Алгоритм статистического контроля данны

При контроле процессов для целей анализа их протекания, совершенствования задаваемых режимов работы, учета степени квалификации управляющего персонала целесообразно для ряда основных измеряемых величин определять в процессе конкретной работы объекта рекуррентными методами их основные статистические характеристики оценки математического ожидания и дисперсии. Основная особенность алгоритмов указанного вида заключается в том, что параллельно с контролем объекта в каждый такт своей работы система контроля приносит оператору данные об оценках статистических характеристиках измеряемых величин. Отличие от рассмотренных выше алгоритмов интегрирования и усреднения заключается в том, что здесь не ставится задача определения среднего значения измеряемой величины за какой-либо определенный, заранее заданный интервал времени. Система контроля в этом случае определяет оценки среднего значения и дисперсии измеряемой величины в текущий момент за непрерывно наращиваемый интервал времени. Эти оценки могут быть использованы оператором в любой момент времени работы системы. При этом, естественно, они будут тем точнее, чем больше времени прошло от момента начала работы рассматриваемого алгоритма (т. е. чем больше использованная длина реализации исследуемого случайного процесса). Обычно максимальные интервалы времени работы таких алгоритмов (максимальные длины используемых реализаций) ограничиваются интервалом, в котором режим работы агрегата можно считать неизменным. При изменении режима работы контролируемого объекта вычисление оценок статистических характеристик начинается заново. [c.122]

Для того чтобы облегчить анализ вариантов алгоритмов и заранее определить необходимый для алгоритмизации набор статистических характеристик измеряемых величин, используемый в качестве исходных данных, предлагается справочная табл. 3-5. В таблице выделены требуемые характеристики соответствующих величин для каждой операции контроля. Она является вспомогательной и не заполняется в процессе подготовки данных. [c.334]

О. В результате необходимого статистического анализа измеряемых величин должна быть заполнена табл. 3-6, дающая все необходимые данные для выполнения процесса алгоритмизации. Она предназначена для информации об исходных величинах, требуемой для реализации алгоритмов контроля. Список и обозначения исходных величин заносятся в графы 2, 3. Во всех остальных графах располагаются значения соответствующих характеристик, смысл большинства из которых понятен из таблицы. В некоторых графах таблицы могут помещаться не сами характеристики, а лишь ссылки на документы, в которых эти характеристики содержатся. Например, в графе 10 следует указать, для каких двух исходных величин вычисляется взаимно-корреляционная функция, и записать саму функцию. Если эта информация не умещается в клетке таблицы, то она выносится отдельно, а в клетке таблицы помещается соответствующая ссылка. То же относится и к корреляционной матрице (графа 15) и к статистическому материалу в виде дискретного ряда замеренных значений (графа 18). Взаимно-корреляционная функция и матрица коэффициентов корреляции между несколькими исходными величинами могут, например, понадобиться при выявлении некоторых сложных событий. Статистический материал р виде обучающей последовательности бывает необходим при реализации различного рода обучающихся алгоритмов. [c.335]

Данные, полученные в результате контроля и диагностики, должны подвергаться тщательному анализу, в частности статистическому. К сожалению, на практике значительная часть диагностической информации, полученной с большим трудом, не используется или используется не полностью, а заключения на ее основе не всегда обоснованны с точки зрения надежности результатов. Между тем современная вычислительная техника позволяет провести разносторонний анализ и интерпретацию данных в считанные секунды с оценкой достоверности заключений. Однако необходимо понимание алгоритмов обработки информации, заложенных в основу работы вычислительных программ. Авторы неоднократно сталкивались с непониманием даже тех результатов, которые выдает карманный калькулятор. В подобном случае мощная ЭВМ может оказаться не только бесполезной, но и вредной. Поэтому мы сочли необходимым рассмотрение некоторых общих принципов статистической обработки измерительной информации [40] и иллюстрации их применения. [c.215]

Алгоритм обработки экспериментальных данных может быть реализован на любой вычислительной машине. В рассматриваемой работе была применена ЭЦВМ Мир-1 с микропрограммным управлением и алгоритмическим языком АЛМИР . По приведенной блок-схеме обработка массива Э [/, /] экспериментальных данных, состоящего из I строк (общее количество отсчетов по каждому тензодатчику во всех нулевых и грузовых состояниях) и J столбцов (количество тензодатчиков) начинается с контроля всех элементов массива для исключения грубых ошибок в отсчетах из-за возможного повреждения тензосхемы. При этом в случае применения приборов ЦТМ-2 или ЦТМ-3 проверка производится на наличие в массиве отсчетов Э = ООО (обрыв компенсационного тензодатчика) и Э = 999 (обрыв рабочего тензодатчика) при работе на приборе ПИКЛ соответственно Э = —99990 и Э = + 99990. При обнаружении указанных отсчетов выводится на печать величина аномального отсчета и его номер в исходном массиве, определяющий номер тензодатчика и цикла нагружения. После этого подсчитываются приращения показаний по тензодатчикам и формируется массив X [К, J] из К строк (количество циклов нагружений) и J столбцов (по числу тензодатчиков). По каждому столбцу массива X К, J] подсчитывается среднее значение Аср и проводится контроль всех элементов в каждом столбце с целью исключения грубых ошибок (при отклонении от среднего более чем на S = 3 единицы). Эта величина 6 = 3 соответствует относительной деформации е = 3 10" и установлена по опыту лаборатории для нормально работающей тензосхемы. Применение статистических критериев (правило 2а или За) с достаточным уровнем надежности Р > 0,995) для оценки аномальных значений требует значительных объемов выборки и представляется нерациональным. Оптимальным является получение среднего приращения показаний каждого тензодатчика по пяти — шести циклам измерения. [c.73]

Задачи обработки экспериментальных данных могут быть различны вычисление статистических показателей качества, поэлементных II суммарных погрешностей, критериев оценки ногреш-ности измерения, а также сравнение точности процессов и др. 17ро-гресс в области вычислительной техники позволяет решать эти задачи с помощью стандартных программ не только весьма производительно, но и эффективно в смысле оперативного воздействия на проиесс (обработки, эксплуатации или контроля) в целях его коррекции. Рассмотрим здесь лишь примеры аналитической обработки результатов измерений путем вычисления статистических характеристик (см. рис. 4.6). Составим алгоритм вычисления коэффициентов технологического запаса точности см. формулу (4.22) двух процессов н сравним их точность, вычислив коэффициент увеличения точности по формуле [c.168]

Для создания этих прикладных программ были использованы методы статистической оценки, достоверности выводов по результатам контроля, а так-же данные, полученные в условиях сильного влияния на конечный результат посторонних факторов внешнего воздействия. Необходимость применения таких методов оценки возникает также в тех случаях, когда отсутствие абсолютной достоверности исследуемых данных но результатам эксперимента (вероятность присутствия и исследуемой выбйрке разного рода искажений) приводит к нарушению исходных предположений относительно вида распределении измеренных физических величин. Таким образом, для надежной работы СУБД необходимо проводить статистическую обработку поступающей информации по помехоустойчивым алгоритмам. [c.54]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...