스피커 | 성적 증명서 |
| C휘트먼 | 괜찮은. 제 강연에 참석해 주셔서 정말 감사드립니다. 내 이름은 찰리 휘트먼입니다. 저는 Corvo에 있으며 오늘은 R을 사용한 JMP의 단계 응력 모델링에 대해 이야기하겠습니다. |
| 그럼 먼저 소개부터 시작하겠습니다. 스트레스 테스트가 무엇인지, 왜 하는지에 대해 조금 이야기해보겠습니다. |
| 기본적으로 2가지 종류가 있습니다. 끊임없는 스트레스와 계단 스트레스가 있습니다. 각각에 대해 조금 이야기하십시오. 그러다가 단계적 스트레스나 지속적인 스트레스 테스트 결과를 나오면 |
| 모델 매개변수의 추정치입니다. 이것이 바로 우리가 예측을 해야 하는 것입니다. 따라서 스트레스 테스트에서 우리는 스트레스가 매우 높은 부분에 스트레스를 가한 다음 해당 데이터를 사용하여 조건을 추정하고 이를 수행하려면 모델 매개변수가 필요합니다. |
| 그러나 모델 매개변수는 이야기의 절반에 불과합니다. 우리는 또한 이러한 추정치에 어느 정도 불확실성이 있다는 점을 인정해야 하며, 신뢰 한계를 가지고 이를 수행할 것이며 제가 그렇게 했던 부트스트래핑 방법에 대해 이야기하겠습니다. |
| 그리고 하루가 끝날 무렵, |
| 최대 가능성 추정치와 부트스트랩 신뢰 한계를 사용하여 안전 운영 영역이라는 것을 만들 수 있습니다. |
| SOA는 신뢰성 맵의 일종입니다. 이를 반응 표면으로 생각할 수도 있습니다. 그래서 우리가 얻을 것은...부품을 작동하는 것이 안전한 지역과 안전하지 않은 지역을 찾는 것입니다. 그리고 나서 나는 몇 가지 결론에 도달할 것입니다. |
| 그렇다면 스트레스 테스트란 무엇인가? 스트레스 테스트에서는 부품이 파손될 때까지 스트레스를 가합니다. 이제 때로는 실패하지 않을 때도 있습니다. 때로는 테스트를 시작하고 중지하고 다른 작업을 수행해야 하는 경우도 있습니다. |
| 이 경우 센서 데이터 포인트가 있지만 시뮬레이션에 사용되는 최대 가능성 방법은 센서링을 고려하므로 100% 실패할 필요는 없습니다. 우리는 일부 부품이 고장나지 않도록 할 여유가 있습니다. |
| 그래서 당신이 하는 일은 설계된 실험이나 매트릭스 등에 따라 다양한 조건에서 이러한 부분에 스트레스를 가하는 것입니다. 그래서 당신은 달릴 수도 있습니다 |
| 스트레스는 온도, 전력, 전압 등이 될 수 있으며 다양한 조건, 다양한 스트레스에서 부품을 작동한 다음 모델에 맞는 데이터를 가져온 다음 조건을 사용하기 위해 추정합니다. |
| mu = InA + ea/kT. |
| Mu는 분포의 로그 평균입니다. 우리는 일반적으로 로그 정규 분포를 사용합니다. 그것은 상수 항에 온도 항을 더한 것이 될 것입니다. |
| mu는 온도와 반비례 관계에 있음을 알 수 있습니다. 그래서 온도가 올라가면 무는 내려가고, 그 온도가 내려가고 무는 올라갑니다. 로그 정규를 사용할 수 있다면 형상 인자 시그마라는 추가 매개변수도 갖게 됩니다. |
| 따라서 테스트를 실행한 후 매우 스트레스가 심한 조건에서 여러 부품을 실행하고 이를 모델에 맞춥니다. 그런 다음 이 두 가지를 결합하면 사용 조건에서 동작을 예측할 수 있으며 이것이 바로 게임의 이름입니다. |
| 가장 일반적인 방법은 지속적인 스트레스 테스트이며, 기본적으로 스트레스는 테스트 기간 동안 고정됩니다. 그래서 이것은 단지 그 예를 보여주는 것입니다. 여기에 온도 대 시간에 대한 플롯이 있습니다. |
