总结
在制造业中,研究机械部件在应力作用下失效之间的关系可能很重要。例如,电子产品中的集成电路和存储芯片在不同程度的电子冲击下发生故障。这些研究对于开发新产品和改进现有产品非常重要。为了简单起见,我们假设两组分系统,并假设联合失效概率随着应力的增加而增加,作为一个累积的二元威布尔函数。利用Gumbel模型、双变量二元Cox模型和双变量probit模型,对两个相关的二进制响应进行了优化设计。在所有这些模型中,损伤量从−∞到∞不等。在威布尔模型中,损伤量为正,这对于电压、张力或压力等实验因素来说是自然的。我们描述了二元威布尔假设下的局部最优设计。由于非线性模型的局部最优设计依赖于预定的参数值,因此错误指定的参数值可能导致设计效率低下。然而,我们发现威布尔模型下的最优设计在大范围的错误指定参数值上是令人惊讶的有效。为了提高效率,我们建议采用多级程序。我们展示了使用两阶段程序如何比针对错误参数的最佳设计提供实质性改进。
1.简介
在制造业中,研究承受压力的机器部件故障非常重要。例如,集成电路和存储芯片在不同程度的电击下发生故障,或在不同车速下发生碰撞损坏。这些研究对于开发新产品和改进现有产品非常重要。为了获得成功的研究,工程师需要在有限的预算和时间内进行高效的实验设计。
通过使用包括Gumbel模型(Dragalin和Fedorov,2006),二元二元Cox模型(Dragalin等.,2006)和双变量probit模型(Dragalin等.,2008年a). 在所有这些模型中,随机变量的范围从−∞到∞。然而,在实践中,机器部件的损坏程度不能为负值。它必须是积极的。在威布尔模型中,随机变量的范围从0到∞,这对于这些实验研究来说是很自然的。在Rabie和Flournoy中导出了具有三元响应的Weibull模型的优化设计(2004,2013),而在这里,我们对两个相关的二进制响应产生的四种可能结果进行了建模。
作为一个实例,本文介绍了一次汽车碰撞试验。碰撞试验是一种破坏性试验,用于确保各种车型的汽车或车辆或相关系统和部件的安全。主要供应商是国家公路交通安全管理局、公路安全保险研究所和澳大利亚新车评估计划。问题是碰撞试验通常在一组条件下对一辆或几辆车进行。例如,澳大拉西亚新车评估项目以一个速度等级(64公里小时)进行正面偏置碰撞测试−1). 有关更多详细信息,我们建议使用澳大利亚新车评估计划的网页(网址:www.ancap.com.au). 由于存在多个变化来源,因此将安全评估建立在少数车辆以同一速度行驶的基础上是不可靠的。为了改善这些问题,可以通过少量试验来估计各种速度的良好统计模型,从而获得更好的评估结果。
本文描述了二元威布尔假设下的局部最优设计。术语“局部”反映了这样一个事实,即非线性模型中的最优设计在特定(未知)参数值下是最优的。我们展示了如何通过使用两阶段程序来大幅改进参数错误的局部优化设计。为了简单起见,我们假设两个相关组件发生故障。以碰撞试验为例,考虑了两个部件(假人和车辆),我们假设部件失效概率随着应力的增加而增加,这是一个累积的双变量Weibull回归模型。
为了计算假定已知参数向量的最优设计,我们使用交换算法(参见Fedorov和Hackl(1997),第3章);它在网上描述补充材料使用此算法,我们计算最大化信息矩阵行列式的设计。在实际情况下,测试人员可能不希望在较高的应力水平下增加严重损坏的风险。为了解决这个问题,我们描述了在较高压力水平下减少测试频率的惩罚函数。由于非线性模型的优化设计依赖于真实的参数值,因此需要对错误指定的参数具有鲁棒性。我们描述了局部最优设计在广泛的可能参数值范围内的鲁棒性。然后,我们展示了如何通过使用两阶段程序来显著改进具有错误指定参数的局部最优设计。
用于分析数据的程序可以从
https://academy.oup.com/jrsssc/issue网站/
2.模型和局部最优设计
2.1. 二元二进制结果
本文考虑两个相关的二进制结果。让U型和五分别表示第一和第二系统组件的结果,0表示无故障,1表示故障。让,表示给定压力的结果概率x个,其中θ表示所有向量米模型参数。正在删除对的引用x个和θ当不混淆时,第页紫外线=第页紫外线(x个,θ),可按通用列联表格式及其相关的边际概率排列:表1.
