Korzystamy z wartości granicznych stref klasyfikacyjnych intensywności drgań wg [8.1]. Rozważamy wartości graniczne strefy A dla I klasy urządzeń (V1 - 0.28mm/s – granica dolna, V2 - 0.71mm/s – granica górna). Załóżmy prawdopodobieństwa wystąpienia obu wartości: P(V1)=70%, P(V2)=30%.
Informacje te zostaną użyte w trakcie ustalania strategii eksploatacyjnej. Wystąpienie konkret-nej wartości średniokwadratowej prędkości drgań przekłada się na prawdopodobieństwo wystąpienia uszkodzenia rozważanego obiektu lub systemu, więc ma wpływ na wybór konkretnej strategii eksplo-atacji, zapewnienie zapasów magazynowych, przygotowanie załogi itp.
Załóżmy, że przyjęcie nieodpowiedniej średniokwadratowej wartości prędkości drgań (ŚWPD) wiąże się z dodatkowymi kosztami eksploatacyjnymi.
Jeżeli założono ŚWPD = V1 i w trakcie eksploatacji założenie potwierdzi się, koszty wynikające z podjęcia decyzji są zerowe, natomiast jeśli okaże się, że ŚWPD = V2, koszty wynoszą 4000 (możliwe wystąpienie awarii). Z drugiej strony jeśli podjęto decyzję na podstawie założenia ŚWPD = V2 i założenie potwierdzi się, koszty wynoszą zero, natomiast w przeciwnym razie (ŚWPD = V1), koszty wynoszą 1000 (są to koszty zbędnych napraw i obsługi). Aby w sytuacji niepewnych danych podjąć decyzję budujemy funkcję użyteczności, czyli wyznaczamy prawdopodobną wielkość strat dla obu decyzji i wyznaczamy minimum:
K = min{P(V1) · 0 + P(V2) · 4000, P(V1) · 1000 + P(V2) · 0 } (8.20) stąd:
K = min{0.7 · 0 + 0.3 · 4000, 0.7 · 1000 + 0.3 · 0 } = min{1200, 700} = 700 (8.21) Poniżej przedstawiono rozważane zagadnienie w postaci drzewa zdarzeń (Rys.8.7).
Z a łoże n ie / D e c y z ja
S ta n
u rząd z e n ia K o s z ty
V1
V2
V1
V1
V2
V2
P (V2) P (V2) P (V1)
P (V1) 0
0 1 0 0 0 4 0 0 0
Rys. 8.7: Drzewo zdarzeń
W procesie podejmowania decyzji eksploatacyjnych przydatne są sieci Bayesa. Poniżej przedsta-wiono sieć Bayesa wykorzystaną do rozwiązania omawianego zadania.
Chcąc zwiększyć pewność otrzymanych wyników można dokonać badań dla ustalenia rzeczywi-stej wartości ŚWPD w nadzorowanym obiekcie. Pomiary takie są obciążone niepewnością i kosztami.
Przed podjęciem decyzji o wykonaniu pomiarów należy dokonać oceny ich ekonomicznej efektywno-ści. Załóżmy, że rzeczywista wartość ŚWPD wynosi 0.28mm/s, natomiast uzyskane wyniki pomiarów
U STAN_OBIEKTU
V1 V2
70.0 30.0
ZALOZENIE_DECYZJA V1
V2
-1200.0 -700.00
Rys. 8.8: Sieć Bayesa
można opisać rozkładem Weibulla (α=1.15; β=0.08, γ=0.28). W przypadku górnej granicy rzeczywi-sta wartość ŚWPD wynosi 0.71mm/s i uzyskane wyniki pomiarów można opisać rozkładem Weibulla (α=12; β=0.58).
Na podstawie powyższych założeń wyznaczono prawdopodobieństwa warunkowe obrazujące nie-pewności użytej metody pomiarowej (Tab. 8.2).
