kratka ponovitev osnovnih konceptov...
TRANSCRIPT
Prof. dr. Jernej Klemenc
Kratka ponovitev osnovnih konceptov
Brief summary of basic concepts
2
Osnove statistike / Statistical basics
• Populacija je množica objektov pri katerih nas zanima neka lastnost.
• Vzorec je izbrana podmnožica objektov iz populacije. Število objektov v vzorcu je n in se označujejo takole: xi,
i=1,...,n.
• A population is a set of
objects, for which a certain
characteristics should be
estimated.
• A sample set is a selected
sub-set from the population.
The n objects from the
sample set is marked as
follows: xi, i=1,...,n.
• Vzorčna srednja vrednost / Empirical mean value:
• Empirična varianca / Empirical variance:
∑=
=n
i
ixn
x1
1
( )∑=
−−
=n
i
i xxn
S1
22
1
1
3
Osnove statistike / Statistical basics
• Nek pojav opišemo tako, da merimo vrednosti značilne spremenljivke, ki ta proces opisuje.
• V primeru naključnega procesa, se vrednosti te spremenljivke naključno spreminjajo. Zato se takšno spremenljivko imenuje naključna spremenljivka.
• Primer naključne spreme-nljivke je čas delovanja izdelkov do okvare t:
• In general a technical
phenomenon is described
by measuring values of a
typical variable.
• In a random process the
values of the typical
variable are randomly
changing. Such variable is
then designated as a
random variable.
• An example of the random
variable is an operating
time to failure t of products:
4
Osnove statistike / Statistical basics
• En način za opis naključnih spremenljivk je, da prostor, ki predstavlja zalogo vrednosti naključne spre-menljivke, razdelimo na končno število intervalov.
• Nato opazujemo pogostnost realizacije naključne spremenljivke v posameznih intervalih, ki jo lahko prikažemo v obliki histograma.
• One way to describe a
random variable is to divide
its domain of expected
realisations into a finite
number of intervals with a
fixed or variable width.
• Then a number of the
random-variable
realisations in each
individual interval is
counted and presented in a
form of a hystogram graph:
5
Osnove statistike / Statistical basics
• Relativna frekvenca fi je relativni delež ni realizacij naključne spremenljivke v i-tem intervalu:
• Če razsežnost vzorca limitira v celotno populacijo in če širine intervalov ∆t
limitirajo proti ničli, tedaj relativna frekvenca preide v funkcijo gostote porazde-
litve verjetnosti (GPV)
f(x):
• A relative frequency fi is a
relative portion of random-
variable realisations ni in i-
th interval:
• If a number of samples n in
the sample-set approaches
infinity and if the interwal
widths ∆t approach zero
then the relative frequency
is transformed into a
probability density
function (PDF) f(x):
10; ≤≤== ii
i
i ppn
nf 1; =∑ ip
)(lim
0
xff i
xn
i
=
→∆∞→
6
Osnove statistike / Statistical basics
• Gostota porazdelitve verjetnosti je zvezna funkcija f(x) in je mera verjetnosti realizacije zvezne naključne spremenljivke x:
• Za gostoto porazdelitve verjetnosti f(x) velja:
• The probability density
function is a continous
function f(x) that is used for
estimating the probability of
realisation of the random
variable x:
• Each probability density
function f(x) fulfills the
following relations:
1)(;0)(
)0(
=⋅≥ ∫+∞
∞−
dxxfxf
7
Osnove statistike / Statistical basics
• Kumulativna funkcija
verjetnosti (KFV)
predstavlja verjetnost realizacije vrednosti naključne spremenljivke, ki je manjša od določene vrednosti x:
• Za diskretne naključne spremenljivke je kumula-tivna funkcija verjetnosti enaka vsoti relativnih frekvenc:
• A cumulative distribution
function (CDF) represents
the probability of realisation
of the random variable up
to a certain definite value xof the random variable:
• For discreete random
variables the cumulative
distribution function is equal