第二个组件. | 第一个组件. | . |
---|
0(成功). | 1(失败). | . |
---|
0(成功) | 第页00 | 第页10 | 第页·0 |
1(失败) | 第页01 | 第页11 | 第页·1 |
| 第页0· | 第页1· | 1 |
第二个组件. | 第一个组件. | . |
---|
0(成功). | 1(失败). | . |
---|
0(成功) | 第页00 | 第页10 | 第页·0个 |
1(失败) | 第页01 | 第页11 | 第页·1 |
| 第页0· | 第页1· | 1 |
第二个组件. | 第一个组件. | . |
---|
0(成功). | 1(失败). | . |
---|
0(成功) | 第页00 | 第页10 | 第页·0 |
1(失败) | 第页01 | 第页11 | 第页·1 |
| 第页0· | 第页1· | 1 |
第二个组件. | 第一个组件. | . |
---|
0(成功). | 1(失败). | . |
---|
0(成功) | 第页00 | 第页10 | 第页·0 |
1(失败) | 第页01 | 第页11 | 第页·1 |
| 第页0· | 第页1· | 1 |
让Y(Y)和Z分别表示组件1和组件2上的损坏量,并让(f)(年,z|x个,θ)是向量为米模型参数θ详见第节2.4现在假设失效(致命损伤)是由二分损伤测量定义的Y(Y)和Z:
(1)
哪里和是预定的截止值。然后是表中的概率1是
2.2. 局部最优设计与D-最优
两个组件出现故障的单个试验的可能性U型和五在压力下x个是
在标准规则条件下(参见Ferguson(1996),第18章)米×米应力下单个观测值的信息矩阵x个是
其中“T”表示转置。
将设计表示为
哪里
设计中n个我可以是任何实数,例如∑n个我=n个称为连续设计。由于忽略了n个我必须是整数简化了寻找最优设计的问题,本文中的理论假设ξ是一个连续的设计。因此,我们让w个我∈[0,1]和∑w个我= 1. 当然,为了实现连续设计n个我必须由整数近似。设计的平均信息矩阵ξ是
(2)
最优设计用于以最小“方差”估计参数。与非最优设计相比,可以用较少的实验次数和较小的成本估计参数,但精度相同。引入了许多优化目标函数Ψ。然后局部最优设计定义为
哪里是一组设计重量和支撑点的所有可能组合一个流行的标准是D类-最小化信息矩阵行列式逆的最优性。在本文中,我们使用D类-有利于估计所有参数的最优性:其中|·|表示行列式。
机械系统测试会导致部件损坏和试验费用,这取决于所使用的应力水平。惩罚函数可用于在设计过程中考虑这些因素。如果部件昂贵,并且测试具有破坏性,则可能希望惩罚高应力水平。类似于德拉加林和费多罗夫(2006),我们考虑惩罚函数
(3)
哪里第页1·和第页·1是边际结果概率,C类1>0, C类2>0和c(c)是试用成本。该惩罚函数随组件故障的边际概率增加而增加。什么时候?C类1=0,仅对部件2中失效概率高的应力试验增加惩罚,而如果C类2=0,仅在部件1中失效概率高的应力下进行试验时,才增加罚款。为了避免无限惩罚,我们限制了惩罚函数,以便ϕ(x个,θ,C类1,C类2) ∈ [一,b条]其中一,b条∈R(右)+为了进行说明,请参见图。1我们假设最低罚款为一= 1; 最高罚款不应超过组件的总价格,即5。我们让试验费用c(c)= 0.2. 因此我们截断了方程(3)在5.2,因此当罚函数达到5.2时,它变为常数。
图1。
有界惩罚函数:
让表示设计中的预期惩罚ξ如果总成本受到限制,即。n个Φ(ξ)<C类哪里C类是一个实验总“成本”的预定极限,那么惩罚的局部最优设计可以定义为
(4)
在条件下
(5)
(盖沃龙斯基和费多罗夫,1984; 库克和费多罗夫,1995). 如果设计是连续的,则条件(5)下的设计(4)等于
基弗和沃尔福威茨(1960)等价定理,White将其扩展到涵盖非线性函数(1973),用于在本地查找D类-最佳设计。它表示以下条件是等效的(参见Fedorov和Hackl(1997)其他标准的等效条件列表)。
- (a)
.
