Разработка программы для расчета надежности электронного компонента методом имитационного моделирования
Анализ моделей расчета характеристик надежности электронных компонентов. Обоснование выбора языка программирования и средств разработки. Аналитический расчёт параметров модели. Разработка программы и алгоритма. Спецификация интерфейса, состав программы.
| Рубрика | Коммуникации, связь, цифровые приборы и радиоэлектроника |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 19.08.2020 |
| Размер файла | 4,1 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕВЫСШЕГО ОБРАЗОВАНИЯ
«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ
«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»
МОСКОВСКИЙ ИНСТИТУТ ЭЛЕКТРОНИКИ И МАТЕМАТИКИ им. А.Н. ТИХОНОВА
Малькова Анна Сергеевна
РАЗРАБОТКА ПРОГРАММЫ ДЛЯ РАСЧЕТА НАДЕЖНОСТИ ЭЛЕКТРОННОГО КОМПОНЕНТА МЕТОДОМ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ
Выпускная квалификационная работа
по направлению 11.03.02 Инфокоммуникационные технологии и системы связи
студента образовательной программы бакалавриата «Инфокоммуникационные технологии и системы связи»
Студент
А.С. Малькова
Руководитель
Профессор
В.В. Жаднов
Москва 2020 г.
ЗАДАНИЕ
Тема работы
Разработка программы для расчета надежности электронного компонента методом имитационного моделирования
Требования к работе
Сравнительный анализ моделей надежности электронных компонентов, обоснование выбора модели для имитационного моделирования, разработка требований к программе, разработка состава программы и алгоритма, расчет показателей надежности электронного компонента аналитическим методом и методом имитационного моделирования, тестирование, анализ результатов расчета, обоснование выбора языка программирования С#.
Содержание работы
Работа должна содержать аннотацию, введение; раздел, посвященный сравнительному анализу моделей надежности электронных компонентов и обоснованию выбора модели для имитационного моделирования; раздел, посвященный обоснованию выбора языка программирования; раздел, посвященный разработке требований к программе; раздел, посвященный разработке состава программы и алгоритма; раздел, посвященный расчету показателей надежности аналитическим методом и методом имитационного моделирования; тестирование; анализ результатов расчетов; заключение; список используемой литературы.
Сроки выполнения этапов работы
программирование язык электронный компонент
|
Проект ВКР представляется студентом в срок до |
«19» февраля 2020 г. |
|
|
Первый вариант ВКР представляется студентом в срок до |
«13» апреля 2020 г. |
|
|
Итоговый вариант ВКР представляется студентом руководителю до загрузки работы в систему «Антиплагиат» в срок до |
«11 » мая 2020 г. |
Аннотация
Целью данной работы была разработка программы расчета характеристик надежности электронного компонента.
В работе рассмотрены основные понятия надежности электронных компонентов; проведен анализ моделей надежности электронных компонентов; разработана математическая модель отказов; осуществлено обоснование выбора языка программирования и средств разработки; рассмотрены методы имитационного и статистического моделирования; рассмотрен метод статистического моделирования Монте-Карло с обоснованием его выбора; произведен аналитический расчёт параметров составленной математической модели отказов; разработана программа на языке C#, позволяющая находить основные характеристики надежности компонента, код которой представлен в Приложении.
Дипломная работа выполнена в объёме 47 страниц, 11 иллюстраций, при использовании 25 источников информации.
Abstract
The purpose of this work was to develop the program to calculate reliability parameters of an electronic components.
The paper discusses the basic concepts of reliability of electronic components; the analysis of reliability models of electronic components; development a mathematical model of failures; the substantiation of the choice of a programming language and development tools methods of simulation and statistical modeling are considered; Monte Carlo statistical modeling method with justification of its choice is considered; analytical calculation of the parameters of the compiled mathematical model of failures; a program was developed in C #, which calculate characteristics of the reliability of a component, the code of which is presented in the Appendix.
Thesis was executed in the volume of 47 pages, 11 illustrations, using 25 sources of information.
Оглавление
Введение
1. Анализ моделей расчета характеристик надежности электронных компонентов
1.1 Понятия надежности
1.2 Математическая модель
2. Обоснование выбора языка программирования и средств разработки
3. Имитационное моделирование
3.1 Статистическое моделирование
3.2 Метод Монте-Карло
3.3 Базовая случайная величина
4. Аналитический расчёт параметров модели
5. Разработка программы и алгоритма
5.1 Спецификация интерфейса
5.2 Состав программы
5.3 Описание алгоритма
5.4 Описание тестов
6. Программный расчет характеристик надежности
Заключение
Список литературы
Приложение
Введение
В современном мире электрические цепи используются практически во всех областях. Поскольку сложные системы состоят из отдельных компонентов, крайне важно выбирать компоненты высокого качества. Одним из способов оценки качества компонента является оценка его параметров надежности. [1]Параметры надежности позволяют оценить целесообразность затрат на дальнейшие разработку и производство компонентов и устройств [2]. Для оценки показателя надежности электронных компонентов используются модели отказов, то есть математические модели, которые устанавливают связь между показателями надежности объекта, характеристиками надежности элементов, их структурой и параметрами процесса функционирования объекта. Все эти модели имеют временное распределение.
Надежность является комплексным свойством, в зависимости от назначения объекта и условий его использования, включающая в себя долговечность, ремонтопригодность, восстанавливаемость, сохраняемость, безотказность и т.д.
В российских стандартах рекомендуемой моделью является диффузионное распределение, однако использование этой модели требует экспериментально определенных параметров, что ограничивает возможности ее применения на ранних этапах проектирования.
Показатель надежности - количественная характеристика одного или нескольких свойств, составляющих надежность объекта[3]. Оценка надежности представляет собой нахождение численных значений этих показателей. Для построения модели надежности необходимо составить математическую модель изучаемого объекта, которую впоследствии применяют для изучения показателей надежности.
Наиболее распространенной математической моделью в теории надежности является модель отказов, заданная в виде функции распределения отказов или вероятности появления отказа в заданный момент времени (функция распределения наработки до отказа)[4].
При выборе модели отказов применяют два подхода: анализ статистических данных наработок до отказа или анализ физических процессов старения, приводящих к отказу. Первый подход опирается на теоремы вероятности, причем отказы рассматриваются как стохастические события.
Метод моделирования является подходящим методом на ранних этапах проектирования [5]. Использование метода моделирования для расчета параметров надежности предполагает построение модели, описывающей работу устройства и процесс его отказа во времени. Использование метода Монте-Карло помогает построить модель в условиях недостатка информации.
