ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 9. Параметры оценки эффективности методов анализа во временной области

2 ; при р = 6 = 0,328рад. Не все неявные методы обладают

А( )-устойчивостью, например, его нет у неявных методов Рунге – Кутта выше второго порядка, методов Адамса – Мултона. Все явные методы не

имеют области А( )-устойчивости и относятся к ограниченно устойчивым методам.

Всовременных САПР используют в основном неявные методы, так как

уних нет ограничений, связанных с плохой обусловленностью ММ объектов проектирования, что очень важно при проектировании таких сложных объектов, как СУ. В целом сравнения явных и неявных методов интегрирования ОДУ свидетельствует о большой универсальности последних. Явные методы могут давать лучшие результаты только в отдельных случаях анализа объектов с хорошо обусловленными ММ и играют в САПР СУ вспомогательную роль. Наиболее перспективными для использования в САПР СУ являются методы решения жестких систем ОДУ.

Лекция10. Алгоритмыиметодыанализа чувствительностиистатистическихиспытанийССУвСАПР

Анализ чувствительности CСУ. Методы анализа чувствительности СУ при их использовании в САПР. Статистический анализ СУ в САПР.

АнализчувствительностиCСУ

Верификация проектных решений СУ требует выполнения многовариантного анализа. Многовариантный анализ заключается в многократном решении задач одновариантного анализа (многократное решение систем уравнений ММ объекта) при изменении внутренних параметров СУ или внешних параметров. Выходные параметры объекта (вектор Y) являются функцией внутренних (вектор X) и внешних (вектор Q) параметров Y F(X , Q) [6; 7;

10].

Типовыми процедурами многовариантного анализа, реализуемыми в САПР, являются процедуры анализа чувствительности и статистического анализа.

Параметры СУ в процессе работы не остаются равным расчетным значениям, что объясняется изменением внешних условий, неточностью изготовления отдельных устройств системы, старением элементов и т. д. Зависимость характеристик системы от изменения каких-либо ее параметров оценивают чувствительностью. Под чувствительностью понимают свойство системы изменять режим работы вследствие отклонения каких-либо параметров от номинальных значений. Для числовой оценки чувствительности исполь-

 Автоматизированное проектирование средств и систем управления. Курс лекций

143

ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 10. Алгоритмы и методы анализа чувствительности и статистических испытаний ССУ в САПР

зуют функции чувствительности, определяемые как частные производные от координат системы или показателей качества процессов управления по ва-

			y	i		0
риациям параметров: u						, где y	–координаты системы; x – парамет-
	ji
						i	j
			x j

ры системы. Индекс 0 означает, что функция uij вычисляется при номинальных значениях параметров.

Система, значения параметров которой равны номинальным и не имеют вариаций, называется исходной системой, а движение в ней – основным движением. Система, в которой имеют место вариации параметров, называется варьированной системой, а движение в ней – варьированным. Разность между варьированным и основным движениями называют дополнительным движением.

Пусть исходная система описывается системой нелинейных дифференциальных уравнений

	dyi	fi ( y1 ,...., yn ; x1 ,...., xm ) .	(10.1)
	dt
Пусть в некоторый момент времени в системе произошли вариации па-
раметров xj, где j = 1, 2, …., m; тогда параметры станут равными xj +			xj.

Если вариации параметров не вызывают изменения порядка уравнения, то варьированное движение описывается новой системой n уравнений первого порядка

	dyi ~		~	~
	~	fi ( y1 ,...., yn ; x1 x1 ,...., xm xm ) .			(10.2)
	dt

Разность решений уравнений (10.1) движение

~

xi (t) xi (t) xi

и (10.2) определяет дополнительное

(t) . (10.3)

Если yi и yi дифференцируемы по xj, то дополнительное движение (10.3) можно разложить в ряд Тейлора по степеням xj. При малых вариациях параметров ограничимся в разложении лишь линейными членами. Нужно отметить, что в случае конечных вариаций такое приближение недопустимо. Итак, можно записать уравнения первого приближения для дополнительного движения:

m	dy	i
				x j ).	(10.4)
xi (t, x1 ,...., xm )
j 0 d x j 0
Учитывая формулу (10.1), можно записать
 Автоматизированное проектирование средств и систем управления. Курс лекций					144

ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 10. Алгоритмы и методы анализа чувствительности и статистических испытаний ССУ в САПР

m
xi (t, x1 ,...., xm ) uij	x j ) .	(10.5)

j 0

Следовательно, располагая функциями чувствительности и задаваясь вариациями параметров, можно определить первое приближение для допол-

нительного движения.

xj:

Продифференцируем уравнения исходной системы (10.2) по

dy

d

y

i

duij

n

f

i

f

i

i

ukj

,i 1,2,...,n; j 1,2,...,m.