| 온도가 매우 낮다면, 실패가 오래 지속되거나 때로는 매우 길어질 수 있다고 가정해 보겠습니다. |
| 고장 시간은 로그 정규 분포와 같은 일부 분포에 따라 무작위일 수 있습니다. 온도를 좀 더 높은 수준으로 높이면, |
| 고장 시간 분포는 끝나겠지만 평균적으로 고장 시간은 더 짧아질 것입니다. |
| 온도를 더 높이면 같은 현상이 발생하지만 고장 시간은 그보다 훨씬 더 짧아집니다. 따라서 제가 할 수 있는 일은 예를 들어 이렇게 서로 다른 온도에서 여러 부품을 실행하면 결과를 다음과 같은 확률 도표에 맞출 수 있다는 것입니다. |
| 여기에서 가장 높은 온도에서 고장이 발생할 확률과 시간이 있습니다. 이 예는 섭씨 330도입니다. 로그 정규로 설정한 고장 시간 세트가 있습니다. 그런 다음 온도를 낮추고 낮추면 고장 시간이 점점 길어집니다. |
| 그런 다음 이 모든 데이터를 온도에 따라 가져와 이를 Arrhenius 모델에 맞추고 추정합니다. 그러면 사용 조건에 대한 예측을 얻을 수 있다는 것을 알 수 있습니다. 이것이 우리가 추구하는 것입니다. |
| 저는 우리가 이러한 가속 테스트를 할 때 매우 높은 스트레스를 받으며 실행해야 한다는 점을 지적하고 싶습니다. 예를 들어, |
| 비록 이것이 1000시간 정도 지속된다고 하더라도, 우리는 사용 조건 하의 부품이 10억 시간이 될 것이라고 예측하고 있으며 우리가 그렇게 할 수 있는 방법은 없습니다. |
| 10억 시간 동안 테스트를 실행합니다. 따라서 우리는 합리적인 시간 내에 테스트를 완료해야 하며 이것이 바로 우리가 가속 테스트를 수행하는 이유입니다. |
| 그렇다면 스텝 스트레스란 무엇인가? 글쎄, 당신이 상상할 수 있듯이, 단계는 스트레스를 단계적으로 증가시키는 곳을 강조합니다. |
| 또는 일종의 경사로. 장점은 실시간으로 시간을 절약할 수 있다는 것입니다. 앞선 플롯에서 보여드린 것처럼, |
| 이러한 테스트는 1000시간에 달하는 매우 오랜 시간 동안 지속될 수 있습니다. 따라서 테스트가 끝나기까지 몇 주 또는 몇 달이 걸릴 수 있습니다. 단계 스트레스 테스트 |
| 훨씬 더 짧을 수도 있고 몇 시간 또는 며칠 안에 완료할 수도 있습니다. 따라서 시간이 절약됩니다. 그러나 분석은 더 어렵습니다. 이에 대해서는 잠시 후에 보여드리겠습니다. |
| 그래서 Corvo에서 수행한 작업에서 우리는 음향 필터의 신뢰성을 수행하고 있으며 이것이 바로 RF 장치입니다. 따라서 RF의 스트레스는 RF 전력입니다. |
| 그래서 우리는 실패할 때까지 힘을 강화합니다. |
| 따라서 우리가 권력을 강화하려면 여기 있는 이 표현을 사용하여 이를 모델링할 수 있습니다. 기본적으로 우리는 Arrhenius 방정식과 같은 것을 가지고 있지만, n log p라는 또 다른 항을 추가하고 있습니다. |
| N은 전력 가속 매개변수입니다. p는 우리의 힘입니다. 따라서 로그 정규 분포의 경우 모양 요인인 네 번째 매개변수인 시그마가 있습니다. 따라서 1, 2, 3, 4개의 매개변수가 있습니다. |
| 이것이 어떤 모습일지 간단한 예를 들어보겠습니다. |
| 시작하면 이것은 힘 대 시간입니다. 전력은 dBm 단위입니다. 33.5dBm과 같은 전력에서 시작하여 희망적으로 실패할 때까지 계속해서 단계적으로 단계를 밟습니다. |
| 그리고 나는 그것을 지적하고 싶다. |
| 전력이 다양해지고, 부품에 대한 전력이 증가하면 온도도 변하게 됩니다. 따라서 전력이 증가함에 따라 온도도 증가합니다. 따라서 전력과 온도는 혼동됩니다. |