1. Анализ моделей расчета характеристик надежности электронных компонентов
1.1 Понятия надежности
Согласно [3], надёжность - свойство объекта сохранять во времени способность к выполнению требуемых функций в заданных режимах и условиях применения, технического обслуживания, хранения и транспортирования.
При эксплуатации объекта имеют место следующие основные состояния и события [6]:
Работоспособность - состояние объекта, при котором значения всех параметром, характеризующих способность выполнять заданные функции, соответствуют требованиям нормативно-технической и (или) конструкторской (проектной) документации. Работоспособность не касается требований, непосредственно не влияющих на эксплуатационные показатели.
Предельное состояние - состояние объекта, при котором его дальнейшая эксплуатация недопустима или нецелесообразна, либо восстановление его работоспособного состояния невозможно или нецелесообразно.
Отказ - событие, заключающееся в нарушении работоспособного состояния объекта; при этом прекращается его транспортный процесс.
Наработка - продолжительность или объем работы объекта.
Наработка до отказа - наработка объекта от начала его эксплуатации или от момента его восстановления до отказа.
Ресурс - суммарная наработка объекта от начала его эксплуатации или ее возобновления после ремонта до момента достижения предельного состояния.
Средняя наработка до отказа - математическое ожидание наработки объекта до отказа.
Срок сохраняемости - календарная продолжительность хранения и/или транспортирования объекта, в течение которой он сохраняет работоспособное состояние.
Вероятность безотказной работы - вероятность того, что в пределах заданной наработки отказ объекта не возникнет.
Надёжность является комплексным свойством и включает в себя: безотказность, долговечность, ремонтопригодность, сохраняемость [6].
Безотказность - свойство объекта непрерывно сохранять работоспособное состояние в течение некоторого времени или наработки [3].
Долговечность - свойство объекта сохранять работоспособное состояние до наступления предельного состояния при установленной системе технического обслуживания и ремонта. Для невосстанавливаемых изделий понятия долговечности и безотказности практически совпадают [3].
Ремонтопригодность - свойство объекта, заключающееся в приспособленности к поддержанию и восстановлению работоспособного состояния путем технического обслуживания и ремонта [3].
Сохраняемость - свойство объекта сохранять в заданных пределах значения параметров, характеризующих способности объекта выполнять требуемые функции, в течение и после хранения и (или) транспортирования [3].
Согласно [7], компоненты моделей непревышения могут иметь различную физическую природу и описываться разными видами распределений случайных величин, а также могут быть в моделях накопления повреждений. Поэтому на практике применяют разные модели непревышения, только немногие из которых допускают прямое аналитическое решение. Поэтому основным методом расчета надежности по моделям непревышения является статистическое моделирование.
Для описания надежности объекта и ее количественной оценки используют такой параметр, как наработка до отказа, оценивая ее вероятностные характеристики. Для описания распределения наработки можно использовать следующие параметры: функция отказов, плотность распределения наработки, средняя наработка до отказа, интенсивность отказов. Именно эти характеристики надежности рассматриваются в данной работе.
Вероятность отказа (F(t)) - вероятность того, что в пределах заданного времени (наработки) произойдет отказ. Статистически F(t) определяется как отношение количества отказавших объектов к числу объектов выборки.
Для построения вероятности отказа компонента при моделировании используют полигон гистограммы распределения. Статистическая оценка вероятности отказов стремится к функции отказов F(t) при количестве испытаний, стремящихся к бесконечности. Функция распределения вероятностиf(t) является интегральной формой функции отказов. Площадь, ограниченная кривой распределения, стремится к 1, соответственно, площадь под гистограммой, равна единице. Интенсивность отказов л(t) рассчитывается как отношение плотности вероятности к вероятности безотказной работы, формула (0) [8].
(0)
где f(t) - плотность распределения случайной величины (отказа), F(t) - вероятность отказа.
При моделировании полученный массив выходных данных представляют в виде набора данных величины и ее частотности, результаты можно представить графически (Рис.1) в виде гистограммы. Также данные можно выразить в виде вероятности того, что значение окажется меньше заданной величины, представить в графическом виде (Рис. 2)[9]. Обе гистограммы являются статистическими аналогами функции распределения и плотности вероятности.
Рис. 1 - Распределение вероятности
Рис. 2 - Функция распределения вероятности
1.2 Математическая модель
В качестве модели, поступающей на вход моделирования методом Монте-Карло, принято использовать функцию отказов [4]. Для оценки таких показателей как безотказность и сохраняемость используют экспоненциальный закон распределения наработки до отказа. Для оценки долговечности - нормальное распределение ресурса [10]. Для оценки показателей надёжности компонента на ранней стадии проектирования необходимо, чтобы в качестве входных данных для математической модели, учитывающей состояния в режиме работы и хранения, выступали не экспериментально полученные данные, а справочные характеристики.
Математическая модель должна в качестве выходных данных давать реализацию наработки до отказа, после статистической обработки которой получится набор параметров надёжности - вероятность безотказной работы, среднее время наработки на отказ. Согласно [10-12], функция является временной зависимостью.
В режиме работы в качестве аргумента функции выступает наработка, в режиме хранения - срок сохраняемости. Причем реализация наработки должна лежать в диапазоне [Tн.м.; Tр.max], где Tн.м. - минимальная наработка, Tр.max - максимальный ресурс - данные, определяемые из технической характеристики компонента.
Наработка в режиме работы и хранения распределена по экспоненциальному закону, ресурс - по нормальному закону. Тогда функция распределения вероятности отказов имеет вид кусочно-заданной функции (1) [13].
(1)
где Tн.м. - минимальная наработка; лэ - интенсивность отказов в режиме работы; Tл - точка смены распределений; m - математическое ожидание; у - среднеквадратическое отклонение; Tс.с. - срок службы; Tхр.max- максимальный срок сохраняемости в режиме ожидания.
Для расчета реализаций наработки при статистическом моделировании используется обратная функция распределения вероятности отказов, формула (2).
(2)
где Tн.м. - минимальная наработка; лэ - интенсивность отказов в режиме работы; х1= 0,001, х2, х3 - граничные точки, найденные из модели; F-1 - обратная функция распределения вероятности отказов, нормальный закон; m - математическое ожидание; у - среднеквадратическое отклонение; Tс.с. - срок службы.
Интенсивность отказов в режиме работы рассчитывается по формуле (3) [14].
(3)
где лб - базовая интенсивность отказов в режиме работы; Кn - n-й коэффициент модели; N - число коэффициентов.
Максимальный срок сохраняемости рассчитывается по формуле (4) [13].
(4)
где н - коэффициент вариации ресурса; чг= 3.09 для г = 99.9%; Tхр.min- минимальный срок сохраняемости.
Коэффициент вариации рассчитывается по формуле (5) [13].
