Holarch

गाइड · विश्लेषण

सिस्टम्स इंजीनियरिंग में Monte Carlo सिमुलेशन: बिंदु अनुमानों से संभाव्यताओं तक

यह गाइड सुनें 19 मिनट

सिस्टम्स इंजीनियरिंग में Monte Carlo सिमुलेशन एक अकेले सर्वोत्तम अनुमान को परिणामों के वितरण से बदल देता है। यह गाइड इनपुट वितरण चुनना, पर्याप्त सैंपल चलाना, पर्सेंटाइल और आवश्यकता पूरी होने की संभाव्यता पढ़ना, सहसंबंध और सामान्य ग़लतियां कवर करती है, एक छोटे पृथ्वी अवलोकन उपग्रह के इमेजिंग पास पर हल करके।

इस पृष्ठ पर
  1. बिंदु अनुमान क्यों भ्रमित करते हैं
  2. अनिश्चित इनपुट वितरण के रूप में
  3. कई सैंपल चलाना
  4. परिणाम पढ़ना
  5. कितने रन पर्याप्त हैं
  6. सहसंबंध और उसका प्रभाव
  7. सामान्य ग़लतियां
  8. हल किया हुआ उदाहरण: EO-1 इमेजिंग पास
    1. बिंदु अनुमान
    2. Monte Carlo परिणाम
    3. सहसंबंध के साथ वही उदाहरण
  9. Holarch में आज़माएं
  10. आगे कहाँ जाएं

बिंदु अनुमान क्यों भ्रमित करते हैं

अधिकांश इंजीनियरिंग अनुमान एक संख्या के रूप में दिए जाते हैं: एकीकरण अभियान 14 हफ़्ते लेता है, पेलोड 38 W खपत करता है, ग्राउंड स्टेशन एक पास को 45 मिनट में प्रोसेस करता है। हर संख्या आमतौर पर सबसे संभावित मान होती है, और सबसे संभावित मानों को जोड़ने से ऐसा योग मिलता है जो यह कुछ नहीं बताता कि वह कितनी बार पार होता है, दो कारणों से।

  • विषम इनपुट। वास्तविक कार्य अवधियां शायद ही कभी सममित होती हैं। जो कार्य सबसे संभावित रूप से 6 मिनट लेता है, वह 4 में पूरा हो सकता है लेकिन कुछ गड़बड़ होने पर 9 भी ले सकता है। ऐसे कार्य का औसत उसके सबसे संभावित मान से ऊपर होता है, और औसतों का योग सबसे संभावित मानों के योग से ऊपर होता है।
  • मर्ज बायस। जहाँ समानांतर पथ मिलते हैं, वहाँ काम सबसे धीमे पथ की प्रतीक्षा करता है। कई अनिश्चित पथों का अपेक्षित अधिकतम उनके अपेक्षित मानों के अधिकतम से बड़ा होता है, क्योंकि देर से चलने वाला कोई भी पथ पूरे को विलंबित करता है।

यही बजट पर लागू होता है। नाममात्र मानों से बना द्रव्यमान या पावर बजट इस संभावना को छिपाता है कि कई आइटम एक साथ ऊंचे आएं, और नाममात्र अवधियों से बनी टाइमलाइन इस संभावना को छिपाती है कि क्रिटिकल पथ लंबा चले। एक अकेली संख्या यह नहीं बता सकती कि उसके टिके रहने की कितनी संभावना है। एक वितरण बता सकता है।

Monte Carlo सिमुलेशन वह वितरण पाने का सबसे सरल तरीका है: हर अनिश्चित इनपुट को एक संभाव्यता वितरण के रूप में बताएं, हर इनपुट के लिए एक मान निकालें, परिणाम की गणना करें, और कई बार दोहराएं। परिणामों का संग्रह आउटपुट के वितरण का सन्निकटन देता है, और उससे आप औसत, पर्सेंटाइल और आवश्यकता पूरी होने की संभाव्यता पढ़ते हैं। ISO/IEC/IEEE 15288 के शब्दों में यह सिस्टम विश्लेषण प्रक्रिया का एक टूल है, और इसका परिणाम अक्सर विश्लेषण द्वारा सत्यापन का साक्ष्य होता है, जो आवश्यकता सत्यापन मैट्रिक्स की चार विधियों में से एक है।