| 따라서 온도와 전력의 영향을 분리할 수 있는 방식으로 실험을 수행해야 합니다. 그래서 나는 그것을 지적하고 싶다. |
| 이 두 가지 용어(온도와 전력)가 있으므로 부품에 대한 전력을 증가시키는 것뿐만 아니라 부품이 더 뜨거워지고 부품을 구동하는 것은 온도입니다. 그 힘 자체도 고장률을 증가시킵니다. |
| 오른쪽. 이제 계단 응력 플롯에 대해 좀 더 자세히 보여드리겠습니다. |
| 그래서 여기에 다시 힘 대 시간이 있습니다. 예를 들어 어느 정도의 힘으로 5시간 동안 부품을 작동한 다음 스트레스를 높이고, 또 5시간을 더 작동하고, 실패할 때까지 스트레스를 늘립니다. |
| 그래서 제가 언급했듯이 전력이 증가함에 따라 온도도 증가합니다. 그래서 어떻게든 그 점을 고려해야 합니다. 난 그게 뭔지 알아야 해 |
| t = T 주변 + R번째 곱하기 p |
| T 주변은 주변 온도입니다. P는 전력입니다. Rth는 상수인 열 임피던스라고 합니다. 즉, 전력을 설정하면 전력이 무엇인지 알 수 있으며 각 단계의 온도도 추정할 수 있습니다. |
| 그래서 우리가 하고 싶은 것은 단계 스트레스 패턴에서 얻은 이러한 실패 시간을 어떻게든 취하여 조건을 사용하기 위해 이를 추정하는 것입니다. |
| 만약 내가 여기서만 시간차만큼만 달리고 있었다면 |
| 그리고 저는 조건을 사용하기 위해 이를 추정하고 싶었습니다. 제가 할 일은 곱셈...가속 계수에 델타 t를 곱한 것과 같은 양의 시간을 구하는 것입니다. 그리고 여기에 가속 요소가 있습니다. 활성화 에너지 항, 온도 항, 전력 항이 있습니다. |
| 그래서 제가 할 일은 AF를 곱하는 것입니다. 그리고 높은 스트레스에서 낮은 스트레스로 내려가기 때문에 AF는 1보다 크고 이는 설명을 위한 것일 뿐 1보다 그다지 크지는 않지만 아이디어를 얻으실 수 있습니다. |
| 그리고 전력을 높이면 온도와 전력이 변하므로 각 단계마다 AF가 변경됩니다. |
| 따라서 사용 조건에서 동일한 시간을 얻으려면 합계를 계산해야 합니다. 그래서 각 세그먼트가 있습니다. |
| 자체 가속 계수와 델타 t가 있을 수도 있습니다. 그런 다음 합계를 계산하면 그에 상응하는 시간이 나옵니다. |
| 그래서 Ea가 무엇인지, n이 무엇인지 정확히 알면 장비 시간을 예측하기 위해 이를 사용할 것이라는 이 표현은 등가 시간이 무엇인지 예측할 수 있습니다. 그래서 그것이 아이디어입니다. |
| 그래서 밝혀진 것은....내가 말했듯이 온도와 전력은 혼동됩니다. 따라서 추정하기 위해 우리가 하는 일은 두 가지 다른 주변 온도에서 실행해야 한다는 것입니다. |
| 주변 온도를 충분히 분리하면 실제로 전력과 온도의 영향을 분리할 수 있습니다. |
| 또한 최소 2개의 램프 속도가 필요합니다. 따라서 최소한 램프 속도와 주변 온도의 2x2 매트릭스가 필요합니다. |
| 제가 수행한 시뮬레이션에서는 여기에 표시된 세 가지 다른 비율을 선택했습니다. 스트레스 시간 대비 dBm 단위의 전력이 있습니다. |
| 그리고 세 가지 다른 경사로가 있지만 속도는 다릅니다. 빠른 속도, 중간 속도, 느린 속도로 램프 속도를 설정하겠습니다. 실제로는 실패할 때까지 계속 놔두겠지만, 저는 단지 몇 시간 후에 임의로 끊어버렸을 뿐입니다. 여기도 천장이 있습니다. |
