El vídeo se actualizó en mayo de 2024.
Cuando la confiabilidad del producto en las condiciones de uso es alta, son necesarias pruebas de vida acelerada (ALT) para reducir el tiempo de prueba. Al probar las piezas en condiciones más severas, el tiempo de falla es mucho menor, por lo que las pruebas se pueden completar en un tiempo razonable. Luego, los datos de fallas aceleradas se pueden utilizar para predecir la confiabilidad del producto con poca tensión.
Vea cómo:
- Comprender los principios de ALT
- Utilice modelos de tensión constante de Arrhenius y Power Law para predecir la vida útil en condiciones de uso.
- Utilice un enfoque de estrés escalonado para reducir aún más el tiempo de prueba y seguir prediciendo la confiabilidad con un estrés bajo.
- Cree un área operativa segura (SOA) a partir de datos de vida acelerada para dos factores
Algunos antecedentes sobre las pruebas de vida aceleradas:
- Tiempo medio hasta el fallo: tiempo medio de fallo de un producto no reparable.
- Metodología de superficie de respuesta: forma de explorar las relaciones entre varias variables explicativas y una o más variables de respuesta.
- Ecuación o modelo de Arrhenius: describe la relación entre la velocidad de reacción y la temperatura para muchos procesos físicos y químicos. La ecuación relaciona la dependencia del mecanismo de degradación con la temperatura absoluta (T) y por tanto, el tiempo hasta la falla. Tiempo para fallar ~ exp(Ea/T) donde Ea es la energía de activación. Se puede utilizar para estimar parámetros de confiabilidad a medida que cambia la temperatura.
- Modelo de ley de potencia: ecuación que da la dependencia entre el tiempo de falla y la tensión, donde el tiempo de falla es función de la tensión con algún exponente (o potencia). Es hora de fallar ~ estrés^n donde n es un exponente.
- Censura: Censurar un punto de datos significa que el punto de datos se excluye como tiempo de falla, pero aún se incluye en el análisis como tiempo de operación de la pieza. Censura derecha: se detuvo la tensión sobre la pieza antes de que fallara. Censura de intervalo: la falla de la pieza ocurrió dentro de algún intervalo de tiempo conocido. Censura izquierda: la pieza falló en algún momento antes del inicio de la prueba. La censura de izquierda no es común en los experimentos industriales.
A continuación se muestra una demostración sobre pruebas de estrés que no se trataron en el seminario web de 2024. Puede resultar útil para las personas que necesitan obtener resultados incluso más rápido que cuando modelan el estrés constante. Para usarlo, debe estar seguro de que 1) la tensión no aumenta tanto como para que cambie el modo de falla y 2) que una tensión cambiante no tiene efectos adicionales.
Preguntas respondidas por Jerry Fish @JerryFish y Charlie Whitman @charlie_whitman durante la demostración del seminario web en vivo, además de algunas respuestas de demostraciones anteriores.
P: ¿Qué sucede si sus datos muestran que las pendientes son diferentes para diferentes condiciones de estrés?
R: Eso puede ser un problema. Recuerde, cuando extrapolamos las condiciones de uso y las pendientes son diferentes, se viola el supuesto de factor de forma constante. Entonces, existen algunas formas sofisticadas de abordar esto. Por ejemplo, supongamos que en el estrés más alto ves que el factor de forma es de alguna manera muy diferente al de los esfuerzos más bajos. En ese caso, podría simplemente excluir los datos de mayor estrés. Muchas veces, si la pendiente está cambiando, por lo que el factor de forma está cambiando, eso sugiere, pero no necesariamente significa, que el mecanismo de falla está cambiando. Y quieres evitar eso. Entonces, se pueden excluir esos datos y analizarlos con menor estrés y luego hacer la extrapolación, eso es un problema. Es posible que necesites aplicar tensiones aún más bajas porque quieres que el factor de forma sea constante para poder hacer tus predicciones con confianza.
