Курс лекций по вероятностным методам в механике
Покупка
Автор:
Гусев Александр Сергеевич
Под ред.:
Цветков Юрий Борисович
Год издания: 2020
Кол-во страниц: 102
Дополнительно
Вид издания:
Учебное пособие
Уровень образования:
ВО - Бакалавриат
ISBN: 978-5-7038-5371-9
Артикул: 800929.01.99
Доступ онлайн
В корзину
Рассмотрены некорректные обратные задачи статистической динамики, задачи по структурному анализу траекторий случайных процессов, задачи статистического диагностирования конструкций, а также методы расчета конструкций, находящихся в условиях интенсивной коррозии и интенсивных нерегулярных воздействий. Для решения нелинейных задач рассмотрены методы марковских процессов, методы уравнений Фоккера — Планка — Колмогорова, методы статистической линеаризации. Приведены задачи по оптимизации параметров машин и конструкций и их решения.
Для бакалавров и магистров, обучающихся по направлению 15.03.03 «Прикладная механика», и магистров, обучающихся по направлению 15.04.03 «Прикладная механика».
Тематика:
ББК:
УДК:
ОКСО:
- ВО - Бакалавриат
- 15.03.03: Прикладная механика
- ВО - Магистратура
- 15.04.03: Прикладная механика
ГРНТИ:
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов.
Для полноценной работы с документом, пожалуйста, перейдите в
ридер.
А.С. Гусев Курс лекций по вероятностным методам в механике Учебное пособие Под редакцией Ю.Б. Цветкова Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский государственный технический университет имени Н.Э. Баумана (национальный исследовательский университет)»
ISBN 978-5-7038-5371-9 Гусев, А. С. Г96 Курс лекций по вероятностным методам в механике : учебное пособие / А. С. Гусев / под ред. Ю. Б. Цветкова. — Москва : Издательство МГТУ им. Н. Э. Баумана, 2020. — 99, [3] с. : ил. ISBN 978-5-7038-5371-9 Рассмотрены некорректные обратные задачи статистической динамики, задачи по структурному анализу траекторий случайных процессов, задачи статистического диагностирования конструкций, а также методы расчета конструкций, находящихся в условиях интенсивной коррозии и интенсивных нерегулярных воздействий. Для решения нелинейных задач рассмотрены методы марковских процессов, методы уравнений Фоккера — Планка — Колмогорова, методы статистической линеаризации. Приведены задачи по оптимизации параметров машин и конструкций и их решения. Для бакалавров и магистров, обучающихся по направлению 15.03.03 «Прикладная механика», и магистров, обучающихся по направлению 15.04.03 «Прикладная меха- ника». УДК 531.8:519.2(075.8) ББК 34.42 © МГТУ им. Н.Э. Баумана, 2020 © Оформление. Издательство МГТУ им. Н.Э. Баумана, 2020 Издание доступно в электронном виде по адресу https://bmstu.press/catalog/item/6732/ Факультет «Робототехника и комплексная автоматизация» Кафедра «Прикладная механика» Рекомендовано Научно-методическим советом МГТУ им. Н.Э. Баумана в качестве учебного пособия УДК 531.8:519.2(075.8) ББК 34.42 Г96
