Dr.Pokorádl László mk.őrnagy. főiskolai docens REPÜLŐGÉPEK UZEKELTETESI RENDSZEREINEK VIZSGÁLATA MARKOV-HATRIX FELHASZNÁLÁSÁVAL

Hasonló dokumentumok
12. előadás - Markov-láncok I.

Markov-láncok stacionárius eloszlása

előadás Diszkrét idejű tömegkiszolgálási modellek Poisson-folyamat Folytonos idejű Markov-láncok Folytonos idejű sorbanállás

(Diszkrét idejű Markov-láncok állapotainak

E.4 Markov-láncok E.4 Markov-láncok. Sok sorbanállási hálózat viselkedése leírható "folytonos idejű Markovláncok " segítségével.

Valószínűségi változók. Várható érték és szórás

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Normák, kondíciószám

15. LINEÁRIS EGYENLETRENDSZEREK

Legyen adott egy S diszkrét halmaz. Leggyakrabban S az egész számoknak egy halmaza, például S = {0, 1, 2,..., N}, {0, 1, 2,... }.

A futómûvek üzemeltetési megbízhatóságának és rendelkezésre állásának elemzése az üzemeltetési folyamat Markovés szemi-markov modelljének segítségével

0,424 0,576. f) P (X 2 = 3) g) P (X 3 = 1) h) P (X 4 = 1 vagy 2 X 2 = 2) i) P (X 7 = 3, X 4 = 1, X 2 = 2 X 0 = 2) j) P (X 7 = 3, X 4 = 1, X 2 = 2)

MÁTRIXALGEBRAI HIBAFA- ÉRZÉKENYSÉGELEMZÉS

Biomatematika 2 Orvosi biometria

Gauss-Jordan módszer Legkisebb négyzetek módszere, egyenes LNM, polinom LNM, függvény. Lineáris algebra numerikus módszerei

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

Sztochasztikus temporális logikák

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

[Biomatematika 2] Orvosi biometria

Vektorok, mátrixok, lineáris egyenletrendszerek

Gauss elimináció, LU felbontás

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

12. előadás. Egyenletrendszerek, mátrixok. Dr. Szörényi Miklós, Dr. Kallós Gábor

Irányítástechnika GÁSPÁR PÉTER. Prof. BOKOR JÓZSEF útmutatásai alapján

Diszkrét matematika I., 12. előadás Dr. Takách Géza NyME FMK Informatikai Intézet takach november 30.

Készítette: Fegyverneki Sándor

Példa: Tartó lehajlásfüggvényének meghatározása végeselemes módszer segítségével

Sztochasztikus folyamatok alapfogalmak

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Gazdasági matematika II. tanmenet

Norma Determináns, inverz Kondíciószám Direkt és inverz hibák Lin. egyenletrendszerek A Gauss-módszer. Lineáris algebra numerikus módszerei

Ensemble előrejelzések: elméleti és gyakorlati háttér HÁGEL Edit Országos Meteorológiai Szolgálat Numerikus Modellező és Éghajlat-dinamikai Osztály 34

3. Előadás. Megyesi László: Lineáris algebra, oldal. 3. előadás Lineáris egyenletrendszerek

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Lineáris egyenletrendszerek

1.1. Vektorok és operátorok mátrix formában

x, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, mátrixegyenlet

Diszkrét idejű felújítási paradoxon

Barczy Mátyás és Pap Gyula. Sztochasztikus folyamatok. (Diszkrét idejű Markov-láncok)

1. Homogén lineáris egyenletrendszer megoldástere

Rugalmas láncgörbe alapvető összefüggések és tudnivalók I. rész

Logisztikai szimulációs módszerek

4. Az A és B események egymást kizáró eseményeknek vagy idegen (diszjunkt)eseményeknek nevezzük, ha AB=O

Mérési hibák

Matematika III. 4. A valószínűségi változó és jellemzői Prof. Dr. Závoti, József

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

Jelek és rendszerek MEMO_03. Pletl. Belépő jelek. Jelek deriváltja MEMO_03

Statisztika I. 4. előadás Mintavétel. Kóczy Á. László KGK-VMI. Minta Mintavétel Feladatok.

