使用高级模型预测生存率以及与Weibull模型的比较<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />GE电力与水务机械工程师Anshuman Singh
GE电力与水务咨询工程师John Korsedal
GE Power＆Water生命周期可靠性工程技术负责人Brad Foulkes
机器的寿命由数百个组件组成。每个组件都受多种操作条件的影响，其中许多不被视为设计过程的一部分。因此，组件的实际寿命不是单点，而是受操作数据影响的分布。此外，有时无法确定确切的故障时间，因为组件的故障可能不会导致整个机器的故障。这些变化的来源使生存建模变得越来越困难，但是包括操作数据是减少这种变化的影响的一种方法。JMP Pro用于了解操作数据。在人工神经网络和自举模型的帮助下，我们使用不平衡的离散结果创建了并行的传统生存模型方法，以识别组件寿命的驱动因素。通过这种并行方法并使用JMP Pro可视化，可以识别重要的X并将其添加到生存模型中。这些方法的一致使用可以为组件寿命提供更好的生存模型。本演讲将演示用于识别因素的建模技术，从而获得更准确的模型。
质量与可靠性