Предисловие Настоящее учебное пособие представляет собой курс лекций, прочитан- ный автором студентам МГТУ им. Н.Э. Баумана и МГТУ МАМИ, обучаю- щимся по специальности «Динамика и прочность машин и конструкций» по направлению «Прикладная механика». Оно соответствует программам курсов «Статистическая динамика и надежность машин и конструкций», «Случай- ные процессы и их анализ» и «Вероятностные методы в механике машин и конструкций». Цель учебного пособия — привить студентам навыки в постановке задач статистической динамики машин и конструкций и их решении с использо- ванием современных вычислительных средств, научить обосновывать рас- четные схемы для различных механических систем и в статистическом аспек- те проводить их динамический анализ с определением реакций на случайные воздействия, задаваемые их корреляционными функциями или энергетиче- скими спектрами, оценивать надежность и ресурс конструкций при случай- ных процессах нагружения. Предложенные к изучению различные методы решения задач статисти- ческой динамики в линейной и нелинейной постановке могут быть исполь- зованы для написания студентами самостоятельных научных работ и рефе- ратов, в которых авторы могут сформулировать собственные воззрения на рассматриваемые проблемы. Учебное пособие предназначено для бакалавров и магистров, прослушав- ших курсы лекций по «Теории колебаний», «Теории вероятностей и матема- тической статистике» и «Случайным процессам и их анализу». Посвящается светлой памяти академика РАН Владимира Васильевича Болотина
Лекция 1 Основные понятия и теоремы теории вероятностей Вероятности событий A и B обозначим P(A) и P(B). Вероятность того, что произойдет одно из этих двух событий, определя- ется по теореме о сложении вероятностей: Р(А + В) = Р(А) + Р(В). Вероятность того, что произойдут оба этих события, определяется по теореме о произведении вероятностей: Р(А ∙ В) = Р(А) ∙ Р(В). Вероятность того, что непрерывная случайная величина х будет принимать значения в интервале ∆x, обозначим P x x ( ). ∈∆ Плотность вероятности f x P x x x x ( ) lim ( ). = ∈ ∆ → ∆ ∆ 0 Интегральная функция распределения вероятностей для величины х F x P x x f x dx x ( ) ( , ) ( ) . = ∈ − ( ) = − ∞ ∞∫ Характеристическая функция определяется преобразованием Фурье от плотности вероятности: χ ω ω ∞ ∞ ω ∫ ( ) ( ) , = = − e e i x i x f x dx где 〈…〉〉 — оператор усреднения. Стационарный случайный процесс x t( ) задается корреляционной функцией K x t x t x( ) ( ) ( ) τ τ = + или ее преобразованием по Фурье (спектральной плотностью) S K d x x i ( ) ( ) . ω π τ τ ωτ = −∞ ∞ − ∫ 1 2 e Проблема неопределенности изящно (elegantly) решается с помощью понятий «случайная величина» и «случайный процесс». Однако это не конец истории, а ее начало, которая никогда не закончится. Р. Беллман
Обратное преобразование Фурье от спектральной плотности определяет корреляционную функцию K S d x x i ( ) ( ) . τ ω ω ωτ = −∞ ∞ ∫ e Для белого шума интенсивностью k0 K k x( ) ( ); τ δ τ = 0 S k x( ) ω π = = 0 2 const. Здесь дельта-функция Дирака δ τ τ τ ( ) ; ; = ≠ ∞ = 0 0 0 при при −∞ ∞ ∫ = δ τ τ ( ) . d 1 Амплитудный спектр Фурье процесса x t( ) с синонимами «трансформан- та Фурье», «интеграл Фурье» вычисляется по формуле Φx i t x t dt ( ) ( ) . ω π ω = −∞ ∞ − ∫ 1 2 e Обратное преобразование от Φx( ) ω определяет процесс x t d x i t ( ) . ( ) = −∞ ∞ ∫ 1 2π ω ω ω Φ e Для x t t ( ) ( ) = δ Φδ ω π ( ) = = 1 2 const; δ π ω ω ( ) . t d i t = −∞ ∞ ∫ 1 2 e Основная теорема теории случайных процессов состоит в «дельта-корре- лированности амплитудных спектров», выраженной формулой Винера Φ Φ x x x S * ( ) ( ) ( ) ( ), ω ω ω δ ω ω 1 2 2 1 2 = − где символом «∗» (звездочкой) обозначен переход к комплексно-сопряжен- ным функциям.
