вопросы. вопросы надежности. 1 Анализ задач исследования надежности
Скачать 0.65 Mb.
|
, (71) где е - основание натурального логарифма; λ - интенсивность отказов (параметр распределения). Если, как обычно, λ<<0,1, то формула вероятности безотказной работы упрощается в результате разложения в ряд и принимает вид: , (72) Плотность распределения экспоненциального закона (рисунок 6) описывается соотношением: , (73) Рисунок 6 График плотности экспоненциального распределения Функция распределения выражается зависимостью: , (74) Математическое ожидание, дисперсия и среднее квадратическое отклонение этого закона соответственно равны: , , (75) 10 Нормальный закон распределения Нормальный закон распределения часто называют законом Гаусса. Этот закон занимает важное место, и наиболее часто используется на практике по сравнению с другими законами распределения. Основная особенность этого закона состоит в том, что он является предельным законом, к которому приближаются другие законы распределения. В теории надежности его используют для описания постепенных отказов, когда распределение времени безотказной работы в начале имеет низкую плотность, затем максимальную и далее плотность снижается, т.е. нормальным распределением описывают наработки на отказ элементов и систем вследствие их износа и старения. Распределение всегда подчиняется нормальному закону, если на изменение случайной величины оказывают влияние многие, примерно равнозначные факторы. Нормальный закон распределения описывается плотностью вероятности: , (76) где m и - параметры распределения, определяемые по результатам испытаний. Кривая плотности распределения имеет вид колоколообразной формы (рисунок 7). а) б) Рисунок 7 Кривая плотности вероятности (а) функции надежности (б) нормального распределения Параметр m представляет собой среднее значение исследуемой случайной величины , (77) параметр - среднее квадратическое отклонение исследуемой случайной величины, оцениваемое по формуле: , (78) Функция распределения имеет вид: , (79) Функция надежности противоположна функции распределения: . (80) Вычисление интегралов заменяют использованием таблиц нормального распределения, при котором m = 0 и = 1. Для этого распределения функция плотности вероятности имеет одну переменную t и выражается зависимостью: , (81) Величина t является центрированной (так как m = 0) и нормированной (так как = 1). Функция распределения соответственно запишется в виде: , (82) Из этого уравнения следует, что F0(t)+ F0(-t)=1 или При использовании таблицей 1 приложения следует в формулу (82) вместо t подставить значение: , (83) при этом , называют квантилью нормированного нормального распределения. Нормальному распределению подчиняется наработка до отказа многих восстанавливаемых и невосстанавливаемых изделий. Помимо задачи оценки вероятности безотказной работы за данное время или за данную наработку встречается обратная задача - определение наработки, соответствующей заданной вероятности безотказной работы. Значения этой наработки (времени) определяют с помощью квантили нормального распределения: (84) Значения квантилей в зависимости от требуемой вероятности даны в таблице 1 приложения. В работах по надежности часто вместо интегральной функции распределения используют функцию Лапласа: , (85) Очевидно, что: , (86) Вероятности отказа и безотказной работы, выраженные через функцию Лапласа: , (87) Вероятность попадания случайной величины в интервал вычисляют по формуле: , (88) Табличный интеграл Ф(t) равен площади кривой, заключенной между осью симметрии и ординатой, соответствующей значению t, и определяет вероятность того, что значение случайной величины находится в пределах от 0 до t. 11 Закон распределения Вейбулла Среди непрерывных распределений закон Вейбулла занимает одно из наиболее часто применяемых в оценке надежности технических систем по результатам испытаний и эксплуатации. Это распределение Вейбулл использовал при описании разбросов усталостной прочности стали, пределов ее упругости, размеров частиц копоти и др. В последнее время закон распределения Вейбулла нашел применение при описании надежности сложных технических систем, а также при изучении разбросов в сроках службы изделий различного назначения. Его используют для оценки надежности деталей и узлов машин, а также для оценки надежности машин в процессе их приработки. Такое широкое использование данного закона объясняется тем, что он представляет собой двухпараметрическое распределение. Плотность распределения описывается зависимостью: , (89) где α - параметр формы кривой распределения; λ - параметр масштаба. График плотности распределения дан на рисунке 8. Экспоненциальное распределение является частным случаем распределения Вейбулла при α = 1. Функция распределения описывается соотношением: , (90) Рисунок 8 Плотность распределения Вейбулла для λ = 1 Функция надежности - величина, противоположная функции распределения: , (91) Математическое ожидание и среднее квадратическое отклонение соответственно равны: , (92) где Г(α) - гамма-функция. Гамма-функция для непрерывной величины описывается интегралом , (93) Для вычисления значений функции Г(n+α), где n — целое число, а α - дробное при 2 ≤ n≤ 6, рекомендуется применять формулу: , (94) При n > 6 значения Г(n + α) можно находить по формуле: , (95) , (96) , (97) Широкое применение закона распределения Вейбулла объясняется тем, что этот закон, обобщая экспоненциальное распределение, содержит дополнительный параметр α. Подбирая нужным образом параметры α и λ, можно получить лучшее соответствие расчетных значений опытным данным по сравнению с экспоненциальным законом, который является однопараметрическим (параметр λ). Так, для изделий, у которых имеются скрытые дефекты, но некоторые длительное время не стареют, опасность отказа имеет наибольшее значение в начальный период, а потом быстро падает. Функция надежности для такого изделия хорошо описывается законом Вейбулла с параметром α<1. Наоборот, если изделие хорошо контролируется при изготовлении и почти не имеет скрытых дефектов, но подвергается быстрому старению, то функция надежности описывается законом Вейбулла с параметром α>1. При α=3,3 распределение Вейбулла близко к нормальному. 