| Русский Русский | English English |
   
Главная Архив номеров
29 | 03 | 2024
10.14489/vkit.2020.12.pp.003-013

DOI: 10.14489/vkit.2020.12.pp.003-013

Буряк Ю. И., Скрынников А. А.
ПРАВИЛО ОБЪЕДИНЕНИЯ АПРИОРНОЙ И ОПЫТНОЙ ИНФОРМАЦИИ В ЗАДАЧАХ УПРАВЛЕНИЯ ИСПЫТАНИЯМИ СЛОЖНЫХ ТЕХНИЧЕСКИХ ИЗДЕЛИЙ ПО СХЕМЕ БЕРНУЛЛИ
(с. 3-13)

Аннотация. Обоснован порядок проведения испытаний сложных технических систем для оценки вероятности выполнения поставленной задачи с учетом априорных данных, полученных по результатам моделирования, натурных испытаний составных частей и опытных образцов, эксплуатации аналогов и т.д. Приведены условия формирования объединенной выборки, состоящей из натурных опытов и опытов, зачтенных по результатам моделирования. Предложена стратегия проведения натурных опытов, при которой требуемое качество оценки вероятности выполнения поставленной задачи достигается при минимуме натурных экспериментов. На первом этапе проводится серия опытов объемом, равным половине требуемого объема выборки. На втором этапе опыты проводятся последовательно с оценкой после каждого опыта требований по количеству информации об оцениваемом параметре и по однородности данных. Опыты прекращаются при выполнении указанных требований. Затем формируется объединенная выборка, по которой проводится оценка вероятности выполнения системой поставленной задачи. Рассмотрен модельный пример.

Ключевые слова:  стратегия проведения натурных опытов; объединение априорных и опытных данных; критерии однородности данных; оценка вероятности решения задачи.

 

Buryak Yu. I., Skrynnikov A. A.
THE RULE OF COMBINING A PRIORI AND EXPERIMENTAL INFORMATION IN THE TASKS OF MANAGING TESTS OF COMPLEX TECHNICAL PRODUCTS ACCORDING TO THE BERNOULLI SCHEME
(pp. 3-13)

Abstract. The article is devoted to the substantiation of the procedure for testing complex technical systems to assess the probability of performing the task, taking into account a priori data obtained from the results of modeling, field tests of components and prototypes, operation of analogues, etc. The conditions for the formation of a combined sample consisting of field experiments and experiments counted on the results of modeling are justified. Data uniformity is checked using the Student's criterion. The minimum volume of full-scale tests is determined by the requirement of equality of the amount of Fischer information about the estimated parameter obtained during full-scale tests and at the expense of a priori data A strategy for conducting field experiments is proposed, in which the required quality of evaluating the probability of completing the task is achieved with the minimum possible number of field experiments. At the first stage, a series of experiments with a volume equal to half of the required sample size is performed. At the second stage, the experiments are conducted sequentially with an assessment after each experiment of the requirements for the amount of information about the evaluated parameter and for the uniformity of data. Experiments are terminated when the specified requirements are met, and then a combined sample is formed, which is used to evaluate the probability of the system performing the task. A model example is considered. The estimation of the gain in the number of experiments performed at different probability values was carried out.

Keywords: Strategy for conducting field experiments; Combining a priori and experimental data; Criteria for data homogeneity; Estimation of the probability of solving the problem.

Рус

Ю. И. Буряк, А. А. Скрынников (ФГУП «Государственный научно-исследовательский институт авиационных систем» ГНЦ РФ, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Eng