(10.6)

dt

dt

yk

x j

x j

dt

x j

k 1

Полученные линейные дифференциальные уравнения (10.6) называют уравнениями чувствительности. Решение их дает функции чувствительности uij. В силу сложности уравнений (10.6) их решение весьма затруднительно. Поэтому для автоматизации метода анализа чувствительности разработаны и используются в САПР ряд численных методов.

Анализ чувствительности позволяет оценить степень влияния каждого параметра xj и qk на выходные параметры объекта, т. е. оценить чувствительность выходных параметров к изменению отдельных внутренних или внешних параметров. В процессе проектирования СУ результаты анализа чувствительности имеют большое значение, так как появляется возможность оценить стабильность выходных параметров при наличии дестабилизирующих факторов; определить наихудшие режимы работы объекта с точки зрения выполнения ТЗ. Анализ чувствительности способствует правильному назначению допусков на внутренние параметры.

Анализ чувствительности применяется по отношению к объектам с непрерывными ММ. Результаты анализа чувствительности находят применение при решении задач параметрической оптимизации внутренних параметров объекта с целью улучшений его выходных параметров, так как позволяют определить, какие внутренние параметры и в каком направлении следует изменять в первую очередь.

Количественно степень влияния внутренних и внешних параметров на выходные оценивается с помощью коэффициентов влияния (чувствительности) – частных производных.

aij yix j

– абсолютный коэффициент чувствительности

	b		aij x j ном
			yi ном
	ij

 Автоматизированное проектирование средств и систем управления. Курс лекций

145

ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 10. Алгоритмы и методы анализа чувствительности и статистических испытаний ССУ в САПР

– относительный коэффициент чувствительности. xjном, yiном – номинальное значение параметров.

Значения аij, bij для всех выходных и изменяемых внутренних параметров составляют матрицы чувствительности А и В, размера (m n)

при x = (x1, x2, …, xn) и y = (y1, y2, …, ym).

Каждая строка матрицы А является вектором – градиентом одного из выходных параметров в пространстве внутренних параметров

y

i

y

i

y

i

A

grad y

(x)

,

,...,

.

j

i

x1

x2

xn

Каждый столбец матрицы А характеризует влияние одного из внутренних параметров на все выходные параметры. В частных случаях может потребоваться вычисление только части матрицы чувствительности (например, градиент одного из выходных параметров). Формулы, явно выражающие коэффициент влияния через известные параметры объекта, могут быть получены в сравнительно редких случаях, когда используют аналитические модели объектов в виде Y F(X ,Q) . Тогда коэффициенты влияния определяются

обычным дифференцированием выражений обычной модели.

МетодыанализачувствительностиСУ приихиспользованиивСАПР

В общем случае формулы Y F(X ,Q) неизвестны и для анализа чув-

ствительности используются численные методы (рассматриваются методы применительно к внутренним параметрам, так как они в равной степени применимы и к внешним параметрам) [13]:

Метод приращений – основан на численном дифференцировании зависимостей Y(X). Выполняется (n + 1) вариант анализа. В первом варианте принимается X = Xном, результат анализа есть Yном. В каждом последующем (i + 1) варианте, i = 1, 2,.., n, задаётся отклонение xi от xiном только одному

из внутренних параметров. Вычисляется значение Yi вектора Y и рассчитыва-

ется очередной i-й столбец Аi матрицы чувствительности	A Yi		Yном		, X i –
	i		X	i

выбирают обычно в пределах 5–10 % от Хiном.

Достоинства метода – универсальность, возможность распараллеливания вычислительного процесса. Недостатки – увеличение трудоёмкости, уменьшение точности.

Прямой метод – используется, когда ММ объекта есть система ОДУ, а выходные параметры – функционалы результатов интегрирования (определяются по результатам анализа переходных процессов). Пусть ММ объекта

представлены в виде системы ОДУ F(V ,V , X ,t) 0 с вектором НУ V0,

 Автоматизированное проектирование средств и систем управления. Курс лекций

146

ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 10. Алгоритмы и методы анализа чувствительности и статистических испытаний ССУ в САПР

где V – вектор фазовых переменных размерности n; Х – вектор внутренних параметров (изменяемых) размерности m.