to a sum of relative
frequencies:
[ ]xXPxF ≤=)(
∑≤
=ij
ji fF
8
Osnove statistike / Statistical basics
• Za zvezne naključne spremenljivke je kumula-tivna funkcija verjetnosti enaka integralu gostote porazdelitve verjetnosti:
• Za velike vrednosti naključne spremenljivke kumulativna funkcija verjetnosti limitira k 1,0:
• For continuous random
variables the cumulative
distribution function is equal
to an integral of the
probability density function:
• For large values of the
random variable the
cumulative distribution
function limits to 1,0:
∫∞−
=x
dxxfxF
)0(
')'()(
9
Osnove statistike / Statistical basics
• Gaussova (normalna) porazdelitev verjetnosti / Gaussian (normal) probability distribution:
– Gostota porazdelitve verjetnosti / Probability density function:
– Kumulativna funkcija verjetnosti / Cumulative density function:
( )'
2
'exp
2
1)(
2
2
dxx
xF
x
∫∞−
⋅
−−⋅
⋅⋅=
σµ
πσ
σµ
π−
=
−⋅
⋅=Φ= ∫
xzdz
zzP
z
;'2
'exp
2
1)(
0
2
x0
f(x) 63,2% verjetnosti /63,2% probability
( ) 2
2
2
,;),(2
exp2
1)( SxN
xxf ←←=
⋅
−−⋅
⋅⋅= σµσµ
σµ
πσ
10
Osnove statistike / Statistical basics
• Eksponentna porazdelitev verjetnosti / Exponential probability distribution:
– Gostota porazdelitve verjetnosti / Probability density function:
– Kumulativna funkcija verjetnosti / Cumulative density function
[ ]x
xxxf1
,,0;exp)( ←∞<≤⋅−⋅= λλλλ
[ ]xxF ⋅−−= λexp1)(
11
Osnove statistike / Statistical basics
• Weibullova porazdelitev verjetnosti / Weibull’s probability distribution:
– Gostota porazdelitve verjetnosti / Probability density function:
– Kumulativna funkcija verjetnosti / Cumulative density function
∞<≤>
−⋅
⋅=−
θβθθθ
βββ
,0,0;exp)(
1
xxx
xf
−⋅−=β
θx
xF exp1)(
x0
f(x)
=1
=2 =4 4
12
Osnove statistike / Statistical basics
• Verjetnost (ne)povezanih dogodkov: označimo s P(A)
verjetnost dogodka A in s P(B) verjetnost dogodka B.
• Če sta dogodka A in B med seboj neodvisna, tedaj je verjetnost za hkratni nastanek dogodkov A in B enaka:
• Če sta dogodka A in B med seboj odvisna, tedaj je verjetnost za hkratni nastanek dogodkov A in B enaka:
• Probability of (in)dependent
events: let P(A) represents
a probability of an event A
and P(B) a probability of an
event B.
• If A and B are independent
events then the probability
of their common realisation
is equal to:
• If A and B are two
dependent events then the
probability of their common
realisation is equal to:
( ) ( ) ( )BPAPBAP ⋅=∩
( ) ( ) ( ) ( ) ( )APABPBPBAPBAP ⋅=⋅=∩
13
Osnove statistike / Statistical basics
• P(A|B) je verjetnost, da se bo zgodil dogodek A, če se je zgodil dogodek B. P(B|A)
je verjetnost, da se bo zgodil dogodek B, če se je zgodil dogodek A.
• Če sta dogodka A in B medsebojno izključujoča, velja:
• Skupna verjetnost nastanka dogodkov A ali B je enaka:
• Verjetnost komplementarn-ega dogodka AC je enaka:
• P(A|B) is a probability of the event A if the event B is realised. P(B|A) is a probability of the event B if the event A is realised.
• If the two events A and B
are mutually exclusive, the
probability of their common
occurence is as follows:
• A probability of occurence
of events A or B is equal to:
• A probability of compleme-
ntary even AC is equal to:
( ) 0=∩ BAP
( ) ( ) ( ) ( )BAPBPAPBAP ∩−+=∪
( ) ( )APAP C −=1
14
Dinamična trdnost / Fatigue strength
• Za statične obremenitve
določamo natezno trdnosti z nateznim preizkusom.
• V splošnem so izdelki obremenjeni s spremenljivo oz. dinamično obremenit-
vijo:
• Če material obremenjujemo z dinamično obremenitvijo, se obnaša drugače kot pri statični obremenitvi.
• A material endurance for
static loading is determi-
ned with a tensile test.
• In general, however,
products are loaded with a
variable, i.e. a dynamic
load:
• Dynamically-loaded
material behaves differently
as static-loaded material.
