Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Уч. пособие. ПТ.Сахаров, Андрианов.docx
Скачиваний:
13
Добавлен:
01.04.2025
Размер:
3 Мб
Скачать
☆

На основе мнк

%sah2.m

% Polynoms:

x=0:0.5:5;

Y=[];P=[];ERR=[];

for n=1:4;

y=4*x.^3+2*x.^2-7*x-5.5;

p=polyfit(x,y,n)

%[p,S] = polyfit(x,y,n)

%[p,S,mu] = polyfit(x,y,n)

%==================================

ym = polyval(p,x);

Y=[Y;ym];

%[y,delta] = polyval(p,x,S)

%y = polyval(p,x,[],mu)

%[y,delta] = polyval(p,x,S,mu)

err=y-ym;

ERR=[ERR; err];

end

Y

ERR

plot(x,y,'*',x,Y),grid

хххххххххххххххххххххххххххххххххххххххххххххххххххххххххххх

% Файл 'sah448.m'

% Аппроксимациярасходныххарактеристиксудовпо

% экспериментальнымданным.

% Gi - часовой расход топлива на -ом участке пути.

% v(i)-скорость судна на -ом участке пути.

%=====================================

% Для преподавателя:

v1=0:0.1:18;

k1=0.03;

G1=k1*v1.^3;

%=====================================

v2=0:0.1:15.5;

k2=0.035;

G2=k2*v2.^3.1;

%=====================================

v3=0:0.1:13.8;

k3=0.038;

G3=k3*v3.^3.2;

%======================================

v4=0:0.1:11.6;

k4=0.04;

G4=k4*v4.^3.4;

%======================================

% Ограничительная характеристика:

S=[18 15.5 13.8 11.6;174.96 171.4337 168.8094 166.4245];

Z1=S(1,:); Z2=S(2,:);

% Аппроксимация заградительной характеристики полиномом:

Pg=polyfit(S(1,:),S(2,:),3);

Gg=polyval(Pg,S(1,:));

% Вектор оптимальных режимов при заданном времени хода

% судна 14.2 ч.:

SA=[146.5011 139.5249 133.1828 122.0842;

16.9658 14.5037 12.8147 10.5897];

plot(v1,G1,v2,G2,v3,G3,v4,G4,S(1,:),S(2,:),S(1,:),Gg,'*',...

SA(2,:),SA(1,:),'o'),grid

pause

%==========================================

%==========================================

% ЭКСПЕРИМЕНТАЛЬНЫЕ ДАННЫЕ ДЛЯ РАСЧЕТОВ

% Для студентов приводятся экспериментальные данные,

% покоторым следует найти оценки коэффициентов

% моделейG(i)=f(v(i)):

vG1=[0 10 11 12 13 14 15 16 17 18;

0 30 39.93 51.84 65.91 82.32 ...

101.25 122.88 147.39 174.96]

vG2=[0 10 11 12 13 14 15 15.5;

0 44.0624 59.2087 77.5407 99.3785 ...

125.0446 154.8642 171.4337]

vG3=[0 10 11 12 13 13.8;

0 60.2259 81.7034 107.9353 139.4448 168.8094]

vG4=[0 10 10.5 11 11.5 11.6;

0 100.4755 118.6052 138.9297 161.5968 166.4245]

% Решение:

d1=size(vG1);

H1=[ones([d1(2)-1,1]) log(vG1(1,2:10)')];

y1=log(vG1(2,2:10)');

x1=inv(H1'*H1)*H1'*y1;

P1=[exp(x1(1));x1(2)]

%.........................................

d2=size(vG2);

H2=[ones([d2(2)-1,1]) log(vG2(1,2:8)')];

y2=log(vG2(2,2:8)');

x2=inv(H2'*H2)*H2'*y2;

P2=[exp(x2(1));x2(2)]

%...........................................

d3=size(vG3);

H3=[ones([d3(2)-1,1]) log(vG3(1,2:6)')];

y3=log(vG3(2,2:6)');

x3=inv(H3'*H3)*H3'*y3;

P3=[exp(x3(1));x3(2)]

%............................................

d4=size(vG4);

H4=[ones([d4(2)-1,1]) log(vG4(1,2:6)')];

y4=log(vG4(2,2:6)');

x4=inv(H4'*H4)*H4'*y4;

P4=[exp(x4(1));x4(2)]

% По полученным значениям Р1,Р2,Р3 и Р4 построить

% графики расходных характеристик с шагом дискретности

% 0.1 для скорости v, используя формулы

% Gi=Pi(1)*v.^Pi(2), где i=1,2.3.4.