Tab. 8.2: Prawdopodobieństwa warunkowe obrazujące niepewności metody pomiarowej Stan faktyczny
Wynik pomiarów
V1=0.28mm/s V2=0.71mm/s
P1=0.28mm/s 0.8585 0.0226
P2=0.45mm/s 0.1285 0.5081
P3=0.71mm/s 0.0130 0.4693
Zatem dla tak określonych danych przyczynowych zależność opisująca prawdopodobieństwa wa-runkowe wystąpienia wartości ŚWPD pod warunkiem wystąpienia różnych wyników pomiaru P(Vj/Pi) przyjmuje postać:
P(Vj/Pi) = P(Pi/Vj)P(Vj)
P(Pi) (8.22)
Zauważmy, że wykorzystanie wzoru (8.22) jest związane z wyznaczeniem prawdopodobieństwa cał-kowitego P(Pi):
P (P1) = P (P1/V1)P (V1) + P (P1/V2)P (V2), P (P1) = 0.8585 · 0.7 + 0.0226 · 0.3 = 0.6077 (8.23)
P (P2) = P (P2/V1)P (V1) + P (P2/V2)P (V2), P (P2) = 0.1285 · 0.7 + 0.5081 · 0.3 = 0.2424 (8.24)
P (P3) = P (P3/V1)P (V1) + P (P3/V2)P (V2), P (P3) = 0.0130 · 0.7 + 0.4693 · 0.3 = 0.1499 (8.25) Następnie obliczamy prawdopodobieństwo warunkowe przydatne diagnostycznie, czyli hipotetyczne prawdopodobieństwa wystąpienia konkretnych prędkości pod warunkiem wystąpienia poszczególnych wyników pomiarów:
P ”(V1/P1) = P (P1/V1)P (V1)
P (P1) , P ”(V1/P1) = 0.8585 · 0.7
0.6077 = 0.9889 (8.26) P ”(V2/P1) = P (P1/V2)P (V2)
P (P1) , P ”(V2/P1) = 0.0226 · 0.3
0.6077 = 0.0112 (8.27) P ”(V1/P2) = P (P2/V1)P (V1)
P (P2) , P ”(V1/P2) = 0.1285 · 0.7
0.2424 = 0.3711 (8.28) P ”(V2/P2) = P (P2/V2)P (V2)
P (P2) , P ”(V2/P2) = 0.5081 · 0.3
0.2424 = 0.6288 (8.29) P ”(V1/P3) = P (P3/V1)P (V1)
P (P3) , P ”(V1/P3) = 0.130 · 0.7
0.1499 = 0.0607 (8.30) P ”(V2/P3) = P (P3/V2)P (V2)
P (P3) , P ”(V2/P3) = 0.4693 · 0.3
0.1499 = 0.9392, (8.31) Otrzymane rezultaty wykorzystujemy do wyznaczenia funkcji użyteczności. Dla obu decyzji wyzna-czamy prawdopodobną wielkość strat pod warunkiem wystąpienia konkretnych wyników pomiarów.
Jako kryterium uwzględniamy wartość minimalną biorąc pod uwagę minimalne koszty:
K(Vi/P1) = min {P (V1/P1) · 0 + P (V2/P1) · 4000, P (V1/P1) · 1000 + P (V2/P1) · 0} =
= min {44.8, 988.9} = 44.8
(8.32)
K(Vi/P2) = min {P (V1/P2) · 0 + P (V2/P2) · 4000, P (V1/P2) · 1000 + P (V2/P2) · 0} =
= min {2515.2, 371.1} = 371.1
(8.33)
K(Vi/P3) = min {P (V1/P3) · 0 + P (V2/P3) · 4000, P (V1/P3) · 1000 + P (V2/P3) · 0} =
= min {3756, 60.7} = 60.7
(8.34) Na tej podstawie obliczamy prawdopodobną wartość strat w przypadku wykonania serii pomiarów:
K = K(Vi/P1) · P (P1) + K(Vi/P2) · P (P2) + K(Vi/P3) · P (P3) = 126.3 (8.35) Poniżej przedstawiono sieć Bayesa wykorzystaną do rozwiązania omawianego przykładu
Z przeprowadzonej analizy wynika, że wykonanie pomiarów jest opłacalne gdy ich koszt jest niższy od różnicy pomiędzy prawdopodobną wielkością strat w przypadku gdy nie wykonano pomiarów oraz gdy pomiary wykonano: 700-126.17=573.83 .
