Звоните! 
 (926)274-88-54 
 Бесплатная доставка. 
 Бесплатная сборка. 
Ассортимент тканей

График работы:
Ежедневно. С 8-00 до 20-00.
Почта: soft_hous@mail.ru
Читальный зал -->  Электронные вычислительные машины 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 [ 67 ] 68 69

смесь из кварцевого песка, каолина и молотого мела. Размер частиц не должен превышать 200 мкм.

Воздушно-пылевой поток создается в рабочем объеме камеры, представляющей замкнутый воздухопровод 1 (рис. 23.15). В верхней секции 2 на столе 3, вращаемом с помощью редуктора 4 и электродвигателей 5, находятся проверяемые изделия. Пылевой поток создают вводя в камеру определенное количество пылевой смеси при циркуляции воздуха от вентилятора 6, вращаемого двигателем 7. Скорость воздушного потока от 5 до 20 м/с регулируется заслонкой 5, а равномерность воздушного потока - щитком 10. Температура в камере от 20 до 50°С обеспечивается нагревателем 9.

23.4, Прогиозироваиие технического состояния и надежности электронных устройств

Одним из важных направлений в решении задачи повышения качества и долговечности электронных устройств является прогнозирование изменения их технического состояния.

Под техническим состоянием понимается совокупность подверженных изменению в процеСсе производства или эксплуатации свойств объекта, характеризуемая в определенный момент времени признаками, установленными технической документацией на этот объект.

Для выявления технического состояния объекта используются специальные методы и технические средства контроля. Анализ полученных при контроле данных с целью определения места неисправности называется прогнозированием.

Задачи прогнозирования можно решать различными путями. В общем плане прогнозирование разделяют на эвристическое и математическое.

Эвристическое прогнозирование - это суждения о развитии или Исходе событий на основе оценки множества факторов, большая часть которых носит качественный характер. Эвристическое прогнозирование используют для определения перспективности развития новых направлений в науке и технике, распределения ресурсов в народном хозяйстве и т. п.

Математическое прогнозирование может быть аналитическое или вероятностное. Аналитическое или детерминистическое прогнозирование основано на использовании для прогноза функциональной зависимости вида


Рис. 23.15. Стеид для контроля на пылепроницаемость

(23.6)

Где у {t p) - значение прогнозируемого параметра у к моменту времени пр; Хи Хч - значения некоторых параметров объекта. Такие зависимости являются результатом теоретически или эмпирически найденных соотношений.

Вероятностное прогнозирование основано на использовании вероятностных моделей. Применение методов вероятностного прогнозирования возможно при статистической устойчивости параметров исследуемого объекта. Это может быть достигнуто при условии такого изготовления изделий, когда режимы технологических процессов, состав и свойства используемых материалов выдерживаются в одних и тех же пределах, что возможно при высокой культуре производства и обеспечении стабильности и устойчивости технологического процесса.

Вероятностное прогнозирование делят на групповое и индивидуальное. При групповом методе прогнозирования (прогнозирования для ансамбля) исследуется функция состояния целой группы изделий и анализируются их статистические характеристики. При этом, однако, не используется информация об индивидуальных особенностях каждого конкретного изделия.

При индивидуальном прогнозировании изучается вероятностная связь между значением прогнозируемого параметра /-го экземпляра изделия к моменту времени / р и начальным состоянием этого изделия. С помощью методов индивидуального прогнозирования возможно сокращение объема испытаний изделий на надежность без использования форсированных режимов. Они позволяют по заданному критерию отказа определить принадлежность каждого изделия к одному из классов (надежно.иу или ненадежному). Основными методами индивидуального прогнозирования являются метод потенциальных функций и метод распознавания Байеса.

Метод потенциальных функций. Данный метод основан на теории распознавания образов. Сущность метода заключается в том, чтобы найти такую функцию в пространстве исследуемых объектов, которая положительна для всех объектов одного класса (надежных) и отрицательна для всех объектов другого класса (ненадежных). Множество объектов, разделенных на классы, называют образами. Реальным объектам соответствуют определенные состояния, характеризуемые Л-мерными векторами признаков. Изделие в пространстве контролируемых параметров изображается точкой.

На рис. 23.16 изображено двумерное (для простоты) пространство параметров, содержащее два множества; АиВ. Проведенная кривая (в общем случае гиперповерхность) разделяет эти множества. В зависимости от того, по какую сторону от разделяющей линии (или гиперповерхности) лежат параметры изделия, предъ-




являемого для йрогнозирования, определяют его принадлежность к классу А или В.

