วิเคราะห์ความน่าเชื่อถือ - AS Nida
วิเคราะห์ความน่าเชื่อถือ - AS Nida
วิเคราะห์ความน่าเชื่อถือ - AS Nida
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
การประชุมวิชาการดานการวิจัยดําเนินงานแหงชาติ ประจําป ๒๕๕๐<br />
การศึกษาเชิงตัวเลขของการนําเอาจุดนาจะเปนที่สุดมาใชสําหรับการวิเคราะหความนาเชื่อถือ<br />
A Numerical Study on Implementation of Most Probable Point for Reliability Analysis<br />
ทวีภัทร บูรณธิติ<br />
สายวิชาเทคโนโลยีวัสดุ คณะพลังงานสิ่งแวดลอมและวัสดุ<br />
มหาวิทยาลัยเทคโนโลยีพระจอมเกลาธนบุรี<br />
E-mail: thaweepat.bur@kmutt.ac.th<br />
่<br />
้<br />
บทคัดยอ<br />
ความนาเชื่อถือเปนประเด็นสําคัญในระบบสวนใหญเนื่องจากการมีอยูของความไมแนนอน<br />
ขณะที่การประเมินความไม<br />
แนนอนเปนหัวขอที่ทาทาย<br />
เพราะมีขั้นตอนและตองใชทรัพยากรที่จําเปนในการคํานวณมากกวาการวิเคราะหที่ไมนําเอา<br />
ความไมแนนอนเขามาคํานึงถึง บทความนี้นําเสนอการศึกษาเชิงตัวเลขของการนําเอาเทคนิคจุดนาจะเปนที่สุดมาใชสําหรับ<br />
การวิเคราะหความนาเชื่อถือกับกรณีศึกษาจํานวนหนึ่ง<br />
จากการศึกษาพบวาเทคนิคนี้สามารถประมาณความนาจะเปนที<br />
ขีดจํากัดหรือความนาเชื่อถือไดเปนอยางดีเมื่อเทียบกับการจําลองสถานการณมอนเตคารโลซึ่งเปนวิธีที่มีศักยภาพแตวา<br />
ตองการใชทรัพยากรในการคํานวณที่สูงมาก<br />
นอกจากนี้ไดมีการรวบรวมการนํามาประยุกตใช<br />
ผลการพยากรณ การ<br />
อภิปรายผล และหมายเหตุสรุปจากกรณีศึกษาเหลานี<br />
คําสําคัญ : จุดนาจะเปนที่สุด,<br />
ความนาเชื่อถือ,<br />
การประเมินความไมแนนอน, ความนาจะเปน<br />
Abstract<br />
Reliability is an important issue in most systems because of the existence of uncertainty. At the same time, the<br />
uncertainty assessment is a challenging issue since the needed effort is usually greater than that of deterministic analysis<br />
without taking uncertainty into account. The paper presents a numerical study on an implementation of most probable<br />
point (MPP) for reliability analysis through some case studies. It is found that MPP can well estimate the reliability in<br />
terms of probability at the limit when it is compared with Monte Carlo simulation, a powerful but expensive method.<br />
Implementations, prediction results, discussions and concluding remarks are given in this paper.<br />
Keywords : Most Probable Point; Reliability; Uncertainty Assessment; Probability<br />
1. บทนํา (Introduction)<br />
ความนาเชื่อถือ<br />
(Reliability) ของระบบหนึ่งๆถือไดวาเปนสิ่งสําคัญอยางยิ่งในสังคมปจจุบัน<br />
ผลิตภัณฑ (Product)<br />
