Kesalahan pengukuran karena interferensi induksi dan kebisingan intrinsik perangkat elektronik, dijelaskan menggunakan teori matematika yang disebut " teori proses acak". Mari kita mengingat kembali konsep dasar teori ini, yang akan kita gunakan dalam presentasi lebih lanjut dan yang digunakan oleh GOST 8.009 [GOST] saat menormalkan komponen acak kesalahan pengukuran.
 ,
|
|
.
digunakan , . Demikian pula, energi tidak diukur 
, dan di 
.
;
,
.
, ditentukan dalam rentang frekuensi, koefisien “2” tidak boleh ada:
.
.
,
Dan 
menggunakan rumus mean aritmatika:
.
.
Saat meneliti pertanyaan ketergantungan atau kemandirian dua atau lebih penampang proses acak, pengetahuan hanya tentang ekspektasi matematis dan dispersi r.p. tidak cukup.
Untuk menentukan hubungan antara berbagai proses acak, digunakan konsep fungsi korelasi - analog dari konsep kovarians variabel acak (lihat T.8)
Korelasi (kovarians, autokovarians, autokorelasi) fungsi dari proses acak 
ditelepon
fungsi non-acak
dua argumen 
sama dengan momen korelasi dari bagian-bagian yang bersesuaian 
Dan 
:
atau (dengan mempertimbangkan penunjukan terpusat fungsi acak
) kita punya
Inilah yang utama sifat-sifat fungsi korelasi
proses acak 
.
1. Fungsi korelasi untuk nilai argumen yang sama sama dengan dispersi r.p. 
Benar-benar,
Properti yang terbukti memungkinkan seseorang untuk menghitung m.o. dan fungsi korelasi menjadi ciri utama proses acak, tidak perlu menghitung varians.
2. Fungsi korelasi tidak berubah sehubungan dengan penggantian argumen, mis. adalah fungsi simetris terhadap argumennya: .
Properti ini diturunkan langsung dari definisi fungsi korelasi.
3. Jika fungsi non-acak ditambahkan ke proses acak, maka fungsi korelasi tidak berubah, yaitu. Jika 
, Itu. Dengan kata lain
adalah fungsi periodik terhadap fungsi non-acak.
Memang dari mata rantai penalaran
itu mengikuti itu. Dari sini kita memperoleh properti yang dibutuhkan 3.
4. Modulus fungsi korelasi tidak melebihi hasil kali r.c.o., yaitu.
Pembuktian harta benda 4. dilakukan dengan cara yang sama seperti pada ayat 12.2. (Teorema 12..2), dengan memperhatikan sifat pertama fungsi korelasi r.p. 
.
5. Saat mengalikan s.p. 
oleh faktor non-acak 
fungsi korelasinya akan dikalikan dengan hasil kali 
, yaitu, jika 
, Itu
5.1. Fungsi korelasi yang dinormalisasi
Seiring dengan fungsi korelasi s.p. juga dipertimbangkan fungsi korelasi yang dinormalisasi(atau autokorelasifungsi)
didefinisikan oleh kesetaraan
.
Konsekuensi. Berdasarkan properti 1, persamaan berlaku
.
Berdasarkan maknanya 
mirip dengan koefisien korelasi untuk r.v., tetapi bukan merupakan nilai konstan, tetapi bergantung pada argumen 
Dan 
.
Mari kita daftar sifat-sifat fungsi korelasi yang dinormalisasi:
1.
2.
3.
.
Contoh 4. Biarkan s.p. ditentukan oleh rumus, yaitu 
s.v.,
didistribusikan menurut hukum normal dengan 
Temukan korelasi dan fungsi normalisasi dari proses acak 
Larutan. Secara definisi kita punya
itu. 
Dari sini, dengan memperhatikan definisi fungsi korelasi ternormalisasi dan hasil penyelesaian contoh sebelumnya, kita peroleh 
=1, yaitu 
.
5.2. Fungsi korelasi silang dari proses acak
Untuk menentukan tingkat ketergantungan bagian dua proses acak menggunakan fungsi tautan korelasi atau fungsi korelasi silang.
Fungsi korelasi silang dari dua proses acak 
Dan 
disebut fungsi non-acak 
dua argumen independen 
Dan 
, yang untuk setiap pasangan nilai 
Dan 
sama dengan momen korelasi dua bagian 
Dan 
Dua sp. 
Dan 
dipanggil tidak berkorelasi, jika fungsi korelasi timbal baliknya sama dengan nol, mis. jika ada 
Dan 
terjadi 
Jika untuk apa pun 
Dan 
ternyata 
, lalu proses acak 
Dan 
dipanggil berkorelasi(atau terkait).
Mari kita perhatikan sifat-sifat fungsi korelasi silang, yang diturunkan langsung dari definisinya dan sifat-sifat momen korelasi (lihat 12.2):
1. Ketika indeks dan argumen disusun ulang secara bersamaan, fungsi korelasi silang tidak berubah, yaitu
2. Modulus fungsi korelasi silang dari dua proses acak tidak melebihi produk simpangan bakunya, yaitu
3. Fungsi korelasi tidak akan berubah jika proses acak 
Dan 
menambahkan fungsi non-acak 
Dan 
karenanya, itu adalah 
, dimana masing-masing 
Dan 
4. Pengganda non-acak 
dapat diambil sebagai tanda korelasi, yaitu jika 
kemudian
5. Jika 
, Itu.
6. Jika proses acak 
Dan 
tidak berkorelasi, maka fungsi korelasi jumlah keduanya sama dengan jumlah fungsi korelasinya, yaitu.
Untuk menilai tingkat ketergantungan penampang dua s.p. juga digunakan fungsi korelasi silang yang dinormalisasi 
, ditentukan oleh persamaan:
Fungsi
mempunyai sifat yang sama dengan fungsinya
, tetapi properti 2
digantikan oleh pertidaksamaan ganda berikut 
, yaitu. modulus fungsi korelasi silang yang dinormalisasi tidak melebihi kesatuan.
Contoh 5. Temukan fungsi korelasi timbal balik dari dua r.p. 
Dan 
, Di mana 
variabel acak, sementara 
Larutan. Karena,.
Ekspektasi dan varians adalah karakteristik penting proses acak, tetapi mereka tidak memberikan gambaran yang cukup tentang karakter realisasi individu dari proses acak. Hal ini dapat dilihat dari Gambar. 9.3, yang menunjukkan implementasi dua proses acak, yang strukturnya sangat berbeda, meskipun ada
nilai ekspektasi dan varians matematis yang sama. Garis putus-putus pada Gambar. Gambar 9.3 menunjukkan nilai untuk proses acak.
