|
ВЕРОЯТНОСТНЫЙ АНАЛИЗ ДИНАМИЧЕСКИХ СИСТЕМДо сих пор мы рассматривали статические модели работы конструкции с помощью случайных величин, которые в резуль- тате опыта принимают некоторое заранее неизвестное единст- венное значение. Такие модели соответствуют случаю одно- кратного приложения нагрузки при неизменяющихся предель- ных характеристиках материала. Однако такой элементарный подход к изучению случайных явлений в ряде практических за- дач является явно недостаточным. На практике часто приходится иметь дело со случайными величинами, непрерывно изменяющимися в процессе опыта. На- грузки и прочностные характеристики меняются во времени, на- пример нагрузки на самолет в полете или нагрузки на подвеску автомобиля, вызванные неровностями дороги. Прочностные ха- рактеристики меняются вследствие старения или накопления по- вреждений. Определение подобных величин составляет особый класс задач. К нему относятся также задачи исследования коле- баний упругих систем, находящихся под действием случайных сил, например пульсаций акустического давления вблизи рабо- тающего двигателя, расчеты высотных сооружений, находящихся под действием ветра, судовых и ограждающих конструкций, на- ходящихся под действием нерегулярного волнового давления и т.д. Все эти и подобные им вопросы относятся к широкому классу задач статистической динамики, в которых случайный элемент вносится разбросом геометрических и физических свойств самой конструкции (а не только случайным характером внешних воздействий) [6]. При постановке и решении подобных задач случайность проявляется в форме процесса, описание кото- рого ведется с помощью теории случайных функций. В настоящее время аппарат теории случайных функций стал неотъемлемой частью основ анализа механических конст- рукций. Использование теории случайных функций при расче- тах механических систем является необходимым условием для создания обоснованных методов проектирования долговечных и рациональных конструкций.
Случайные функции Случайными функциями называются случайные величины, зависящие от непрерывно изменяющихся неслучайных аргумен- тов, например от времени или координат. Другими словами, слу- чайной называется функция, которая в результате опыта может принять тот или иной конкретный вид, заранее неизвестный. Конкретный вид, принимаемый случайной функцией в результате опыта, называется реализацией случайной функции. Если провес- ти группу опытов, то получим группу или семейство реализаций этой функции. От опыта к опыту вид реализаций меняется. Чаще всего аргументом случайной функции является время, поэтому будем в дальнейшем обозначать случайные функции большими буквами X (t). Если проведено n независимых опытов, в результате которых получено n реализаций, то будем их обозна- чать соответственно номеру опыта x 1 (t), x 2 (t),..., xn (t) (рис. 2.1).
Рис. 2.1 При изучении случайных процессов исследуются не свойства отдельных функций xj (t), а свойства всего множе- ства функций в целом. Это по- зволяет при анализе движения, например, механической сис- темы, на которую действуют случайные возмущения, иссле- довать ее поведение не по отношению к какому-либо одному воздействию, а по отношению к целой совокупности возможных случайных воздействий. Отличие детерминированного динамического процесса от случайного состоит в том, что реакция детерминированной сис- темы на внешнее детерминированное воздействие всегда может быть определена, т.е. поведение системы в будущем можно точ- но предсказать, зная ее поведение в прошлом. В случайных же процессах предсказать, как будет изменяться функция X (t), нельзя, пока не будет проведен опыт. Кроме того, если в резуль- тате проведения опыта мы зафиксировали, как менялась эта функция во времени от нуля до t 1, то предсказать поведение ее во времени t > t 1 затруднительно. Таким образом, каждая реали- зация, характеризующая процесс, зависит от двух аргументов – дискретного номера реализации и непрерывного времени. Для вероятностного описания случайных процессов можно использовать метод сечений. Для этого зафиксируем некоторый момент времени t 1, тогда в сечении получим набор случайных чисел хj (t 1) (j = 1,2, …, n), полной вероятностной характеристи- кой которых будет закон распределения. Этот закон распреде- ления называют одномерным законом распределения случайной функции x (t 1) º x 1, и он может быть задан одномерной плотно- стью вероятности f (x 1, t 1). Однако этот закон не является пол- ной характеристикой случайной функции X (t), ибо не позволяет ответить на вопрос о зависимости случайных величин X (t) для любых t. Более