导读:本文包含了失效数据分析论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:数据,可靠性,模型,危险,大数,火电厂,水冷。
失效数据分析论文文献综述
王璨,董玉革,黄聿锋,丁曙光[1]（2019）在《基于无失效数据失效概率多层Bayes估计的单失效数据可靠性分析》一文中研究指出给出单失效数据情况下似然函数的一般表达式,得出失效概率的多层Bayes估计,讨论了失效概率的变化规律。算例表明,该方法可以将无失效数据的可靠性分析方法推广到单失效数据时失效概率的估计,所得的结果较为合理。(本文来源于《机械工程师》期刊2019年09期）
李曼[2]（2019）在《以大数据分析为载体的锅炉水冷壁失效分析》一文中研究指出锅炉水冷壁失效直接影响锅炉正常运行,通常在工业生产过程中,采用多种检测手段判断锅炉水冷壁失效原因。常见手段包含目视检查、化学分析、光学显微镜、扫描电子显微镜和能量色散光谱等,本文通过多实验手段实现对多种数据源进行汇集,采用大数据分析手段,得出在破裂的管上进行管壁厚度测量变化,结果显示朝向火的侧面经历了显着的壁变薄,而管的基质材料的组成符合相关标准的要求。通过分析并通过显微镜观测,珠光体的球化不是很明显,从而确定失效机理是由于氧化导致锅炉水冷壁显着局部壁变薄。(本文来源于《工业加热》期刊2019年04期）
王守镜,廖先珍,王梦婷,龚敏,谢延媛[3]（2019）在《基于层次分析法与维修数据的消化内镜失效元件分析》一文中研究指出目的探究与消化内镜维修成本和停机时间相关的主要失效元件。方法采用层次分析法,对四川大学华西医院2010年1月—2019年4月消化内镜的维修数据进行处理和分析。结果涉及110条消化内镜,大修理322次,小修理364次,共更换1 651件失效元件,其中更换失效元件数量前3名为按钮(380件,23.02%)、插入管(223件,13.51%)和镜片(179件,10.84%)。造成大修理维修成本高和停机时间长的主要失效元件为光电耦合器(F=849.702,P<0.001;F=9.525,P=0.002)和导光束(F=8.190,P=0.005;F=6.384,P=0.012),影响小修理维修成本的失效元件为镜片(F=25.464,P<0.001)和角度钢丝(F=5.652,P=0.018),延长小修理维修时间的失效元件是镜片(F=10.384,P=0.001)和电气接口(F=4.816,P=0.029)。结论对维修数据定量分析有利于客观分析维修成本和停机时间的主要失效元件。(本文来源于《华西医学》期刊2019年06期）
佐磊,孙洪凯,何怡刚,尹柏强,胡小敏[4]（2019）在《无失效数据的MEMS传感器可靠性分析》一文中研究指出为了解决有限试验次数情况下微机电系统(MEMS)传感器的无失效数据可靠性分析问题,针对寿命服从指数分布的MEMS传感器,通过研究最优置信限法和最小二乘估计这两种方法来获得适用于MEMS传感器无失效数据可靠性分析的置信度α、c(c>1为常数)。分析试验组数对于预测分析结果的影响,通过对两种方法进行不同分组试验,获得MEMS传感器的最佳分组数。针对某数字型双轴倾角MEMS传感器的实际算例表明置信度α=0. 4、c取值范围3～6,分组为12/13组时,得到最佳预测结果,证明了所提出方法的有效性。(本文来源于《电子测量与仪器学报》期刊2019年06期）
吕佳慧[5]（2019）在《基于传统统计分析和共词分析的失效案例数据挖掘》一文中研究指出通过建立失效分析数据库将失效案例以文档的形式存储,技术人员可根据关键词进行检索查看。但实际上这些失效文本中蕴含的丰富信息并没有得到有效的利用。共词分析法是一种有效的文本挖掘技术,是一种将文本中的共现信息定量化的研究方法。本文利用传统统计分析方法和共词分析法分别对研究室失效案例库中的两个主要领域航空工业和火电厂相关失效案例进行了分析,并对比了两种分析方法的结果。利用传统统计分析法总结了航空工业相关案例中的失效部件、失效模式、失效材料等结构化数据,确定了航空工业产品失效部件、失效模式、失效材料的分布特点。