Моделирование статистическое

При имитационном моделировании сложных систем на базе сетей Петри задают входные потоки заявок и определяют соответствующую реакцию системы. Выходные параметры рассчитывают путем обработки накопленного при моделировании статистического материала. [c.201]

Для прогнозирования поведения сложной системы с успехом может применяться метод статистического моделирования (статистических испытаний), который получил название метода Монте-Карло [184]. [c.212]

Основная идея метода статистического моделирования (статистических испытаний) состоит в том, что многократно воспроизводится некоторая формализованная схема, являющаяся в одном случае формальным математическим описанием процесса функционирования реальной системы и в другом случае выступающая в качестве такого рода математической модели, вероятностные характеристики которой адекватны решениям задач математического анализа (значениям интегралов, решениям дифференциальных уравнений и т. д.). [c.13]

В [1] были статистически исследованы на ЭВМ границы регулирования технологических процессов нри использовании метода средних арифметических значений и размахов. В настоящей работе проводится исследование, связанное с моделированием статистического контроля методом медиан и индивидуальных значений этот метод получил широкое распространение для статистического регулирования технологических процессов в машиностроении. [c.163]

Анализ сложных систем на базе сетей Петри можно вьшолнять посредством имитационного моделирования СМО, представленных моделями сетей Петри. При этом задают входные потоки заявок и определяют соответствующую реакцию системы. Выходные параметры СМО рассчитывают путем обработки накопленного при моделировании статистического материала. [c.143]

В основе методов Монте-Карло (методов статистических испытаний), применяющихся в различных областях вычислительной математики, лежит так называемое моделирование статистического эксперимента с помощью ЭВМ и регистрация числовых характеристик, получаемых из этого метода. Как правило, ошибка метода не может быть достаточно хорошо оценена заранее и чаще всего находится путем определения средних квадратичных для моделируемых величин. [c.299]

Научно-технические подпрограммы предназначены для графического изображения результатов решения задач моделирования, статистического анализа и позволяют вычерчивать полиномиальные зависимости, кривые, аппроксимирующие заданные последовательности точек, графики в полярных и логарифмических координатах. [c.112]

Исходные данные для программы, реализующей алгоритм имитационного моделирования РТК, должны включать сведения по типовой детали и типовой партии деталей, структуре РТК и его характеристикам, размещению инструмента по позициям и параметрам инструмента и оборудования (обрабатывающего и транспортно-накопительного). Эти данные должны быть статистическими, т. е. содержать сведения о типе закона распределения параметра, математических ожиданиях, среднеквадратичных отклонениях и т. п. [c.59]

Процесс имитации включает в себя большое число операций, связанных с формированием, преобразованием и использованием реализации случайных событий, величин и процессов, поэтому результаты моделирования также носят случайный характер. Они отражают случайные сочетания действующих факторов, складывающихся в процессе моделирования. Искомые величины при имитационном моделировании определяют в результате статистической обработки совокупностей данных некоторого числа реализаций процесса моделирования. Совокупность реализаций выступает в роли статистического материала при машинном эксперименте, а оценка параметров — в роли экспериментальных данных, поэтому имитационное моделирование иногда называют методом статистического моделирования. [c.351]

Для решения задач моделирования хорош универсальный язык ПЛ/1, на котором можно решать научно-технические задачи более разнообразные, чем, например, на ФОРТРАНе. Кроме того, ПЛ/1 дает системным программистам средства для решения задач в реальном времени. Элементарные средства языка ПЛ/1 позволяют, например, описывать элементы цифровой вычислительной техники в виде программ имитационных моделей. Язык ПЛ/1 имеет простые операторы для проверки условий выполнения определенных действий, различные варианты реализации операции присваивания, операторы преобразования форм представления данных, несложные правила присваивания имен структурным элементам позволяет ограничивать учет времени и происходящих действий, простыми операторами реализовать булевы функции, легко реализовать статистические испытания модели при различных данных, изменять структуру модели и т.д. [c.353]

При планировании эксперимента составляют план последовательности выполнения процедур в имитационном моделировании и получают оценки результатов моделирования, Экспериментирование представляет собой процесс имитации с получением необходимых статистических данных, а также прямых и косвенных результатов проектирования. Построение выводов по данным, полученным путем имитации, осуществляется на этапе интерпретации. [c.355]

