- •Введение
- •1.3. Погрешность функционирования средств измерений
- •2.4. Фазочувствительные детекторы и усилители
- •3. Методы оценки точности средств измерений
- •3.1 Метрологический анализ
- •3.2. Метрологический синтез
- •3.3. Оптимизация динамических характеристик СИ
- •4. Повышение точности и помехоустойчивости СИ
- •4.1. Методы повышения точности СИ
- •4.2. Методы повышения помехоустойчивости СИ.
- •4.3. Статистические методы оценки надежности СИ
- •Приложения
- •1. Характеристики случайных процессов
- •2. Корреляционные функции и спектральные плотности
- •3. Определение переходной функции системы
- •Литература
3. Определение переходной функции системы
Пусть передаточная функция системы представима в виде отношения двух многочленов:
W ( p) = B( p) |
, |
(3.1) |
A( p) |
|
|
где – B(p)=b0pm+…+bm; A(p)=a0pn+…+an,причем m<n.
Передаточная функция связана с переходной функцией преобразованием Лапласа:
W ( p) =∞∫h(τ)e−pτdτ; p =α + jβ . |
(3.2) |
0 |
|
Тогда переходная функция системы находится с помощью обратного преобразования Лапласа:
h(τ) = L−1[W ( p)], |
|
(3.3) |
|||
|
1 |
σ + j∞ |
|
||
L−1[W ( p)] = |
1 |
∫ W ( p)eptdp . |
(3.4) |
||
2π j σ |
|||||
|
− j∞ |
|
|||
|
|
1 |
|
|
Для вычисления обратного преобразования Лапласа сначала находятся корни pk характеристического уравнения A(p)=0: непосредственно (при n≤4) или численными методами (при
n>4). Если все корни простые, то есть А(р)=a0(р−р1) (р−р2) … (р−рn), то имеет место соотношение:
B( p) |
n |
B( p ) p t |
|
|
|
L−1[W ( p)] = L−1[ A( p) |
] =∑ |
k |
e k |
; (t >0) . |
(3.5) |
A′( p ) |
|||||
|
k=1 |
k |
|
|
Если корни кратные, то есть A( p) =a ( p − p )l1...( p − p )ln , то |
||
0 |
1 |
n |
L−1 определяется выражением (формула Хевисайда):
|
|
|
|
|
|
n |
1 |
|
|
|
|
|
( p |
|
|
lk |
B( p)e |
pt |
|
(l −1) |
|
|
|||||||
L−1[W ( p)] =∑ |
|
|
[ |
− pk ) |
|
|
|
]pk=pk |
(3.6) |
||||||||||||||||||||
|
|
|
|
|
|
|
|
A( p) |
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
k=1 |
(lk −1)! |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
Выражение (3.6) можно представить в виде: |
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
n |
lk |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
L−1[W ( p)] =∑∑Hkitlk −iepkt , (t >0) , |
|
|
|
|
|
|
(3.7) |
||||||||||||||||||||||
где |
|
|
|
|
k=1 i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
( p − pk )lk B( p) |
|
|
|
|
|
|
||||||||
H |
|
= |
|
1 |
|
|
|
di−1 |
[ |
]p=p . |
(3.8) |
||||||||||||||||||
ki |
|
|
|
|
|
|
|
|
− |
|
|
|
A( p) |
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