% По контрольным точкам нанести ограничительную характериситку.

ххххххххххххххххххххххххххххххххххххххххххххххххххххххххх

ЗАНЯТИЕ № 4

Теорема Гозинта и балансовые модели

Концепция построения моделей для принятия решений в определенной предметной области предусматривает использование математического аппарата, адекватного проводимым исследованиям, с разработкой соответствующей алгоритмической части, программной системы. Предполагается, что модельная часть должна с заданной точностью отражать процессы и сведения об объекте и предмете моделирования.Тогда принятые решения будут получе­ны на основе строгих математических методов, в соответствии с постанов­кой и спецификой конкретной задачи исследований. Важной проблемой при построении моделей технологических процессов является выбор формального аппарата для описания процессов принятия решений и построение на его основе модели принятия решений, адекватной и семантически корректной проблемной области. В качестве такого аппарата обычно используют продукцион­ные системы [2]. При этом основные исследования ведутся в контексте алго­ритмической (детерминированной) трактовки продукционной системы с присущей ей последовательной схемой поиска решения. Очевидно, в процессе моделирования могут встречаться случаи, когда различные по назначению продукционные системы могут в своей основе базироваться на одних и тех же математических моделях. Такие модели можно считать универсальными в том смысле, что они могут быть пригодны для определенного класса продукционных систем. Остановимся кратко на рассмотрении систем, где для принятия решений используются балансовые модели, базирующиеся на матричном уравнении

- . (1)

Предположим, что A – неотрицательная продуктивнаяквадратная (n𝗑n)-матрица, причем такая, что существует

B=(I - A)-1 . (2)

Тогда возможны прямое и обратное преобразования при неотрицательных значениях векторов I- единичная матрица. В балансовых моделях для обеспечения неотрицательности матрица A>0 должна отвечать условиям продуктивности. Тогда неотрицательная обратимость (2) может быть получена при условии, что собственные числа 𝜆матрицы A должны быть меньше единицы:

При этом условии матричный ряд

+ = (3)

сходится. В балансовых моделях обозначения, используемые в формулах (1) ÷ (3), имеют следующий физический смысл:

- матрица коэффициентов прямых потребностей (нормативная матрица материалоемкости или сборочная матрица),

B– матрица коэффициентов полных потребностей (матрица преобразования вектора в вектор

вектор валовой продукции ( число деталей и узлов, необходимое для выполнения сборки у ремонтируемых агрегатов),

– вектор конечной продукции (число полностью отремонтированных агрегатов, готовых к отгрузке потребителю).

Балансовые модели (1)÷(2) пригодны для составления производственных программ при кратковременном планировании на предприятиях отрасли. На их базе можно получать в технических системах количественные оценки для обоснованного принятия решений и выбирать наиболее подходящие варианты из допустимого их множества при поддержании заданных балансовых соотношений между входами и выходами.

С корректировкой планов и адаптацией их к конкретным ситуационным изменениям, происходящим в условиях рынка, связано выполнение сборочных работ на судоремонтных предприятиях.Адаптациянеобходима для сохранения и развития бизнеса предприятия при изменении внешних условий. С ними связаны изменения сроков поставки готовых изделий для ремонта машин и механизмов, номенклатуры изделий и др. Гибкость планирования производства с учетом внешних условий на основе простых математических моделей, адекватных процессу и доступных пользователю, следует считать основным условием совершенствования судоремонтного производства на водном транспорте. При гибком планировании становятся актуальными вопросы, связанные с расчетом потребных материалов, деталей и узлов для выпуска конечной продукции в требуемых объемах.

