视频于 2024 年 5 月更新。
当产品在使用条件下的可靠性较高时，加速寿命测试 (ALT) 是必要的，以减少测试时间。通过在更严苛的条件下测试零件，故障时间会大大降低，因此可以在合理的时间内完成测试。然后，可以使用加速故障数据来预测低应力下的产品可靠性。
了解如何：
- 了解 ALT 的原理
- 使用恒定阿伦尼乌斯和幂律恒定应力模型来预测使用条件下的寿命
- 使用阶跃应力方法进一步减少测试时间，同时仍能预测低应力下的可靠性
- 根据两个因素，根据加速寿命数据创建安全操作区 (SOA)
加速寿命试验的一些背景知识：
- 平均故障时间 – 不可修复产品的平均故障时间。
- 响应面方法——探索几个解释变量和一个或多个响应变量之间的关系的方法。
- 阿伦尼乌斯方程或模型 - 描述许多物理和化学过程的反应速率与温度之间的关系。该方程将退化机制与绝对温度 (T) 的依赖关系联系起来，因此也与失效时间有关。失效时间 ~ exp(Ea/T)，其中 Ea 是活化能。可用于估计温度变化时的可靠性参数。
- 幂律模型 - 给出失效时间和应力之间依赖关系的方程，其中失效时间是应力的某个指数（或幂）函数。失效时间 ~ 应力 ^n，其中 n 是指数。
- 审查 - 审查数据点意味着数据点被排除为故障时间，但仍作为部件的运行时间包含在分析中。右审查 - 在部件发生故障之前，部件上的应力已停止。区间审查 - 部件的故障发生在某个已知的时间间隔内。左审查 - 部件在测试开始前的某个时间点发生故障。左审查在工业实验中并不常见。
以下是 2024 年网络研讨会未涉及的压力测试演示。对于需要比建模恒定压力时更快获得结果的人来说，它可能很有用。要使用它，您必须确信 1) 压力不会变得太高以至于故障模式发生变化；2) 变化的压力没有其他影响。
Jerry Fish @JerryFish和 Charlie Whitman @charlie_whitman在现场网络研讨会演示中回答了问题，以及之前演示中的一些答案。
问：如果您的数据显示斜率在不同压力条件下有所不同，会发生什么情况。
答：这可能是个问题。请记住，当我们推断使用条件并且斜率不同时，形状因子恒定的假设就被违反了。因此，有一些复杂的方法可以解决这个问题。例如，假设在最高应力下，您看到形状因子与较低应力非常不同。在这种情况下，您可以排除较高应力的数据。很多时候，如果斜率发生变化，形状因子也会发生变化，这表明（但并不一定意味着）您的失效机制正在发生变化。您想避免这种情况。因此，您可能会排除该数据并使用较低应力进行分析，然后进行推断，这是一个问题。您可能需要使用一些甚至更低的应力，因为您希望形状因子保持恒定，这样您就可以自信地做出预测。
问：分位数线总是直的吗？
答：线条将是直线，因为绘图已根据所选模型进行了适当缩放，就像演示示例中的阿伦尼乌斯模型一样。
问：您如何决定使用对数正态性？
答：您可以比较多个分布的拟合度，确定哪个拟合度最好，然后采用该模型。或者您可能有历史信息表明零件在使用特定分布时会失效。
问：为什么我们使用三种不同的温度？
答：这样您就可以在“温度与寿命”图中检测“曲率”。如果您只使用 2 个温度，则假设一条直线，并且您永远不会知道曲率是否影响了您的结果。
问：ALT 测试是否应被视为等同于随时间推移的自然衰老？
答：对于 ALT，您假设加速度不会改变在正常使用条件下会看到的故障机制。
问：ALT 能代表现实世界的情况吗？
答：是的。当在标准操作条件下需要很长时间才能获得结果时，它们总是被使用。关键是加速因素会导致与在标准条件下运行时相同的故障模式。这取决于代表性的含义。虽然它们并不代表现实生活条件，但它们代表了可靠性研究的开展方式。
问：在阿伦尼乌斯散点图上，感觉就像“超出数据范围进行推断”，这在回归中是不允许的。是这样的吗？
答：在某种程度上是这样的，但它是在与回归不同的背景下进行的。在可靠性的情况下，您要尝试找到最适合数据所表示的故障概率的分布。您没有后期故障的数据，但了解早期故障可能足以对分布进行建模。除此之外，您通常对这些早期的故障概率感兴趣。因此，您可能在进行推断，但置信区间不如在回归中推断超出端点时发现的置信区间那么宽。
