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

기술 요약: 공유 랜덤 효과를 갖는 이변량 역 가우스(Inverse Gaussian) 열화 과정

문제 정의
본 논문은 공학 시스템의 두 가지 성능 특성(PC)을 포함하는 이변량 열화 데이터를 모델링하는 문제를 다룹다. 단변량 열화는 주로 역 가우스(Inverse Gaussian, IG) 과정을 사용하여 모델링되지만, 이변량 분석은 두 성능 특성 사이의 내재된 의존성을 포착해야 한다는 과제를 안고 있다. 기존의 접근 방식은 일반적으로 코퓰러(copula) 기반 방법이나 프레이리티(frailty) 기반 모델에 의존한다. 현재의 프레이리티 기반 문헌의 주요 한계점은 공유 프레이리티(예: 정규, 감마 또는 로그 정규 분포)에 대한 특정 분포를 경험적 근거 없이 가정한다는 것이다. 프레이리티는 관찰되지 않는 잠재 변수이기 때문이다. 부적절한 프레이리티 분포를 선택하면 모델 적합도가 저하되고 부정확한 신뢰도 추정치를 초래할 수 있다.

방법론
저자들은 이변량 열화 데이터를 모델링하기 위해 유연한 IG–GG 프레임워크를 제안한다. 이 방법론은 다음의 구성 요소로 이루어진다:

1. 주변 모델링(Marginal Modeling): 두 성능 특성에 대한 열화 과정은 개별적으로 역 가우스(IG) 과정을 사용하여 모델링된다. 공유 랜덤 효과(프레이리티)가 주어졌을 때, 두 과정은 서로 독립이라고 가정한다.
2. 공유 프레이리티 분포: 프레이리티 분포를 특정 형태로 고정하는 대신, 공유 프레이리티 $\lambda$가 일반화 감마(Generalized Gamma, GG) 분포군을 따른다고 가정한다. GG 분포군은 형상 매개변수($q$ 및 $\sigma$)에 따라 지수(exponential), 감마(gamma), 와이불(weibull), 로그 정규(lognormal) 분포를 특수 사례로 포함하는 매개변수 클래스이며, 로그 정규 분포는 극한 사례(limiting case)로 포함된다.
3. 모델 구조: 계층적 모델은 다음과 같이 정의된다:
   • $X_1(t)|\lambda \sim IG(\lambda\mu_1\Lambda(t; b_1), \eta_1(\Lambda(t; b_1))^2)$
   • $X_2(t)|\lambda \sim IG(\lambda\mu_2\Lambda(t; b_2), \eta_2(\Lambda(t; b_2))^2)$
   • $\lambda \sim GG(q, \sigma, \alpha)$
     여기서 $\Lambda(t; b_k)$는 단조 시간 변환 함수이다.
4. 매개변수 추정:
   • 우도 구성(Likelihood Construction): GG 분포를 따르는 프레이리티에 대한 조건부 우도를 적분하여 주변 우도 함수를 도출한다. 이 적분은 폐쇄형(closed-form) 표현식이 존재하지 않으므로, 저자들은 수치 적분(R의 integrate 함수를 통한 quadrature 방법)과 몬테카를로 샘플링 기법을 사용하여 우도를 근사한다.
   • 최적화: 주변 우도 함수를 수치적으로 최적화함으로써 최대 우도 추정치(MLE)를 얻는다. 매개변수의 식별 가능성(identifiability)을 보장하기 위해, 공유 프레이리티 분포의 평균은 1로 제한된다.
   • 모델 선택: 이 프레임워크는 GG 분포군의 모든 특수 멤버(지수, 감마, 와이불, 로그 정규)를 함께 적합할 수 있도록 한다. 가장 적절한 모델은 AIC(Akaike Information Criterion)나 BIC(Bayesian Information Criterion)와 같은 정보 기준를 바탕으로 선택된다.
5. 시스템 신뢰도: 본 논문은 이산적인 최초 통과 시간(first-passage times)에 이변량 중심한계정리를 적용하고 이를 연속형으로 변환함으로써 시스템 신뢰도 함수(두 구성 요소가 특정 임계값을 넘어 생존할 확률)에 대한 근사치를 도출한다.

주요 결과

• 시뮬레이션 연구: 다양한 표본 크기($n=50, 100$)와 측정 시간($m=20, 40$)을 대상으로 광범한 몬테카를로 시뮬레이션을 수행하였다. 결과는 제안된 추정 방법이 합리적인 평균 제곱 오차(RMSE)와 함께 편향되지 않은 추정치를 생성함을 입증했다. 본 연구는 실제 underlying 프레이리티 분포가 GG 분포군의 특정 멤버(예: 감마 또는 와이불)인 경우, 일반 GG 모델이 이를 성공적으로 식별하거나 해당 특정 모델과 대등한 적합도를 제공하며, 오설정(misspecification)의 위험을 피한다는 것을 확인했다.
• 사례 연구 (피로 균열): 모델은 10개 유닛에 걸친 두 개의 균열(균열 A와 균열 B)의 피로 균열 성장에 관한 실제 데이터셋에 적용되었다. IG–GG 모델은 여러 코퓰러 기반 모델(Gaussian, Frank, Gumbel, Clayton, FGM) 및 특정 프레이리티 기반 모델(Exponential, Gamma, Weibull, Lognormal 프레이티를 갖는 IG)과 비교되었다.
  • IG–GG 모델은 가장 높은 로그 우도와 가장 낮은 AIC 및 BIC 값(-805.320 및 -802.899)을 달성하여, 모든 코퓰러 기반 및 특정 프레이리티 기반 대안 모델보다 우수한 성능을 보였다.
  • 결과는 일반화 감마 분포가 고정된 분포(예: 감마 또는 로그 정규)를 가정하는 것보다 더 우수한 적합도를 제공함을 나타냈다.

의의 및 주장
본 논문은 제안된 IG–GG 프레임워크의 주요 의의가 그 유연성에 있다고 주장한다. 일반화 감마 분포군을 활용함으로써, 이 모델은 특정 프레이리티 분포를 임의로, 그리고 종종 정당화될 수 없는 방식으로 가정하는 문제를 피한다. 이러한 유연성은 데이터가 공유 랜덤 효과의 가장 적합한 분포 형태를 결정하도록 하여, 의존 구조에 대한 더 나은 모델 적합과 더 정확한 표현을 가능하게 한다.

저자들은 프레이리티는 관찰되지 않기 때문에 분포 선택을 위한 통계적 가설 검정이 불가능하다는 점에서 이 접근 방식이 특히 가치 있다고 주장한다. IG–GG 프레임워크는 전체 가족(family)을 적합시키고 정보 기준을 통해 최적의 적합도를 선택함으로써 이 문제를 우회한다. 본 논문은 이 방법이 피로 균열 적용 사례에서 입증된 바와 같이, 기존의 코퓰러 기반 및 고정 프레이리티 모델에 비해 이변량 열화 데이터에 대해 우수한 적합도를 제공하며, 이러한 맥락에서 시스템 신뢰도를 추정하기 위한 실행 가능한 경로를 제공한다고 결론짓는다.