INFOKOMMUNIKÁCIÓS RENDSZEREK HATÉKONYSÁG- ELEMZÉSÉRE SZOLGÁLÓ ESZKÖZÖK

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé.

Biometria az orvosi gyakorlatban. Számítógépes döntéstámogatás

9. Előadás. Megyesi László: Lineáris algebra, oldal. 9. előadás Mátrix inverze, Leontyev-modell

Gazdasági matematika II. vizsgadolgozat megoldása, június 10

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Matematikai alapok és valószínőségszámítás. Valószínőségi eloszlások Binomiális eloszlás

Régebbi Matek M1 zh-k. sztochasztikus folyamatokkal kapcsolatos feladatai.

10. Exponenciális rendszerek

A következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.

ÜZEMELTETÉSI FOLYAMAT GRÁFMODELLEZÉSE 2 1. BEVEZETÉS

ú ő ú Ö ú ú ő ő Ó ő ő ő ő

Ő Ü í ű ö ü Ú í ü í ú ö ű ö ö ű Ő ü í ö ü í ü ü í ö ü í ö ü ű ö ö ö Ű Ö ö ű ö ö ü ü Ó í Ő ü í ö ü í Ó Ü ö ü Í í Ö ö ü ö í ö ö ö

Ö ü Ö Ó ő Ö

Ú ű ű ű ű ű Ő ű Í ű ű

ő ő ú Ú Í Í Ó Ú

Í ö ű ü ű ö ö ö ö Í ö ö ű ü ű ö ű ű ö ö ű ű ö Í ö ö ű ü ö ű ö ö ű ű ö

MISKOLCI EGYETEM KÖZLEMÉNYEI

Átmeneti jelenségek egyenergiatárolós áramkörökben

Markov modellek

Matematika 10 Másodfokú egyenletek. matematika és fizika szakos középiskolai tanár. > o < szeptember 27.

1.9. B - SPLINEOK B - SPLINEOK EGZISZTENCIÁJA. numerikus analízis ii. 34. [ a, b] - n legfeljebb n darab gyöke lehet. = r (m 1) n = r m + n 1

[Biomatematika 2] Orvosi biometria

Mindent olyan egyszerűvé kell tenni, amennyire csak lehet, de nem egyszerűbbé. (Albert Einstein) Halmazok 1

Matematika A3 Valószínűségszámítás, 6. gyakorlat 2013/14. tavaszi félév

Matematikai geodéziai számítások 10.

Gazdasági matematika II. vizsgadolgozat megoldása A csoport

Valószínűségszámítás összefoglaló

Nyugat-magyarországi Egyetem Geoinformatikai Kara. Prof. Dr. Závoti József. Matematika III. 4. MA3-4 modul. A valószínűségi változó és jellemzői

KÖVETKEZTETŐ STATISZTIKA

1. feladatsor: Vektorterek, lineáris kombináció, mátrixok, determináns (megoldás)

Az egyenes egyenlete: 2 pont. Az összevont alak: 1 pont. Melyik ábrán látható e függvény grafikonjának egy részlete?

Mi az adat? Az adat elemi ismeret. Az adatokból információkat

Folytonos rendszeregyenletek megoldása. 1. Folytonos idejű (FI) rendszeregyenlet általános alakja

i p i p 0 p 1 p 2... i p i

1. tétel. Valószínűségszámítás vizsga Frissült: január 19. Valószínűségi mező, véletlen tömegjelenség.

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

LNM folytonos Az interpoláció Lagrange interpoláció. Lineáris algebra numerikus módszerei

NGB_IN040_1 SZIMULÁCIÓS TECHNIKÁK dr. Pozna Claudio Radu, Horváth Ernő

Gazdasági matematika II. vizsgadolgozat, megoldással,

Gauss-Seidel iteráció

Jelek és rendszerek 1. 10/9/2011 Dr. Buchman Attila Informatikai Rendszerek és Hálózatok Tanszék

Döntéselőkészítés. I. előadás. Döntéselőkészítés. Előadó: Dr. Égertné dr. Molnár Éva. Informatika Tanszék A 602 szoba

A TANTÁRGY ADATLAPJA

Pontműveletek. Sergyán Szabolcs Óbudai Egyetem Neumann János Informatikai Kar február 20.

