JMP 18 ofrece nuevas funcionalidades de modelado de fatiga que implementan una metodología novedosa, basada en años de investigación del profesor William Meeker y un equipo de investigadores, para el análisis de datos de ensayos de fatiga (también conocidos como datos SN). Esta nueva metodología respeta la naturaleza de la censura en los datos de ensayos de fatiga, unifica la teoría de la inferencia de la distribución de la vida útil y la resistencia a la fatiga, y establece algoritmos robustos para la estimación de parámetros. Los resultados analíticos se utilizan como datos de entrada para otras prácticas de ingeniería de confiabilidad, con el fin de predecir la confiabilidad de las estructuras finales.
Vea cómo:
- Comprender las situaciones en las que el modelado de fatiga puede ser útil
- Utilice las capacidades de modelado de fatiga de JMP para implementar la nueva metodología.
- Cree, vea los resultados y seleccione entre veinticuatro modelos diferentes.
- Elija uno de los seis tipos de curvas SN junto con una de las cuatro distribuciones para ensamblar un modelo.
- Comparar diferentes modelos, gráfica y numéricamente.
- Obtenga información detallada para modelos individuales, como estimaciones de parámetros y sus intervalos de confianza; diagnósticos del modelo; perfiles de distribución para las distribuciones de vida útil y resistencia a la fatiga; perfiles de cuantiles para ambas distribuciones; y estimaciones personalizadas de probabilidades y cuantiles con intervalos de Wald y de verosimilitud.
- Busque mejoras ya planificadas para la versión 18.01.
- Mejores proporciones en las curvas de densidad
- Los perfiles de distribución y cuantiles utilizan dos marcos
La sección de preguntas y respuestas se incluye al final de la demostración, a partir del minuto 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 de JMP 18 utilizados en la demostraciónArchivos de muestra de JMP 18 utilizados en la demostración
Preguntas respondidas por Peng Liu (@peng_liu) y Rajneesh (@Rajneesh) en el seminario web en directo:
P: ¿La pendiente de la asíntota está determinada por la resistencia a la tracción (0 ciclos hasta la rotura)?
A: Por el momento, desde una perspectiva estadística, todo encaja. Si tienes conocimientos sobre la pendiente, puedes comprobar si coincide.
P: ¿El gráfico de residuos de Cox-Snell no muestra los datos atípicos/censurados?
A: La pendiente de Cox-Snell no son puntos de datos, sino estimaciones no paramétricas de la distribución de los residuos. El propósito del gráfico de residuos de Cox-Snell es verificar algo. Si la curva se desvía de la línea diagonal (se ajusta una distribución lognormal y no coincide), entonces si ajustamos una distribución de Weibell, el resultado es mucho mejor, por lo que se recomienda usar Weibell.
P: La construcción de los modelos de pendiente cero de Nishijima y Coffin-Manson parece similar (es decir, pendiente para fatiga de bajo ciclo, asíntota para fatiga de alto ciclo). ¿Existe alguna diferencia funcional que influya en su decisión de elegir un modelo u otro para un conjunto de datos en particular?
R: Puedes utilizar el criterio AIC junto con tu 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 de modelos de fatiga?
R: Sí, puedes, pero necesitas conocer los valores iniciales para proporcionárselos a la plataforma no lineal y utilizar la función de pérdida.
P: Si utilizo un modelo no lineal, ¿qué función de pérdida debería usar? ¿Verosimilitud logarítmica?
A: Sí, exprese la verosimilitud logarítmica como una pérdida en el lanzamiento de la plataforma no lineal.
P: Si selecciono varios modelos, ¿JMP los comparará por mí y me ayudará a elegir el que mejor se ajuste a mis necesidades? (AIC, BIC)
A: Sí, y puedes compararlos.
Referencias