- (b)
ξ*(θ)=arg最小值ξ最大值d日(x个,ξ,θ)其中d日(x个,ξ,θ)=tr{μ(x个,θ)M(M)−1(ξ,θ)},tr(·)表示矩阵的迹。
- (c)
d日(x个,ξ*,θ)⩽米,对于所有人,其中米=尺寸(θ). 此外,d日(x个,ξ*,θ)=米在的所有支撑点ξ*.
如果惩罚函数包含在实验中,则以下条件是等效的。
- (d)
.
- (e)
ξ*(θ)=参数pt(磅)最小值ξ最大值[d日(x个,ξ,θ)−{ϕ(x个,θ)/Φ(ξ,θ)}米]其中d日(x个,ξ,θ)=tr{μ(x个,θ)×M(M)−1(ξ,θ)}.
- (f)
ϕ−1(x个,θ)d日(x个,ξ*,θ)⩽Φ(ξ*,θ)米,对于所有人,其中米=尺寸(θ). 此外,ϕ−1(x个,θ)×d日(x个,ξ*,θ)=Φ(ξ*,θ)米在优化设计的所有支持点。
2.3。二元指数模型
我们从本节中描述的双变量指数模型导出了双变量Weibull模型。对模型开发不感兴趣的读者可以跳到第节2.4.
让T型具有生存函数Pr的单变量指数密度(T型⩾t吨)=经验(−βt)用于0<t吨<∞。一元威布尔密度可以通过变换得到Y(Y)=T型1/τ、和W公司=对数(βYτ)遵循密度的标准极值分布(f)(w个)=经验{w个−经验(w个)}. 通过引入协变量作为−log,得到了一个通用的回归模型(β)=ϑT型(f)(x个)这意味着τ日志(Y(Y))=ϑT型(f)(x个)+W公司(见Klein和Moeschberger(2003),第39页)。该回归模型激发了第节中提出的双变量模型2.4.
我们从以下具有三个参数(Proschan和Sullo,1974):
(6)
注意,表达式(6)中的第一种情况是
(7)
其中,括号组将事件的概率质量分开,直至并包括部件1在t吨1从这次失败后事件的概率质量来看。具有速率的指数失效过程β1操作第一个组件,直到其在T型1=t吨1,而指数过程(具有速率β2)在0⩽中操作组件2不会失败T型2⩽t吨1.第三个指数失效过程同时作用于两个组件(速率β三). 在这种情况下,组件2可能会因具体作用于它的过程而失败,也可能会因作用于这两个组件的过程而失效。因此,表达式(7)的第二组括号中出现了两个术语。在损失记忆假设下,表达式(7)表明组件2可能会在联合操作过程中以速率失败β三而不是来自于专门操作组件2的过程(该过程的故障率从β2到β5组件1)或组件2的故障不是由联合过程破坏,而是由专门对其进行操作的过程破坏。
表达式(6)中的大小写,其中0<t吨2<t吨1<∞可以类推解释。当0<t吨1=t吨2<∞,概率质量因子为
通过以下方式反映组件特定过程的无故障t吨1此时,过程共同作用,导致两个组件同时发生故障β三注意,表达式(6)在t吨1=t吨2.
表达式(6)的边际生存函数可以写成加权单变量指数生存函数:
哪里一1=β2/(β1+β2−β4)和一2=β1/(β1+β2−β5). 如果β1=β4,β2=β5和β三=0,则一1=一2=1和表达式(8)简化为两个独立的单变量指数生存函数。
2.4. 二元威布尔模型
哈纳格尔(2005)通过使用表达式(6)创建了一个双变量Weibull模型T型1=Y(Y)τ和T型2=Zτ,τ>0.Hanagal的模型是
(9)
二元威布尔密度(9)的边际生存函数是加权的单变量威布尔生存函数:
(10)
当τ= 1.
表中的结果概率1在二元威布尔模型下,可以根据表达式(9)来计算。例如,当,
(11)
其他概率也可以类似地表示。我们所有的计算都假设我们可以反过来。但是,如果我们标记组件以便是真的,我们不需要计算.
