JMP 18 offre de nouvelles fonctionnalités de modèle de fatigue qui mettent en œuvre une nouvelle méthodologie, basée sur des années de recherche du professeur William Meeker et d'une équipe de chercheurs, pour analyser les données d'essais de fatigue (également appelées données SN). La nouvelle méthodologie respecte la nature de la censure des données des essais de fatigue ; unifie la théorie permettant de déduire la répartition de la durée de vie en fatigue et la répartition de la résistance à la fatigue ; et établit des algorithmes robustes pour estimer les paramètres. Les résultats analytiques sont des éléments d'entrée dans d'autres pratiques d'ingénierie de fiabilité pour prédire la fiabilité des structures finales.
Découvrez comment :
- Comprendre les situations où la modélisation de la fatigue peut être utile
- Utiliser les fonctionnalités de modélisation de fatigue de JMP pour mettre en œuvre la nouvelle méthodologie
- Créez, affichez les résultats et sélectionnez parmi vingt-quatre modèles différents
- Choisissez l'un des six types de courbe SN ainsi que l'une des quatre distributions pour assembler un mode
- Comparez différents modèles, graphiquement et numériquement
- Obtenez des informations détaillées sur des modèles individuels, telles que les estimations de paramètres et leurs intervalles de confiance ; diagnostics de modèles ; profileurs de distribution pour les distributions de durée de vie et de résistance à la fatigue ; des profileurs de quantiles pour les deux distributions ; et des estimations personnalisées de probabilités et de quantiles avec des intervalles de Wald et de vraisemblance.
- Recherchez les améliorations déjà prévues pour la version 18.01
- De meilleures proportions dans les courbes de densité
- Les profils de distribution et de quantile utilisent deux cadres
Les questions et réponses sont incluses à la fin de la démo, à partir de 1:09:00. Les exemples de données utilisés dans les démos sont disponibles dans JMP 18 :
JMP 18 sample files used in the demoExemples de fichiers JMP 18 utilisés dans la démo
Questions répondues par Peng Liu @peng_liu et Rajneesh Rajneesh @Rajneesh lors du webinaire en direct :
Q : La pente de l'asymptote est-elle informée par la résistance à la traction (0 cycle jusqu'à la rupture) ?
R : Pour le moment, nous nous adaptons d'un point de vue statistique, si vous avez des connaissances sur la pente, vous pouvez vérifier si elle correspond.
Q : Le tracé des résidus de Cox-Snell ne montre-t-il pas les points de données censurés ?
R : La pente Cox-Snell n’est pas constituée de points de données. ce sont des estimations non paramétriques de la distribution des résidus. Le but du tracé résiduel de Cox-Snell est de vérifier quelque chose. Si la courbe s'écarte de la ligne diagonale (lognormal est ajusté et ne correspond pas). Ensuite, si nous adaptons Weibell, c'est bien mieux, alors utilisez Weibell.
Q : La construction des modèles Nishijima et Coffin-Manson Zero Slope semble similaire dans leur construction (c'est-à-dire, pente en fatigue à faible cycle, asymtote pour la fatigue à cycle élevé). Existe-t-il une différence fonctionnelle qui pourrait influencer votre décision de choisir un modèle plutôt qu'un autre pour un ensemble de données particulier ?
R : Vous pouvez utiliser le critère AIC avec vos connaissances préalables sur les données.
Q : La plateforme de modélisation non linéaire de JMP peut-elle être utilisée pour effectuer la même analyse que la plateforme de modèle de fatigue ?
R : Vous pouvez le faire, mais vous devez connaître les valeurs de départ pour les attribuer à une plate-forme non linéaire et utiliser la fonction de perte.
Q : Si j'utilise Non linéaire, quelle fonction de perte devrais-je utiliser ? Log-vraisemblance ?
R : Oui, exprimez la log-vraisemblance comme une perte lors du lancement de la plateforme non linéaire.
Q : Si vous choisissez plusieurs modèles, JMP les comparera-t-il pour vous et vous aidera-t-il à choisir celui qui vous convient le mieux ? (AIC, BIC)
R : Oui, et vous pouvez les comparer.
Les références