Proses yang ditunjukkan pada Gambar. 9.3, a, dari satu bagian ke bagian lain berlangsung relatif lancar, dan proses pada Gambar. 9.3, b memiliki variabilitas yang kuat dari bagian ke bagian. Oleh karena itu, hubungan statistik antar bagian dalam kasus pertama lebih besar daripada yang kedua, tetapi hal ini tidak dapat ditentukan baik dengan ekspektasi matematis atau dengan dispersi.
Sampai batas tertentu mencirikan struktur internal proses acak, yaitu memperhitungkan hubungan antara nilai-nilai proses acak di berbagai momen waktu atau dengan kata lain untuk memperhitungkan derajat variabilitas proses acak, perlu diperkenalkan konsep fungsi korelasi (autokorelasi) dari proses acak.
Fungsi korelasi dari proses acak disebut fungsi non-acak dari dua argumen yang, untuk setiap pasangan nilai argumen yang dipilih secara sewenang-wenang (waktu instan), sama dengan ekspektasi matematis dari produk dua variabel acak dari bagian acak yang bersesuaian proses:
di mana kepadatan probabilitas dua dimensi; - proses acak terpusat; - harapan matematis(nilai rata-rata) dari proses acak.
Berbagai proses acak, bergantung pada bagaimana karakteristik statistiknya berubah seiring waktu, dibagi menjadi stasioner dan non-stasioner. Bagilah stasioneritas ke dalam dalam arti sempit dan stasioneritas di dalam arti luas.
Stasioner dalam arti sempit disebut proses acak jika fungsi distribusi n-dimensinya dan kepadatan probabilitasnya untuk suatu waktu tidak bergantung pada pergeseran semua titik
Sepanjang sumbu waktu ukuran yang sama yaitu
Ini berarti bahwa kedua proses mempunyai sifat statistik yang sama untuk setiap proses, yaitu karakteristik statistik dari proses acak stasioner adalah konstan sepanjang waktu.
Proses acak stasioner adalah sejenis analogi dari proses tunak sistem deterministik. Setiap proses transisi tidaklah stasioner.
Stasioner dalam arti luas adalah proses acak yang ekspektasi matematisnya konstan:
dan fungsi korelasi hanya bergantung pada satu variabel - perbedaan argumen, dan fungsi korelasi dilambangkan dengan
Proses-proses yang stasioner dalam arti sempit tentu saja stasioner dalam arti luas; namun, pernyataan sebaliknya, secara umum, salah.
Konsep proses acak, stasioner dalam arti luas, diperkenalkan ketika hanya ekspektasi matematis dan fungsi korelasi yang digunakan sebagai karakteristik statistik dari proses acak. Bagian dari teori proses acak yang menggambarkan sifat-sifat proses acak melalui ekspektasi matematis dan fungsi korelasinya disebut teori korelasi.
Untuk proses acak dengan hukum biasa distribusi, ekspektasi matematis dan fungsi korelasi sepenuhnya menentukan kepadatan probabilitas n-dimensinya.
Oleh karena itu, untuk proses acak normal, konsep stasioneritas dalam arti luas dan sempit adalah sama.
Teori proses stasioner telah dikembangkan sepenuhnya dan memungkinkan perhitungan yang relatif sederhana untuk banyak kasus praktis. Oleh karena itu, terkadang disarankan untuk membuat asumsi stasioneritas juga untuk kasus-kasus di mana proses acak, meskipun non-stasioner, selama periode operasi sistem, karakteristik statistik sinyal tidak memiliki waktu untuk berubah secara signifikan. Berikut ini, kecuali dinyatakan lain, akan dipertimbangkan proses acak yang stasioner dalam arti luas.
Ketika mempelajari proses acak yang stasioner dalam arti luas, kita dapat membatasi diri untuk hanya mempertimbangkan proses dengan ekspektasi matematis (nilai rata-rata) sama dengan nol, yaitu karena proses acak dengan ekspektasi matematis bukan nol direpresentasikan sebagai jumlah dari suatu proses dengan ekspektasi matematis nol dan nilai konstan non-acak ( reguler) yang sama dengan ekspektasi matematis dari proses ini (lihat di bawah § 9.6).
Ketika ekspresi untuk fungsi korelasi
Dalam teori proses acak, digunakan dua konsep nilai rata-rata. Konsep pertama tentang nilai rata-rata adalah nilai rata-rata pada suatu himpunan (atau ekspektasi matematis), yang ditentukan berdasarkan pengamatan terhadap himpunan realisasi suatu proses acak pada titik waktu yang sama. Nilai rata-rata pada suatu himpunan biasanya dilambangkan dengan garis bergelombang di atas ekspresi yang menjelaskan fungsi acak:
Secara umum, nilai rata-rata suatu himpunan merupakan fungsi waktu
Konsep lain dari nilai rata-rata adalah nilai rata-rata dari waktu ke waktu, yang ditentukan berdasarkan pengamatan terhadap pelaksanaan proses acak secara terpisah selama periode waktu tertentu.
waktu yang cukup lama T. Nilai rata-rata terhadap waktu ditunjukkan oleh garis lurus di atas ekspresi fungsi acak yang sesuai dan ditentukan oleh rumus:
jika batas ini ada.
Rata-rata waktu umumnya berbeda untuk realisasi individu dari himpunan yang menentukan proses acak. Secara umum, untuk proses acak yang sama, nilai rata-rata yang ditetapkan dan rata-rata waktu berbeda. Namun, ada kelas proses acak stasioner, yang disebut ergodik, yang rata-ratanya sama dengan rata-rata waktu, yaitu.
Fungsi korelasi dari proses acak stasioner ergodik menurun tanpa batas nilai absolutnya sebagai
Namun, harus diingat bahwa tidak setiap proses acak stasioner bersifat ergodik, misalnya proses acak yang setiap implementasinya konstan terhadap waktu (Gbr. 9.4) bersifat stasioner, tetapi tidak ergodik. Dalam hal ini, nilai rata-rata yang ditentukan dari satu implementasi dan dari pemrosesan beberapa implementasi tidak bersamaan. Dalam kasus umum, proses acak yang sama dapat menjadi ergodik pada beberapa kasus karakteristik statistik dan non-ergodik terhadap orang lain. Berikut ini, kita asumsikan bahwa kondisi ergodisitas terpenuhi terhadap semua karakteristik statistik.
