Отработка математического обеспечения вычислительного эксперимента для испытаний сложных технических систем

Размещено на http://www.allbest.ru/

ОАО «ИНЭУМ им. И.С. Брука»

ОТРАБОТКА МАТЕМАТИЧЕСКОГО ОБЕСПЕЧЕНИЯ ВЫЧИСЛИТЕЛЬНОГО ЭКСПЕРИМЕНТА ДЛЯ ИСПЫТАНИЙ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ

N. Paramonov

Проверка соответствия математических моделей реальной системе

Одним из основных методов испытаний сложных технических систем является опытно-теоретический метод, основанный на сочетании натурных измерений и вычислительного эксперимента [1]. Важной задачей обеспечения вычислительного эксперимента является задача построения адекватной математической модели. Математическая модель сложной системы создается на принципах функционального объединения моделей элементов и подсистем в единый комплекс программно реализованных алгоритмов, осуществляющих имитацию процессов для всего многообразия входных условий и текущих состояний реальной системы [1, 2]. Для подобных моделей процессы взаимодействия ошибок, которые допущены при разработке моделей элементов и подсистем, получаются чрезвычайно сложными, и уверенности в том, что они в совокупности не приведут к значительным ошибкам расчета показателей эффективности системы, нет. Это происходит из-за того, что распределение требований к точности описания элементов, которое было осуществлено на этапе выбора их моделирующих алгоритмов, хотя и является весомой гарантией отсутствия значительных промахов при разработке рабочего моделирующего алгоритма системы, но все же не снимает задач, связанных с комплексной оценкой точности модели, спроектированной по результатам испытаний реальной системы.

При постановке и выборе методов решения подобных задач важно знать полную группу ошибок, возникающих при оценке показателей эффективности реальных систем с помощью математических моделей. Исходя из физического смысла, ошибками моделирования являются [1]:

· ошибки, возникающие при упрощении исходного моделирующего алгоритма;

· ошибки неточной дискретной реализации рабочего моделирующего алгоритма на средствах используемой вычислительной техники;

· ошибки, являющиеся результатом неточного задания исходных данных о параметрах модели и распределения входных данных;

· случайные ошибки, обусловленные ограниченностью статистики, которую получают при проведении натурных экспериментов и статистических испытаний на модели.

По характеру рассматриваемые ошибки чаще всего представляют собой сумму случайных и методических составляющих. Поскольку возможности аналитического их изучения ограничены, то комплексную оценку величины этих ошибок обычно дают в результате проверки статистической совместимости результатов моделирования и натурных испытаний. Для сложных систем решение этих задач получают с использованием методов статистической проверки гипотез. При формировании гипотез исходят из конечных целей моделирования, состоящих в доказательстве тождественности законов распределения моделируемых и реальных значений выходных показателей системы. В зависимости от качества априорной информации и объема реальной статистики конкретные выражения для проверяемых гипотез будут получаться различными. Однако смысловое содержание этих исследований одно и то же и состоит в следующем:

а) если мера , выбранная для оценки близости законов распределения выборок , полученных соответственно при натурных испытаниях и моделировании, не превосходит некоторых критических значений , то рассматриваемый вариант построения модели следует признать адекватным реальной системе;

б) если справедливо соотношение то необходимо провести анализ модели и установить наиболее вероятные причины, которые привели к отклонению гипотезы о статистической совместимости результатов моделирования и натурных испытаний.

На практике для уменьшения вероятности получения таких отрицательных решений и локализации возможных путей доработки модели перед оценкой статистической совместимости осуществляют проверку качества исходных данных, выданных для моделирования, и изучают возможности повышения точности результатов моделирования за счет устранения смещений в оцениваемых показателях эффективности системы.

Для достижения требуемой достоверности принимаемых статистических выводов о качестве спроектированной модели - выборки результатов натурных испытаний и моделирования должны быть определенного объема. Если критерий проверки статистических гипотез выбран, то объемы выборок могут быть получены на основании теоретических расчетов. При выборе критерия стремятся достичь максимума вероятности правильного опознавания гипотезы в том случае, когда она верна.

Если разрабатываемая модель предназначена для оценки одного показателя, то при проверке гипотез обычно используют: для произвольных распределений - критерий Смирнова, 2-критерий и критерий Вилкоксона; для нормальных распределений - критерий Стьюдента и Фишера. Более сложные задачи возникают, когда математические модели разрабатывают так, чтобы по результатам моделирования можно было рассчитать некоторую совокупность характеристик реальной системы. При этом оценку качества моделируемых процессов дают на основании нескольких показателей, имеющих некоторое совместное распределение. Если законы распределения оцениваемых показателей подчиняются многомерному нормальному распределению, то достаточно широкий круг задач, связанных с проверкой статистической совместимости результатов моделирования и натурных испытаний, может быть сведен до конечных строго обоснованных цифр и результатов.