Технологические приемы расчета количества и номенклатуры деталей и узлов для выполнения конкретной программы сборочных работ удобнореализовать посредством балансовой модели (1), отвечающей условиям теоремы Гозинта. Следует отметить, что в теореме сформулирована балансовая задача, в которой элементы векторов принимают целочисленные значения.Применительно к сборочным работам теорема фактически устанавливает соотношениямежду матрицей Aкоэффициентов прямых потребностей в узлах и деталях и матрицей Bполных коэффициентов потребностей, определяемых формулой (2). Топологические свойства матрицы Aпри планировании сборочных работ определяются диаграммами Гозинта, в которых устанавливается потребность в деталях и сборочных узлах на каждой технологической операции [3]. В структуре сборочной матрицы, формируемой по диаграмме Гозинта, отражена специфика изготовления (сборки агрегатов и узлов) выпускаемой продукции и последовательность выполнения технологических операций.

Согласно диаграммам, по формуле (1) рассчитывается количество одних узлов и деталей для изготовления других, а также для изготовления конечной продукции (отремонтированных и собранных агрегатов). Если требуется полностью собрать (изготовить)y агрегатов для заказчика с обеспечением их запасными деталями и узлами, то вектор потребностей в изделиях для заданной программы выпуска продукции следует находить по формуле (2).

Таким образом, простые матричные уравнения (1) и (2) дают исчерпывающий ответ на вопрос, как можно определить количество узлов и деталей, требуемых для выполнения соответствующей программы сборочных работ по выпускуагрегатов и отгрузке продукции в течение планируемого периода.В терминах балансовых моделей с помощью уравнений (1) и (2) фактически решается балансовая задача планирования объемов валовой продукции, необходимых для обеспечения выпуска конечной продукцииy.

Решение инверсной балансовой задачи состоит в оценке элементов матриц в уравнениях (1) и (2) по группе векторов входа и выхода, из которых составляются прямоугольные матрицы X и Y:

,

.

Предполагается, что :

rank ( =

Тогда оценку можно выполнить по формуле

= (4)

где - (m𝗑m) – матрица.

Применение балансовых моделей рассмотрим на примере диаграммы сборки агрегатов С1 ,С2 и С3.

Рис. 1. Диаграмма сборки агрегатов: С1, С2 , С3 – сборочные агрегаты;

Y1÷Y4 – сборочные узлы; D1 ÷D7 – детали для сборки узлов и агрегатов

Диаграмму Гозинта, изображенную на рис.1, представим сборочной матрицейA(матрицей прямых потребностей). Размерность матрицы соответствует числу элементов, изображенных на диаграмме. На диаграмме также указано число деталей, необходимых для сборки и изготовления одной единицы того элемента, к которому подходят стрелки. Эти числа внесены в матрицу по строкам и столбцам в следующем порядке:

Таблица 1.

№

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

Элемент

С1

С2

С3

Y1

Y2

Y3

Y4

Y5

D1

D2

D3

D4

D5

D6

D7

.

Нетрудно видеть, что максимальное собственное число матрицы A

что свидетельствует о возможности неотрицательной обратимости матрицы B. МатрицаB вычисляется, согласно уравнению (2). В результате устанавливается прямая и обратная связь вектора плана сборки агрегатов (выпуска продукции) yс числом потребных для этих целей деталей и узлов, представляемых векторомx:

. (5)

В таблице 2 приведены численные значения сборочных деталей x для двух планов y. Последовательность обозначений элементов (агрегатов, узлов и деталей) диаграммы (рис.1) соответствует принятой в таблице 1 (первая строка таблицы 2). По первому плану предполагается сборка агрегатов y: C1=7 , C2=3 и C3=11. Вычисления, выполненные по формуле (5) для их сборки, представлены в строкеx .

Таблица 2.