|||||||
|
|
|
|
|
(i −1)!(lk −1)!dpi |
1 |
|
|
|
|
|
|
|
|
корни рk имеют |
||||||||||||||
Отметим, |
что |
система |
|
устойчива, |
|
если |
|||||||||||||||||||||||
отрицательные действительные части. |
|
|
|
|
|
|
|||||||||||||||||||||||
В частности, если W ( p) = |
|
|
|
1 |
|
|
|
|
|
, то |
|||||||||||||||||||
( p − p )( p − p )( p − p ) |
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
2 |
|
3 |
|
|
h(t) = L−1[W ( p)] =C ep1t |
+C ep2t |
+C ep3t |
, |
|
(3.9) |
||||||||||||||||||||||||
где |
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
2 |
3 |
|
|
|
|
|
|
|
|
|||
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
||
C1 = |
|
|
|
|
|
|
|
;C2 |
= |
|
|
|
|
|
|
|
; |
|
|||||||||||
( p − p )( p − p ) |
( p − p )( p − p ) |
|
|
||||||||||||||||||||||||||
|
|
|
|
|
1 |
2 |
1 |
|
|
3 |
|
|
|
|
|
|
|
2 |
1 |
|
2 |
3 |
|
|
|
||||
C3 = |
|
|
|
1 |
|
|
|
|
|
|
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
(3.10) |
||||
|
( p3 − p1)( p3 − p2) |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Вместо формулы Хевисайда можно использовать разложение, применяемое при решении дифференциальных уравнений. Если А(р) и В(р) не имеют совпадающих корней, то каждому действительному корню рk уравнения А(р)=0 отвечает lk простых дробей вида:
c |
, |
c |
|
cl |
, |
(3.11) |
p − pk |
( p − pk )2 |
,..., ( p − p )lk |
||||
1 |
|
2 |
|
k |
|
|
k
где lk – кратность корня рk. Каждой паре комплексносопряженных корней рk =α+iβ отвечает lk простых дробей вида:
p +g |
|
p +g |
|
]2 |
|
p + gl |
]lk |
, |
d1 ( p −α)2 +β2 |
,d2 [( p −α)2 +β2 |
,...,dlk [( p −α)2 +β2 |
||||||
1 |
|
|
2 |
|
|
k |
|
|
где lk – кратность корней рk=α+iβ.
Тогда L−1[W ( p)] находится как сумма обратных преобразований
Лапласа таких слагаемых. В частности,
−1 |
1 |
|
|
p t |
|
|
|
|
|
|
|
|
|
|
|
||
L [ |
|
] =e 1 |
|
, |
|
|
|
|
|
|
|
|
(3.12) |
||||
p − p |
|
|
|
|
|
|
|
|
|
||||||||
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
L−1[ |
1 |
|
|
] =tep1t , |
|
|
|
|
|
|
(3.13) |
||||||
( p − p )2 |
|
|
|
|
|
|
|||||||||||
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
L−1[ |
p + g |
|
|
] =C eαt sin(βt +ϕ) , |
(3.14) |
||||||||||||
( p −α)2 +β |
2 |
||||||||||||||||
|
|
|
|
1 |
|
|
|
|
|
|
|||||||
|
1 |
[(α +g) |
2 |
+β |
2 1/2 |
|
β |
|
|||||||||
где C1 = β |
|
] |
|
, ϕ =arctg α+g ; |
|
||||||||||||
−1 |
|
|
1 |
|
|
|
|
|
|
|
|
1 |
|
αt |
|
|
|
L [ |
|
] |
= |
|
e |
(sin βt −βt cos βt) . |
(3.15) |
||||||||||
[( p −α)2 +β2]2 |
2β3 |
Вопросы этого раздела рассмотрены, например, в [20, 45].