Properti ergodisitasnya sangat besar signifikansi praktis. Untuk menentukan sifat statistik Beberapa objek, jika sulit untuk melakukan pengamatan secara simultan pada titik waktu yang dipilih secara sewenang-wenang (misalnya, jika ada satu prototipe), dapat diganti dengan pengamatan jangka panjang terhadap satu objek. Dengan kata lain, implementasi terpisah dari ergodic random
proses selama periode waktu yang tidak terbatas sepenuhnya menentukan seluruh proses acak dengan implementasinya yang tidak terbatas. Faktanya, fakta ini mendasari metode yang dijelaskan di bawah ini penentuan eksperimental fungsi korelasi dari proses acak stasioner menurut satu implementasi.
Seperti dapat dilihat dari (9.25), fungsi korelasi adalah nilai rata-rata pada himpunan. Untuk proses acak ergodik, fungsi korelasi dapat didefinisikan sebagai rata-rata waktu produk, yaitu
di mana ada implementasi proses acak; x adalah nilai rata-rata dari waktu ke waktu, ditentukan oleh (9.28).
Jika nilai rata-rata dari suatu proses acak adalah nol, maka
Berdasarkan sifat ergodisitasnya, seseorang dapat melakukan dispersi [lihat. (9.19)] didefinisikan sebagai rata-rata waktu kuadrat dari proses acak terpusat, yaitu.
Membandingkan ekspresi (9.30) dan (9.32) pada satu ekspresi dapat menghasilkan hasil yang sangat baik koneksi penting antara varians dan fungsi korelasi - varians dari proses acak stasioner sama dengan nilai awal fungsi korelasi:
Dari (9.33) jelas bahwa dispersi dari proses acak stasioner adalah konstan, dan oleh karena itu simpangan bakunya juga konstan:
Sifat statistik dari hubungan antara dua proses acak dapat dicirikan oleh fungsi korelasi timbal balik yang, untuk setiap pasangan nilai argumen yang dipilih secara sewenang-wenang, sama dengan
Untuk proses acak ergodik, alih-alih (9.35) kita dapat menulis
di mana masing-masing realisasi proses acak stasioner.
Fungsi korelasi silang mencirikan hubungan statistik timbal balik dari dua proses acak pada titik waktu berbeda, dipisahkan satu sama lain oleh jangka waktu tertentu. Nilai mencirikan hubungan ini pada titik waktu yang sama.
Dari (9.36) berikut ini
Jika proses acak tidak berhubungan secara statistik satu sama lain dan mempunyai sama dengan nol nilai rata-rata, maka fungsi korelasi silangnya untuk semua sama dengan nol. Namun keluaran terbalik bahwa jika fungsi korelasi silang sama dengan nol, maka proses-proses tersebut independen, hanya dapat dilakukan di dalam beberapa kasus(khususnya, untuk proses dengan hukum distribusi normal), kekuatan umum hukum terbalik tidak punya.
Perhatikan bahwa fungsi korelasi juga dapat dihitung untuk fungsi waktu non-acak (reguler). Namun jika kita berbicara tentang fungsi korelasi dari suatu fungsi beraturan, hal tersebut secara sederhana dipahami sebagai hasil dari suatu fungsi formal
menerapkan operasi pada fungsi reguler yang dinyatakan dengan integral:
Mari kita sajikan beberapa sifat dasar fungsi korelasi
1. Nilai awal fungsi korelasi [lihat (9.33)] sama dengan varians dari proses acak:
2. Nilai fungsi korelasi tidak boleh melebihi nilai apapun nilai awal, yaitu.
Untuk membuktikan hal ini, perhatikan ketimpangan yang jelas yang menjadi penyebabnya
Kami menemukan nilai rata-rata dari waktu ke waktu di kedua sisi pertidaksamaan terakhir:
Jadi, kita memperoleh pertidaksamaan
3. Terdapat fungsi korelasi bahkan berfungsi, yaitu.
Ini mengikuti definisi fungsi korelasi. Benar-benar,
oleh karena itu, pada grafik, fungsi korelasi selalu simetris terhadap ordinat.
4. Fungsi korelasi dari jumlah proses acak ditentukan oleh ekspresi
di mana fungsi korelasi silang
Benar-benar,
5. Fungsi korelasi nilai konstan sama dengan kuadrat dari nilai konstanta ini (Gbr. 9.5, a), yang mengikuti definisi fungsi korelasi:
6. Fungsi korelasi suatu fungsi periodik, misalnya adalah gelombang kosinus (Gbr. 9-5, 5), yaitu.
mempunyai frekuensi yang sama dan tidak bergantung pada pergeseran fasa
Untuk membuktikannya, perhatikan saat mencari fungsi korelasi fungsi periodik Anda dapat menggunakan persamaan berikut:
di mana periode fungsi tersebut
Persamaan terakhir diperoleh setelah mengganti integral dengan batas dari -T ke T di T dengan jumlah integral individu dengan batas dari ke , dimana dan menggunakan periodisitas integran.
Kemudian, dengan mempertimbangkan hal di atas, kita mendapatkan t.
7. Fungsi korelasi fungsi waktu diperluas menjadi deret Fourier:
Beras. 9.5 (lihat pemindaian)
berdasarkan hal di atas, memiliki bentuk sebagai berikut:
8. Fungsi korelasi khas dari proses acak stasioner memiliki bentuk yang ditunjukkan pada Gambar. 9.6. Hal ini dapat diperkirakan dengan ekspresi analitis berikut:
Dengan pertumbuhan, hubungan antara keduanya melemah dan fungsi korelasinya menjadi lebih kecil. Pada Gambar. 9.5, b, c tunjukkan, misalnya, dua fungsi korelasi dan dua realisasi proses acak yang bersesuaian. Sangat mudah untuk melihat bahwa fungsi korelasi berhubungan dengan proses acak dengan lebih banyak struktur halus, berkurang lebih cepat Dengan kata lain, semakin banyak frekuensi tinggi hadir dalam proses acak, semakin cepat fungsi korelasi yang bersangkutan menurun.
Terkadang terdapat fungsi korelasi yang dapat didekati dengan ekspresi analitis
dimana sebarannya; - parameter atenuasi; - frekuensi resonansi.
Fungsi korelasi jenis ini memiliki, misalnya, proses acak seperti turbulensi atmosfer, pemudaran sinyal radar, kedipan sudut suatu target, dll. Ekspresi (9.45) dan (9.46) sering digunakan untuk memperkirakan fungsi korelasi yang diperoleh sebagai hasil pemrosesan data eksperimen.
