کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5019385 1468204 2017 34 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Parameter inference for non-repairable multi-state system reliability models by multi-level observation sequences
ترجمه فارسی عنوان
استنتاج پارامتر برای مدل های قابلیت اطمینان چند حالته غیر قابل اصلاح با توالی مشاهدات چند سطح
ترجمه چکیده
تئوری قابلیت اطمینان سیستم چند دولتی در سال های اخیر مورد توجه قابل توجهی قرار گرفته است، زیرا می تواند ماهیت چند دولتی و فرایند پیچیده تضعیف سیستم ها را به شکل دقیق تر از مدل های سیستم دولتی نشان دهد. استنتاج پارامتر برای مدل های قابلیت اطمینان چند حالته، که یک وظیفه ای است که پیش از ارزیابی و بهینه سازی قابلیت اطمینان است، یک موضوع جالب است که مورد بررسی قرار می گیرد. در این مقاله، یک روش استنتاج پارامتر جدید، که توالی مشاهدات را از سطوح مختلف یک سیستم جمع می کند، توسعه یافته است. روش استنتاج پیشنهادی عموما شامل دو مرحله است: (1) محاسبه توالی های توزیع احتمالی حالت خلفی واحدهای مبتنی بر توالی مشاهدات چند سطح با استفاده از مدل های شبکه های بیزی پویا و (2) برآورد احتمال انتقال ناگهانی واحدها با تبدیل توالی های توزیع احتمالی حالت خلفی به یک مشکل کمترین مربع. برای نشان دادن اثربخشی و کارآیی روش پیشنهادی، دو مثال نشانگر و مجموعه ای از مطالعات تطبیقی ​​ارائه شده است.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی مکانیک
چکیده انگلیسی
Multi-state system reliability theory has received considerable attention in recent years, as it is able to characterize the multi-state nature and complicated deterioration process of systems in a finer fashion than that of binary-state system models. Parameter inference for multi-state system reliability models, which is a task that precedes reliability evaluation and optimization, is an interesting topic to be investigated. In this paper, a new parameter inference method, which aggregates observation sequences from multiple levels of a system, is developed. The proposed inference method generally consists of two stages: (1) compute the sequences of the posterior state probability distributions of units based on multi-level observation sequences by dynamic Bayesian network models and (2) estimate the unknown transition probabilities of units by converting the sequences of posterior state probability distributions into a least squares problem. Two illustrative examples, together with a set of comparative studies, are presented to demonstrate the effectiveness and efficiency of the proposed method.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Reliability Engineering & System Safety - Volume 166, October 2017, Pages 3-15
نویسندگان
, ,