Элемент

С1

С2

С3

Y1

Y2

Y3

Y4

Y5

D1

D2

D3

D4

D5

D6

D7

Первый план

y

7

3

11

0

0

0

0

0

0

0

0

0

0

0

0

x

7

3

11

17

28

80

50

11

89

165

243

206

245

33

55

Второй план

y

8

6

4

3

0

5

6

0

0

0

0

0

20

0

0

x

8

6

4

25

20

69

34

4

124

194

213

142

180

12

20

Во втором плане, кроме выпуска агрегатов C1=8, C2=6 и C3=4, в строке yприведены ненулевые значения Y1=3, Y3=5, Y4=6 и D5=20. Эти элементы можно считать дополнением к основному плану в качестве запасных деталей, поставляемых по желанию заказчика одновременно с агрегатами.

Принцип суперпозиции позволяет планировать сборочный процесс раздельно для каждого вида конечной продукции с различным временем представления заказчику. Тогда сборочный процесс может анализироваться с учетом затрат времени на выполнение отдельных операций производственного цикла, решаться комплекс задач о загрузке оборудования, совершенствоваться технологические операции сборки механизмов на балансовых дискретно –динамических моделях.

Балансовые модели (1)÷(4) также нашли применение в экономике. Традиционно их используют для определения способов анализа, необходимых для решения проблем взаимных связей при межотраслевых взаимодействиях и установления количественных соотношений макропеременных с отраслевыми переменными микроуровня в процессе производства. Эта задача решается с помощью модели межотраслевого баланса В. Леонтьева. Связи между отраслями в модели устанавливаются с помощью статистических таблиц, называемых «межотраслевыми» и отражающих картину народнохозяйственной динамики за определенный период (как правило, 1 год). Таблицы межотраслевого баланса позволяют анализировать структуру потоков ресурсов [1]. В них отражена структура затрат (используемых ресурсов), необходимых для каждой отрасли, а также представлено распределение каждого вида продукции [2]. С помощью таблиц также устанавливаются балансовые соотношения для выпуска продукции и расходов отрасли.

В модели В. Леонтьева допускается для каждой отрасли существование производственной функции с неизменным эффектом масштаба (затраты прямо пропорциональны выпуску) и с отсутствием взаимозаменяемости ресурсов. Существует несколько вариантов базовой модели межотраслевого баланса. Модель межотраслевого баланса обычно представляется матричным уравнением вида (1), где каждый i–ый элемент вектора x есть объем выпуска отрасли xi. Продуктивная неотрицательная квадратная матрица Aразмерности (n n) является матрицей коэффициентов прямых затрат; y- вектор конечного спроса размерности (n 1)., состоящий из положительных элементов. Если из вектора yв уравнении (1) выделить вектор импорта, то может быть получен вариант модели конкурентно – импортного типа, наиболее часто используемый в Японии. В отличие от балансовых моделей Гозинта, в моделях «затраты - выпуск» В. Леонтьева элементы xi могут быть сгенерированы с помощью наиболее подходящих производственных функций, например, функции Кобба – Дугласа, либо CES- функции и др. С этой целью соответствующая модель производственной функции должна «встраиваться» в модель В. Леонтьева.

Наиболее трудоемкой частью анализа межотраслевых связей является получение коэффициентов прямых затрат или элементов матрицы A. В условиях рыночных процессов ценообразования и изменяющихся макроэкономических показателей элементы матрицы коэффициентов прямых затрат Aтакже подвержены значительным изменениям. Поэтому для нестационарных режимов функционирования экономических систем целесообразно использовать методы оценки коэффициентов прямых затрат по обобщенным показателям. Таковыми, в частности, могут быть матрицы Xи Y, составленные из векторов xи y в результате многократных измерений. Для минимизации ошибки оценки коэффициентов эти матрицы должны быть прямоугольными, полного ранга, размерности (n m),где m>n.

В качестве примера рассмотрим задачу оценки матрицы коэффициентов прямых затрат по формуле (4) семи отраслей японской экономики по данным, приведенным в работе [1 , с.168-171]. Секторами экономики являются:

1. Сельское, лесное и рыбное хозяйство.

2. Тяжелая промышленность.

3. Легкая промышленность.