| 천장은 4개입니다. 스트레스나 힘을 임의로 높이면 실패 메커니즘이 바뀔 수 있다는 사실을 발견했기 때문입니다. |
| 그리고 당신이 원하는 것은 가속 조건 하에 있을 때 고장 메커니즘이 사용 조건 하에서와 동일한지 확인하는 것입니다. 그리고 내가 |
| 추론을 할 수 없는 실패 메커니즘입니다. 추정은 유효하지 않습니다. |
| 그래서 우리는 여기에 34.4dBm의 상한선을 설정했고, 그 한계에 가까워지지 않도록 약간의 버퍼도 제공했습니다. |
| 따라서 주변 온도는 45°C이고 전력을 33.5dBm으로 시작하므로 다음과 같은 또 다른 조건 세트도 갖게 됩니다. |
| 135도. 보시다시피 여기 패턴이 동일하다는 것을 알 수 있습니다. 그리고 우리에게는 천장이 있고 버퍼 영역이 있습니다. 우리가 더 낮은 전력에서 시작한다는 점을 제외하면 모든 것입니다. 따라서 여기서는 32dBm 미만이고 이전에는 33dBm이었습니다. |
| 그렇게 하는 이유는 이렇게 높은 온도에서 전력을 낮추지 않으면 조심하지 않으면 거의 즉시 오류가 발생하고 데이터를 사용하여 작업을 수행할 수 없기 때문입니다. 당신의 추정. |
| 좋습니다. 다시 한 번 우리에게 필요한 것은 제가 이전에 보여드린 것처럼 동등한 시간에 대한 표현입니다. 여기에 그 표현이 있습니다. 이것은 |
| 좀 불쾌하고 등가 사용 시간 조건의 분포에 대한 표현이 무엇인지에 대한 첫 번째 원칙에서 어떻게 파생되는지 모르겠습니다. 그래서 그런 어려운 일에 직면했을 때 제가 선택한 것은 부트스트랩을 사용하는 것이었습니다. |
| 그렇다면 부트스트래핑이란 무엇입니까? |
| 따라서 부트스트래핑을 통해 우리가 하는 일은 데이터 세트를 교체하여 여러 번 리샘플링하는 것입니다. 이는 관측값의 원본 데이터 세트에서 원본 데이터 세트의 복제물을 가질 수 있거나 관측값이 모두 나타나지 않을 수도 있음을 의미합니다. |
| 그리고 제가 사용하는 접근 방식은 비모수적 접근 방식이라고 합니다. 왜냐하면 우리는 분포를 가정하지 않기 때문입니다. 우리는 데이터의 기본 분포를 알 필요가 없습니다. |
| 따라서 이러한 많은 부트스트랩 샘플을 생성하면 매개변수의 대략적인 분포를 얻을 수 있으며 이를 통해 통계적 추론을 수행할 수 있습니다. 특히 우리는 사물에 대한 신뢰 한계를 설정하는 데 관심이 있습니다. 이것이 바로 우리가 해야 할 일입니다. |
| 부트스트래핑의 간단한 예를 백분위수 부트스트랩이라고 합니다. 예를 들어, 어떤 추정치에 대해 90% 신뢰 한계를 원한다고 가정해 보겠습니다. |
| 그리고 저는 아주 많은 부트스트랩 복제물을 형성하고 각 부트스트랩 샘플에서 매개변수를 추출하는 것입니다. 그런 다음 이를 정렬하고 해당 벡터의 이동과 95번째 백분위수가 무엇인지 파악하고 이것이 90% 신뢰 한계를 형성합니다. |
| 제가 실제로 작업에서 한 것은 백분위수에 대한 개선 기술인 기술을 사용한 것입니다. 바이어스 수정 및 가속을 위해 BCa라고 합니다. |
| 편향은 때때로 우리의 추정이 편향되어 이 방법이 이를 고려하기 때문입니다. |
| 가속됨, 불행히도 여기서 가속이라는 용어는 혼란스럽습니다. 이는 가속 테스트와 관련이 없습니다. 방법과 관련이 있으며, 방법은 조정과 관련이 있습니다. |
| 분포의 왜곡 때문입니다. 하지만 궁극적으로 당신은... 당신이 얻게 될 것은 |
| 다른 백분위수 값을 선택해 줄 것입니다. 다시 한 번 백분위수 기술의 경우 5위와 95위를 기록했습니다. |
