Beruflich Dokumente
Kultur Dokumente
if (!require(tidyverse)) {
install.packages("tidyverse") # Installationsroutine
require(tidyverse) # Einbinden des Packages
}
if (!require(plotly)) {
install.packages("plotly") # Installationsroutine
require(plotly) # Einbinden des Packages
}
```
1. Berechnen Sie mit den Erstausfällen die beiden Weibullparameter $b$ und $T$ für
$F_{first}$.
2. Wie lautet die repräsentative Lastspielzahl, die den "mittleren Wert" abbildet?
Stellen Sie dazu die zweiparametrige Weibullgleichung um.
3. Wenn Sie nun nur die eine repräsentative Versuchsreihe betrachten, wie hoch
ist die Wahrscheinlichkeit des ersten Ausfalls?
4. Bestimmen Sie die Parameter der Weibullverteilung für die
Gesamtausfallverteilung.
Lösung zu Aufgabenteil 1:
# Rang-Regression x on y:
# mrr_first <-
# mrr_first
# T_first <-
# T_first
# b_first <-
# b_first
# mrr_y <-
# b_y <-
# b_y
# d_y <-
# d_y
Lösung zu Aufgabenteil 2:
Lösung zu Aufgabenteil 3:
# t_first_avg wird daher als der erste Ausfall der gesamten Versuchsmatrix gesehen
# und folglich ist dieser Wert der Startpunkt für die geschätzte Weibullgerade,
# die das gesamte Ausfallverhalten repräsentiert.
# Benard's Approximationsformel:
# F_ges_1 <-
# F_ges_1
# Plot-Paar:
# c(t_first_avg, F_ges_1)
Lösung zu Aufgabenteil 4:
$$F_{Ges}=1-exp\left[ -\left(\frac{t}{T_{Ges}}\right)^b\right]$$
# b_ges <-
# T_ges <-
# T_ges
1. Verwenden Sie nun das Weibullpapier und zeichnen Sie die Weibullgerade der
Erstausfälle ein.
2. Ermitteln Sie grafisch die repräsentative Lastspielzahl, die den mittleren Wert
abbildet -
d.h. lesen Sie diesen aus dem Diagramm ab.
3. Zeichnen Sie die entsprechende Weibullgerade für die horizontale Betrachtung,
d.h. für die Betrachtung der einen repräsentativen Versuchsreihe in Ihr
Weibullpapier ein.
Lösung zu Aufgabenteil 1:
# Probability Plot:
# plot_points <-
# plot_points
Lösung zu Aufgabenteil 2:
# plot_t_first_avg <-
# plot_t_first_avg
```
Lösung zu Aufgabenteil 3:
# plot_weib_all <-
# plot_weib_all
# plot_weib_final <-
# plot_weib_final
```
Lösung zu Aufgabenteil 1:
# t_first_mean <-
# t_first_mean
```
Lösung zu Aufgabenteil 2:
```
## Einleitung Johnson-Methode
Bei der Methode nach Johnson werden neben den ausgefallenen Einheiten auch die
nicht ausgefallenen Einheiten zur Schätzung der Ausfallwahrscheinlichkeiten
herangezogen. Bei diesem Verfahren werden alle in den Betrachtungszeitraum
fallenden
Einheiten nach ihrer Betriebszeit, den Lastzyklen oder der zurückgelegten
Fahrstrecke
aufsteigend sortiert. Liegen vor dem *i*-ten Ausfall Einheiten, die nicht
ausgefallen
sind, so wird ein nach oben korrigierter, adjustierter Rang für den *i*-ten Ausfall
gebildet, der die potentiellen Anwärter berücksichtigt.
## Aufgabe 4 - Johnson-Methode
Ein Versuch umfasst 90 Probanden. Der Versuch wurde in zehn Versuchsreihen zu je
neun Probanden parallel durchgeführt. Jede Versuchsreihe wurde nach dem jeweils
ersten Ausfall abgebrochen. Der Vektor `cycles` enthält die Anzahl der Lastzyklen
der jeweils ersten Ausfälle jeder Versuchsreihe.
Lösung zu Aufgabenteil 1:
# df_john <-
# df_john
```
Lösung zu Aufgabenteil 2:
Lösung zu Aufgabenteil 3:
# T-Vergleich:
# c(T_ges, T_john)
# b-Vergleich:
# c(b_ges, b_john)
# MRR y on x:
# x_john <-
# y_john <-
# mrr_john_y <-
# b_john_y <-
# b_john_y
# T_john_y <-
# T_john_y
# b-Vergleich:
# c(b_ges_y, b_john_y)
```