<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> Anshuman Singh, Maschinenbauingenieur, GE Power & Water
John Korsedal, Beratender Ingenieur bei GE Power & Water
Brad Foulkes, Technischer Leiter, Life-Cycle-Reliability-Engineering, GE Power & Water
Die Lebensdauer einer Maschine umfasst hunderte von Komponenten. Jede Komponente wird durch verschiedene Betriebsbedingungen beeinflusst, von denen viele nicht als Teil des Konstruktionsprozesses betrachtet werden. Aus diesem Grund ist die tatsächliche Lebensdauer einer Komponente kein einzelner Punkt, sondern eine Verteilung, die von Betriebsdaten beeinflusst wird. Darüber hinaus kann die genaue Zeit bis zum Ausfall manchmal nicht bestimmt werden, da der Ausfall einer Komponente nicht zum Ausfall der gesamten Maschine führen kann. Diese Variationsquellen machen die Überlebensmodellierung zunehmend schwieriger, aber die Einbeziehung von Betriebsdaten ist eine Möglichkeit, die Auswirkungen dieser Variation zu reduzieren. JMP Pro dient zum Verständnis der Betriebsdaten. Mit Hilfe künstlicher neuronaler Netze und Bootstrap-Modellierung haben wir einen parallelen Ansatz zu traditionellen Überlebensmodellen entwickelt, der unausgewogene diskrete Ergebnisse verwendet, um die Treiber des Komponentenlebens zu ermitteln. Bei diesem parallelen Ansatz und unter Verwendung der JMP Pro-Visualisierung werden wichtige X identifiziert und zu einem Überlebensmodell hinzugefügt. Ein kohärenter Einsatz dieser Methoden führt zu einem besseren Überlebensmodell für die Lebensdauer der Komponenten. In dieser Präsentation wird die zur Ermittlung von Faktoren verwendete Modellierungstechnik veranschaulicht, die zu genaueren Modellen führt.