Если законы распределения не подчиняются многомерному гауссову распределению, то степень адекватности модели реальной системе, в смысле точности имитации некоторых процессов, может быть установлена только с помощью приближенных методов проверки статистических гипотез. Например, с помощью широко используемого на практике приема, когда проверка выдвигаемых гипотез относительно некоторой статистической эквивалентности двух многомерных выборок сводится к последовательной проверке тех же гипотез, но уже для каждой фазовой компоненты в отдельности. В этом случае многомерная гипотеза считается справедливой, если все результаты проверки одномерных гипотез положительны.

Для более полного использования результатов реальных экспериментов статистическую совместимость оценивают на основании результатов, полученных, например, в момент окончания процесса функционирования системы или по текущему состоянию системы в некоторые характерные моменты времени (смена режимов работы системы и т.д.).

Проверка статистической совместимости результатов моделирования и натурных испытаний является завершающим этапом в том смысле, что по ее результатам принимается решение о пригодности спроектированной модели к практическому использованию. Перед проверкой статистической совместимости обычно проводят анализ качества исходных данных, выданных для моделирования, а также изучают вопросы, связанные с возможностями повышения точности моделирования за счет коррекции получаемых оценок.

Все названные операции определяют совокупность мер, которые необходимы для комплексной оценки точности моделей сложных систем.

Калибровка математических моделей элементов сложных систем

При идентификации параметров моделей реальных элементов систем используются различные методы оценивания. Существенным в этих процедурах является предположение, что структура и содержательная часть модели элемента известны точно, а идентификации подлежит только некоторая заданная совокупность параметров. В реальных задачах это предположение связано с использованием тех априорных данных, которые имеются в распоряжении испытателя. Условия, которые учитываются при постановке и решении подобных задач, могут быть самыми различными. Они зависят от ожидаемых ошибок в построении модели, точности используемых измерительных устройств, возможности использования данных, полученных при других входных воздействиях и т.д.

Такое многообразие условий естественным образом приводит к многоплановости решаемых задач и многообразию используемых критериев проверки. Однако физический смысл разрабатываемых правил проверки один и вытекает из конечных целей проверки, состоящих в доказательстве адекватности модели реальному элементу по ограниченному числу экспериментов на реальной системе и, при необходимости, в определении путей доработки модели с учетом результатов проведенных проверок.

Математически задача проверки адекватности модели реальному элементу формулируется как задача проверки некоторой совокупности статистических гипотез. Попутной задачей является задача определения количества экспериментов, необходимого для достижения этих целей, т.е. определения степени доверия к получаемым на модели результатам. Эти процедуры носят название калибровки моделей [1].

Конкретный вид и содержание проверяемых гипотез определяется для каждой рассматриваемой задачи в отдельности. В еще большей степени индивидуальны возможные способы доработки моделей.

Из этого следует, что общих правил проверки и доработки моделей не существует, поэтому нужны обширные знания и опыт, чтобы конкретную задачу решить до получения практически достоверных результатов. Вместе с тем разумным представляется анализ некоторых типовых тестов, которые в сочетании могут помочь в решении реальных задач.

Содержание статистических проверок, которые нужно провести для доказательства правильности выбранного описания модели, в значительной степени зависит и определяется условиями проведенных измерений и качеством априорных сведений о динамике работы реального элемента. Охарактеризовать все многообразие возможных условий при решении подобных задач проверки практически невозможно. Поэтому чаще всего исходят из следующих предпосылок.

Пусть модель реального элемента описывается уравнением:

где В - известный оператор преобразования входного сигнала в выходной сигнал; - некоторая совокупность параметров; t - текущее время.

Кроме того, пусть проведены измерения выходного сигнала Z(t) на реальном элементе, и в результате получена выборка:

Модель измерительного устройства описывается уравнением

где (t) - ошибки измерения, статистические свойства которых точно известны. Считается, что процесс (t) удовлетворяет условиям стационарности с нулевым средним и конечной дисперсией.

Для того чтобы остаться в рамках задач идентификации параметров, требуется, чтобы входной сигнал u(t) измерялся без ошибок.