Имитационная модель СМО представляет собой алгоритм, описывающий изменения переменных состояния па моделируемом отрезке времени. Предполагается, что изменение состояния любой переменной, называемое событием, происходит мгновенно в некоторый момент времени. Имитационное моделирование СМО — воспроизведение последовательности событий в системе при вероятностном характере параметров системы. Имитация функционирования системы при совершении большого числа событий позволяет произвести статистическую обработку накопленных результатов и оцепить значения выходных параметров, примеры которых указаны выше. [c.57]

Зависимости для статической грузоподъемности f,, динамической грузоподъемности /- д при 10 циклов нагружения и жесткости j в Н/мкм, полученные методом статистического моделирования в лаборатории МВТУ им. Баумана (для сравнения) [c.313]

Как видно на примере даже простейшей СМО, для моделирования необходимо составление алгоритма, синхронизирующего события, происходящие в системе, и выявляющего события, которые должны быть очередными. Продвижение текущего модельного времени удобно выполнять с помощью событийного метода, заключающегося в составлении для всех генераторов заявок и обслуживающих аппаратов списка будущих событий (СБС). Момент наступления текущего события в СМО определяется минимальным значением момента времени из списка будущих событий. Кроме событий, непосредственно влияющих на работу системы, в СБС заносятся также моменты времени печати статистических сведений и окончания моделирования. [c.152]

Вначале (гл. 1) даны общие представления о САПР как о сложной организационно-технической системе и перспективах ее развития. Затем анализируются традиционные процессы проектирования ЭМП и возможности их преобразований в САПР (гл. 2). В гл. 3 на основе анализа обобщенной модели ЭМП формализуются задачи проектирования и приводятся к виду, удобному для решения на ЭВМ. Показывается, что задачи проектирования ЭМП по сути являются оптимизационными. В гл. 4 дается краткий обзор методов расчетного моделирования ЭМП. Часть методов, особенно теоретического плана, достаточно подробно описывается в специальных учебных курсах по ЭМП. Однако здесь целесообразно изложить основные идеи методов по классам, чтобы показать имеющиеся широкие возможности для составления семейства моделей ЭМП в САПР. Значительное внимание уделяется новым, нетрадиционным для электромеханики методам (статистическим, кибернетическим и численным). [c.4]

Поэтому требуемые математические модели можно построить лишь на основе общих рассуждений или статистического анализа и обобщения накопленного опыта. Примеры количественных оценок показателей технологичности ЭМП общего характера даны в [11]. Пример моделирования показателя качества и оптимизации выбора технологических параметров ЭМП приводится ниже в гл. 7. Несмотря на указанные примеры, формализация выбора технологических параметров ЭМП находится в начальной стадии. На практике этот выбор осуществляется, как правило, на основе эвристики, интуиции и опыта. [c.181]

Основным показателем надежности является вероятность безотказной работы Р (i), т. е. вероятность того, что в пределах заданной наработки отказ детали не возникает. Расчет надежности базируется на статистических данных об отказах детали при эксплуатации, проведении специальных испытаний, математическом моделировании и т. п. Если Мо— число испытанных деталей (одного наименования), JVi— число деталей, отказавших за время наработки то [c.259]

Статистические характеристики при моделировании объектов будут тем ближе к истинным, чем больше проведено испытаний IV, что хорошо иллюстрируют результаты расчетного исследования на рис. 5.6. Уже при относительно небольших N приближенно определяются математические ожидания и границы диапазонов разброса у , но существенно искажается вероятностная картина распределения их значений. Минимальное число испытаний N p, необходимое для воспроизведения требуемых распределений с заданной точностью AF и вероятностью Рд ее обеспечения, приведено на рис. 5.7. В практических задачах речь идет обычно о выполнении (3- 5) 10 вариантов расчета. [c.132]

Прежде всего обсудим возможные способы реализации на ЭВМ стохастической математической модели, рассмотренной в 5.1.4. Для этого необходимо решить проблемы моделирования распределений случайных значений параметров объекта и статистической обработки получаемых на выходе модели значений рабочих показателей. [c.253]