(5)
где Трг - гамма-процентный ресурс; Tн.м. - минимальная наработка ; чг - квантиль (ч95 = 1,645).
Математическое ожидание рассчитывается по формуле (6) [13].
(6)
где Трг - гамма-процентный ресурс; н - коэффициент вариации ресурса; чг - квантиль (ч95 = 1,645) .
Среднеквадратическое отклонение рассчитывается по формуле (7).
(7)
где m - математическое ожидание; н - коэффициент вариации ресурса.
Срок службы рассчитывается в зависимости от значения x2 по формуле (8) [13].
(8)
где T(ож.max) - максимальный срок хранения; T(p.max) - максимальный ресурс.
Максимальный срок хранения рассчитывается по формуле (9) [13].
(9)
где Tхр.max - максимальный срок сохраняемости: Кt.х - коэффициент, учитывающий изменение интенсивности отказов в режиме хранения в зависимости от температуры окружающей среды; Кэ - коэффициент эксплуатации.
Максимальный ресурс рассчитывается по формуле (10) [13].
(10)
где н - коэффициент вариации ресурса; m - математическое ожидание.
Tл является решением уравнения (11).
(11)
где лэ - интенсивность отказов в режиме работы; Tл - точка смены распределений; Tн.м. - минимальная наработка; m - математическое ожидание; у - среднеквадратическое отклонение.
Граничное значение x2рассчитывается по формуле (12) [13].
(12)
где лэ - интенсивность отказов в режиме работы; Tл - точка смены распределений; Tн.м. - минимальная наработка.
Граничное значение x3рассчитывается по формуле (13) [13].
(13)
где ч - уточненный квантильЛапласа.
Уточненный квантиль рассчитывается по формуле (14).
(14)
где T(ож.max) - максимальный срок хранения; m - математическое ожидание; н - коэффициент вариации ресурса.
Средняя наработка на отказ рассчитывается по формуле (15).
(15)
где ti - реализации наработки; N - количество испытаний.
2. Обоснование выбора языка программирования и средств разработки
Программа расчета надёжности разработана на языке программирования C# в интегрированной среде разработки MicrosoftVisualStudio с использованием интерфейса WindowsForm.
C# является объектно-ориентированным языком, использующим такие принципы объектно-ориентированного программирования (ООП) как инкапсуляция, наследование и полиморфизм. Самой распространенной методологией программирования на сегодняшний день является именно ООП. Для разработки был выбран этот язык программирования, так как он обладает рядом преимуществ[15]:
является языком компилируемого типа, следовательно обладает всеми преимуществами языков этого типа, в том числе позволяет создавать модульные поддерживаемые приложения и повторно используемые коды;
является полностью объектно-ориентированным языком, где все типы, в том числе встроенные, представлены классами;
большой набор библиотечных функций и типов данных;
позволяет создавать высоконадежные приложения благодаря компилятору CLR, запускающий приложение в виртуальном процессоре;
ориентация на безопасность кода;
благодаря отсутствию преобразования типов невозможна потеря данных, что делает код безопасным. Имеет встроенную инициализацию нулевым типом данных;
имеет большое разнообразие синтаксических конструкций;
работает на базе.NET Framework;
имеет автоматическую сборку мусора;
имеет возможности наследования и универсализации;
является наследником языков C/C++ с преимуществами этих языков программирования, с устранением недостатков и сложностей языка С++. Общий с С-подобными языками синтаксис, схожие операторы языка облегчают переход от С++ к C#;
современный масштабируемый и простой для изучения язык;
приложение, написанное на C#, может быть развернуто в любой операционной системе или облачной платформе;
является быстрым: высокая скорость компиляции и выполнения;
является языком структурного программирования, что делает программу более эффективной, а также более легкой для понимания и изменения;
функциональная совместимость языка позволяет программам на C# взаимодействовать с кодом, написанным с использованием другого языка программирования, что облегчает повторное использование кода и, следовательно, повышает эффективность процесса разработки;
имеет мощную библиотека каркаса, поддерживающую удобство построения различных типов приложений на C#.
MicrosoftVisualStudio имеет бесплатную версию Community. Эта удобная среда разработки поддерживает множество языков программирования и массу технологий. VisualStudio поддерживает создание приложений для любой платформы, в том числе Windows, позволяет разрабатывать консольные приложения, приложения с графическим пользовательским интерфейсом, веб-сайты, веб-приложения, веб-службы как в родном, так и в управляемом.
3. Имитационное моделирование
3.1 Статистическое моделирование
При разработке сложных систем крайне важно обеспечить устойчивость и надежность электронных компонентов, из которых состоят системы, во многих случаях необходимо, чтобы они не выходили из строя. Кроме того, важно прогнозировать выход систем из строя для обеспечивания своевременных ремонта или замены непригодных компонентов. Поэтому, для повышения надежности системы, разработчик должен иметь точную информацию о различных случаях отказа электронных компонентов.
Одним из видов компьютерного моделирования является имитационное моделирование, представляющее собой имитацию (воспроизведение) на электронно-вычислительных машинах (ЭВМ) функционирования изучаемой системы. Данный вид моделирования применяется, когда изучаемый объект подвержен стохастическим изменениям. При этом изучаемый процесс, сохраняя логическую структуру и временную последовательность, разбивается на составляющие, и в процессе имитации участвуют эти составляющие, что позволяет получить информацию о состоянии всей системы в каждый временной момент. Для получения статистических данных о системе используют статистическое моделирование, в теоретической базе которого лежат предельные теоремы теории вероятности, эффективное применение случайных чисел и законов теории вероятностей.[16, 17].
Наиболее распространенными на практике являются системы, подвергающиеся случайным воздействиям [18]. Поэтому для изучения таких систем чаще всего применяется метод статистического моделирования. Этот метод применяется в задачах анализа и проектирования автоматизированных систем, информационно-вычислительных сетей и других сложных организационно-технических объектов. Данные, полученные в результате статистического моделирования, являются реализациями случайного процесса, в связи с чем требуется большая выбора - большое количество имитаций, для вычисления достоверных характеристик.
Целью статистического моделирования является статистическое определение выходных результатов. Этот базовый метод моделирования заключается в том, что на вход исследуемой функции (математической модели) подается последовательность случайных чисел (случайные сигналы с заданной плотностью вероятности) [19]. Результатом функции является искомая выборка. Выборка содержит информацию, получаемую методами математической статистики, об исследуемой модели, которую трудно или практически невозможно получить другими способами. Статистическое моделирование применяется при исследовании систем, носящих случайный характер, а также при решении детерминированных задач.
