПРЕДИСЛОВИЕ
- •ВВЕДЕНИЕ
- •1.1. СУЩНОСТЬ И НАЗНАЧЕНИЕ МОДЕЛИРОВАНИЯ
- •1.1.1. Понятие о моделировании и свойства моделей
- •1.1.2. Цели моделирования
- •1.1.3. Виды моделирования и классификация моделей
- •1.2.1. Общие положения и основные определения
- •1.2.2. Структура математической модели и ее построение
- •1.2.3. Иерархия математических моделей
- •1.2.5. Классификация математических моделей
- •1.2.6. Геометрическое представление математических моделей
- •1.3. ЗАКЛЮЧИТЕЛЬНЫЕ ЗАМЕЧАНИЯ
- •2.1. МОДЕЛИ МИКРОУРОВНЯ
- •2.2. МОДЕЛИ МАКРОУРОВНЯ
- •2.2.1. Общая характеристика моделей, их структура и сущность
- •1. Компонентные уравнения
- •2. Топологические уравнения
- •Компонентные и топологические уравнения электрической системы
- •2.2.5. Задания для самостоятельной работы
- •2.3. ЗАКЛЮЧИТЕЛЬНЫЕ ЗАМЕЧАНИЯ
- •3.2.1. Общие принципы моделирования полей
- •3.2.2. Особенности построения моделей
- •3.2.3. Модели стационарных полей
- •3.2.4. Модели нестационарных полей
- •3.2.7. Задание для самостоятельной работы
- •3.3. ЗАКЛЮЧИТЕЛЬНЫЕ ЗАМЕЧАНИЯ
- •4.1.1. Надежность объектов как комплексное свойство
- •4.1.2. Классификация отказов и временные понятия
- •4.3.1. Основные понятия, определения и положения
- •4.3.2. Основные характеристики случайных величин
- •4.4. ПОКАЗАТЕЛИ НАДЕЖНОСТИ
- •4.4.1. Показатели безотказности
- •4.6.1. Общая характеристика и виды моделей
- •4.6.2. Распределения, используемые в теории надежности
- •4.6.3. Композиция законов распределения
- •4.6.4. Задание для самостоятельной работы
- •4.7 ПОТОКИ ОТКАЗОВ И ВОССТАНОВЛЕНИЙ
- •4.8. РАСЧЕТ НАДЕЖНОСТИ ТЕХНИЧЕСКИХ СИСТЕМ
- •4.8.1. Общие положения
- •4.8.2. Модели параметрических отказов
- •5.1. ОСНОВЫ ТЕОРИИ ГРАФОВ И СЕТЕВЫЕ МОДЕЛИ
- •5.1.1. Общие замечания, основные понятия и определения
- •5.1.2. Решение задачи о максимальном потоке
- •5.1.3. Потоки минимальной стоимости
- •5.1.4. Практические примеры сетевых задач
- •5.1.5. Некоторые обобщения по сетевым задачам
- •5.1.6. Альтернативные методы решения сетевых задач
- •5.2.1. Основные положения
- •5.2.2. Структура принятия решения
- •5.2.4. Пример применения классических критериев
- •6.1.1. Постановка задач оптимизации и критерии
- •оптимальности
- •6.1.2. Многокритериальные задачи оптимизации
- •6.1.3. Классификация методов оптимизации
- •6.2. РЕГУЛЯРНЫЕ МЕТОДЫ ОПТИМИЗАЦИИ
- •6.2.1. Методы математического анализа
- •6.2.2. Понятие о вариационном исчислении
- •6.2.3. Принцип максимума Понтрягина
- •6.2.4. Метод динамического программирования
- •6.3. ПРЯМЫЕ МЕТОДЫ ОПТИМИЗАЦИИ
- •6.3.2. Минимаксные стратегии одномерного поиска
- •6.3.4. Многомерные методы безусловной оптимизации
- •6.3.7. Заключение по прямым методам оптимизации
- •7 1. ОБЩИЕ ПОЛОЖЕНИЯ
- •ЗАКЛЮЧЕНИЕ
- •Учебное издание
- •Учебное пособие
ния сведений о физических свойствах материалов, о внешних нагрузках и воздействиях, о механизмах взаимодействия между элементами. Структурные модели представляют в виде схем и графов, а исходную информацию задают в виде известных значений вероятностей безотказной работы элементов, интен сивностей их отказов и т.п.