полной характеристикой является двумерный закон распределения f (x 1, t 1, x 2, t 2), представляющий собой рас- пределение системы двух случайных функций x (t 1) и x (t 2) для двух произвольных сечений. Но и эту характеристику нельзя назвать исчерпывающей, так как более полным будет трехмер- ный закон распределения. Теоретически можно неограниченно увеличивать число сечений и получать более подробную ин- формацию о случайной функции с помощью n -мерной плотно- сти распределения. Однако использовать на практике столь гро- моздкие характеристики практически невозможно. Для случайных функций можно ввести характеристики, аналогичные числовым характеристикам для случайных вели- чин, только это будут уже не числа, а функции. Для их введения рассмотрим сечение случайной функции Х (t) при фиксирован- ном t. В этом сечении мы имеем обычную случайную величину, с математическим ожиданием m (t). Но t может быть любым, следовательно, математическим ожиданием случайной функции Х (t) называется неслучайная функция mx (t), которая при каждом значении аргумента t равна математическому ожиданию соот- ветствующего сечения случайной функции и вблизи которой группируются все реализации случайного процесса: mx (t) = M [ X (t)]. (2.1) Аналогично определяется дисперсия случайной функции. Математическое ожидание является частным случаем ха- рактеристик случайного процесса, получивших название мо- ментных функций, которые получаются в результате произведе- ния значений функций X (t) при различных t и операции осред- нения по множеству реализаций. Последовательность момент- ных функций можно представить в виде: M [ X (t)], M [ X (t 1) X (t 2)], M [(X (t 1) X (t 2) X (t 3)],... Число сомножителей в произведении называют порядком моментной функции. Моментная функция первого порядка есть математическое ожидание случайной функции. Для задания случайного процесса необходимо знать полную систему мо- ментных функций, включая функцию сколь угодно высокого порядка при любых комбинациях значений t 1, t 2,..., tm Î T. Если функции центрированные, т.е. X (t 1) = X (t 1) - mx (t 1), то центральная моментная функция второго порядка, характери- зующая взаимосвязь между значениями случайной функции Х (t 1) и Х (t 2), называется корреляционной функцией:
0 0 Kx (t 1, t 2) = M [ X (t 1) × X (t 2)].
(2.2) Таким образом, корреляционной функцией случайной функции X (t) называется неслучайная функция двух аргумен- тов Kx (t 1, t 2), которая при каждой паре значений t 1, t 2 равна корреляционному моменту соответствующих сечений случай- ной функции. На рис. 2.2 приведены две случайные функции, которые имеют совершенно различные корреляционные функции. Рис. 2.2
На рис. 2.2, а корреляционная функция медленно убывает по мере увеличения промежутка (t 1, t 2), а корреляционная функ- ция случайного процесса на рис. 2.2, б быстро убывает с увели- чением этого промежутка. Корреляционная функция Kx (t 1, t 2) при совпадении ее ар- гументов равна дисперсии случайной функции: éæ0 ö2 ù Kx (t, t) = M êç X (t) ÷ êëè ø ú= Dx (t). úû (2.3) Таким образом, необходимость в дисперсии как отдельной характеристике случайной функции отпадает: в качестве основ- ных характеристик случайной функции достаточно рассматри- вать ее математическое ожидание и корреляционную функцию. Поскольку корреляционный момент двух случайных вели- чин не зависит от последовательности, в которой эти величины рассматриваются, то корреляционная функция вещественной случайной функции симметрична относительно своих аргумен- тов, т.е. Kx (t 1, t 2) = Kx (t 2, t 1). Вместо корреляционной функции
Kx (t 1, t 2) (2.4) можно рас- сматривать нормированную корреляционную функцию
r (t, t) = Kx (t 1, t 2). x 1 2 s (t)s (t) x 1 x 2 Отметим некоторые полезные свойства корреляционных функций: 1. Добавление к случайной функции неслучайной величины или неслучайной функции не изменяет значения корреляцион- ной функции. Действительно, пусть Y (t) = X (t) + j(t),
где X (t) – случайная функция, имеющая корреляционную функцию Kx (t 1, t 2), а j(t) – неслучайная функция. Тогда my (t) = mx (t) + j(t);
K (t, t) = é0 0 ù=
y 1 2 M ê Y (t 1) Y (t 2)ú
0 ù= K
(t, t). ëê 1 1 x 1 (t 1)) Y (t 2)úû
x 1 2 От прибавления неслучайного слагаемого корреляционная функция не меняется: Dy (t) = Dx (t). 2. При умножении случайной функции ную функцию j(t) получим:
X (t) на неслучай-
my (t) = j(t) mx (t);
