La vidéo a été mise à jour en mai 2024.
Lorsque la fiabilité du produit dans les conditions d'utilisation est élevée, des tests de durée de vie accélérés (ALT) sont nécessaires pour réduire la durée des tests. En testant les pièces dans des conditions plus sévères, le temps de défaillance est beaucoup plus court, ce qui permet de réaliser les tests dans un délai raisonnable. Ensuite, les données de défaillance accélérée peuvent être utilisées pour prédire la fiabilité du produit à faible contrainte.
Découvrez comment :
- Comprendre les principes de l'ALT
- Utilisez des modèles de contraintes constantes d'Arrhenius et de Power Law pour prédire les durées de vie dans les conditions d'utilisation.
- Utilisez une approche de contrainte par étapes pour réduire encore plus la durée des tests tout en prédisant la fiabilité à faible contrainte.
- Créez une zone d'exploitation sûre (SOA) à partir de données de durée de vie accélérée pour deux facteurs
Quelques informations sur les tests de durée de vie accélérés :
- Délai moyen jusqu'à défaillance – Un temps de défaillance moyen pour un produit non réparable.
- Méthodologie de surface de réponse - Moyen d'explorer les relations entre plusieurs variables explicatives et une ou plusieurs variables de réponse.
- Équation ou modèle d'Arrhenius - Décrit la relation entre la vitesse de réaction et la température pour de nombreux processus physiques et chimiques. L'équation concerne la dépendance du mécanisme de dégradation à la température absolue (T) et donc le temps jusqu'à la défaillance. Temps d'échec ~ exp(Ea/T) où Ea est l'énergie d'activation. Peut être utilisé pour estimer les paramètres de fiabilité lorsque la température change.
- Modèle de loi de puissance - Équation qui donne la dépendance entre le temps de défaillance et la contrainte, où le temps de défaillance est fonction de la contrainte par rapport à un exposant (ou puissance). Il est temps d'échouer ~ stress^n où n est un exposant.
- Censure - La censure d'un point de données signifie que le point de données est exclu en tant que temps de défaillance mais toujours inclus dans l'analyse en tant que temps de fonctionnement de la pièce. Censure à droite – la contrainte sur la pièce a été arrêtée avant que la pièce ne tombe en panne. Censure par intervalle : la défaillance de la pièce s'est produite dans un intervalle de temps connu. Censure à gauche – la partie a échoué à un moment donné avant le début du test. La censure de gauche n’est pas courante dans les expériences industrielles.
Vous trouverez ci-dessous une démo sur les tests de résistance non abordés lors du webinaire 2024. Cela peut être utile pour les personnes qui ont besoin d'obtenir des résultats encore plus rapidement que lors de la modélisation d'un stress constant. Pour l'utiliser, vous devez être sûr que 1) la contrainte ne devient pas si élevée que le mode de défaillance change et 2) qu'une contrainte changeante n'a pas d'effets supplémentaires.
Questions auxquelles Jerry Fish @JerryFish et Charlie Whitman @charlie_whitman ont répondu lors de la démonstration du webinaire en direct, ainsi que quelques réponses des démos précédentes.
Q : Que se passe-t-il si vos données montrent que les pentes sont différentes pour différentes conditions de contrainte.
R : Cela peut poser un problème. N'oubliez pas que lorsque nous extrapolons aux conditions d'utilisation et que les pentes sont différentes, cette hypothèse de facteur de forme constant a été violée. Il existe donc des moyens sophistiqués pour résoudre ce problème. Par exemple, supposons qu'à votre contrainte la plus élevée, vous constatiez que le facteur de forme est en quelque sorte très différent de celui des contraintes les plus faibles. Dans ce cas, vous pouvez simplement exclure les données de stress plus élevé. Bien souvent, si la pente change, donc le facteur de forme change, cela suggère, mais ne signifie pas nécessairement, que votre mécanisme de défaillance change. Et vous voulez éviter cela. Donc, vous pouvez exclure ces données et les analyser avec la contrainte la plus faible, puis faire votre extrapolation, c'est un problème. Vous devrez peut-être appliquer des contraintes encore plus faibles, car vous souhaitez que ce facteur de forme soit constant afin que vous puissiez faire vos prédictions en toute confiance.
Q : Les lignes quantiles sont-elles toujours droites ?