Yu. I. Buryak, A. A. Skrynnikov (State Scientific Research Institute of Aviation Systems, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Мильграм Ю. Г. Исследование операций и алгоритмизация боевых действий. М.: ВВИА имени проф. Н. Е. Жуковского, 1968. 461 с.
2. Киселев А. И., Бизяев Р. В., Медушевский Л. С., Фастовец И. И. Наукоемкие технологии. Комплексирование испытания изделий ракетно-космической техники // Двойные технологии. 2012. № 2(59). С. 20 – 24.
3. РД 50-690-89. Методические указания. Надежность в технике. Методы оценки показателей надежности по экспериментальным данным. М.: Изд-во стандартов, 1990. 132 с.
4. Прохоренко В. А., Голиков В. Ф. Учет априорной информации при оценке надежности. СПб.: Наука и техника, 1979. 208 с.
5. Савчук В. П. Байесовские методы статистического оценивания: надежность технических объектов. М.: Наука, 1989. 323 с.
6. Буряк Ю. И., Скрынников А. А. Повышение степени обоснованности принимаемых решений в системе распознавания за счет использования априорной информации // Науч. вестн. Моск. гос. техн. ун-та гражданской авиации. 2015. № 220(10). С. 47 – 54.
7. Пугачев В. Н. Комбинированные методы определения вероятностных характеристик. М.: Сов. радио, 1973. 256 с.
8. Фадеев А. С., Арсеньев В. Н. Определение начальных параметров движения отделяющихся от ракеты составных частей по ограниченному числу пусков // Вопросы электромеханики. Тр. ВНИИЭМ. 2012. Т. 129, № 4. С. 34 – 36.
9. Сайпулаева Г. А., Дандамаев А. У. Разработка методики априорной и апостериорной оценки трудозатрат в системе технического обслуживания и ремонта // Системные технологии. 2016. № 3(20). С. 43 – 52.
10. Храменков А. С., Ярмолик С. Н. Алгоритм последовательного распознавания радиолокационных объектов, обеспечивающий минимизацию среднего риска принимаемых решений // Докл. Белорусского государственного университета. 2016. № 2(96). С. 37 – 43.
11. Тулупьев А. Л. Апостериорные оценки вероятностей в алгебраических байесовских сетях // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2012. № 2. С. 51 – 59.
12. Теоретические основы испытаний и экспериментальная отработка сложных технических систем: учеб. пособие / Л. Н. Александровская, В. И. Круглов, А. Г. Кузнецов и др. М.: Логос, 2003. 736 с.
13. Мадера А. Г. Метод определения вероятностей прогнозируемых событий при принятии решений // Искусственный интеллект и принятие решений. 2016. № 2. С. 38 – 45.
14. Арсеньев В. Н., Ардашов А. А., Силантьев С. Б., Ядренкин А. А. Оценивание максимальной погрешности сложной системы по априорным и опытным данным / // Изв. вузов. Приборостроение. 2018. Т. 61, № 10. С. 855 – 863. DOI:10.17586/0021-3454-2018-61-10-855-863
15. Арсеньев В. Н., Белихин Е. Н., Ядренкин А. А. Методы оценивания показателей качества функционирования сложных систем // Изв. вузов. Приборостроение. 2019. T. 62, № 7. С. 593 – 601. DOI: 10.17586/0021-3454-2019-62-7-593-601
16. Арсеньев В. Н., Зиновьев К. Г., Трофимов И. А., Ядренкин А. А. Метод оценивания характеристик точности систем управления перспективных объектов по ограниченному числу натурных испытаний // Тр. Военно-космической академии имени А. Ф. Можайского. 2019. № 668. С. 182 – 188.
17. Миттаг Х.-Й., Ринне Х. Статистические методы обеспечения качества. М.: Машиностроение, 1995. 602 с.
18. Магнус Я. Р., Катышев П. К., Пересецкий А. А. Эконометрика. Начальный курс. М.: Дело, 2007. 504 с.
19. Лагутин М. Б. Наглядная математическая статистика: учеб. пособие. М.: Лаборатория знаний, 2019. 472 с.
20. Rossi R. J. Mathematical Statistics. An Introduction to Likelihood Based Inference. Wiley, 2018. 422 p.
21. Монсик В. Б., Скрынников А. А. Вероятность и статистика: учеб. пособие. М.: БИНОМ. Лаборатория знаний, 2011. 413 с.
22. Джонсон Н. Л., Коц С., Кемп А. У. Одномерные дискретные распределения. М.: Лаборатория знаний, 2017. 563 с.
23. Смирнов Н. В., Дунин-Барковский И. В. Курс теории вероятностей и математической статистики для технических приложений. М.: Наука, 1965. 511 с.