Расчет функциональной надежности — это определение показателей надежности выполнения объектом заданных функ ций. Поскольку такие показатели надежности зависят от ряда действующих факторов (вида заданной функции, структурной надежности, математического и программного обеспечения, работы операторов), то, как правило, расчет функциональной на дежности более сложен, чем структурной.
Функциональные модели учитывают механические, физи ческие и другие реальные процессы, которые ведут к изменению свойств объекта. Таковы модели строительной механики, широ ко применяемые в расчетах машин и конструкций. Именно в этой области впервые были поставлены вопросы надежности (в связи со статистическим истолкованием коэффициентов запа са прочности и допускаемых напряжений).
Показатели надежности отдельных элементов (деталей) оценивают на основе физических моделей, в то время как для оценки показателей надежности изделий в целом чаще исполь зуются модели системной теории надежности.
4.6.2.Распределения, используемые в теории надежности
Впервую очередь рассмотрим распределения дискретных СВ.
1. Случайная величина х |
имеет распределение Бернулли |
с параметром р (0 <р < 1), если |
Q{x= 1} =р, Q{x = 0} = 1-р. |
Это распределение играет фундаментальную роль в теории вероятностей и математической статистике, являясь моделью для любого случайного эксперимента, исходы которого принадле жат двум взаимно исключающим классам (либо отказ, либо ра ботоспособное состояние объекта).
2. Случайная величина х имеет биномиальное распределе ние с параметрами (п ,р ),(0 < р < \\п > 1 ), если
Для п испытаний имеем:
п
Здесь параметр р имеет смысл вероятности появления от каза в одном испытании, а величина Q имеет смысл вероятности появления (или устранения) одного отказа в одном испытании; к- число отказов в п независимых испытаниях; Спк - число со четаний к отказов из п испытаний. Биномиальное распределение является моделью случайных экспериментов, состоящих из п независимых однородных испытаний Бернулли: если х*, к - 1, 2,
и, независимы и имеют распределение Бернулли с парамет ром р, то случайная величина Х= х\ + *2 + + х* имеет биноми нальное распределение.
3. Распределение Пуассона позволяет найти вероятность того, что при большом числе повторных испытаний п, в каждом из которых вероятность появления отказа очень мала и равна р (возможные значения события: 0, 1, 2,..., к}...п), событие про изойдет ровно к раз.
Функция распределения вероятностей для закона Пуассона: (4.70)
где X =-----------параметр распределения.
( р п )
Для п испытаний имеем:
(4.71)
Распределение Пуассона является приближенным для би номинального распределения, если параметр р < 0,1 либо р име
ет одинаковый с — порядок при больших п.
п
Распределение Пуассона является приемлемой моделью для описания случайного числа отказов и восстановлений объ ектов в фиксированном промежутке времени.
Модель (4.71) отвечает, в частности, следующей схеме. Объект эксплуатируют или испытывают до наступления отказа определенного элемента, затем заменяют отказавший элемент новым из той же генеральной совокупности, доводят элемент до отказа, заменяют третьим и т.д. Пусть продолжительность вре мени на замену отказавшего элемента другим пренебрежимо мала по сравнению с продолжительностью работы между со седними отказами. Тогда процесс описывается с помощью по следовательности к= 1, 2, 3, п моментов наступления отка зов. Наработка между отказами —случайная величина, так что последовательность отказов представляет собой поток случай ных событий. При вероятности безотказной работы элемента, заданной в виде
«(0 = N0exp(-Xt), |
(4.72) |
где No - начальное число исправных элементов в каждом ис пытании - приходим к модели однородного пуассоновского потока (4.71).
