Модели и характеристики случайных сигналов

1. Особенности исследования САУ при случайных воздействиях

При детерминированных заранее заданных воздействиях состояние САУ в любой момент t определяется начальным состоянием системы в некоторый момент времени t0 и приложенными к системе воздействиями. Эта задача определяется решением соответствующего дифференциального уравнения

anx (n)+an-1x(n-1)+…+a0x=bmg(m)+bm-1g(m-1)+…+b0g. (26.1)

Если ai, bj - постоянные коэффициенты, а g - определенная функция времени, то решение этого уравнения для заданных начальных условий будет единственным и определенным для всего интервала времени.

Однако в реальных условиях часто внешние воздействия изменяются случайно, т.е. заранее не предвиденным образом. Например:

суточные изменения нагрузки энергосистемы;

порывы ветра, действующие на самолет;

удары волны в гидродинамических системах;

сигналы радиолокационных установок;

шумы в радиотехнических устройствах и т.д.

Случайные воздействия могут прикладываться к системе извне (внешние воздействия) или возникать внутри некоторых ее элементов (внутренние шумы).

Очевидно, если в уравнении (26.1) g - входное воздействие заранее не определено, т.е. является случайной функцией, или параметры системы ai, bj изменяются случайным образом, то получить решение этого уравнения в детерминированном (т.е. определенном) виде невозможно.

Конечно, можно задаться некоторыми максимальными значениями этих параметров и решить поставленную задачу (расчет системы на заданную точность при максимальных значениях случайных воздействий). Но поскольку максимальные значения случайной величины наблюдаются редко, то в этом случае к системе будут предъявлены заведомо более жесткие требования, чем это вызывается реальностью.

Правда, такой подход иногда является единственно возможным(высокоточное производство, иначе – брак). Поэтому в большинстве случаев расчет системы при случайных воздействиях ведут не по максимальному, а по наиболее вероятному значению случайных величин, т.е. по такому значению, которое встречается наиболее часто.

В этом случае получают наиболее рациональное техническое решение (меньший коэффициент усиления системы, меньшие габариты отдельных устройств, меньшее потребление энергии), хотя для маловероятных значений задающего воздействия будет иметь место ухудшение работы системы.

Расчет САУ при случайных воздействиях с помощью специальных статистических методов, которые оперируют статистическими характеристиками случайных воздействий, являющихся не случайными, а детерминированными величинами.

САУ, спроектированная на основе статистических методов, будет обеспечивать соответствующие требования не для одного, детерминированного воздействия, а для целой совокупности этих воздействий, заданных с помощью статистических характеристик (если ошибка САУ носит случайный характер, то точное ее значение в какой-либо момент времени при статистическом расчете получить невозможно).

Статистические методы расчета САУ основаны на расчетах и работах советских ученых: Хинчина А.Я., Колмогорова А.Н., Гнеденко В.В., Солодовникова В.В., Пугачева В.С., Казакова И.Е. и др., а также зарубежных ученых – Н. Винера, Л. Заде, Дж. Рагоцине, Калмана, Бьюси и др.

2. Краткие сведения о случайных процессах.

Случайной функцией называется функция, которая при каждом значении независимой переменной является случайной величиной. Слу­чайные функции, для которых независимой переменной является время t,называют случайными процессами. Так как в САУ процессы протекают во времени, то в дальнейшем будем рассматривать только случайные процессы.

Случайный процесс x(t) не есть определенная кривая, он явля­ется множеством определенных кривых x_i(t) (i=1,2,…,n), по­лучаемых в результате отдельных опытов (рис.26.1). Каждую кривую этого множества называют реализацией случайного процесса, и сказать, по какой из реализаций пойдет процесс, невозможно.

Рис. 26.1. Графики реализаций и математического ожидания случайного процесса

Для случайного процесса, как и для случайной величины, для определения статистических свойств вводят понятие функции распре­деления (интегральный закон распределения) F(x, t) и плотнос­ти вероятности (дифференциальный закон распределения) w(x, t). Данные характеристики зависят от фиксированного момента времени наблюдения t и от некоторого выбранного уровня x, то есть явля­ются функциями двух переменных - x, и t.

Функции F(x, t) и w(x, t) являются простейшими статис­тическими характеристиками случайного процесса. Они характеризуют случайный процесс изолированно в отдельных сечениях, не раскрывая связи между сечениями случайного процесса.

К основным характеристикам случайных процессов, наиболее ши­роко используемых при исследовании систем управления, относят: математическое ожидание, дисперсию, среднее значение квадрата слу­чайного процесса, корреляционную функцию, спектральную плотность и другие.

А. Математическое ожидание m_x(t) является средним значением случайного процесса x(t) по множеству и определяется

(26.2)

где w₁(x, t) - одномерная плотность вероятности случайного про­цесса x(t).

Математическое ожидание случайного процесса x(t) представляет собой некоторую неслучайную функцию времени m_x(t), около которой группируются и относительно которой колеблются все реализации дан­ного случайного процесса (рис. 26.1).

