<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />Anshuman Singh, ingegnere meccanico, GE Power & Water
John Korsedal, ingegnere consulente, GE Power & Water
Brad Foulkes, Responsabile tecnico, Ingegneria dell'affidabilità del ciclo di vita, GE Power & Water
La vita di una macchina è composta da centinaia di componenti. Ogni componente è influenzato da una varietà di condizioni operative, molte delle quali non sono considerate parte del processo di progettazione. Per questo motivo, la vita effettiva di un componente non è un singolo punto, ma una distribuzione influenzata dai dati operativi. Inoltre, a volte non è possibile determinare il momento esatto del guasto, poiché il guasto di un componente potrebbe non causare il guasto dell'intera macchina. Queste fonti di variazione rendono sempre più difficile la modellazione della sopravvivenza, ma includere dati operativi è un modo per ridurre l’impatto di questa variazione. JMP Pro viene utilizzato per comprendere i dati operativi. Con l’aiuto di reti neurali artificiali e modellazione bootstrap, abbiamo creato un approccio parallelo ai modelli di sopravvivenza tradizionali utilizzando risultati discreti sbilanciati per identificare i fattori determinanti della vita dei componenti. Con questo approccio parallelo e utilizzando la visualizzazione JMP Pro, le X vitali vengono identificate e aggiunte a un modello di sopravvivenza. Un uso coerente di questi metodi porta a un modello di sopravvivenza migliore per la vita dei componenti. Questa presentazione dimostrerà la tecnica di modellazione utilizzata per identificare i fattori, portando a modelli più accurati.