| 부트스트랩이나 BCa 부트스트랩은 다른 것을 제공할 수 있습니다. 세 번째 백분위수와 96% 등을 말할 수 있습니다. 그리고 이들은 90% 신뢰 한계를 선택해야 하는 사람들입니다. |
| 그래서 저는 이것을 명확하게 하기 위해 아주 간단한 예를 들어보고 싶습니다. |
| 10개의 관찰이 있고 이것으로부터 부트스트랩 샘플을 만들고 싶다고 가정해 보겠습니다. 예를 들어 여기서 첫 번째 관측값 24.93은 첫 번째 표본에서 두 번, 두 번째 표본에서 한 번 발생합니다. |
| 25.06은 두 번 발생합니다. 25.89는 전혀 발생하지 않으며 이 작업을 수행할 수 있습니다. 이 경우에는 100번입니다. |
| 그리고 각 부트스트랩 샘플에 대해 저는 찾을 것입니다. 이 경우에는 평균을 구할 것입니다. 예를 들어, 저는 평균의 분포에 관심이 있습니다. 음, 여기에 평균 분포가 있습니다. |
| 그리고 나는 그것이 어떻게 생겼는지 볼 수 있습니다. 여기 있습니다. |
| 꽤 종 모양으로 보이며 여기에 강조 표시된 몇 가지 점이 있습니다. 백분위수 기술을 사용하는 경우 이것이 90% 신뢰 한계가 됩니다. |
| 이것은 정렬된 벡터이고 다섯 번째 백분위수는 25.84이고 95번째 백분위수는 27.68입니다. |
| BCa 방법을 사용하고 싶다면 일종의 다른 백분위수를 얻을 수도 있습니다. 따라서 이 경우는 25.78과 27.73입니다. 그래서 그건 |
| BCa 방법이 무엇인지 아주 빠르게 알아보세요. 따라서 우리의 경우 샘플이 있습니다... |
| 우리는 스트레스 패턴에 대해 부트스트랩을 수행할 것입니다. 다양한 스트레스 패턴에 따라 실행되고 시뮬레이션된 여러 샘플이 있을 것입니다. |
| 부트스트랩을 해제하세요. 따라서 우리는 이전 추정치 또는 이전 매개변수인 logA, EA 및 시그마의 분포를 얻게 됩니다. |
| 오른쪽. |
| C휘트먼 | 다시 한 번, 여기에 우리의 방정식이 있습니다. |
| 그럼 다시 JMP |
| 제가 가지고 있는 JMP 버전은 부트스트래핑을 수행하지 않습니다. JMP Pro는 지원하지만 제가 가지고 있는 버전은 그렇지 않습니다. 다행히 R에서는 부트스트래핑을 지원합니다. JMP 내에서 R을 호출할 수도 있습니다. 그래서 저는 이 방법을 선택했습니다. 그래서 나는 가지고있다 |
| 나는 할 수 있지만 R은 모든 힘든 일을 합니다. 그래서 보여드리고 싶어요 |
| 예를 들어, 제가 한 일은 logA, EA 및 시그마에 대해 알려진 실제 값을 선택하는 것이었습니다. 나는 무작위로 어떤 범위에서 그것들을 선택했습니다. |
| 그런 다음 이러한 매개변수에 대해 몇 번 동일한 값을 선택하고 그렇게 할 때마다 샘플을 생성하도록 선택했습니다. 예를 들어, 나는 logA true에 대해 마이너스 28.7을 세 번 선택했고 |
| 우리는 이것으로부터 데이터를 얻습니다. 테스트 레벨당 총 5개의 부품 또는 6개의 테스트 레벨이 있었습니다. 기억하시면 3개의 램프, 2개의 다른 온도, 6개의 레벨, 6 곱하기 5는 30입니다. |
| 따라서 이 테스트에는 총 30개의 부품이 실행되었으며 logA 모자를 보면 최대 가능성 추정치는 약 28 정도입니다. |
| 그래서 그것은 실제로 꽤 잘 작동했습니다. 이제 다음 샘플을 위해 여기에서 세 번의 반복을 수행했습니다. 예를 들어 마이너스 5.7이고 마이너스 5.7 정도인 최대값에 대한 방법을 실행했을 때 어떻게 보입니까? 그래서 이 방법은 꽤 효과가 있는 것 같습니다. |
