生存率を予測するための高レベルモデルの使用と、ワイブルモデルとの比較<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> Anshuman Singh、GE Power＆Waterのメカニカルエンジニア
ジョン・コセダール、GE Power＆Waterコンサルティングエンジニア
GE Power＆Waterのライフサイクル信頼性エンジニアリング、テクニカルリーダー、Brad Foulkes氏
機械の寿命は、何百ものコンポーネントで構成されています。各コンポーネントはさまざまな運用条件の影響を受けますが、その多くは設計プロセスの一部とは見なされていません。このため、コンポーネントの実際の寿命は一点ではなく、運用データの影響を受ける分布になります。さらに、コンポーネントの故障がマシン全体の故障を引き起こさないかもしれないので、故障までの正確な時間は時々決定することができません。これらの変動の原因は生存モデルをますます困難にしますが、運用データを含めることはこの変動の影響を減らすための1つの方法です。JMP Proは運用データを理解するために使用されます。人工ニューラルネットワークとブートストラップモデリングの助けを借りて、コンポーネント寿命の要因を特定するために不均衡な離散結果を使用して、従来の生存モデルへの並列アプローチを作成しました。この並行アプローチとJMP Proビジュアライゼーションを使用して、バイタルXが識別され、生存モデルに追加されます。これらの方法を首尾一貫して使用すると、コンポーネントの寿命に関するより優れた生存モデルが得られます。このプレゼンテーションでは、要因を特定するために使用されるモデリング手法を実証し、より正確なモデルを導きます。
品質と信頼性
