Suhermi, Novri (2017) Imperfect Maintenance Models: Simulation, Estimation, and Goodness-of-Fit Test. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1313201902-Master-Theses.pdf - Published Version Download (1MB) | Preview |
Abstract
The industrial facilities are subject to material maintenance operations in order to keep them in good working condition. Maintenance, contributing through its effects on the operational reliability of materials, plays an important role in risk control. Therefore, it is necessary to model the process of the failures and the maintenance of the complex systems using random point process, called imperfect maintenance models. Before applying the models proposed, it is important to have the methods to choose the fittest model for each dataset. In order to that, we have to do a statistical test, called goodness-of-fit test. In this research, we construct the method of goodness-of-fit test for one of the imperfect maintenance model, namely ARA1-LLP. First, we simulate the dataset based on several imperfect maintenance models using inverse transform sampling. Then, we estimate the model parameters using maximum likelihood estimation (MLE). All the methods are implemented via Rcpp programming, which is highly faster than R, based on benchmark comparison. The test uses four test statistics, namely Laplace, modified Cramer-Von Mises, modified Anderson-Darling, and modified Kolmogorov-Smirnov. The simulation results show that modified Kolmogorov-Smirnov performs well for detecting the true model and Anderson-Darling has the highest power of test.
=================================================================
Fasilitas di dalam industri bergantung pada operasi pemeliharaan material dalam rangka untuk menjaga kondisinya dalam keadaan baik. Proses pemeliharaan fasilitas industri memiliki peran penting dalam pengendalian risiko. Oleh karena itu, perlu untuk membuat pemodelan proses kegagalan dan pemeliharaan sistem yang kompleks menggunakan random point process, yang disebut sebagai model pemeliharaan yang tidak sempurna. Sebelum menerapkan suatu model, sangat penting untuk memiliki metode untuk memilih model terbaik untuk setiap data. Oleh karena itu, perlu dilakukan suatu uji statistik, yang disebut uji goodness-of-fit. Dalam penelitian ini, dirancang suatu metode uji goodness-of-fit pada salah satu model pemeliharaan tidak sempurna, yaitu ARA1-LLP. Langkah pertama, kita membangkitkan data berdasarkan beberapa model pemeliharaan tidak sempurna menggunakan metode inverse transform sampling. Kemudian, dilakukan estimasi parameter model menggunakan metode maximum likelihood estimation (MLE). Semua metode diimplementasikan melalui Rcpp programming, yang jauh lebih cepat daripada R programming, berdasarkan hasil uji benchmark. Uji ini menggunakan 4 statistik uji, yaitu Laplace, modified Cramer-Von Mises, modified Anderson-Darling dan modified Kolmogorov-Smirnov. Hasil simulasi menunjukkan bahwa statistik modified Kolmogorov-Smirnov bekerja dengan baik untuk mendeteksi model yang benar dan statistik modified Anderson-Darling memiliki kekuatan uji yang tertinggi.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | imperfect maintenance; goodness-of-fit; rcpp |
| Subjects: | H Social Sciences > HA Statistics |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | novri suhermi |
| Date Deposited: | 10 Apr 2017 02:50 |
| Last Modified: | 06 Mar 2019 08:29 |
| URI: | http://repository.its.ac.id/id/eprint/2770 |
Actions (login required)
 |
View Item |