หรือกระบวนการผลิต (Manufacturing Processes) ใดๆ ตองมีความนาเชื่อถือที่เพียงพอที่จะหลีกเลี่ยงความเสียหายที่อาจจะ<br />
เกิดขึ้นได<br />
โดยทั่วไปแลวในการออกแบบนั้นถาปจจัยทุกอยางที่เปนสวนประกอบใหเกิดเปนผลิตภัณฑหนึ่งมีความ<br />
สมบูรณแบบตามที่ออกแบบไว<br />
การผลิตผลิตภัณฑนั้นยอมจะไมเกิดผลิตภัณฑที่เปนของเสียได<br />
แตในความเปนจริงนั้นใน<br />
ปจจัยจํานวนมากนั้นมีความไมแนนอน<br />
(Uncertainty) แฝงอยู<br />
เชน วัสดุรับแรงถูกออกแบบมีความสามารถรับภาระกรรม<br />
(Load) ได 300 MPa แตบางชิ้นรับไดนอยกวาซึ่งอาจจะทําใหเกิดความเสียหายได<br />
เปนตน ดังนั้นการวิเคราะหความ<br />
นาเชื่อถือของระบบจึงจําเปนอยางยิ่งที่จะตองรับทราบถึงปจจัยความไมแนนอนที่แฝงอยูในระบบอยางหลีกเลี่ยงไมได<br />
55
56<br />
Applied Statistics<br />
การสรางแบบจําลองที่เปนจริงสําหรับปรากฎการณจริงนั้น<br />
จําเปนตองพิจารณาความเปนไปไดของความไมแนนอนดวย<br />
[Ross, 1993; Law and Kelton, 2000]<br />
การวิเคราะหความนาเชื่อถือ<br />
(Reliability Analysis) มีความทาทายเปนอยางยิ่ง<br />
เนื่องจากตองพิจารณาถึงความไม<br />
แนนอนของปจจัยตางๆเขามา [Robinson, 1989; Oberkampf et al., 2002] ทั้งนี้วิธีการประเมินความไมแนนอน<br />
(Uncertainty Assessment) ที่เปนที่ยอมรับมาอยางยาวนานก็คือ<br />
Monte Carlo Simulation (MCS) ซึ่งอาศัยหลักการของตัว<br />
แปรสุม<br />
(Random Variable) และกฎจํานวนมาก (Strong Law of Large Number) ซึ่งปจจุบันสามารถทําไดดวยคอมพิวเตอร<br />
ประสิทธิภาพสูง อยางไรก็ตามเทคนิคนี้มีปญหามากกับกรณีที่ตัวแปรมีจํานวนมาก<br />
ซึ่งทําใหตองการจํานวนตัวแปรสุม<br />
จํานวนมากเพิ่มขึ้นตามตัวแปรของระบบโดยมีการเพิ่มขึ้นเปนแบบ<br />
Exponential ซึ่งลักษณะปญหานี้สามารถเรียกไดวาเปน<br />
Curse of Dimensionality โดยที่ความตองการการคํานวณเพิ่มขึ้นอยางไมมีที่สิ้นสุดอยางรวดเร็วในอัตรายกกําลังตามขนาด<br />
ของระบบ จึงมีความจําเปนตองพิจารณาหาเทคนิคการประเมินความไมแนนอนที่มีประสิทธิภาพ<br />
(Efficient) มากกวาวิธี<br />
MCS โดยวิธีการประมาณที่นิยมใชคือ<br />
เทคนิค Moment-Matching ซึ่งเนนการประมาณคาคาดหวัง<br />
(Expected Value) และ<br />
คาความแปรปรวน (Variance) โดยเทคนิคที่มีประสิทธิภาพตางๆ<br />
เชน First-Order Approximation และ Weighted Three-<br />
Point-Based Method ใน Buranathiti et al. (2006)<br />
ลักษณะเดนในการวิเคราะหความนาเชื่อถือนั้นอยูที่การเนนการหาจุดที่มักจะมีคาความนาจะเปนที่จุดปลาย<br />
(Tail)<br />
ดานใดดานหนึ่ง<br />
เชน ความนาจะเปนที่โครงสรางหนึ่งจะรับภาระกรรมไดนอยกวาคาๆหนึ่ง<br />
เปนตน ดังนั้นการใชวิธี<br />
MCS<br />
ซึ่งเปนการหาฟงกชันการกระจายความหนาแนนความนาจะเปน<br />