把共词模型引入火电厂锅炉相关失效案例的文本挖掘中,所有案例被划分为8类:烟侧高温硫腐蚀失效、省煤器的飞灰磨损和露点腐蚀失效、氯引起的应力腐蚀失效、减温器和主蒸汽管道的热疲劳失效、集箱焊接区域的失效、水冷壁的水侧腐蚀失效、结垢异物堵塞和超温导致的短时过热失效、过热器的长期过热失效。对比两种分析方法,发现传统的饼图分析只能表现最基本的数据信息,最多只能对两个指标进行分析。共词分析是一种多维数据分析方法,以多维指标在某个领域文本中同时出现的次数为基础,展示不同指标之间的关联特征。(本文来源于《华东理工大学》期刊2019-05-10）
王璨[6]（2019）在《基于无失效数据的液力变速箱可靠性分析》一文中研究指出当前社会,产品的可靠性越来越高,对于这类高可靠性产品,如液力变速箱,在其可靠性试验中通常会出现无失效数据或少失效数据的情形。将这类产品的可靠性定量表示,对于了解、分析和提升产品的可靠性都具有重大意义。对于高可靠性产品在无失效数据或少失效数据时的可靠性分析问题,现有的研究与讨论较少。为了解决此类问题,本文从变速箱无失效数据出发,对此进行了研究与讨论,主要内容如下。1.本文对无失效数据时液力变速箱的可靠性分析进行了研究。文中合理地使用液力变速箱现有信息,如寿命分布模型、预测寿命和报废指标等,采用虚拟增广样本方法进行数据增广,应用多层Bayes方法进行失效概率估计,由最小二乘法进行数据拟合,对无失效数据时的液力变速箱进行了可靠性分析。由液力变速箱可靠性分析流程,通过分析与推广,文中给出了一种高可靠性产品可靠性分析方法,并通过相关算例对该方法的可行性进行了验证。2.本文利用无失效数据时的可靠性分析方法,对单失效数据情形下的可靠性分析问题进行了研究。文中对单失效数据时的似然函数进行了讨论,给出了其一般表达式,并根据多层Bayes方法与最小二乘法,得到了失效概率与可靠度的估计值及其变化规律。算例表明,本文的方法可以将无失效数据的可靠性分析方法推广到单失效数据时的可靠性分析,所得的单失效数据可靠性分析结果较为合理。3.本文对无失效数据时和单失效数据时失效概率多层Bayes估计的计算方法进行了研究。由于多层Bayes估计的计算较为复杂,为了对其进行简化计算,本文将相关积分进行降重处理。算例表明,应用文中简化计算方法所得结果与精确结果相比,误差较小。(本文来源于《合肥工业大学》期刊2019-04-01）
闫恒娜,赵培育,钟国扬[7]（2019）在《汽车零部件可靠性试验样本量及失效数据分析》一文中研究指出本文详细介绍了成功型试验样本量选取方法,根据泊松分布,得出试验样本量与可靠度置信度之间换算关系。在威布尔分布的前提下,根据Lipson转换公式,得出试验时长与样本量之间的换算关系。在给定可靠度与置信度的情况下,可以定义试验样本量与试验时长。对于失效型试验,给出了数据分析思路及方法。最后,本文通过具体的案例,对于不同类型的数据,基于Minitab软件详细介绍分析方法,为后期可靠性计算提供参考。(本文来源于《中国汽车》期刊2019年03期）
章留斌,陈天明,阿达来提·杂满,姚钧浩[8]（2019）在《民间舆论场域中失效的议程设置与极化的网络群体——基于“江歌事件”新浪微博数据的内容分析》一文中研究指出【目的/意义】随着网络科技的不断进步,官方主流媒体的舆论压力与日俱增,通过对2017年的热点"江歌事件"进行分析,结合议程设置探讨其中网络群体出现的极化现象,了解其深层次内涵,对今后媒体的舆论引导提供借鉴意义。【方法/过程】利用微博数据进行内容分析,并结合本文分析的方法以及舆论环境和相关的理论对整个事件发展进行剖析。【结果/结论】可以得出,媒介议程对受众议程存在较大影响并呈反相关系,议题驱动和较低的导向需求是议程失效的原因,单一属性的议程会将受众偏激的态度引向极化。(本文来源于《情报科学》期刊2019年02期）