अनिश्चित इनपुट वितरण के रूप में

वितरण बताता है कि आप किसी इनपुट के बारे में क्या जानते हैं। सबसे सरल वितरण चुनें जो आपकी जानकारी से मेल खाता हो; तीन आकार अधिकांश सिस्टम्स इंजीनियरिंग काम को कवर करते हैं। उदाहरण नीचे हल किए गए उपग्रह इमेजिंग पास से हैं।

वितरणपैरामीटरइसका उपयोग कब करेंउदाहरण
एकसमान (Uniform)न्यूनतम और अधिकतमआप सीमाएं जानते हैं और कुछ भी एक मान को दूसरे से अधिक पसंद नहीं करताएक इमेज स्ट्रिप को एनकोड और स्टोर करने में दृश्य सामग्री के आधार पर 20 से 40 सेकंड लगते हैं
त्रिकोणीय (Triangular)न्यूनतम, सबसे संभावित, अधिकतमविशेषज्ञ एक सीमा और एक सबसे संभावित मान दे सकते हैं, जो अक्सर लंबी ओर झुका होता हैइमेजिंग योजना भेजने में 4 से 9 मिनट लगते हैं, सबसे संभावित 6
सामान्य (Normal)औसत और मानक विचलनकई छोटे स्वतंत्र प्रभाव जुड़ते हैं, या मापा गया डेटा सममित फैलाव दिखाता हैइमेज उत्पादों को प्रोसेस करने में 10 के मानक विचलन के साथ 45 मिनट लगते हैं
  • एकसमान वितरण तब ईमानदार है जब आप केवल सीमाएं जानते हैं, लेकिन यह छोरों को बीच जितना ही महत्व देता है।
  • त्रिकोणीय वितरण इंजीनियरों के तीन-बिंदु अनुमानों के लिए सामान्य विकल्प है। इसका औसत (न्यूनतम + सबसे संभावित + अधिकतम) / 3 है, इसलिए लंबी ऊपरी पूंछ औसत को सबसे संभावित मान से ऊपर ले जाती है: 4, 6 और 9 मिनट से 6.33 का औसत मिलता है।
  • सामान्य वितरण की पूंछें असीमित होती हैं। अवधियों, द्रव्यमानों और ऐसी अन्य मात्राओं के लिए जो ऋणात्मक नहीं हो सकतीं, मानक विचलन को औसत की तुलना में छोटा रखें, या निचली सीमा वाले वितरण का उपयोग करें।
  • अन्य आकारों के विशिष्ट उपयोग हैं: कारकों के गुणनफल वाली मात्राओं के लिए lognormal, यादृच्छिक घटनाओं के बीच के समय के लिए exponential, विफलता समय के लिए Weibull, 0 और 1 के बीच के अंशों के लिए beta।

जो अनिश्चित नहीं है उसे स्थिर रखें। ऐसा मॉडल जिसमें हर इनपुट बदलता है, समीक्षा में कठिन होता है और उन कुछ इनपुट को छिपा देता है जो परिणाम तय करते हैं।

कई सैंपल चलाना

एक Monte Carlo रन एक संभावित परिणाम है: हर अनिश्चित इनपुट को उसके वितरण से एक यादृच्छिक मान मिलता है, हर निर्णय उसकी संभाव्यता के साथ निकाला जाता है, और मॉडल परिणाम की गणना ऐसे करता है जैसे वही वास्तविक मामला हो। एक अध्ययन इसे स्वतंत्र ड्रॉ के साथ सैकड़ों या हज़ारों बार दोहराता है। दो व्यावहारिक नियम:

