Wyniki wyszukiwania - BazTech

1

On background driving distribution functions (BDDF) for some selfdecomposable variables

Jurek Zbigniew J.

Mathematica Applicanda

|

2021

|

Vol. 49, no. 2

85--109

EN

Many classical variables (statistics) are selfdecomposable. They admit the random integral representations via Levy processes. In this note are given formulas for their background driving distribution functions (BDDF). This may be used for a simulation of those variables. Among the examples discussed are: gamma variables, hyperbolic characteristic functions, Student t-distributions, stochastic area under planar Brownian motions, inverse Gaussian variable, logistic distributions, non-central chi-square, Bessel densities and Fisher z-distributions. Found representations might be of use in statistical applications.

PL

Wiele klasycznych modeli probabilistycznych opiera sie o zmienne losowe samorozkładalne. Maja one losowe reprezentacje całkowe oparte o procesy Lévy’ego. W tej notatce podano wzory dla ich kierujących (generujących) dystrybuant. Takich reprezentacji można używać do symulacji tych zmiennych. Wśród omawianych przykładów są: rozkłady t-Studenta, pole stochastyczne pod planarnymi ruchami Browna, odwrotny rozkład Gaussa, rozkłady logistyczne, niecentralny rozkład chi-kwadrat, rozkład Bessela i rozkłady statystyk Z-Fishera. Podane reprezentację mogą być przydatne w statystyce.

2

Accelerated degradation analysis based on a random-effect Wiener process with one-order autoregressive errors

Li Junxing, Wang Zhihua, Liu Chengrui, Qiu Ming

Eksploatacja i Niezawodność

|

2019

|

Vol. 21, no. 2

246--255

EN

For highly reliable and long-life products, accelerated degradation test (ADT) is often an effective and attractive way to assess the reliability. To analyze the accelerated degradation data, it has been well recognized that it is necessary to incorporate three sources of variability including the temporal variability, the unit-to-unit variability and measurement errors into the ADT model. The temporal variability can be properly described by the Wiener process. However, the randomness of the initial degradation level, which is an important part of the unit-to-unit variability, has been often neglected. In addition, regarding the measurement errors, current ADT models often assumed them to follow a mutually independent normal distribution and ignored the autocorrelation that may probably exist in them. These problems lead to a poor accuracy for reliability evaluation in some situation. Thus, a random-effect Wiener process-based ADT model considering one-order autoregressive (AR(1)) errors is proposed. Then closed-form expressions for the failure time distribution (FTD) is derived based on the concept of first hitting time (FHT). A statistical inference method is adopted to estimate unknown parameters. Finally, a comprehensive simulation study and a practical application are given to demonstrate the rationality and effectiveness of the proposed model.

PL

W przypadku wysoce niezawodnych produktów o długim cyklu życia, przyspieszone badanie degradacji (ADT) często stanowi skuteczny i atrakcyjny sposób oceny niezawodności. Jak wiadomo, analiza danych z przyspieszonej degradacji wymaga włączenia do modelu ADT trzech źródeł zmienności, w tym zmienności czasowej, zmienności między jednostkami i błędów pomiarowych. Zmienność czasową można odpowiednio opisać za pomocą procesu Wienera. Jednak losowość początkowego poziomu degradacji, który stanowi ważną część zmienności między jednostkami, jest często w badaniach pomijana. Ponadto, w odniesieniu do błędów pomiaru, obecne modele ADT często zakładają, że mają one wzajemnie niezależne rozkłady normalne, ignorując możliwą autokorelację. Problemy te prowadzą w niektórych sytuacjach do niskiej trafności oceny niezawodności. W związku z powyższym, zaproponowano model ADT oparty na procesie Wienera z efektem losowym, w którym uwzględniono błędy autoregresyjne pierwszego rzędu (AR (1)). Następnie, w oparciu o pojęcie pierwszego czasu przejścia, wyprowadzono wyrażenia w postaci zamkniętej dla rozkładu czasu uszkodzenia (FTD). Do oszacowania nieznanych parametrów przyjęto metodę wnioskowania statystycznego. Na koniec przedstawiono kompleksowe studium symulacyjne i wskazano praktyczne zastosowanie modelu w celu wykazania jego racjonalności i skuteczności.

3

Residual life prediction for highly reliable products with prior accelerated degradation data

Wang H.-W., Teng K.-N.

Eksploatacja i Niezawodność

|

2016

|

Vol. 18, no. 3

379--389

EN

To precisely predict the residual life for functioning products is a key of carrying out condition based maintenance. For highly reliable products, it is difficult to obtain abundant degradation data to precisely predict the residual life under normal stress levels. Thus, how to make use of historical degradation data to improve the accuracy of the residual life prediction is an interesting issue. Accelerated degradation testing, which has been widely used to evaluate the reliability of highly reliable products, can provide abundant accelerated degradation data. In this paper, a residual life prediction method based on Bayesian inference that takes accelerated degradation data as prior information was studied. A Wiener process with a time function was used to model degradation data. In order to apply the random effects of all the parameters of a Wiener process, the non-conjugate prior distributions were considered. Acceleration factors were introduced to convert the parameter estimates from accelerated stress levels to normal stress levels, so that the proper prior distribution types of the random parameters can be selected by the Anderson-Darling statistic. A Markov Chain Monte Carlo method with Gibbs sampling was used to evaluate the posterior means of the random parameters. An illustrative example of self-regulating heating cable was utilized to validate the proposed method.

PL

Precyzyjne przewidywanie trwałości resztkowej użytkowanego produktu stanowi klucz do prawidłowego utrzymania ruchu w oparciu o bieżący stan techniczny (condition-based maintenance).W przypadku produktów o wysokiej niezawodności, trudno jest uzyskać ilość danych degradacyjnych, która umożliwiałaby precyzyjne prognozowanie trwałości resztkowej przy normalnym poziomie obciążeń. Dlatego też bardzo ważnym zagadnieniem jest wykorzystanie historycznych danych degradacyjnych umożliwiających zwiększenie trafności prognozowania trwałości resztkowej. Przyspieszone badania degradacyjne, które powszechnie wykorzystuje się do oceny niezawodności wysoce niezawodnych produktów, mogą dostarczać bogatych danych o przyspieszonej degradacji. W przedstawionej pracy badano metodę prognozowania trwałości resztkowej opartą na wnioskowaniu bayesowskim, w którym jako uprzednie informacje wykorzystano dane z przyspieszonych badań degradacji. Dane degradacyjne modelowano za pomocą procesu Wienera z funkcją czasu. Aby móc zastosować efekty losowe wszystkich parametrów procesu Wienera, rozważano niesprzężone rozkłady a priori. Wprowadzono współczynniki przyspieszenia , które pozwoliły na przekształcenie szacowanych wartości parametrów z poziomu obciążeństosowanych w próbie przyspieszonej do poziomu obciążeń normalnych, co umożliwiło wybór odpowiednich typów parametrów losowych rozkładu a priori zwykorzystaniem statystyki testowej Andersona-Darlinga. Metodę Monte Carlo opartą na łańcuchach Markowa z próbnikiem Gibbsa wykorzystano do oceny średnich a posteriori parametrów losowych. Proponowaną metodę zweryfikowano na postawie przykładu samoregulującego przewodu grzejnego.