9. Fungsi korelasi dari proses acak Stasioner, yang ditumpangkan pada komponen periodik dengan frekuensi, juga akan memuat komponen periodik dengan frekuensi yang sama.
Keadaan ini dapat digunakan sebagai salah satu cara untuk mendeteksi “periodisitas tersembunyi” dalam proses acak, yang mungkin tidak terdeteksi pada pandangan pertama pada catatan individual dari implementasi proses acak.
Bentuk perkiraan fungsi korelasi suatu proses, selain komponen acak, juga komponen periodik, ditunjukkan pada Gambar. 9.7, yang menunjukkan fungsi korelasi yang berhubungan dengan komponen acak. Untuk mengidentifikasi komponen periodik yang tersembunyi (masalah ini muncul, misalnya, ketika mengidentifikasi sinyal kecil yang berguna dengan latar belakang noise besar), yang terbaik adalah menentukan fungsi korelasi untuk nilai-nilai besar Kapan sinyal acak sudah berkorelasi relatif lemah dan komponen acak mempunyai pengaruh yang kecil terhadap bentuk fungsi korelasi.
Interferensi dalam sistem komunikasi dijelaskan dengan metode teori proses acak.
Suatu fungsi disebut acak jika, sebagai hasil percobaan, ia mengambil satu atau lain bentuk, dan tidak diketahui sebelumnya yang mana. Proses acak adalah fungsi waktu yang acak. Tampilan spesifik, yang mengasumsikan adanya proses acak sebagai hasil percobaan, disebut realisasi proses acak.
Pada Gambar. Gambar 1.19 menunjukkan himpunan beberapa (tiga) implementasi proses acak , , . Kumpulan seperti itu disebut ansambel realisasi. Dengan nilai momen waktu yang tetap pada percobaan pertama kita memperoleh nilai tertentu, pada percobaan kedua - , pada percobaan ketiga - .
Proses acak bersifat ganda. Di satu sisi, dalam setiap eksperimen tertentu, implementasinya diwakili - fungsi waktu yang tidak acak. Di sisi lain, proses acak dijelaskan oleh sekumpulan variabel acak.
Memang, mari kita perhatikan suatu proses acak pada suatu titik waktu tertentu. Kemudian dalam setiap percobaan dibutuhkan satu nilai, dan tidak diketahui sebelumnya yang mana. Jadi, suatu proses acak yang dipertimbangkan pada suatu titik waktu tertentu adalah variabel acak. Jika dua momen waktu dan dicatat, maka pada setiap percobaan akan diperoleh dua nilai dan . Dalam hal ini, pertimbangan bersama atas nilai-nilai ini mengarah pada sistem dua variabel acak. Saat menganalisis proses acak pada N titik waktu, kita sampai pada himpunan atau sistem N variabel acak 
.
Ekspektasi matematis, dispersi dan fungsi korelasi dari suatu proses acak. Karena proses acak yang dianggap pada suatu titik waktu tertentu adalah variabel acak, kita dapat berbicara tentang ekspektasi matematis dan dispersi dari proses acak:
, .
Seperti halnya variabel acak, dispersi mencirikan penyebaran nilai suatu proses acak relatif terhadap nilai rata-rata. Semakin banyak, semakin besar kemungkinan positif dan sangat besar nilai-nilai negatif proses. Karakteristik yang lebih nyaman adalah rata-rata deviasi standar(RMS), yang memiliki dimensi yang sama dengan proses acak itu sendiri.
Jika suatu proses acak menggambarkan, misalnya, perubahan jarak suatu benda, maka ekspektasi matematisnya adalah kisaran rata-rata dalam meter; dispersi diukur dalam meter persegi, dan Sco diukur dalam meter dan mencirikan dispersi nilai yang mungkin kisaran relatif terhadap rata-rata.
Rata-rata dan varians adalah karakteristik yang sangat penting yang memungkinkan kita menilai perilaku proses acak pada titik waktu tertentu. Namun, jika diperlukan untuk memperkirakan “laju” perubahan dalam suatu proses, maka observasi pada satu titik waktu saja tidaklah cukup. Untuk tujuan ini, dua variabel acak digunakan, dipertimbangkan bersama. Seperti halnya variabel acak, karakteristik hubungan atau ketergantungan antara dan diperkenalkan. Untuk proses acak, karakteristik ini bergantung pada dua momen waktu dan disebut fungsi korelasi: .
Proses acak stasioner. Banyak proses dalam sistem kendali terjadi secara seragam sepanjang waktu. Karakteristik dasar mereka tidak berubah. Proses seperti ini disebut stasioner. Definisi pastinya dapat diberikan sebagai berikut. Suatu proses acak disebut stasioner jika salah satu darinya karakteristik probabilistik tidak bergantung pada pergeseran asal usul waktu. Untuk proses acak stasioner, ekspektasi matematis, varians, dan deviasi standar adalah konstan: , .
Fungsi korelasi proses stasioner tidak bergantung pada titik asal t, mis. hanya bergantung pada perbedaan waktu:
Fungsi korelasi dari proses acak stasioner memiliki sifat sebagai berikut:
1) 
; 2) ; 3) .
Seringkali fungsi korelasi proses dalam sistem komunikasi memiliki bentuk yang ditunjukkan pada Gambar. 1.20.
Beras. 1.20. Fungsi korelasi proses
Interval waktu di mana fungsi korelasi, mis. besarnya hubungan antara nilai-nilai suatu proses acak berkurang sebanyak M kali, yang disebut interval atau waktu korelasi dari proses acak tersebut. Biasanya atau . Kita dapat mengatakan bahwa nilai-nilai proses acak yang berbeda waktu dengan interval korelasi mempunyai hubungan lemah satu sama lain.
Dengan demikian, pengetahuan tentang fungsi korelasi memungkinkan seseorang untuk menilai laju perubahan suatu proses acak.
Karakteristik penting lainnya adalah spektrum energi dari proses acak. Ini didefinisikan sebagai transformasi Fourier dari fungsi korelasi:
.
Jelasnya, transformasi sebaliknya juga berlaku:
.
Spektrum energi menunjukkan distribusi daya dari suatu proses acak, misalnya interferensi, pada sumbu frekuensi.
Saat menganalisis ACS, sangat penting untuk menentukan karakteristik proses acak pada keluaran sistem linier dengan karakteristik proses yang diketahui pada masukan ACS. Mari kita asumsikan bahwa sistem linier diberikan oleh sistem berdenyut respons langkah. Kemudian sinyal keluaran pada saat tertentu ditentukan oleh integral Duhamel:
,
dimana proses pada input sistem. Untuk mencari fungsi korelasi, kita menulis 
dan setelah perkalian kita menemukan ekspektasi matematisnya
Subjek analisis korelasi adalah studi tentang ketergantungan probabilistik antara variabel acak.
