Исходные данные
стьюдент квадратичный математический
Статистические данные по износу направляющей суппорта станка во времени
Вариант 94Время (час) Износ направляющей суппорта станка (в мкм) 2000,994002,126002,968003,9910005,0612005,7614007,0016008,0318008,89200010,00220010,87240012,25260012,99280014,09300015,11320015,98
Значения ПКГ изделия в начале и конце эксперимента, а также прочие данные, необходимые для расчетов
Значение ПКГ изделий в начале эксперимента (=1)[0,7500; 0,8900; 0,9500; 0,9800; 1,0100]Значение ПКГ изделий в конце эксперимента (=16)[15,9000; 15,6000; 15,9500; 16,1700; 16,300]Границы поля допуска[0,5;18]Метод оценкиМУНДоверительная вероятность прогноза0,9
1. Определить оценки распределения функций плотности вероятности ПКГ в начале и конце эксперимента (при =1 и при =16) по методу уменьшения неопределенности (МУН)
Метод уменьшения неопределенностей (МУН) - это новая реализация МПВ (метода прямоугольных вкладов), которая возникла в процессе его развития. МУН основан на использовании нормированного равномерного распределения, заданного в интервале [] вместо прямоугольного вклада шириной , построенного около точки с координатой .
При этом для выражения функции распределения используют кусочно-линейную интерполяцию
(П.1)
где .
(П.2)
где - нижняя и верхняя границы интервала значения случайной величины ;
- объем выборки;
- число одинаковых реализаций .
оценивается аналогично .
Для нахождения функции плотности вероятности следует воспользоваться данными графика и выражением
(П.3)
где - приращение аргумента и соответствующее приращение функции .
По данным таблицы П.2 для значений ПКГ в начале эксперимента составим вариационный ряд: {0,7500; 0,8900; 0,9500; 0,9800; 1,0100}.
Границы поля допуска :
, , .
Статистические данные значений ПКГ разбивают поле допуска значений ПКГ на интервалы:
1 участок , .
Определяем оценку функции распределения (интегральный закон распределения)
.
Определяем оценку функции плотности распределения вероятности (дифференциальный закон распределения вероятности)
2 участок , .
3 участок ,
;
участок , .
5 участок , .
;
6 участок , .
Проверка осуществляется суммированием площадей фигур, находящихся под ломаной , т.е.
Графики и приведены на рис.П.1 и П.2
В начале эксперимента
Рис. 1. График функции
Рис. 2.График функции
Математическое ожидание (в начале эксперимента)
Математическое ожидание - это значение случайной величины, относительно которого группируются все заданные значения. Математическое ожидание(непрерывной случайной величины) есть интеграл вида
(П.4)
Находим математическое ожидание
Дисперсия случайной величины (в начале эксперимента)
Дисперсия - мера рассеяния случайной величины около своего математического ожидания.
Среднее квадратическое значение отклонения случайной величины относительно математического ожидания
.
По данным табл. П.2 для значений ПКГ в конце эксперимента составим вариационный ряд: {15,6000; 15,9000; 15,9500; 16,1700; 16,3000}.
Границы поля допуска:
, , .
Статические данные значений ПКГ разбивают поле допуска значений ПКГ на интервалы:
1 участок , .
Определяем оценку функции плотности распределения вероятности (дифференциальный закон распределения вероятности)
2 участок , .
участок ,
;
4 участок .
участок , .
;
6 участок , .
Проверка осуществляется суммированием площадей фигур, находящихся под ломаной , т.е.
Графики и приведены на рис.П.3 и П.4
В конце эксперимента
Рис. 3. График функций
Рис. 4. График функций
Математическое ожидание (в конце эксперимента)
Дисперсия случайной величины
Среднее квадратическое значение отклонения случайной величины относительно математического ожидания
.
. Определение среднего квадратического отклонения (СКО) для всех значений ПКГ
Таким образом, на основании проведенных расчетов было установлено, что
Следовательно, значение можно записать:
Таким образом получаем
. Определение значения критерия Стьюдента:
Значение критерия Стьюдента соответствующее - процентному пределу ошибки (уровню значимости ошибки) и степеням свободы определим по таблице
где - доверительная вероятность прогноза, ;
;
- объем выборки.
