Los datos de degradación repetida miden la fiabilidad de un producto a lo largo del tiempo, como la propagación de grietas en un material, la disminución de la potencia de salida de los amplificadores u otros cambios en el rendimiento a lo largo del tiempo en sujetos individuales. El objetivo del modelado y análisis de la degradación es predecir los tiempos y probabilidades de fallo del producto en estudio.
A partir de JMP 17, JMP ofrece dos enfoques diferentes para el análisis y modelado de datos de degradación de medidas repetidas: 1) el enfoque de pseudo-fallo que ha estado disponible en la plataforma de degradación de JMP durante varias versiones y 2) una nueva plataforma de degradación de medidas repetidas que implementa el modelado bayesiano jerárquico para la confiabilidad discutido en Meeker, Escobar y Pascual (2022).
El enfoque de modelado bayesiano jerárquico permite estimar modelos de degradación con parámetros aleatorios mediante inferencia bayesiana y determinar tiempos de falla a través de simulación de Monte Carlo. Ajusta modelos de trayectoria de degradación con parámetros aleatorios, mientras que el enfoque de pseudofalla ajusta modelos con parámetros fijos . El modelado bayesiano jerárquico simula los tiempos de falla utilizando las estimaciones posteriores de los parámetros poblacionales del modelo de trayectoria de degradación, mientras que el enfoque de pseudofalla extrapola los tiempos de pseudofalla a partir del modelo de trayectoria con parámetros fijos.
En general, utilice la nueva función de Degradación de Medidas Repetidas cuando alguno de sus modelos compatibles sea apropiado. Si no encuentra ningún modelo adecuado para sus datos en la nueva plataforma, considere utilizar el enfoque de pseudofallo en la plataforma de Degradación existente, donde puede definir su propio modelo.
Vea un vídeo que presenta tres estudios de caso utilizando datos de muestra de JMP (GaAs Laser.jmp, Alloy A.jmp y Device B.jmp, respectivamente) que se encuentran en la carpeta Reliability de sus datos de muestra de JMP.
Diapositiva utilizada en la pregunta.JPG
Después de cada caso práctico se incluyen preguntas y respuestas. El caso práctico 1 comienza aproximadamente a las 24:00, el caso práctico 2 comienza aproximadamente a las 57:00 y el caso práctico 3 comienza aproximadamente a la 1:04:00.
Preguntas respondidas por Peng Liu (@peng_liu) , Caleb King (@calking ) y Don McCormack (@DonMcCormack) en el seminario web en directo:
P: En la diapositiva Datos de muestra de degradación con medidas repetidas, en los 3 ejemplos todas las curvas comienzan en el mismo punto. ¿Es esto un requisito para este tipo de estudio?
R: No, las curvas no tienen por qué empezar en el mismo punto. Un modelo similar, que permite inicios aleatorios, se encuentra junto al que tiene un inicio fijo en la lista de Definición de Ruta.
P: Si bien todos estos son ejemplos de fabricación, ¿podría usarse esto para un experimento en el que se somete a animales a estrés prolongado (en el que su salud se deteriora hasta llegar a un fallo, es decir, la muerte)? Sé que JMP Pro incluye análisis relacionados con la supervivencia, pero esto parece diferente.
A: Sí. Normalmente, cuando se trata de seres vivos, lo llamamos análisis de supervivencia. Se pueden usar técnicas similares. Lo principal a considerar para determinar si este tipo de análisis es aplicable es que (1) haya varios sujetos y (2) se tomen mediciones repetidas de cada sujeto a lo largo del tiempo. Puede que no exista un factor de estrés. Pero si existe, se espera que este factor de estrés sea constante en cada sujeto durante todo el tiempo. El nivel del factor puede variar de un sujeto a otro.
P: ¿Existe alguna forma de gestionar dos o más métricas de respuesta a la degradación (por ejemplo, corriente y voltaje)?
A: Actualmente, no hay forma de hacer esto en la Degradación de Medidas Repetidas. El truco estaría en cómo combinar las respuestas y su relación entre sí. Se pueden usar causas competitivas para modelar los datos dados los fallos duros, pero no estoy seguro sobre los fallos blandos. Y hay otras técnicas que se pueden usar si los fallos provienen de diferentes distribuciones de fallos (por ejemplo, subpoblaciones defectuosas). Aún podría haber una forma de usar causas competitivas con fallos blandos. Todavía se estimaría la distribución de fallos bajo cada causa de manera muy similar a como se haría con fallos duros. La diferencia está en cómo se obtienen esas distribuciones estimadas. Sin embargo, una vez que se tienen, imagino que el procedimiento sería el mismo. Actualmente, no hay forma de hacer esto en la Degradación de Medidas Repetidas. Ver video ~tiempo 1:16:00.
P: Si la semilla es aleatoria, ¿por qué todos tenemos la misma semilla aleatoria de 32323?
A: La etiqueta "Semilla aleatoria" pretende implicar "semilla para generación aleatoria", no necesariamente que la semilla sea aleatoria en sí misma.
P: Pregunta muy específica: ¿Hay alguna manera de usar una función de degradación como esta: Parámetro de rendimiento = ax exp (-(tiempo/b)^c), es decir, con tres parámetros a, b y c y el parámetro a posiblemente sea el mismo para todos los dispositivos?
R: Esto se puede hacer usando Degradación > Degradación de medidas repetidas (es decir, la plataforma anterior).
P: ¿Se pueden utilizar filtros de datos en esta plataforma?
A: Dado que se trata de un modelo iterativo, este no se actualizará si se utiliza el filtro de datos. El filtro de datos es una función general disponible en la plataforma. Sin embargo, su uso debe considerarse cuidadosamente. La implementación actual deja la decisión en manos del usuario. Cabe destacar que esta metodología consume mucho tiempo, ya que cualquier cambio en el filtro implicará una repetición considerable del análisis.
P: ¿Existe alguna forma de utilizar un modelo de aceleración con dos variables de estrés, por ejemplo, temperatura y corriente?
R: No en la nueva plataforma de Degradación de Medidas Repetidas, pero puede agregar dos factores de estrés utilizando la función anterior de Medidas Repetidas en la plataforma de Degradación. Para fallas severas, también puede usar la Supervivencia Paramétrica Ajustada.
Recursos