Эта система уравнений называется основной. Продифференцируем её по i-му элементу вектора X

F		V		F		V		F	0 .
V		X i
				V		X i		X i

Обозначив

V

z

i

с, получим вспомогательную систему из n линейных

X i

дифференциальных уравнений, называемых моделью чувствительности

F

z

i

F

z

i

F

0 .

V

V

X

i

Вектор zi – вектор чувствительности фазовых переменных к изменению i-го параметра.

Преобразование матрицы Z, составленной из столбцов zi, в матрицу чувствительности выполняется по алгоритмам, зависящим от способа определения выходных параметров Y как функционалов зависимости V(t). Если yj – значение Vk вектора V в момент времени T, то A j zk (T ) , где Аj –

j-я строка матрицы А, zk – k-я строка матрицы Z. Если

		y j		T
			[V (x,t),x,t]dt ,
то				0
			T
A
	j				z		dt .
			0		V		x

Прямой метод точнее и экономичнее метода приращений, однако используется лишь при указанных ограничениях, имеет высокий объем вычислений при небольших m. Этот недостаток устранен в вариационном методе.

Метод сопряжённых уравнений – для определения строки матрицы чувствительности интегрируется дополнительная система ОДУ, называемая сопряжённой.

СтатистическийанализСУвСАПР

При учете производственного разброса внутренних параметров относительно номинальных значений компоненты вектора Х следует рассматривать как случайные величины. Выходные параметры также будут иметь разброс относительно номинальных значений. Цель статистического анализа – по-

 Автоматизированное проектирование средств и систем управления. Курс лекций

147

ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 10. Алгоритмы и методы анализа чувствительности и статистических испытаний ССУ в САПР

лучение информации о рассеянии выходных параметров Y и расчёт вероятности выполнения условий работоспособности. На основе статистического анализа прогнозируется возможный процент брака из-за невыполнения условий работоспособности, а при учёте старения внутренних параметров возможна оценка надёжности проектируемого объекта [5; 6; 10].

Статистический анализ сводится к определению основных статистических характеристик выходных параметров проектируемого объекта: плотности распределения этих параметров (гистограмм), математического ожидания (номинальных значений), средних квадратических отклонений (дисперсий), коэффициента корреляции и т. д. Исходными данными для статистического анализа являются технические требования на выходные параметры, предельно допустимые отклонения внешних параметров, сведения о законах распределения внутренних параметров. В большинстве случаев точная статистическая информация о внутренних параметрах отсутствует, но и при наличии приближённых исходных данных об их разбросе статистический анализ даёт полезную для проектирования информацию.

Для определения разброса выходных параметров объекта относительно номинальных значений используют метод наихудшего случая и вероятностные методы. Метод наихудшего случая используют для оценки влияния изменений внешних параметров на разброс выходных, так как правильное функционирование проектируемого объекта должно обеспечиваться при любых значениях внешних параметров внутри заданных диапазонов.

С помощью вероятностных методов оценивается влияние случайного разброса внутренних параметров на разброс выходных параметров. В отношении внутренних параметров ориентация на наихудший случай приводит к неоправданно жестким требованиям к диапазонам их изменения. Это связано с тем, что вероятность возникновения наихудшего случая мала и реальный разброс выходных параметров намного меньше, чем предсказанный для наихудшего сочетания внутренних параметров с учетом их разброса.

Таким образом, сначала определяют неблагоприятные значения внешних параметров по методу наихудшего случая, при которых далее проводят более достоверный анализ выходных параметров по методу статистических испытаний.

Метод наихудшего случая. По этому методу вычисляются значения выходных параметров в наихудших случаях. Наихудшим случаем для некоторого выходного параметра yi называют случай, когда внутренние параметры объекта Х и внешние параметры объекта Q принимают самые неблагоприятные из допустимых с точки зрения выполнения условий работоспособности на параметр yi. В качестве исходных данных указываются максимально возможные отклонения qi внешних параметров, которые обычно известны

из ТЗ на проектирование.