应用于表达式(9)的总概率定律要求每种情况下的概率质量积分为常数,如下所示:
(12)
这些条件意味着初始故障率β1,β2和β三必须是积极的;失败后,费率β4和β5可以是否定的,但是β4和β5必须小于β三因为威布尔密度(10)的尺度参数必须为正。
2.5. 一种新的二元Weibull回归模型
二元威布尔分布中的尺度参数可以写成回归参数的函数:
(13)
哪里η1=η1(x个;ϑ1),η2=η2(x个;ϑ2)和η三=η三(x个;ϑ三)通常是非线性函数;ϑ1,ϑ2和ϑ三可以是参数向量,以及x个可能是协变量的向量。
让θ={ϑ1,ϑ2,ϑ三,τ,β1,β2}. 将回归系数(13)插入方程(11)产量
表中显示的其他结果概率表达式1附录中给出了A类.因为β三必须是正数,ϑ三必须满足以下条件β三=经验(−η三)−β1−β2>0用于.
更换刻度参数(β三+β5,β三+β4和β1+β2+β三)Weibull密度(10)的预测函数exp{−(θ0+θ1x个)},经验{−(θ0+θ2x个)}和exp{−(θ0+θ三x个)}分别是,β三,β4和β5从结果概率表达式中删除,但β1和β2保持(见方程式(17)和附录B类). 这意味着θ0和θ三必须满足条件β三=经验{−(θ0+θ三x个)}负极β1−β2>0用于.制造第页00递减概率函数和第页11递增概率函数为x个增加,θ1,θ2和θ三必须为正数。总结上述条件x个∈[0,1],我们要求
2.6。信息矩阵
双元件失效单系统的对数似然函数U型和五处于压力下x个是
(14)
分数函数可以写成三个矩阵的乘积:我(θ|u个,v(v);x个)/∂θ=基础知识,其中
米j个是中的参数数ϑj个和J型一×b条是一个一×b条1s矩阵,
因此,信息矩阵可以写成
(15)
哪里D类=E类(科科斯群岛T型). 自U型~伯努利(第页1·)和五~伯努利(第页·1)、和U型和五依赖,
3.示例:具有两个组件的系统
假设有一个由两个组件组成的系统。极端的力或应力可能会导致一个或两个部件损坏。给定压力有四种可能的结果(表1).
以碰撞试验为例,本文考虑了两个关键部件。将部件1设为人体部件(人体假人),将部件2设为机器部件(车辆)。我们假设两个组件的损伤量遵循只有一个协变量的双变量Weibull密度,即标准化速度:x个=(观察速度-最小速度)/(最大速度-最小转速)。我们将“最高速度”定为100英里/小时−11英里小时的“最低速度”−1然后,通过方程式将损伤量二分法(1)。假设两个组件的预定致命损伤阈值为和例如,人体假人颈部骨骼的严重裂纹(例如,这可能对人体致命)和前保险杠的不可修复损坏。我们设置了和.让η我=θ0+θ我x个,其中我= 1, 2, 3. 那么预测函数是
(16)
什么时候?x个=0,两个组件没有受到任何损坏,这证明了相同的拦截是合理的θ0.图。2显示了给定标准速度的部件1损伤量的选定条件边际密度函数。正如所期望的那样,在较高的速度下,发生严重损坏的可能性更大;在较低的速度下,发生轻微损坏的可能性更大。给定标准速度的部件2的损伤量的条件边际密度函数相似。
图2。
基于部件1应力水平的边际威布尔密度:(a)(f)(年|x个= 0.3);(b)(f)(年|x个= 0.5);(c)(f)(年|x个= 0.7);(d)(f)(年|x个= 0.9)
将预测函数(16)插入表达式(11)中,得到
(17)
附录中给出了具有预测函数(16)的其他结果概率的表达式B类.
所选结果概率与速度的函数关系图如图所示。三假设参数值θ0= −2, θ1= 4, θ2= 5, θ三= 2, τ= 2, β1=0.1和β2= 0.2. 概率第页00=Pr(两个部件均无故障),第页0·=Pr(组件1无故障)和第页·0个=Pr(组件2无故障)都会随着x个(速度)增加;第页11=Pr(两个组件的故障)随着x个(速度)增加。
图3。
结果和边际概率(θ0= −2,θ1= 4,θ2=5,θ三= 2,τ= 2,β1=0.1和β2= 0.2): ●,第页00; ■,第页11; ◆,第页0; ▲,第页.0; ▼,第页10; ○,第页01
让θ={θ0,θ1,θ2,θ三,τ,β1,β2}. 假设简单线性预测η我=θ0+θ我x个,我=1,2,3,信息矩阵(15)变为μ(x个,θ)=绿龙煤气T型,其中G公司=AB公司和
的偏导数μ(x个,θ)=绿龙煤气T型(即第页11,第页10和第页01)关于θ可以使用Mathematica(Wolfram Research,2012).