Besaran-besaran dikatakan bebas jika hukum distribusi masing-masing besaran tersebut tidak bergantung pada nilai yang diasumsikan oleh besaran yang lain. Nilai-nilai tersebut dapat dipertimbangkan, misalnya, batas ketahanan material bagian dan koefisien konsentrasi tegangan teoritis di bagian berbahaya dari bagian tersebut.
Besaran berhubungan dengan ketergantungan probabilistik atau stokastik jika nilai yang diketahui Besaran yang satu tidak berhubungan dengan nilai tertentu, tetapi dengan hukum distribusi lainnya. Ketergantungan probabilistik terjadi ketika besaran tidak hanya bergantung pada faktor persekutuannya, tetapi juga pada berbagai faktor acak.
Informasi lengkap tentang hubungan probabilistik dua variabel acak diwakili oleh kepadatan distribusi gabungan f(x,y) atau kepadatan distribusi bersyarat f(x/y), f(y/x), yaitu kepadatan distribusi variabel acak X dan Y saat menentukan nilai tertentu pada Dan X masing-masing.
Kepadatan Sendi Dan kepadatan bersyarat distribusi dihubungkan oleh hubungan berikut:
Ciri utama ketergantungan probabilistik adalah momen korelasi dan koefisien korelasi.
Momen korelasi dua variabel acak X dan Y adalah ekspektasi matematis dari produk variabel acak terpusat:
untuk diskrit 
untuk terus menerus 
dimana m X dan m kamu– ekspektasi matematis terhadap nilai X dan Y; hal– kemungkinan nilai-nilai individu x saya Dan kamu aku.
Momen korelasi sekaligus mencirikan hubungan antara variabel acak dan hamburannya. Dalam hal dimensinya, ini sesuai dengan varians untuk variabel acak independen. Untuk menonjolkan ciri-ciri hubungan antar variabel acak, kita lanjutkan ke koefisien korelasi, yang mencirikan tingkat keeratan hubungan dan dapat bervariasi dalam kisaran -1 ≤ ρ ≤ 1.
;
dimana S x dan S kamu– simpangan baku variabel acak.
Nilai-nilai ρ = 1 dan ρ = –1 menunjukkan ketergantungan fungsional, nilai ρ = 0 menunjukkan bahwa variabel acak tidak berkorelasi
Pertimbangkan korelasi antara kuantitas dan antar peristiwa, serta korelasi ganda, mencirikan hubungan antara banyak besaran dan peristiwa.
Dengan analisis yang lebih rinci tentang hubungan probabilistik, ekspektasi matematis bersyarat dari variabel acak ditentukan m y/x Dan mx/tahun, yaitu ekspektasi matematis dari variabel acak Y dan X yang diberikan nilai-nilai tertentu X Dan pada masing-masing.
Ketergantungan ekspektasi matematis bersyarat kamu/x dari X disebut regresi Y pada X. Ketergantungan tx/u dari pada sesuai dengan regresi X pada Y.
Untuk biasa jumlah yang didistribusikan Y dan persamaan regresi X adalah:
untuk regresi Y pada X 
untuk regresi X pada Y 
Area penerapan analisis korelasi yang paling penting untuk masalah reliabilitas adalah pemrosesan dan generalisasi hasil observasi operasional. Hasil pengamatan variabel acak Y dan X diwakili oleh nilai berpasangan kamu aku, x aku aku-pengamatan, dimana saya=1, 2 . . . P; N– jumlah observasi.
Evaluasi R koefisien korelasi ρ ditentukan oleh rumus
Di mana ,
– perkiraan ekspektasi matematis tx Dan itu masing-masing, yaitu rata-rata N pengamatan nilai 
s x , s y- perkiraan deviasi standar Sx Dan S kamu demikian:
Setelah menetapkan estimasi ekspektasi matematis bersyarat t y/x, tx/y masing-masing melalui dan , persamaan regresi empiris kamu Oleh X Dan X Oleh Y ditulis dalam bentuk berikut:
Biasanya, hanya satu regresi yang memiliki nilai praktis.
Dengan koefisien korelasi r=1 persamaan regresinya identik.
Soal No. 63 Estimasi parameter statistik menggunakan interval kepercayaan
Jika nilai parameter yang diuji diperkirakan dengan satu angka, maka disebut nilai titik. Namun dalam sebagian besar masalah, Anda tidak hanya perlu menemukan yang paling dapat diandalkan nilai numerik, tetapi juga untuk menilai tingkat keandalan.
Anda perlu mengetahui kesalahan apa yang disebabkan oleh penggantian parameter yang sebenarnya A miliknya perkiraan titik; dengan tingkat keyakinan berapa seseorang dapat berharap bahwa kesalahan-kesalahan ini tidak akan melampaui batas-batas yang telah ditentukan sebelumnya.
Untuk tujuan ini di statistik matematika Mereka menggunakan apa yang disebut interval kepercayaan dan probabilitas kepercayaan.
Jika untuk parameternya A perkiraan tidak bias yang diperoleh dari pengalaman , dan tugas ditetapkan untuk mengevaluasi kemungkinan kesalahan, maka perlu untuk menetapkan beberapa kesalahan yang memadai probabilitas tinggiβ (misalnya β = 0,9; 0,95; 0,99, dll.), sehingga suatu peristiwa dengan probabilitas β dapat dianggap pasti secara praktis.
Dalam hal ini, seseorang dapat menemukan nilai ε yang mana P(| - A| < ε) = β.
Beras. 3.1.1 Diagram interval kepercayaan.
Dalam hal ini kisarannya hampir kemungkinan kesalahan timbul saat penggantian A tidak akan melebihi ± ε. Besar oleh nilai mutlak kesalahan hanya akan muncul dengan probabilitas rendah α = 1 – β. Suatu kejadian yang berlawanan dan tidak diketahui dengan probabilitas β akan berada dalam interval tersebut saya β= ( - ε; + ε). Probabilitas β dapat diartikan sebagai probabilitas suatu interval acak saya β akan membahas intinya A(Gbr. 3.1.1).
Probabilitas β biasanya disebut probabilitas kepercayaan, dan interval saya β biasa disebut interval kepercayaan. Pada Gambar. 3.1.1 interval kepercayaan simetris dipertimbangkan. Secara umum, persyaratan ini tidak bersifat wajib.