Наихудший случай по параметру yi соответствует максимальным отклонением qk от номинальных значений qkном в сторону ухудшения выход-

 Автоматизированное проектирование средств и систем управления. Курс лекций

148

ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 10. Алгоритмы и методы анализа чувствительности и статистических испытаний ССУ в САПР

ного параметра yi. Направление отклонения параметров qk определяется знаком коэффициента чувствительности

sign yi sign aik .

qk

Алгоритм метода наихудшего случая:

Анализ чувствительности выходного параметра yi к изменению внешнего параметра qk и определение знака коэффициента чувствительности sign aik для всех i и k;

Задание	значения параметров qk для наихудшего	случая
qk нс qk ном qk	sign(aik ) , где знак «+» соответствует условию yi	< TTi,

знак «–» соответствует условию yi > TTi, ТТi – технические требования на yi;

Выполнение одновариантного анализа объекта с расчётом выходного

параметра yi в наихудшем случае и определение возможного разброса этого параметра относительно номинального значения;

Для каждого из выходных параметров имеется свой наихудший случай, следовательно, этапы 2 и 3 должны выполнятся один раз.

		y	i
Данный алгоритм предполагает неизменность знаков	sign				в до-
		qk

пустимой области изменения вектора Q.

Влияние внешних параметров на разброс выходных параметров должно оцениваться по методу наихудшего случая, поскольку правильное функционирование проектируемого объекта должно обеспечиваться при любых значениях внешних параметров внутри заданного диапазона.

Метод статических испытаний (Монте-Карло) позволяет строить простые алгоритмы численного анализа стохастических систем. Случайные функции, входящие в описание исходной системы, воспроизводятся по их вероятностным характеристикам. Для каждой выборки случайных значений интегрируется исходная система уравнений ММ СУ, причем такое интегрирование производится многократно. Выборки значений случайных величин задаются программно, например, с помощью генератора случайных чисел.

При реализации метода статистических испытаний в САПР применительно к СУ исходными данными являются сведения о законах распределения внутренних параметров системы Х, в том числе о взаимной корреляционной связи между этими параметрами и условия работоспособности по всем выходным параметрам Y. Статистические связи внутренних параметров между собой задаются в виде коэффициентов корреляций, вычисленных на основании результатов измерения этих параметров. Для получения таких данных выполняются экспериментальные измерения для большого количества комплектующих изделий, что весьма трудоемко, и разрабатываются соответствующие программы статистической обработки полученных результатов. По-

 Автоматизированное проектирование средств и систем управления. Курс лекций

149

ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 10. Алгоритмы и методы анализа чувствительности и статистических испытаний ССУ в САПР

этому для реализации статистического анализа как проектной процедуры в САПР должны быть алгоритмы и программы двух групп: для статистической обработки результатов измерений; для выполнения статистического анализа с исходными данными, полученными с помощью алгоритмов и программ первой группы.

Наибольшее распространение получил численный метод статистического анализа – метод Монте-Карло – основанный на многократном моделировании (N раз) числовых значений вектора Х для m случайных внутренних параметров хj и вычислении для очередного испытания соответствующих значений всех выходных параметров Y.

При программной реализации метода Монте-Карло статистические испытания проводят с ММ объекта проектирования, где при этом моделируется задание случайных значений параметров компонентов ММ.

Алгоритм статистического анализа по методу Монте-Карло включает N-кратное выполнение анализа работы объекта, в каждом варианте анализа задаются случайные значения внутренним параметрам Х в соответствии с их законами распределения и фиксируются значения выходных параметров, т. е. каждый вариант анализа работы объекта и представляет собой очередное статистическое испытание. Результаты испытаний обрабатываются с целью получения оценок числовых характеристик распределений выходных параметров и графиков статистических распределений (гистограмм).

Сложность задания случайных значений вектора Х внутренних параметров модели обусловливается разнообразием законов распределения и коррелированностью элементов вектора Х между собой. Выработка случайных значений внутренних параметров выполняется с помощью специальных алгоритмов. Для заданных законов распределения и коэффициентов корреляции для всех элементов вектора Х возникает задача моделирования этих законов. Чтобы решить данную задачу, проводят преобразования произвольно заданных законов распределения хj к теоретическим (обычно нормальному или равномерному). При статистическом анализе для параметров, у которых нет сведений о законе распределения, также предполагается нормальный закон распределения. Выработка случайных значений усложняется при наличии корреляционной связи между внутренними параметрами. Поэтому необходимо найти преобразование исходных статистических данных в многомерное теоретическое распределение с независимыми составляющими. Тогда обратное преобразование позволит моделировать произвольно распределенные случайные векторы X с реально существующими статистическими связями между его элементами.