4. Типы распределений, используемых при оценке надежности СИ
Распределение Вейбулла. Оно является непрерывным. Плотность распределения задается выражением:
f (x;a,b,c) =c /b((x −a)/b)c−1 exp{−((x −a)/b)c}, |
(4.1) |
где х – случайная величина; x>a, b>0, c>0, a – параметр сдвига, b
– параметр масштаба, с – параметр формы. При испытаниях на долговечность параметр а обозначает длительность начального периода, в течение которого происходят отказы. Интенсивность отказов и плотность распределения Вейбулла принимают различные формы при разных с. В частности, при с>1 распределение одновершинное, и интенсивность отказов возрастает с течением времени. При с<1 распределение имеет вид
кривой убывающей функции, и интенсивность отказов с течением времени уменьшается. При с=1 интенсивность отказов постоянна, и распределение Вейбулла совпадает с экспоненциальным(см. ниже). В этом случае параметр масштаба b=1/λ, где λ – параметр экспоненциального распределения. Распределение Вейбулла часто используется в качестве модели для времени безотказной работы на основе экспериментальных данных. Вероятность отказа за время t определяется выражением:
t
P0(t) =∫a f (x;a,b,c)dx =1−exp{−((t −a)/b)c}. (4.2)
Математическое ожидание для этого распределения равно:
E[x] =ab +b2 / cΓ(1/ c) . |
(4.3) |
Дисперсия равна: |
|
D[x] =a2 −ab +2ab/ cΓ(1/ c) −b2 / cΓ(1/ c) +2b2 / cΓ(2/ c). |
(4.4) |
Отрицательное экспоненциальное распределение. Оно также является непрерывным. Плотность экспоненциального распределения равна:
f (x,λ) =λexp(−λx); x ≥0, λ >0 , |
(4.5) |
где λ имеет смысл интенсивности отказов. Иногда употребляется другой параметр b=1/λ. Экспоненциальное распределение является частным случаем гамма-распределения при с=1. В теории надежности это распределение является статистической моделью времени безотказной работы для системы с большим числом последовательно соединенных элементов. Вероятность отказа системы за время t дается выражением:
P0(t) =1−exp(−λt) . |
(4.6) |
Для этого распределения характерна резко выраженная правосторонняя (положительная) асимметрия, кроме того, математическое ожидание равно среднеквадратичному отклонению. Математическое ожидание определяется выражением:
E[x] = D[x] =∞∫xλexp(−λx)dx =1/ λ. |
(4.7) |
0 |
|
Биномиальное и отрицательное биномиальное распределение. Эти распределения являются дискретными. Предположим, что проводится серия независимых испытаний, в каждом из которых возможны лишь два исхода: успех или неудача. Обозначим вероятность успеха р, а вероятность неудачи q=1–р. Предполагается, что р одинаково в каждом испытании. Например, при контроле СИ р – вероятность, что СИ будет годным, а q – что негодным. Тогда вероятность того, что в последовательности из n испытаний успехи осуществляются в точности k раз, дается выражением:
P(x =k) =Ck pk qn−k , 0 < p <1. |
(4.8) |
n |
|
Функция (4.8), определенная при k=0,1,…,n, задает биномиальное распределение с параметрами n и p. Это очень важное дискретное распределение, широко используемое при статистическом контроле качества продукции, при описании систем массового обслуживания и т.п. Биномиальное распределение симметрично при р=0,5; при р<0,5 – более пологое справа; при р>0,5 распределение более пологое слева. При расчетах вероятностей удобно рекуррентная формула:
P(k +1) =(n −kp)P(k)/((k +1)q) . |
(4.9) |
Математическое ожидание для этого распределения равно E[x=k]=np; а дисперсия D[x=k]=npq, т.е. дисперсия меньше среднего. Отрицательное биномиальное распределение получило свое название в связи с тем, что формула распределения вероятностей для него определяется разложением бинома с отрицательной степенью. В этом распределении число испытаний является случайной величиной, и число успехов k становится параметром. Распределение позволяет определить вероятность числа неудач r до k-го успеха, которая равна члену
биномиального разложения выражения pk(1–q)-k, включающему qr, а именно:
P(x =r) =Cr |
+r−1 |
pk qr ; n ≥0; 0 < p <1. |
(4.10) |
k |
|
|
Математическое ожидание равно: E[x=r] = kq/p, а дисперсия: D[x]=kq/p². Легко видеть, что для этого распределения наблюдаемая дисперсия больше наблюдаемого среднего. Отрицательное биномиальное распределение имеет интересные приложения. Например, оно позволяет оценить «склонность» к отказам, авариям, несчастным случаям объектов некоторого типа.