4.Геометрическое распределение применяется к объектам
ипроцессам, отказы которых независимы между собой. Форму ла распределения записывается следующим образом:
|
Q(x = k) = p ( l - p ? |
(4.73) |
|
Условие независимости отказов записывается следующим |
|||
образом: для любых т,п> 0: |
|
|
|
/ |
П |
\ |
(4.74) |
Q х> т + — >т |
= Q(x > п ) . |
хJ
5. Гипергеометрическое распределение
Типичная схема использования гипергеометрического рас пределения такова: проверяется партия готовой продукции, кото рая содержит N-p годных и N(\ - р ) негодных объектов. Случай ным образом выбирают п объектов. Число годных объектов среди выбранных и описывается гипергеометрическим распределением. Если п мало по сравнению с N (практически когда п < О,\N), то функция распределения определяется из выражения
* C kp k( ] - p ) k |
(4.75) |
6. Распределение Паскаля (отрицательное биномиальное распределение) с параметрами г, р при натуральном г описывает число испытаний в схеме Бернулли, необходимых для того, что бы получить значение 1 ровно г раз.
Пусть х - случайная величина, имеющая распределение Пуассона с параметром X, т.е. Р{х = &} = Xke~x/kl. Будем рассмат ривать X как случайную величину, имеющую гаммараспределение (см. далее «Непрерывные распределения») с па раметром X =р/(1 - р ) и а = г. Тогда
Q(k) = Ckr+k_]p r( \ - p ) t |
(4.76) |
Графически некоторые описанные дискретные распреде ления представлены на рис. 4.13. Для биноминального распре деления число испытаний п = 20, параметр р = 0,7. Для распре деления Пуассона параметр X = 0,5. Для геометрического рас пределения параметр р = 0,2. Для распределения Паскаля пара метрр - - 0,7, а параметр г = 11.
Далее рассмотрим распределения непрерывных величин. 1. Нормальное (гауссовское) распределение
где а - дисперсия, а т - мода распределения.
Q(x = Щ
0,18
0,16
0,14
0,12
0,10
0,08 |
|
|
|
|
|
|
|
|
|
|
|
0,06 |
|
|
|
|
|
|
|
|
|
|
|
0,04 |
|
|
|
|
|
|
|
|
|
_____ |
ш____ |
0,02 |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
||
0,00 |
А |
|
|
|
|
|
|
» |
|
1 1 1 1 - 6 i |
1 |
|
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 1011121314151617181920 * |
Рис. 4.13. Дискретные распределения случайных величин:
♦- Пуассона; • - биноминальное;
■- Паскаля; А - геометрическое
Для стандартного нормального распределения мода и ме диана совпадают с математическим ожиданием.
Фундаментальная роль, которую играет нормальное рас пределение, объясняется тем, что при широких предположениях суммы случайных величин с ростом числа слагаемых ведут себя асимптотически нормально. Соответствующие условия состав ляют содержание центральной предельной теоремы (ЦПТ)
ЦПТ можно сформулировать следующим образом* исход эксперимента определяется большим числом случайных
факторов, влияние каждого из которых пренебрежимо |
|
||
^ |
г |
мо Мало, то |
|
такой эксперимент хорошо аппроксимируется пормальн |
|
||
пределением с соответствующим образом подобпани |
Ь1М^аС" |
||
|
~ |
к иными мате |
|
матическим ожиданием и дисперсией. |
|
|
|
|
2. Показательное (экспоненциальное) распредр |
|
|
ется |
непрерывным аналогом геометрического* пяо |
явля |
^Прбд0ления
случайной величины х с параметром X > 0.
Плотность распределения выглядит следующим образом:
f( t) = l £ ^ |
(4.78) |
Экспоненциальное распределение - |
один из основных за |
конов распределения наработки объектов, его можно получить, если в формуле (4.60), связывающей вероятность безотказной работы с интенсивностью отказов, положить X(t) = const. Экспо ненциальное распределение является однопараметрическим распределением с параметром X, представляющим постоянную интенсивность отказов.
