在可靠性分析中,多组分应力-强度模型可以描述一个系统的可靠性,该系统具有n个完全独立的强度分量X1、X2、?、Xn,并受到共同随机应力Y的作用。只要至少有k(1≤k≤n)个分量同时工作,系统就能正常运行。该模型在工业工程、电子系统、通信系统、航空航天等多个领域有着重要的应用[1]、[2]、[3]。例如,一辆汽车只要有四个气缸在运转就可以行驶;在悬索桥中,桥面由悬挂在塔架上的多根垂直缆绳支撑。假设一座悬索桥由n对垂直缆绳组成。只有当至少有k根缆绳在承受重载、风荷载、腐蚀等应力时没有损坏,桥梁才能保持完好。另一个例子是,一个拥有八个发电机组的发电站只有当至少有6个机组在运行时才能产生足够的电力[4]。这些情况对应于k-out-of-n:G系统。在这个框架下,多组分系统的可靠性由以下公式给出:
这一公式最初由Bhattacharyya和Johnson研究[5]。
近年来,许多学者尝试使用矩估计、ML估计、主观贝叶斯(SB)估计、自助法以及渐近置信区间估计来估计Rk,n,在强度和应力为独立/相关随机变量的情况下[6]、[7]、[8]、[9]、[10]、[11]、[12]。这些研究的一个共同点是假设应力和强度变量属于同一分布族,例如Marshall-Olkin双变量Weibull分布[9]、Kumaraswamy分布[13]和加权指数-Lindley分布[14]。然而,这一假设限制了该模型的应用范围,实际上并没有物理上的理由要求应力和强度变量必须属于相同的分布。尽管最近的研究已经考虑了动态因素,如时变冲击[15],但相同分布的假设仍然是一个限制性因素。因此,研究应力 and 强度遵循任意、可能不同的分布时的可靠性估计既有意义又尚未充分探索,这构成了本研究的主要目标。
在上述研究中,ML估计是常用的可靠性Rk,n估计方法。然而,正如文献中指出的(例如[16]),当样本量较小时,这种估计方法的性能较差——这是可靠性测试中常见的情况,因为受到成本和时间的限制。在这种数据稀缺的环境中,估计不准确的后果是深远的。例如,在可靠性改进和决策过程中,应力-强度模型直接用于量化制造商和客户的预期损失成本[17]。在这种情况下,由于小样本导致的偏差或高方差估计可能会导致次优的设计选择和错误的保修政策,最终造成更大的经济损失。尽管上述研究中的一些作者使用主观贝叶斯方法通过结合专家知识来克服小样本估计的缺陷,但在缺乏实质性先验知识和历史数据的情况下,确定合适的主观先验分布往往很困难。在新系统的开发或处理新型失效模式时,这种限制尤为突出,因为这些信息通常无法获得。因此,迫切需要一个不依赖于强先验假设或大样本量的稳健估计框架,以确保后续以可靠性为中心的决策的准确性。那么,在没有先验知识和历史数据的情况下如何确定先验分布就是一个有趣且重要的问题。
OBM为这两个挑战提供了有希望的解决方案:缺乏先验知识和需要稳健的小样本推断。Jeffreys先验[18]和参考先验[19]、[20]是这一范式中两种最著名的非信息性先验。这些先验仅从模型的似然函数中得出,具有诸如在一一对应参数变换下的不变性等理想属性,从而确保了推断的一致性[21]。OBM已成功应用于各种小样本情况下的统计可靠性模型,如加速退化模型[22]、双变量Marshall-Olkin指数模型[23]以及渐进截尾下的Pareto模型[24]。然而,除了文献[25]采用了一种不同的基于核的方法来处理相同的应力-强度模型设置外,从客观贝叶斯角度出发估计Rk,n,在不同应力-强度分布的假设下,这一问题在已发表的文献中基本上尚未得到解决。
基于上述原因,我们讨论了在应力和强度变量独立且属于不同分布的假设下,使用OBM估计模型参数和Rk,n的方法。我们从模型参数的Jeffreys先验和两个参考先验出发,利用Gibbs采样算法,在平方误差损失函数下获得了模型参数和Rk,n的客观贝叶斯估计。这项工作与现有文献有所不同,具体体现在以下几个方面:
(1) 我们摒弃了应力和强度遵循相同分布族的常见但不切实际的假设。通过允许它们属于不同的分布(Unit-Weibull和Unit-Gamma),我们的模型为现实世界中的工程系统提供了更大的灵活性和适用性,在这些系统中,应力和强度的失效机制可能是不同的。
(2) 虽然存在OBM方法,但它们在具有不同应力-强度分布的多组分系统中的应用仍然很少。我们为该模型开发了一个完整的客观贝叶斯框架,推导并应用了Jeffreys先验和参考先验。这为小样本问题提供了一个原则性、客观的贝叶斯解决方案,克服了ML估计的局限性。
(3) 我们通过证明后验分布的适当性(确保推断的有效性)并开发了Gibbs采样算法,提供了一个完整且实用的解决方案。这使得可靠性工程师能够在数据有限的情况下获得稳健的点估计和可信的区间估计。
总之,我们的创新之处在于为一个通用且实际相关的多组分应力-强度模型量身定制、验证并证明了全面客观贝叶斯框架的有效性,在该模型中,应力和强度遵循不同的分布。
本文的其余部分安排如下。第2节首先给出一些基本假设,然后推导出Rk,n。第3节推导出Jeffreys先验和两个未知参数的参考先验,然后提出三种Gibbs采样算法来估计模型未知参数和Rk,n。第4节获得了未知参数和Rk,n的ML估计、渐近置信区间和自助法估计。第5节进行了模拟研究以比较所提出的方法。第6节分析了一个实际案例。最后,第7节给出了结论。