  • जब परिणाम साक्ष्य बने, तो रैंडम सीड स्थिर करें। वही सीड वही रन दोबारा बनाता है, इसलिए समीक्षक अध्ययन दोहरा सकता है और किसी भी एक रन को फिर से चलाकर देखा जा सकता है कि उसमें क्या हुआ।
  • मॉडल लॉजिक को मॉडल में रखें। संभाव्यता वाली शाखाएं, गिनती वाले लूप और संसाधन सीमाएं उसी फ़्लो में होनी चाहिए जिसे सिमुलेशन चलाता है, किसी अलग स्प्रेडशीट में नहीं जो डिज़ाइन से भटक जाए। फ़्लो आमतौर पर फ़ंक्शनल विश्लेषण का परिचालन परिदृश्य होता है, जिसमें अवधियां जोड़ी गई हों।

परिणाम पढ़ना

एक अध्ययन परिणामों की सूची बनाता है, हर रन का एक। इसे चार तरह से पढ़ें।

  • हिस्टोग्राम। परिणामों का आकार: अधिकांश रन कहाँ आते हैं, वितरण विषम है या नहीं, और पूंछें कितनी लंबी हैं।
  • औसत और मानक विचलन। उपयोगी सारांश, औसत पर एक विश्वास अंतराल के साथ जो रन जोड़ने पर सिकुड़ता है। अकेला औसत जोखिम के बारे में कुछ नहीं बताता।
  • पर्सेंटाइल। P50 माध्यिका है: आधे रन इससे नीचे समाप्त होते हैं। P90 या P95 एक प्रतिबद्धता मान है: वह परिणाम जो आप 90% या 95% मामलों में पूरा करते हैं। शेड्यूल और बजट अक्सर औसत के बजाय P80 या P90 पर प्रतिबद्ध किए जाते हैं।
  • आवश्यकता पूरी होने की संभाव्यता। किसी सीमा मान को पूरा करने वाले रन का हिस्सा, उदाहरण के लिए "total time at most 100 minutes"। इसे संचयी संभाव्यता वक्र (S-curve) से पढ़ें, जो हर मान x के लिए उन रन का हिस्सा दिखाता है जिनका परिणाम अधिकतम x है। संभाव्यता के साथ बताई गई आवश्यकता ("in at least 90% of cases") सीधे इसी संख्या के सामने जांची जाती है।

मार्जिन भी इसी तरह पढ़ा जा सकता है: सीमा मान और औसत के बीच का अंतर औसतन मार्जिन है; सीमा मान और P90 या P95 मान के बीच का अंतर वह मार्जिन है जो आपके पास उस विश्वास स्तर पर है जिस पर आप प्रतिबद्ध होते हैं।

कितने रन पर्याप्त हैं

Monte Carlo परिणाम स्वयं एक अनुमान है, और इसकी सटीकता रन की संख्या के वर्गमूल के साथ बढ़ती है। N रन से अनुमानित संभाव्यता p के लिए मानक त्रुटि लगभग √(p(1 − p) / N) है। 0% या 100% के पास सरल ±2 मानक त्रुटि अंतराल ख़राब होता है, इसलिए तालिका Wilson अंतराल का उपयोग करती है, जो 0 से 100% के भीतर रहता है।

रन (N)सीमा मान पूरा करने वाले रन (p ≈ 97.6%)मानक त्रुटि95% अंतराल
100981.5 प्रतिशत अंक93.0% से 99.4%
2001951.1 प्रतिशत अंक94.3% से 98.9%
1,0009760.5 प्रतिशत अंक96.5% से 98.4%
2,0001,9510.3 प्रतिशत अंक96.8% से 98.1%
10,0009,7560.15 प्रतिशत अंक97.2% से 97.8%

