<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> Anshuman Singh, ingénieur en mécanique, GE Power & Water
John Korsedal, ingénieur consultant, GE Power & Water
Brad Foulkes, responsable technique, ingénierie de la fiabilité du cycle de vie, GE Power & Water
La vie d'une machine est composée de centaines de composants. Chaque composant est influencé par diverses conditions opérationnelles, dont beaucoup ne sont pas considérées comme faisant partie du processus de conception. Pour cette raison, la durée de vie réelle d'un composant n'est pas un point unique, mais une distribution affectée par des données opérationnelles. De plus, le délai exact de défaillance peut parfois ne pas être déterminé, car une défaillance d'un composant peut ne pas entraîner une panne de la machine entière. Ces sources de variation rendent la modélisation de la survie de plus en plus difficile, mais l'inclusion de données opérationnelles est un moyen de réduire l'impact de cette variation. JMP Pro est utilisé pour comprendre les données opérationnelles. À l'aide de réseaux de neurones artificiels et de la modélisation par bootstrap, nous avons créé une approche parallèle aux modèles de survie traditionnels, utilisant des résultats discrets non équilibrés pour identifier les moteurs de la vie des composants. Avec cette approche parallèle et en utilisant la visualisation JMP Pro, les X vitaux sont identifiés et ajoutés à un modèle de survie. Une utilisation cohérente de ces méthodes conduit à un meilleur modèle de survie pour la vie du composant. Cette présentation démontrera la technique de modélisation utilisée pour identifier les facteurs, conduisant à des modèles plus précis.
