Выборка строк - Википедия - Line sampling

Выборка линии это метод, используемый в инженерия надежности для вычисления малых (то есть редких событий) вероятностей отказов, встречающихся в инженерных системах. Метод особенно подходит для многомерные проблемы надежности, в котором функция производительности демонстрирует умеренную нелинейность по отношению к неопределенным параметрам ^[1] Метод подходит для анализа черный ящик систем, и в отличие от выборка по важности метод уменьшение дисперсии, не требует детального знания системы.

Основная идея линейной выборки заключается в уточнении оценок, полученных из метод надежности первого порядка (ФОРМА), что может быть неверным из-за нелинейности предельное состояние функция. Концептуально это достигается за счет усреднения результатов различных симуляций FORM. На практике это становится возможным за счет определения важности направления ${ displaystyle { boldsymbol { alpha}}}$ в пространстве входных параметров, который указывает на область, которая наиболее сильно влияет на общую вероятность отказа. Направление важности может быть тесно связано с центром масс области отказа или с точкой отказа с наивысшей плотностью вероятности, которая часто приходится на точку, ближайшую к началу функции предельного состояния, когда случайные переменные задачи преобразованы в стандартную нормальное пространство. После того, как направление важности было настроено так, чтобы указывать на область отказа, выборки случайным образом генерируются из стандартного нормального пространства, и линии рисуются параллельно направлению важности, чтобы вычислить расстояние до функции предельного состояния, что позволяет определить вероятность отказа. оцениваться для каждого образца. Затем эти вероятности отказа можно усреднить, чтобы получить улучшенную оценку.

Математический подход

Прежде всего необходимо определить направление важности. Это может быть достигнуто путем нахождения расчетной точки или градиента функции предельного состояния.

Набор образцов создается с использованием Моделирование Монте-Карло в стандартном нормальном пространстве. Для каждого образца ${ displaystyle { boldsymbol {x}}}$вероятность отказа линии, параллельной важному направлению, определяется как:

${ displaystyle p_ {f} ({ boldsymbol {x}}) = int _ {- infty} ^ {+ infty} I ({ boldsymbol {x}} + beta cdot { boldsymbol { альфа}}) varphi ( beta) , d beta}$

куда ${ Displaystyle I ( cdot)}$ равно единице для образцов, способствующих отказу, и нулю в противном случае:

${ displaystyle I_ {f} ({ boldsymbol {x}}) = { begin {cases} 1 & { text {if}} { boldsymbol {x}} in Omega _ {f} 0 & { text {else}} end {case}}}$

${ displaystyle { boldsymbol { alpha}}}$ это важное направление, ${ displaystyle varphi}$ - функция плотности вероятности Гауссово распределение (и ${ displaystyle beta}$ это действительное число). На практике необходимо найти корни нелинейной функции, чтобы оценить частичные вероятности отказа по каждой линии. Это делается либо путем интерполяции нескольких отсчетов вдоль линии, либо с помощью Метод Ньютона – Рафсона.

Глобальная вероятность отказа - это среднее значение вероятности отказа на линиях:

${ displaystyle { tilde {p}} _ {f} = { frac {1} {N_ {L}}} sum _ {i = 1} ^ {N_ {L}} p_ {f} ^ {( я)}}$

куда ${ displaystyle N_ {L}}$ общее количество строк, использованных в анализе, и ${ displaystyle p_ {f} ^ {(i)}}$ - частичные вероятности отказа, оцененные по всем направлениям.

Для задач, в которых зависимость функции производительности является умеренно нелинейной по отношению к параметрам, моделируемым как случайные переменные, установка направления важности в качестве вектора градиента функции производительности в базовом стандартном нормальном пространстве приводит к высокоэффективной выборке строк. . В целом можно показать, что дисперсия, полученная с помощью линейной выборки, всегда меньше, чем дисперсия, полученная с помощью обычного моделирования Монте-Карло, и, следовательно, алгоритм линейной выборки сходится быстрее.^[1] Скорость сходимости еще больше увеличена за счет последних достижений, которые позволяют многократно обновлять направление важности на протяжении всего моделирования, и это известно как адаптивная выборка строк.^[2]

Иллюстрация алгоритма линейной выборки. Показаны два линейных образца, приближающиеся к поверхности предельного состояния.

Промышленное применение

Алгоритм особенно полезен для выполнения анализа надежности на дорогих в вычислительном отношении промышленных моделях черного ящика, поскольку функция предельного состояния может быть нелинейной, а количество требуемых выборок ниже, чем для других методов анализа надежности, таких как моделирование подмножества.^[3] Алгоритм также можно использовать для эффективного распространения эпистемическая неопределенность в виде коробки вероятности, или же случайные наборы.^[4][5] Численная реализация метода доступна в программном обеспечении с открытым исходным кодом OpenCOSSAN.^[6]

Смотрите также

• Выборка редких событий
• Проклятие размерности
• Количественная оценка рисков

Рекомендации