12 Логарифмически нормальный закон распределения Логарифмически нормальное распределение является двухпараметрическим распределением случайной величины, логарифм которой распределен по нормальному закону. Как распределение положительных величин, оно несколько точнее, чем нормальное. В теории надежности такое распределение используют для описания наработки на отказ деталей и узлов в период наступления усталости материала, а также процессов восстановления, износовых отказов, наработки на отказ подшипников качения и наработки между отказами сложных технических систем. Плотность распределения описывается зависимостью: , (98) Параметры m и σ оценивают по результатам испытаний с помощью формул: , (99) где ti - наработка до отказа i-го изделия; n - число изделий, поставленных на испытания , (100) Функция распределения имеет вид: , (101) Или: , (102) Вероятность безотказной работы можно определить по таблицам для нормального распределения в зависимости от значения квантили: , (103) Математическое ожидание и среднее квадратическое отклонение наработки на отказ соответственно равны: ; , (104) Коэффициент вариации равен: , (105) При ν≤0,3 полагают, что ν=σ, при этом ошибка не более 1 %. Кривые плотности распределения изображены на рисунке 9. Рисунок 9 Плотность логарифмически нормального распределения для различных σ 13 Гамма-распределение Гамма-распределение является двухпараметрическим распределением, оно занимает важное место в математической статистике и теории надежности. Это распределение имеет ограничение с одной стороны (0 Если параметр формы кривой распределения α - целое число, то гамма-распределение описывает время, необходимое для появления α событий (отказов), при условии, что они независимы и появляются с постоянной интенсивностью λ. В большинстве случаев это распределение описывает наработку системы с резервированием, отказов стареющих элементов, время восстановления системы и т.д. При различных количественных значениях параметров гамма-распределение принимает самые разнообразные формы, что и объясняет его широкое применение. Плотность вероятности гамма-распределения определяется равенством, если λ > 0 и α > 0: , (106) где Г(α)= Функция распределения: , (107) Функция надежности выражается формулой: , (108) Математическое ожидание и дисперсия соответственно равны: ; (109) При α < 1 интенсивность отказов монотонно убывает, что соответствует периоду приработки изделия. При а > 1 интенсивность отказов возрастает, что характеризует период изнашивания и старения элементов. При α = 1 гамма-распределение совпадает с экспоненциальным распределением; при α > 10 гамма-распределение приближается к нормальному закону. Если α принимает значения произвольных целых положительных чисел, то такое гамма-распределение называют распределением Эрланга. Если значение α кратно 1/2 и λ = 1/2, то гамма-распределение совпадает с распределением хи-квадрат (χ2). Кривые плотности распределения приведены на рисунке 10. Рисунок 10 Кривые плотности гамма-распределения Если случайные величины Т1 и Т2, ..., Тn независимы и имеют нормальное распределение, причем математическое ожидание и дисперсия этих величин соответственно равны: ; , (110) Функция распределения величины: , (111) носит название распределения χ2 (хи-квадрат). Плотность распределения χ2 имеет вид: , (112) где n - число степеней свободы. Математическое ожидание и дисперсия соответственно равны: ; , (113) 14 Распределение хи-квадрат случайной величины Распределение χ2 нашло применение при проверке статистических гипотез о виде распределения случайной величины Т, а также в теории надежности - при определении доверительных границ. Распределение хи-квадрат может быть определено как сумма квадратов n-независимых случайных величин с нулевым средним значением и единичным средним квадратическим отклонением. На рисунке 11 показаны формы кривых распределения. Следует отметить, что при n = 1 кривая несимметрична, а при n = 6 уже приближается к симметричной. При n > 30 кривая χ2 приближается к кривой нормального распределения. Рисунок 11 Форма кривых χ2 распределения для n = 1 и n = 6 15 Бета-рапределение случайной величины В задачах математической статистики и теории надежности важное значение имеет бета-распределение, плотность вероятности которого задается формулой , (114) Математическое ожидание равно: , (115) Дисперсия выражается формулой: , (116) Графически плотность распределения изображена на рисунке 12. Рисунок 12 Плотность бета-распределения Если случайные величины ξ и η независимы, при этом величина ξ, распределена нормально с математическим ожиданием, равным нулю М[ξ]=0 и дисперсией, равной единице D[ξ] = 1, а величина η2 имеет распределение χ2 , то отношение ξ/η распределено по закону Стьюдента (Госсета) с плотностью вероятности вида: , (117) Математическое ожидание и дисперсия соответственно равны: ; , (118) 16 Закон равномерного распределения случайной величины При решении практических задач часто встречаются случайные величины, о которых известно, что их возможные значения лежат в некотором интервале, причем все значения случайной величины одинаково вероятны, т.е. обладают одной и той же вероятностью. В качестве примера рассмотрим вертикально поставленное на оси симметричное колесо (рисунок 13), которое разгоняется и затем вследствие трения останавливается. Рассматривается случайная величина: φ - угол, который после остановки будет составлять с горизонтом фиксированный радиус колеса ОА. Очевидно, величина φ распределена с равномерной плотностью на участке (0, 2π). Рассмотрим случайную величину Т, подчиненную закону равномерного распределения на участке от α до β (рисунок 14), и напишем для нее выражение плотности f(t). Плотность распределения f(t) постоянна и равна с на отрезке (α, β); вне этого отрезка равна нулю: |