(Probability Density Function หรือ PDF) ทั้งหมดจึงไม<br />
คุมคา<br />
เชน ความนาเชื่อถือที่<br />
99.99% นั้น<br />
ในการสุม<br />
100,000 ตัวอยาง ในอุดมคติแลวจะมีสวนที่เสียที่สนใจในการประเมิน<br />
ความนาเชื่อถืออยูประมาณ<br />
10 ตัวอยาง และมีกรณีที่ผานอยูถึง<br />
99,990 ตัวอยาง ทําใหความแมนยําของวิธี MCS นั้นไมดีนัก<br />
โดยเฉพาะระบบที่ตองการวิเคราะหหาความนาเชื่อถือที่สูงๆ<br />
เชน 0.01% 0.00 001% (1 ในลาน) เปนตน และมีตัวแปรใน<br />
ระบบจํานวนมาก สวนเทคนิคหนึ่งที่เนนหาความนาจะเปนที่จุดปลาย<br />
คือ เทคนิคจุดนาจะเปนที่สุด<br />
(Most Probable<br />
Technique, MPP) โดย MPP เปนเทคนิคที่เนนการหาสถานะขีดจํากัด<br />
(Limit State) ที่สอดคลองกับคาความนาเชื่อถือหรือ<br />
ความนาจะเปนหนึ่งๆ<br />
ทําใหลดภาระการคํานวณที่จะตองหา<br />
PDF ทั้งหมด<br />
[Robinson, 1998; Du and Chen, 2001]<br />
บทความนี้ไดนําเสนอเทคนิคการประเมินความไมแนนอนสําหรับการวิเคราะหความนาเชื่อถือโดยเทคนิค<br />
MPP<br />
พรอมกับการแสดงกรณีตัวอยางประกอบการศึกษาเปนกรณีศึกษา โดยพิจารณาจากความสามารถในการพยากรณคาความ<br />
นาเชื่อถือและ<br />
PDF ที่เกิดขึ้นโดยการเปรียบเทียบกับวิธี<br />
MCS เปนวิธีอางอิง โดยกรณีศึกษานี้นําไปสูการอภิปรายและหมาย<br />
เหตุสรุปสําหรับเทคนิค MPP ในการนําไปประยุกตใชในการวิเคราะหความนาเชื่อถือตอไป<br />
2. เทคนิคจุดนาจะเปนที่สุด<br />
(Most Probable Point Technique)<br />
เทคนิคจุดนาจะเปนที่สุดมีพื้นฐานความคิดมาจากการหาสถานะขีดจํากัดที่สอดคลองกับคาความนาเชื่อถือหรือ<br />
ความนาจะเปนหนึ่งๆ<br />
ดังนั้นเทคนิค<br />
MPP นั้นเหมาะสมการประยุกตใชเพื่อหาคาเฉพาะคาหนึ่ง<br />
กําหนดใหตัวแปรผลลัพธ<br />
หรือตัวแปรตามของระบบ ( y ) เปนฟงกชันของเวกเตอรตัวแปรอิสระ ( x ) ดังตอไปนี้<br />
( ) ( 1, 2 , , n ) x x x y y y K<br />
= = x (1)<br />
โดยระบบมีจํานวนตัวแปรอิสระ n ตัวแปร<br />
ทําการแปลงเวกเตอรตัวแปรอิสระ ( x ) ไปอยูใน<br />
Space อื่น<br />
ในกรณีนี้ทําการแปลง<br />
x ใหอยูใน<br />
Standard Normal<br />
Space u ( u ⇔<br />
x ) ดวยการอางอิงฟงกชันความนาจะเปนสะสม (Cumulative Distribution Function หรือ CDF) ดังนี้
การประชุมวิชาการดานการวิจัยดําเนินงานแหงชาติ ประจําป ๒๕๕๐<br />
่ ้<br />
้<br />
้<br />
้<br />
−1<br />
u = Φ [ F(<br />
x)<br />
]<br />
(2)<br />
−1<br />
โดยที F (x)<br />
เปน CDF ของ x และ Φ [ F]<br />
เปนฟงกชันยอนกลับของ F ทั้งนี<br />
ฟงกชัน F(x)<br />
สามารถเปนฟงกชันของ<br />
การกระจายความนาจะเปนตางๆ เชน แบบสม่ําเสมอ<br />
(Uniform) แบบปกติ (Normal) เปนตน สําหรับการประยุกตเพื่อ<br />
นําไปสราง PDF หรือ CDF นั้น<br />
จําเปนที่จะตองหาคาความนาจะเปนสะสม<br />
ณ คาตัวแปรผลลัพธของระบบ y ทุกๆคา<br />