4. Строительство.

5. Энергетика.

6. Транспорт и связь.

7. Услуги.

Согласно [1],исходные данные по семи отраслям японской экономики получены путем агрегирования официально опубликованного 43-отраслевого баланса и проведения последующих расчетов коэффициентов прямых затрат. В результате получена матрица A:

В каждом столбце матрицы конечного спроса YT размерности (11 7 ) содержатся базовые значения величин конечного спроса, соответствующие приведенному выше перечню секторов экономики (ед. измерения – млрд. иен). Нумерация секторов соответствует нумерации столбцов.

В формуле (4) содержится матрица базовых значений объемов выпуска X , которую вычислим с помощью (5) для одиннадцати векторов y. Теперь решим инверсную задачу В. Леонтьева: по известным Y иX произведем оценку матрицы коэффициентов прямых затрат олучим оценку, идентичную исходной матрице A, т.е.

=

что подтверждает корректность выполненных решений. В нестационарных условиях оценочные значения не будут совпадать с исходными, и поэтому

Вместе с тем,при наличии случайной составляющей в измерениях, будет представлять наилучшую оценку, при которой обеспечивается минимум суммарной квадратичной ошибки модельных значений XМ иизмерений X, где ℰ= [XМ – X]. Критерием является

В работе показано, что балансовые модели применимы для решения задач в различных сферах производственной деятельности и, в частности, в технических и экономических системах. Математическая интерпретация, структура и требования к модели остаются неизменными и практически в изложенной постановке слабо зависят от предметной области исследований. По сути, балансовые моделиопределяют механизм совершенствования существующего информационного обеспечения и программных средств автоматизированных систем управления производственными процессами на различных иерархических уровнях. Учет времени выполнения сборочных операций и моделирование технологических процессов с применением современных вычислительных сред существенно расширит класс решаемых задач, позволит на качественно новом уровне управлять производством, принимать обоснованные технические решения, многократно проверенные и отобранные на математических моделях с учетом воздействия многочисленных внешних факторов.

ЗАНЯТИЕ № 5

Матрицы в строительной механике

% sah571.m

% ПРИМЕНЕНИЕ ТЕОРИИ МАТРИЦ К РЕШЕНИЮ ЗАДАЧ

% СТРОИТЕЛЬНОЙ МЕХАНИКИ

% Матрицы влияния внутренних усилий в статически

% определимых балках

L=10; n=5; d=L/n;

% Сформировать вектор-столбец сил, приложенных в точках Y, за

% исключением первой и последней точек- точек опор:

P=[-8 3 -2 9]'

%P=[25 -30 10 15]' % Вектор для n=5.

%P=[0 25 0 -30 0 10 0 15 0]' % Вектор для n=10.

F1=[];

% Формирование матрицы влияния

for i=1:n-1

F=[];

for k=1:n-1;

if k<=i

f=k*(n-i);

elseif k>i

f=i*(n-k);

end

F=[F f];

end

F1=[F1;F];

end

F1;

A=F1.*(d/n);

%P=[5 0 15 5]';

%P=[25 -30 10 15]';

M=A*P

%M =

% 18.0000

% -14.0000

% 14.0000

% 22.0000

Ma=[0 M' 0]

i=0:n;

plot(i,-Ma,i,i*0),grid

axis([0 n -100 30])

% Заданиецвета:red (красный),yellow(желтый),green(зеленый),cyan(голубой)

%,blue(синий), magenta (фиолетовый)

% Создание графического объекта 'patch' и нанесение тени:

patch(i,-Ma,'g')

% Решение обратной задачи: определение вектора сил по моментам в точках

% их приложения:

Po=inv(A)*M

pause

%===============================================

% К вопросу о матрицах влияния.

% Построение эпюры моментов для единичной силы,

% приложенной в точке x.

L=45;

%L=10;

x=18; % Отсчет слева.

