Модели и методы. Модели и методы построения вероятностно статистических оценок для мониторинга показателей надёжности в диспетчерском управлении транспортом газа
Скачать 3.85 Mb.
|
1938 года, будучи доцентом кафедры теории вероятностей механико-математического факультета МГУ, Б.В. Гнеденко работал над задачами построения асимптотических распределений максимального члена вариационного ряда ив начале июня 1941 года защитил докторскую диссертацию, включавшую в себя, в том числе, эту тему. В 1943 г. классическая работа Б.В. 47 Гнеденко, положившая начало целому направлению в теории вероятностей, была издана только на французском языке [135]. Поэтому (вслед замы будем использовать термин распределение Гнеденко–Вейбулла». Позже В. Вейбулл [150] призывал активно использовать данное распределение в теории надёжности и контроле качества ввиду достаточной гибкости моделирования различных возникающих на практике форм функции интенсивности отказов, которая будет рассмотрена в дальнейшем в работе. Как отмечается в [22] примерно половина всех работ по статистическим методам в надёжности за 1967-1980 гг. была посвящена распределению Гнеденко-Вейбулла. Таким образом, начиная с х годов прошлого века, распределение Гнеденко-Вейбулла использовалось в весьма обширном спектре прикладных задач из самых разных областей знаний таки и нашло чрезвычайно широкое применение в машиностроении, приборостроении, радиоэлектронике. Приведем только некоторые из тем исследований, в которых применялся анализ данных на основе распределения Гнеденко-Вейбулла: моделирование скорости ветра над океаном, обобщенная модель массового отравления, моделирование сроков хранения продукции в фармакологии, описание человеческого поведения, изучение моделей продолжительности промышленных кризисов, динамические модели течения этнополитических конфликтов, задачи об оффшорных торгах по аренде нефтяных и газовых месторождений, оценивание влияния температуры на прорастание люцерны, описание процессов ползучести материалов, изучение проблем надёжности нефтепромыслового оборудования [7, 46, 59, 77, 141, 143]. Можно с полной уверенностью сказать, что распределение Гнеденко- Вейбулла является одним из трех (наряду с лог-нормальным и гамма- распределением, которые используются в современной практике для аппроксимации распределений различных односторонне ограниченных случайных величин [17]. Также интересно отметить, что история возникновения и развития распределение Гнеденко-Вейбулла удивительным образом пересекается с историей и этапами формирования самой теории надёжности. Примерно водно время появились (начало х годов XX века, стали бурно использоваться и развиваться в е годы. Приведем достаточно наглядную модель возникновения распределения Гнеденко-Вейбулла (которое будем в дальнейшем обозначать как , ) GW ): так называемую модель слабого звена см. [87]). Пусть имеется последовательная цепь, состоящая из большого числа n звеньев. Допустим, что прочности отдельных звеньев можно трактовать как реализации n независимых, одинаково распределенных неотрицательных случайных величин 1 ,..., n X X . На оба конца цепи подается равномерно возрастающая нагрузка, и фиксируется напряжение, при котором происходит разрыв цепи. Очевидно, что это напряжение равнопрочности наислабейшего звена цепи (разрыв происходит, когда рвется самое слабое звено, поэтому его можно трактовать как реализацию случайной величины 1 Если ( ) F x − функция распределения каждой из k X , 1,..., k n = , то функция распределения ( ) n G x для n X находится следующим образом (в силу независимости и одинаковой распределённости случайных величин 1 ,..., n X X ): 1 ( ) ( ) 1 ( ) 1 ( ,..., ) n n n n G x P X x P X x P X x X x = = − = − = 1 1 ( ) 1 (1 ( )) . n n k k P X x F x = = − = − В технических приложениях, при больших n , как правило, вместо ( ) n G будет использоваться ее асимптотическое представление. Однако, при каждом фиксированном положительном x очевидно, что lim ( ) 1 n n G x → = . Поэтому необходимо провести нормировку n X по аналогии стем, как это делается в центральной предельной теореме из классической теории вероятностей, чтобы распределение не вырождалось при n → . Понятно также, что n X по вероятности сходится к нулю, что по определению означает 49 0 {| | } 0, ( ) n P X n → → . Действительно, 1 {| | } { min } n n k k n P X P X P X = = = 1 1 ,..., { } (1 ( )) 0, ( ), n n n k k P X X P X F n = = = = − → → так как 1 ( ) 1 F − . Произведем нормировку n X с помощью домножения на некоторую растущую функцию от n . При этом нам не избежать условий на поведение функции распределения ( ) F x при 0 x → + . Предположим, что ( ) F x ax , ( 0 x → + ), где a и − неотрицательные числа, (все стандартные непрерывные распределения, сосредоточенные на положительной полуоси, удовлетворяют данному условию (см, например, [46])). Функция распределения ( ) W x нормированной случайной величины 1 n Y n X = уже не вырождается с ростом n , и её предельное распределение находится с помощью следующих выкладок 1 1 ( ) ( ) 1 1 n n x x W x P Y x P X F n n = = = − − 1 1 1 1 1 1 , ( ). n n ax x ax a e n n n − − − = − − − → Заменяя параметр a на новый параметр , определяемый из уравнения a = , получаем распределение Гнеденко-Вейбулла, которое в дальнейшем будем обозначать как , ) GW с функцией распределения ( ) ( ) 1 , 0, 0, 0. x F x e x − = − 50 2.2. Различные аппроксимации фундаментальных числовых характеристик распределения, точность полученных приближенных формул Итак, пусть случайная величина ( , ) GW подчиняется распределению Гнеденко-Вейбулла, те. её функция распределения имеет следующий вид ( ) 1 , 0 ( ) 0, 0 t e t F t t − − = (1) где называется масштабным параметром ( 0) , а − параметром формы ( 0) , от которого существенно зависит вид графика плотности распределения см. Рисунок 7): ( ) 1 , 0 ( ) 0, 0 t t e t f t t − − = (2) Рисунок 7. Формы кривой плотности распределения Гнеденко-Вейбулла для некоторых значений параметров (при 0.5 = ). В современной литературе по теории надёжности данное распределение нашло широкое применение, в связи сего универсальностью и гибкостью в приложениях. Целый ряд распределений является частным случаем распределения Гнеденко-Вейбулла (см. Рисунок 7): значение параметра формы , равное 1, превращает его в показательное распределение при = 2 распределение оно 51 совпадает с распределением Рэлея начиная с значений > 2 распределение Гнеденко-Вейбулла позволяет аппроксимировать лог-нормальное распределение [46]; если же > 3,5, то данное распределение служит достаточно хорошим приближением для нормального распределения, на котором базируются различные модели прикладной математической статистики. Математическое ожидание и дисперсия равны, соответственно, 1 1 1 M = + , 2 2 1 2 1 1 1 D = + − + , (3) где ( ) 1 0 x t x t e dt + − − = − гамма-функция Эйлера. Введем для краткости следующее обозначение 1 def k k = + . Тогда 1 1 M = , ( ) 2 2 1 2 1 D = − , а коэффициенты вариации, асимметрии и эксцесса имеют вид, соответственно ( ) ( ) 2 2 1 2 2 1 1 1, V D C M − = = = − (4) ( ) ( ) 3 3 1 2 1 3 2 2 1 2 3 2 , S A − + = − (5) ( ) ( ) ( ) ( ) 2 2 4 4 1 3 1 2 2 1 2 2 2 1 4 12 3 6 X E − + − − = − (6) Отметим, что вышеуказанные коэффициенты являются специальными мерами, позволяющими охарактеризовать форму и другие особенности функции распределения, в чем состоит важность их рассмотрения. В силу того, что все 52 перечисленные характеристики случайной величины с функцией распределения (1) включают в себя функцию специального вида ( ) x , значения которой можно найти только численными методами, и требующими достаточно трудоемких вычислений, возникает проблема теоретического изучения распределения Гнеденко-Вейбулла. Для исследования числовых характеристик данного распределения используем методы асимптотического анализа [43, 74] и теории рядов [117], еще со времен И. Ньютона и Г. Лейбница являющиеся мощным инструментарием-орудием математического анализа. Асимптотические разложения для математического ожидания, дисперсии, коэффициентов вариации, асимметрии и эксцесса. Все указанные выше выражения (3) – (6) являются некоторыми комбинациями от выражений вида 1 , 1, 2,3, 4 k k k + = Нас интересует асимптотика числовых характеристик распределения ( , ) GW при достаточно больших . С этой целью найдем разложение вряд Тейлора функции ( ) 1 x + в окрестности действительной точки 0 x = : ( ) ( ) ( ) ( ) ( ) 2 3 1 1 1 1 1 ..., ( 0) 1! 2! 3! x x x x x + = + + + + → . Как известно, (1) 0! 1 = = . Требуется найти ( ) 1 , ( ) 1 , ( ) 1 и т.д. Можно использовать для этой цели вспомогательную специальную функцию, тесно связанную с теорией Эйлеровых интегралов, которая представляет собой логарифмическую производную гамма-функции, и обозначаемую обычно через ( ) ( ) ( ) x x x = , называемую дигамма-функцией [74]. 53 Номы пойдем другим путём. Известно разложение гамма-функции в бесконечное произведение Вейерштрасса [33, 117]: 1 1 1 ( ) x x k k x xe e x k + − = = + , где 0,57721... = − постоянная Эйлера-Маскерони. Тогда 1 1 1 1 ( ) (1 ) x x k k x e e x x x k + − = = = + + , и, следовательно, 1 1 1 1 ln 1 ln 1 1 (1 ) 1 x k k k x x x x e k k k x x x k k x x e e e e e e k − + + = = − + + − + − − − = + = + = = (7) В силу стандартного разложения функции ln(1 ) x + вряд Маклорена имеем 2 3 4 5 1 1 1 1 ln 1 ..., 1 2 3 4 5 x x x x x x x k k k k k k k − + = − + − + Таким образом, получаем следующее соотношение ( ) ( ) ( ) 2 3 4 5 1 1 1 2 2 1 2 1 1 1 1 1 1 ln 1 1 1 1 ( ) 2 3 4 5 n n n n n n n k k k n n k n x x x x x x x x x n k k k k k k n k n n k e e e e e + + + + + + + = = = = = = = − + − + − + − − − = = = = , где 1 1 ( ) s k s k + = = − дзета-функция Римана, задаваемая в виде ряда Дирихле. Ввиду известного разложения функции x e вряд Маклорена получаем ( ) 2 ( ) 2 1 2 3 4 (2) (3) 1 (2) 1 (4) 2 3 4 2 n n n n x n e x x x + = − = + − + + − , 2 2 3 3 4 4 1 2! 3! 4! x x x x e x − = − + − + − , и, следовательно, на основании правила перемножения рядов [33, 117] из (7) следует 54 ( ) 2 1 ( ) 2 2 3 3 2 3 2 2 3 3 (1 ) (2) (3) 1 1 2! 3! 2 3 1 1 1 (2) 2 (3) 3 (2) ..., 2 6 n n n x n n x x e e x x x x x x x x + = − − + = = = − + − + + − + = = нов силу того что 2 2 1 см, например, [33]), в конечном итоге получаем разложение 2 2 2 2 3 3 1 1 (1 ) 1 2 (3) ..., 2 6 6 2 x x x x + = где (3) 1, 202... = − постоянная Апери, а 0,577... = − постоянная Эйлера- Маскерони. Также получено полезное соотношение 2 4 2 3 4 (3) 1 (1 ) 1 (4) 12 3 4 72 x x e x x x − +и, как следствие 2 4 2 3 4 (3) 1 1 1 (4) 12 3 4 72 Таким образом можно окончательно получить разложения фундаментальных характеристик (3)-(6) распределения Гнеденко-Вейбулла по обратным степеням параметра формы до любого порядка малости, используя технику оперирования со степенными рядами [117]. В силу громоздкости полученных выражений ограничимся 3-4 слагаемыми в разложениях: 55 2 2 2 3 2 3 4 4 2 2 4 4 1 1 1 1 1 1 2 (3) 2 6 6 2 1 3 1 1 8 (3) , ( ) 24 20 M o = − + + − + + + + + + + + → (8) ( ) 2 2 2 2 4 2 2 3 4 3 2 4 2 2 5 5 1 1 1 29 1 2 (3) 4 (3) 6 3 3 360 1 1 40 29 720 (3) 140 (3) 1080 (5) 180 1 , ( ) D o = − + + + + − − + + + + + + → (9) ( ) ( ) 2 6 2 3 3 3 6 4 5 4 4 19 2160 (3) 1 6 (3) 1 1 120 6 (3) 1080 (3) 360 (5) 1 1 , ( ) 20 V D C M o − = = − + − + + − + → (10) ( ) ( ) 2 6 3 2 3 6 4 4 2 2 11 2160 (3) 1 3 1 24 (3) 2 5 (3) 432 (3) 24 (5) 1 1 15 , ( ) S A o − = + − − − − + → (11) ( ) 2 4 2 8 2 6 2 2 1 6 (3) 20 (5) 1 27 72 5 1087 (3) 15120 (3) 3628800 (3) (5) 2 1 35 1 , ( ) X E o + = + − − − − + + → (12) 56 где ( и определены выше. Получим некоторые комбинированные функционально-степенные разложения для фундаментальных характеристик случайной величины , имеющей распределение Гнеденко-Вейбулла ( , ) GW . Эти разложения могут быть использованы для приближенных вычислений. Будем исходить из следующих классических соотношений, выполняющихся для всех 1 (см. [33]; фактически, первое было нами доказано выше 2 1 ( ) 1 ln 1 ( 1) n n n n n + = + = − + − , 2 1 1 1 1 (2 1) 1 ln 1 ln , 2 Sin ( ) 2 1 n n n n + + = + + = − После потенцирования первых двух перечисленных выше рядов, ограничившись разложениями вряд до членов порядка малости не больше пяти, которые выполняются при → , получаем 3 2 4 2 3 4 4 1 1 1 1 , ( ) A A A e o − + = + + + + → , (13) 3 5 1 3 5 5 1 1 1 1 , ( ) Sin ( ) B B B o + = + + + + → , (14) где 2 4 2 3 4 (2) (3) 1 ; ; (4) , 2 12 3 4 72 A A A = = = − = + 3 2 1 3 5 (3) (5) (3) , , 3 2 5 2 B B B = − = − − = Таким образом, имеем два гибридных разложения для математического ожидания ( , ) GW , выполняющихся при → : 3 2 4 2 3 4 4 1 1 1 1 1 1 , A A A M e o − = + = + + + + (15) 57 3 5 1 3 5 5 1 1 1 Sin ( ) B B B M o = + + + + , (16) Также можно получить два соотношения для дисперсии (при → ): 2 2 3 2 4 2 2 2 3 4 4 6 2 14 1 1 , A A A A D e o − − = + + + (17) 2 2 2 2 4 2 2 1 3 1 1 3 1 2 2 3 4 4 7 6 2 1 1 6 3 12 160 96 Sin ( ) B B B B B B D o Доказательство приведено в Приложении Б. И, как следствие, получаем следующие асимптотические разложения для коэффициента вариации ( , ) GW (при → ): 4 2 3 3 1 6 (3) 1 252 (4) 1 1 24 С + = − + + , (18) 2 4 2 2 2 2 1 6 (3) 1 1 21 (4) 1 1 1 2 12 С Коэффициенты вариации V C , асимметрии и эксцесса X E , случайной величины являются в силу задания безразмерной величиной. Данный факт позволяет использовать их в качестве универсальных количественных оценок распределения. В приложениях коэффициент вариации играет большую роль. Он содержит только параметр (отсюда следует, что представляет собой безразмерную величину. Учитывая, что (3) 1, 202 и (5) 1, 037 , (см. [33]) получаем следующие аппроксимирующие формулы, выполняющихся при больших значениях : 58 2 3 4 5 1 0,577 0,989 0,907 0,981 0,982 1 M − − + − + (19) 2 2 3 4 5 1 1, 645 4,303 11, 718 26,531 D − + − (20) 2 3 4 5 1, 282 0,937 1, 662 2, 753 4,855 V C − + − + (21) 2 3 4 5 5,966 12, 280 36, 224 106, 077 315,549 1,140 S A − + − + − + (22) 2 3 4 5 27 28,918 152, 616 666, 448 2877,877 12120,831 5 X E − − + − + (23) Указанные выражения предлагается использовать при инженерных расчетах для приближенного и упрощенного вычисления важных числовых характеристик распределения Гнеденко-Вейбулла. Заметим, что из (15) можно получить совсем грубое, но вполне имеющее практическую значимость, приближение для математического ожидания случайной величины ( , ) GW : 2 2 1 1 , 12 M e − + (24) меру точности которой приведем далее. Оценки точности полученных аппроксимаций Для оценки степени точности полученных аппроксимирующих соотношений был использован профессиональный компьютерный математический пакет 59 Wolfram Mathematica [149]. На основании численных расчетов, выполненных в указанном пакете, была исследована степень точности полученных приближенных равенств (19) и (21) с учетом количества членов данных разложений. Результаты сведены в Таблицу 1 значений относительной погрешности Таблица 1. Таблица значений относительной погрешности аппроксимирующих формул количество членов 5 4 3 5 4 3 1,5 5,79 |