Разработка алгоритмов статистической обработки результатов моделирования представляет собой вторую основную проблему реализации стохастической математической модели на ЭВМ. Наиболее полная информация об ожидаемом разбросе значений рабочих показателей может быть получена из гистограммы. Действительно, зная эмпирическое распределение значений показателей, не составляет труда определить параметры этого распределения и оценить вероятность удовлетворения требований ТЗ. Основная трудность, возникающая при разработке достаточно универсального и эффективного алгоритма построения гистограмм, состоит в необходимости совмещения во времени операций определения границ разброса по анализируемому показателю (поскольку в общем случае эти границы заранее неизвестны и формируются в процессе выполнения заданного количества статистических испытаний) и подсчета частот попадания значений показателя в интервалы разбиения диапазона разброса. Действительно, предварительное определе-256 [c.256]

Сущность указанного метода испытаний состоит в определении вероятностного распределения значений рабочих Показателей только некоторой выборки объема п из всей партии N изделий. В данном случае расчет параметров распределения у. проводится по общей схеме статистических испытаний, когда каждый экземпляр изделия из выборки и подвергается только эксплуатационным воздействиям. Схема алгоритма моделирования выборочных испытаний представлена на рис. 6,41 Здесь Л/экспл обозначает объем статистических испытаний, которые проводятся с каждым вариантом объекта из выборки п. Л экспл можно определить из рис. 5.7, задавшись необходимыми уровнями точности и доверительной вероятности. По результатам проверки выборки принимается решение о качестве всей партии изделий, а именно партия удовлетворяет предъявляемым требованиям, если [c.260]

В монографии излагается общий формализованный подход к математическому моделированию сложных химических равновесий любого состава и механизма. Впервые физико-химические и математико-статистические аспекты проблемы равновесий представлены в системном целенаправленном объединении, рассматриваются оригинальные теоретические выводы и практические результаты, полученные авторами. Монография дает возможность читателю практически полностью овладеть арсеналом средств математического моделирования химических равновесий с использованием современных ЭВМ. [c.248]

Физика твердого тела в настоящее время — это обширная область науки, тесно связанная с другими разделами физики и смежными дисциплинами. В недрах физики твердого тела и на ее стыках с химией, биологией, геологией, механикой, математикой, атомной и ядерной физикой, радиофизикой, физикой космоса, техникой возникли и стремительно развиваются химия твердого тела, молекулярная биология, радиационная физика твердого тела, твердотельная электроника, космическое материаловедение, физика полупроводников, физическое материаловедение, физика и техника низких температур, физика магнитных пленок и т. д. Эти области столь близко соприкасаются с физикой твердого тела, что знание основ последней необходимо каждому специалисту, активно работающему во всех перечисленных направлениях. Следует добавить, что синтез физики твердого тела и теоретической физики привел к созданию теории твердого тела, опирающейся на современные достижения квантовой механики, статистической физики, теории поля и широко использующей быстродействующие ЭВМ для проведения многочисленных трудоемких расчетов и численного моделирования различных явлений в твердых телах. Многие достижения физики твердого тела нашли непосредственный выход в практику. Результатом оказалось создание новых типов материалов с уникальными характеристиками и даже целых отраслей техники. [c.5]

Наибольшее распространение получили градиентные методы поиска оптимальных параметров (Гаусса—Зейделя, методы наискорейшего спуска), методы случайного поиска (Монте-Карло, методы статистического моделирования) н др. [c.151]

Экспериментально-статистическое моделирование процесса [c.8]

Подробное изложение теории и примеры использования экспериментально-статистического моделирования содержатся в работах /3, 4 /. [c.11]

Такая трактовка позволяет указать оригинальный способ вычисления интеграла (6.17). Вспомним, что в математической статистике математическое ожидание случайной величины оценивается по среднеарифметическому значению из совокупности результатов ее наблюдений, которые берутся из эксперимента. В методе Монте-Карло применяется такая же оценка, но результаты наблюдений берут не из эксперимента, а получают путем статистического моделирования на ЭВМ. Для этого реализуется специальная процедура генерирования последовательности значений независимых реализаций Xj,. .., xn случайной величины X с функцией плотности распределения р (х). Имея набор Xj,. .., хц, рассчитывают значения X,,. .., Я.Д, реализаций случайной величины Л Я,/ = f Xi) p Xi) и далее находят оценку математического ожидания Л по формуле [c.187]

Однако исследования показали, что жаростойкость напыленных покрытий низкая из-за пористости. Для выяснения возможности повышения их жаростойкости была поставлена задача определить геометрические характеристики норового пространства покрытий, напыленных частицами, деформирующимися при ударе без расплескивания. Изучение гео.метрии норового пространства проводилось на моделях, полученных математическим моделированием статистических испытаний на ЭВМ ЕС-1022. Исходные условия моделирования были следующие. [c.50]