Аналитические методы, используемые в инженерной практике для расчета характеристик надежности, имеют ряд ограничений, которые могут быть устранены с использованием численных методов. Так как отказы являются случайной величиной, необходим метод, позволяющий это учесть. На этапе раннего проектирования и реализации аналитических и имитационных моделей широко применяется метод статистических испытаний. В [20] Брайан Корвер рассматривает метод численного моделирования для исследования случайных процессов - метод Монте-Карло, сводящий решение сложных задач к относительно простым арифметико-логическим преобразованиям. В статье обосновывается целесообразность использования этого метода для расчета надежности электронных компонентов. Метод Монте-Карло вычисляет статистическое ожидание распределения надежности, таким образом, поскольку надежность каждого компонента системы моделируется с использованием распределений вероятностей, представляющих частоту отказов компонентов, метод Монте-Карло будет точно моделировать надежность системы, независимо от сложности распределения. Кроме того, Б. Корверд оказывает, что результаты расчетов с применением этого метода для модели с частотой отказов совпадают с расчетами с помощью аналитических методов. Данный метод подходит для случаев, когда невозможно разработать точную модель. Учитывая все вышесказанное и тот факт, что целью работы является расчет надежности компонента без экспериментальных измерений его параметров, этот метод является оптимальным.
3.2 Метод Монте-Карло
При моделировании с использованием группы методов Монте-Карло в качестве входных данных используют математические модели системы, информацию об источниках неопределенности. Входные данные представляют собой случайные переменные с коэффициентами вариации в зависимости от уровня неопределенности [21].
Процесса анализа имеет следующую структуру:
Определение наиболее адекватной системе математической модели, отражающей поведение исследуемой системы.
Генерация псевдослучайного набора чисел (базовой случайной величины), неоднократное тестирование выбранной модели с использованием реализаций набора с целью получения выходных данных (имитация системы); если требуется промоделировать стохастического воздействия на систему, модель представляет собой уравнение, отражающее взаимосвязь между входными параметрами и результатом. Значения входных данных берутся из соответствующих распределений вероятности, которые отражают характер неопределенности этих параметров.
Обработка полученных результатов статистическими методами с целью получения выходного набора данных (СКО, математическое ожидание, доверительные интервалы).
Имитационное моделирование методом Монте-Карло имеет следующие преимущества [21]:
метод применим при любом виде распределения, в том числе эмпирическом распределении;
модели являются относительно простыми для разработки, и их можно расширять по мере возникновения необходимости;
метод позволяет учитывать любые воздействия на систему, в том числе незначительные;
четко прослеживается связь между входными и выходными данными;
можно оценить точность полученного результата;
реализуется с помощью доступного программного обеспечения.
Данный метод имеет следующие недостатки [21]:
сильная зависимость точности метода от количества проведенных испытаний (нивелируется с ростом быстродействия ЭВМ);
сильная зависимость от точности описания неопределенности выбранным распределением;
объемные и сложные модели могут представлять трудности для специалистов по моделированию;
возможно игнорирование маловероятных событий, оказывающих сильное влияние на систему, поэтому возможен пропуск риска при анализе;
трудности при выборе оптимального числа испытаний, то есть объема выборки, необходимых для обеспечения решения задачи с заданной точностью. По экспериментальным данным, квадрат точности расчетов примерно пропорционален объему выборки [19].
3.3 Базовая случайная величина
Базовая случайная величина (БСВ) - непрерывная случайная величина x, равномерно распределенная на интервале [0; 1]. БСВ имеет следующие функциональные и числовые характеристики [19]:
* функция распределения (16)
(16)
где а - любое действительное число.
* плотность распределения (17)
(17)
где а - любое действительное число.
* математическое ожидание (18)
(18)
где х - случайная величина.
* дисперсия (19)
(19)
где х - случайная величина, м - математическое ожидание.
БСВ моделируются на ЭВМ с помощью программных датчиков БСВ. Датчик БСВ - программа, выдающая по запросу одно случайное значение БСВ - реализацию БСВ x ? [0; 1] [17]. Путём многократного обращения к датчику БСВ получают выборку независимых случайных значений x1, x2, x3, … , xn- реализацию БСВ.
Программный датчик БСВ обычно вычисляет значения xn по какой-либо рекуррентной формуле вида (20) при заданном стартовом значении x0 [17].
(20)
Заданное значение x0 полностью определяет посредством формулы (20) всю последовательность x1, x2, x3, …, поэтому величину x на выходе датчика БСВ называют псевдослучайной величиной.
4. Аналитический расчёт параметров модели
Расчёты выполнялись в математическом программном пакете MathCad.
В качестве тестового примера рассмотрим транзистор биполярный кремниевый малой мощности 2Т117А. Это кремниевый эпитаксиально-планарный однопереходный транзистор с базой n-типа, предназначенный для работы в схемах запуска различных электронных устройств аппаратуры специального назначения. [22]. Выпускается в металлостеклянном корпусе с гибкими выводами (Рис.3).
Рис. 3 - Транзистор ТТЗ.365.000ТУ
Для определённости примем, что резистор работает в предельно допустимом режиме в течение Тс.с (нагрузка по напряжения S=100%); приёмка - «5» (ВП); группа эксплуатации - 1.1; функциональный режим работы - малошумящие приборы; рабочая температура (t?) =60?С; отношение рабочей мощности (Р) к номинальной мощности (Рн) = 0,7.
Согласно [14], резистор имеет следующие характеристики надёжности:
Минимальная наработка Тн.м. = 80 * 103 ч (во всех режимах по ТУ)
Гамма-процентный ресурс Трг = 160 * 103 ч (во всех режимах по ТУ, г = 95%)
Минимальный срок сохраняемости Тхр.m = 25 лет
Базовая интенсивность отказов лб = 0,044* 10-61/ч
Коэффициент режима в зависимости от электрической нагрузки и температуры окружающей среды или корпуса Кр = 0,7619
Коэффициент, учитывающий функциональное назначение прибораКф=15
Коэффициент, учитывающий величину рабочего напряжения относительно максимально допустимого по ТУ КS=3
Коэффициент жесткости условий эксплуатации Кэ=1
Коэффициент приемки Кпр = 1
Коэффициент, учитывающий зависимость от температуры окружающей среды Кt.x= 1,58
Значение эксплуатационной интенсивности отказов лэ для резисторов постоянных непроволочных металлодиэлектрических рассчитывается по модели вида (3*) [14].
(3*)
где лб- базовая интенсивность отказов; Кр- коэффициент режима; КR-коэффициент номинального сопротивления; КМ- коэффициент номинальной мощности; Кстаб- коэффициент допуска; Кэ - коэффициент условий эксплуатации; Кпр- коэффициент приемки.