R : Les lignes seront droites car le tracé a été mis à l'échelle de manière appropriée pour le modèle choisi, comme pour le modèle Arrhenius dans l'exemple de la démo.
Q : Comment décidez-vous d’utiliser lognormal ?
R : Vous pouvez comparer les ajustements d'un certain nombre de distributions, décider laquelle convient le mieux et utiliser ce modèle. Ou vous pouvez avoir des informations historiques indiquant qu'une pièce échoue en utilisant une distribution particulière.
Q : Pourquoi utilisons-nous trois températures différentes ?
R : C'est pour que vous puissiez détecter la « courbure » dans le tracé Température/Durée de vie. Si vous n'utilisez que 2 temps, vous supposez une ligne droite et vous ne saurez jamais si la courbure a affecté vos résultats.
Q : Les tests ALT devraient-ils être considérés comme équivalents au vieillissement naturel au fil du temps ?
R : Pour ALT, vous supposez que l'accélération ne modifie pas le mécanisme de défaillance que vous verriez dans des conditions d'utilisation normales.
Q : Les ALT sont-ils représentatifs de situations du monde réel ?
R : Oui. Ils sont utilisés tout le temps alors qu’il faudrait trop de temps pour obtenir des résultats dans des conditions de fonctionnement standard. La clé est que le facteur d'accélération entraîne le MÊME MODE DE PANNE que si vous fonctionniez dans des conditions standard. Cela dépend de ce qu'on entend par représentant. Bien qu’ils ne soient pas représentatifs des conditions réelles, ils sont représentatifs de la manière dont les études de fiabilité sont menées.
Q : Sur le nuage de points d'Arrhenius, cela ressemble à « une extrapolation au-delà des limites des données », un non-non en matière de régression. Est-ce vrai ?
R : C'est vrai, en quelque sorte, mais cela se fait dans un contexte différent de celui de la régression. Dans le cas de la fiabilité, vous essayez de trouver la distribution qui correspond le mieux aux probabilités de défaillance représentées par les données. Vous ne disposez pas de données sur les temps de défaillance ultérieurs, mais connaître les échecs antérieurs peut suffire à modéliser la distribution. En plus de cela, vous êtes généralement intéressé par les probabilités d'échec à ces moments antérieurs. Vous extrapolez donc peut-être, mais les intervalles de confiance ne sont pas aussi larges que ceux trouvés lors de l'extrapolation au-delà des points limites de la régression.
Q : Cette analyse Fit Life by X, Arrhenius peut-elle être effectuée avec un seul point de données à chaque réglage de température ?
R : Seulement si vous envisagez de faire des hypothèses sur la distribution des défaillances et le facteur d'accélération et que vous utilisez des méthodes bayésiennes.
Q : Pour Fit Life by X, Arrhenius, de combien de conditions de stress avez-vous besoin pour extrapoler les conditions d'utilisation ?
R : Mathématiquement, je pense que vous n'en auriez besoin que de 2. Mais comme pour tout problème de statistiques, plus de données sont toujours meilleures, ce qui donne des limites de confiance plus strictes, etc. Cela devient donc un compromis par rapport aux ressources nécessaires au test.
Q : Pour Fit Life by X, Arrhenius, si la température était modélisée comme ordinale, cette démo fonctionnerait-elle toujours ou l'analyse Fit Life by X nécessite-t-elle des données continues ?
R : Non. L’hypothèse de ces modèles est que X est soit continu, soit nominal.
Q : Pour Fit Life by X, Arrhenius, pourriez-vous expliquer brièvement comment JMP calcule les limites de confiance inférieure et supérieure pour les durées de vie prévues ?
R : JMP utilise le maximum de vraisemblance pour estimer les paramètres de la distribution sélectionnée. À partir de là, vous calculez les intervalles de confiance pour le quantile d’intérêt.
Q : Je sais qu’il est préférable d’obtenir des données à 3 températures différentes, mais serait-il possible d’en utiliser une seule ?
R : Non. C’est comme tracer une ligne passant par un seul point. Vous avez besoin d'au moins 2 points pour ajuster la ligne.
Q : Ce modèle de loi de puissance (également appelé modèle logarithmique ou modèle de tension) peut-il être applicable aux échantillons destructifs ?
R : Tout ce dont Charlie a parlé jusqu’à présent suppose une seule mesure par échantillon. Il n'a pas discuté de mesures répétées.