Экспоненциальный закон хорошо описывает распределе ние времени безотказной работы объектов при внезапных от казах, распределение времени между соседними отказами и времени восстановления. Для объектов, у которых явно вы ражены при эксплуатации явления износа и старения, примене ние экспоненциального закона недопустимо.
3. |
Гамма-распределение является аналогом дискретного |
|||
отрицательного биномиального |
распределения (распределения |
|||
Паскаля). Плотность распределения имеет вид: |
||||
|
|
|
— |
(4.79) |
|
|
|
Г(а) |
|
где а и 1 - |
положительные параметры распределения, Г(а) - |
|||
гамма-функция. |
|
|
|
|
При а = 1 |
гамма-распределение совпадает с показатель- |
|||
ным, а при |
п |
и ^ |
1 |
? |
а = — |
~ с ^ “РаспРеДелением с п степенями |
свободы.
Примечание. Число степеней свободы п некоторой выбо рочной статистики равно частному числа независимых случай ных величин и числа определенных по ним независимых пара метров; ^-распределение с п степенями свободы имеет случай ная величина X, определяемая по формуле
Х ^ х к |
(4-80) |
*=i |
|
При а = n\i гамма-распределение называется распределе нием Эрланга с параметрами (и, ц) и описывает распределение длительности интервала времени до появления п событий про
цесса Пуассона с параметром р.
При п = 2 х2-распределение называется распределением
Рэлея-Райса, при п = 3 - распределением Максвелла.
В частности, плотность распределения Максвелла опреде
ляется так: |
|
|
|
At2 |
|
|
№ = - т т е “2 |
W |
|
а' ул |
|
где а - положительный параметр. |
|
|
4. |
Распределение Вейбулла-Гнеденко с параметрами а, |
(а, X > 0) описывает предельное распределение максимума.
Пусть случайные величины х* взаимно независимы и оди наково распределены, при этом Q{xk<x} для х < оо. Положим
х„ = max[xi, х2, ..., |
х„]. В этом случае Q(x) = 1 - |
Функция |
распределения вероятности отказов имеет вид |
|
|
|
f(t) = akta-'e-h" |
(4.82) |
где X = (1//6)“ и а - |
положительные параметры, tc - |
характерное |
время процесса (например, время износа материала, образова ния трещин и др.).
Функция (4.83) позволяет описать довольно широкий класс распределений, включая при а = 1 экспоненциальный за кон распределения (4.78). При а > 1 эта формула описывает по ведение «стареющих» объектов, у которых интенсивность отка зов со временем возрастает (участок III функции X(t) на рис. 4.11). Т.е. при а > 1 закон Вейбулла-Гнеденко применяется для описания постепенных отказов. При а < 1 данный закон описывает надежность в период приработки.
Таким образом, двухпараметрическое распределение Вей- булла-Гнеденко является более универсальным, чем экспонен циальный закон, и может быть использовано при анализе на дежности на всех этапах эксплуатации объекта.
5. Равномерное распределение является аналогом распре
делений классической теории вероятностей, описывающих слу чайные эксперименты с равновероятными исходами.
Если случайная величина х имеет непрерывную функцию распределения Q{x), то случайная величина х = F(Q имеет рав номерное распределение на отрезке [0; 1]. Этим объясняется широкое использование равномерного распределения в стати стическом моделировании (методы Монте-Карло) [4,17].
Если случайная величина х имеет равномерное распреде ление на отрезке [а; Ь\ {а < Ь), то случайная величина с помо щью линейного преобразования приводится к равномерному распределению на отрезке [0; 1].
Равномерным распределением на отрезке [-•^; ~ ] удов
летворительно описывается погрешность, происходящая от ок ругления числа.
Плотность равномерного распределения имеет' вид
/( /) = const = —-— . |
(4.84) |
b - a |
|
Графически описанные непрерывные распределения пред ставлены на рис. 4.14. Параметры распределений: нормально го - ст= 1, т = 5; экспоненциального - А.= 0,5; распределения Вейбулла - А = 0,878, а = 1,5; гамма-распределения - А = 0,878, а = 1,8; распределения Максвелла - а = 2.