William Q. Meeker, angesehener Professor für Statistik, Iowa State University
Peng Liu, Principal Research Statistician Developer, JMP
Die Degradationsdatenanalyse wird verwendet, um die Zuverlässigkeit, Ausfallzeitverteilung oder Haltbarkeitsverteilung vieler verschiedener Arten von Produkten zu bewerten, darunter Laser, LEDs, Batterien sowie chemische und pharmazeutische Produkte. Die Modellierung von Abbauprozessen wirft ein Licht auf die zugrunde liegenden physikalisch-chemischen Ausfallmechanismen und liefert eine bessere Begründung für die Extrapolation, die für beschleunigte Tests erforderlich ist. Darüber hinaus bieten Verschlechterungsdaten im Vergleich zu Time-to-Event-Daten viel umfassendere Informationen zur Zuverlässigkeit. In der Tat ist es durch die Verwendung geeigneter Verschlechterungsdaten möglich, Rückschlüsse auf die Zuverlässigkeit zu ziehen, selbst wenn keine Ausfälle beobachtet wurden.
Abbaudaten bringen jedoch besondere Herausforderungen an die Modellierung und Inferenz. Dieser Vortrag beschreibt die neue Repeated Measures Degradation-Plattform in JMP 17, die modernste hierarchische Bayes'sche Modellierung verwendet, um Ausfallzeitverteilungswahrscheinlichkeiten und -quantile zu schätzen. Die von uns vorgestellten Methoden sind im Vergleich zu anderen bestehenden Ansätzen theoretisch besser fundiert. Neben Vorteilen stellen Bayes'sche Methoden auch besondere Herausforderungen dar, wie z. B. die Notwendigkeit, vorherige Verteilungen anzugeben. Wir skizzieren unsere Empfehlungen für diesen wichtigen Schritt im Arbeitsablauf der Bayes'schen Analyse. In diesem Vortrag führen wir das Publikum durch diesen spannenden und herausfordernden neuen Ansatz, von der Theorie über die Modellspezifikationen bis hin zur Interpretation der Ergebnisse. Die Referenten schließen den Vortrag mit einer Live-Demonstration ab.