| 하지만 좀 더 자세히 살펴보겠습니다. |
| 여기서 나는 달렸다 |
| 각 그룹당 5회씩 총 250회 시뮬레이션을 실시했습니다. |
| LogA true, EA true가 5번 반복되고 logA hat, EA 등에 대해 서로 다른 추정치가 나옵니다. |
| 또한 BCa 방법을 사용하여 평균 실패 시간과 함께 이러한 매개변수 각각에 대한 신뢰 한계를 형성할 예정입니다. 그럼 이 데이터를 보고 그래프로 그려서 그것이 얼마나 잘 되었는지 살펴보겠습니다. |
| 여기에 logA hat 대 logA true가 있고 기울기가 약 1에 가깝고 절편이 0과 크게 다르지 않다는 것을 알 수 있습니다. 따라서 이것은 실제로 꽤 좋은 작업을 수행하고 있습니다. 내 logA가 true인 경우 |
| 마이너스 15에서 내 추정치는 마이너스 15 플러스 마이너스 정도가 됩니다. 그리고 다른 매개변수인 EA, n, 시그마에 대해서도 마찬가지입니다. 심지어 특정 p zero P zero에서도 작업을 수행했습니다. 그래서 이것은 모두 매우 잘 작동하고 있습니다. |
| 우리는 또한 BCa 방법이 얼마나 잘 작동하는지 알고 싶습니다. 글쎄요, 꽤 잘 작동한 것으로 나타났습니다. |
| 저는... 문제는 BCa 방법이 얼마나 성공적이었는지 입니다. 그리고 여기에 배포판이 있습니다. 알려진 실제 값을 올바르게 대괄호로 묶을 때마다 1을 얻었습니다. 그리고 놓치면 0점을 받습니다. |
| 따라서 logA의 경우 알려진 실제 값을 91%의 경우 올바르게 괄호로 묶습니다. 나는 95%의 시간을 선택하고 있었기 때문에 꽤 가깝습니다. 저는 90년대 초반이고 활성화, 에너지 등에 대한 점수는 거의 같습니다. 모두 90년대 중반에서 낮은 수준입니다. 그래서 그것은 실제로 꽤 좋은 합의입니다. |
| 이제 부트스트랩 반복 횟수를 늘리고 부팅을 100에서 500으로 늘리면 어떤 일이 발생하는지 확인하고 싶다고 가정해 보겠습니다. 그것은 어떻게 생겼나요? |
| MLE와 실제 값을 그래프로 표시하면 거의 같은 결과를 얻을 수 있습니다. |
| 견적이 꽤 괜찮네요. 기울기는 항상 1 주위에 있고 절편은 항상 0 주위에 있습니다. 그래서 그것은 꽤 잘 행동했습니다. |
| 그런 다음 신뢰한계 너비를 보면 |
| 평균적으로 여기서 신뢰 한계 폭은 약 23, mu는 약 20, mu는 약 8을 얻습니다. |
| 값 n. 따라서 이러한 신뢰 대역은 실제로 다소 넓습니다. |
| 그리고 나는 무슨 일이 일어나는지 보고 싶습니다. 음, 표본 크기를 50으로 늘린다고 가정해 보겠습니다. |
| 단지 5개를 사용하는 대신? 50개는 현실적인 표본 크기가 아니므로 그렇게 많은 수를 실행할 수는 없습니다. 그렇게 하는 것은 매우 어렵고 시간도 많이 소요됩니다. |
| 하지만 이것은 시뮬레이션이므로 원하는 만큼 많은 부품을 실행할 수 있습니다. 확인을 위해 최대 우도 추정치가 알려진 실제 값과 꽤 잘 일치한다는 것을 다시 확인했습니다. 다시, 1의 기울기를 얻고 0 주위에서 절편을 얻습니다. |
| 그리고 BCa, |
| 예상대로 약 95%의 시간 동안 브라케팅이 제대로 이루어지고 있습니다. 그래서 그것도 꽤 잘 작동하고 내 신뢰 한계 폭은 |
| 이제는 훨씬 낮아졌습니다. 따라서 예상한 대로 샘플 크기를 늘리면 그에 따라 회의 경계도 낮아집니다. |