%x=8;

% Реакции опор при единичной силе:

Ta=(L-x)/L; Tb=x/L;

% Момент в точке x:

Mx=Ta*x;

% Построение эпюры моментов:

k=90;

%k=5

delt=L/k;

Mi=[];

for i=0:delt:L

if i<=x

mi=Ta*i;

Mi=[Mi mi];

else

mi=Ta*i-1*(i-x);

Mi=[Mi mi];

end

Mi;

end

Mi

% Построение графика:

i=0:delt:L;

plot(i,Mi),grid

ххххххххххххххххххххххххххххххххххххххххххххххххххх

ЗАНЯТИЕ № 6

Статистический анализ. Управление качеством продукции Математико-статистические методы обработки результатов измерений.

Простой перечень полученных в процессе измерений той или иной переменной значений ещё не отражает результатов оценки. Для повышения качества оценки обычно определяют среднее значение, а также – отклонения каждого измерения от среднего.

Рассмотрим ряд с малым числом измерений. Предположим, что в результате измерений уровня воды в реке на вход измерительной системы поступили следующие данные (измерения произведены через каждые два часа):

177 174 178 176 175 175 173 171 167 177.

Вычисление среднего значения и медианы:

x = [x1 x2 x3 x4 x5 x6 x7 x8 x9 x10]

сумма элементов вектора

z = sum(x) = 1743;

среднее значение

y = mean (x) = 174.3

Условная средняя.

Если значения хi велики, то вычисления можно упростить, введя условную среднюю, которую обозначим через . Выберем =174. Тогда

y1 = 1740 + (0.1)*sum (x - (ones (1,10))*174) = 174.3000

Можно составить таблицу для значений в отклонениях :

x

177

174

178

176

175

175

173

171

167

177

x - (ones (1,10))*174

3

0

4

2

1

1

-1

-3

-7

3

Медиана.

Расположим полученные при измерениях значения в возрастающем или убывающем порядке. Тогда медианой будет значение, занимающее срединное положение в ряду.

При чётном числе измерений медианой является среднее арифметическое двух значений, расположенных в середине ряда.

х1 = [167 171 173 174 175 175 176 177 177 178]

y3 = median (x1) = 175

В MatLAB оператор sort (x) располагает элементы каждого столбца х в возрастающем порядке.

[x2, I]

[x2, I] = sort (x) – возвращает ещё матрицу I, содержащую индексы, соответствующие элементам при сортировке:

[x2, I] = sort (x)

8 элементов

х2 = 167 171 173 174 175 175 176 177 177 178

174.5

I = 9 8 7 2 5 6 4 1 10 3

Медиана для первых 8 значений вектора (для вырезки из 8 элементов упорядоченного вектора):

у4 = median (x2(1:8)) = 174.5

Для вырезки из 7 элементов:

у5 = median (x2(1:7)) = 174

Оценка дисперсии и размаха.

Другая статистическая характеристика ряда наблюдаемых значений показывает, как тесно группируются отдельные значения вокруг средней арифметической или как они рассеиваются вокруг этой средней.

Поскольку алгебраическая сумма отклонений отдельных значений хi от средней арифметической равна нулю, алгебраическая сумма не пригодна в качестве меры рассеяния.

За меру рассеяния принимают сумму квадратов отклонений отдельных значений от средней арифметической, делённую на количество наблюдений. Эту меру называют дисперсией и обозначают через s2:

Заметим, что

Так как , то

(3.1)

Эту формулу особенно удобно использовать для вычисления дисперсии. Вычислим дисперсию с помощью (3.1)

= 0.1*sum (x.^2) – (mean(x))^2

= 9.8100

Среднее квадратическое отклонение

Размах.

Иногда при обработке результатов измерений используется мера рассеяния – размах , то есть разность между наибольшим и наименьшим значениями числового ряда.

= max (x) – min (x) = 11;

max (x) = 178,

min (x) = 167,

[max (x) min (x)] = 178 167

Коэффициент вариации.

Отношение среднего квадратического отклонения к средней арифметической, выраженное в процентах, представляет собой коэффициент вариации :

Будучи безразмерным, удобен для сравнений. Коэффициент вариации характеризует относительное колебание отдельных значений около средней арифметической.