Követelmények Motiváció Matematikai modellezés: példák A lineáris programozás alapfeladata 2017/ Szegedi Tudományegyetem Informatikai Intézet

Yule és Galton-Watson folyamatok

NEVEZETES FOLYTONOS ELOSZLÁSOK

Operációkutatás. 4. konzultáció: Sorbanállás. Exponenciális elsozlás (ismétlés)

Átírás:

Dr.Pokorádl László mk.őrnagy. főiskolai docens a szerző REPÜLŐGÉPEK UZEKELTETESI RENDSZEREINEK VIZSGÁLATA MARKOV-HATRIX FELHASZNÁLÁSÁVAL Ríni Conferoncc on Vohiclo System Dynamics, Identification and Anomalies 7-9 of November. 1994. Budapest kiadványában megjelent INVESTIGÁTION OF AIRCRAFT OPERATIONAL SYSTEM WITH KARXOV-KATRIX című tanulmányának magyar nyelvű változata 1. Bovezetás A ropulőtechnika Üzemeltetéso. a repülőgépekre, valamint azok kiszolgálására, az előkészítésükre, különböző nagyságrendű Javításukra szolgáló személyekre ós előírásokra épülő rendszerben lejátszódó sztochasztikus folyamat. Ez a folyamat, amely lényegében az üzemeltetés tárgyával. annak gyártása és kiselejtezése között történtek öszszessége. az üzemeltetési állapotok - Időben és gyakoriságban véletlenszerű - egymásutánisága. Kivel az egyes üzemeltetési állapotból való távozás független az azt megelőző állapotoktól és azok sorrendjétől Cazaz a folyamat utóhatásmontes). az üzemeltetés matematikailag egy folytonos idejű, diszkrét állapotterű Markov-folyamatnak tekinthető. Ez a sztochasztikus folyamat pedig Harkov lánccal approximálható. Az üzemeltetési rendszehről. illetve irányításának hatásosságáról bizonyos Jellemzők Ismeretében dönthetünk. Ezen!

Jel1 omzők meghatározása az adott Üzemeltetési folyamat rendszer szemlélet<3 vizsgálatakor annak folytonos idejű. diszkrét állapottere markovi, vagy fái-markovi modelljeinek segítségével történhet. 2.A Markov-folyasatokról általában Az olyan r)cx.^ sztochasztikus folyamatot, amelynek Jövőbeli alakulását a múltbeli alakulása csak a Jelenlegi állapoton keresztül befolyásolja, azaz amely utóhatásmentes. Markov-folyamatoknak nevezzük. I Ha ez az r)co folyamat a vizsgálati idő alatt bármely pillanatban felvehet valamilyen értéket, akkor azt folytonos. ha *) csak kitüntetett időpontokban rendelkezhet értékkel. diszkrét idejűnek nevezzük. Diszkrét állapottereinek tekintjük a2 t a sztochasztikus folyamatot, ahol az t> valószínűségi változó lehetséges értékei véges, vagy megszámlálhatóan végtelen elemű halmazt alkotnak. A véges vagy megszámlálhatóan végtelen - azaz diszkrét - állapottere, utóhatásmentes sztochasztikus folyamatokat Mar- kov-láncnak nevezzuk. Ekkor a P { ' "j * V * X c } I feltételes valószínűséget átmonetvalószínűségnek nevezzuk. amely annak a valószínűségét fejezi ki. hogy X^. feltéve, hogy r j C «X ti), A fenti P^.n+1 Jelölés azt is mutatja, hogy az átmeneti valószínűség nemcsak az í kezdeti és a j vég ál 1 apót. hanem az idő Ct^) függvénye is. Ezt a valószínűséget a továbbiakban - az egyszerűség érdekében - a _n,n-*-l P<> P ' P C25