व्यावहारिक परीक्षण: अध्ययन में पर्याप्त रन तब हैं जब जिस संख्या पर आप निर्णय लेते हैं उसका विश्वास अंतराल अब निर्णय रेखा को पार नहीं करता। नीचे के उदाहरण में आवश्यकता 90% मांगती है; 100 रन भी ऐसा अंतराल देते हैं जो 90% से ऊपर रहता है, इसलिए निर्णय जल्दी तय हो जाता है। अगर अनुमान 88% से 94% के अंतराल के साथ 91% होता, तो अधिक रन चाहिए होते। औसत जल्दी स्थिर होते हैं; पूंछों के पर्सेंटाइल (P95, P99) और विफलता की छोटी संभाव्यताओं को कहीं अधिक रन चाहिए, क्योंकि वहाँ केवल कुछ ही रन पहुँचते हैं।

सहसंबंध और उसका प्रभाव

हर इनपुट को स्वतंत्र रूप से निकालना यह मानता है कि लंबा डाउनलिंक उसके बाद होने वाली प्रोसेसिंग के बारे में कुछ नहीं बताता। अक्सर यह ग़लत होता है: बड़ा डेटा वॉल्यूम दोनों को धीमा करता है, ठंडा स्पेसक्राफ़्ट कई वार्म-अप चरणों को धीमा करता है, भारी संरचना को भारी मैकेनिज़्म चाहिए। जिन इनपुट का कारण साझा है, वे सहसंबद्ध होते हैं।

धनात्मक सहसंबंध योग का औसत नहीं बदलता, लेकिन फैलाव बढ़ाता है: ऊंचे मान साथ आते हैं और नीचे मान साथ आते हैं, एक-दूसरे को निरस्त करने के बजाय। पूंछें बाहर खिसकती हैं, और जिस P90 या P95 मान पर प्रतिबद्धता टिकी है वह भी उनके साथ खिसकता है। इसलिए किसी वास्तविक धनात्मक सहसंबंध को अनदेखा करने से जोखिम कम आंका जाता है।

इसे संभालने के तरीके:

  • साझा कारण को स्पष्ट रूप से मॉडल करें: हर रन में डेटा वॉल्यूम एक बार निकालें और दोनों अवधियां उसी से व्युत्पन्न करें।
  • सहसंबद्ध इनपुट को एक साझा यादृच्छिक संख्या से निकालें, ताकि वे रन-दर-रन साथ चलें।
  • कम से कम, अध्ययन एक बार स्वतंत्र और एक बार पूरी तरह सहसंबद्ध चलाएं, और दोनों की रिपोर्ट दें: सच्चाई उनके बीच है।

सामान्य ग़लतियां

ग़लतीयह क्यों भ्रमित करता हैइसके बजाय
झूठी सटीकताअनुमानित इनपुट सीमाओं से "P(meet) = 97.56%" की रिपोर्ट देना ऐसी निश्चितता का संकेत देता है जो इनपुट में नहीं हैउतना ही पूर्णांकित करें जितना इनपुट समर्थन करते हैं, विश्वास अंतराल दें, और बताएं कि सीमाएं कहाँ से आईं
स्वतंत्र माने गए इनपुट जो स्वतंत्र नहीं हैंसाझा कारण अनदेखे होते हैं, फैलाव बहुत संकरा और पूंछें बहुत छोटी होती हैंसाझा कारण को मॉडल करें, या परिणाम को एक स्वतंत्र और एक सहसंबद्ध अध्ययन के बीच घेरें
पूंछों को अनदेखा करनाकेवल औसत की रिपोर्ट देना छिपाता है कि आवश्यकता कितनी बार विफल होती हैP50 और P90 या P95, और हर सीमा मान को पूरा करने की संभाव्यता की रिपोर्ट दें
विषम मात्राओं के लिए सममित सीमाएंसबसे संभावित मान के चारों ओर सामान्य वितरण लंबी ऊपरी पूंछ हटा देता हैजब अधिकता कमी से बड़ी हो, तो त्रिकोणीय या lognormal आकार का उपयोग करें
बहुत कम रनकिसी दूसरे सीड से अध्ययन दोहराने पर निर्णय बदल जाता हैतब तक रन जोड़ें जब तक अंतराल निर्णय रेखा को पार न करे
डिज़ाइन से अलग मॉडलफ़्लो की स्प्रेडशीट प्रति वास्तविक अनुक्रम, उसके समानांतर पथों और उसके निर्णयों से भटक जाती हैमॉडल में रखे फ़्लो का सिमुलेशन करें, ताकि डिज़ाइन परिवर्तन विश्लेषण तक पहुँचे