Interval kepercayaan nilai parameter A dapat dianggap sebagai interval nilai A, konsisten dengan data eksperimen dan tidak bertentangan.
Memilih probabilitas kepercayaanβ mendekati satu, kita ingin mempunyai keyakinan bahwa suatu peristiwa dengan probabilitas seperti itu akan terjadi jika serangkaian kondisi tertentu terpenuhi.
Hal ini setara dengan fakta bahwa kejadian sebaliknya tidak akan terjadi, yaitu kita mengabaikan peluang kejadian tersebut, sama dengan α = 1 – β. Mari kita tunjukkan bahwa tujuan dari batas dan probabilitas yang dapat diabaikan bukanlah tujuan masalah matematika. Tujuan dari batasan tersebut berada di luar teori probabilitas dan ditentukan di setiap bidang oleh tingkat tanggung jawab dan sifat masalah yang dipecahkan.
Tapi pendiriannya juga demikian stok besar kekuatan menyebabkan peningkatan biaya konstruksi yang tidak dapat dibenarkan dan besar.
65 Soal No. 65 Proses acak stasioner.
Fungsi acak stasioner adalah fungsi acak yang seluruh karakteristik probabilistiknya tidak bergantung pada argumen. Fungsi acak stasioner menggambarkan proses stasioner dari pengoperasian mesin, fungsi non-stasioner - proses yang tidak stasioner, khususnya transisi: mulai, berhenti, perubahan mode. Argumennya adalah waktu.
Kondisi stasioneritas untuk fungsi acak:
1. keteguhan ekspektasi matematis;
2. keteguhan dispersi;
3. Fungsi korelasi harus bergantung hanya pada perbedaan argumen, bukan pada nilainya.
Contoh proses acak stasioner meliputi: osilasi pesawat dalam penerbangan horizontal kondisi tunak; suara acak di radio, dll.
Setiap proses stasioner dapat dianggap berlanjut dalam waktu tanpa batas; selama penelitian, titik waktu mana pun dapat dipilih sebagai titik awal. Ketika mempelajari proses acak stasioner selama periode waktu tertentu, karakteristik yang sama harus diperoleh.
Fungsi korelasi dari proses acak stasioner adalah fungsi genap.
Efektif untuk proses acak stasioner analisis spektral, yaitu. pertimbangan dalam bentuk spektrum harmonik atau deret Fourier. Selain itu, fungsi kerapatan spektral dari fungsi acak diperkenalkan, yang mencirikan distribusi dispersi pada frekuensi spektral.
Penyebaran:
Fungsi korelasi:
K x (τ) = 
Sx() = 
Proses stasioner bisa bersifat ergodik dan non-ergodik. Ergodik - jika nilai rata-rata fungsi acak stasioner selama periode yang cukup lama kira-kira sama dengan nilai rata-rata untuk implementasi individu. Bagi mereka, karakteristik ditentukan sebagai rata-rata waktu.
Soal No. 66 Indikator keandalan objek teknis: tunggal, kompleks, terhitung, eksperimental, operasional, ekstrapolasi.
Indikator keandalan adalah karakteristik kuantitatif dari satu atau lebih sifat yang membentuk keandalan suatu objek.
Indikator keandalan tunggal adalah indikator keandalan yang mencirikan salah satu sifat yang membentuk keandalan suatu objek.
Indikator keandalan kompleks adalah indikator keandalan yang mencirikan beberapa sifat yang membentuk keandalan suatu objek.
Indikator reliabilitas terhitung merupakan indikator reliabilitas yang nilainya ditentukan dengan metode perhitungan.
Indikator eksperimental keandalan – indikator keandalan, poin atau estimasi interval yang ditentukan berdasarkan data uji.
Indikator keandalan operasional – indikator keandalan, yang estimasi titik atau intervalnya ditentukan berdasarkan data operasional.
Indikator keandalan yang diekstrapolasi – indikator keandalan, yang perkiraan titik atau intervalnya ditentukan berdasarkan hasil perhitungan, pengujian dan (atau) data operasional dengan melakukan ekstrapolasi ke durasi operasi lain dan kondisi pengoperasian lainnya.
Soal No. 68 Indikator keawetan benda teknis dan mobil.
Sumber daya persentase gamma adalah total waktu pengoperasian di mana objek tidak akan mencapai keadaan batas dengan probabilitas g, dinyatakan dalam persentase.
Sumber daya rata-rata– ekspektasi matematis dari sumber daya.
Masa pakai persentase gamma adalah durasi kalender operasi di mana objek tidak akan mencapai keadaan batas dengan probabilitas g, dinyatakan dalam persentase
Umur layanan rata-rata adalah ekspektasi matematis dari umur layanan.
Catatan. Saat menggunakan indikator daya tahan, titik awal dan jenis tindakan setelah permulaan keadaan batas harus ditunjukkan (misalnya, persentase umur gamma dari perombakan besar kedua hingga penghapusan). Indikator daya tahan, dihitung sejak fasilitas dioperasikan hingga penarikan terakhir dari operasi disebut persentase gamma sumber daya penuh (masa pakai), sumber daya penuh rata-rata (masa pakai)
71 71 Tugas dan metode memprediksi keandalan mobil
Ada tiga tahap peramalan: retrospeksi, diagnosis dan prognosis. Pada tahap pertama ditetapkan dinamika perubahan parameter mesin di masa lalu, pada tahap kedua ditentukan kondisi teknis elemen di masa sekarang; pada tahap ketiga, perubahan parameter keadaan elemen di masa depan diprediksi.
Tugas pokok peramalan keandalan mobil dapat dirumuskan sebagai berikut:
a) Memprediksi pola perubahan keandalan kendaraan sehubungan dengan prospek pengembangan produksi, pengenalan material baru, dan peningkatan kekuatan suku cadang.
b) Menilai keandalan kendaraan yang dirancang sebelum diproduksi. Tugas ini muncul pada tahap desain.
c) Memprediksi keandalan kendaraan tertentu (atau komponen atau rakitannya) berdasarkan hasil perubahan parameternya.
d) Prediksi keandalan suatu set mobil tertentu berdasarkan hasil studi terhadap sejumlah prototipe yang terbatas. Masalah seperti ini harus dihadapi pada tahap produksi.
e) Memprediksi keandalan kendaraan dalam kondisi pengoperasian yang tidak biasa (misalnya suhu dan kelembapan lingkungan lebih tinggi dari yang diperbolehkan, kondisi jalan yang sulit, dan sebagainya).