ระยะทางที่สั้นที่สุด<br />
(β) เปนฟงกชันของ u เปนตัวแปรที่ตองทําการคํานวณ<br />
โดยระยะทางที่สั้นที่สุด<br />
(β) นี<br />
จําเปนจะตองสอดคลองกับสมการสถานะขีดจํากัดดังนี<br />
y ( x ( u))<br />
− Y = 0<br />
(3)<br />
จากแนวคิดที่กลาวมาแลวนั้น<br />
ทําใหสามารถเขียนเปนแบบจําลองทางคณิตศาสตรในรูปแบบจําลองหาความ<br />
เหมาะสม (Optimization Model) ในรูปแบบปญหาหาคานอยที่สุดที่มีขอจํากัดแบบไมเชิงเสนไดดังตอไปนี<br />
Find β = min u<br />
u<br />
Subjected to y( x(<br />
u))<br />
−Y = 0<br />
(4)<br />
ขอบเขตที่เปนไปไดของตัวแปร<br />
u นี้มักจะอยูในชวงสั้นๆ<br />
กลาวคือ ระหวาง [-5,5]<br />
เมื่อระยะทางที่สั้นที่สุด<br />
(β) สามารถหาไดแลว คาความนาจะเปนสะสมที่ตัวแปรผลลัพธของระบบ<br />
y จะนอย<br />
กวาคาที่กําหนดไว<br />
Y หรือ y < Y จะถูกกําหนดไดดวยความสัมพันธดังนี้<br />
P(<br />
y(<br />
⎧1<br />
− Φ(<br />
β ), P < 0.<br />
5<br />
( u))<br />
< Y ) = ⎨<br />
⎩ Φ(<br />
β ), P ≥ 0.<br />
5<br />
x (5)<br />
ความหมายทางเรขาคณิตของระยะทางที่สั้นที่สุด<br />
(β) และสถานะขีดจํากัด (Limit State) สามารถดูไดจากรูปที่<br />
1 โดยที่<br />
ฟงกชันความนาจะเปนจะตัดกับฟงกชันสถานะขีดจํากัดที่<br />
β<br />
รูปที่<br />
1 ความสัมพันธในลักษณะเรขาคณิตของการกระจายความนาจะเปนและฟงกชันสถานะขีดจํากัด จาก Robinson<br />
(1998)<br />
3. กรณีศึกษา (Case Study)<br />
เพื่อทําการศึกษาการนําเทคนิค<br />
MPP มาใชในการประเมินความนาเชื่อถือ<br />
จึงไดยกกรณีศึกษาเปนฟงกชันทั่วไป<br />
เพื่อแทนระบบทั่วไป<br />
โดยกําหนดใหตัวแปรอิสระทุกตัวในที่นี้มีการกระจายตัวของความไมแนนอนตามการกระจายแบบ<br />
2<br />
ปกติ (Normal Distribution) ที่มีคาเฉลี่ย<br />
( μx<br />
) และ ความแปรปรวน ( σ<br />
x ) ของตัวแปรสุมเทากับ<br />
1 เพื่อใหงายตอการ<br />
เปรียบเทียบตอไป วิธี MPP จะไดถูกเปรียบเทียบกับวิธี MCS ดวยจํานวนการสุม<br />
500,000 ครั้ง<br />
ซึ่งถือเปนคาอางอิงตอไป<br />
57
58<br />
Applied Statistics<br />
กรณีที่<br />
1 กําหนดใหระบบมีผลลัพธตามความสัมพันธในรูปแบบเชิงเสนดังนี้<br />
g ( x ) = x1<br />
+ x2<br />
(6)<br />
คาความนาเชื่อถือของระบบ<br />
P ( y < Y ) เมื่อผลลัพธนอยกวาคาที่กําหนดไว<br />
โดยวิธี MPP และ MCS ไดถูกรวบรวมแสดง<br />
ไวในตารางที่<br />
1 สวน PDF และ CDF ของระบบแสดงในรูปที่<br />
2 และ 3 ตามลําดับ<br />
ตารางที่<br />
1 ความนาเชื่อถือของระบบโดยวิธี<br />
MPP และ MCS<br />
Y P ( y < Y ) from MPP P ( y < Y ) from MCS<br />
0 7.8650E-02 7.9154E-02<br />
-1 1.6947E-02 1.7130E-02<br />
-2 2.3389E-03 2.2720E-03<br />
-3 2.0348E-04 2.2400E-04<br />
-4 1.1045E-05 1.0000E-05<br />