王新鹏,张静远,张洪刚[9]（2019）在《无失效数据条件下装备贮存可靠性分析》一文中研究指出为解决装备贮存可靠度评估问题,对寿命分布为平均失效率递增类分布(increasing failure rates on the average,IFRA)的装备的贮存可靠性进行分析。首先,针对装备检测过程中可能出现的无失效数据情况,确定了失效概率的先验分布并给出了Bayes估计。然后用加权最小二乘法给出了寿命分布的参数估计,进而得到了装备贮存可靠度的估计和表达式。最后结合实例进行计算,说明了方法的稳定性和可行性,为工程上评估装备贮存可靠度提供借鉴。(本文来源于《系统工程与电子技术》期刊2019年05期）
王淑影[10]（2018）在《带有信息的区间删失失效时间数据的半参数分析》一文中研究指出近年来,关于区间删失失效时间数据的研究引起了统计学者的广泛关注,很多模型和估计方法相继被提出.其中,同时包含参数部分和非参数部分的半参数模型尤其受到学者们的关注.区间删失失效时间数据广泛存在于很多科学研究领域,如人口学、金融、医学等(Sun,2006).对于区间删失数据,是指我们感兴趣的事件的发生时间T不能被直接精确观测到,取而代之的是只能观测到事件发生所在的时间区间(L,R)用里.区间删失数据一般主要分为两种类型:Ⅰ型区间删失数据和Ⅱ型区间删失数据.Ⅰ型区间删失数据通常指每个个体失效时间是左删失(L= 0)或者右删失(R = ∞)的(Groeneboom and Wellner,1992;Huang,1996).换言之,实验中的每个个体只被观测一次,我们对于感兴趣事件的发生时间所观测到的信息只是事件已经发生或者事件仍未发生.Ⅰ型区间删失数据通常也被称为现状数据(Rossini and Tsiais,1996;Martinussen and Scheike,2002).Ⅱ型区间删失数据是指感兴趣的事件发生在某个有限的时间区间中(Huang and Wellner,1997;Sun,1998,2005).这种数据有几种不同的表达方式,其中一种常见的是K型区间删失数据,即存在一列观测的时间点,真实的失效时间仍落在某两个观测时间点内,数据的具体形式在第一章中给出.这种删失数据也是我们要重点研究的数据类型.本文将主要研究叁个与K型区间删失失效时间数据相关的半参数回归分析问题.首先,我们研究了带有信息的K型区间删失失效时间数据下,可加危险率模型的半参数分析问题.已有很多学者考虑了失效时间数据的回归分析问题,其中可加危险率模型(Lin and Ying,1994)是较为常用的模型之一.在以往的研究中,多数文章假设感兴趣的失效时间和删失机制是独立的(Chen et al.,2013;Huang,1996;Sun,2006),但在实际情况中,这个假设未必成立,即删失是相依的或者有信息的.对于删失机制与感兴趣的失效时间相关的情况,已有学者提出了一些方法,如:Ma et al.(2015),Wang et al.(2016),Zhang et al.(2005,2007).这里对于K型区间删失数据,我们考虑失效时间和观测过程是相依的或者有信息的,因而实际讨论的是K型有信息区间删失数据.为刻画有信息删失或者建立感兴趣的失效时间和删失变量之间关系,常用的有两种方法:Copula模型方法和脆弱模型方法.针对上述问题,我们考虑的是使用脆弱模型来刻画失效时间和观测过程间的相关关系.为介绍K型区间删失失效时间数据的形式,考虑一个包含n个独立个体的失效时间研究.令Ti表示第i个个体的感兴趣事件的失效时间.对于第i个个体,假设存在一个p维的协变量向量,记为xi,并且有一列观测时间点Ui0=<0<Ui1<Ui2<...<其中,Ki表示这个个体的观测时间点的个数.定义Ni(t)=Σj=1Ki I(Uij≤t),δij = I(Ui-1<Ti≤Uij)i=1,...,n,j=1,...,Ki.则Ni(t)表示第i个个体到时刻t时,观测时间点的总个数,可以看到,其只在每个观测时间点跳跃,因此K型区间删失数据有如下形式:O = Oi=(τi,Uij,δij,xi,j = 1,...,i = 1,...,n }在上面数据中,τi记为第i个个体的跟踪时间,并且假设其与失效时间Ti是独立的.为了描述感兴趣的失效时间和删失机制之间的联系,假设存在一个潜变量bi.在给定协变量xi和潜变量bi·条件下,Ti和Ni(t)是独立的.