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.
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