-5 3.7155E-07 0.0000E+00<br />
Probability Density<br />
0.35<br />
0.3<br />
0.25<br />
0.2<br />
0.15<br />
0.1<br />
0.05<br />
MPP<br />
MCS<br />
0<br />
-5 0 5 10<br />
Response<br />
รูปที่<br />
2 คาพยากรณฟงกชันความนาจะเปน (PDF) จากวิธี MPP และ MCS
การประชุมวิชาการดานการวิจัยดําเนินงานแหงชาติ ประจําป ๒๕๕๐<br />
Cumulative Distribution<br />
1<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
-5 0 5 10<br />
Response<br />
รูปที่<br />
3 คาพยากรณฟงกชันความนาจะเปนสะสม (CDF) จากวิธี MPP และ MCS<br />
กรณีที่<br />
2 กําหนดใหระบบมีผลลัพธตามความสัมพันธแบบไมเชิงเสนดังนี้<br />
2<br />
2<br />
g( x ) = 0.<br />
5x1<br />
+ 0.<br />
25x1x<br />
2 + 0.<br />
5x<br />
2 + 1.<br />
5x<br />
3x<br />
4 − 0.<br />
5x<br />
4<br />
(7)<br />
คาความนาเชื่อถือของระบบ<br />
P ( y < Y ) เมื่อผลลัพธนอยกวาคาที่กําหนดไวโดยวิธี<br />
MPP และ MCS ไดถูกรวบรวมแสดง<br />
ไวในตารางที่<br />
2 สวน PDF และ CDF ของระบบแสดงในรูปที่<br />
4 และ 5 ตามลําดับ<br />
ตารางที่<br />
2 ความนาเชื่อถือของระบบโดยวิธี<br />
MPP และ MCS<br />
Y P ( y < Y ) from MPP P ( y < Y ) from MCS P ( y < Y ) from MCS P ( y < Y ) from MCS<br />
0 1.5401E-01 1.6826E-01 1.6874E-01 1.6877E-01<br />
-4 1.5091E-02 1.1198E-02 1.1226E-02 1.1243E-02<br />
-6 4.9906E-03 3.3520E-03 3.3100E-03 3.3238E-03<br />
-8 1.6734E-03 1.0180E-03 1.0220E-03 1.0026E-03<br />
-10 5.6589E-04 2.6400E-04 2.9150E-04 3.0020E-04<br />
-15 3.8415E-05 1.0000E-05 1.5500E-05 1.5200E-05<br />
500k samples 2M samples 10 M samples<br />
Probability Density<br />
0.25<br />
0.2<br />
0.15<br />
0.1<br />
0.05<br />
59<br />
MPP<br />
MCS<br />
MPP<br />
MCS<br />
0<br />
-10 -5 0 5 10 15<br />
Response
รูปที่<br />
4 คาพยากรณฟงกชันความนาจะเปน (PDF) จากวิธี MPP และ MCS<br />
Cumulative Distribution<br />
1<br />
0.9<br />
0.8<br />
0.7<br />
0.6<br />
0.5<br />
0.4<br />
0.3<br />
0.2<br />
0.1<br />
0<br />
-10 -5 0 5 10 15<br />
Response<br />
60<br />
MPP<br />
MCS<br />
รูปที่<br />
5 คาพยากรณฟงกชันความนาจะเปนสะสม (CDF) จากวิธี MPP และ MCS<br />
Applied Statistics<br />
4. อภิปรายและหมายเหตุสรุป (Discussions and Concluding Remarks)<br />
การคํานวณหาคาความนาเชื่อถือ<br />
(Reliability) โดยวิธี MPP สามารถทําไดโดยไมตองทุมใชทรัพยากรจํานวนมาก<br />
ในการสราง PDF ทั้งหมด<br />
ซึ่งเหมาะกับการนําไปประยุกตใชในการหาคาความนาเชื่อถือซึ่งเปนคาความนาจะเปนที่<br />
ขีดจํากัดที่อาจจะเปนไดทั้งทางเดียวหรือทั้งสองทางก็ได<br />