Q : Quand utilisez-vous la loi du pouvoir contre Arrhenius ?
R : En pratique, beaucoup utilisent Power pour la tension et Arrhenius pour la température. S’il s’agit d’un facteur de stress avec lequel vous n’êtes pas familier, envisagez de consulter la littérature pour découvrir ce qui a été utilisé historiquement. Vous pouvez également faire un contrôle. Voir ci-dessous.
Q : Comment les « mauvaises » données se comporteraient-elles dans ces analyses ? Disons que nous sommes devenus trop agressifs et avons induit un autre mode d'échec. Y a-t-il des signatures dans le modèle qui révéleraient cela, avant de faire appel à des experts en la matière ou d'inspecter les pièces ?
R : Vous verrez probablement des observations se situer en dehors des bandes de confiance à un moment donné.
Q : Utilisez-vous toujours la transformation Lognormale pour le modèle d'Arrhenius et la transformation de Weibull pour le modèle de loi de puissance ?
R : Non. Vous pouvez utiliser n’importe quelle distribution de votre choix.
Q : Que signifie le facteur de forme ?
R : Il s’agit d’un terme générique qui dicte la manière dont la forme de la distribution change. Considérez-le comme un paramètre qui contrôle une caractéristique donnée de la distribution.
Q : Est-il normal de valider les tests ALT extrapolés avec des études de vieillissement plus longues à des taux de rampe de contrainte plus faibles ?
R : Valider (ou confirmer) les prédictions est toujours une bonne idée, que ce soit dans l'analyse ALT ou générale du DOE, ou même dans les modèles de régression sur les données d'observation. Pour paraphraser George Box : « Tous les modèles sont faux, certains sont utiles ». La seule façon de savoir si votre modèle est « utile » est d’exécuter des tests de confirmation.
Q : JMP dispose-t-il d'un calculateur de taille d'échantillon pour nous aider à savoir combien d'échantillons tester dans chaque condition pour obtenir l'intervalle de prédiction souhaité ?
R : Dans le menu DOE, Special Purpose, il existe une option ALT Designs .
Q : Pour Step Stress, quand envisagerez-vous d'utiliser une courbe lognormale – lorsqu'elle n'est ni linéaire ni parabolique ?
R : Gardez à l’esprit que vous modélisez des distributions sur une durée de vie. Tout ce qui a une distribution asymétrique (plus d'échecs sur des périodes plus longues) bénéficierait d'être adapté à une distribution non normale (comme la lognormale).
Q : Comment gérez-vous la censure par intervalles ? Par exemple, comment le coder dans le tableau de données pour le saisir dans la plateforme d'analyse de fiabilité ?
R : Vous aurez 2 colonnes de censure. Le premier listera l’intervaleur inférieure, le second sera l’intervaleur supérieure. Entrez les deux colonnes de censure dans les entrées et JMP saura que vous parlez de censure par intervalles.
Q : Si j'ai deux produits et que je veux voir comment ils réagissent dans deux conditions de contraintes (temps et tension comme ce que montre Charlie), recommandez-vous d'ajouter le produit comme covariable ou d'effectuer une analyse différente pour chaque produit ?
R : J'ai tendance à préférer l'ajouter comme covariable afin de pouvoir examiner l'interaction entre les conditions du produit et des facteurs accélérateurs (par exemple, différents produits peuvent avoir des répartitions différentes de leurs distributions).
Q : Pour la plateforme Survival Fit, il ne semble pas que vous puissiez obtenir certains des résultats intéressants de la plateforme Fit Life by X, tels que les tracés de distribution. Est-ce vrai?
R : C’est exact. Vous pouvez enregistrer les valeurs prédites dans l'ensemble de données et les tracer dans Graph Builder pour obtenir une belle sortie graphique.
Q : Utiliseriez-vous toujours la plate-forme ALT si vous accélèrez la dégradation des propriétés mécaniques d'un élastomère en fonction de la température et que vous souhaitez extrapoler la prédiction des propriétés à des températures plus basses/des temps plus longs, ou utiliseriez-vous simplement la plate-forme DOE ici ?
R : Utiliser la plateforme ALT est probablement préférable.
L'analyse utilise généralement des modèles non linéaires. Pour plus d'informations sur les modèles non linéaires :
