Udoskonalona metoda dopasowywania krzywych do danych niezawodnościowych uwzględniająca różnice między próbkami

• Autorzy: Sun R. , Peng W. W. , Huang H. Z. , Ling D. L. , Yang J.

Warianty tytułu

EN

Improved reliability data curve fitting method by considering samples distinction

• Języki publikacji: EN

Abstrakty

EN

In engineering practice, we face a problem of using some collected data to evaluate a kind of machine or equipment. Curve fitting is a common method to solve this problem. Least square method is wildly applied in this procedure. If the source data of curve fitting can be grouped in samples and the distinction of samples obviously express some character in source data collecting which cannot be ignored. Conventional curve fitting method cannot handle these source data. To deal with this disadvantage, we introduce an improved curve fitting method. Through source data analysis, we can find out the relationship between sample location and weight factor in curve fitting, and use these weight factors for curve fitting. To approach the true curve, we introduce an iterative procedure to modify the weight factors. An engineering example is given to illustrate this proposed method.

PL

W praktyce inżynieryjnej stykamy się z problemem wykorzystania zgromadzonych danych do oceny maszyn lub sprzętu. Dopasowywanie krzywych to metoda powszechnie używana do rozwiązywania tego typu problemów. W procedurze tej szeroko stosuje się metodę najmniejszych kwadratów. Jeżeli dane wejściowe dopasowywane krzywą można pogrupować tak by tworzyły oddzielne próbki, a różnice między próbkami w sposób oczywisty odzwierciedlają pewną właściwość dotyczącą gromadzenia danych, której nie można pominąć, to konwencjonalna metoda dopasowywania krzywych nie pozwala na analizę takich danych wejściowych. Aby przezwyciężyć to ograniczenie, przedstawiamy udoskonaloną metodę dopasowywania krzywych. Poprzez analizę danych wejściowych, możemy określić związek pomiędzy położeniem próbki a czynnikiem ważonym w dopasowaniu krzywej oraz wykorzystać czynniki ważone przy dopasowywaniu krzywej. Aby osiągnąć jak najdokładniejsze przybliżenie do krzywej rzeczywistej wprowadziliśmy procedurę iteratywną modyfikującą czynniki ważone. Zastosowanie zaproponowanej metody zilustrowano na przykładzie danych z badań niezawodnościowych.

Słowa kluczowe

EN

curve fitting; sample distinction; weigh assignment; iterative process

PL

dopasowywanie krzywych; różnice między próbkami; ważenie danych; proces iteratywny

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2012
• Tom: Vol. 14, No. 1
• Strony: 62--71
• Opis fizyczny: Bibliogr. 19 poz.

Twórcy

autor

Sun R.

autor

Peng W. W.

autor

Huang H. Z.

autor

Ling D. L.

autor

Yang J.

• School of Mechatronics Engineering University of Electronic Science and Technology of China, Chengdu, Sichuan, 611731, China,

Bibliografia

• 1. Cuyt A. Wuytack L. Nonlinear Methods in Numerical Analysis. Elsevier, Amsterdam, 1987.
• 2. Ling Dan, Huang Hong-Zhong, Liu Yu. A method for parameter estimation of mixed Weibull distribution. Proceedings of the 55th Annual Reliability & Maintainability Symposium. Fort Worth, TX, USA, 2009.
• 3. Ling Dan, Huang Hong-Zhong, Miao Qiang, Yang Bo. Parameter estimation for Weibull distribution using support vector regression. Proceedings of 2007 ASME International Design Engineering Technical Conference & Computers and Information in Engineering Conference, Las Vegas, NV, USA, 2007.
• 4. De Levie Robert. Curve fitting with least squares. Critical Reviews in Analytical Chemistry 2000, 30(1): 59-74.
• 5. Dhillon B S. A hazard rate model. IEEE Transactions on Reliability 1978; 28(2): 150.
• 6. Huang H Z, Guan L W, Wu H F. A study on linear regression model with fuzzy weight and its application to S-N Curve in its regression analysis. Machine Design 2000; 17: 11-12.
• 7. Ji F, Yao W. Weighted least square method for S-N curve fitting. Transaction of Nanjing University of Aeronautics & Astronautics 2004; 21: 53-57.
• 8. Jiang S R, Kececioglu D. Maximum likelihood estimates, from censored data, for mixed-Weibull distributions. IEEE Transactions on Reliability 1992; 41: 248-255.
• 9. Ji F, Yao W. Weighted least square method for S-N curve fitting. Transaction of Nanjing University of Aeronautics & Astronautics 2004; 21(1): 53-57.
• 10. Jing L, Jwo P. A maximum likelihood method for estimating P-S-N curves. International Journal of Fatigue 1997; 19: 415-419.
• 11. Jiang R Y, Murthy D N P.. Modeling Failure-Data by mixture of 2 Weibull Distribution: A Graphical Approach. IEEE Trans. Reliability 1995; 44: 477-488.
• 12. Karr C L, Weck B. Least median squares curve fitting using a genetic algorithm. Engineering Applications of Artificial Intelligence 1995; 8: 177-189.
• 13. Vasanth Kumar K, Porkodi K, Rocha F. Isotherms and thermodynamics by linear and non-linear regression analysis for the sorption of methylene blue onto activated carbon: Comparison of various error functions. Journal of Hazardous Materials 2008; 794-804.
• 14. Vasanth Kumer K, Sivanesan S. Pseudo second order kinetic models for safranin onto rice husk: Comparison of linear and nonlinear regression analysis. Process Biochemistry 2006; 41: 1198-1202.
• 15. Michael P, Maureen S. Curve-fitting with piecewise parametric cubics. Computer Graphics 1983; 17: 229-239.
• 16. Murthy D N P, Xie M, Jiang R Y. Weibull Models, New York, Wiley, 2003.
• 17. Nelson W. Applied Life Data Analysis, New York, Wiley, 1982.
• 18. Silverman B W. Some aspects of the spline smoothing approach to non-parametric regression curve fitting. Royal Statistical Society 1985; 47: 1-52.
• 19. Xu M J, Yoram E. Use of weighted least-squares method in evaluation of the relationship between dispersivity and field scale. Ground Water 1995; 33: 905-908.