Метод потенциальных функций предусматривает три этапа выполнения прогнозирования: испытание на надежность; обучение; индивидуальное прогнозирование (экзамен). Испытание на надежность включает определение объема обучающей выборки, выбор контролируемых параметров и контрольно-измерительной аппаратуры, проведение обучающего эксперимента.

Минимальный объем обучающей выборки устанавливается в объеме 20 изделий. Выбор производится методом случайного отбора из числа изделий, изготЬвленных в соответствии с установленной технологией, обеспе-

чивающей стабильное качество.

В качестве контролируемых параметров выбираются наиболее информативные, контроль которых предусмотрен техническими условиями. При этом необходимо сократить число измеряемых параметров и число мест измерения. Если выбрана какая-то большая исходная совокупность признаков, то можно математическими методами отобрать наиболее информативные из них.

Контрольно - измерительная аппаратура должна обеспечивать измерение параметров изделия с точностью 0,5%. Можно применять индикаторы отказов и самопишущие приборы.

Обучающий эксперимент следует проводить при наиболее жестких режимах, но в пределах технических условий. Продолжительность испытаний определяется временем, на которое устанавливается прогноз. При отсутствии отказа продолжают испытания до появления отказа или устанавливают более узкие границы допуска на изделия. Если их значения вышли за пределы допуска, то они относятся к классу отказавших.

Наибольшие трудности связаны с формированием представительной обучающей выборки для высоконадежных изделий из-за больЩого времени испытаний. Для построения решающего правила необходимо иметь достаточно большое количество отказавших изделий, которыми не всегда можно располагать.

Для формирования обучающей выборки испытанные изделия разделяют на два класса: А - надежные изделия (не имеющие отказов при испытании); В - ненадежные изделия (имеющие отказы при испытании или условно отказавшие).

Обучение включает следующие операции: нормирование контролируемых параметров; проверку принадлежности изделия к одному из классов; оценку эффективности распознавания.

Рис. 23.16. Пространство параметров, содержащее два множества

Нормированное значение й-го.параметра i-ro изделия в данный момент времени

Хк,=

(23.7)

где Х - значение k-ro контролируемого параметра изделия;

ЛГ=ЛГа+Лв; (23.8)

Л -объем обучающей выборки; Лд - количество изделий класса А в обучающей выборке; Nb - количество изделий класса В в обучающей выборке; М{х)-математическоеожидание А-го контролируемого параметра; oj -среднее квадратическое отклонение А-го контролируемого параметра.

Из обучающей выборки поочередно исключаются изделия класса А и В и проверяются на правильность принадлежности к соответствующему классу по значениям контролируемых параметров.

Степень близости исследуемого изделия к данному образу определяется значением потенциальной функции распознавания. Если ввести аналогию между точками, представляющими выборочные образы в Л/-мерном пространстве, й некоторыми источниками энергии, то в любой точке потенциал достигает максимального значения и быстро уменьшается при переходе во всякую точку, отстоя-щую-от точки, представляющей выборочный образ. Степень близости может быть оценена, по аналогии со значением потенциала в точке, удаленной на некоторое расстояние от источника электрического заряда, потенциальной функцией вида

<Р.,.,=--. (23.9)

где fxxj- потенциал t-ro исследуемого узла в пространстве контролируемых параметров, наводимых }-м изделием; gxj-потенциал t-ro исследуемого узла, равный ±1; а и k - соответственно коэффициенты и показатель степени, определяемые экспериментально (обычно а=4; k=3);

(23.10)

- расстояние между точками изделий t и / в пространстве контролируемых параметров; п - число контролируемых параметров. При подсчете потенциала функции ixxj знаки потенциала qxj

устанавливаются по правилу: если для исследуемого изделия рас-



считывается наводимый потенциал от изделия класса А, то qx выбирается со знаком + , и, наоборот, если определяется потенциал от изделия класса В - со знаком - .

Суммарный нормированный потенциал каждого изделия класса А, наводимого другими изделиями классов АиВ, определяется по формуле

(23.11)

где 9а.,а - потенциал t-ro узла для класса А, наводимый /-м узлом класса А; срдву - потенциал i-ro узла класса А, наводимый

/-м узлом класса В.