Если для конкретной задачи сделанные выше предположения верны, то оценки параметров могут быть получены с помощью любого из известных методов оценки параметров.

Пусть задача оценки параметров решена, и в результате ее решения получено значение , которое удовлетворяет условиям оптимальности выбранного метода оценивания. Естественно, что эти оценки получены в предположении, что модель с точностью до параметров адекватно описывает процессы в реальном элементе. Возникает вопрос о справедливости этого последнего предположения, ответ на который составляет существо рассматриваемых задач проверки. При решении этого вопроса обычно пользуются схемой сравнения результатов моделирования и реальных измерений, представленной на рис. 1.

Рис. 1. Схема калибровки модели

Из этой схемы следует, что заключение об адекватности модели реальному элементу может быть принято на основании анализа статистических свойств процесса х(t) и сравнения их с некоторыми известными гипотетическими предпосылками.

Для формулировки и проверки выдвигаемых гипотез необходимо знать структуру процесса x(t). По своему физическому смыслу этот процесс образован как разность двух процессов - у(t) и :

Для модели, адекватной по структуре реальному элементу, но не адекватной по параметру , реализацию можно представить в виде:

При записи (4) нужно требовать от функции ZМ(t,) свойств ее дифференцируемости по параметру .

Так как для модели, адекватной по структуре реальному элементу, справедливо ZМ(t,) = Z(t,), то выражение (3) можно преобразовать к виду:

Из (5) видно, что процесс x(t) является суммой стационарного процесса t и не устранимых в рамках параметрического оценивания составляющих, зависящих от свойств модели, входного сигнала ut и принятого способа получения оценок .

Из-за названных составляющих процесс x(t) в общем случае получается нелинейным, нестационарным, и поэтому трудности определения его характеристик вряд ли практически преодолимы.

Вместе с тем при использовании состоятельных оценок следует ожидать, что свойства процессов x(t) и (t) по мере увеличения объема выборки будут все более и более одинаковыми. Именно этот факт обычно используют, когда в качестве нулевой гипотезы H0 принимают гипотезу, которая утверждает, что для адекватной модели корреляционные и спектральные свойства процессов x(t) и (t) должны быть тождественными.

Тесты проверки, сконструированные на основе такой гипотезы Н0, будут давать приближенные решения, ибо строгая идентичность свойств процессов x(t) и (t) для конечных выборок не имеет места из-за ошибок оценки параметров . Тем не менее использование корреляционных и спектральных методов совместного анализа процессов x(t) и (t) позволяет установить многие важные закономерности и, самое главное, дать рекомендации по необходимым доработкам модели.

Среди названных приближенных методов особое место занимают методы оперативного анализа, с помощью которых можно выявить грубые ошибки в выборе структуры модели. Обычно такие решающие правила синтезируют на основании тестов проверки статистических гипотез, вытекающих из свойств математического ожидания и дисперсии стационарного процесса (t).

К числу точных относятся методы сравнения моделей различной сложности. Для их применения должно быть известно множество допустимых описаний процессов, протекающих в реальном элементе. В этом заключается основная трудность реализации этих тестов проверки. Правила же выбора наилучшего варианта построения модели очень просты. Они состоят в сравнении величин критериев, характеризующих точность оценки параметров , с последующим заключением, что для адекватной модели величина критерия должна удовлетворять вполне определенным свойствам.

Методы оценки адекватности моделей

При формировании оперативных заключений об адекватности моделей элементов используются тесты проверки, основанные на сравнении эмпирических оценок математического ожидания и дисперсии процесса с их теоретически ожидаемыми значениями М и D. Необходимость центрирования процесса xt и естественный переход к изучению свойств процесса обусловлены тем, что в общем случае математическое ожидание E{xt} может оказаться не равным нулю.

Для определения оценок , обычно используют хорошо известные соотношения:

математический калибровка детерминированный стохастический

Основные трудности в реализации расчетов по формулам (6), (7) связаны с определением Е{хt}. Аналогичные трудности приходится преодолевать и при нахождении и , без знания которых нельзя сформулировать тесты оперативной проверки.

Для определения , должен быть известен объем выборки, статистические свойства ошибок измерений, критерий оценки параметров модели и оператор, соответствующий рассматриваемому варианту построения модели. При наличии этих сведений задачи по определению , теоретически разрешимы, но связаны с большими и трудоемкими вычислениями.