Ky (t 1, t 2) = j(t 1)j(t 2) Kx (t 1, t 2); D (t) = j2 (t) D (t). Пользуясь указанными свойствами случайных функций, можно в ряде случаев значительно упростить операции с ними. В частности, когда требуется исследовать корреляционную функ- цию или дисперсию, можно заранее перейти от нее к центрирован- ной функции. Математическое ожидание центрированной функции тождественно равно нулю, а ее корреляционная функция совпадает с корреляционной функцией случайной функции X (t). Рассмотрим теперь систему двух случайных функций X (t) и Y (t), характеризующих различные случайные процессы. Вто- рой смешанный момент от центрированных случайных функций 0 0 X и Y для различных моментов времени является взаимной корреляционной функцией: 0 0 M [ X (t 1) Y (t 2)] = Kxy (t 1, t 2). Таким образом, взаимной корреляционной функцией двух случайных функций называется неслучайная функция двух ар- гументов t 1 и t 2, которая при каждой паре значений t 1, t 2 равна корреляционному моменту соответствующих сечений случай- ной функции X (t) и случайной функции Y (t). Эта функция не удовлетворяет условию симметрии относительно своих аргу- ментов, т.е. Kxy (t 1, t 2) ¹ K yx (t 1, t 2), но Kxy (t 1, t 2) = Kyx (t 2, t 1). В прикладных задачах часто используют нормированную корреляционную функцию
r (t, t) = Kxy (t 1, t 2). xy 1 2 s (t)s (t) x 1 y 2 Можно выделить два класса случайных функций, которые с точки зрения оценки напряженного состояния конструкций представляют значительный интерес. Это стационарные функ- ции и функции, имеющие нормальный закон распределения ор- динат, для которых исчерпывающей характеристикой является их математическое ожидание и корреляционная функция. Случайная функция X (t) называется стационарной, если ее математическое ожидание и дисперсия постоянны, а корреляци- онная функция зависит только от разности моментов времени, для которых взяты ординаты случайной функции: mx (t) = const; где t= t 2 - t 1. Kx (t 1, t 2) = Kx (t 2 - t 1) = Kx (t), Учитывая свойство симметрии корреляционной функции, имеем: Kx (t 2 - t 1) = Kx (t 1 - t 2) или Kx (t) = Kx (-t), т.е. корреляционная функция стационарного процесса является четной функцией аргумента. Дисперсия стационарной случайной функции Kx (t 1, t 1) = Kx (t 1 - t 1) = Kx (0) = const ³ Kx (t), т.е. для вещественной случайной функции начальная ордината корреляционной функции имеет наибольшее значение. На практике наиболее распространенными являются корре- ляционные функции стационарных процессов, показанные на рис. 2.3. Рис. 2.3
Пример 2.1. Определить корреляционную функцию слу- чайной функции X (t), если X (t) = A sin w t + B cosw t, где А и В – случайные величины, для которых известны mA, mB, s A, s B, KAB (mA = mB = 0). Решение. По определению Kx (t 1, t 2) = M [(A sinw t 1 + B cosw t 1)(A sin w t 2+ B cosw t 2)] = = M é A 2 sin w t sin w t + AB (sin w t cosw t + cosw t sin w t) + ë 1 2 1 2 1 2 + B 2 cos w t cos w t ù,
или 1 2 û
Kx (t 1, t 2) = = M éë A 2 sin w t sin w t + AB sin w(t + t) + B 2 cosw t cosw t ùû. 1 2 1 2 1 2
Окончательно получаем: K (t, t) = s2 sin w t sin w t + x 1 2 A 1 2 + K sin w(t + t) + s2 cos w t cosw t. AB 1 2 B 1 2
KAB = 0 (А и В – независимы) K (t, t) = s2 cos(t - t), x 1 2 A 1 2 т.е. при независимых значениях амплитуд X (t) – стационарная функция (корреляционная функция зависит только от разности (t 1 - t 2), ее дисперсия Dx = Kx (0) = DA). Большинство стационарных случайных функций обладают свойством эргодичности, которое состоит в том, что совокуп- ность значений одной и той же реализации данной функции, соответствующих различным значениям ее аргумента, по своим статистическим свойствам эквивалентна совокупности значений разных реализаций той же функции, взятых при одном и том же значении аргумента. Другими словами, если стационарная функция эргодична, то ее среднее значение по времени (на дос- таточно большом интервале наблюдений) приближенно равно среднему значению по множеству наблюдений, т.е.
mx = X (t) dt,
1 T где mx – среднее значение по множеству реализаций; ò X (t) dt –
среднее значение по времени для одной реализации. Достаточным условием эргодичности функции является стремление ее корреля- ционной функции к нулю при безграничном увеличении аргумента
t®¥
ЧТО ПРОИСХОДИТ ВО ВЗРОСЛОЙ ЖИЗНИ? Если вы все еще «неправильно» связаны с матерью, вы избегаете отделения и независимого взрослого существования... Что будет с Землей, если ось ее сместится на 6666 км? Что будет с Землей? - задался я вопросом... Что делает отдел по эксплуатации и сопровождению ИС? Отвечает за сохранность данных (расписания копирования, копирование и пр.)... ЧТО ТАКОЕ УВЕРЕННОЕ ПОВЕДЕНИЕ В МЕЖЛИЧНОСТНЫХ ОТНОШЕНИЯХ? Исторически существует три основных модели различий, существующих между... Не нашли то, что искали? Воспользуйтесь поиском гугл на сайте:
|