要在本地查找D类-最优设计和惩罚D类-最优设计,使用交换算法中的方向导数(参见Fedorov和Hackl(1997),第3章)。交换算法的简单步骤列于在线补充材料平均信息矩阵(2)必须是满秩的,才能估计所有模型参数,而具有线性预测函数(16)的平均信息矩阵要求至少有三个设计点为满秩。因此,所有局部最优设计都至少有三个设计点。图中的条形图。4代表分配给特定速度的试验的比例。被处罚者D类-图中的最优设计4(b),4(c)和4(d)使用惩罚函数(3)(C类1= 1,C类2= 1),(C类1= 0,C类2=1)和(C类1= 1,C类2=0)。由于当一个或两个部件的故障概率都较高时,会有更大的惩罚,因此在惩罚的D类-最佳设计。与被处罚者相比D类-优化设计,局部D类-优化设计有更多的信息。表中列出了因惩罚高失效率的应力而导致的信息损失2通过比较局部最优设计的信息。定义
成为设计的相对效率ξ1到ξ2在θ,其中米是参数的数量。
图4。
本地D类-优化设计和惩罚D类-二元威布尔分布下线性预测函数的最优设计(τ= 2;,特定速度下的分配比例)():
. | . | . |
---|
0.8089 | 0.9108 | 0.9172 |
. | . | . |
---|
0.8089 | 0.9108 | 0.9172 |
. | . | . |
---|
0.8089 | 0.9108 | 0.9172 |
. | . | . |
---|
0.8089 | 0.9108 | 0.9172 |
4.稳健性
与线性模型优化设计不同,非线性响应模型的优化设计取决于参数值,因为信息矩阵包含参数。在本节中,我们研究局部最优设计对模型错误指定的鲁棒性。在下一节中,我们将说明通过将总样本分成组并运行一系列从先前结果中学习的实验,可以大大改进设计。表三显示了用于评估稳健性的参数向量值。它们涵盖了广泛的可能值。表中不同模型参数选择的结果概率变化三如图所示S1(第一阶段)——第7页在线补充材料中。图S2系列和第3章补充材料显示θ1和θ2分别对第页00,第页11,第页0·和第页·0。的值第页00,第页11,第页0·和第页·0相对于θ1和θ2因为θ1和θ2仅出现在Z和Y(Y)分别;其他参数出现在两个边缘密度函数中。
. | θ0,θ1,θ2,θ三, τ,β1,β2. | 局部优化设计. |
---|
(图。4(a)) | −2, 4, 5, 2, 2, 0.1, 0.2 | |
(图S1(a)) | −3、4、5、2、2、0.1、0.2 | |
(图S1(c)) | −1, 4, 5, 2, 2, 0.1, 0.2 | |
(图S2(a) | −2, 3, 5, 2, 2, 0.1, 0.2 | |
(图S2(c)) | −2, 100, 5, 2, 2, 0.1, 0.2 | |
(图S3(a)) | −2, 4, 4, 2, 2, 0.1, 0.2 | |
(图S3(c)) | −2, 4, 100, 2, 2, 0.1, 0.2 | |
(图S4(a)) | −2, 4, 5, 1, 2, 0.1, 0.2 | |
(图S4(c)) | −2, 4, 5, 3, 2, 0.1, 0.2 | |
(图S5(a)) | −2, 4, 5, 2, 1, 0.1, 0.2 | |
(图S5(c)) | −2, 4, 5, 2, 3, 0.1, 0.2 | |
(图S6(a)) | −2, 4, 5, 2, 2, 0.05, 0.2 | |
(图S6(c)) | −2, 4, 5, 2, 2, 0.7, 0.2 | |
(图S7(a)) | −2, 4, 5, 2, 2, 0.1, 0.1 | |
(图S7(c)) | −2, 4, 5, 2, 2, 0.1, 0.8 | |
(图。5(b)) | −1.5, 8, 10, 1.5, 1, 0.3, 0.4 | |
. | θ0,θ1,θ2,θ三, τ,β1,β2. | 局部优化设计. |
---|
(图。4(a)) | −2, 4, 5, 2, 2, 0.1, 0.2 | |
