Владимир Живетин - Технический риск (элементы анализа по этапам жизненного цикла ЛА)

Как правило, для одного и того же объекта в зависимости от конкретных требований практики и типа решаемой задачи строят несколько моделей, с помощью которых осуществляют формализацию различных функций этого объекта или внешних воздействий на него. Это позволяет получить достаточно простые модели, что упрощает процедуру анализа и синтеза технико-технологических систем и объектов, уменьшая экономические затраты.

Процесс построения моделей для осуществления формализации при их описании основан на большом разнообразии подходов и языков. Ранее на первом этапе формализации осуществлялось, в основном, содержательное описание явления и, чаще всего, использовался разговорный язык (Греция), удобный как для изложения результатов исследований, так и их передачи для использования и развития. Однако разговорный язык не мог описать, зафиксировать и надежно передать большое число качественных и количественных сторон явлений. Развитие, расширение и углубление процессов исследования привело к необходимости создания различных языковых форм, более экономных по объему передаваемой информации, понятных и заполнявших содержательное описание результатов наблюдений. Так появились многие языки схем, уравнений, карт, чертежей, которые используются и по сей день для построения моделей и их формального описания. Это связано с тем, что при их построении применяются различные способы наблюдения, обобщения, формализации и представления результатов наблюдения.

Во второй половине XX в. в связи с развитием технико-технологической среды возникла необходимость в новых принципах построения моделей формализации результатов наблюдений, связанных с управлением целенаправленной деятельностью человеческого общества, живыми организмами и искусственными, созданными человеком, машинами и механизмами, которые представляют математические модели.

Существенно, что при решении указанных проблем, модель, принятая для целей проектирования, на этапе научно-исследовательских работ часто сильно отличалась от реального объекта, включающего внешние и внутренние возмущающие факторы, отказы техники, старение и деградацию, что значительно уменьшало или сводило на нет эффективность разработанной системы. В настоящее время математические модели включают в себя следующие модели:

– детерминированные;

– стохастические, в том числе с неопределенностью и с идентификацией параметров;

– оптимальных процессов и т. п.

Согласно требованиям практики, в теории вероятностей и математической статистике получили развитие два способа построения математических моделей исследуемых физических объектов.

Первый – априорный способ введения модели. Он основан на том, что физический объект описывается некоторой вероятностной или статистической моделью с заданной структурой, включающей в себя неизвестные параметры. Эта модель получена из дополнительных исходных соображений, например, на основе опыта описания аналогичных объектов той или иной физической природы с учетом физико-химических и других особенностей объекта, а также физически обоснованных и экспериментально проверенных моделей элементарных составляющих объекта.

На втором этапе исследований с объектом проводят эксперимент, в результате которого получают экспериментальные данные, содержащие информацию о реальных значениях исследуемых параметрах объекта.

На третьем этапе производится соответствующая обработка результатов измерений неизвестных параметров модели. На четвертом – проверка адекватности полученной М 2(рис. 1.11) и фактической М 1моделей объекта, например, путем сравнения выходных сигналов y модели М 2и х модели М 1, если задан входной сигнал z(t). При этом предполагается, что физический объект существует, и на нем можно проводить необходимые исследования.

На пятом этапе, в случае необходимости, корректируется модель М 2, а точнее ее параметры.

При таком подходе, основанном на использовании аксиоматики А.Н.Колмогорова и являющимся априорным, есть ясная физическая интерпретация параметров модели, возможность широкого использования этой модели для анализа, синтеза, численного моделирования, прогнозирования и управления поведением объекта.

Вторым способом построения моделей является априорный способ, при котором структура модели не задана. При этом построение модели основано на подборе и подгонке по экспериментальным данным как вида модели из заданного класса моделей, так и ее параметров, которые наилучшим или приемлемым образом соответствуют результатам статистической обработки экспериментальных данных. При этом на модель не накладывается ограничений. Так, например, если известно, что случайный процесс x(t) – стационарный и эргодический с нормальной плотностью вероятностей и корреляционной функцией k x(τ) = σе –|τ|, то в этом случае мы можем поставить процессу x(t) в соответствие процесс y(t), являющийся выходом модели М, описываемой дифференциальным уравнением вида

где η(t) – случайный процесс типа белого шума, моделируемый с помощью генератора случайных чисел [21].

Апостериорный подход используется, например, для кибернетики или информационной модели физического объекта, когда объект рассматривается как система, осуществляющая преобразование входного воздействия {η(t)} в выходной y(t). При этом она считается полностью описанной, если имеется математическая модель, т. е. модель в абстрактной форме, не зависящей от физической природы входных и выходных переменных и процессов, происходящих в системе.

В отличие от вероятностных моделей в статистических (Фон Мизеса) модель строится на основе характеристик, получаемых предельным переходом от эмпирических характеристик при неограниченном увеличении объема экспериментальных данных. Адекватность использования таких моделей для описания физических объектов также проблематична, как и вероятностных, а в нестационарных условиях – не очевидна. Ответ на вопрос, какие модели и какие способы их получения использовать, в конкретном случае зависит от поставленной цели исследования, вида решаемой задачи, априорной неопределенности. Общим для этих методов является применение единых вероятностно-статистических методов, используемых в статистических измерениях, для характеристик и параметров реальных физических объектов. Основной вклад в технический риск происходит на этапе обработки материалов испытаний, т. е. при систематическом анализе, когда решаются следующие задачи:

1) выбор вида модели из заданного класса;