B ő d ö n j e l ö l j ü k. Véges. N számd állapot osottfn a átmeneti valószínűségeket mátrixba szokás rendezni. Ezt a p c o - r p.. a ) i c» NxN L J mátrixot az r>co véletlen folyamat Mark ov-mátrixának vagy átmenetvalőszinűség mátrixnak nevozzllk (21. Ha a fenti egylépéses átmenetvalőszinűségek függetlenek az időtől, akkor azt mondjuk, hogy a Markov-folyamat stacionárius. Ebben az esetben felírható, hogy _n.n*l r U - P ij ' CO illetve K ] C35 mivel az független az n értékétől és P ^ j annak a valőszínűségét Jelenti, hogy az yjc O értéke X (-bői X^.-be vált át a At hosszd Ct tft> időintervallumban. A további vizsgálatok 1 végzése ériekében célszerű átmenetnek tekintenünk azt az esetet is. amikor az r> által felvett érték kiválasztott At idő elteltével az intervallum előtti Xt értéka maradt. így a mátrix főátlőjában lévő változők meghatározása a következő mődon történik: Cha imj* <6> Mivel ekkor a teljes eseménytér az. hogy az y)ct+ao vagy valamely másik értéket vesz fel. vagy a kiindulási marad. A Markov-mátrix felhasználásával az állapotokban valő tartózkodás valószínűségének időbeni változása az

ACt+AO - P (t) A C O C73 egyenlettel történhet. ahol P* * P Markov-mátrlx transzponált mátrixa C41. 3.Az üzemeltetés A repülőtechnlka üzemeltetési folyamatát gépenként az ügynevezett üzemeltetési lánccal Camely matematikai szempontból Markov-lánc> ábrázolhatjuk Cl.ábra). 1. ábra Üzemeltetési lánc Az üzemeltetési folyamatok rendszerszemléletei vizsgálatakor nem érdekel minket az egyes állapotok gépenkénti tényleges egymásutánisága. A teljes üzemeltetési folyamat üzemeltetési lánccal történd ábrázolása körülményes, ezért érdemes az Uzemoltetésl folyamatot, a Jobb áttekintés érdekében. irányított gráfként ábrázolni. Az üzemeltetés típusgráfjában az állapotokat a gráf szögpontjai, az állapotváltozásokat pedig a gráf irányított élei szemléltetik C2. ábra}. Az üzemeltetési lánc vagy a típusgráf vizsgálatakor feltételezzük. hogy az állapotok élesen elhatárolódnak egymástól és az átváltások zérus idő alatt mennek végbe. Az állapotváltozások Jellemzésére azok átmenetvalószindségét használjuk.

2. ábra Üzemeltetési típusgráf A Pfy átmenetvalószínűség alábbi határértékét az átmenet- valószínűség sűrűségének nevezzük és vei JelőlJUk: llm At-O pyc?> At <85 ahol: At - a vizsgált időintervallum hossza. Természetesen ezek a átmenetvalószínűség sűrűségeket - a C35 egyenlettel analóg módon - egy g mátrixba rendezhetjük: B ct) -. <05 -NxN L J Másik Jellemző az í-edlk állapotban való tartózkodás relatív gyakorisága, azaz valószínűsége: n.cao p. C A O S -rj-i------. C10> n. C A O y-i 3

ahol: n tc A O - a At idő alatti i-edik állapotba vald lépések száma. Ezeket a valószínűségeket az állapotokban tartózkodás valószínűségek A vektorába tudjuk rendezni. Az Üzemeltetés tárgyának állapotokban való tartózkodását Jellemezheti még az állapotokban eltöltött átlagidők t vektora is., Természetesen a ^ vektor helyett, a vizsgálati szempontok függvényében, felhasználható például az állapotba kerüléssel kapcsolatos költségek vagy a munkaráfordítások {4 vektorai Is. A fent említett Jellemzők ismeretében meghatározhatjuk az állapotokban való tartózkodás valószínűségek Időbeni változását. az üzemeltetés költség vagy munkaidő igényét. Ekkor annyi egyenletből álló egyenletrendszert kapunk, ahány állapotból áll az üzemeltetési folyamat, illetve ahány állapotra bontottuk azt. A At időléptetéssel vizsgált - vagyis a tft - t0 n At <11> tódon disztkrét idejűvé alakított - folytonos idejű folyamat állapotváltási átmenetvalószínűségel a (8) egyenlet felhasználásával a p c.ct> = At C12> módon határozható meg. Fontos itt megjegyezni, hogy akkora Időközöket kell választanunk, moly eltelte alatt az üzemeltetés tárgya 1 valószínűséggel csak egy állapótváltást fog végezni.