हल किया हुआ उदाहरण: EO-1 इमेजिंग पास

EO-1 कृषि भूमि की इमेज लेने वाला एक 6U CubeSat है, MBSE उदाहरण प्रोजेक्ट का काल्पनिक मिशन। इसके सिस्टम आवश्यकता विनिर्देश में एक टाइमिंग आवश्यकता है जिसका सत्यापन विश्लेषण से होता है:

6.5 Planning Cycle Time. The mission shall complete each planning cycle, from target list uplink to product delivery, within 100 minutes.

6.5 की सत्यापन योजना कहती है: इमेजिंग पास का Monte Carlo सिमुलेशन कम से कम 90% की संभाव्यता के साथ 100 मिनट पूरा करता है। Measure MOE-7 Planning Cycle Time आवश्यकता को specifies करता है, 100 मिनट के सीमा मान और 80 मिनट के लक्ष्य के साथ।

परिचालन टाइमलाइन एक्शन OPS Run Nominal Imaging Pass है। ग्राउंड स्टेशन इमेजिंग योजना भेजता है, स्पेसक्राफ़्ट उसे डिकोड और लोड करता है, फिर कैमरा वार्म-अप होते समय पहले लक्ष्य की ओर मुड़ता है। यह चार लक्ष्यों की इमेज लेता है, हर एक एक स्ट्रिप जो कैप्चर होती है और फिर एनकोड होती है। अगर कोई ग्राउंड संपर्क दृश्य में है (75% पास), तो यह डेटा ट्रांसमिट करता है; अन्यथा यह डेटा अगले पास के लिए रखता है। अंत में, बैटरी धूप में रिचार्ज होती है जबकि ज़मीन डाउनलिंक प्राप्त करती है और इमेज उत्पाद प्रोसेस करती है।

क्रियाफ़्लो में कहाँअवधिसबसे संभावित (मिनट)औसत (मिनट)
OPS.1 Transmit Imaging Planशुरुआतत्रिकोणीय, 4 से 9 मिनट, शिखर 666.33
OPS.2 Receive Imaging Planफिरस्थिर, 1 मिनट11
OPS.3 Load Command Scheduleफिरस्थिर, 2 मिनट22
OPS.4 Rotate to TargetOPS.5 के समानांतरसामान्य, औसत 3, मानक विचलन 0.5 मिनट33
OPS.5 Prepare CameraOPS.4 के समानांतरस्थिर, 5 मिनट55
OPS.6 Capture Image Stripलूप, 4 लक्ष्यसामान्य, औसत 40, मानक विचलन 6 सेकंड0.67 प्रति लक्ष्य0.67 प्रति लक्ष्य
OPS.7 Encode and Store Imageलूप, 4 लक्ष्यएकसमान, 20 से 40 सेकंड0.50 प्रति लक्ष्य0.50 प्रति लक्ष्य
OPS.8 Transmit Image Dataसंपर्क दृश्य में (75%)सामान्य, औसत 8, मानक विचलन 1.5 मिनट88
OPS.9 Hold Data Onboardकोई संपर्क नहीं (25%)स्थिर, 1 मिनट11
OPS.10 Recharge Battery in SunlightOPS.11 और OPS.12 के समानांतरस्थिर, 35 मिनट3535
OPS.11 Receive Downlinkफिर OPS.12स्थिर, 9 मिनट99
OPS.12 Process Image ProductsOPS.11 के बादसामान्य, औसत 45, मानक विचलन 10 मिनट4545