(图S1(a)) | −3, 4, 5, 2, 2, 0.1, 0.2 | |
(图S1(c)) | −1, 4, 5, 2, 2, 0.1, 0.2 | |
(图S2(a) | −2、3、5、2、2、0.1、0.2 | |
(图S2(c)) | −2、100、5、2、2、0.1、0.2 | |
(图S3(a)) | −2, 4, 4, 2, 2, 0.1, 0.2 | |
(图S3(c)) | −2, 4, 100, 2, 2, 0.1, 0.2 | |
(图S4(a)) | −2, 4, 5, 1, 2, 0.1, 0.2 | |
(图S4(c)) | −2, 4, 5, 3, 2, 0.1, 0.2 | |
(图S5(a)) | −2, 4, 5, 2, 1, 0.1, 0.2 | |
(图S5(c)) | −2, 4, 5, 2, 3, 0.1, 0.2 | |
(图S6(a)) | −2, 4, 5, 2, 2, 0.05, 0.2 | |
(图S6(c)) | −2, 4, 5, 2, 2, 0.7, 0.2 | |
(图S7(a)) | −2, 4, 5, 2, 2, 0.1, 0.1 | |
(图S7(c)) | −2, 4, 5, 2, 2, 0.1, 0.8 | |
(图。5(b)) | −1.5, 8, 10, 1.5, 1, 0.3, 0.4 | |
. | θ0,θ1,θ2,θ三, τ,β1,β2. | 局部优化设计. |
---|
(图。4(a)) | −2, 4, 5, 2, 2, 0.1, 0.2 | |
(图S1(a)) | −3、4、5、2、2、0.1、0.2 | |
(图S1(c)) | −1, 4, 5, 2, 2, 0.1, 0.2 | |
(图S2(a) | −2, 3, 5, 2, 2, 0.1, 0.2 | |
(图S2(c)) | −2, 100, 5, 2, 2, 0.1, 0.2 | |
(图S3(a)) | −2, 4, 4, 2, 2, 0.1, 0.2 | |
(图S3(c)) | −2, 4, 100, 2, 2, 0.1, 0.2 | |
(图S4(a)) | −2, 4, 5, 1, 2, 0.1, 0.2 | |
(图S4(c)) | −2, 4, 5, 3, 2, 0.1, 0.2 | |
(图S5(a)) | −2, 4, 5, 2, 1, 0.1, 0.2 | |
(图S5(c)) | −2, 4, 5, 2, 3, 0.1, 0.2 | |
(图S6(a)) | −2, 4, 5, 2, 2, 0.05, 0.2 | |
(图S6(c)) | −2, 4, 5, 2, 2, 0.7, 0.2 | |
(图S7(a)) | −2, 4, 5, 2, 2, 0.1, 0.1 | |
(图S7(c)) | −2, 4, 5, 2, 2, 0.1, 0.8 | |
(图。5(b)) | −1.5, 8, 10, 1.5, 1, 0.3, 0.4 | |
. | θ0,θ1,θ2,θ三, τ,β1,β2. | 局部优化设计. |
---|
(图。4(a)) | −2, 4, 5, 2, 2, 0.1, 0.2 | |
(图S1(a)) | −3, 4, 5, 2, 2, 0.1, 0.2 | |
(图S1(c)) | −1, 4, 5, 2, 2, 0.1, 0.2 | |
(图S2(a) | −2, 3, 5, 2, 2, 0.1, 0.2 | |
(图S2(c)) | −2、100、5、2、2、0.1、0.2 | |
(图S3(a)) | −2, 4, 4, 2, 2, 0.1, 0.2 | |
(图S3(c)) | −2, 4, 100, 2, 2, 0.1, 0.2 | |
(图S4(a)) | −2、4、5、1、2、0.1、0.2 | |
(图S4(c)) | −2, 4, 5, 3, 2, 0.1, 0.2 | |
(图S5(a)) | −2, 4, 5, 2, 1, 0.1, 0.2 | |