อยางไรก็ตามเนื่องจากการคํานวณดวยวิธี<br />
MPP จําเปนจะตอง<br />
แกปญหาในลักษณะการหาคาเหมาะสมหรือหาระยะทางที่สั้นที่สุด<br />
การลูเขาสูคําตอบจะเร็วหรือชาก็ขึ้นกับคําตอบเริ่มตนที่<br />
ใสเขาไป ซึ่งปญหาลักษณะนี้มีขอดีที่วาขอบเขตของคําตอบที่เปนไปไดมักเปนขอบเขตที่จํากัด<br />
ในกรณีศึกษาที่<br />
1 จะเห็นไดวาวิธี MCS และ MPP ใหผลการพยากรณที่เกือบเปนเสนเดียวซึ่งแสดงวาการพยากรณ<br />
ดวยวิธี MPP มีประสิทธิผลดีมาก ขณะที่กรณีศึกษาที่<br />
2 จะเห็นความแตกตางระหวางทั้งสองวิธี<br />
ซึ่งสาเหตุสวนหนึ่งมาจากมี<br />
ความไมเปนเชิงเสนสูงของระบบของกรณีที่<br />
2 สําหรับคาฟงกชัน PDF ในรูปที่<br />
2 และ 4 จะเห็นไดวาวิธี MPP ใหคาฟงกชัน<br />
PDF ที่ไมสะดุด<br />
(Smooth) ซึ่งตางจากผลที่ไดจาก<br />
MCS ซึ่งมีลักษณะสัญญาณรบกวน<br />
(Noise) ซึ่งเปนลักษณะปกติจากการ<br />
สรางตัวแปรสุมจํานวนมากและความไมสมบูรณของตัวแปรสุมที่เกิดขึ้นจากตัวกําเนิดตัวแปรสุม<br />
(Random Generator) การ<br />
ที่ฟงกชันไมสะดุดนี้จะชวยใหการนําไปใชในการออกแบบที่มีพื้นฐานจากความนาเชื่อถือ<br />
(Reliability-Based Design) มี<br />
ความเสถียรสูงขึ้น<br />
ในกรณีที่ระบบมีความเชิงเสนสูง<br />
ดังเชนในกรณีที่<br />
1 วิธี MPP สามารถพยากรณ PDF ไดใกลเคียงผลจาก<br />
วิธี MCS มาก แตเมื่อมีความไมเชิงเสนสูงขึ้น<br />
ดังเชนกรณีที่<br />
2 แลววิธี MPP ก็มีความผิดพลาดสูงขึ้น<br />
ขอสังเกตอีกประการ<br />
หนึ่งก็คือ<br />
วิธี MPP เปนวิธีที่เนนการคํานวณคาความนาจะเปนเฉพาะจุด<br />
จึงไมเหมาะสมที่จะนํามาใชหาการกระจายความ<br />
หนาแนนความนาจะเปน (PDF) หรือ CDF นัก
การประชุมวิชาการดานการวิจัยดําเนินงานแหงชาติ ประจําป ๒๕๕๐<br />
5. เอกสารอางอิง (Reference)<br />
Du, X., and Chen, W., 2001, A most probable point-based method for efficient uncertainty analysis, Design<br />
Manufacturing, 4, 1, 47-66.<br />
Law, A., and Kelton, W., 2000, Simulation Modeling and Analysis, McGraw-Hill, Boston, 760p.<br />
Buranathiti, T., Cao, J., Chen, W., and Xia, Z.C., 2006, “A Weighted Three-Point-Based Methodology for Variance<br />
Estimation, Engineering Optimization, 38, 5, 557-576.<br />
Oberkampf, W.L., DeLand, S.M., Rutherford, B.M., Diegert, K.V., and Alvin, K.F., 2002, Error and uncertainty in<br />
modeling and simulation, Reliability Engineering and System Safety, 75, 3, 333-357.<br />
Robinson, D.G., 1998, A Survey of Probabilistic Methods Used in Reliability, Risk and Uncertainty Analysis: Analytical<br />
Techniques I, Sandia Report.<br />
Ross, S.M., 1993, Introduction to Probability Models, Academic Press, Boston, 556p.<br />
61