Пусть L – m-мерный нормированный, нормально распределенный вектор с некоррелированными элементами; P – m-мерный нормально распределенный вектор с коррелированными элементами, отражающими реальные связи элементов в объекте.

 Автоматизированное проектирование средств и систем управления. Курс лекций

150

ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 10. Алгоритмы и методы анализа чувствительности и статистических испытаний ССУ в САПР

Подготовительный этап для проведения статистических испытаний заключается в определении вектор-функций F и H прямого P = F(X) и обратного X = H(P) преобразований. Пусть известны гистограммы распределения для всех внутренних параметров xj. Рассмотрим последовательность преобразования некоторой случайной величины x с произвольным распределением в величину p, имеющую нормированное нормальное распределение:

p ( p) p 12 t[h( 0.5( p M p ) / 2 p ,

где p(p) – плотность распределения p; Mp и p – математическое ожидание и среднеквадратичное отклонение случайной величины p, причем Mp = 0;

p = 1.

Плотности распределения случайных величин x и p связаны соотношением p(p)dp = x(x(p)) dx. При этом

	xk 1		Nk 1
		x (x)dx		,	(10.7)
			N
	x k

где xk и xk+1 – границы (k + 1)-го интервала гистограммы распределения величины x; Nk+1 – число попаданий в (k + 1)-й интервал гистограммы при общем количестве измерений величины x, равному N. В то же время интеграл в (10.7) равен

p( xk 1 )
	p ( p)dp (Uk 1) (Uk ) ,			(10.8)
p( xk )
где – интеграл вероятностей, а Uk = (p(xk) – Mp)/ p = p(xk).
Из (10.7) и (10.8) следует; что
	(uk 1 )	Nk 1	(uk ) .
		N

Пусть известны U0, (U0) и ,T , f , по (10.8) найдем (U1) и по табли-

це интеграла вероятностей U1 = (p(x1), затем аналогично определим (U2) и U2 и т. д. В результате получим зависимость прямого pk = f(xk) и обратного xk = h(pk) преобразований в табулированном виде. Совокупность функций h представляет собой преобразование H, с помощью которого можно задать случайное значение внутренним параметрам на основе вектора P, т. е.

X = H(P).

 Автоматизированное проектирование средств и систем управления. Курс лекций

151

ТЕМА 4. МЕТОДЫ АВТОМАТИЗИРОВАННОГО ПРОЕКТИРОВАНИЯ: МЕТОДЫ АНАЛИЗА ССУ

Лекция 10. Алгоритмы и методы анализа чувствительности и статистических испытаний ССУ в САПР

В качестве исходных данных для реализации m взаимно коррелированных значений внутренних параметров удобно использовать последовательность некоррелированных нормально распределенных нормированных случайных чисел lj. Векторы L и P связаны соотношением P = ALPL, где ALP – матрица линейного преобразования. Способ получения матрицы ALP давно известен и представлен в литературе, в частности, на основе корреляционной матрицы вторых моментов.

Значения внешних параметров Q должны выбираться, исходя из требований метода наихудшего случая, следовательно, статистический анализ должен начинаться с анализа чувствительности выходных параметров к изменению внешних параметров. Выбор режима статистических испытаний по внешним параметрам (номинальной, либо по наихудшему случаю) находится в компетенции проектировщика.

Алгоритм рабочего этапа метода Монте-Карло:

задание случайных значений вектора L ;

преобразование векторов L в P = ALP L и P в X = H(P);

одновариантный анализ работы объекта с расчетом Y при данном X;

повторение пунктов 1–3 до конечного числа испытаний N;

статистическая обработка результатов расчета.

Точность метода Монте-Карло во многом зависит от заданного количества испытаний N. Если задать погрешность оценки Mi и i в пределах (0,01–0,001) % с доверительной вероятностью 0,95, то N = 108. Однако на практике подобная точность не требуется, так как исходные данные имеют большую погрешность. Обычно N = 50 200 при этом погрешность оценки Mi составляет (12–24) %, i – (10–23) % с доверительной вероятностью

0,9–0,95.

Достоинством метода Монте-Карло является простота реализации; универсальность, так как используется при произвольных законах распределения Х, а также при нелинейных и неявных видах связи между Х и Y, что является важным фактором при особенностях математического описании такого сложного и физически разнородного объекта, как современные СУ.

 Автоматизированное проектирование средств и систем управления. Курс лекций

152