Лекция 2 Структурный анализ случайных процессов При формулировке задач структурного анализа случайных процессов рассмот- рим их некоторую реализацию x(t) и отметим на ней характерные точки, соответ- ствующие им значения процесса и интервалы времени между ними (рис. 2.1): точки пересечения случайного процесса со средним (нулевым) уровнем, называемые нулями процесса; точки, соответствующие экстремальным значениям процесса, которые называются экстремумами процесса; точку А, соответствующую наибольшему для данной реализации макси- муму процесса, называемую абсолютным максимумом процесса; точку B, соответствующую перегибу траектории процесса, называемую точкой перегиба траектории; точки пересечения случайного процесса с некоторым уровнем, опреде- ляющие число превышений (выбросов) за этот уровень; интервалы времени τ0 между двумя соседними нулями, от которых за- висит частота процесса, рассчитанная по пересечениям нулевого уровня (частота по нулям); интервалы времени τэ, соответствующие двум соседним экстремумам и определяющие частоту процесса по экстремумам; отрезки xmax и xmin между нулевой линией и соответствующим экстре- мумом, называемые экстремальными значениями процесса (максимумом и минимумом); отрезок x* между нулевой линией и наибольшим максимумом процесса, называемый значением абсолютного максимума; приращение процесса xp между двумя соседними экстремумами, назы- ваемое размахом процесса. Рис. 2.1
Получение вероятностной информации о числе указанных выше точек за некоторый промежуток времени и о величинах указанных выше отрезков по заданным вероятностным характеристикам процессов (по корреляцион- ным функциям или энергетическим спектрам) является задачей структурно- го анализа случайных процессов. Отметим некоторые вероятностные характеристики параметров процес- сов, которые можно установить при проведении структурного анализа: 1) распределение вероятностей числа нулей, экстремумов и других осо- бых точек траектории случайного процесса при заданной его длительности (частными характеристиками этих распределений являются среднее число нулей n0, среднее число экстремумов nэ, среднее число точек перегиба тра- ектории nп в единицу времени); 2) распределение вероятностей интервалов времени между соседними ну- лями, экстремумами и точками перегиба траектории (частными характери- стиками этих распределений является среднее значение интервала времени между соседними нулями τ0, экстремумами τэ и точками перегиба τп ); 3) распределение вероятностей значений процесса, соответствующих его максимумам и минимумам, т. е. распределение вероятностей максимумов и ми- нимумов; 4) распределение вероятностей приращений процесса между двумя его соседними экстремумами, т. е. распределение вероятностей размахов; 5) распределение вероятностей значений процесса, соответствующих его аб- солютному максимуму, т. е. распределение вероятностей абсолютного максимума. Нули, выбросы, перегибы траекторий и другие особые точки случайных процессов Число пересечений нулевого уровня (число нулей) некоторой функции x t( ) в течение времени t n t x x d t 0 0 ( ) ( ) , = { } ∫ δ τ τ (2.1) где δ( )⋅ — дельта-функция. Справедливость соотношения (2.1) следует из определения дельта-функции. Поскольку при дифференцировании функции ее экстремумы переходят в нули, то из (2.1) число экстремумов функции x t( ) за время t можем най- ти по формуле n t x x d t 1 0 ( ) ( ) . = { } ∫ δ τ τ (2.2) Число точек перегиба траектории, в которых вторая производная равна нулю, n t x x d t 2 0 ( ) ( ) . = { } ∫ δ τ τ (2.3)
Обобщив соотношения (2.1)–(2.3), получим следующее выражение для нахождения числа особых точек траектории функции x t( ), в которых ее k-я производная равна нулю: n t x x d k k k k t ( ) ( ) ( , , ,...). ( ) = { } = + ∫ 1 0 0 1 2 δ τ τ (2.4) Если x t( ) – случайная функция, то для определения вероятностных ха- рактеристик числа особых точек следует ввести соответствующие функции распределения вероятностей случайных величин и рассмотреть соотношения (2.1)–(2.4) как функции случайных аргументов. Так, если через f x x ( , , ) τ обо- значить плотность совместного распределения вероятностей функции x t( ) и ее производной для некоторого момента τ, среднее число нулей этой функ- ции за время t n t x x f x x dxdxd x t t 0 0 0 ( ) ( ) ( ) ( , , ) ( ) = { } = −∞ ∞ −∞ ∞ −∞ ∞ ∫ ∫∫ ∫∫ τ δ τ τ τ τ f x dxd ( , , ) . 