同时假设在给定xi和b条件下,Ti服从如下可加危险率脆弱模型:λi(t|xi,bi)= λ0(t)+ xiTβ1+biβ2,(1)其中,A0(t)表示一个未知的基准危险率函数,β1,β2是未知的回归参数.进一步地,假设给定xi和bi条件下,Ni(t)是一个非齐次的泊松过程,其强度函数为λih(t|xi,bi)= λ0h(t)exp(xiTα + bi),(2)其中,λ0h(t)是一个未知的连续基准强度函数,α同β1和β2类似,是回归参数向量,显然,参数β2表示失效时间和观测过程之间联系的程度.当β2=0时,上述两者是独立的.定义β=(β1Τ,β2)Τ,Λ0(l)=∫0t λ0(s)ds.对于模型(1)和模型(2)的统计推断问题,如果bi的分布是已知的,我们可以使用观测似然函数,即包括bi的分布函数和给定Uij,bi和xi时的条件似然函数做推断,这里条件似然函数如下:其中,Si(t)=exp(-Λ0(t)-(xiTβ1+ biβ2)t).另一方面,可以看到,似然中会涉及到一些复杂的积分,并且bi的分布通常是未知的.为了解决这些问题,我们借鉴Huang and Wang(2004)和Wang et al.(2016)文章中的想法,给出相对容易实现的两步估计方法.两步估计方法的主要想法是首先估计模型(2)中的未知部分,然后使用Sieve极大似然方法估计模型(1)中的未知部分.下面,我们假设Λ0h(τ0)= 1,其中,A0h(t)=f0tλ0h(s)ds,τ0表示最长的跟踪时间.为了估计模型(2),注意到在关于Ni(t)的假设下和给定xi和bi时,观测次数Ki服从泊松分布,均值为Λih(τi|xi,bi)=Λ0h(τi)exp(xiTα+bi).并且注意到由Wang et al.(2001)文章中的估计方法和结果,可以使用非参数极大似然函数估计量来估计Λ0h(t).在上面式子中,s(l)是观测时间点{Uij}的有序且不同的取值,d(l)是等于s(l)的观测时间点的个数,R(l)是观测时间和观测终止时间满足Uij ≤s(l)≤τi的观测事件的总个数.对于回归参数α的估计,可以定义一列估计方程,如下:其中,xiT =(1,xiT),wi是可以依赖xi,τi和Λ0h的权重.令α表示参数α的估计量,则可以用下式来估计或者代替bi,bi=log{Ki/Λ0h(τi)exp(xiTα)}从而进一步估计回归参数β1和β2.对于模型(1)的推断,注意到如果bi已知,此模型则退化为通常的可加危险率模型,可以基于似然函数L(β,Λ0|bi's)对模型进行推断.因此,为了估计模型(1)中的参数,很自然地极大化估计后的似然函数或者工作似然函数L(β,Λ0|bi's).同时需要注意的是L(β,Λ0|bi's)中涉及到无穷维的未知函数Λ0(t),而这项的存在会使得函数的极大化过程变得困难.为解决这个问题,我们使用基于逐段常数的Sieve方法先对未知函数Λ0(t)进行近似.具体方法在第二章中给出.注意到在估计问题中涉及到未知函数时,Sieve方法经常被用来简化问题,并且在不同的情况包括在脆弱项模型框架下,其近似效果都是较有效的(Huang and Rossini,1997).定义θT=(βT,γT),令yi =(xiT,bi)T,yi=(xiT,bi)T.则我们可以定义β和Λ0(t)或者θT的Sieve极大似然估计量,记为θ =(βT,γT)T.上述估计量为使下式在Sieve空间Ω×Φqn 上达到最大时取到的值,l(β,γ|bi's)= l(β,Λn(t)|bi's)=log L(β,Λn(t)|bi's)=∑i=1n l(i)(β,Λn|bi's),其中Ω是Rp+1的有界子集.给定qn和tl时,我们需要求解下列工作得分方程iβ(β,Λn|bi's)= 0,iγl(β,Λn|bi's)= 0.其中,iβ(i)(β,Λn|bi)和iγl(i)(β,Λn|bi)的具体形式在第二章中给出.对于上面估计方法的具体实现,有很多已有的优化方法可以使用,包括Nelder-Mead单纯形法和Newton-Raphason法,而我们使用的是R中的无约束的非线性优化函数nlm.