(图S5(c)) | −2, 4, 5, 2, 3, 0.1, 0.2 | |
(图S6(a)) | −2, 4, 5, 2, 2, 0.05, 0.2 | |
(图S6(c)) | −2, 4, 5, 2, 2, 0.7, 0.2 | |
(图S7(a)) | −2, 4, 5, 2, 2, 0.1, 0.1 | |
(图S7(c)) | −2, 4, 5, 2, 2, 0.1, 0.8 | |
(图。5(b)) | −1.5、8、10、1.5、1、0.3、0.4 | |
表4包含效率D类-与参数向量值相对应的最优设计θ在表中三。位于我第行和j个表的第几列4是信息矩阵行列式的比率:,其中我,j个= 1,2,…,16. 例如,假设是一个真实参数,是表第二行和第十六列中的最低效率值(0.27)4告诉我们,如果真参数被错误指定为,需要3.7(1/0.27=3.70)倍的样本才能通过使用而不是值得注意的是,对于如此复杂的模型,对于广泛的参数值,局部优化设计具有很高的效率。大多数被评估的病例至少有90%的效率。然而,当θ0指定错误。表第二行和第1-15列的条目4表明当θ0另外一个参数值指定错误。尤其值得注意的是,效率对θ0例如,当被错误指定为(θ0增加1),效率为0.71。什么时候?被错误指定为(θ0增加2),效率低得多(0.57)。
5.自适应优化设计
为了弥补最初对参数的错误规定,一些研究人员(包括Box和Hunter(1965)费多罗夫(1972)和白色(1975))提出了顺序估计最优设计。福特和西尔维(1980)结果表明,对于一个简单的非线性函数,具有两个支撑点的顺序构造设计在理论和经验上收敛于最优设计。阿特金森等. (2007)第17章,提出了非线性模型的序贯程序,该程序从参数值的初始猜测开始,然后依次找到线性化模型的最优设计,直到新的参数估计足够准确。费多罗夫和吴(2007),德拉加林等. (2008年b)和其他人使用两阶段设计进行两个相关反应的剂量发现研究。德特等. (2013)比较了两阶段自适应最优设计与固定设计的渐近效率。
让是真参数的初始猜测θ在两阶段自适应优化设计中,首先n个0局部最优设计的观察结果; 然后估计采用最大似然法。让是对…的估计从第一阶段开始,让是基于的局部优化设计.接受n个1局部最优设计的观察结果.然后是所有观测值的最大似然估计值n个=n个0+n个1.
为了帮助选择n个0普伦扎托和帕兹曼(2013)第8.5节指出n个0与√成正比n个.车道等. (2014)表明使用n个0= √n个不一定是最优的,但我们选择n个0最接近√的整数n个为了简单起见。我们建议感兴趣的读者查看选择程序n个0Lane推荐的等. (2014).
现在我们考虑两种可能的情况。在第一种情况下,是一个非常低效的选择。表中的参数三,如果真参数为.效率ξ16关于ξ2,,为0.2707。我们假设θ2是真正的参数,并已使用θ16作为两阶段设计第一阶段的初始参数。局部最优设计和概率分布和在表中三和图。5.图。6(a)显示了不同样本大小的两阶段自适应优化设计的效率。仿真细节见附录C类与初始局部优化设计(折线)的效率相比,两阶段自适应优化设计具有更多的真实参数信息。它清楚地表明,可以使用两阶段自适应优化设计来补偿初始错误指定的参数。
图5。
概率分布和D类-具有(a)的最优设计,(b)和(c):
图6。
两阶段自适应优化设计相对于初始局部优化设计的效率箱线图(表示基于第一阶段设计参数估计的局部最优设计哪里第页0= √n个/n个; 每个都进行了100次实验n个)(–––,局部优化设计的效率(用于自适应程序的第一阶段):(a)情况1;(b) 案例2
在第二种情况下,效率很高。我们再次使用作为true参数,我们使用作为在两阶段设计的阶段1中使用的初始参数。表中的参数三,如果真参数为局部最优设计和概率分布也可以在表中找到三和图。5.效率ξ10关于,为0.8436。图。6(b)向我们表明,尽管在效率方面的增益空间较小,但两阶段自适应最优设计仍然极有可能比初始局部最优设计具有更多的信息。总之,与单阶段设计相比,强烈建议采用两阶段自适应优化设计。