С учётом принятых условий, эксплуатационная интенсивность отказов равна:
Согласно формуле (5), коэффициент вариации равен:
Математическое ожидание по формуле (6):
Согласно формуле (7), среднеквадратическое отклонение равно:
По формуле (4) Тхр.max равно:
Согласно (9) рассчитаем Тож.max:
По формуле (10) найдем Tрmах:
Так как закон распределения нормальный и усечен в пределах ±3,09*у, в расчеты (11) добавляется коэффициент С, равный 1,002.
По формуле (11) найдем Тл:
Найдем х2 по формуле (12):
Найдем ч по формуле (14):
Найдем х3 по формуле (13):
х3= 1, так как ч> 3,09
Согласно (8), Тс.с. = Тр.max.
5. Разработка программы и алгоритма
5.1 Спецификация интерфейса
Количество форм в приложении
Форма 1 - Стартовая страница
Форма 2-Работа со временем по заданной модели
Описание полей на форме
На Рис. 4 представлен интерфейс стартовой страницы, в которой можно ввести справочные данные электронного компонента (8 полей ввода), запустить построение модели, графиков и расчет компонентов (кнопка «Построить графики», 3 поля вывода графической информации), также в форме отображается информация о средней наработке на отказ и сроке службы. После построения и проведения расчетов появляется кнопка «Работа со временем».
Рис. 4 - Стартовая страница
На Рис. 5 представлено всплывающее окно с рассчитанными характеристиками надёжности (появляется после нажатия на кнопку «Построить графики»).
Рис. 5 - Результаты расчетов программы
На Рис. 6 представлен интерфейс формы работы со временем, где можно ввести значение времени в часах для расчёта вероятности отказа в этот момент (кнопка «Расчет»).
Рис. 6 - Вероятность отказа для заданного времени
Перечень компонентов на формах, их назначение и формат
Форма 1
label1, label2, label3, label5, label6, label7, label9, label10 - для описания полей ввода входных параметров модели, формата их ввода;
label4, label8 -для обозначения выходных параметров («срок службы», «средняя наработка на отказ»);
textBox1, textBox2, textBox3, textBox4, textBox5, textBox6, textBox7, textBox8 - дляввода числовых входных значений;
button1 - для проверки введенных данных (MessageBox в случае ошибки), начала расчетов, вывода окна с посчитанными параметрами (MessageBox), построения графиков;
button2 - для перехода в Форму 2;
chart1, chart2, chart3 - поля для построения выходных графиков.
Форма 2
label1 - текстовое поле для обозначения поля ввода данных (время);
label2 - для вывода результатов расчета;
textBox1 - поле ввода данных;
button1 - кнопка запуска расчетов
5.2 Состав программы
Типы данных: double, int, uint, классы (FailureModel, Model, Random, Chart) - класс памяти auto.
Состав программы приведен на Рис. 7.
Рис. 7 - Состав программы
Как видно из Рис.7, в состав программы входят модули ввода данных, модуль обработки введенных данных, модуль расчета, модуль статистической обработки данных, модуль вывода графической информации, модуль вывода данных.
5.3 Описание алгоритма
Блоки алгоритма 1-5 - блоки ввода исходных данных, проверка корректности ввода и инициализации табличных параметров надежности (модуль ввода и формирования данных).
Блоки 6-13 - реализация решения уравнения (11) методом дихотомии, расчет точки смены распределений. Нормальное и экспоненциальное распределения задаются согласно формуле (1) (модуль расчета).
Блоки 14-17 - нахождение граничных условий (х2, х3) модели отказов (2) (модуль расчета).
Блоки 18-28 - моделирование методом Монте-Карло согласно модели (2) (генерация БСВ, формирование массива реализаций наработок, статистическая обработка данных) (модуль расчета).
Блоки 29-42 - статистическая обработка результатов, вычисление плотности вероятности, функции распределения, интенсивности отказов, средней наработки на отказ (модуль статистической обработки данных).
Блоки 29, 33, 41 - вывод гистограмм (модуль вывода графической информации).
Генерация БСВ осуществляется с помощью встроенного метода Random.NextDouble().
Для решения уравнения (11) использован метод бисекции (дихотомии).
Метод бисекции, или деления пополам, позволяет найти численное решение уравнение с одной переменной. Среди всех численных методов является наиболее простым для решения трансцендентных уравнений. Метод дихотомии используется для нахождения корней полиномиального уравнения. В основе метода лежит теорема Больцано-Коши, согласно которой непрерывная функция, определенная на вещественном интервале, принимает любое значение в интервале, если на границах интервала принимает два значения. С каждой итерацией сужается в два раза интервал, в котором лежит корень уравнения, если функция в граничных точках интервала принимает значения разных знаков, согласно теореме о промежуточном значении, существует точка х, принадлежащая интервалу, в которой функция обращается в ноль [23].
В формуле (2) F-1(x) реализована с помощью встроенного метода обратной формулы нормального распределения InverseNormalDistribution, который накладывает ограничение: метод не работает, если аргумент превышает значение 0,9998, поэтому дополнительно прописано условие для обработки значений, превосходящих это пороговое число: для всех случаев в качестве аргумента подается граничное значение [24].
При группировки данных выборки использовано правило Стёрджеса, согласно которому число интервалов определяется из уравнения (21), ширина интервала - по формуле (22)[25].
(21)
где n - размер выборки
(22)
где k- количество интервалов, xmax, xmin-правая и левая границы интервала.
Для аппроксимации гистограмм (построения полигонов) использована встроенный метод интерполяции сплайнами SeriesChartType.Spline.
5.4 Описание тестов
Тесты предназначены для проверки входных параметров и выявления их корректности, проверки граничных условий модели.
а) Тест на исключение пустого ввода/ввода неподходящих символов (специальных знаков, букв, если другое оговорено) -программа сообщит об ошибке при вводе одной из таких комбинаций путем вывода сообщения в MessageBoxc текстом, содержащим информацию, в каком поле не удалось распознать данные. Работает в обеих формах.
б) При введении значения времени, превышающего срок службы, выводится сообщение в MessageBox с текстом, оповещающем об этом пользователя (Рис.8)
Рис. 8 - Превышение срока службы
в) Вероятность отказа для времени, не превышающего минимальную наработку, равна нулю. (Рис.9)
Рис. 9 - Время работы, не превышающее минимальную наработку
6. Программный расчет характеристик надежности
Для выбранного в качестве тестового примера компонента построим модель надежности. Количество имитаций методом Монте-Карло - 400000.
Посчитанные характеристики представлены на Рис. 10.
Рис. 10 - Характеристики надежности
На Рис. 11 представлены плотность вероятности, функция отказов и интенсивность отказов данного компонента по результатам моделирования, рассчитанные срок службы и средняя наработка на отказ.