बिंदु अनुमान

  • सबसे संभावित मान, अधिक संभावित संपर्क शाखा लेते हुए: 6 + 1 + 2 + max(3, 5) + 4 × (0.67 + 0.50) + 8 + max(35, 9 + 45) = 80.7 मिनट। 100 मिनट के सीमा मान के सामने यह लगभग 20 मिनट का मार्जिन लगता है।
  • औसत मान, दोनों शाखाओं को उनकी संभाव्यता से भारित करते हुए (0.75 × 8 + 0.25 × 1 = 6.25): 6.33 + 1 + 2 + 5 + 4.67 + 6.25 + max(35, 54) = 79.25 मिनट।

दोनों संख्याएं कहती हैं कि पास आराम से समा जाता है। कोई भी यह नहीं बताती कि कितनी बार नहीं समाता, और आवश्यकता ठीक यही पूछती है।

Monte Carlo परिणाम

उसी फ़्लो का अध्ययन हर रन में हर अवधि और संपर्क निर्णय निकालता है, और समानांतर पथों को आपस में दौड़ने देता है। तालिका Python में अलग से गणना की गई दस लाख रन की जांच और नीचे के स्क्रीनशॉट में दिखाया गया 2,000 रन का Holarch अध्ययन देती है। वे अलग-अलग यादृच्छिक संख्या जनरेटर का उपयोग करते हैं, इसलिए उनमें सैंपलिंग त्रुटि जितना अंतर है (2,000 रन के लिए औसत पर लगभग 0.25 मिनट, P95 पर 0.5 मिनट और किसी संभाव्यता पर 0.35 प्रतिशत अंक)।

आउटपुटPython, 1,000,000 रनHolarch, 2,000 रन, सीड 2026
औसत कुल समय79.35 मिनट79.35 मिनट
मानक विचलन10.35 मिनट10.16 मिनट
P5 / P50 / P9562.4 / 79.3 / 96.6 मिनट62.4 / 79.4 / 96.0 मिनट
P9092.8 मिनट92.4 मिनट
P(कुल ≤ 80 मिनट), MOE-7 का लक्ष्य52.7%52.4%
P(कुल ≤ 100 मिनट), आवश्यकता 6.597.6%97.8% (2,000 में से 1,955; 95% अंतराल 97.0% से 98.3%)

संख्याएं क्या कहती हैं:

  • आवश्यकता पास होती है। लगभग 97.6% पास 100 मिनट के भीतर समाप्त होते हैं, जो आवश्यक 90% से काफ़ी ऊपर है, और 2,000 रन का अंतराल बड़े अंतर से 90% से ऊपर रहता है।
  • मार्जिन जितना दिखता है उससे कम है। औसत पर मार्जिन लगभग 20.6 मिनट है, लेकिन P95 मान लगभग 96.6 मिनट है, इसलिए 95% विश्वास पर केवल लगभग 3.4 मिनट बचते हैं। लगभग चालीस में से एक पास सीमा मान से चूकता है। उनमें से लगभग सभी रन में OPS.12 Process Image Products ने एक घंटे से अधिक लिया (औसतन 67 मिनट, उसके 45 के औसत के सामने), और उनमें से 95% में संपर्क शाखा ने 8 मिनट का डाउनलिंक जोड़ा।
  • लक्ष्य सिक्का उछालने जैसा है। MOE-7 का 80 मिनट का लक्ष्य लगभग ठीक माध्यिका पर है: यह केवल लगभग आधे पास में पूरा होता है। 80.7 मिनट का सबसे संभावित अनुमान इसे पूरी तरह छिपा देता है।
  • यहाँ मर्ज बायस छोटा है। 79.35 मिनट का औसत औसत-मान अनुमान से केवल 0.1 मिनट ऊपर है, क्योंकि ग्राउंड श्रृंखला (OPS.11 और OPS.12, औसत 54 मिनट) केवल लगभग 3% रन में 35 मिनट के रिचार्ज से छोटी होती है। जिस फ़्लो के समानांतर पथ लंबाई में अधिक क़रीब हों, उसमें यह अंतर बढ़ता है।