4. A Markov-mátrix alkalmazása stacioner folyamat esetén Staeionor Harkov folyamat esetén, felhasználva az E egységmátrix tulajdonságát, felírható az ACt+AO = P*Ct5 AC t5 - E A C O 035 ogyenlet. amit átalakíthatunk az alábbi alakra: (g* - E] A = O. 0 4 5 A fenti lineáris egyenletrendszer esetén problémaként Jelentkezik, hogy a numerikus algoritmusok az A - 0 triviális megoldást adják mog. Viszont könnyen belátható, hogy minket az ettől eltérő megoldás érdekel. Mivel célunk egy könnyen algoritmizálható eljárás kidolgozása volt. az N Ismeretlenes 0 4 5 egyenletet N+l lsmerotlenesre alakítottuk át. Az A* vektor N+l-edik elemének azt a biztos esemény va- 1ószí Hűségét tekintsuk. amikor az Üzemeltetés tárgya az N állapot valamelyikében tartózkodik. Ekkor az N+1-edlk egyenlet a: m\ p j ' 1 0 3 3 Valamint a 0 45 egyenlőt mindegyik sorához adjuk hozzá az N+l-edik Cbiztos5 esemény valószínűségét. így az egyenletrendszer - kiegészítve a 0 5 5 egyenlettel az alábbi mátrixalakot veszi fel:

Cló> Ez * 11 neír 1 s egyenlőt rendszer bárraely ismert numerikus módszerrel kapott eredménye * C I O egyenlet triviálistól eltérd megoldás* lesz. Az eljárás ellenérzését a (ól irodalom 500. oldalln táléi ható példa alapján végeztük el. A CIO) egyenlet megöldása a például a (71 irodalomban is megtalálható LU-felbontással történt. A kapott eredmény relatív eltérései az irodalomtól 10 3 nagyságrendűek voltak, melyeket a számítógép numerikus hibájának tekinthetünk. Viszont az irodalomban található algoritmushoz képest nem volt szükség megfontolásokat igénylő egyedi egyenletrendszer megoldásra. Például behelyettesítésre. vagy valamely egyenlet helyett a CiS5 egyenlet bevezetésére. Meg kell Jegyezni, hogy nem a legcélszerűbben választott egyedi algoritmus esetén a megoldás nagyon bonyolulté. kezelhetetlenné vagy a végeredmény numerikusán pontatlanná válhat. A fenti módon kapott eredmény alapján meghatározható az állandósult üzemeltetési folyamat költség vagy munkaóra igénye. 5. A Harkov mátrix alkalmazása Ínstacioner folyamatok esetén Instacloner üzemeltetési folyamat esetén az állapotokban való tartózkodások valószínűségeit a C7> egyenlet felhasználásával határozhatjuk meg. Ekkor minden a Cll> egyenlettel meghatározott időpillanathoz tartozó g mátrix elemeit ki kell számítani. A repülőgépek háborüs körülmények közti üzemeltetésének fél-markovi folyamattal történő közelítése esetén egy instacioner sztochasztikus folyamatot kapunk (51.