Eng

1. Mil'gram Yu. G. (1968). Operations research and algorithmization of combat operations. Moscow: VVIA imeni professora N. E. Zhukovskogo. [in Russian language]
2. Kiselev A. I., Bizyaev R. V., Medushevskiy L. S., Fastovets I. I. (2012). Science-intensive technologies. Integration of testing of rocket and space technology products. Dvoynye tekhnologii, 59(2), pp. 20 – 24. [in Russian language]
3. RD 50-690-89. Methodical instructions. Reliability in technology. Methods for assessing reliability indicators based on experimental data. (1990). Guidance document No. 50-690-89. Moscow: Izdatel'stvo standartov. [in Russian language]
4. Prohorenko V. A., Golikov V. F. (1979). Taking into account a priori information when assessing reliability. Saint Petersburg: Nauka i tekhnika. [in Russian language]
5. Savchuk V. P. (1989). Bayesian methods of statistical estimation: reliability of technical objects. Moscow: Nauka. [in Russian language]
6. Buryak Yu. I., Skrynnikov A. A. (2015). Increasing the degree of validity of decisions made in the recognition system through the use of a priori information. Nauchniy vestnik Moskovskogo gosudarstvennogo tekhnicheskogo universiteta grazhdanskoy aviatsii, 220(10), pp. 47 – 54. [in Russian language]
7. Pugachev V. N. (1973). Combined methods for determining probabilistic characteristics. Moscow: Sovetskoe radio. [in Russian language]
8. Fadeev A. S., Arsen'ev V. N. (2012), Determination of the initial parameters of the movement of the components separating from the rocket by a limited number of launches. Voprosy elektromekhaniki. Trudy VNIIEM, Vol. 129, (4), pp. 34 – 36. [in Russian language]
9. Saypulaeva G. A., Dandamaev A. U. (2016). Development of a methodology for a priori and a posteriori assessment of labor costs in the system of maintenance and repair. Sistemnye tekhnologii, 20(3), pp. 43 – 52. [in Russian language]
10. Hramenkov A. S., Yarmolik S. N. (2016). Algorithm for sequential recognition of radar objects that minimizes the average risk of decisions. Doklady Belorusskogo gosudarstvennogo universiteta, 96(2), pp. 37 – 43. [in Russian language]
11. Tulup'ev A. L. (2012). A posteriori estimates of probabilities in algebraic Bayesian networks. Vestnik Sankt-Peterburgskogo universiteta. Prikladnaya matematika. Informatika. Protsessy upravleniya, (2), pp. 51 – 59. [in Russian language]
12. Aleksandrovskaya L. N., Kruglov V. I., Kuznetsov A. G. et al. (2003). Theoretical foundations of testing and experimental development of complex technical systems: textbook. Moscow: Logos. [in Russian language]
13. Madera A. G. (2016). Method for determining the probabilities of predicted events when making decisions. Iskusstvenniy intellekt i prinyatie resheniy, pp. 38 – 45. [in Russian language]
14. Arsen'ev V. N., Ardashov A. A., Silant'ev S. B., Yadrenkin A. A. (2018). Estimation of the maximum error of a complex system using a priori and experimental data. Izvestiya vuzov. Priborostroenie, Vol. 61, (10), pp. 855 – 863. [in Russian language] DOI: 10.17586/0021-3454-2018-61-10-855-863
15. Arsen'ev V. N., Belihin E. N., Yadrenkin A. A. (2019). Methods for assessing the performance indicators of complex systems. Izvestiya vuzov. Priborostroenie, Vol. 62, (7), pp. 593 – 601. [in Russian language] DOI: 10.17586/0021-3454-2019-62-7-593-601
16. Arsen'ev V. N., Zinov'ev K. G., Trofimov I. A., Yadrenkin A. A. (2019). A method for evaluating the accuracy characteristics of control systems of promising objects by a limited number of field tests. Trudy Voenno-kosmicheskoy akademii imeni A. F. Mozhayskogo, 668, pp. 182 – 188. [in Russian language]
17. Mittag H.-Y., Rinne H. (1995). Statistical methods for quality assurance. Moscow: Mashinostroenie. [in Russian language]
18. Magnus Ya. R., Katyshev P. K., Peresetskiy A. A. (2007). Econometrics. Initial course. Moscow: Delo. [in Russian language]
19. Lagutin M. B. (2019). Visual mathematical statistics: a textbook. Moscow: Laboratoriya znaniy. [in Russian language]
20. Rossi R. J. (2018). Mathematical Statistics. An Introduction to Likelihood Based Inference. Wiley.
21. Monsik V. B., Skrynnikov A. A. (2011). Probability and Statistics: a textbook. Moscow: BINOM. Laboratoriya znaniy. [in Russian language]
22. Dzhonson N. L., Kots S., Kemp A. U. (2017). One-dimensional discrete distributions. Moscow: Laboratoriya znaniy. [in Russian language]
23. Smirnov N. V., Dunin-Barkovskiy I. V. (1965). Course in Probability Theory and Mathematical Statistics for Technical Applications. Moscow: Nauka. [in Russian language]

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2020.12.pp.003-013

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2020.12.pp.003-013

and fill out the  form  

 

.

 

 

 
Поиск
Баннер
Баннер
Rambler's Top100 Яндекс цитирования