Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ПРОИЗВОДСТВЕННОЙ ИНФОРМАЦИИ: СУЩНОСТЬ И НЕОБХОДИМОСТЬ

Покупка
Основная коллекция
Артикул: 461320.0001.99.0001
Доступ онлайн
от 49 ₽
В корзину
Головицына, М. В. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ПРОИЗВОДСТВЕННОЙ ИНФОРМАЦИИ: СУЩНОСТЬ И НЕОБХОДИМОСТЬ / М. В. Головицына. - Текст : электронный // Информатизация образования и науки. - 2010. - №2 (6) апрель. - С. 103-112. - URL: https://znanium.com/catalog/product/358843 (дата обращения: 29.03.2024). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов. Для полноценной работы с документом, пожалуйста, перейдите в ридер.
Автоматизация и управление технологическими процессами и производствами 

ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ПРОИЗВОДСТВЕННОЙ ИНФОРМАЦИИ: СУЩНОСТЬ И НЕОБХОДИМОСТЬ 

PRETREATMENT PRODUCTION INFORMATION: THE NATURE 

AND THE NEED 

Головицына Майя Владимировна / Golovitsyna M.B., 

профессор, Филиал Московского Государственного открытого университета в г. 
Александрове (АФ МГОУ) / professor, Branch of Moscow State Open University in Alex
sandrov (AFMGOU), 
maya@alexandrov.ru, maivlad@mail.ru 

Аннотация 
Автор статьи уделяет внимание вопросам начальной стадии построения 
«сквозных» математических моделей, которые должны составлять основу автоматизированных 
систем управления технологическим 
процессом, и качества наукоёмкой 
промышленной продукции - сбора, 
обработки и формализации исходных 
данных. Эта работа должна проводиться с целью корректного перехода 
к построению самих математических 
моделей. 

Annotation 
Article deals with the initial 
stage of "cross" mathematical models 
constructing, which should form the basis of automated process control systems and, consequently, the quality of 
high-tech industrial products - the collection, processing and formalization of 
the source data. This should be done to 
correct the transition to the construction 
of mathematical models themselves. 

Ключевые слова: статистические методы, статистический контроль, 
статистическая 
обработка, 
«сквозная» математическая модель, 
регрессионный анализ, грубые погрешности, нормальный закон распределения, допуски на параметры, 
объём выборки, дисперсия, среднеквадратическое значение, квантиль 
распределения статистики, распределение Стьюдента, критерий согласия 
Пирсона, гистограмма, допуски на 
параметры. 

Keywords: statistical methods, 
statistical control, statistical processing, 

Информатизация образования и науки Ns 2(6)/2010 

"penetrating" mathematical model, regression analysis, gross errors, the normal distribution law, the tolerances on 
the parameters, sample size, variance, 
RMS, distribution statistics fractile, the 
Student distribution, the Pearson goodness, histogram, tolerances on the parameters. 

Предварительная 
обработка 
результатов измерений или наблюдений необходима для того, чтобы в 
дальнейшем с наибольшей эффективностью, а главное, - корректно 
использовать для построения эмпирических зависимостей статистические методы. 

При построении 
«сквозных» 
математических моделей с помощью 
регрессионного 
анализа 
обработка 
результатов контроля включает решение трёх основных задач: 

1. 
Отбрасывание 
грубых 
погрешностей. 

2. 
Проверка гипотезы нормального 
распределения собранной 
статистики. 

3. 
Определение 
допусков 
на параметры технологического процесса. 

Грубые погрешности вносят 
большие ошибки в математическую 
модель. Поэтому необходимо провести их отсев до построения математических моделей. 

Грубыми считаются значения 
параметров технологического 
процесса, которые выходят за пределы 
2а, 4с, 6а, в зависимости от объёма 

103 

Доступ онлайн
от 49 ₽
В корзину