अध्ययन लीवर की ओर भी इशारा करता है। OPS.12 Process Image Products अधिकांश फैलाव वहन करता है (10 मिनट का मानक विचलन, संपर्क निर्णय से लगभग 3 मिनट और बाकी सब से 1 मिनट के सामने), इसलिए प्रोसेसिंग समय को कसने से पूंछ खिसकती है; स्पेसक्राफ़्ट के चरणों को तेज़ करने से बहुत कम फ़र्क़ पड़ता है।

सहसंबंध के साथ वही उदाहरण

डाउनलिंक और प्रोसेसिंग दोनों इस पर निर्भर हैं कि पास ने कितना इमेज डेटा बनाया: अधिक डेटा का अर्थ है लंबा ट्रांसमिशन और लंबी प्रोसेसिंग। हर रन में OPS.8 और OPS.12 को एक साझा यादृच्छिक संख्या से निकालना (एक ही मानक सामान्य z के लिए 8 + 1.5z और 45 + 10z मिनट), ताकि लंबे डाउनलिंक के साथ लंबी प्रोसेसिंग आए, दोनों वितरणों को पहले जैसा रखता है और यह देता है:

आउटपुटस्वतंत्र (Python / Holarch)OPS.8 और OPS.12 सहसंबद्ध (Python / Holarch)
औसत79.35 / 79.35 मिनट79.35 / 79.04 मिनट
मानक विचलन10.35 / 10.16 मिनट11.35 / 11.44 मिनट
P9596.6 / 96.0 मिनट98.5 / 99.0 मिनट
P(कुल ≤ 100 मिनट)97.6% / 97.8%96.1% / 96.2%

औसत नहीं बदलता और फैलाव लगभग दसवें हिस्से से बढ़ता है। P95 मान लगभग दो मिनट बाहर खिसकता है, जिससे 95% विश्वास पर मार्जिन लगभग 3.4 मिनट से घटकर लगभग 1.5 रह जाता है। आवश्यकता 90% पर अब भी पास होती है, लेकिन कोई सख़्त प्रतिबद्धता, जैसे 95% पास में 100 मिनट, अब सीमांत होगी। P95 पर प्रतिबद्धता के लिए योजना बनाते समय सहसंबद्ध मामला अधिक सुरक्षित है।

उदाहरण डाउनलोड करें: Excel वर्कबुक के रूप में EO-1 इमेजिंग पास अनिश्चितता अध्ययन (इनपुट उनके वितरणों के साथ, पर्सेंटाइल और P(meet) के साथ स्वतंत्र और सहसंबद्ध परिणाम, और रन-गिनती तालिका), या वही डेटा CSV के रूप में: इमेजिंग पास इनपुट और वितरण और Monte Carlo परिणाम, पर्सेंटाइल और P(meet)। इसे अपने अध्ययन की रिपोर्ट के टेम्पलेट के रूप में उपयोग करें।

Holarch में आज़माएं

Holarch में Monte Carlo मॉडल के एक्शन फ़्लो पर चलता है: वही Action आरेख जो संचालन का वर्णन करता है, वही मॉडल है जिसका सिमुलेशन होता है। हर Action की अवधि एक स्थिर संख्या या इकाई के साथ एक वितरण है, जैसे =triang.dist(4, 9, 6) मिनट (न्यूनतम, अधिकतम, शिखर), =norm.dist(40, 6) सेकंड या =uniform.dist(20, 40) सेकंड। दस वितरण उपलब्ध हैं, उनमें beta, lognormal, exponential और Weibull। विवरण के लिए सिमुलेशन देखें।