Рис. 11 - Статистические характеристики
Полученные численные результаты совпадают с результатами аналитического расчета, кривая интенсивности отказов имеет характерный вид.
Заключение
В результате работы была создана программа на языке С#, позволяющая на основании справочных данных, а также данных, полученных из технических характеристик электронного компонента, получать сведения об основных параметрах надежности: средняя наработка до отказа, интенсивность отказа, вероятность отказа, максимальный срок сохраняемости, максимальный срок хранения, максимальный ресурс.
В графическом виде представляются следующие характеристики: интенсивность отказов, вероятность отказов, плотность вероятности. Предусмотрена возможность нахождения вероятности отказов в конкретный момент времени по ранее построенной математической модели. В качестве функций распределения использованы усеченные функции нормального и экспоненциального распределений.
Моделирование выполнено на базе метода имитационного моделирования Монте-Карло, позволяющего строить модели в условиях неопределенности, что подходит для прогнозирования на ранних этапах проектирования. Полученные тестовые результаты совпадают с аналитическим расчетом модели.
Список литературы
1. Adithya Thaduri. Physics-of-Failure Based Performance Modeling of Critical Electronic Components, PhD. thesis. LuleеUniversityofTechnology, Luleе, Sweden, 2013. 208 p.
2. Боровиков С.М. Расчет показателей надежности радиоэлектронных средств: учеб.-метод.пособие/ С.М.Боровиков, И.Н. Цырельчук, Ф.Д. Троян; под. ред. С.М. Боровикова. - Минск: БГУИР, 2010. - 68 с.: ил.
3. ГОСТ 27.002-2015. Межгосударственный стандарт. Надежность в технике. Термины и определения. - Введ. 01.03.2017. - М.: Стандартинформ, 2016. - IV, 23 с.
4. ГОСТ 27.005-97. Межгосударственный стандарт. Надежность в технике. Моделиотказов. Основныеположения. - Введ. 01.10.2005. - Минск: БелГИСС, 2005. - III, 44 с.
5. M. Artyukhova, S. Polesskiy, V. Zhadnov. Current Approaches to Analysis of the Project Reliability of Electronic Devices of Cyclic Use. Reliability: Theory&Applications, 2015. vol. 10. no. 3. pp. 20-31.
6. Атапин В.Г. Основы теории надёжности: учебное пособие - Новосибирск: Изд-во НГТУ, 2017, - 94с.
7. ГОСТ 27.301-95. Межгосударственный стандарт. Надежность в технике. Расчет надежности. Основные положения. Введ. 01.01.97. - М.: ИПК Изд-во стандартов, 1996. - III, 15 с.
8. Острейковский В. А. Теория надежности. Учебник для вузов. - М.: Высшая школа 2008.
9. Шишкин И.Ф. Метрология, стандартизация и управление качеством: Учеб. для вузов/Под ред. акад. Н.С. Соломенко. - М.: Изд-во стандартов, 1990 - 342 с.
10. ОСТ В 4Г 012.241-84. Отраслевой стандарт. Аппаратура радиоэлектронная. Методы расчета показателей надежности в режимах хранения и ожидания и определения продолжительности испытаний, имитирующих длительное хранение. - Введ. 01.01.86. - М., 1985. - 45 с.
11. ОСТ 4Г 0.012.242-84. Отраслевой стандарт. Аппаратура радиоэлектронная. Методика расчета показателей надежности. - Введ. 01.01.86. - М.: ВНИИ, 1985. - 49 с.
12. ОСТ 4.012.013-84. Отраслевой стандарт. Аппаратура радиоэлектронная. Определение показателей долговечности. - Введ. 01.07.85. - М.: ВНИИ, 1985. - 14 с.
13. Жаднов В.В. Модель отказов электронных компонентов для расчета надежности // Изд. вузов. Электроника. - 2018. - Т. 23. - № 4. - С. 353-361. DOI: 10.24151/1561-5405-2018-23-4-353-361
14. Надёжность ЭРИ: Справочник. - М.: МО РФ, 2006. - 641 с.
15. What Is C# Language, Advantages & Features Of C# Language. - URL: https://www.codexoxo.com/advantages-c-sharp-language/ (дата обращения: 17.03.2020).
16. Лобач В. И. Имитационное и статистическое моделирование: Практикум для студентов мат. и экон. спец. / В.И. Лобач, В.П. Кирлица, В.И. Малюгин, С. Н. Сталевская. - Мн.: БГУ, 2004.- 189 с.
17. В. Н. Задорожный. Имитационное и статистическое моделирование: учеб. пособие - 2-е изд., испр. и доп. - Омск: Изд-во ОмГТУ, 2013 - 136 с.
18. Статистическое моделирование систем на ЭВМ. - URL: https://studme.org/86700/informatika/statisticheskoe_modelirovanie_sistem (дата обращения 3.03.2020).
19. Мухин О.И. Моделирование систем. Электронный учебник. Часть 1. Пермь, 1999.
20. Brian Korver. The Monte Carlo Method and Software Reliability Theory. TR 94-1 1994. 27p.
21. Имитационное моделирование методом Монте-Карло. - URL: https://metrology.com.ua/menedzhment-riska/opisanie-metodov-otsenki-riskov/imitatsionnoe-modelirovanie-metodom-monte-karlo/ (дата обращения 18.02.2020).
22. 2T117A транзисторы биполярные кремниевые, характеристики. - URL: https://eandc.ru/catalog/detail.php?ID=1648 (дата обращения: 20.04.2020).
23. Bisection Method - Definition, Procedure and Example. - URL: https://byjus.com/maths/bisection-method/ (дата обращения: 10.05.2020).
24. Jefferey Richter. CLR via C#. Paperback, Third Edition, 873 pages. 2010.
25. Rob J. Hyndman. The problem with Sturges' rule for constructing histograms. - URL: https://robjhyndman.com/papers/sturges.pdf (дата обращения: 15.04.2020).