В соответствии с полученными значениями и =2,132
. Определяем значения доверительных границ с учетом критерия Стьюдента
- верхняя доверительная граница ПКГ
- нижняя доверительная граница ПКГ
(П.5)
(П.6)
Подставляя в выражение (П.5) и (П.6) требуемые величины определяем значение верхней и нижней доверительных границ ПКГ соответственно. Полученные результаты сводим в табл. П.4
2000,995,4852-3,50524002,2126,6152-2,37526002,967,4552-1,53528003,998,48520,505210005,069,55520,564812005,7610,25521,264814007,0011,49522,504816008,0312,52523,534818008,8913,38524,3948200010,0014,49525,5048220010,8715,36526,3748240012,2516,74527,7548260012,9917,48528,4948280014,0918,58529,5948300015,1119,605210,6148320015,9820,475211,4848
3. Обоснование выбора математической модели прогнозирования
В ходе исследования значения ПКГ снимаются через равные интервалы, поэтому для оценки порядка полинома математической модели прогнозирования воспользуемся аппаратом конечных разностей.
Имеем функцию и дискретные значения аргумента t образуют арифметическую прогрессию с разностью h, т.е.
Обозначим значения при соответствующих значениях аргумента так:
Величины
Называют разностями первого порядка (первыми разностями).
Величины
Аналогично определяются разности произвольного порядка m:
Конечные разности в более наглядной форме представляют в форме таблицы, которая называется диагональной. Каждый столбец таблицы составляется так, что разности записываются между составляющими значениями уменьшаемого и вычитаемого.
2000,991,2224002,212-0,4740,7480,7566002,960,2821,03-0,2428003,990,041,07-0,4110005,06-0,370,70,9112005,760,541,24-0,7514007,00-0,211,030,0416008,03-0,170,860,4218008,890,251,11-0,49200010,00-0,240,870,75220010,870,511,38-1,15240012,25-0,640,741260012,990,361,1-0,44280014,09-0,081,02-0,07300015,11-0,150,87320015,98
Разности третьего порядка мало отличаются от постоянных, поэтому в качестве математической модели может быть выбран полином третьей степени.
4. Определение параметров модели прогнозирования по методу наименьших квадратов
В основе метода наименьших квадратов лежит условие: коэффициенты моделей должны быть таковы, чтобы значение суммы квадратов невязок было минимальным, т.е.
где - модель прогнозирования.
Для этого необходимо выполнить условия минимума суммы S, т.е.
Составляем систему уравнений для нахождения коэффициентов a, b и с.
Таким образом, путем преобразования получим:
Сократив уравнения на 2, получим:
Введем обозначения:
Уравнения принимают вид:
Данная система уравнений решается по правилу Крамера: матричным способом решения систем линейных неоднородных уравнений.
Определение параметров модели прогнозирования для кривой .
Определитель системы находится так:
Определитель параметра a находится так:
Определитель параметра b находится так:
Определитель параметра с определяется так:
Далее
Полученная зависимость
Ее график представлен на рис. П.5.
Определение параметров модели прогнозирования верхней границы (для кривой по данным ).
Полученная зависимость имеет вид:
Ее график представлен на рис. П.5.
Определение параметров модели прогнозирования нижней границы (для кривой по данным ).
Полученная зависимость имеет вид:
Ее график представлен на рис. 5.
Рис. 5. Графики моделей линии регрессии и ее доверительных границ
5. Определение наработки до отказа
Теперь, после того, как найдены параметры выбранной модели изменений ПКГ, производится экстраполяция ее статистических данных до предельного состояния исследуемого параметра , и находятся оценки нижних и верхних границ доверительного интервала средней наработки до отказа и из уравнений
и - нижняя и верхняя границы доверительного интервала средней наработки до отказа, следовательно средняя наработка до отказа определяется как
с доверительной вероятностью прогноза P=0,9.
Список литературы
1.Надежность технических систем и ее прогнозирование / В.В. Рыжаков. -Пенза: Изд-во Пенз. гос. технол. акад.,2011.-Ч.1.
. Надежность технических систем и ее прогнозирование / В.В. Рыжаков. - Пенза: Изд-во Пенз. гос. технол. акад.,2011.-Ч.2.
.Надежность технических систем и ее прогнозирование. Задания и аналитические материалы по выполнению домашних и курсовых работ./ В.В. Рыжаков.- Пенза: Изд-во Пенз. гос. технол. акад.,2011.