对于β0的统计推断,显然我们也需要估计β的协方差矩阵.这里参考文章Efron(1979),He et al.(2009),Huang et al.(20 10),采用简单的 bootstrap 方法估计协方差阵.具体地,令B为提前给定的正整数.对于每个b = 1,...,B,从观测数据O中可重复的抽取样本量为n的一个随机样本O(b)={Oi(b);i=1,...,n},令β(b)记为基于bootstrap数据集O(b)的参数β的估计量.故β的协方差矩阵的一个自然估计量给出如下:其次,我们讨论有信息删失的K型区间删失失效时间数据的半参数分析问题.不同于第一个研究问题,这里并不使用两步的估计方法,而是考虑一种基于全似然的估计方法.通过假设存在一个共有的脆弱项,来刻画失效时间和观测过程间的相关性,从而建立联合模型.对于有信息的删失,已有很多研究(Ma et al.,2015;Wang et al.,2016).处理有信息删失数据的较常用的方法有Copula模型方法(Zhao et al.,2015;Ma et al.,2015)和潜变量或者脆弱模型方法(Zhang et al.,2005,2007;Li et al.,2017;Liu et al.,2016).下面我们要研究的问题是基于脆弱模型方法的.考虑一个包含n个独立个体的失效时间研究.沿用第一个问题中定义的记号,同时假设存在一个潜变量b,作为感兴趣的失效时间和观测过程之间的联接.因此,对于n个个体的一个完整的随机样本为(Ni(·),xi,τi,Uij,δji,bi,j=1,...,Ki),i=1,2,...,n.可以注意到,观测数据为O = {Oi=(xi,τi,Uij,δij,j=1,...,Ki),i=1,...,n}.其中,τi记为第i个个体的跟踪时间,并且假设其与失效时间Ti是独立的.我们做如下的模型假设:(A1)对于个体i,存在一个潜变量bi给定协变量xi和bi时,观测过程Ni(t)是一个非齐次的泊松过程,其强度函数为λih(t|xi,bi)= λ0h(t)exp(xiTα + bi),其中,α是一个p× 1的回归参数向量,λ0h(t)表示一个完全未知的连续的基准强度函数且Λ0h(t)=∫0t λ0h(s)ds.潜变量bi和协变量xi是独立的.(A2)给定xi和bi时,Ti服从下面的可加危险率脆弱模型λi(t|xi,bi)=λ0(t)+xiTβ1±+biβ2,其中,λ。(t)表示一个完全未知的基准危险率函数且Λ0(t)= ∫0tλ0(s)ds,β1和β2是未知的回归参数.(A3)在给定脆弱项bi和协变量xi后,假设失效时间Ti和观测过程Ni(·)是条件独立的.(A4)假设bi是独立同分布的正态随机变量,其均值为0,方差未知,记为σ2.记θ =(β1T,β2,α T,σ2,Λ0(·),A0h(·))为未知参数,f(bi)是脆弱项的密度函数,对于观测数据O ={Oi,i=1,...,n},其全似然为其中,S(t)=exp {-Λ0(t)-t(xiTβ1+biβ2)},δi=(δi1,...,δiKi),=(Ui1,...,UiKi),Lδi|Ui,Ni(τi)=Ki,bi(θ),Lui,Ni(τi)=Ki|bi(θ),f(bi;σ)的具体形式将在第叁章中给出.接下来,我们考虑直接极大化基于观测数据的似然函数lO(θ).但是其中包含无穷维的未知函数Λ0(·)和A。h(.),使得直接极大化观测似然函数变得很困难.因此,我们参考Huang and Rossini(1997)中的想法,使用基于Bernstain多项式的Λn(.)和Λnh(·)来逼近函数Λ0(·)和A0h(·),其中,a1,a2表示观测时间的上下界γl和ξl是未知的待估参数.此外,Bl=(t,m,a1,a2)=Cml(g-a1/a2-a1)l(1-t-a1/a2-a1)m-1,其中,m表示Bernstain多项式的阶数,通常对0<v<1/2,m取为o(nv),当0<a1<1/2时,Mn= O(na1).完成上面的近似后,下面利用EM算法对参数进行估计.定义完整数据为{(Oi,bi),i=1,...,n}.