<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" /> Anshuman Singh, ingeniero mecánico, GE Power & Water
John Korsedal, Ingeniero Consultor, GE Power & Water
Brad Foulkes, Líder Técnico, Ingeniería de Confiabilidad del Ciclo de Vida, GE Power & Water
La vida útil de una máquina está compuesta por cientos de componentes. Cada componente está influenciado por una variedad de condiciones operativas, muchas de las cuales no se consideran parte del proceso de diseño. Debido a esto, la vida real de un componente no es un punto único, sino una distribución que se ve afectada por los datos operativos. Además, a veces no se puede determinar el tiempo exacto de falla, ya que la falla de un componente puede no causar la falla de toda la máquina. Estas fuentes de variación hacen que los modelos de supervivencia sean cada vez más difíciles, pero incluir datos operativos es una forma de reducir el impacto de esta variación. JMP Pro se utiliza para comprender los datos operativos. Con la ayuda de redes neuronales artificiales y el modelado bootstrap, creamos un enfoque paralelo a los modelos de supervivencia tradicionales utilizando resultados discretos desbalanceados para identificar los factores que impulsan la vida de los componentes. Con este enfoque paralelo y utilizando la visualización de JMP Pro, las X vitales se identifican y se agregan a un modelo de supervivencia. Un uso coherente de estos métodos conduce a un mejor modelo de supervivencia para la vida del componente. Esta presentación demostrará la técnica de modelado utilizada para identificar los factores, lo que conducirá a modelos más precisos.
