William Q. Meeker is an expert on reliability analysis.William Q. Meeker is an expert on reliability analysis.William Q. Meeker is an expert on reliability analysis.William Q. Meeker is an expert on reliability analysis.William Q. Meeker 是可靠性分析专家。可靠性分析在产品制造的所有领域都很重要。 在大数据和机器学习时代，找到相关信息以做出正确的决策并确保长寿至关重要。 Bill Meeker 是可靠性专家、爱荷华州立大学统计学教授和杰出教授，他将在 9 月 13 日的免费研讨会上介绍基于案例研究的新可靠性和贝叶斯方法。 您可以报名参加现场活动在瑞典斯德哥尔摩，或遵循在线直播。我向 Bill Meeker 询问了一些有关大数据、可靠性分析的陷阱以及该领域最新发展的问题
分析是当前的热门话题。 流行语包括数据科学、人工智能、机器学习、工业 4.0、大数据。 如何可靠性分析与此有关？
是的，对于我们所有处理数据的人来说，这是非常激动人心的时刻，特别是现在我们拥有易于使用的软件工具来处理数据。 可靠性数据来自两个不同的来源：实验室加速测试和保修或其他现场数据。 根据最近的一些经验，我和洪一力写了一篇论文《可靠性遇上大数据：机遇与挑战》（品质工程2014）描述可靠性现场数据如何发生巨大变化。 由于许多系统都配备了传感器和通信功能，现场数据现在包含（有时实时提供）有关系统如何运行的详细信息（包括温度等环境变量、系统经历的冲击、使用量） ，等等）。 提供这些时变协变量的结果数据集相对于传统的可靠性现场数据来说是巨大的，传统的可靠性现场数据仅报告发生故障的单元的故障时间和未发生故障的单元的运行时间。 我们已经看到了一些应用，其中正确使用此类数据可以减少进行预测所需的有效外推量，并且还提供了对单个单元（而不是单元总体）进行预测的能力。
在某些应用中使用机器学习/人工智能技术已经取得了巨大的成功（谷歌翻译和自动驾驶汽车的控制是我立即想到的两个）。 然而，我也听说过其他应用中的惨痛失败，特别是在可靠性预测领域，目的是为复杂系统的运行和维护做出决策。 我怀疑原因是机器学习技术在解决复杂插值问题的应用中取得了成功。 大多数所需的信息都在大数据中，机器学习技术能够提取和使用所需的信息。 然而，在许多预测应用中，需要进行超出数据范围的外推。 可能涉及到大数据，但所需的信息量是有限的。 有必要将主题知识（例如，有关故障的物理学）与大数据中的有限信息结合起来。 这是当前研究的一个主题。
可靠性分析在哪些行业最重要？ 它应该用于哪些产品或流程？
可靠性在几乎所有制造领域和复杂的系统操作中都是（或应该）重要的。 出于明显的安全原因，航空航天和核能发电是一直高度关注可靠性的两个领域。 在某种程度上，通过使用保守的工程设计，这些领域已经实现了高可靠性，尽管我们都知道众所周知的故障（例如挑战者号、UA232、哥伦比亚号、三哩岛号、切尔诺贝利号和福岛号）。
当然，对于汽车、电脑、手机等产品来说，安全性也很重要（回想一下笔记本电池和手机电池的可靠性问题），也是因为消费者期望他们购买的产品应该具有高可靠性。 对于这些产品来说，存在着高度竞争的市场，并且需要具有高可靠性而不需要过高的成本。 拥有有吸引力的产品、高可靠性且成本不高的公司将是最成功的。 找到正确的平衡需要适当的可靠性分析和相关决策。
需要注意的最大陷阱是什么？
可靠性分析存在许多潜在的陷阱。 我与人合着了两篇专门关于加速测试的陷阱的论文（我EEE 可靠性交易1998年和质量技术杂志2013 年）。 加速测试最常见的陷阱之一是在压力水平下进行测试，这些压力水平会导致实际应用中永远不会出现的故障模式。 有趣的是，如果不认识到，此类故障可能会导致对产品寿命的乐观预测严重错误。
在预测保修索赔时，一个严重的陷阱是假设可以推断出与早期回报（例如产品投入使用的前六个月）非常吻合的分布，以预测在三年内出现故障的单元的比例。年保修期。 一般来说，在推断时，有必要利用失效物理学知识来证明有关寿命分布形式的任何假设的合理性。
该领域的最新进展是什么？ 9月13日在斯德哥尔摩你们将推出哪些新方法？
在过去的 25 年里，贝叶斯方法在统计应用中的使用有了巨大的增加。 然而，在可靠性领域，增长幅度并没有那么显着（洛斯阿拉莫斯国家实验室在系统可靠性方面的工作是一个值得注意的例外）。 我认为这有两个原因：可靠性学科固有的保守性和缺乏易于使用的工具来实施贝叶斯方法。
我经常看到贝叶斯方法的使用引人注目的可靠性应用程序，并且我一直在更广泛地使用它们，并预测在不久的将来贝叶斯方法的使用将出现更普遍的实质性增长。 对于最近的几个版本，联合管理计划具有使用贝叶斯方法来拟合寿命分布的能力，例如，允许工程师使用他们经常掌握的有关威布尔形状参数的知识，从而获得更好的估计精度（或使用更少的测试单元运行测试的潜力）。
在JMP 14 ，现在可以使用贝叶斯方法来分析加速寿命测试数据。 这也是一个重要的优势，因为它允许工程师使用他们经常拥有的关于温度加速测试中有效活化能的知识。 虽然 JMP 中尚未提供，但我一直在使用贝叶斯方法来拟合描述来自退化测试和测试的重复测量数据的模型，以估计结构健康监测应用中检测到裂缝的概率。 在这些应用中，贝叶斯方法，即使具有分散的先验分布，也具有为重要的感兴趣量提供易于计算的可信置信区间的重要优势。 在现有信息可用的情况下，整合不同来源的信息将很容易。
您和 Chris Gotwalt 将于 9 月 13 日在斯德哥尔摩更详细地讨论这个主题，并介绍一些案例研究。 人们期望从研讨会中获得什么？
除了 Life Distribution 和 Fit Life by X 平台现在提供的贝叶斯方法之外， JMP专业版只需再点击几下鼠标，就可以对 JMP 中可以执行的几乎所有分析（不仅仅是可靠性分析平台）执行引导模拟和全参数模拟。 这些强大的基于模拟的统计方法已经发展了 40 年，具有广泛的适用性，但并没有像人们预期的那样得到广泛的应用。 这是因为以前需要大量额外的编程工作来实现此类方法。 JMP 已经解决了这个问题。 克里斯和我已经开发并将展示一系列案例研究，以说明该方法的强大功能和简单性联合管理计划贝叶斯分析、引导模拟和全参数模拟功能。
我们希望您能报名参加现场活动在瑞典斯德哥尔摩，或者观看在线直播。
