Математическая модель случайного процесса изменения параметров во времени
Как при оценке технического состояния объектов ‘ПО данным эксплуатационного контроля, так и при анализе изменения надежности. по числовым показателям приходится решать одну задачу —• изучать случайные последовательности, заданные малым числом своих ■коротких реализаций, и отрабатывать методы построения прогноза для них. Задачам изучения случайных последовательностей посвящено много работ советских п иностранных авторов. Для решения эксплуатационных задач достаточно результатов в области теории стационарных случайных процессов, полученных А. А. Ягломом еще в 50-х годах. Более поздние работы позволяют найти решения и для более общих случаев. Однако практически приложить методы, разработанные в теории случайных процессов, часто не удается. Дело в том, что не известны необходимые для этого данные о математическом ожидании ц; и среднем квадратическом отклонении сті, о спектральной плотности f(X) или корреляционной функции Rp случайных процессов, образуемых результатами эксплуатационного контроля или показателями оперативной оценки надежности.
Корректное формальное описание наблюдаемых в реальной эксплуатации случайных процессов представляет сложную проблему, которую можно решить с помощью специальных статистических приемов.
Если считать, что наблюдаемые в эксплуатации многомерные случайные процессы имеют значения, которые при фиксированном времени подчинены распределению произвольного вида, то выписать практически, полезные решения не удается. При таких общих предположениях о характере наблюдаемого процесса не удается сформулировать доступные для ЭВМ алгоритмы расчетов из-за отсутствия необходимых исходных данных. Чтобы разумно ограничить общность исследуемых случайных процессов в интересах эффективного ‘решения эксплуатационных задач, в дальнейшем принимается гауссовская модель изучаемых процессов, т. е. считается, что распределения всех случайных величин xh ‘(при t=eonst) подчиняются нормальному закону.
Принятое предположение (о гауссовости) хорошо обосновано относительно распределения показателей 54
надежности Хи, которые являются оценками среднего значения случайных величин или частоты события, полученными по выборке. О допустимости принятия нормального распределения значений параметров технических объектов говорилось ранее. Оба эти предположения не противоречат экспериментальным данным. В качестве примера в табл. 2* приведены результаты проверки согласуемости с нормальным распределением параметров и показателей, о которых шла речь в предыдущем параграфе. Для каждого показателя расчеты проводились по двум независимым выборкам. Проверка осуществлялась с помощью критериев х2. Колмогорова
Т аблица 2
* Цифровые данные этой и всех. последующих таблиц книги условные. |
и на основании оценок коэффициентов асимметрии и эксцесса.
Из приводимых данных видно, что гипотеза о нормальности распределения ‘результатов измерения всех параметров и показателей надежности хорошо согласуется с реальностью. Чтобы убедиться, что со временем тип исходного распределения не деформируется, проверка проводилась на основании результатов эксплуатационного контроля технических объектов с разной наработкой и по показателям надежности за разные годы. Поэтому в табл. 2 для каждого параметра или показателя х даются результаты оценки двух выборок. Можно считать, что гипотеза гаусеовости справедлива не только в одном сечении при i = const, но и для всего процесса Хи
Принятие предположения о нормальном распределении случайного процесса Xi не открывает возможности непосредственного применения к задачам обработки эксплуатационной статистики известных методов теории случайных процессов. Ведь не известны не только параметры, входящие в аналитические выражения характеристик наблюдаемых случайных процессов уц, ш, , но и сама структура этих характеристик, т. е. математическая модель изучаемых процессов. Исходный статистический материал, собираемый в процессе эксплуатации, слишком мал по объему, чтобы установить изменение во времени математического ожидания щ, среднего квадратического отклонения сн и вид спектральной плотности f (X) ‘путем простого применения сглаживания экспериментальных оценок. При решении задач с малым объемом исходных данных для получения статистических характеристик наблюдаемых процессов необходимо строить оценки параметров в аналитических выражениях р,-, — а, /(Я) и одновременно подбирать наиболее подходящую структуру используемых аналитических выражений. Приходится также следить, чтобы ошибки, появившиеся при оценке параметров в сложных аналитических выражениях, не свели бы на нет выигрыш, ожидаемый от принятия более общей и, следовательно, более сложной модели процесса.