Metode untuk memprediksi keandalan kendaraan dipilih dengan mempertimbangkan tugas peramalan, kuantitas dan kualitas informasi awal, dan sifat proses nyata dalam mengubah indikator keandalan (parameter prediksi).
Metode modern peramalan dapat dibagi menjadi tiga kelompok utama: a) metode penilaian ahli; b) metode pemodelan, termasuk fisik, fisik dan matematika dan model informasi; c) metode statistik.
Metode peramalan berdasarkan penilaian ahli, terdiri dari generalisasi, pengolahan statistik dan analisis pendapat para ahli mengenai prospek pengembangan bidang ini.
Metode pemodelan didasarkan pada prinsip dasar teori kesamaan. Berdasarkan kesamaan indikator modifikasi A yang tingkat keandalannya telah dipelajari sebelumnya, dan beberapa sifat modifikasi B pada mobil atau komponen yang sama, maka indikator keandalan B diprediksi untuk jangka waktu tertentu.
Metode peramalan statistik didasarkan pada ekstrapolasi dan interpolasi parameter keandalan prediksi yang diperoleh sebagai hasilnya studi pendahuluan. Metode ini didasarkan pada pola perubahan parameter keandalan kendaraan dari waktu ke waktu
Soal No.74 Metode matematika peramalan. Konstruksi model matematika keandalan.
Saat memprediksi keandalan transmisi, model berikut dapat digunakan: 1) tautan “terlemah”; 2) sumber daya yang bergantung pada elemen-elemen bagian; 3) sumber daya independen elemen bagian. Sumber daya elemen ke-i ditentukan dari hubungan:
x saya = R saya /r saya ,
dimana R saya – nilai kuantitatif kriteria elemen ke-i di mana kegagalannya terjadi;
aku – nilai rata-rata peningkatan hitungan kriteria elemen ke-i per unit sumber daya.
Nilai R i dan r i dapat acak dengan hukum distribusi tertentu atau konstan.
Untuk opsi ketika R i konstan, dan r i adalah variabel dan memiliki hubungan fungsional dengan variabel acak yang sama, pertimbangkan situasi ketika hubungan fungsional linier diamati antara nilai r i, yang mengarah ke tautan "terlemah" model. Dalam hal ini, keandalan sistem berhubungan dengan keandalan tautan “terlemah”.
Model sumber daya dependen diimplementasikan dalam pembebanan sesuai skema, ketika terdapat variasi kondisi pengoperasian mesin produksi massal atau ketidakpastian kondisi pengoperasian mesin unik. Model sumber daya independen terjadi ketika pembebanan dilakukan sesuai dengan skema dengan kondisi operasi tertentu.
Ekspresi untuk menghitung keandalan suatu sistem dengan elemen sumber daya independen.
Soal No. 79 Skema pembebanan sistem, suku cadang dan elemen (menggunakan contoh transmisi).
Yang kami maksud dengan transmisi adalah penggerak mobil secara keseluruhan atau bagian yang terpisah dan agak rumit, yang karena satu dan lain hal perlu diisolasi. Beban pada transmisi ditentukan oleh komponen tenaga dan kecepatan. Komponen gaya dicirikan oleh torsi, dan komponen kecepatan dicirikan oleh kecepatan sudut rotasi, yang menentukan jumlah siklus pemuatan bagian transmisi atau kecepatan geser permukaan kontak.
Tergantung pada jenis bagiannya, skema torsi untuk mendapatkan beban bagian tersebut mungkin berbeda. Misalnya, beban pada roda gigi dan bantalan ditentukan nilai saat ini momen, dan poros untuk torsi - berdasarkan besarnya amplitudonya.
Berdasarkan kondisi operasinya, beban transmisi dapat disajikan dalam bentuk diagram berikut.
1. Setiap mode berhubungan dengan kurva distribusi satu dimensi.
2. Untuk setiap mode kita mempunyai n kurva distribusi satu dimensi (n adalah jumlah kondisi pengoperasian mesin). Probabilitas operasi pada masing-masing kondisi bersifat spesifik.
3. Untuk setiap mode kita punya satu distribusi bivariat nilai torsi saat ini dan rata-rata.
Skema 1 dapat digunakan untuk mesin yang diproduksi secara massal dengan kondisi pengoperasian yang persis sama atau untuk mesin unik dengan kondisi pengoperasian tertentu.
Skema 2 secara kualitatif tidak berbeda dengan Skema 1, namun, dalam beberapa kasus, untuk perhitungan disarankan agar setiap kondisi operasi berhubungan dengan kurva beban.
Skema 3 dapat mengkarakterisasi beban pada transmisi mesin unik, yang kondisi operasi spesifiknya tidak diketahui, tetapi rentang kondisinya diketahui.
82 Soal No.82 Pendekatan sistematis untuk memprediksi kehidupan bagian-bagian
Mobil harus dianggap sebagai sistem yang kompleks, dibentuk dari sudut pandang keandalan unit, bagian, dan elemen yang terhubung secara berurutan.
Sumber daya barang:
T saya = R saya /r saya ,
dimana R i adalah nilai kuantitatif dari kriteria keadaan batas elemen ke-i di mana kegagalannya terjadi;
g i - kenaikan rata-rata penilaian kuantitatif kriteria
batasi keadaan elemen ke-i per unit sumber daya.
R i dan r i bisa acak atau konstan dan mungkin terjadi
pilihan berikut:
1. R i - acak, r i - acak;
2. R i - acak, r i - konstan;
3. R i - konstan, r i - acak;
4. R i - konstanta, r i - konstanta.
Untuk tiga opsi pertama, kami menganggap R i sebagai variabel acak independen.
1.a) r i - mandiri
Keandalan sistem dianggap sebagai perkalian FBG
b) r i - acak dan terkait dengan probabilitas
f (ri / r j) = f (ri , r j)/ f (r j);
f (r j / r i) = f (ri, r j)/ f (ri).
Jika r i dan r j saling bergantung, maka sumber daya juga akan bergantung satu sama lain
teman dan model ketergantungan sumber daya elemen digunakan untuk perhitungan. Karena hubungannya bersifat probabilistik, maka digunakan metode fungsi bersyarat.
c) r i - acak dan terkait secara fungsional.
DI DALAM dalam hal ini jumlah bebas bergantung satu sama lain, dan sumber daya juga bergantung satu sama lain. Hanya karena ketergantungan fungsional, koneksi akan menjadi lebih kuat daripada kasus lainnya.
2. model sumber daya elemen independen.
FBR sistem sama dengan jumlah FBR seluruh elemen.
