Bivariate inverse Gaussian degradation processes with shared random effects and an application to fatigue cracks

Sintesi Tecnica: Processi di Degradazione Bivariata Gaussiana Inversa con Effetti Casuali Condivisi

Definizione del Problema
Il documento affronta la modellazione di dati di degradazione bivariata che coinvolgono due caratteristiche di prestazione (PC) di sistemi ingegneristici. Mentre la degradazione univariata viene frequentemente modellata utilizzando il processo Gaussiano Inverso (IG), l'analisi bivariata presenta la sfida di catturare la dipendenza intrinseca tra le due PC. Gli approcci esistenti si affidano tipicamente a metodi basati su copula o a modelli basati sulla fragilità (frailty). Una limitazione significativa nella letteratura attuale sulla fragilità è l'assunzione di una distribuzione specifica per la fragilità condivisa (ad esempio, normale, gamma o lognormale) senza giustificazione empirica, poiché la fragilità è una variabile latente non osservata. Selezionare una distribuzione di fragilità inappropriata può portare a un adattamento del modello sub-ottimale e a stime di affidabilità imprecise.

Metodologia
Gli autori propongono un framework IG–GG flessibile per modellare i dati di degradazione bivariata. La metodologia consiste nei seguenti componenti:

1. Modellazione Marginale: I processi di degradazione per le due PC sono modellati individualmente utilizzando processi Gaussiani Inversi (IG). Condizionatamente a un effetto casuale condiviso (fragilità), i due processi sono assunti come indipendenti.
2. Distribuzione della Fragilità Condivisa: Inveve di fissare la distribuzione della fragilità a una forma specifica, la fragilità condivisa $\lambda$ è assunta seguire la famiglia di distribuzioni Gamma Generalizzata (GG). La famiglia GG è una classe parametrica che include le distribuzioni esponenziale, gamma, Weibull e lognormale come casi speciali (a seconda dei parametri di forma $q$ e $\sigma$) e la lognormale come caso limite.
3. Struttura del Modello: Il modello gerarchico è definito come:
   • $X_1(t)|\lambda \sim IG(\lambda\mu_1\Lambda(t; b_1), \eta_1(\Lambda(t; b_1))^2)$
   • $X_2(t)|\lambda \sim IG(\lambda\mu_2\Lambda(t; b_2), \eta_2(\Lambda(t; b_2))^2)$
   • $\lambda \sim GG(q, \sigma, \alpha)$
     Qui, $\Lambda(t; b_k)$ è una funzione di trasformazione temporale monotona.
4. Stima dei Parametri:
   • Costruzione della Verosimiglianza: La funzione di verosimiglianza marginale è derivata integrando la verosimiglianza condizionale (data $\lambda$) sulla distribuzione GG della fragilità. Poiché tale integrale non possiede un'espressione in forma chiusa, gli autori impiegano l'integrazione numerica (metodi di quadratura tramite la funzione integrate di R) e tecniche di campionamento Monte Carlo per approssimare la verosimiglianza.
   • Ottimizzazione: Le stime di Massima Verosimiglianza (MLE) sono ottenute ottimizzando numericamente la funzione di verosimiglianza marginale. Per garantire l'identificabilità dei parametri, la media della distribuzione della fragilità condivisa è vincolata a 1.
   • Selezione del Modello: Il framework consente di adattare tutti i membri speciali della famiglia GG (Esponenziale, Gamma, Weibull, Lognormale) insieme alla distribuzione GG generale. Il modello più appropriato viene selezionato in base a criteri di informazione quali l'Akaike Information Criterion (AIC) e il Bayesian Information Criterion (BIC).
5. Affidabilità del Sistema: Il documento deriva un'approssimazione della funzione di affidabilità del sistema (la probabilità che entrambi i componenti sopravvivano oltre specifiche soglie) applicando il teorema del limite centrale bivariato ai tempi di primo passaggio discreti e convertendo il risultato in una forma continua.

Risultati Chiave

• Studi di Simulazione: Sono state condotte estese simulazioni Monte Carlo con campioni di dimensioni variabili ($n=50, 100$) e tempi di misurazione ($m=20, 40$). I risultati hanno dimostrato che i metodi di stima proposti producono stime non distorte con errori quadratici medi (RMSE) ragionevoli. Lo studio ha confermato che quando la vera distribuzione sottostante della fragilità è un membro specifico della famiglia GG (ad esempio, Gamma o Weibull), il modello GG generale riesce a identificarla o a fornire un adattamento comparabile al modello specifico, evitando al contempo il rischio di errata specificazione.
• Caso di Studio (Crepe da Fatica): Il modello è stato applicato a un dataset reale riguardante la crescita di crepe da fatica in due crepe (Crepa A e Crepa B) su 10 unità. Il modello IG–GG è stato confrontato con diversi modelli basati su copula (Gaussiana, Frank, Gumbel, Clayton, FGM) e modelli basati su fragilità specifica (IG con fragilità Esponenziale, Gamma, Weibull e Lognormale).
  • Il modello IG–GG ha ottenuto la log-verosimiglianza più elevata e i valori di AIC e BIC più bassi (-805.320 e -802.899, rispettivamente), superando tutte le alternative basate su copula e su fragilità specifica.
  • I risultati hanno indicato che la distribuzione Gamma Generalizzata ha fornito un adattamento superiore rispetto all'assunzione di una distribuzione fissa come la Gamma o la Lognormale.

Significatività e Rivendicazioni
Il documento afferma che la principale significatività del framework IG–GG proposto risiede nella sua flessibilità. Utilizzando la famiglia Gamma Generalizzata, il modello evita l'assunzione arbitraria e spesso ingiustificabile di una specifica distribuzione di fragilità. Questa flessibilità permette ai dati di dettare la forma distributiva più idonea per l'effetto casuale condiviso, portando a un migliore adattamento del modello e a una rappresentazione più accurata della struttura di dipendenza tra i componenti in degradazione.

Gli autori sostengono che questo approccio sia particolarmente prezioso perché la fragilità è non osservata, rendendo impossibile il test statistico di ipotesi per la selezione della distribuzione. Il framework IG–GG aggira questo problema adattando l'intera famiglia e selezionando il miglior adattamento tramite criteri di informazione. Il documento conclude che questo metodo fornisce un adattamento superiore per i dati di degradazione bivariata rispetto ai modelli esistenti basati su copula o su fragilità fissa, come dimostrato dall'applicazione sulle crepe da fatica, e offre una via percorribile per stimare l'affidabilità del sistema in tali contesti.