На основании известных аналитических зависимостей выбора параметров идеального кривошипно-коромыслового механизма резания приведены алгоритм и программа исследования влияния ошибок в размерах звеньев и углов сборки на относительное движение ножей. Точностный расчет осуществляется методами статистического моделирования, Результаты моделирования статистически обрабатываются. Илл. 1, библ. 7 назв. [c.171]

Моделирование, статистическая проверка процесса обработки, проверка ка чества заготовки, составление и применение деформационных карт, адекватно оснащение оборудования — все это очень мощные средства. Настало время, что бы применить их к созданию производственного пикла для конкретных сплавое конкретных микроструктур и конкретных, заранее заданных свойств. Заказчш выдвигает мотивированные требования улучшить качество и надежность продук ции, установить приемлемые цены эти требования заставляют промышленность i течение пяти лет поставить операцию чистовой ковки на прочную научную осно ну. Той же схеме должны следовать и требования к термической обработке Операции по предварительному обжатию слитков и по гомогенизации в ближайшие пять или более лет не потребуют столь глубокой научной проработки. В единстве с задачами термомеханического воздействия следует рассматривать управление процессами затвердевания, будь это порошковые материалы ил( слитки. [c.218]

При миоговариантном анализе конструкций в основном используются статистические и имптациопные модели. Статистическое моделирование применяется при оценке погрешности позиционирования рабочих органов станков и машин с ЧПУ для формирования требований при проектировании приводов подач, а также для анализа компоновок автоматических линий. По результатам анализа определяются параметры надежности и произ- [c.63]

Показатели надежности определяют расчетами, проведением испытаний и обработкой результатов статистических данных эксплуатации, моделированием на ЭВМ. Расчеты производят главным образом при проектировании изделий в целях прогнози-)ования ожидаемой надежности для данного варианта изделия. Испытания выполняют на этапе опытного образца и серийного производства изделия. Испытания подразделяются на определительные, в результате которых определяют показатели надежности контрольные, имеющие целью контроль качества технологического процесса, обеспечивающего надежность jre ниже заданной ускорение, в ходе которого используют факторы, ускоряющие процесс возникновения отказов неразрушающне, основанные на применении методов дефектоскопии, а также на научении косвен- [c.32]

Диалоговое моделирование. Наличие в методике макромоделирования эвристических и формальных операций обусловливает целесообразность разработки моделей элементов в диалоговом режиме работы с ЭВМ. Язык взаимодействия человека с ЭВМ должен позволять оперативный ввод исходной информации о структуре модели, об известных характеристиках и параметрах объекта, о плане экспериментов. Диалоговое моделирование должно иметь программное обеспечение, в котором реализованы алгоритмы статистической обработки результатов экспериментов, расчета выходных параметров эталонных моделей и создаваемых макромоделей, в том числе расчета параметров по методам планирования экспериментов и регрессионного анализа, алгоритмы методов поиска экстремума, расчета областей адекватности и др. Пользователь, разрабатывающий модель, может менять уравнения модели, задавать их в аналитической, схемной или табличной форме, обращаться к нужным подпрограммам и тем самым оценивать результаты предпринимаемых действий, приближаясь к получению модели с требуемыми свойствами. [c.154]

Подавая на вход системы достаточно большое количество заявок (102—10 ), можно собрать статистические сведения для определения следующих характеристик загрузка ОА р = Тз1Т, где Тз — время работы ОА, Т — время моделирования коэффициент простоя k= 1 — р количество заявок, обслуженных 0А-, средняя и максимальная длина очереди среднее и максимальное время ожидания в очереди- среднее и максимальное время пребывания в системе. [c.152]

Пример способа продвижения модельного времени по СБС (рис. 3,23). Два генератора заявок F3i и ГЗ2 ставят заявки в очередь О, из которой последние могут быть обработаны обслуживающими аппаратами OAi и ОА2. Список будущих событий для этой системы составят (рис. 3.24) моменты поступления заявок от ГЗ1 (/]) и от ГЗ2 (h) моменты выборки заявок из очереди аппаратами ОА, (0j) и ОА2 (вг) (считаем, что они совпадают с временем окончания обслуживания предыдущих заявок) моменты печати статистических характеристик 1печ и момент окончания моделирования Люи- [c.155]