(t)
t
a
m
max
min
(t)
R=min
max
15
Dinamična trdnost / Fatigue strength
• Zdržljivost materiala pri dinamičnih obremenitvah imenujemo dinamična
trdnost materiala.
• Za splošne inženirske aplikacije jo opišemo z Woehlerjevo (oz. S-N) krivuljo:
• A durability of material
exposed to dynamic
loading is designated as a
fatigue-strength.
• For general engineering
applications the fatigue
strength is described with a
Woehler (or S-N) curve:
FL(R=0)
R = 0R = -1
N – Število ciklov do porušitve / Number of load cycles to failure (log)
max (log)
Rp0,2
FL(R=-1)
NFLNLC
Malociklična trdnost / Low-cycle fatigue
Časovna trdnost / High-cycle fatigue
Trajna dinamična trdnost /Fatigue endurance domain
16
Dinamična trdnost / Fatigue strength
• Za določitev Woehlerjeve krivulje izvedemo preskuse dinamične trdnosti na več obremenitvenih nivojih σi v področju časovne trdnosti.
• Rezultat preskusa je število ciklov do porušitve Ni za dani nivo obremenjevanja σi.
• Časovno trdnost v Woehle-rjevi krivulji opišemo z naslednjo enačbo:
• To determine the Woehler
curve fatigue-life experi-
ments are carried out at
various stress levels σi in
the high-cycle fatigue
domain.
• A result of a single fatigue-
life experimenet is a
number of load cycles to
failure Ni for the given
stress level σi.
• The high-cycle fatigue
domain of the Woehler
curve is described as
follows:
( ) kNN−⋅= 1212 σσ
17
Dinamična trdnost / Fatigue strength
• Zaradi naključnih dejavni-kov, ki vplivajo na rezultate preskusov, ima dinamična zdržljivost materiala vedno določeni raztros:
• Due to the random factors
that influence the outcome
of the fatigue-life experime-
nts, there exist a scatter of
the fatigue strength:
Eksperimentalni podatki / Experimental data
Verjetnost porušitve / Probability of failure
0.025 0.5 0.975
N (log)
(log)
f(N| )
18
Osnove zanesljivosti / Reliability basics
• Zanesljivost tehniškega sistema je verjetnost, da sistem opravlja svojo funkcijo znotraj predvidenih toleranc pri danih pogojih okolja in obratovalnih razmerah.
• Zanesljivost izdelkov ocenjujemo s pomočjo cenilk in funkcij, ki temeljijo na času do okvare. Le-ta je naključna spremenljivka:
• Reliability is a probability
that a technical system
performs its function within
the defined tolerances for
the given environmental
and operating conditions.
• Reliability of products is
assessed using estimates
and functions of a time to
failure. The time to failure
is a random variable:
19
Osnove zanesljivosti / Reliability basics
• Če funkcija f(t) predstavlja gostoto porazdelitve verje-tnosti časa do okvare, potem kumulativna funkcija verjetnosti časa do okvare F(t) predstavlja verjetnost, da se bo tehniški sistem okvaril do časa t:
• Ker je zanesljivost tehni-škega sistema R(t) verje-tnost delovanja sistema v času t, potem velja:
• If f(t) is a probability density
function of the time to
failure then the
corresponding cumulative
distribution function F(t)represents the probability of
failure of the technical
system up to time t:
• Since reliability of the
technical system R(t) is its
probability of operation up
to time t it folows that:
∫ ⋅=t
dttftF0
')'()(
∫∫∞
⋅=⋅−=−=t
t
dttfdttftFtR ')'(')'(1)(1)(0
20
Osnove zanesljivosti / Reliability basics
• Iz prej zapisanih definicij sledijo še naslednje zveze:
• S pomočjo funkcij f(t) in R(t)
lahko zapišemo definiciji srednjega časa do
okvare:
• in variance časa do
okvare:
• From these definitions the
following relations can be
written:
• With a help of the functions
f(t) and R(t) one can define
a mean-time to failue:
• and a variance of the time
to failure:
dt
tdRtf
dT
tdFtf
)()(;
)()( −==
∫ ∫∞ ∞
⋅=⋅⋅=0 0
)()( dttRdttftMTTF
2
0
2 )()()( SdttfMTTFttVar →⋅⋅−= ∫∞
21
Osnove zanesljivosti / Reliability basics
• Model zanesljivosti je definiran z izbrano funkcijo gostote porazdelitve časa do okvare f(t).
