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

技術要約：共通のランダム効果を伴う二変量逆ガウス劣化過程

問題提起
本論文は、エンジニアリングシステムの2つの性能特性（PC）を含む、二変量劣化データのモデリングを取り上げている。単変量の劣化は逆ガウス（IG）過程を用いて頻繁にモデル化されるが、二変量解析においては、2つの性能特性間に存在する固有の依存関係を捉えることが課題となる。既存のアプローチは、コピュラ法またはフレイルティ（脆弱性）ベースのモデルに依存することが一般的である。現在のフレイルティベースの文献における重大な制限は、共有されたフレイルティ（例：正規分布、ガンマ分布、または対数正規分布）に対して、実証的な正当性なしに特定の分布を仮定している点である。フレイルティは観測されない潜在変数であるため、不適切なフレイルティ分布の選択は、モデル適合の最適化を妨げ、信頼性推定の不正確さを招く可能性がある。

手法
著者らは、二変量劣化データをモデリングするための柔軟な IG–GGフレームワーク を提案している。この手法は以下のコンポーネントで構成される：

1. 周辺モデリング: 2つの性能特性の劣化過程は、個別に逆ガウス（IG）過程を用いてモデル化される。共有されたランダム効果（フレイルティ）を条件として、これら2つの過程は独立であると仮定される。
2. 共有フレイルティ分布: フレイルティ分布を特定の形式に固定する代わりに、共有フレイルティ $\lambda$ は 一般化ガンマ（GG） 分布族に従うと仮定する。GG族は、パラメータ $q$ および $\sigma$ に応じて、指数分布、ガンマ分布、ワイブル分布、および対数正規分布を特殊なケースとして含むパラメトリックなクラスであり、対数正規分布はその極限ケースとして含まれる。
3. モデル構造: 階層モデルは以下のように定義される：
   • $X_1(t)|\lambda \sim IG(\lambda\mu_1\Lambda(t; b_1), \eta_1(\Lambda(t; b_1))^2)$
   • $X_2(t)|\lambda \sim IG(\lambda\mu_2\Lambda(t; b_2), \eta_2(\Lambda(t; b_2))^2)$
   • $\lambda \sim GG(q, \sigma, \alpha)$
     ここで、$\Lambda(t; b_k)$ は単調な時間変換関数である。
4. パラメータ推定:
   • 尤度構築: GG分布によるフレイルティ（与えられた $\lambda$ の下での条件付き尤度）を積分することにより、周辺尤度関数を導出する。この積分には閉じた形式の表現が存在しないため、著者らは数値積分（Rの integrate 関数による求積法）およびモンテカルロ・サンプリング手法を用いて尤度を近似する。
   • 最適化: 周辺尤度関数を数値的に最適化することで、最大尤度推定量（MLE）を得る。パラメータの識別性を確保するため、共有フレイルティ分布の平均は1に制約される。
   • モデル選択: このフレームワークにより、GG族のすべての特殊なメンバー（指数、ガンマ、ワイブル、対数正規）を適合させることが可能である。最も適切なモデルは、赤池情報量基準（AIC）やベイズ情報量基準（BIC）などの情報基準に基づいて選択される。
5. システム信頼性: 本論文では、離散的な初到達時間を二変量中心極限定理に適用し、その結果を連続形式に変換することによって、システム信頼性関数（両方のコンポーネントが特定の閾値を越えて生存する確率）の近似を導出している。

主な結果

• シミュレーション研究: 様々なサンプルサイズ（$n=50, 100$）および測定時刻（$m=20, 40$）を用いて、広範なモンテカルロ・シミュレーションが行われた。結果は、提案された推定手法が妥当な平方根平均二乗誤差（RMSE）を伴う不偏推定量を与えることを示した。本研究は、真の基礎となるフレイルティ分布がGG族の特定のメンバー（例：ガンマ分布またはワイブル分布）である場合、一般的なGGモデルがそれを特定するか、あるいは特定のモデルと同等の適合性を提供し、誤設定のリスクを回避できることを確認した。
• ケーススタディ（疲労亀裂）: モデルは、10ユニットにおける2つの亀裂（亀裂Aおよび亀裂B）の疲労亀裂成長を含む実世界のデータセットに適用された。IG–GGモデルは、いくつかのコピュラベースのモデル（ガウス、フランク、ガムベル、クレイトン、FGM）および特定のフレイルティベースのモデル（指数、ガンマ、ワイブル、および対数正規フレイルティを用いたIG）と比較された。
  • IG–GGモデル は、最も高い対数尤度と最も低いAICおよびBIC（それぞれ -805.320 および -802.899）を達成し、すべてのコピュラベースおよび特定のフレイルティベースの代替モデルを上回った。
  • 結果は、ガンマ分布や対数正規分布のような固定された分布を仮定することと比較して、一般化ガンマ分布が優れた適合を提供したことを示している。

意義と主張
本論文は、提案されたIG–GGフレームワークの主要な意義は、その 柔軟性 にあると主張している。一般化ガンマ族を利用することで、このモデルは特定のフレイルティ分布という恣意的かつしばしば正当化できない仮定を回避している。この柔軟性により、データが共有ランダム効果に最適な分布形式を決定することを可能にし、結果として、劣化コンポーネント間の依存構造のより正確な表現と、改善されたモデル適合を実現している。

著者らは、フレイルティは観測されないため、分布の選択に関する統計的な仮説検定が不可能であることから、このアプローチは特に価値があると断言している。IG–GGフレームワークは、全家族を適合させ、情報基準を通じて最良の適合を選択することで、この問題を回避する。本論文は、この手法が疲労亀裂の適用において示されたように、二変量劣化データに対して既存のコピュラベースおよび固定フレイルティモデルよりも優れた適合を提供し、このような文脈におけるシステム信頼性を推定するための実行可能な道筋を提供するものであると結論付けている。