JMP 18 ofrece nuevas capacidades de modelo de fatiga que implementan una nueva metodología, basada en años de investigación del Prof. William Meeker y un equipo de investigadores, para analizar datos de pruebas de fatiga (también conocidos como datos SN). La nueva metodología respeta la naturaleza de la censura en los datos de las pruebas de fatiga; unifica la teoría de inferir la distribución de la vida por fatiga y la distribución de la resistencia a la fatiga; y establece algoritmos robustos para estimar parámetros. Los resultados analíticos son insumos para otras prácticas de ingeniería de confiabilidad para predecir la confiabilidad de las estructuras finales.
Vea cómo:
- Comprender situaciones en las que el modelado de fatiga puede ser útil
- Utilice las capacidades de JMP Fatigue Modeling para implementar la nueva metodología
- Cree, vea resultados y seleccione entre veinticuatro modelos diferentes
- Elija uno de los seis tipos de curva SN junto con una de las cuatro distribuciones para ensamblar un modo
- Compara diferentes modelos, gráfica y numéricamente
- Obtenga información detallada para modelos individuales, como estimaciones de parámetros y sus intervalos de confianza; diagnóstico de modelos; perfiladores de distribución para distribuciones de vida útil y resistencia a la fatiga; perfiladores cuantiles para las dos distribuciones; y estimaciones personalizadas de probabilidades y cuantiles con intervalos de Wald y de probabilidad.
- Busque mejoras ya planeadas para V 18.01
- Mejores proporciones en las curvas de densidad.
- Los perfiles de distribución y cuantiles utilizan dos marcos.
Las preguntas y respuestas se incluyen al final de la demostración, a partir de la 1:09:00. Los datos de muestra utilizados en las demostraciones están disponibles en JMP 18:
JMP 18 sample files used in the demoArchivos de muestra JMP 18 utilizados en la demostración
Preguntas respondidas por Peng Liu @peng_liu y Rajneesh Rajneesh @Rajneesh en el seminario web en vivo:
P: ¿La pendiente de la asíntota está determinada por la resistencia a la tracción (0 ciclos hasta la falla)?
R: Por el momento encajamos desde una perspectiva estadística, si tienes conocimiento sobre la pendiente puedes verificar si coincide.
P: ¿El gráfico residual de Cox-Snell no muestra los puntos de datos censurados o agotados?
R: La pendiente de Cox-Snell no son puntos de datos. son estimaciones no paramétricas de la distribución de los residuos. El propósito del gráfico residual de Cox-Snell es comprobar si hay algo. Si la curva se desvía de la línea diagonal (se ajusta lognormal y no coincide). Entonces si colocamos Weibell es mucho mejor, así que use Weibell.
P: La construcción de los modelos Nishijima y Coffin-Manson Zero Slope parece similar en su construcción (es decir, pendiente en fatiga de ciclo bajo, asíntota para fatiga de ciclo alto). ¿Existe alguna diferencia funcional que pueda influir en su decisión de elegir un modelo sobre otro para un conjunto de datos en particular?
R: Puede utilizar el criterio AIC junto con su conocimiento previo sobre los datos.
P: ¿Se puede utilizar la plataforma de modelado no lineal de JMP para realizar el mismo análisis que en la plataforma del modelo de fatiga?
R: Puede hacerlo, pero necesita conocer los valores iniciales para asignarlos a una plataforma no lineal y utilizar la función de pérdida.
P: Si uso no lineal, ¿qué función de pérdida usaría? ¿Logaritmo de probabilidad?
R: Sí, exprese la probabilidad logarítmica como una pérdida en el lanzamiento de la plataforma no lineal.
P: Si elige varios modelos, ¿JMP los comparará por usted y le ayudará a elegir el que mejor se ajuste? (AIC, BIC)
R: Sí, y puedes compararlos.
Referencias