Средним значением квадрата случайного процесса называют вели­чину

(26.3)

Часто вводят в рассмотрение центрированный случайный процесс , под которым понимают отклонение случайного процесса X(t) от его среднего значения m_x(t), или

(26.4)

Б. Дисперсия. Чтобы учесть степень разбросанности реализаций случайного про­цесса относительно его среднего значения, вводят понятие дисперсии случайного процесса, которая равна математическому ожиданию квад­рата центрированного случайного процесса

(26.5)

Дисперсия случайного процесса является неслучайной функцией времени D_x(t) и характеризует разброс случайного процесса Х(t) от­носительно его математического ожидания m_x(t).

На практике широко применяются статистические характеристики, имеющие ту же размерность, что и случайная величина, к которым от­носятся:

- среднее квадратическое значение случайного процесса

(26.6)

равное значению квадратного корня из среднего значения квадрата случайного процесса;

- среднее квадратичное отклонение случайного процесса

(26.7)

равное значению квадратного корня из дисперсии случайного процесса.

Математическое ожидание и дисперсия являются важными характе­ристиками случайного процесса, но не дают достаточного представления о внутренних связях случайного процесса, которые оказывают су­щественное влияние на характер его реализаций в пределах заданного интервала времени.

Одной из статистических характеристик, отражающих особенности внутренних связей случайного процесса, является корреляционная функция.

В. Корреляционной функцией случайного процесса Х(t) называют неслучайную функцию двух аргументов R_x(t₁,t₂), которая для каж­дой пары произвольно выбранных значений моментов времени t₁ и t₂ равна математическому ожиданию произведения двух случайных величин -Х(t₁) и Х(t₂), соответствующих сечений случайного процесса:

(26.8)

где w₁(x₁, t₁, x₂, t₂) двумерная плотность вероятности.

Случайные процессы в зависимости от того, как изменяются их статистические характеристики с течением времени, делят на стационарные и нестационарные. Различают стационарность в узком и широком смысле [15].

Стационарным в узком смысле называют случайный процесс Х(t), если его n-мерные функции распределения и плотность вероятнос­ти при любом n не зависят от положения отсчета времени t.

Стационарным в широком смысле называют случайный процесс X(t), математическое ожидание которого постоянно:

М[Х(t)]= m_x=const, (26.9)

а корреляционная функция зависит только от одной переменной - раз­ности аргументов t=t₂-t₁:

(26.10)

В теории случайных процессов пользуются двумя понятиями сред­них значений: среднее значение по множеству и среднее значение по времени.

Среднее значение по множеству определяется на основе наблюде­ния над множеством реализаций случайного процесса в один и тот же момент времени, т.е.

(26.11)

Среднее значение по времени определяется на основе наблюде­ний за отдельной реализацией случайного x(t) на протяжении доста­точно длительного времени Т, т.е.

(26.12)

Из эргодической теоремы вытекает, что для так называемых эргодических стационарных случайных процессов среднее значение по множеству совпадает со средним значением по времени, т.е.

(26.13)

В соответствии с эргодической теоремой для стационарного слу­чайного процесса с математическим ожиданием m_0x=0 корреляционную функцию можно определить

(26.14)

где x(t) - любая реализация случайного процесса.

Статистические свойства связи двух случайных процессов Х(t) и G(t) можно характеризовать взаимной корреляционной функцией R_xg(t₁,t₂), которая для каждой пары произвольно выбранных значении аргументов t₁ и t₂ равна

(26.15)

Согласно эргодической теореме вместо (26.15) можно записать

(26.16)

где x(t) и g(t)- любые реализации стационарных случайных процес­сов Х(t) и G(t).

Если случайные процессы Х(t) и G(t) статистически не связаны друг с другом и имеют равные нулю средние значения, то их взаимная корреляционная функция для всех t равна нулю.

Приведем некоторые свойства корреляционных функций.

1. Начальное значение корреляционной функции равно среднему

значению квадрата случайного процесса:

(26.17)

2. Значение корреляционной функции при любом t не может превышать ее начального значения, то есть

3. Корреляционная функция есть четная функция от t, т.е.

(26.18)

Другой статистической характеристикой, отражающей внутреннюю структуру стационарного случайного процесса Х(t), является спект­ральная плотность S_x(w), которая характеризует распределение энергии случайного сигнала по спектру частот.

Г. Спектральная плотность S_x(w) случайного процесса Х(t) опре­деляется как преобразование Фурье корреляционной функции R(t),

(26.19)

Следовательно,

(26.20)

так как спектральная плотность S_x(a) является действительной и четной функцией частоты w.

Соотношения (26.19) и (26.20) позволяют установить некоторые зависимости между структурой случайного процесса Х(t) и видом ха­рактеристик R_x(t) и S_x(w) (рис.26.2).

Ид приведенных графиков следует, что с увеличением скорости изменения реализации Х(t) корреляционная функция R_x(t) сужает­ся (обостряется), а спектральная плотность S_x(w) расширяется.

Рис.26.2.