Метод центрирования статистический

В каких случаях статистические методы центрирования выгоднее детерминированных [c.79]

Статистические методы центрирования были охарактеризованы при рассмотрении задачи совмеш,ения ОРд и допусковой области ОД. [c.79]

Сравнивая группы методов центрирования и вписывания гиперфигур, отметим, что трудоемкость методов линеаризации фактически определяется трудоемкостью анализа чувствительности, сводящегося при применении метода приращений к выполнению (л+1) раз одновариантного анализа. Затраты времени на последующее решение линеаризованной задачи вписывания незначительны. При умеренных размерностях п (единицы—десятки) методы линеаризации наиболее экономичны, но их точность невысока. Этот недостаток устраняется в методах роста — движения , которые требуют заметно больших вычислительных затрат. В них кроме затрат на анализ чувствительности необходимо на каждом шаге роста — движения (т+1) раз обращаться к ММ объекта, где т — количество выходных параметров, задающих границы ОРд . По мере роста п более экономичными становятся статистические методы, так как в них количество обращений к ММ объекта не зависит от п. [c.79]

Одним из таких алгоритмов является алгоритм центрирования по методу статистического градиента. На каждом шаге алгоритма выполняются N статистических испытаний с выбором случайных Точек в пределах некоторой области U T. По результатам испытаний выделяются те точки Up U T, которые оказались в области работоспособности Uo. Для следующего шага в качестве координат ui центра и допусковой области U t принимаются средние арифметические значения координат ,> выделенных точек Up, [c.296]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...