令b=(b'1,...,b'2)',完整数据的似然函数为:LC(θ;O,b)=ΠLδi|Ui,Ni(τi)=Ki,bi(θ)·LUi,Ni(τi)=Ki|bi(θ)·f(bi;σ2).则,在给定观测数据和当前估计的条件下,计算第(k+ 1)步迭代中(4)式对数的期望,即为:Q(θ|O,θ(k))=E[lC(θ;O,b)|O,θ(k)]-E[1/2log2π+logσ+bi2/2σ2|Oi,θ(k)]}.(5)在上述条件期望的计算中,较难处理的是计算下面形式的积分,E{g(bi)|Oi,θ(k)}=∫g(bi)f(biOi,θ(k))dbi,(6)其中,g(bi)是bi的函数,f(bi|Oi,θ(k))是给定观测数据和θ的第kk步迭代估计的条件下,bi的概率密度函数.这里,由于(6)中的积分没有解析形式,故使用Monte Carlo方法对其近似.在第(kk + 1)步迭代中,关于参数θ极大化条件期望(5)式,得到得分函数Sβ1(θ1),Sβ2(θ1),Sλl(θ1),Sα(θ2),Sξl(θ2),得分函数的具体形式可在第叁章中给出,令上述得分函数为零,从而获得第(k+1)次的更新估计.综合以上步骤,我们可以得到以下算法:第一步.选择m的值和给出所有参数的初始值,即θ(0);第二步.在第(k+1)步迭代中,在θ=θ(k)下,计算条件期望Ei{φi1},Ei{φi2},Ei{φi3},Ei(bi),Ei[ebi],Ei(bi2);第叁步.给定γl =γl(k),l= 0,1,...,m,通过解方程组Sβ1(θ1)=0和Sβ2(θ1)=0,得到更新估计量β1(k-1)和β2(k+1);第四步.给定β1 = β1(k+1),β2=β2(k+1),通过解方程组Sγl(θ1)=0,得到更新估计量#+1);第五步.给定ξl =ξl(k),l=0,1,...m,通过解方程组Sα(θ2)=0,获得更新估计量α(k+1);第六步.给定α =α(k+1),通过解方程组Sξ(θ2)=0,得到更新估计量为ξl(k+1);第七步.由具体给出的解析表达式,给出参数σ2的第(k+1)步估计量σ2(k+1);第八步.重复第二步到第七步,直至收敛.下面,在给定一些正则性条件下,估计量θ的理论结果在下列定理中给出,且所有极限均取在n → ∞的条件下.定理1假定第叁章中的正则条件成立,β1,β2,α,σ2分别是β10,β20,α0,σ02的强相合估计量,且有‖Λn-Λ0‖2→0,‖ΛAnh-Λ0h‖2→0几乎处处成立.定理2假定第叁章中的正则条件成立,d(θ,θ0)= Op(n-(1-v)/2 + n-rv/2),当v=1(1+r)时;有d(θ,θ0)= op(nr/(n-r/(2+2r)).定理3假定第叁章中的正则条件成立,则n1/2((β1-β10)T,(β2-β20),(α-α0)T,(σ2-σ02))→N(0,Σ)依分布成立,(β1T,β2,αT,σ2)τ是半参数有效的.其中,对于渐近方差矩阵的估计,我们采用简单的Bootstrap方法进行估计.最后,我们研究了存在治愈子组时,相依区间删失失效时间数据的半参数分析问题.在生存分析的多数统计方法中,一个经常性的假设是假设所有实验个体是敏感的且在时间足够长时,是会经历感兴趣的失效事件的.但在现实中,因现代医疗水平的提高等原因,生存概率也有提升.在一些情况下,研究总体中可能既存在敏感的子总体,也存在对于感兴趣事件不敏感的治愈子总体,而只有敏感个体才可能会经历感兴趣的失效事件.对于治愈率,主要研究方法有两种:混合治愈模型和非混合治愈模型.关于非混合治愈模型的研究已有很多,如:Tsodikov(1998),Tsodikov et al.(2003),Zeng et al.(2006),Liu and Shen(2009),Hu and Xiang(2013)等.同时,混合治愈率模型也引起了学者们的广泛关注(Berkson and Gage,1952;Farewell,1982;Kuk and Chen,1992;Lam and Xue,2005;Mao and Wang,2010),这种模型是两个回归模型的混合,并且对于非治愈子总体的治愈函数和生存函数中的协变量可以有不同的解释.