| 원래는 20대 초반이었는데 지금은 7시쯤 됐어요. 이것도... 무도 20대 초반이었는데, 지금은 5대 정도입니다. n은 처음에는 약 10이었지만 지금은 약 2.3이므로 샘플 크기를 늘려 더 나은 동작을 얻고 있습니다. |
| 그래서 이것은 요약이 어떤 모습일지 보여줍니다. |
| 여기 다양한 그룹에 대한 성공률이 있습니다. n은 테스트 수준당 부품 수입니다. |
| 그리고 boot는 제가 만든 부트스트랩 샘플의 개수입니다. 따라서 5_100, 5_500 및 50_500은 실제로 이것이 상당히 평평한 것을 볼 수 있습니다. 당신은 얻지 못하고 |
| 커버력이 크게 향상되었습니다. 우리는 90년대 초중반쯤에 뭔가를 얻고 있습니다. 그리고 그것은 당신이 기대하는 것입니다. |
| 따라서 부트스트랩 반복 횟수를 변경하거나 샘플 크기를 변경해도 그다지 많이 변경되지는 않습니다. BCa는 테스트 수준당 5개의 부품과 100개의 부트스트랩 반복을 사용하더라도 꽤 좋은 작업을 수행하는 것과 같습니다. |
| 폭에 대해서. |
| 그러나 여기서 우리는 이점을 보고 있습니다. 따라서 부트스트랩 반복 횟수를 늘리면 신뢰한계의 너비가 감소합니다. 그리고 그 위에, |
| 표본 크기를 늘리면 신뢰한계 너비가 크게 감소합니다. 따라서 이 모든 동작은 예상됩니다. |
| 하지만 여기서 중요한 점은 이 시뮬레이션을 통해 여러분이 할 수 있는 것은 표본 크기가 얼마나 커야 하는지 미리 알 수 있다는 것입니다. |
| 조건당 세 부분으로 문제를 해결할 수 있나요? 원하는 신뢰한계의 너비를 얻으려면 조건당 5개 또는 10개의 부품을 실행해야 합니까? |
| 마찬가지로 분석을 할 때 110을 벗어나려면 부트스트랩 반복을 몇 번이나 해야 합니까? 1000이 필요합니까? 이는 또한 분석을 수행할 때 수행해야 할 작업에 대한 몇 가지 미리 정보를 제공합니다. |
| 자, 이제 마지막으로 최대 우도 추정치와 신뢰 한계를 갖추었습니다. 그래서 우리는 할 수 있습니다 |
| 안전 작동 영역을 사용하여 결과를 요약할 수 있습니다. |
| 우리가 여기서 얻는 것은 신뢰성 맵이나 온도 대 전력의 반응 표면입니다. 따라서 다양한 조건에서 부품이 얼마나 안정적인지 알 수 있습니다. |
| 그리고 이는 디자이너나 고객에게 매우 도움이 될 수 있습니다. 디자이너는 부품을 언제 만들고, 부품을 모방하는지, 부품이 지속되는지 알고 싶어합니다. |
| 중간 고장 시간이 너무 낮아질 수 있도록 더 높은 온도나 더 높은 전력에서 작동하도록 부품을 설계하고 있습니까? |
| 또한 고객은 이 부품을 언제 작동하는지, 해당 부품이 얼마나 오래 지속되는지 알고 싶어합니다. 그래서 SOA가 제공하는 것은 바로 그 정보입니다. |
| 여기서 제공할 측정항목은 평균 실패 시간입니다. 다른 측정항목을 사용할 수도 있습니다. ???를 사용할 수 있는 적합률을 사용할 수 있지만 설명을 위해 중간 실패 시간을 사용하고 있습니다. |
| 앞으로 설명할 훨씬 더 나은 측정 기준은 평균 실패 시간에 대한 신뢰 하한입니다. 이는 좀 더 보수적인 추정치를 제공합니다. |
| 따라서 궁극적으로 SOA를 사용하면 온도와 전력 간의 균형을 맞출 수 있습니다. SOA를 보여주는 등고선 플롯은 다음과 같습니다. |
| 이러한 등고선은 평균 고장 시간의 로그 베이스 10입니다. 따라서 전력 대 온도가 있습니다. 온도가 낮아지고 전력이 감소함에 따라 이러한 윤곽은 점점 더 커지고 있습니다. 따라서 예상대로 스트레스를 낮추면 평균 실패 시간이 늘어납니다. |