问：此 Fit Life by X、Arrhenius 分析是否可以在每个温度设置下仅使用一个数据点来完成？
答：只有当您计划对故障分布和加速因子做出一些假设并使用贝叶斯方法时才会如此。
问：对于 Arrhenius 的 Fit Life by X，需要多少个应力条件才能推断出使用条件？
答：从数学上来说，我认为你只需要 2 个。但与任何统计问题一样，数据越多越好，从而提供更严格的置信界限等。因此，它成为与测试所需资源的权衡。
问：对于 Arrhenius 的 Fit Life by X，如果将温度建模为序数，那么该演示是否仍然有效，或者 Fit Life by X 分析是否需要连续数据？
答：不。这些模型的假设是 X 是连续的或名义的。
问：对于 Fit Life by X、Arrhenius，您能否简单解释一下 JMP 如何计算预测寿命的置信下限和上限？
答：JMP 使用最大似然法来估计所选分布的参数。然后，计算出感兴趣的分位数的置信区间。
问：我知道最好在 3 个不同温度下获取数据，但是可以只使用一个吗？
答：不。这就像通过一个点拟合一条线。至少需要 2 个点才能拟合这条线。
问：这个幂律模型（也叫对数模型或者电压模型）可以适用于破坏性样品吗？
答：到目前为止，查理谈论的所有内容都假设每个样本只进行一次测量。他没有讨论重复测量。
问：何时使用幂律，何时使用阿伦尼乌斯定律？
答：在实践中，许多人使用功率表示电压，使用阿伦尼乌斯表示温度。如果您不熟悉压力源，请考虑查阅文献以了解历史上使用过什么。您也可以进行检查。见下文。
问：这些分析中“坏”数据会有什么表现？假设我们过于激进，引发了另一种故障模式。在请来主题专家或检查零件之前，模型中是否有特征可以揭示这种情况？
答：您可能会发现观察结果在某些时候超出了置信区间。
问：您是否总是对阿伦尼乌斯模型使用对数正态变换，对幂律模型使用威布尔变换？
答：不。您可以使用任何您想要的发行版。
问：形状因子是什么意思？
答：这是一个通用术语，表示分布形状如何变化。可以将其视为控制分布特定特征的参数。
问：用较小应力上升率和较长老化研究来验证外推 ALT 测试是否正常？
答：验证（或确认）预测始终是一个好主意，无论是在 ALT 中，还是在一般 DOE 分析中，甚至是在观测数据的回归模型中。套用乔治·博克斯的话，“所有模型都是错误的，但有些是有用的。”知道你的模型是否“有用”的唯一方法是运行一些确认测试。
问：JMP 是否有样本量计算器，可以帮助我们知道在每种条件下需要测试多少个样本才能得到所需的预测区间？
答：在 DOE 菜单“特殊用途”下，有一个ALT 设计选项。
问：对于步进应力，何时会考虑使用对数正态曲线 - 当它不是线性或抛物线时？
答：请记住，您正在对寿命分布进行建模。任何具有偏态分布（较长时间内发生更多故障）的事物都适合非正态分布（如对数正态分布）。
问：你们如何处理区间删失？例如，如何在数据表中编码以将其输入到可靠性分析平台中？
答：您将有 2 个审查列。第一个将列出较低的间隔，第二个将列出较高的间隔。在输入中输入两个审查列，JMP 就知道您正在谈论区间审查。
问：如果我有两种产品，想看看它们在两种压力条件下的表现（像 Charlie 所展示的时间和电压），您是否建议将产品添加为协变量或对每种产品进行不同的分析？
答：我倾向于将其添加为协变量，这样我就可以观察产品和加速因子条件之间的相互作用（例如，不同产品的分布范围可能不同）。
问：对于 Survival Fit 平台，似乎无法获得 Fit Life by X 平台的一些出色输出，例如分布图。这是真的吗？
答：正确。您可以将预测值保存到数据集并在 Graph Builder 中绘制它们以获得漂亮的图形输出。
问：如果温度加速了弹性体机械性能的退化，并希望推断出较低温度/较长时间下的性能预测，您还会使用 ALT 平台吗，还是您只会在这里使用 DOE 平台？
答：使用 ALT 平台可能更可取。
分析通常使用非线性模型。有关非线性模型的更多信息：
