Prognozowanie trwałości resztkowej wysoce niezawodnych produktów na podstawie danych historycznych z przyspieszonych badań degradacji

To precisely predict the residual life for functioning products is a key of carrying out condition based maintenance. For highly reliable products, it is difficult to obtain abundant degradation data to precisely predict the residual life under normal stress levels. Thus, how to make use of historical degradation data to improve the accuracy of the residual life prediction is an interesting issue. Accelerated degradation testing, which has been widely used to evaluate the reliability of highly reliable products, can provide abundant accelerated degradation data. In this paper, a residual life prediction method based on Bayesian inference that takes accelerated degradation data as prior information was studied. A Wiener process with a time function was used to model degradation data. In order to apply the random effects of all the parameters of a Wiener process, the non-conjugate prior distributions were considered. Acceleration factors were introduced to convert the parameter estimates from accelerated stress levels to normal stress levels, so that the proper prior distribution types of the random parameters can be selected by the Anderson-Darling statistic. A Markov Chain Monte Carlo method with Gibbs sampling was used to evaluate the posterior means of the random parameters. An illustrative example of self-regulating heating cable was utilized to validate the proposed method.Precyzyjne przewidywanie trwałości resztkowej użytkowanego produktu stanowi klucz do prawidłowego utrzymania ruchu w oparciu o bieżący stan techniczny (condition-based maintenance).W przypadku produktów o wysokiej niezawodności, trudno jest uzyskać ilość danych degradacyjnych, która umożliwiałaby precyzyjne prognozowanie trwałości resztkowej przy normalnym poziomie obciążeń. Dlatego też bardzo ważnym zagadnieniem jest wykorzystanie historycznych danych degradacyjnych umożliwiających zwiększenie trafności prognozowania trwałości resztkowej. Przyspieszone badania degradacyjne, które powszechnie wykorzystuje się do oceny niezawodności wysoce niezawodnych produktów, mogą dostarczać bogatych danych o przyspieszonej degradacji. W przedstawionej pracy badano metodę prognozowania trwałości resztkowej opartą na wnioskowaniu bayesowskim, w którym jako uprzednie informacje wykorzystano dane z przyspieszonych badań degradacji. Dane degradacyjne modelowano za pomocą procesu Wienera z funkcją czasu. Aby móc zastosować efekty losowe wszystkich parametrów procesu Wienera, rozważano niesprzężone rozkłady a priori. Wprowadzono współczynniki przyspieszenia , które pozwoliły na przekształcenie szacowanych wartości parametrów z poziomu obciążeństosowanych w próbie przyspieszonej do poziomu obciążeń normalnych, co umożliwiło wybór odpowiednich typów parametrów losowych rozkładu a priori zwykorzystaniem statystyki testowej Andersona-Darlinga. Metodę Monte Carlo opartą na łańcuchach Markowa z próbnikiem Gibbsa wykorzystano do oceny średnich a posteriori parametrów losowych. Proponowaną metodę zweryfikowano na postawie przykładu samoregulującego przewodu grzejnego