Распределение Пуассона. Это распределение является дискретным. Если в биномиальном распределении положить np=λ и при постоянном λ увеличивать n (n →∞), то биномиальное распределение перейдет в распределение Пуассона с параметром λ. Это распределение используется для определения вероятности появления относительно редких случайных событий в единицу времени, на единицу площади или объема, например, число случаев брака, число внезапных отказов, число стихийных бедствий и т.д. на единицу времени или пространства. Вероятность числа таких событий за фиксированный интервал времени дается выражением
P(x =r) =λre−λ / r!, 0 <λ <∞. |
(4.11) |
Математическое ожидание для этого распределения равно дисперсии: Е[х]=D[х]=λ, и определяется параметром λ. Распределение имеет положительную асимметрию λ0,5, которая стремится к нулю с ростом λ, т.е. с увеличением λ распределение становится более симметричным, отдельные вероятности при λ<1 с ростом r уменьшаются; при λ>1 – сначала увеличиваются, затем уменьшаются. Максимум распределения приходится на ближайшее целое, меньше λ. При четном λ имеются два равных максимума вероятностей. Отметим, что сумма случайных величин, каждая из которых имеет распределение fi , имеет обобщенное распределение Пуассона
∞
(hi )t =e−λt ∑[(λt)n / n!] fin , (4.12)
n=0
где fin – свертка n функций fi . В частности, если распределение fi пуассоновское, то fi2 = f (r;2λ), где f (r;2λ) – распределение
вида (4.11).
Гамма-распределение. Это распределение является непрерывным и используется для описания случайных величин, ограниченных с одной стороны. Его плотность имеет вид
|
1 |
|
x −a |
c−1 |
− |
x−a |
|
|
||
f (x) = |
|
|
e |
|
b ; x ≥0; b >0; c ≥0,5 , |
(4.13) |
||||
|
b |
|||||||||
|
bΓ(c) |
|
|
|
|
|
|
где а – параметр сдвига, b – параметр масштаба, с – параметр формы, Г(с) – известная гамма-функция. Если с – положительное целое число, то Г(с)=(с-1)!. Обычно полагают при расчетах а=0, а вместо b используют другой параметр λ=b ¹. При изменении параметра λ форма распределения не меняется, а меняется только масштаб. В частности, при с<1 плотность распределения имеет вид убывающей функции, а при с>1 представляет собой одновершинную кривую с максимумом в точке х=(с-1)/λ. Гаммараспределение описывает время, необходимое для появления ровно c независимых событий (например, отказов), если они происходят с постоянной интенсивностью. Гамма-распределение играет важную роль в теории массового обслуживания, где рассматриваются задачи, связанные с ожиданием в очереди. Если, например, заявки на контроль и ремонт СИ поступают с постоянной интенсивностью (λ единиц в месяц) независимо друг от друга, а контроль и ремонт СИ производится партиями объемом c, то время, за которое будут проверены все приборы является случайной величиной, подчиняющейся гаммараспределению. Его широкое использование объясняется тем, что гамма-распределение принимает самые разнообразные формы. Частными случаями этого распределения являются распределения: Эрланга, когда параметр с – натуральное число; "хи-квадрат", когда параметр λ=0,5 и с кратно 0,5; экспоненциальное, когда параметр с=1. Часто гаммараспределение используется в альтернативной форме:
|
1 |
|
p−1 |
−y |
|
|
|
f (y) = |
|
y |
e |
|
, 0 |
< p <∞, |
(4.14) |
Γ( p) |
|
где p – параметр формы и введена новая переменная y=(x–a)/b. Математическое ожидание в этом случае равно: M[y]=p; дисперсия равна математическому ожиданию, т.е. D[y]=p.
Вопросы, изложенные в данном разделе, рассмотрены,
например, в [22, 35, 45].