Основные типы моделей
Из различных модификаций линейных возрастающих случайных функций изменения ОП Х(t) или ln X(t) наиболее часто процесс приближения объекта к отказам аппроксимируется следующими типами моделей:
а) веерной с ненулевым начальным рассеиванием (рис. 2a);
б) веерной с нулевым начальным рассеиванием (рис. 2б);
в) равномерной (рис. 2в).
Тип модели линейной функции Х(t) или ln X(t) зависит от числа случайных аргументов, определяющих ее случайный характер.
Веерная функция с ненулевым начальным рассеиванием описывается:
- для процесса X(t)
(10) |
- для процесса ln X(t)
(11) |
При t = 0 значения функций (12) и (13) представляют собой случайную величину, соответственно
(12) |
и
(13) |
причем V = V' . С учетом (12) и (13) модели (10), (11) легко представляются в виде (5) и (9). Случайный характер рассмотренной модели определяется двумя случайными аргументами: X0 или ln X0 - случайное начальное значение ОП или его логарифма; V или V' - случайная скорость изменения ОП или его логарифма.
Как следует из рис. 2a, все реализации веерной линейной случайной функции с ненулевым начальным рассеиванием проходят через общую неслучайную точку - "полюс".
Аргумент рассмотренной модели - случайная скорость изменения ОП (V) или логарифма ОП (V ) - имеет нормальное распределение с плотностью распределения соответственно:
(14) |
(15) |
Линейно зависящая от V случайная функция Х(t) (10) во всех сечениях будет распределена нормально с плотностью
и параметрами распределения:
(16) |
- матожидание mXi = M{Xi};
- среднее квадратичное отклонение
- Численные характеристики - матожидание mx(t) и СКО Sx(t), самой случайной функции (10) выражаются через числовые характеристики mv и Sv случайной скорости:
(17) |
(18) |
Cлучайное начальное значение ОП X0 соответствует сечению функции Х(t) (10) при t =0, поэтому также имеет нормальное распределение по (16) при i = 0 с параметрами mx(t = 0) = mx0 и СКО Sx(t = 0) = Sx0 , определяемыми из (17) и (18) при t=0:
(19) |
(20) |
С учетом (19) и (20) выражения (17), (18) для числовых характеристик случайной функции (10) изменения ОП Х(t) примут вид:
(21) |
(22) |
В соответствие с (11) нормальное распределение скорости V' приводит к тому, что линейно зависящий от V' логарифм ОП ln X(t) = Y(t) также будет распределен нормально во всех - сечениях с плотностью распределения
(23) |
Cам же ОП при этом будет иметь логарифмически нормальное распределение, плотность которого:
(24) |
В выражениях (23), (24)
myi = M{lnXi},
- соответственно, матожидание и СКО логарифма ОП в сечениях случайной функции (11).
Матожидание my(t) и СКО Sy(t) линеаризованной путем логарифмирования функции (11) можно получить, используя числовые характеристики случайной скорости V : mv' и Sv'. Проводя аналогичные, как для функции (10), преобразования, получаем числовые характеристики модели (11) изменения логарифма ОП lnX(t) = Y(t):
(25) |
(26) |
Веерная функция с нулевым начальным рассеиванием является частным случаем модели (5), (9) и может быть получена из указанных выражений путем замены в них, соответственно, случайных начальных значений ОП Х0 или его логарифма lnX0 = Y0 некоторым неслучайным значением K0 или lnK0.
Поскольку веерная модель с ненулевым начальным рассеиванием является
частным случаем моделей (10), (11), то ее свойства определяются свойствами указанных моделей, поэтому числовые характеристики определяются (без вывода):
- для функции Х(t) = K0 + Vt изменения ОП из (21), (22)
(27) |
(28) |
- для функции Y(t) = lnX(t) = lnK0 + V't изменения ОП из (25), (26)
(29) |
(30) |
Равномерная функция также является частным случаем моделей (5), (9) и может быть получена из последних путем замены в них соответственно случайных скоростей изменения ОП V или его логарифма V' на неслучайные (постоянные) скорости или '.
Числовые характеристики случайных функций определяются (без вывода):
- для функции изменения ОП Х(t) = X0 + t из (21), (22)
(31) |
(32) |
- для функции Y(t) = lnX(t) = Y0 + 't из (25), (26)
(33) |
(34) |
Рассмотренные линейные модели удобны для аппроксимации случайных процессов изменения ОП тем, что позволяют характеризовать эти процессы ограниченным числом аргументов модели, для определения которых требуется минимальный объем экспериментальных данных.
Дата добавления: 2016-03-20; просмотров: 641;