ÐÐ¾Ð»Ð½Ð°Ñ Ð²ÐµÑÑÐ¸Ñ - СамаÑÑкий гоÑÑдаÑÑÑвеннÑй аÑÑокоÑмиÑеÑкий ...
ÐÐ¾Ð»Ð½Ð°Ñ Ð²ÐµÑÑÐ¸Ñ - СамаÑÑкий гоÑÑдаÑÑÑвеннÑй аÑÑокоÑмиÑеÑкий ...
ÐÐ¾Ð»Ð½Ð°Ñ Ð²ÐµÑÑÐ¸Ñ - СамаÑÑкий гоÑÑдаÑÑÑвеннÑй аÑÑокоÑмиÑеÑкий ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Вестник Самарского государственного аэрокосмического университета, № 1, 2007<br />
волинейные с углом наклона на выходе 90°<br />
(штатные), углом наклона 30° и прямые.<br />
Априорная неопределенность изучаемой<br />
стохастической зависимости и малый<br />
объем экспериментальных данных требуют<br />
применения адекватных математических<br />
средств оценивания показателей эффективности<br />
объекта исследования. Предлагается<br />
использовать непараметрические модели коллективного<br />
типа для описания взаимосвязи<br />
показателя эффективности электронасосного<br />
агрегата от конструктивных параметров<br />
рабочих колес и технологических условий его<br />
эксплуатации. Преимущество предлагаемых<br />
моделей заключается в максимальном учете<br />
информации исходных обучающих выборок.<br />
При этом входными параметрами<br />
( x<br />
ν<br />
, ν = 1,5)<br />
являются: напряжение питания<br />
(U пит<br />
), температура рабочей жидкости (Т рж<br />
),<br />
перепады давления от минимального до максимально<br />
возможных (∆Р), частота фазного<br />
сигнала (f) и скорость вращения (s). Выходной<br />
переменной у изучаемой системы является<br />
КПД:<br />
∆P<br />
⋅Q<br />
η =<br />
U I<br />
,<br />
пит ⋅<br />
где I – ток потребления; Q– объемный расход<br />
теплоносителя.<br />
Пусть в результате экспериментальных<br />
работ получена выборка<br />
i i<br />
V = ( xν<br />
, y ,i = 1 ,n, ν = 1,k<br />
)<br />
независимых наблюдений параметров электоронасосного<br />
агрегата. В общем случае статистическая<br />
модель изучаемой системы представляется<br />
нелинейной стохастической зависимостью<br />
(1).<br />
В связи с малым объемом выборки и<br />
большим количеством признаков адекватным<br />
методом восстановления зависимостей (1)<br />
являются использование метода группового<br />
учета аргументов (МГУА) 1] и непараметрических<br />
моделей коллективного типа [2].<br />
Непараметрические методы<br />
обработки информации<br />
Метод группового учета аргументов.<br />
Рассматриваемый метод предназначен для<br />
восстановления стохастических зависимостей<br />
в условиях малых выборок, когда отношение<br />
n/k соизмеримо с единицей. Его идея<br />
состоит в формировании процедуры последовательной<br />
аппроксимации путем управляемого<br />
расширения пространства аргументов.<br />
Рассмотрим этапы формирования моделей.<br />
1. На основе обучающей выборки<br />
i i<br />
V = ( xν , y , ν =1 ,k,i =1,n)<br />
построить модель<br />
y = ( x ,x ) искомой зависимости<br />
1<br />
ϕ 1<br />
0<br />
d<br />
y = ϕ(<br />
x1,...,xk<br />
) как функцию двух компонент<br />
x 0<br />
,xd<br />
, дающих наилучшее приближение.<br />
Для построения модели y1 = ϕ 1<br />
( x0<br />
,xd<br />
)<br />
используем непараметрическую регрессию<br />
[2]<br />
n<br />
i<br />
i<br />
i ⎛ x ⎞ ⎛ ⎞<br />
0<br />
− x0<br />
−<br />
∑<br />
Φ xd<br />
xd<br />
y Φ<br />
⎜ ⎟<br />
⎜<br />
⎟<br />
i=<br />
1 ⎝ σ<br />
0c<br />
⎠ ⎝ σ<br />
dc<br />
ϕ =<br />
⎠<br />
1(<br />
x0<br />
,xd<br />
)<br />
n<br />
i<br />
i<br />
,(2)<br />
⎛ x − ⎞ ⎛ − ⎞<br />
0<br />
x0<br />
∑Φ<br />
⎜<br />
⎟ Φ xd<br />
xd<br />
⎜<br />
⎟<br />
i=<br />
1 ⎝ σ<br />
0c<br />
⎠ ⎝ σ<br />
dc<br />
⎠<br />
где<br />
σ 0<br />
,σ<br />
d<br />
– оценки среднеквадратических<br />
отклонений признаков<br />
i=<br />
1<br />
x 0<br />
, x :<br />
1 n<br />
i<br />
σ<br />
ν<br />
= ∑(<br />
xν<br />
− xν<br />
) , ν = 0, d ;<br />
n −1<br />
i<br />
xν – среднее значение x<br />
ν<br />
. В качестве ядерной<br />
функции выбираем ядро Епанечникова,<br />
оптимальное в смысле среднеквадратического<br />
критерия.<br />
2. На i-й интеграции синтеза модели по<br />
i<br />
t t 1<br />
= 1<br />
i<br />
выборке V = ( y<br />
−<br />
, xν ,i ,n ) построить модель<br />
y<br />
t<br />
= ϕ<br />
t(<br />
yt−<br />
1,<br />
xν<br />
) , где x<br />
ν<br />
– ранее не используемый<br />
компонент вектора x , обеспечивающий<br />
в паре с y<br />
t −1<br />
наилучшее приближение<br />
восстанавливаемой зависимости. На этом<br />
этапе непараметрическая модель y , x )<br />
принимает вид<br />
2<br />
d<br />
ϕt( t−1<br />
ν<br />
82