P: ¿Las líneas cuantiles son siempre rectas?
R: Las líneas serán rectas porque la trama se ha escalado adecuadamente para el modelo elegido, como para el modelo de Arrhenius en el ejemplo de la demostración.
P: ¿Cómo decides utilizar lognormal?
R: Puede comparar ajustes de varias distribuciones, decidir cuál se ajusta mejor y optar por ese modelo. O es posible que tenga información histórica que indique que una pieza falla al utilizar una distribución en particular.
P: ¿Por qué utilizamos tres temperaturas diferentes?
R: Es para que puedas detectar "curvatura" en el gráfico Temperatura versus Vida. Si solo usa 2 tiempos, estará asumiendo una línea recta y nunca sabrá si la curvatura afectó sus resultados.
P: ¿Deberían considerarse las pruebas ALT equivalentes al envejecimiento natural con el tiempo?
R: Para ALT, estás asumiendo que la aceleración no cambia el mecanismo de falla que verías en condiciones de uso normales.
P: ¿Son los ALT representativos de situaciones del mundo real?
R: Sí. Se utilizan todo el tiempo cuando llevaría demasiado tiempo obtener resultados en condiciones operativas estándar. La clave es que el factor de aceleración da como resultado el MISMO MODO DE FALLA que si estuviera corriendo en condiciones estándar. Depende de lo que se entienda por representante. Aunque no son representativos de las condiciones de la vida real, sí son representativos de cómo se realizan los estudios de confiabilidad.
P: En el diagrama de dispersión de Arrhenius, se siente como "extrapolar más allá de los límites de los datos", un no-no en la regresión. ¿Es eso cierto?
R: Lo es, más o menos, pero se hace en un contexto diferente al de la regresión. En el caso de la confiabilidad, se trata de encontrar la distribución que mejor se ajuste a las probabilidades de falla representadas por los datos. No tiene datos de los tiempos de falla posteriores, pero conocer las fallas anteriores puede ser un buen trabajo para modelar la distribución. Además de esto, normalmente le interesan las probabilidades de fallo en estos momentos anteriores. Por lo tanto, es posible que esté extrapolando, pero los intervalos de confianza no son tan amplios como los que se encuentran al extrapolar más allá de los puntos finales de la regresión.
P: ¿Se puede realizar este análisis de Fit Life by X, Arrhenius con un solo punto de datos en cada ajuste de temperatura?
R: Solo si planea hacer algunas suposiciones sobre la distribución de fallas y el factor de aceleración y utiliza métodos bayesianos.
P: Para Fit Life by X, Arrhenius, ¿cuántas condiciones de estrés necesitas para extrapolar la condición de uso?
R: Matemáticamente creo que sólo necesitarías 2. Pero como ocurre con cualquier problema estadístico, siempre es mejor tener más datos, lo que da límites de confianza más estrictos, etc. Por lo tanto, se convierte en una compensación por los recursos necesarios para la prueba.
P: Para Fit Life by X, Arrhenius, si la temperatura se modelara como ordinal, ¿esta demostración seguiría funcionando o el análisis de Fit Life by X necesita datos continuos?
R: No. El supuesto de estos modelos es que X es continuo o nominal.
P: Para Fit Life by X, Arrhenius, ¿explicaría brevemente cómo JMP calcula los límites de confianza superior e inferior para las vidas previstas?
R: JMP utiliza la máxima verosimilitud para estimar los parámetros de la distribución seleccionada. A partir de eso, se calculan los intervalos de confianza para el cuantil de interés.
P: Sé que es preferible obtener datos a 3 temperaturas diferentes, pero ¿sería posible utilizar solo una?
R: No. Es como pasar una línea por un solo punto. Necesitas al menos 2 puntos para encajar en la línea.
P: ¿Puede este modelo de ley de potencia (también llamado modelo logarítmico o modelo de voltaje) ser aplicable a muestras destructivas?
