.png){kind=icon}
返回
Modeling multivariate degradation data with dynamic covariates under a Bayesian framework
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2025.111115.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
退化数据对于确定高端产品和系统的可靠性至关重要，尤其是在涉及多个退化特性（DCs）时。现代退化研究不仅测量这些特性，还记录动态系统使用和环境因素，如温度、湿度和紫外线暴露，这些被称为动态协变量。当前大多数研究要么关注单一DC与动态协变量，要么关注多个DC与固定协变量。本文提出了一种贝叶斯框架，用于分析具有多个DCs的数据，该框架纳入了动态协变量。我们开发了用于混合效应非线性一般路径模型的贝叶斯框架，以描述退化路径，并使用贝叶斯形状约束P样条来建模动态协变量的影响。我们还详细阐述了估计由退化模型引起的失效时间分布的算法，通过模拟验证了所开发的方法，并举例说明了它们在预测动态环境中有机涂层寿命中的应用。
Keyword:
Bayesian framework
Bayesian P-splines
Bayesian shape constraints
Multiple degradation characteristics
General path models
期刊
R
IF:
11
论文数:
9.0K
被引数:
4.2W
机构
引用论文
.png){kind=icon}
分享收藏
Degradation modeling under time-varying operating conditions: Inference and prognosis with particle filter时变运行条件下的退化建模: 使用粒子滤波器进行推断和预测
PREAI
分享收藏Life-cycle modeling driven by coupling competition degradation for remaining useful life prediction
PREAI
分享收藏Multivariable degradation modeling and life prediction using multivariate fractional Brownian motion
PREAI
分享收藏Bayesian deep-learning for RUL prediction: An active learning perspective基于贝叶斯深度学习的RUL预测: 主动学习视角
PREAI
分享收藏Flexible modelling of a bivariate degradation process with a shared frailty and an application to fatigue crack data具有共享脆弱性的双变量退化过程的灵活建模及其在乏力裂纹数据中的应用
PREAI
分享收藏
查看更多内容