Экспериментальный подход использует статистические методы численного анализа ограничений при различных фиксированных входных величинах. Так, например, можно осуществить упорядоченный или случайный перебор точек в допустимом множестве Dz. Если считать, что N — полное число перебираемых точек, а Nj — число точек, в которых нарушается ограничение Hj, то отношение NjIN будет характеризовать вероятность нарушения данного ограничения. При малой вероятности нарущения ограничение можно считать несущественным. Несмотря на логическую простоту, возможности экспериментального подхода также сильно ограничены из-за большой размерности задачи. Поэтому разработку достаточно универсальных, формализованных методов выделения существенных ограничений можно также отнести к числу нерешенных проблем расчетного моделирования ЭМП. [c.123]

В теории надежности отмечается два основных подхода формирования моделей - полуэмпирический (феноменологический) и структурный. Феноменологический подход основан на обобщении результатов наблюдений и экспериментов, выявлении основных статистических закономерностей и прогнозировании функционирования технических систем. Среди этого класса моделей приведены многостадийная модель накопления повреждений, теория замедленного разрушения, статистическая модель разрушения и др. Структурный подход предусматривает прежде всего исследование структурных особенностей рассматриваемого объекта (например, при анализе прочностных свойств металлических деталей необходимо учитывачь структуру металла и связанных с ней дефектов - микро фещин, дислокаций, конфигурации и положения границ зерен и г.д.). Ко второму классу можно отнести моде ш хрупкого разрушения, пластического разрушения, так называемую объединенную структурную модель, причем автором особо подчеркивается перспективность дальнейшего развития структурного моделирования. [c.128]

Наиболее целесообразно в этих условиях применить метод статистических испытаний (метод Монте-Карло) [22], хорошо учитывающий вероятностную природу разброса случайных значений выходных характеристик. Математическое моделирование по этому методу полностью передает сущность и характер натурных экспериментов и в практической постановке сводится к многократному разыгрыванию (согласно установленным вероятностным распределениям) случайных значений х,- и определению для каждого случайного их набора соответствующих значений у . По завершении требуемого числа испытаний Л хр статистическая обработка последовательностей случайных значений у - дает необходимую информацию о распределении значений выходных показателей и параметрах этого распределения. В результате по каждому выходному показателю можно получить его номиналь- [c.131]

Рис. 5.11. Сраниитслы1ыс гистограммы нестабильности энергетических показателей одного из АД по результатам статистического моделирования по исходной ( -----) и преобразованной полиноминальной ( - - - ) моделям при одинако-

Применительно к ЭМУ системная модель включает в себя универсальные детерминированные модели электромеханических преобразований, нагрева, деформаций и магнитных проявлений, блоки реализации статистических испытаний, автоматизации перестройки исходных моделей, моделирования условий производства и эксплуатации (рис. 5.(2). Детерминированная часть ее предполагает наличие моделей разных версий для анализа влияющих физических процессов, примеры построения которых даны в 5.1,2 и 5.1.3. Часть входных параметров являются общими для всех блоков, другими блоки обмениваются между собой в процессе работы, в том числе за счет использования обратных связей (земпературы, магнитных потоков рассеяния, изменения момента сопротивления в опорах и нр.). Изложенные [c.141]

Сложность оценки совокупного воздействия технологических и эксплуатационных факторов состоит в необходимости проведения статистических испытаний каждого варианта объекта, формируемого под воздействием технологических факторов, с учетом эксплуатационных воздействий. Моделирование подобных испытаний даже на современных быстродействующих ЭВМ связано с непомерно больишми затратами мащинного времени. Поэтому в данном случае для вероятностного анализа объекта применяется моделирование выборочных испытаний изделий по количественно измеряемым признакам, в качестве которых рассматриваются рабочие показатели объекта. [c.260]

Неравномерность чувствительности по площадке ПЛЭ в основном обусловлена дефектами технологичес кого процесса производства и имеет случайный характер. Поэтому учет неравномерности при моделировании ПЛЭ затруднен отсутствием статистических данных для конкретных типов ПЛЭ, и чувствительность ППЭ обычно принимают постоянной по всей чувствительной площадке. С днако данная модель позволяет разработчику ОЭП задать закон распределения чувствительности по площадке ПЛЭ. В этом случае необходимо связать параметры ПЛЭ с неравномерной пространственной чувствительностью с паспортными данными на ПЛЭ, не учитывающими эту неравномерность [c.66]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...