R: Todo lo que Charlie ha hablado hasta este momento supone una única medición por muestra. No ha hablado de mediciones repetidas.
P: ¿Cuándo se utiliza la Ley de Potencia frente a Arrhenius?
R: En la práctica, muchos usan Power para voltaje y Arrhenius para temperatura. Si se trata de un factor estresante con el que no está familiarizado, considere consultar la literatura para descubrir qué se ha utilizado históricamente. También puedes hacer un cheque. Vea abajo.
P: ¿Cómo se comportarían los datos "malos" en estos análisis? Digamos que fuimos demasiado agresivos e indujimos otro modo de falla. ¿Hay firmas en el modelo que revelen esto, antes de llamar a expertos en la materia o inspeccionar las piezas?
R: Es probable que en algún momento veamos observaciones que caen fuera de las bandas de confianza.
P: ¿Utiliza siempre la transformación Lognormal para el modelo de Arrhenius y la de Weibull para el modelo de Ley de Potencias?
R: No. Puedes utilizar cualquier distribución que desees.
P: ¿Qué significa el factor de forma?
R: Es un término genérico que dicta cómo cambia la forma de la distribución. Piense en ello como un parámetro que controla una característica determinada de la distribución.
P: ¿Es normal validar las pruebas de ALT extrapoladas con estudios de envejecimiento más prolongados con tasas de rampa de estrés más pequeñas?
R: Validar (o confirmar) las predicciones siempre es una buena idea, ya sea en ALT, en el análisis DOE general o incluso en modelos de regresión sobre datos de observación. Parafraseando a George Box: "Todos los modelos son incorrectos, algunos son útiles". La única forma de saber si su modelo es "útil" es ejecutar algunas pruebas de confirmación.
P: ¿JMP tiene una calculadora de tamaño de muestra para ayudarnos a saber cuántas muestras probar en cada condición para obtener el intervalo de predicción deseado?
R: En el menú DOE, Propósito especial, hay una opción de Diseños ALT .
P: Para el estrés escalonado, ¿cuándo considerará utilizar una curva lognormal, cuando no sea lineal ni parabólica?
R: Tenga en cuenta que está modelando distribuciones de por vida. Cualquier cosa que tenga una distribución sesgada (más fallas en tiempos más largos) se beneficiaría de ajustarse a una distribución no normal (como la lognormal).
P: ¿Cómo aborda la censura por intervalos? Por ejemplo, ¿cómo se codifica en la tabla de datos para ingresarlos en la plataforma de análisis de confiabilidad?
R: Tendrás 2 columnas de censura. El primero enumerará el intervalo inferior, el segundo será el superior. Ingrese ambas columnas de Censor en las entradas y JMP sabrá que está hablando de Censura de intervalo.
P: Si tengo dos productos y quiero ver cómo funcionan bajo dos condiciones de estrés (tiempo y voltaje como lo que muestra Charlie), ¿recomiendan agregar el producto como covariable o realizar análisis diferentes para cada producto?
R: Tiendo a preferir agregarlo como covariable para poder observar la interacción entre el producto y las condiciones del factor de aceleración (por ejemplo, diferentes productos pueden tener diferentes diferenciales de sus distribuciones).
P: Para la plataforma Survival Fit, no parece que puedas obtener algunos de los buenos resultados de la plataforma Fit Life by X, como los gráficos de distribución. ¿Es esto cierto?
R: Correcto. Puede guardar los valores predichos en el conjunto de datos y trazarlos en Graph Builder para obtener un resultado gráfico agradable.
P: ¿Seguiría utilizando la plataforma ALT si está acelerando la degradación de las propiedades mecánicas de un elastómero y desea extrapolar la predicción de las propiedades a temperaturas más bajas o tiempos más prolongados, o simplemente utilizaría la plataforma DOE aquí?
R: Probablemente sea preferible utilizar la plataforma ALT.
El análisis suele utilizar modelos no lineales. Para obtener más información sobre modelos no lineales:
