使用更高級別的模型來預測生存以及它與威布爾模型的比較<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> Anshuman Singh，GE Power＆Water機械工程師
GE Power＆Water諮詢工程師John Korsedal
Brad Foulkes，GE Power＆Water生命週期可靠性工程技術負責人
機器的壽命由數百個組件組成。每個組件都受到各種操作條件的影響，其中許多操作條件不被視為設計過程的一部分。因此，組件的實際壽命不是單一點，而是受操作數據影響的分佈。另外，有時可能無法確定故障的確切時間，因為組件的故障可能不會導致整個機器的故障。這些變異來源使生存模型變得越來越困難，但包括操作數據是減少這種變化影響的一種方法。JMP Pro用於了解運營數據。借助人工神經網絡和自舉建模，我們使用不平衡離散結果創建了一種傳統生存模型的並行方法，以識別組件壽命的驅動因素。通過這種並行方法並使用JMP Pro可視化，可以識別重要的X並將其添加到生存模型中。這些方法的連貫使用導致組件壽命的更好的生存模型。本演示將演示用於識別因子的建模技術，從而產生更準確的模型。
質量和可靠性