A repul<3gép*k háborús körülmények közti Üzemeltetését öt állapotból éllő folyknulos idejű diszkrét állapotterő fölyamattal modelleztük. Ekkor az Üzemeltetési gráf egy öt szögpontból élló irányított gráf, mely a 3. ébrén létható. Háborús Üzemeltetés típusgréfja 1 - bevetés; 2 - "A" típusú javítás vagy Javításra vérés CJavítási átlagidő: 3 órai; 3 - "B" típusú Javítás vagy Javításra vér és CJavítási átlagidő: B óra}; 4 - harckész; 5 Vissza nem téríthető veszteség. Az állapotokat és az állapotváltozásokat egyenként megvizsgálva határoztuk meg a különböző állapotokra a távozási idők eloszlási Jellegét: normál eloszlásúak a meghibásodási és veszteségi állapotváltási idők. ahol a távozási idő várható értéke a bevetési idő fele. szórása peőlg az egyhatoda Caz úgynevezett 3c szabály alapján); a Javítások tartózkodási idejei exponenciális eloszlásúak. a gyakorlati tapasztalatok és az Üzemeltetés-

el méléti szakirodalmak alapján; a bovotés és az üzemképes állapotok közötti váltások egységugrás Jellegűek. mert így lehet modellezni. hogy a feladatra a repülőgépek egyszerre - pontosabban viszonylag rövid időn bellii - szállnak fel, illetve érkeznek vissza. A fentiek alapján felállított lnstacloner félmarkovi modell eredménye láthatd a 4.ábrán. A diagram az üzemképes állapotban. vagy a bevetésen vald tartózkodás CP^+P^}. illetve kisjavítási állapotban vald tartózkodás CPg> valószínűségének változását mutatja egy 15 órás hadműveleti nap során. Ebben az esetben repülőgépek egy bevetésen vettek részt a nap első két órájában. 4.ábra HáborOs üzemeltetés fél-markovi modelljének eredménye A modellt működtető program felhasználásával vizsgálhatjuk a különböző sérülési valószínűségek - azaz eltérő ellenséges fegyverzet - esetén a Javító, előkészítő csoportok ki

alakításinak hatásait. KU1 önfái e szintű légi hadműveletek setén előzetes tervezéskor a modell felhasználhaté a várható műszaki kiszolgálási kapacitás és anyagigény nagyságának és időbeli eloszlásának prognosztizálására is. 6. összef oglalás A repülőgépek Üzemeltetési matematikailag egy diszkrét állapotterű. utdhatásmontos sztochasztikus folyamat. így az Markov-lánccal approximáihatd. Rendszerszemléletű vizsgálata az átmonetvalőszínűségl mátrix felállítása után mátrixalgebrai műveletekkel oldható meg. Jelen tanulmány szemlélteti a Markov-mátrlx felhasználásának lehetőségét mint stacioner, mint instacioner folyamat esetén. Könnyen algoritmizálható módszert mutat be állandósul Üzemeltetési folyamat matematikai modellezésére. A példákon kívul bemutatja a Markov- -folyamatok elméletének gyakorlati alkalmazási lehetőségeit is. Felhasznált irodalom 1 - Bharucha-Reld A.T.. Elements of Theory'of Harkov Processes and Their Applications. MC GRAW-HILL BOOK COMPANY. New York. 1960. 2 - Helstrora Cári W.. Probabllity and Stochastic Processes fór Engineers. Kacmillan Publishing Company. New York 1984. 3 - Kariin S.. Taylor H.M.. A First Course in Stochastic Processes. Academic Press. San Francisco. 197S. 4 - Dr.Pokorádi László. Üzemeltetési rendszerek vizsgálata a Markov-folyamatok elméletének alkalmazásával. Proc. of X.Hungárián- Days of Aeronautical Sciences. Szolnok 1903 május 10-20. pp. 194-163. 5 - Dr. Pokorádi László, Application of Harkov Process Theory to Investigátion of Aircraft Operational Processes. Proc. of 191, Congress of the ICAS. Anaheim. 1094 szeptember 18-23. pp.2172-2180. 6 Dr.Rohács J. Simon I.. Repülőgépek és helikopterek Üzemeltetési zsobkönyve. Műszaki Könyvkiadó. Budapest. 1989. 7 - Dr.Valkó P. Dr. Vajda S. Műszaki-tudományos feladatok megoldása személyi számítógéppel. Műszaki Könyvkiadó. Budapest. 1087.