I dati di degrado ripetuto misurano l'affidabilità nel tempo di un prodotto, ad esempio la propagazione di crepe in un materiale, la diminuzione della potenza erogata dagli amplificatori o altre variazioni delle prestazioni nel tempo su singoli soggetti. L'obiettivo della modellazione e dell'analisi del degrado è prevedere i tempi e le probabilità di guasto del prodotto in esame.
A partire da JMP 17, JMP offre due diversi approcci per l'analisi e la modellazione dei dati di degrado con misurazioni ripetute: 1) l'approccio pseudo-guasto, disponibile nella piattaforma JMP Degradation da diverse versioni, e 2) una nuova piattaforma Repeated Measures Degradation che implementa la modellazione bayesiana gerarchica per l'affidabilità discussa in Meeker, Escobar e Pascual (2022).
L'approccio di modellazione bayesiana gerarchica consente di stimare modelli di degrado con parametri casuali tramite inferenza bayesiana e di trovare i tempi di guasto attraverso la simulazione Monte Carlo. Esso adatta modelli di percorso di degrado con parametri casuali, mentre l'approccio pseudo-guasto adatta modelli a parametri fissi . La modellazione bayesiana gerarchica simula i tempi di guasto utilizzando le stime a posteriori dei parametri della popolazione del modello di percorso di degrado, mentre l'approccio pseudo-guasto estrapola i tempi di pseudo-guasto dal modello di percorso a parametri fissi.
In generale, si consiglia di utilizzare la nuova funzionalità di analisi del degrado con misure ripetute quando uno dei modelli supportati risulta appropriato. Se nella nuova piattaforma non si trovano modelli adatti ai propri dati, si consiglia di valutare l'utilizzo dell'approccio pseudo-guasto nella piattaforma di analisi del degrado esistente, dove è possibile definire un modello personalizzato.
Guarda un video che presenta tre casi di studio che utilizzano i dati di esempio JMP (rispettivamente GaAs Laser.jmp, Alloy A.jmp e Device B.jmp) reperibili nella cartella Affidabilità dei tuoi dati di esempio JMP.
Slide Used in Question.JPG
Domande e risposte sono incluse dopo ogni caso di studio. Il caso di studio 1 inizia intorno al minuto 24:00, il caso di studio 2 inizia intorno al minuto 57:00 e il caso di studio 3 inizia intorno al minuto 1:04:00.
Domande a cui hanno risposto Peng Liu (@peng_liu ), Caleb King (@calking ) e Don McCormack (@DonMcCormack) durante il webinar in diretta:
Nella diapositiva "Dati campione sulla degradazione mediante misure ripetute", in tutti e tre gli esempi le curve partono dallo stesso punto. È un requisito per questo tipo di studio?
A: No, le curve non devono necessariamente iniziare dallo stesso punto. Un modello simile, ma che consente partenze casuali, si trova accanto a quello con partenza fissa nell'elenco Definizione percorso.
Sebbene questi siano tutti esempi tratti dal settore manifatturiero, potrebbero essere utilizzati per un esperimento in cui si sottopongono gli animali a stress prolungato (in cui la loro salute si "deteriora" fino a un "cedimento" = morte)? So che in JMP Pro esistono analisi relative alla sopravvivenza, ma questo caso sembra diverso.
A: Sì. Solitamente, quando si ha a che fare con esseri viventi, si parla di analisi di sopravvivenza. Si possono utilizzare tecniche simili. L'aspetto principale da considerare per stabilire se questo tipo di analisi è applicabile è che (1) ci sono più soggetti e (2) vengono effettuate misurazioni ripetute su singoli soggetti nel tempo. Potrebbe non esserci un fattore di stress. Ma se esiste, ci si aspetta che questo fattore di stress rimanga costante sui singoli soggetti per tutto il periodo di tempo. Il livello del fattore può variare da soggetto a soggetto.
Esiste un modo per gestire due o più parametri di risposta al degrado (ad esempio, corrente e tensione)?
A: Attualmente, non c'è modo di farlo con il metodo di degradazione a misure ripetute. Il trucco sta nel combinare le risposte e la loro relazione reciproca. Le cause concorrenti possono essere utilizzate per modellare i dati in caso di guasti gravi, ma non sono sicuro per quanto riguarda i guasti lievi. Esistono altre tecniche che possono essere utilizzate se i guasti provengono da distribuzioni di guasti diverse (ad esempio, sottopopolazioni difettose). Potrebbe esserci comunque un modo per utilizzare le cause concorrenti con i guasti lievi. Si dovrebbe comunque stimare la distribuzione dei guasti sotto ciascuna causa in modo molto simile a quanto si farebbe con i guasti gravi. La differenza sta nel modo in cui si ottengono queste distribuzioni stimate. Una volta ottenute, immagino che la procedura sia la stessa. Attualmente, non c'è modo di farlo con il metodo di degradazione a misure ripetute. Vedi il video al minuto 1:16:00 circa.
Se il seme è casuale, perché abbiamo tutti lo stesso seme casuale 32323?
A: L'etichetta Random Seed intende indicare "seme per la generazione casuale", non necessariamente che il seme stesso sia casuale.
Domanda molto specifica: esiste un modo per utilizzare una funzione di degrado come questa: Parametro di prestazione = ax exp (-(tempo/b)^c), ovvero con tre parametri a, b e c e il parametro a eventualmente impostato allo stesso modo per tutti i dispositivi?
A: Questo può essere fatto tramite Degradazione > Degradazione con misure ripetute (ovvero, la piattaforma precedente).
È possibile utilizzare i filtri dati in questa piattaforma?
A: Dato che si tratta di un modello iterativo, il modello non si aggiornerà se si utilizza un filtro dati. Il filtro dati è una funzionalità generale, sempre disponibile sulla piattaforma. Tuttavia, le implicazioni del suo utilizzo devono essere attentamente valutate. L'implementazione attuale lascia la decisione agli utenti. È importante notare che si tratta di una metodologia che richiede molto tempo: una modifica al filtro comporterà una nuova esecuzione non banale dell'analisi.
Esiste un modo per utilizzare un modello di accelerazione con due variabili di stress, ad esempio temperatura e corrente?
R: Non nella nuova piattaforma di degradazione con misure ripetute, ma è possibile aggiungere due fattori di stress utilizzando la precedente funzionalità di misure ripetute nella piattaforma di degradazione. Per i guasti gravi, è possibile utilizzare anche Fit Parametric Survival.
Risorse