Приложение
Листинг программы
usingSystem;
usingSystem.Web.UI.DataVisualization.Charting;
namespaceWorkWirhForm
{
publicclassFailureModel
{
privatedouble _lambdaB;//базовая интенсивность отказов в режиме работы
privatedouble _resourceRY;//95-процентный ресурс (измеряется в часах)
privatedouble _resourceNM; //минимальная наработка (измеряется в часах)
privatedouble _resourceHrM;//минимальный срок сохраняемости (измеряется в годах)
privatedouble _coefficientTX;
privatedouble _coefficientE;
privatedouble[] _coefficients;
//переменные для расчета площади
privatedouble[] _column;
privatedouble[] _area;
privatedouble[] _ratio;
privatedouble _step;
privatedouble _sumTime;
publicdoubleLambdaE { get; }//Интенсивностьотказовврежимеработы
publicdoubleCoefficientV { get; }//Коэффициентвариации
publicdoubleExpectedValue { get; }//мат. ожидание
publicdouble Variance { get; }//дисперсия
publicdoubleResourceRMax { get; }// Максимальныйресурс
publicdoubleResourceLambda { get; }//значение для перехода от экспоненциального распределения к нормальному
publicdouble X1 { get; }//значение x2
publicdoubleResourceHrMax { get; } // максимальныйсроксохраняемости
publicdoubleResourceOzhMax { get; }//максимальныйсрокхранения
publicdoubleCoefficientX { get; }//коэффициентдляопределения x3
publicdouble X2 { get; }//значение x3
publicFailureModel(doublelambdaB, doubleresourceRY, doubleresourceNM, doubleresourceHrM, doublecoefficientTX, doublecoefficientE, paramsdouble[] coefficients)
{
//объявление значений из конструктора
_lambdaB = lambdaB;
_resourceRY = resourceRY;
_resourceNM = resourceNM;
_resourceHrM = resourceHrM;
_coefficientTX = coefficientTX;
_coefficientE = coefficientE;
_coefficients = coefficients;
//запись значений, расчет в методах
LambdaE = SetLambdaE();
CoefficientV = SetKoefitsentV();
ExpectedValue = SetExpectedValue();
Variance = SetVariance();
ResourceRMax = SetResourceRMax();
ResourceLambda = SetResourceLambda();
X1 = SetX1();
ResourceHrMax = SetResourceHrMax();
ResourceOzhMax = SetResourceOzhMax();
CoefficientX = SetCoefficientX();
X2 = SetX2();
}
//формулы
privatedoubleSetLambdaE()
{
double sum = _lambdaB;
foreach (var item in _coefficients)
sum *= item;
return sum;
}
privatedoubleSetKoefitsentV() =>
(_resourceRY - _resourceNM) / (-1.645 * _resourceNM - (-3.09) * _resourceRY);
privatedoubleSetExpectedValue() =>
_resourceRY / (1 + CoefficientV * (-1.645));
privatedoubleSetVariance() =>
CoefficientV * ExpectedValue;
privatedoubleSetResourceRMax() =>
(1 + CoefficientV * 3.09) * ExpectedValue;
privatedoubleSetResourceLambda()
{
double accuracy = 1e-8;//точность
double min = _resourceNM;
double max = ResourceRMax;
double x = 0;
while (max - min>accuracy)
{
//Середина интервала.
x = (min + max) / 2;
// Новый интервал, в котором функция меняет знак.
if (F(max) * F(x) < 0)
min = x;
else
max = x;
}
return x;
}
//функция, которую нужно посчитать, преобразованная для удобства
publicdouble F(double x)=>
0.5 - Math.Exp(-LambdaE * (x - _resourceNM)) - 1.002/ 2 * Erf((x - ExpectedValue) / (Variance * Math.Sqrt(2)));
//реализация Erf
privatedouble Erf(double x)
{
// constants
double a1 = 0.254829592;
double a2 = -0.284496736;
double a3 = 1.421413741;
double a4 = -1.453152027;
double a5 = 1.061405429;
double p = 0.3275911;
// Save the sign of x
int sign = 1;
if (x < 0)
sign = -1;
x = Math.Abs(x);
double t = 1.0 / (1.0 + p * x);
double y = 1.0 - (((((a5 * t + a4) * t) + a3) * t + a2) * t + a1) * t * Math.Exp(-x * x);
return sign * y;
}
privatedouble SetX1() =>
1-Math.Exp(-LambdaE * (ResourceLambda - _resourceNM));
privatedoubleSetResourceHrMax() =>
(1 + CoefficientV * 3.09) / (1 - CoefficientV * 3.09) * _resourceHrM * 24 * 365;
privatedoubleSetResourceOzhMax() =>
ResourceHrMax / (_coefficientTX * _coefficientE);
privatedoubleSetCoefficientX() =>
(ResourceOzhMax / ExpectedValue - 1) / CoefficientV;
privatedouble SetX2()
{
if (CoefficientX> 3.09)
return 1;
else
return F(CoefficientX);
}
privatedoubleGetRealValue(double x)
{
if (x <= 0.001)
return _resourceNM;
if (0.001 < x && x <= X1)
return -Math.Log(1 - x) / LambdaE + _resourceNM;
if (X1 < x && x <= X2)
{
if (x > 0.9999)
return (new Chart()).DataManipulator.Statistics.InverseNormalDistribution(0.9998) * Variance + ExpectedValue;
return (new Chart()).DataManipulator.Statistics.InverseNormalDistribution(x) * Variance + ExpectedValue;
}
returndouble.MaxValue;
}
//первый
publicdouble[] GetFirstPoints(uint N, outdouble step)
{
Random rnd = new Random();
_column = newdouble[2+(int)Math.Log(N,2)];
step = ResourceRMax /( _column.Length-1);
uint mistake = 0;
_step = step;
for (inti = 0; i< N; i++)
{
double z = GetRealValue(rnd.NextDouble());
if (z >ResourceRMax)
{
mistake++;
continue;
}
_sumTime += z;
_column[1+(int)(z / step)]++;
}
//нормировка
for (inti = 0; i< _column.Length; i++)
{
_column[i] /= (N-mistake);
}
return _column;
}
//второй график
publicdouble[] GetSecondPoints()
{
_area = newdouble[_column.Length];
for (inti = 1; i< _column.Length; i++)
{
_area[i] = _column[i] + _area[i - 1];
}
return _area;
}
//третий график
publicdouble[] GetThirdPoints()
{
_ratio = newdouble[_column.Length-1];
for (inti = 0; i<_column.Length-1; i++)
{
_ratio[i] = _column[i] / (1 - _area[i]);
}
return _ratio;
}
publicdouble GetZ1(uint t) =>
_area[(int)(t / _step)];
publicdoubleGetAvarageTime(uint n) =>
_sumTime / n;
}
}
namespaceWorkWirhForm
{
publicpartialclassModel: Form
{
privateFailureModel _model;
publicModel()
{
InitializeComponent();
}
privatevoid PlotChart1(double[] points, int step, string line, Chart chart, string legend, stringtextX, stringtextY)
{
ChartArea area = newChartArea(line);
if (chart.ChartAreas.IsUniqueName(line))
{
chart.ChartAreas.Add(area);
chart.ChartAreas[1].AxisX.Title = textX;
chart.ChartAreas[1].AxisY.Title = textY;
chart.Titles.Add(legend);
}
else
chart.Series.Clear();
Series series1 = new Series();
series1.ChartType = SeriesChartType.Spline;