Do tej pory omawiano analizę pre-posteriorii, poniżej zostanie opisana analiza a posteriorii. W przypadku wykonania pomiarów należy uzyskaną informację użyć w prowadzonej analizie. Załóżmy, że w trakcie pomiaru otrzymano wynik P2, czyli w początkowej analizie wynik przez nas nieuwzględ-niany. Mając tę informację zaktualizujemy prawdopodobieństwa P (Vi), a następnie na ich podstawie podejmiemy decyzję o wyborze strategii eksploatacji.
W tym celu korzystamy ze wzoru Bayesa określającego prawdopodobieństwo a posteriori:
P(V1) = P(V1/P2) ⇒ P(V1) = 0.3711 (8.36)
P(V2) = P(V2/P2) ⇒ P(V2) = 0.6288 (8.37)
ZALOZENIE_DECYZJA V1
V2 POMIARY
P1 P2 P3
47.1 28.8 24.2
CZY_WYKONAC_POMIARY TAK
NIE
-126.17 -699.99 STAN_OBIEKTU V1
V2 70.0 30.0
U
Rys. 8.9: Sieć Bayesa
Dla zaktualizowanych prawdopodobieństw wyznaczamy funkcję użyteczności K = min{0.3711 · 0 + 0.6288 · 4000, 0.3711 · 1000 + 0.6288 · 0 } =
= min{2515.2, 371.1} = 371.1 (8.38) Uzyskany wynik prowadzi do podjęcia takiej samej decyzji jak na podstawie informacji a priori lecz prawdopodobna wartość strat jest inna i w tym przypadku wynosi 371.1, natomiast bez wykonania dodatkowych pomiarów wynosi 700.
Bibliografia
[8.1] PN-ISO 10816-1: Drgania mechaniczne. Ocena drgań maszyny na podstawie pomiarów na częściach niewirujących.
[8.2] Cox D.R. Regression models and life tables. Journal of Royal Statistical Society, series B., 34:187–220, 1997.
[8.3] Cruse T.A. Reliability – Based Mechanical Design. Marcel Dekker Inc., New York, 1997.
[8.4] Dybała J., Mączak J., Radkowski S. Wykorzystanie sygnału wibroakustycznego w analizie ryzyka technicznego. ITE, Warszawa – Radom, 2006.
[8.5] Gumiński R., Radkowski S., Sobczykiewicz W. Zastosowanie proporcjonalnych modeli uszko-dzeń w analizie niezawodności na przykładzie układu antropotechnicznego. Number zeszyt 23 serii Problemy Maszyn Roboczych. ITE Radom, 2005.
[8.6] Jeffreys H.J. Theory of Probability. Oxford: Clarendon Press, 1961.
[8.7] Nozer D., Singpurwalla N.D. Reliability and Risk A Bayesian Perspective. John Wiley & Sons Ltd, Chichester England, 2006.
[8.8] O’Hagan A., Forster J. Kendall’s Advanced Theory of Statistics: Bayesian Inference, wolu-men 2B. Hodder Arnold Publication, 2004.
[8.9] Radkowski S. Podstawy bezpiecznej techniki. OWPW, 2003.
[8.10] Yatomi M., inni i. Application of risk-based maintenance on materials handling systems. IHI Enginnering Review, 37(2):52–58, 2004.
Modele symulacyjne rozwoju procesów degrada-cyjnych i zmęczeniowych na przykładzie prze-kładni zębatej 1
Ryszard FILONIK
9.1. Wprowadzenie
Modelowanie dynamiczne przekładni zębatych jest generalnie zadaniem złożonym. Dotyczy to głów-nie zagadgłów-nienia odwzorowywania oddziaływań międzyzębnych powszechgłów-nie uznanych za najbardziej skomplikowane. W każdym przypadku modelowanie można uważać za efektywne, jeśli jego wynikiem jest model obliczeniowy pozwalający wyznaczyć interesujące parametry dynamiczne. Historycznie, rozwój metod modelowania przedstawiony np. w [9.1], zapoczątkowany został próbami uproszczonych opisów oddziaływań międzyzębnych ograniczanych możliwościami rozwiązania budowanych równań matematycznych metodami analitycznymi z elementami komputerowego wspomagania obliczeń.