文献

J-GLOBAL ID：202002267770822999   整理番号：20A0789226

アクティブ学習クリギングとモンテカルロシミュレーションを組み合わせた効果的な故障確率のための効率的な方法【JST・京大機械翻訳】

An efficient method combining active learning Kriging and Monte Carlo simulation for profust failure probability

著者 (4件)： Ling Chunyan (Northwestern Polytechnical University, School of Aeronautics Xi’an, Shaanxi 710072, China) ,  Lu Zhenzhou (Northwestern Polytechnical University, School of Aeronautics Xi’an, Shaanxi 710072, China) ,  Sun Bo (Northwestern Polytechnical University, School of Astronautics Xi’an, Shaanxi 710072, China) ,  Wang Minjie (Northwestern Polytechnical University, School of Aeronautics Xi’an, Shaanxi 710072, China)
資料名： Fuzzy Sets and Systems  (Fuzzy Sets and Systems)
巻： 387  ページ： 89-107  発行年： 2020年 
JST資料番号： H0731A  ISSN： 0165-0114  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ますます複雑なエンジニアリング構造のために,確率入力とファジィ状態仮定に基づいて,効率的に利益のある故障確率を推定することは挑戦的である。アクティブ学習クリギングをモンテカルロシミュレーション(AK-MCS)と組み合わせることによって,効率的方法を提案して,利益故障確率を推定した。第一に,ファジィ状態仮定に関連する変数を導入することにより,利益故障確率を古典的故障確率の積分に変換した。この積分は,Gauss求積法による一連の古典的故障確率の加重和としてさらに再構成され,古典的故障確率の系列は,異なる閾値によって制約された類似の限界状態関数構築を持つ。第二に,MCSを,サンプルプールを作り出す確率入力分布に従って使用し,そこでは,能動学習クリギングを用いて,異なる閾値を持つ一連の類似限界状態関数の代理を確立した。すべての限界状態関数に対応するU学習関数最小値を最小化することにより,改良学習関数を提案した。その結果,すべての限界状態の代理品質に及ぼす最大効果を有する候補を,クリギングモデルを更新するための訓練点として選択することができた。Krigingモデルの更新プロセスが収束すると,すべての限界状態関数をクリギングモデルによって同定することができ,また,余分なモデル評価なしにクリギングモデルを用いて,利益のある故障確率を推定することができる。いくつかの例を用いて,提案した戦略が利益のある故障確率を推定する可能性を実証した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  *故障率 ,  再構成 ,  曖昧さ ,  *クリギング
準シソーラス用語： *能動学習 ,  *モンテカルロシミュレーション ,  求積法 ,  限界状態関数 , 【Automatic Indexing@JST】

著者キーワード (6件)： 故障確率の証明 ,  ファジィ状態 ,  能動学習クリギング ,  モンテカルロシミュレーション ,  Gauss求積法 ,  U学習機能

分類 (1件)： 信頼性  (KB04040H)

タイトルに関連する用語 (4件)： アクティブ学習 ,  クリギング ,  モンテカルロシミュレーション ,  故障確率