Аналогично, суммарный нормированный потенциал каждого узла класса В, наводимого другими изделиями классов АиВ,

(23.12)

Классификация принадлежности узла к одному из классов производится по правилу: при (рд. и срв; >0 изделия относятся к классу А, а при ?в, < О и срА, < О - к классу В.

Оценка эффективноЬти распознавания определяется числом ошибочных классификаций. Для оценкиэффективности распознавания обучающей выборки и ее классов используют формулу

y=(N-z)/N, (23.13)

где 2 - число ошибочных классификаций обучающей выборки; для оценки эффективности распознавания изделия класса А - формулу

Ул=(Л/--2а)/Л/, (23.14)

Za - число ошибочных классификаций класса А;

для оценки эффективности распознавания изделия класса В- формулу

Ув=(Л/--2в)/Л/, (23.15)

где 2в - число ошибочных классификаций изделий класса В.

Эффективность распознавания определяется по оценкам риска поставщика а и заказчика р, которые оцениваются по формулам

(23.16)

а=1 -уа; Р=1-Ув.

(23.17)

Распознавание считается эффективным при получении оценок рисков поставщика и заказчика, соответствующих заданным.

Индивидуальное прогнозирование (экзамен) включает проведение испытаний экземпляров изделий, не участвующих в обучаю-щем эксперименте, и обработку результатов испытаний. Если оценки ошибочных решений согласуются с установленными требованиями, то считают, что экзамен прошел успешно и полученным оператором можно пользоваться для прогнозирования изделий такого класса. Для этого необходимо определить одинарный нормированный потенциал с-го вновь предъявленного к прогнозированию изделия по формуле

-. (23.18)

где флгд - потенциал вновь предъявленного изделия, наводимый изделием класса А обучающей выборки; (fx.в. - потенциал вновь предъявляемого i-ro узла. Наведенный j-м узлом класса В обучающей выборки.

Если прогнозируемый с-й экземпляр принадлежит к классу А, следует ожидать, что первая сумма будет велика, а вторая мала и, значит, суммарный потенциал будет положительным и с-й экземпляр относится к классу А.

Если же /х,<0, то будет принято решение об отнесении с-го экземпляра к классу В.

Пример 23.1. Прогнозирование надежности трансформатора по двум признакам: температуре перегрева (ДГ) по отношению к окружающей среде н сопротивлению изоляции (У?из). Для проведения обучающегося эксперимента была взята выборка из 20 изделий н установлены режимы испытания. Общая продолжительность испытания составляла 13 циклов по 500 ч каждый. По результатам испытаний все изделия разделены на два класса. К классу А отнесены 15 изделий с нормальной надежностью (отказавшие после 9-го цикла) а к классу В-пять изделий с пониженной надежностью (отказавшие до 9-го цикла). Причинами отказов были пробой и короткие замыкания. Величина Rat измерялась после прохождения цикла испытаний.

Обучение заключается в определении класса, к которому будет отнесен /-Й экземпляр изделия по прогнозу. Исходными данными для расчета ивляются значения математического ожидания и среднего квадратического отклонеиия, определенных по данным признаков всех деталей выборки:

Af(Ar) = 13,74°С, <1(ДГ)= 1,39°С; Af (/?из) = 48-104 мОм,

(Г(/? з) = 62,63-104 мОм.

По формуле (23.7) определим нормированные значения признаков для первых трех изделий*:

1-е изделие (класс А) АГ =0,479; /? з = 10,17; 2-е изделие (класс А) А7в = 0,319; /?нз=9,96; 3-е изделие (класс В) А7н=2,355; У?нз = 11,58.

Расстояние между точками изделий 1 и 2 определяется по формуле (23.10): /?1,2 = У(0,479 - 0,319)2 + (10,17 -9,96)2 = 0,264,

* Пример подробно рассмотрен в учебном пособии: В. Б. Пестряков. А. А. Андреева. Индивидуальное прогнознроВанне состояния РЭА с использова-нвем теории распознавания образов, Куйбышев, 1980.



1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 [ 67 ] 68 69



ООО «Мягкий Дом» - это Отечественный производитель мебели. Наша профильная продукция - это диваны еврокнижка. Каждый диван можем изготовить в соответствии с Вашими пожеланияи (размер, ткань и материал). Осуществляем бесплатную доставку и сборку.



Звоните! Ежедневно!
 (926)274-88-54 
Продажа и изготовление мебели.


Копирование контента сайта запрещено.
Авторские права защищаются адвокатской коллегией г. Москвы
.