3. Kasus yang sama seperti pada 1 mungkin terjadi, hanya dalam kasus b) dan c) akan terjadi peningkatan sumber daya yang bergantung karena keteguhan R i. Dalam hal c) r i adalah sambungan fungsional,
situasi mungkin terjadi ketika model tautan "terlemah" diterapkan.
R 1 , R 2 – konstanta;
r 1,r 2 – acak;
r 1 = 1,5 ∙ r 2 ;
R 1 = T ∙ r 1 ;
R 2 = T ∙ r 2 ;
Jika, untuk dua nilai spesifik lainnya dari r 1, r 2,
rasio sumber daya yang sama T 1 >T 2, maka elemen 2 akan menjadi yang “terlemah”
tautan, yaitu itu menentukan keandalan sistem ini.
Penerapan model tautan terlemah:
Jika ada elemen dalam sistem yang kriteria R-nya jauh lebih kecil dari kriteria ini untuk semua elemen lainnya, dan semua elemen dibebani kira-kira sama;
Jika kriteria R untuk semua elemen kira-kira sama, dan pembebanan satu elemen jauh lebih tinggi daripada semua elemen lainnya.
Soal No.83 Penentuan masa pakai suku cadang (poros, atau roda gigi, atau bantalan unit transmisi) berdasarkan kondisi beban eksperimental.
Penentuan umur bantalan gelinding.
Untuk menentukan ketahanan bantalan gelinding unit transmisi dan sasis, perlu dilakukan beberapa jenis perhitungan: kekuatan statis, kelelahan kontak, dan keausan.
Model Kegagalan:
dimana f(R) adalah kepadatan distribusi sumber daya;
, – fungsi distribusi kepadatan dan sumber daya untuk jenis proses destruktif ke-i;
n – jumlah jenis perhitungan.
Paling luas menerima perhitungan bantalan gelinding untuk kelelahan kontak:
R = a p C d mρ Tidak 50 [β 
-1 ,
dimana C d – kapasitas beban dinamis;
No 50 – jumlah siklus kurva kelelahan yang sesuai dengan kemungkinan 50% tidak rusaknya bantalan di bawah beban C d;
m ρ – eksponen (bola = 3, roller = 3,33);
Frekuensi pembebanan bantalan saat bergerak pada gigi ke-k;
Kepadatan distribusi beban yang dikurangi saat berkendara pada gigi ke-k dalam kondisi pengoperasian ke-i.
Fitur utama perhitungan.
1. Karena untuk kurva kelelahan bantalan, alih-alih batas ketahanan, C d diperkenalkan (sesuai dengan probabilitas tidak rusaknya 90% pada 10 6 siklus), maka perlu untuk beralih ke kurva kelelahan yang sesuai dengan 50% non-destruksi. Mengingat rapat distribusi di bawah beban pada bantalan C d mematuhi hukum Weibull, maka No 50 = 4,7 ∙ 10 6 siklus.
2. Integrasi dalam rumus dilakukan dari nol, dan parameter kurva kelelahan - m ρ, No 50 dan C d - tidak disesuaikan. Oleh karena itu, pada kondisi = const, penataan ulang operasi penjumlahan dan integrasi tidak mempengaruhi nilai R. Oleh karena itu, perhitungan untuk mode beban umum dan mode beban individual adalah identik. Jika nilainya berbeda secara signifikan, maka sumber daya rata-rata R ik dihitung secara terpisah untuk setiap transmisi:
R ik = a p C d mρ Tidak [β -1 ,
rumusnya dapat ditulis:
R = [ 
-1 ,
Р = (K Fr ∙ K v ∙ F r + K Fa ∙ F a) ∙ K b ∙ K T ∙ K m;
dimana F r, F a – beban radial dan aksial;
K v – koefisien rotasi;
K b – koefisien rotasi;
K T – koefisien suhu;
K m – koefisien material;
K Fr , K Fa – koefisien beban radial dan aksial.
4. Hubungan torsi pada poros M dengan penurunan beban pada bantalan:
Р = K P M = (K Fr ∙ K v ∙ K R + K Fa ∙ K A) ∙ K b ∙ K T ∙ K m ∙ M;
dimana K R adalah faktor konversi;
K R , K A – koefisien konversi torsi menjadi beban radial dan aksial total pada bantalan.
Frekuensi pembebanan bantalan sesuai dengan frekuensi putarannya.
1000 U Σα (2πr ω)
dimana U Σα adalah perbandingan gigi total transmisi dari poros ke roda penggerak kendaraan pada saat gigi ke-k diaktifkan.
5. Perhitungan kepadatan distribusi sumber daya bantalan dan parameternya dilakukan dengan metode pemodelan statis.
Pertanyaan No. 12 Konsumsi bahan spesifik mobil.
Saat menentukan konsumsi material kendaraan, berat sasis yang dikekang digunakan. Kemanfaatan penggunaan bobot sasis ketika menilai konsumsi material kendaraan dijelaskan oleh meluasnya perkembangan produksi kendaraan khusus dengan bodi. berbagai jenis atau tambahan lainnya bobot yang berbeda dipasang pada sasis kendaraan dasar yang sama. Oleh karena itu, brosur dan katalog truk asing biasanya mencantumkan bobot sasis yang dikekang, bukan kendaraannya. Pada saat yang sama, banyak perusahaan asing tidak memasukkan berat peralatan dan perlengkapan tambahan ke dalam berat sasis yang dilengkapi, dan tingkat pengisian bahan bakar ditunjukkan secara berbeda dalam standar yang berbeda.
Untuk penilaian obyektif konsumsi material mobil dengan model berbeda, harus dibawa ke satu konfigurasi. Dalam hal ini, kapasitas beban sasis ditentukan sebagai selisih antara berat struktural total kendaraan dan berat sasis yang dikekang.
Indikator utama konsumsi material sebuah mobil adalah berat jenis casis:
m beat = (m sn.shas – m z.sn)/[(m ka.a – m sn.shas)P];
di mana m sasis ground adalah berat sasis yang dilengkapi,
m з.сн – massa pengisian bahan bakar dan peralatan,
m к.а – total massa struktural kendaraan,
P – sumber daya yang ada sebelum perbaikan besar.
Untuk kendaraan penarik diperhitungkan berat kotor kereta jalan:
m beat = (m sn.shas – m z.sn)/[(m ka.a – m sn.shas)KR];
dimana K adalah koefisien koreksi indikator kendaraan traktor-trailer yang dimaksudkan untuk dioperasikan sebagai bagian dari kereta jalan raya
K = m a /m k.a;
dimana m a adalah berat total kereta jalan.
Informasi terkait.
