دانلود ترجمه مقاله توزیع قابلیت اطمینان باور براساس اصل آنتروپی

1. مقدمه 2. مقدمات اولیه 3. پارامترهای قابلیت اعتماد و مدل توزیع آن 4. تخمین توزیع مدل قابلیت اطمینان باور 5. صحت سنجی مدل و تحلیل حساسیت 6. بحث و نتیجه‌گیری

چکیده – قابلیت اطمینان باور یک معیار جدید قابلیت اطمینان براساس نظریه عدم قطعیت است, که هدف آن ارزیابی عملکرد سیستم با اثرات ناشی از حاشیه طراحی, عدم قطعیت تصادفی و عدم قطعیت ریشه ای می‌باشد. نکته کلیدی در ارزیابی قابلیت اطمینان, تعیین توزیع قابلیت اطمینان باور براساس شرایط واقعی است, که, با این حال, زمانی که اطلاعات موجود محدود است, دشوار است. این مقاله یک مدل بهینه را پیشنهاد می‌کند تا توزیع قابلیت اطمینان باور براساس اصل آنتروپی ماکزیمم در زمان k امین ممان از آنچه بدست می‌آید را تعیین کند. از یک روش برآورد با استفاده از درون‌یابی خطی و الگوریتم ژنتیک در مدل بهینه اعمال شده‌است. وقتی که تنها مقدار مورد انتظار و واریانس موجود باشند, نتایج بهینه مطابق با اصل آنتروپی ماکزیمم هستند. می‌توان در آنالیز حساسیت مشاهده کرد که دقت نتایج بهینه با پهنای واریانس رابطه معکوس و با تعداد نقاط درون‌یابی رابطه مستقیم دارد. بنابراین, محققان می‌توانند با تنظیم تعداد نقاط درون‌یابی با پهناهای مختلف واریانس، به دقت مورد نظر دست پیدا کنند. می‌توان نتیجه گرفت که این روش جدید برای در تعیین قابلیت اطمینان باور در کاربرد قابلیت اطمینان باور به شدت اهمیت دارد. مقدمه: با افزایش نیاز به بهبود دقت عدم قطعیت، توجهات بیشتری به بررسی مساله عدم قطعیت معطوف شده است. به طور کلی، عدم اطمینان را می توان به دو دسته عدم اطمینان تصادفی و عدم اطمینان ریشه ای طبقه بندی کرد. عدم اطمینان تصادفی، عدم اطمینان ذاتی در رفتار فیزیکی سیستم را توصیف می کند و عدم اطمینان ریشه ای ناشی از فقدان دانش و اطلاعات لازم است. روش احتمالاتی می تواند با موفقیت با عدم اطمینان تصادفی مقابله کند، اما در مورد کاهش عدم اطمینان ریشه ای، محدودیت هایی وجود دارد. در سال 2007، لیو [1] تئوری عدم قطعیت را برای رفع عدم قطعیت ذهنی انسان بر اساس ریاضیات باور ارائه کرد و در سال 2010، لیو [2] عدم قطعیت را بر اساس عادت، دوگانگی، زیرجمع پذیری و اصطلاحات اصل جمع تعریف کرد. بر اساس نظریه عدم قطعیت، زنگ و همکاران [3] دقت باور اعتماد به عنوان اندازه گیری عدم اطمینان سیستم برای انجام وظایف خاص در زمان داده شده در شرایط عملیاتی مشخص تعریف کردند. زنگ و همکاران [4] یک روش ارزیابی برای باور جزء ایجاد کردند که تاثیرات حاشیه طراحی، عدم اطمینان تصادفی و عدم اطمینان ریشه ای را شامل می شود. مسئله اندازه گیری اثر از عدم قطعیت ریشه ای با استفاده از یک روش که بر اساس عملکرد فعالیت های مهندسی مربوط به کاهش عدم قطعیت ریشه ای تعیین می شود، مورد استفاده قرار می گیرد [5]، [6]. با این حال، همچنان استفاده از قابلیت اطمینان باور در مسائل مهندسی عدم قطعیت با چالش های مختلفی مواجه است.

Belief reliability is a new reliability metric based on the uncertainty theory, which aims to measure system performance incorporating the influences from design margin, aleatory uncertainty, and epistemic uncertainty. A key point in belief reliability is to determine the belief reliability distribution based on the actual conditions, which, however, could be difficult when available information is limited. This paper proposes an optimal model to determine the belief reliability distribution based on the maximum entropy principle when kth moments of what can be obtained. An estimation method using linear interpolation and a genetic algorithm is subsequently applied to the optimal model. When only the expected value and the variance are available, the optimal results are in accordance with the maximum entropy principle. It could be observed in the sensitivity analysis that the accuracy of the optimal results is a decreasing function of the width of variances and an increasing function of the number of interpolation points. Therefore, researchers could adapt to different widths of variances and requirements of accuracy by adjusting the number of interpolation points. It could be concluded that this new method to acquire belief reliability distribution is important in the application of belief reliability. INTRODUCTION: With urgent requirements for the accuracy of the products reliability assessment, the treatment of uncertainties has attracted much attention. Generally, uncertainties can be classified into two types, aleatory uncertainty and epistemic uncertainty. Aleatory uncertainty describes the uncertainty inherent in the physical behavior of the system, and epistemic uncertainty is attributable to the lack of data and information. Probabilistic method can successfully deal with the aleatory uncertainty however it has obvious drawbacks on the treatment of epistemic uncertainty. In 2007, Liu [1] founded uncertainty theory to deal with human's subjective uncertainty by belief degree mathematically and in 2010, Liu [2] perfected it based on normality, duality, subadditivity and product axioms. Based on uncertainty theory, Zeng et al. [3] defined belief reliability as the uncertainty measure of the system to perform specific functions within given time under given operating conditions. Zeng et al. [4] developed an evaluation method for component belief reliability, which incorporates the impacts from design margin, aleatory uncertainty and epistemic uncertainty. The issue of quantifying the effect from epistemic uncertainty is addressed using a method, which is established based on the performance of engineering activities related to reduce epistemic uncertainties [5], [6]. However, it is still challenging to widely employ belief reliability in reliability engineering due to the scant methods to acquire belief reliability distributions.