下面的研究也是在混合治愈模型下,考虑了相依区间删失的半参数问题.考虑一个包含n个独立个体的失效时间研究,其中可能存在治愈的子总体.令T表示感兴趣的失效时间,协变量向量记为X ∈Rp.在混合治愈模型方法(Farewell,1982)下,失效时间的分解给出如下:T = YT*+(1-Y)∞,其中,y是治愈指示变量,当研究个体对感兴趣的事件敏感时,取值为1;当个体被治愈或者不敏感时,取值为0.T*<∞记为敏感个体的感兴趣的失效时间.假设对于y,也存在与其相关的协变量Z ∈Rq,则对于治愈指示变量Y,有logistic模型如下:π(Z)=P(Y=1/Z)=exp(ηTZ)/1+exp(ηTz),(7)这里,η是q维的未知的回归参数向量,协变量Z可能和X相同,或是X的一部分,或者与X完全不相同.假设失效时间T不能被精确地观测到,而是得到一系列的观测时间点,记为 Ui0 = 0<Ui1<Ui2<…<UiKi,且有 δij=<Ti ≤ Uij),i =1,...,n,j = 1,...,Ki.可以看到,感兴趣的失效时间只属于某个观测时间段,Ki·记为已发生的观测时间点的总个数.引入一个观测过程N(t),对于某个体,令N(t)=∫0tdN(u)表示在(0,t]内观测时间点的个数,其中,dN(t)=N(t+dt)-N(t)记为在小的时间区间(t,t+dt]中观测时间点的个数.对于跟踪时间τ,N(τ)= K.因此,观测数据为:{Oi =(Xi,Zi,τi,Uij,δij,Ki,j = 1,...,Ki),,i = 1,2,...,n }.其中,对于第i个个体,τi记为其相应的跟踪时间,假设其与Ti独立.则可以得到K型区间删失数据.事实上,感兴趣的失效时间和观测过程可能是相关的.类似地,为了描述上面提到的两者之间的关系,假设存在潜变量b,作为联系失效时间和观测过程的桥梁.对于模型的假设和第二个研究问题中类似,具体内容在第四章中给出.记θ =(β1T,β2,αT,ηT,σ2,Λ0(·),Λ0h(·))为未知参数,f(bi)为脆弱项的密度函数,对于观测数据O={Oi,i=1,...,n}的全似然有如下形式:(8)接下来,我们将讨论感兴趣的参数的估计问题.对于未知函数λ0(·)和Λ0h(·),参考 Liu et al.(2016),在 I =[a1,a2]上,使用基于 Bernstain 多项式的Sieve方法对其进行近似,其中,a1,a2表示观测时间的上下界.对于参数的估计,我们使用EM算法.首先注意到如果bi是可观测的,基于数据{(Oi,bi),i =1,...,n}的伪完整数据似然函数为LC(θ)=L1(θ1)L2(θ2)L3(σ2).(9)上述中,θ1=(β1T,β2,η,Λ0(·)),θ2 =(α,Λ0h(·)),及则在给定观测数据和当前估计量的条件下,计算第(l+1)步中(9)式的对数的期望,即为,Q(θ|O,θ(k)= Eb[lc(θ)|O,θ(k)]=Eb[logL1(θ1)|O,θ(k)]+ Eb[logL2(θ2)|o,θ(k)]+ Eb[logL3(σ2)|o,θ(θ)],(10)其中,Eb[lC(θ)|O,θ(k)]表示在给定观测数据和当前估计值θ(k)条件下,logLc(θ)关于b的条件期望.在M步中,需要分别关于θ1,θ2和σ2极大化下面函数,Eb[logL1(θ1)|O,θ(k)],Eb[logL2(02)|o,O(k)],,Eb[log L3(σ2)|0,θ(k).对于这些期望,可以看到并没有解析形式,故这里采用Monte Carlo方法进行数值近似,具体细节在第四章中给出.在第(kk + 1)步迭代中,关于参数θ极大化条件期望(10)式,得到得分函数Sβ1(θ1),Sβ2(θ1),Sη(θ1),Sγl(θ1),Sα(θ2),Sξl(θ2),具体形式在第四章中给出,令上述得分函数为零,从而获得第(k+1)次的更新估计.综上,我们提出的EM算法可以分为以下步骤:第一步.选择m的值和给出所有参数的初始值为θ(0);第二步.