В задачах прогнозирования случайных процессов усложнение модели может приводить к ухудшению качества прогноза. Классическим примером здесь может служить ухудшение точности экстраполяции при увели — 56
чении степени экстраполирующего полинома. Другим источником ошибки является применение для прогнозирования значений корреляционной функции Rp наблюдаемого процесса при больших значениях аргумента р. В этом случае ошибка растет из-за недостаточно достоверного определения корреляционной функции по реализациям с малым числом точек и ухудшения обусловленности решаемых систем уравнений. Таким образом, в. погоне за общностью алгоритмов не всегда целесообразно предлагать сложную математическую модель изучаемых ПрОЦеССОВ Xi.
При изучении случайных процессов, описывающих, изменения значений параметров технических объемов — в эксплуатации или изменение во времени показателей надежности, удобно использовать следующую математическую модель их структуры:
Х31=Цг + Щ(Ц3+£б), (2 Л )•
где Ці — математическое ожидание множества реализаций: (иногда Ці называют регрессией процесса Хі по времени); £і — случайный процесс с нулевым математическим ожиданием и единичной дисперсией (приведенный к стандартному масштабу случайный процесс); сгі — среднее квадратическое отклонение множества реализаций от общей линии регрессии; ц%; — среднее отклонение реализации х> от общей линии регрессии Ці.
Представление (2.1) хорошо интерпретируется с точки зрения инженерного анализа. Изменения во времени: математического ожидания ц,- и среднего квадратического отклонения оі, оцениваемые по всему множеству реализаций, отражают постепенное старение эксплуатируемых объектов. Для всех номеров объектов / изменение ц,- и оі получается одинаковым.
Среднее отклонение значений /-й реализации Xі or общей линии регрессии:
Ч1′ =тг2 {xh — Ці), (2.2)1
и i=l
где Li — число измерений на /-Й реализации, характеризует — индивидуальные особенности начальной настройки конкретного /-го — объекта. Эта величина по времени (при изменении г) не меняется.
О виде случайного процесса £,■ не надо делать каких — либо искусственных предположений. Так, принимаемые — иногда предположения о его линейном ИЛИ МОНОТОННОМ; изменении не имеют достаточного физического обосно-
вания, поэтому не всегда справедливы в практических ситуациях. В дальнейшем будем рассматривать приведенный случайный процесс более общего вида, который может быть представлен как сумма скользящего среднего и авторегрессии. Такой процесс удовлетворяет уравнению (модели)
к к
2 Ре £/-6 = 2$) —0’ (2-3)
0 = 0 0=0
где Єі—случайный процесс с независимыми по і значениями (белый шум); (і])—коэффициенты авторегрессии (0=1, 2, . …Д); Рц — коэффициенты скользящего суммирования (0=’1, 2,
Математически доказано, что модели ‘(2.3) удовлетворяет любой случайный процесс с единственным ограничением — значения его в данный момент не должны зависеть от значений этого процесса в будущем. Физически даже трудно представить себе процесс, у которого подобное ограничение не выполнено. Доказательство общности представления (2.3) в близком для инженерных задач изложении можно найти в книге [13].
Принимаемая модель ‘(2.3) удобна для построения прогноза и вместе с тем является универсальной для описания процессов с реальными ограничениями, которые вытекают из физической природы изменения параметров авиатехники в эксплуатации или показателей надежности, по времени. Процесс i в дальнейшем считается стационарным. Такое предположение облегчает требования к объему необходимых исходных данных для всех практических расчетов. Но это ограничение несущественно’, потому что в модели (2.1) выделено математическое ожидание цг, которое представляется функцией времени произвольного вида. Функцией времени в (2.1) считается и среднее квадратическое отклонение 07 процесса Xi. При вычитании щ из х и выравнивания по о» разброса центрированного случайного процесса, т. е. для процесса вида g*=i(xi — р, г)/аг условие стационарности в широком смысле сводится к требованию неизменности во времени корреляционной функции Rp. Проверки неизменности корреляционной функции Rp процессов изменения параметров авиационной техники показали, что во всех случаях статистический материал не противоречил гипотезе о стацйонар — ности ‘процессов Методика таких проверок дана в работе 1[25].