Интерпретация результатов моделирования

При испытаниях сложных систем задачи аналитического распространения возникают при определении зависимости оцениваемого показателя эффективности R(C) от некоторого вектора параметров модели С. Исходными данными для этой задачи служат результаты статистического моделирования, представимые интегралом вида и полученные для конечного набора значений С1, С2,…, Cn. По содержанию эта задача относится к задачам, предусматривающим аппроксимацию значений R*(C1),…, R(Cn) с использованием известных математических конструкций. На практике в качестве названных выше аппроксимирующих выражений чаще всего используются линейные разложения вида:

где i(C) - заданная система функций, ai - неизвестные коэффициенты.

При достаточно большом объеме моделирования оптимальные значения не зависят от общего числа реализаций на модели N. Это свойство позволяет задачу выбора N с учетом стоимости экспериментов на модели расчленить на совокупность двух задач:

1) задача выбора значений Ci из условий реализации выбранного плана постановки экспериментов на модели;

2) задача выбора N из условий минимизации некоторого функционала L(N) при условии, что значения Ci уже выбраны.

На практике в качестве функционала L(N) используется функция потерь вида:

где - стоимость одной реализации на модели в точке C = Ci; - отношение числа реализаций в точке C = Ci к общему числу реализаций на модели; - заданный коэффициент пропорциональности.

Распространение результатов моделирования на вероятностных мерах

Метод используется при решении задач, связанных с оценкой характеристик работоспособности системы в условиях, отличающихся от штатных условий функционирования, реализованных на предшествующих этапах моделирования. Если в новых условиях моделирующий алгоритм системы не претерпевает изменений, то рассматриваемые задачи можно интерпретировать как задачу распространения результатов статистического моделирования на вероятностных мерах, которая заключается в оценке математического ожидания выходного показателя по известным результатам статистического моделирования:

при условии, что мера (dx) отличается от меры (dx), при которой осуществлялось моделирование.

Определение оценок R* осуществляется в процессе взвешенной обработки результатов статистического моделирования:

где определяет производную Радона-Никодима.

Программная реализуемость такого способа расчета величин R* во многом зависит от принятого математического описания законов распределения вектора . Если законы распределения гауссовы, то алгоритм расчета получается простым, и его программная реализация обычно не вызывает серьезных затруднений.

Таким образом, при получении точечных значений оценок показателей эффективности необходимо использовать алгоритмы обработки, которые соответствуют выбранному способу постановки экспериментов на модели. Последовательный характер постановки экспериментов позволяет организовать текущий контроль точности рассматриваемых оценок.

При разработке алгоритмов контроля естественно использовать соотношения, которые определяют дисперсии DC(N) рассматриваемых оценок в зависимости от объема моделирования N. При использовании того или иного метода моделирования эти соотношения получаются различными. Однако для всех этих соотношений общим является тот факт, что они позволяют охарактеризовать случайность оценок , обусловленную только конечностью числа экспериментов на модели.

Для достижения требуемой точности оценок объем моделирования должен быть таким, чтобы DC(N) Dзад - DH, где DH - величина, учитывающая смещение оценок. В некоторых случаях с целью учета ошибок построения модели правило остановки процесса моделирования записывается в виде соотношения DC (N) (Dзад - DH), где - коэффициент надежности расчетов ( < 1). Выбор конкретного значения зависит от целевого назначения системы и важности выводов, которые принимаются на основании рассчитываемых оценок показателей эффективности.

Разработка правил остановки завершает процесс создания модели, и если объем моделирования получается практически реализуемым, то на этом также заканчивается доказательство применимости методов имитационного моделирования в задачах оценки показателей эффективности сложных систем.

Предложенные в статье методы калибровки математических моделей внедрены в состав специального программного обеспечения испытаний радиоэлектронного оборудования, включающего вычислительные комплексы ряда «Эльбрус».

Литература

1. Шаракшанэ А.С., Железнов И.Г. Испытания сложных систем. «Высшая школа», 1974.

2. Парамонов Н.Б. Испытания при замене вычислительных средств сложных технических систем - «Вопросы радиоэлектроники», сер. ЭВТ, 2011, вып. 3, с. 161-172.

Аннотация

Изложены принципы отработки математических моделей сложных технических систем. Рассмотрены вопросы калибровки моделей при ограниченном числе испытаний для детерминированного и стохастического случаев.

Ключевые слова: моделирование, испытания, калибровка моделей.

The article describes the principles of working off of mathematical models of complex technical systems. Focus calibration of models with a limited number of tests for deterministic and stochastic event.

Keywords: modeling, testing, calibration models.

Размещено на Allbest.ru