Action आरेख के रूप में इमेजिंग पास, I/O और संसाधन छिपे हुए: लूप चार बार चलता है, OR संपर्क तय करता है, और अंतिम समानांतर भाग रिचार्ज और ग्राउंड प्रोसेसिंग में से धीमे की प्रतीक्षा करता है।
  1. CubeSat प्रोजेक्ट प्रोजेक्ट प्रबंधित करें → प्रोजेक्ट फ़ाइलें ▾ → नया डेमो प्रोजेक्ट → CubeSat (गाइडेड सिस्टम्स इंजीनियरिंग) से बनाएं। इसमें पहले से तालिका की अवधियों के साथ OPS Run Nominal Imaging Pass, आवश्यकता 6.5 और Measure MOE-7 हैं।
  2. एक्शन का Action आरेख खोलें और ▶ सिमुलेट करें ▾ → Monte Carlo चुनें। रन को 2000, रैंडम सीड को 2026 और निश्चित अवधियों में बदलाव करें को कोई नहीं पर सेट करें (डेमो डिफ़ॉल्ट रूप से स्थिर अवधियों में ±10% जोड़ता है; यहाँ का अध्ययन उन्हें स्थिर रखता है), और ▶ Monte Carlo चलाएं दबाएं।
  3. वितरण टैब पर आंकड़े, अवधि वितरण और संचयी प्रायिकता (S-वक्र) पढ़ें। P(X ≤ 100 min) पढ़ने के लिए S-वक्र के x फ़ील्ड में 100 दर्ज करें।
सीड 2026 के साथ 2,000 रन का अवधि वितरण और S-वक्र। रीडआउट 100 मिनट के भीतर समाप्त होने की संभाव्यता देता है।
  1. सभी रन में कौन से एक्शन समय लेते हैं और कौन से शाखा संयोजन हुए, यह देखने के लिए प्रमुख कारक टैब खोलें।
  2. Requirement से जांचें… पर क्लिक करें और Measure MOE-7 Planning Cycle Time चुनें। यह मानदंड (≤ 100 मिनट, उसके सीमा मान और सुधार दिशा से) और आवश्यकता 6.5 भरता है; आवश्यक संभाव्यता 90% रखें। तालिका अपने विश्वास अंतराल के साथ P(meet), मार्जिन और निर्णय देती है। 80 मिनट के लक्ष्य की जांच के लिए उपयोग करें को उद्देश्य पर स्विच करें, जो लगभग 52% पर विफल होता है।
आवश्यकता जांच: P(meet) आवश्यक 90% से काफ़ी ऊपर है, इसलिए परिणाम Pass है।
  1. परिणाम दर्ज करें… परिवर्तनों का पूर्वावलोकन दिखाता है: MOE-7 का Projected Value औसत बन जाता है, और 6.5 को verifies करने वाले Test Case को स्थिति Passed और परिणाम टेक्स्ट मिलता है। उन्हें एक पूर्ववत चरण के रूप में लागू करें।

Holarch का Duration एडिटर हर वितरण को स्वतंत्र रूप से निकालता है। ऊपर की सहसंबद्ध तुलना में ऐसी Duration का उपयोग हुआ जिन्हें स्क्रिप्ट हुक चलाते हैं जो हर रन में एक साझा मान पढ़ते हैं, जो Duration एडिटर अभी नहीं देता। अपने मॉडल में सहसंबंध को घेरने के लिए, स्वतंत्र अध्ययन की तुलना टूल के बाहर की गई पूरी तरह सहसंबद्ध गणना से करें। पास के दौरान बैटरी ऊर्जा का भी सिमुलेशन होता है: Battery Charge संसाधन की न्यूनतम और अंतिम मात्रा Monte Carlo आउटपुट हैं जिन्हें आवश्यकता जांच स्वीकार करती है। कंटिंजेंसी और मार्जिन के साथ द्रव्यमान और पावर बजट बजट और TPM में रखे जाते हैं, और यही सोच ट्रेड स्टडी के अनिश्चित मानों पर लागू होती है: इनपुट सीमाओं के भीतर पलट जाने वाली रैंकिंग अभी निर्णय नहीं है।

आगे कहाँ जाएं

  • सिमुलेशन: Discrete Event और Monte Carlo रन, पैनल और आवश्यकता जांच।
  • बजट और TPM: कंटिंजेंसी, आवंटन, मार्जिन और प्रदर्शन मापों के साथ रोल-अप।
  • Action आरेख: फ़्लो, संरचनाएं, संसाधन और स्क्रिप्ट जिन्हें सिमुलेशन पढ़ता है।