Введение в модели (2.1) произвольного математического ожидания ц имеет преимущество с точки зрения анализа случайных процессов изменения параметров к отличие от моделей, рассматриваемых в книге ‘[13], где в основном изучаются случайные процессы в экономике.. Выделение Ці и аппроксимация его изменения степенным рядом позволяют отказаться от изучения моделей: наблюдаемого процесса Xi в виде случайного процесса. со стационарными приращениями. Такое усложнение — модели — частный случай представления (2.1), так как. доказано [22], что всякий процесс со стационарными конечными разностями q-то порядка может быть представлен в виде
5 + 2 се (0е =5+Ни 0 = 0
где ,£ — стационарный процесс се — коэффициенты аппроксимации p, j временным рядом.
Принятое положение о нормальном распределении, значений процесса Xi в сечениях позволяет не рассматривать никакие более сложные модели наблюдаемых процессов, чем модель (2.3). Действительно, модель более сложного вида
£г=2Ф0 Дг), (2.4)
в
где Ф (.) — функция произвольного вида,
не дает выигрыша относительно (2.3) при нормальном; распределении Xіj.
Для нормально распределенной случайной величины, всегда можно ограничиться классом линейных функций.
ФІ (•).
Модель (2.4) имеет смысл для процессов Xi с негауссовским (например, многомодальным) распределением,, где удачным выбором функции Ф (.) можно добиться лучшего, чем в ‘(2.3) совпадения модели и реального.- процесса. Возможный здесь выигрыш достигается за. счет усложнения вычислений и резкого повышения требований к объему исходных данных. Усложнение это> не всегда оправдано, так как более простая методика анализа, базирующаяся на модели (2.1), остается справедливой и для негауссовских процессов. Например, по-
л
лучаемый С ее ПОМОЩЬЮ линейный Прогноз Xi. будег яаилучшим в смысле минимизации среднего квадратического отклонения от прогнозируемого значения. Нелинейный прогноз может быть лучше только с точки зрения минимизации вероятности ошибки предсказания. При нормальном распределении xh линейный прогноз обеспечивает минимальное среднее квадратическое отклонение и минимальную вероятность ошибки.
Приведенный процесс li, подчиняющийся соотношению (2.3), имеет спектральную плотность f(%), которую с любой степенью точности можно аппроксимировать дробно-рациональной функцией
б
2 f
0=0
‘•Во многих практических задачах можно ограничиться более простым представлением для спектральной плотности, чем (2.5). У случайного процесса £,■ со спектральной плотностью (2.5) и соответствующей ей моделью (2.3) значение в любой фиксированный момент времени связано статистически с бесконечным числом предыдущих значений. Такой процесс физически представить себе гораздо труднее, чем процесс, у которого значение в і-й момент зависит лишь от конечного (пусть большого) числа предыдущих значений при
® = 1, 2,…, I. Поэтому потребности практики чаще всего удовлетворяет более простая модель
V
«/ = 2 Ре о+ «/. — (2-6)
е=1
получающаяся из (2.3), если считать в ней /2 = 0, рг0 “= 1.
У процесса, соответствующего этой модели, зависит от конечного числа g„-_o. Такой процесс называют процессом с «конечной памятью» или авторегрессионным. Модели (2.6) соответствует более простое, чем
(2.5)
, представление спектральной плотности:
Завершая описание принятой математической модели наблюдаемых процессов, отметим, что она применима при изучении одномерных процессов и для независимых 60
составляющих многомерного процесса. Вместе с тем каждую составляющую стационарного многомерного гауссовского процесса можно представить как линейную комбинацию независимых между собой случайных процессов fij имеющих нормальное распределение в сечениях. Процессы fi можно изучать и прогнозировать как одномерные в рамках модели >(2.1). Прогноз же исходного многомерного процесса xt будет получаться как линейная комбинация прогнозов fi. Методика представления составляющих M-мерного случайного процесса как линейной комбинации независимых между собой составляющих другого многомерного процесса рассматривается в гл. 3. Существенную роль в этой методике играет изучение матрицы корреляций 2 значений отдельных составляющих исходного случайного процесса. Поскольку матрица корреляций 2 для стационарных процессов не меняется во времени, в дальнейшем можно ограничиться ее изучением в любом фиксированном сечении t=const.