• Najpogosteje uporabljani modeli zanesljivosti so:
– Eksponentni model zanesljivosti;
– Weibullov model zanesljivosti;
– Normalni (Gaussov) model zanesljivosti.
• A reliability model is
defined with a selection of
the probability density
function of the time to
failure f(t).
• The most commonly used
reliability models are:
– Exponential reliability
model;
– Weibull‘s reliability
model;
– Normal (Gaussian)
reliability model.
22
Osnove zanesljivosti / Reliability basics
• Intenzivnost okvar je verjetnost, da izdelek odpove v naslednjem časovnem trenutku dt pri pogoju, da je pri času t še deloval.
• V matematičnem smislu je intenzivnost okvar definirana kot kvocient funkcije gostote porazdelitve verjetnosti časa do okvare f(t) in funkcije zanesljivosti R(t):
• A hazard rate is a
probability that a failure
occurs in the next time
interval dt given the
condition that the product
was in the state of
operation at time t.
• In a mathematical sense
the hazard rate is a quotient
between the probability
density function of the time
to failure f(t) and the
reliability function R(t):
)(
)()(
tR
tft =λ
23
Osnove zanesljivosti / Reliability basics
• Tipična oblika funkcije intenzivnosti okvar v življenjskem ciklu izdelka je v obliki črke U. Zato jo imenujemo krivulja banje:
• A typical form of a hazard
rate function in a product
life cycle is U-shape. For
this reason it is designated
a bathtub curve:
t
Področje konstantne okvarljivosti
T0
Otroške okvare
Starostne okvare
t
Domain of constant failure rateEarly failures
Ageing failures
24
Osnove zanesljivosti / Reliability basics
• Krivulja banje ima tri področja:
– Področje otroških okvar, kjer je intenzivnost okvar padajoča;
– Področje konstantne okvarljivosti, kjer je intenzivnost okvar konstantna;
– Področje starostnih okvar, kjer je intenzivnost okvar naraščajoča.
• The bathtub curve has
three domains:
‒ Early failures domain
with a falling hazard
rate;
‒ Constant hazard rate
domain;
‒ Ageing failures domain
with an increasing
hazard rate.
25
Osnove zanesljivosti / Reliability basics
• S preskušanjem novih izdelkov po koncu proizvodnje, lahko znatno omejimo področje otroških okvar.
• Ker kupec dobi izdelek, v katerem je bil velik delež otroških okvar že odkrit, je zanesljivost izdelka s kupčevega vidika boljša. Govorimo o t.i. pogojni
zanesljivosti:
• T0 je čas preskušanja za odkrivanje otroških okvar.
• By testing the products at
the end of a production line
(i.e. „burn-in testing“) the
early-failures domain can
be diminished.
• In this manner the buyer
receives the product with
most of the early failures
eliminated. Its impression of
reliability is better. We can
define a conditional
reliability:
• T0 is a period of burn-in
testing.
( ) ∫∞
⋅=→+
=0
)()(
1)(
)(
)(
0
0
0
00
T
dttRTR
TMTTFTR
TtRTtR
26
Osnove zanesljivosti / Reliability basics
• Statični model
zanesljivosti omogoča razvojno oceno zaneslji-vosti izdelka na osnovi poznanih variabilnosti zdržljivosti materiala in variabilnosti obremenitev:
• A static reliability model
enables estimation of a
product‘s reliability on the
basis of known variability of
material‘s strength and
variability of product load
states:
27
Osnove zanesljivosti / Reliability basics
• S statičnim modelom zanesljivosti izračunamo zanesljivost izdelka, kakor sledi:
• Using a static reliability
model the product‘s
reliability is calculated as
follows:
∫ ∫∞
⋅⋅
⋅=≤=
0 0
)()()Pr( dyyfdxxfYXR Y
y
X
∫ ∫∞ ∞
⋅⋅
⋅=>=
0
)()()Pr( dxxfdyyfXYR X
x
Y
28
Seznam literature / List of references
• Klemenc J.: Efektivnost izdelkov – učbenik. Ljubljana: UL-FS, 2017. (in Slovene language)
• RMS – Reliability, Maintainability and Supportability Handbook, 3rd edition. SAE International, 1995.
• Ebeling C.E.: An Introduction to Reliability and Maintainability Engineering, 2nd edition. Illinois: Waveland Press, 2010.