0 τ τ (2.5) Определение числа превышений процессом x t( ) некоторого уровня x сводится к определению числа нулей разности x t x ( ) . − ( ) Если случайная функция x t( ) стационарна, из (2.5) получим следующее выражение для на- хождения среднего числа превышений процессом x t( ) уровня x в единицу времени: n x x f x x dx ( ) ( , ) . = ∞ ∫ 0 (2.6) При этом среднее число пересечений нулевого уровня (т. е. среднее число нулей) в единицу времени n n 0 2 0 = ( ). По аналогии с (2.6) получим выражения для определения среднего числа экстремумов и точек перегиба траектории в единицу времени: n x f x d x xx 1 0 = −∞ ∞ ∫ ( , ) ; (2.7) n x f x d x x x 2 0 = −∞ ∞ ∫ ( , ) , (2.8) где f x x x ( , ) 0 — плотность совместного распределения вероятностей второй и третьей производных при x = 0; f x x x ( , ) 0 — плотность совместного распре- деления вероятностей первой и второй производных при x = 0. Подставив в (2.6)–(2.8) выражения для плотностей распределения веро- ятностей и вычислив интегралы, для гауссовских стационарных процессов получим n x s s x s x x x ( ) exp ; = − 2 2 2 2 π (2.9)
n s s n s s n s s x x x x x x 0 1 2 2 2 2 = = = π π π , , , (2.10) где s s s s x x x x , , , — средние квадратические отклонения процесса и его пер- вых трех производных соответственно. Обобщая полученные результаты, запишем следующее выражение для определения среднего числа точек траектории гауссовского стационарного процесса, в которых k-я производная равна нулю: n s s k x x k k = + ( ) , 2π (2.11) где sxk , sx k ( ) + — средние квадратические значения k-й и (k + 1)-й производ- ных процесса x t( ). Сложность структуры случайных процессов характеризуется системой па- раметров, представляющих собой отношения числа экстремумов к числу ну- лей, числа точек перегиба траектории к числу экстремумов и т. д.: k n n k n n k n n 1 1 0 2 2 1 3 3 2 = = = , , , ... (2.12) При этом выполняются соотношения k k k 1 2 3 ≥ ≥ ≥ ... (2.13) Равенства в (2.13) достигаются только для процесса с простой структу- рой, для которого k k k 1 2 3 1 = = = = ... . Наибольшее значение имеет первый параметр сложности структуры k1, который в дальнейшем для краткости будем обозначать k. В случае когда процесс x t( ) является нестационарным гауссовским про- цессом, из (2.5) получим следующую формулу для определения числа пре- вышений уровня x за время t: n x t s s r x x S x x t x ( , ) ( ) ( ) ( ) exp ( ) ( ) = − − − ∫ 1 2 1 1 2 0 2 2 π τ τ τ τ τ × × − − + − exp ( ( )) ( ) ( )( ( )) ( ) 1 2 1 2r x s r x x s x x τ τ τ τ τ + + − + − 2 1 2 π τ τ τ τ τ τ r x s r x x s x x ( ) ( ) ( ) ( )( ( )) ( ) − + + − Φ 1 1 2r x s r x x s d x x ( ) ( ) ( )( ( )) ( ) , τ τ τ τ τ τ (2.14)
где Φ( ) , z dt t z = − −∞∫ 1 2 2 2 π e x( ), τ x( ), τ sx 2( ), τ sx2( ), τ r rxx = ( ) τ — переменные во времени средние значения, дисперсии и коэффициент корреляции про- цессов и x t( ) и x t( ). При x x r = = = 0 n x t s s x s d x x t x ( , ) ( ) ( ) exp ( ) . = − ∫ 1 2 2 0 2 2 π τ τ τ τ (2.15) Для стационарного процесса x t( ) при t =1 возвращаемся к формуле (2.9). Пример 2.1. Требуется провести анализ структуры случайного процесса x t( ), заданного корреляционной функцией Kx( ) exp , τ α τ = − ( ) 2 2 где α — параметр. Тогда в соответствии с (2.4) корреляционные функции первой, второй и третьей производных процесса x t( ) будем определять как K K K K K K x x x x x x ( ) ( ); ( ) ( ); ( ) ( ). τ τ τ τ τ τ = − = = − IV VI (2.16) Отсюда найдем дисперсии первых трех производных: s K s K s K x x x x x x 2 2 2 4 2 0 2 0 12 0 1 = − = = = = − = ( ) ; ( ) ; ( ) α α IV VI 20 4 α . В соответствии с (2.10) определим среднее число нулей, экстремумов и точек перегиба в единицу времени: n n n 0 1 2 2 6 10 = = = α π α π α π ; ; . В итоге получим следующие параметры сложности структуры процесса: k k 1 2 3 1 73 5 3 1 29 = ≈ = ≈ , ; , . Пример 2.2. Требуется найти число нулей, экстремумов и точек перегиба траектории случайного процесса, описываемого корреляционной функцией Kx( ) cos , τ βτ α τ = − e 2 2 где α, β — параметры. По аналогии с примером 2.1 после вычислений получим n n n 0 2 2 1 4 2 2 4 2 2 2 6 4 1 2 1 12 12 2 1 120 180 = + = + + + = + π α β π α α β β α β π α α β ; ; 2 2 4 6 4 2 2 4 30 12 12 + + + + α β β α α β β .
Доступ онлайн
В корзину