series1.ChartArea = line;
for (inti = 0; i<points.Length; i++)
series1.Points.AddXY(i * step, points[i]);
chart.Series.Add(series1);
chart.ChartAreas[1].AxisX.Minimum = 0;//чтобыотсчетначиналсяс 0
}
privatevoid button1_Click(object sender, EventArgs e)
{
if (!double.TryParse(textBox1.Text, outdoublelambdaB))
{ MessageBox.Show("неверныйформатlambdaB"); return; }
if (!double.TryParse(textBox2.Text, outdoubleresourceRY))
{ MessageBox.Show("неверныйформатresourceRY"); return; }
if (!double.TryParse(textBox3.Text, outdoubleresourceNM))
{ MessageBox.Show("неверныйформатresourceNM"); return; }
if (!double.TryParse(textBox4.Text, outdoubleresourceHrM))
{ MessageBox.Show("неверныйформатдляresourceHrM"); return; }
if (!double.TryParse(textBox7.Text, outdoublecoefficenT))
{ MessageBox.Show("неверныйформатcoefficenTн"); return; }
if (!uint.TryParse(textBox6.Text, outuint n))
{ MessageBox.Show("неверныйформат n"); return; }
var otherСoefficients = new List<double>();
try
{
string[] stringOtherСoefficients;
//удаление пробелов, разделение по ;
stringOtherСoefficients = textBox5.Text.Trim().Split(';');
foreach (var item instringOtherСoefficients)
otherСoefficients.Add(double.Parse(item));
}
catch
{
MessageBox.Show("неверныйформаткоэффициентов");
return;
}
// модель
_model = newFailureModel(lambdaB, resourceRY, resourceNM, resourceHrM, coefficenT, coefficenE, otherСoefficients.ToArray());
MessageBox.Show($"ЛямбдаЕ: {_model.LambdaE}\n" +
$"н: {_model.CoefficientV}\n" +
$"m: {_model.ExpectedValue}\n" +
$"у:{_model.Variance}\n" +
$"Tр.max: {_model.ResourceRMax}\n" +
$"Tл: {_model.ResourceLambda}\n" +
$"Tхр.max: {_model.ResourceHrMax}\n" +
$"Tож.max: {_model.ResourceOzhMax}\n" +
$"ч: {_model.CoefficientX}");
double step;
PlotChart1(_model.GetFirstPoints(n, out step), (int)step, "F1", chart1, "плотность распределения", "Время эксплуатации, ч", "f(x)");
PlotChart1(_model.GetSecondPoints(), (int)step, "F2", chart2, "вероятность отказов", "Времяэксплуатации, ч", "F(x)");
PlotChart1(_model.GetThirdPoints(), (int)step, "F3", chart3, "интенсивность отказов", "Время эксплуатации, ч", "лэ(x)");
label4.Text = "Tсс: " + _model.ResourceRMax + " ч ";
label8.Text = "Средняя наработка на отказ: " + _model.GetAvarageTime(n) + " ч ";
button2.Visible = true;
}
privatevoid button2_Click(object sender, EventArgs e) =>
new Form2(_model).Show();
}
}
namespaceWorkWirhForm
{
publicpartialclassForm2: Form
{
FailureModel _model;
publicForm2()
{
InitializeComponent();
}
publicForm2(FailureModel model)
{
InitializeComponent();
_model = model;
}
privatevoid button1_Click(object sender, EventArgs e)
{
if (!uint.TryParse(textBox1.Text, outuint t))
{ MessageBox.Show("Неверный формат введенных данных"); return; }
if (t > _model.ResourceRMax)
{ MessageBox.Show("Превышен срок службы, вероятность отказа 1");return; }
label2.Text = "Вероятность отказа:" + _model.GetZ1(t);
}
}
}
Размещено на Allbest.ru
Подобные документы
Технология сквозного проектирования. Разработка принципиальной электронной схемы устройства. Обоснование выбора цифровых электронных компонентов. Трёхмерное моделирование: разработка модели корпуса, 3D-печать. Разработка программы микроконтроллера.
дипломная работа [1,2 M], добавлен 22.08.2017Рассмотрение устройства простейшего проволочного тензорезистора. Изучение основных параметров микросхемы АЦП HX711. Выбор датчика, микропроцессора и дисплея. Разработка алгоритма работы программы, программы устройства и выбор языка программирования.
курсовая работа [1,5 M], добавлен 26.07.2022Понятие моделей источников цифровых сигналов. Программы схемотехнического моделирования цифровых устройств. Настройка параметров моделирования. Определение максимального быстродействия. Модели цифровых компонентов, основные методы их разработки.
курсовая работа [2,4 M], добавлен 12.11.2014Специфика проектирования системы автоматического управления газотурбинной электростанции. Проведение расчета ее структурной надежности. Обзор элементов, входящих в блоки САУ. Резервирование как способ повышения характеристик надежности технических систем.
дипломная работа [949,7 K], добавлен 28.10.2013Анализ зависимости качества работы компенсационного стабилизатора напряжения от разброса параметров электронных компонентов, входящих в его состав. Рассчет приемочного значения основного показателя надежности. Построение оперативной характеристики.
контрольная работа [61,8 K], добавлен 31.07.2010Сущность, основные показатели и понятия надежности. Коэффициенты надежности и методика их расчета. Расчёт количественных характеристик надёжности интегральных микросхем, среднего времени восстановления и коэффициента готовности системы автоматики.
контрольная работа [66,6 K], добавлен 05.04.2011Назначение, типы и аппроксимация характеристик цифровых и аналоговых фильтров. Разработка на языке MATLAB программы моделирования ФВЧ методом Баттерворта, построение графиков амплитудно- и фазо-частотной характеристик; построение Simulink – модели.
курсовая работа [883,8 K], добавлен 17.06.2011Разработка электрической схемы системы управления пуском и торможением двигателя. Обеспечение надежности электрооборудования на этапе проектирования автоматизированной системы управления. Повышение надежности АСУ и рабочей машины в целом. Реле времени.
курсовая работа [256,5 K], добавлен 18.04.2015Рассмотрение основ разработки электронного телефонного номеронабирателя. Ознакомление с правилами выбора микроконтроллера и вспомогательных элементов конструкции. Расчет токов и напряжений. Составление алгоритма; разработка программы и блока питания.
курсовая работа [953,4 K], добавлен 13.04.2014Назначение и состав блока преобразования кодов, схема управления им. Основные определения теории надежности, понятие безотказности. Расчет количественных характеристик критерия надежности конкретного изделия. Расчеты надежности при проектировании РЭА.
реферат [28,6 K], добавлен 11.12.2010