6.结论
我们提出了在二元威布尔回归模型下的最优实验设计。双变量威布尔模型对于物理测量的双系统实验是合理的,因为物理测量是正的。这与Gumbel模型、双变量二元Cox模型和双变量probit模型形成了对比,在这些模型中,结果测量可以在整个实线上进行。例如,本文讨论的结果是损害的数量。我们可以考虑其他测量,例如机器部件的寿命或生产量。
阳性反应不仅出现在工程研究中,也出现在生物学和药学研究中。例如,Dragalin等. (2008年a)在剂量发现研究中使用双变量probit模型,获得了具有两个二元二分反应的局部最优设计:疗效和毒性。费多罗夫和吴(2007)比较了来自二元probit模型的局部最优设计。双变量观测值是通过对双变量正态分布的响应进行二分得到的。他们记录了从二分法随机变量中获得的信息与从原始连续随机变量中获取的信息的损失。然而,在这两种情况下,他们都假设响应范围从−∞到∞。如果我们测量药效和毒性的物理量,双变量威布尔模型比其他模型更自然。
在本文中,为了简单起见,我们假设了两个组件失效。然后在给定压力水平的二元威布尔函数下计算四种结果概率。利用参数的非线性函数对二元威布尔分布中的尺度参数进行了展开,得到了信息矩阵的一般形式。
我们的激励应用程序涉及碰撞测试中的两个关键系统组件:人组件和机器组件。我们假设两个组件的损伤量遵循只有一个协变量(标准化速度)的双变量威布尔密度。我们演示了如何惩罚D类-优化设计,保护组件免受更高应力水平的影响。当地D类-优化设计和惩罚D类-根据不同的参数值对优化设计进行了比较。正如预期的那样,当地D类-优化设计比惩罚设计具有更多的信息D类-最佳设计。
设计效率在广泛的错误参数范围内表现出令人惊讶的稳健。然而,当θ0指定错误。
为了提高对错误参数值进行优化设计的效率,我们建议采用两阶段自适应优化设计。在模拟研究中,两阶段自适应优化设计比单阶段设计具有更高的概率,即使是从有效设计开始,也具有更多的信息。
由于第二阶段设计是第一阶段最大似然估计值的函数(这是第一阶段充分统计值的函数),因此第二阶段的数据取决于第一阶段的数据。然而,如果两个阶段的样本量足够大,则在最大似然估计中可以忽略阶段之间的相关性(Pronzato和Pázman,2013). 如果第一阶段样本量较小,我们预计最大似然估计的分布是正态分布的比例混合(正如Lane和Flournoy的简单模型所发现的那样(2012)).
参考文献
附录A具有预测函数的结果概率
什么时候?,
附录B具有线性预测函数的结果概率
什么时候?,
附录C模拟
设包含表达式(16)的二元威布尔密度(9)为(f)(年,z|x个,θ):
将条件1、2和3定义为0<年<z<∞,0<z<年<∞和0<年=z<∞。定义的边际密度函数Y(Y)和Z给定条件1-3和哪里q个分别=1,2,3。
并表示Y(Y)和Z给定条件1-3和哪里q个分别=1,2,3。
- 第1步:
用表达式(16)计算表达式(12),给出初始局部最优设计和真实参数θ: - 第二步:
设置初始样本大小n个0; 然后计算n个智商=n个0w个我第页智商哪里q个=1,2,3和我= 1,…,K(K)(参见第节2.2).
- 第三步:
生成n个智商随机样本来自u个1智商~均匀[0,第页智商],我= 1,…,K(K).
- 第4步:
生成n个智商随机样本来自,我= 1,…,K(K).
- 第五步:
生成n个智商随机样本来自u个2智商~均匀[0,1],我= 1,…,K(K).
- 第6步:
生成n个智商随机样本来自,我= 1,…,K(K).
- 第7步:
选择预定的截止值和.
- 第8步:
等式中的二分法(1),计算经验结果概率,,,和.
- 第9步:
求真参数的最大似然估计θ根据log-likelihood函数(14)。让表示对θ.
- 第10步:
通过交换算法(参见在线补充材料),找到局部最优设计假设参数向量为.
- 第11步:
用重复步骤1-8代替和n个1=n个−n个0代替n个0.
- 第12步:
用所有观测值估计参数n个=n个0+n个1.
©2014皇家统计学会