| 그리고 기업 목표가 있고 기업 목표가 부품이 지속되기를 원하거나 평균 고장 시간이 10~6시간 이상인 것을 가정해 보겠습니다. |
| 이 지도를 보면 우리가 선택한 전력 및 온도 범위에서 우리가 황금인 것처럼 보입니다. 여기에는 문제가 없습니다. 실패까지 걸리는 평균 시간은 10~6시간 이상입니다. |
| 그래서 우리는 평균 시간 실패가 다시 평균이라는 것을 깨달아야 한다는 것을 말해줍니다. 평균은 단지 이야기의 절반에 불과합니다. 우리는 이 추정치의 불확실성을 인정하는 조치를 취해야 합니다. 그래서 우리가 실제로 하는 일은 여기서 실패까지의 평균 시간에 대한 하한 컨퍼런스 경계를 사용하는 것입니다. |
| 따라서 등고선이 변경된 것을 볼 수 있습니다. 신뢰 하한을 사용하고 있기 때문에 훨씬 더 낮아졌습니다. 여기서는 10~6시간이 이 선으로 표시됩니다. |
| 그리고 지금은 그것이 도달 범위의 일부일 뿐이라는 것을 알 수 있습니다. 여기 녹색에서는 괜찮습니다. 오른쪽. 여기서는 안전하게 작업할 수 있지만 빨간색은 위험합니다. 여기서 달리는 것은 안전하지 않습니다. 이곳은 몬스터들이 있는 곳입니다. 당신은 당신의 역할을 이렇게 뜨겁게 하고 싶지 않습니다. |
| 또한 이를 통해 절충안을 만들 수 있습니다. 예를 들어, 디자이너가 자신의 부품이 섭씨 80도에서 작동하기를 원한다고 가정해 보겠습니다. |
| 전력 수준을 약 29.5dBm 미만으로 유지하는 한 괜찮습니다. |
| 마찬가지로, 부품을 90°C에서 작동하고 싶다고 가정해 보겠습니다. 전력을 충분히 낮게 유지하는 한 괜찮습니다(27.5dBm이라고 가정해 보겠습니다). 오른쪽. 따라서 여기에서 온도와 전력 사이의 균형을 맞출 수 있습니다. |
| 좋아요, 이제 요약만 할게요. |
| 그래서 저는 상수 테스트와 단계 스트레스 테스트의 차이점을 보여주고 시뮬레이션된 단계 스트레스 데이터에서 최대 우도 추정치와 BCa 신뢰 한계를 추출하는 방법을 보여주었습니다. |
| 그리고 저는 추정치와 알려진 실제 값 사이에 꽤 좋은 일치가 있음을 입증했습니다. 게다가, |
| BCa 방법은 꽤 잘 작동했습니다. n 부팅이 100개이고 테스트 수준당 5개의 부품이 있어도 약 95%의 적용 범위를 보였습니다. |
| 그리고 부트스트랩 반복 횟수를 늘리거나 샘플 크기를 늘려도 해당 적용 범위는 크게 변하지 않았습니다. 그러나 신뢰한계 너비에는 큰 변화가 있었습니다. |
| 그리고 그 결과는 우리가 일종의 절충안을 만들 수 있다는 것을 보여주었습니다. 다시 말하지만, 시뮬레이션을 통해 실행해야 하는 부트스트랩 반복 횟수와 실행해야 하는 테스트 조건당 부품 수를 알 수 있습니다. |
| 그리고 궁극적으로 우리는 최대 가능성 추정치와 부트스트랩 신뢰 한계를 사용하여 특정 T0/P0 조합이 얼마나 안전한지에 대한 지침을 고객과 설계자에게 제공하는 SOA를 만들었습니다. |
| 그런 다음 해당 신뢰성 맵을 통해 온도와 전력 간의 균형을 맞출 수 있습니다. |
| 그리고 마지막으로, 실패까지 걸리는 시간의 중앙값에 대한 신뢰 하한을 사용하여 다음을 보여주었습니다. |
| SOA에 대해 보다 보수적인 추정치를 제공합니다. 따라서 본질적으로 신뢰 하한을 사용하면 안전 작업 영역인 SOA가 조금 더 안전해집니다. 그럼 내 얘기는 이것으로 마치겠습니다. 시간을 내주셔서 정말 감사드립니다. |