在第(k+1)步迭代中,在θ=(k)下,计算条件期望Ei{φi1},Ei{φi2},Ei{φi3),Ei{φi4},Ei{φi5},Ei{φi6} Ei{φi7},Ei[ebi],Ei(bi2)at θ=θ(k).第叁步.给定γl= γl(k),l=0,1,...,m,通过解方程组Sβ1(θ1)=0,Sβ2(θ1)= 0和Sη(θ1)=0得到更新估计量β1(k+1),β2(k+1)和η(k+1);第四步.给定β1=β1(k+1),β2=β2(k+1)和η= η(k+1),通过解方程组Sγl(θ1)=0,得到更新估计量γl(k+1);第五步.给定ξl=ξl(k),l= 0,1,...,m,通过解方程组Sα(θ2)=0,获得更新估计量α(k+1);第六步.给定α=α(k+1),通过解方程组Sξl(θ2)=0,得到更新估计量为ξl(k+1);第七步.由具体给出的解析表达式,给出参数σ2的第(k+1)步估计量σ2(k+1);第八步.重复第二步到第七步,直至收敛.下面,在给定一些正则性条件下,估计量θ的理论结果在下列定理中给出,且所有极限均取在n → ∞的条件下.定理4假定第四章中的正则条件成立,β1,β2,α,η,σ2分别是β10,β20,α0,η0.,σ02的强相合估计量,且有‖Λn-Λ0 ‖2 → 0,‖Λnh-Λ0h ‖2 →0几乎处处成立.定理5假定第四章中的正则条件成立,d(θ,θ0)= Op(n-(1-v)/a +n-rv/2),当 v = 1/(1+r)时,有d(θ,θ0)=Op(n-r/(2+2r)).定理6假定第四章中的正则条件成立,则n1/2((β1-β10)T,(β2-β20),(α-α0)τ,(η-η0)T,(σ2-σ02))→ N(0,Σ)依分布成立,(β1R,β2,αT,ηT,σ2)T是半参数有效的.其中,对于渐近方差矩阵的估计,我们采用简单的Bootstrap方法进行估计.(本文来源于《吉林大学》期刊2018-12-01）
失效数据分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
锅炉水冷壁失效直接影响锅炉正常运行,通常在工业生产过程中,采用多种检测手段判断锅炉水冷壁失效原因。常见手段包含目视检查、化学分析、光学显微镜、扫描电子显微镜和能量色散光谱等,本文通过多实验手段实现对多种数据源进行汇集,采用大数据分析手段,得出在破裂的管上进行管壁厚度测量变化,结果显示朝向火的侧面经历了显着的壁变薄,而管的基质材料的组成符合相关标准的要求。通过分析并通过显微镜观测,珠光体的球化不是很明显,从而确定失效机理是由于氧化导致锅炉水冷壁显着局部壁变薄。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
失效数据分析论文参考文献
[1].王璨,董玉革,黄聿锋,丁曙光.基于无失效数据失效概率多层Bayes估计的单失效数据可靠性分析[J].机械工程师.2019
[2].李曼.以大数据分析为载体的锅炉水冷壁失效分析[J].工业加热.2019
[3].王守镜,廖先珍,王梦婷,龚敏,谢延媛.基于层次分析法与维修数据的消化内镜失效元件分析[J].华西医学.2019
[4].佐磊,孙洪凯,何怡刚,尹柏强,胡小敏.无失效数据的MEMS传感器可靠性分析[J].电子测量与仪器学报.2019
[5].吕佳慧.基于传统统计分析和共词分析的失效案例数据挖掘[D].华东理工大学.2019
[6].王璨.基于无失效数据的液力变速箱可靠性分析[D].合肥工业大学.2019
[7].闫恒娜,赵培育,钟国扬.汽车零部件可靠性试验样本量及失效数据分析[J].中国汽车.2019
[8].章留斌,陈天明,阿达来提·杂满,姚钧浩.民间舆论场域中失效的议程设置与极化的网络群体——基于“江歌事件”新浪微博数据的内容分析[J].情报科学.2019
[9].王新鹏,张静远,张洪刚.无失效数据条件下装备贮存可靠性分析[J].系统工程与电子技术.2019
[10].王淑影.带有信息的区间删失失效时间数据的半参数分析[D].吉林大学.2018
论文知识图
