La vidéo a été mise à jour en mai 2024.
Lorsque la fiabilité du produit dans les conditions d'utilisation est élevée, des tests de durée de vie accélérés (ALT) sont nécessaires pour réduire la durée des tests. En testant les pièces dans des conditions plus sévères, le temps de défaillance est beaucoup plus court, ce qui permet de terminer les tests dans un délai raisonnable. Ensuite, les données de défaillance accélérée peuvent être utilisées pour prédire la fiabilité du produit à faible contrainte.
Découvrez comment faire :
- Comprendre les principes de l'ALT
- Utiliser des modèles de contrainte constante d'Arrhenius et de loi de puissance pour prédire les durées de vie dans les conditions d'utilisation
- Utilisez une approche de stress par étapes pour réduire encore plus le temps de test tout en prédisant la fiabilité à faible stress
- Créer une zone de fonctionnement sûre (SOA) à partir de données de vie accélérées pour deux facteurs
Quelques informations générales sur les tests de durée de vie accélérés :
- Temps moyen de défaillance – Temps moyen de défaillance d’un produit non réparable.
- Méthodologie de surface de réponse - Méthode permettant d'explorer les relations entre plusieurs variables explicatives et une ou plusieurs variables de réponse.
- Équation ou modèle d'Arrhenius - Décrit la relation entre la vitesse de réaction et la température pour de nombreux processus physiques et chimiques. L'équation relie la dépendance du mécanisme de dégradation à la température absolue (T) et donc au temps de défaillance. Temps de défaillance ~ exp(Ea/T) où Ea est l'énergie d'activation. Peut être utilisée pour estimer les paramètres de fiabilité lorsque la température change.
- Modèle de loi de puissance - Équation qui donne la dépendance entre le temps de défaillance et la contrainte, où le temps de défaillance est une fonction de la contrainte à un certain exposant (ou puissance). Temps de défaillance ~ contrainte^n où n est un exposant.
- Censure - La censure d'un point de données signifie que le point de données est exclu en tant que temps de défaillance, mais toujours inclus dans l'analyse en tant que temps de fonctionnement de la pièce. Censure à droite - la contrainte sur la pièce a été arrêtée avant la défaillance de la pièce. Censure par intervalle - la défaillance de la pièce s'est produite dans un intervalle de temps connu. Censure à gauche - la pièce a échoué à un moment donné avant le début du test. La censure à gauche n'est pas courante dans les expériences industrielles.
Vous trouverez ci-dessous une démonstration sur les tests de stress non abordés lors du webinaire 2024. Elle peut être utile pour les personnes ayant besoin d'obtenir des résultats encore plus rapidement que lors de la modélisation d'un stress constant. Pour l'utiliser, vous devez être sûr que 1) le stress n'est pas si élevé que le mode de défaillance change et 2) qu'un stress changeant n'a pas d'effets supplémentaires.
Questions répondues par Jerry Fish @JerryFish et Charlie Whitman @charlie_whitman lors de la démonstration du webinaire en direct, ainsi que quelques réponses des démonstrations précédentes.
Q : Que se passe-t-il si vos données montrent que les pentes sont différentes pour différentes conditions de contrainte ?
R : Cela peut poser problème. Rappelez-vous que lorsque nous extrapolons pour utiliser des conditions et que les pentes sont différentes, cette hypothèse de facteur de forme constant est violée. Il existe donc des moyens sophistiqués pour résoudre ce problème. Par exemple, supposons qu'à votre contrainte la plus élevée, vous constatez que le facteur de forme est en quelque sorte très différent des contraintes les plus faibles. Dans ce cas, vous pouvez simplement exclure les données de contrainte les plus élevées. Souvent, si la pente change, donc le facteur de forme change, cela suggère, mais ne signifie pas nécessairement, que votre mécanisme de défaillance change. Et vous voulez éviter cela. Vous pouvez donc exclure ces données et les analyser avec la contrainte la plus faible, puis faire votre extrapolation, c'est un problème. Vous devrez peut-être passer à des contraintes encore plus faibles car vous voulez que ce facteur de forme soit constant afin de pouvoir faire vos prévisions en toute confiance.
Q : Les lignes quantiles sont-elles toujours droites ?
R : Les lignes seront droites car le tracé a été mis à l'échelle de manière appropriée pour le modèle choisi, comme pour le modèle d'Arrhenius dans l'exemple de la démo.
Q : Comment décidez-vous d’utiliser le lognormal ?
R : Vous pouvez comparer les ajustements d'un certain nombre de distributions, décider quelle est la meilleure adéquation et choisir ce modèle. Ou vous pouvez avoir des informations historiques indiquant qu'une pièce échoue en utilisant une distribution particulière.
Q : Pourquoi utilisons-nous trois températures différentes ?
R : Cela permet de détecter la « courbure » dans le graphique Température vs. Durée de vie. Si vous n'utilisez que 2 températures, vous supposez une ligne droite et vous ne saurez jamais si la courbure a affecté vos résultats.
Q : Le test ALT doit-il être considéré comme équivalent au vieillissement naturel au fil du temps ?
R : Pour ALT, vous supposez que l’accélération ne modifie pas le mécanisme de défaillance que vous verriez dans des conditions d’utilisation normales.
Q : Les ALT sont-ils représentatifs de situations réelles ?
R : Oui. Ils sont utilisés en permanence lorsqu'il faudrait trop de temps pour obtenir des résultats dans des conditions de fonctionnement standard. L'essentiel est que le facteur d'accélération entraîne le MÊME MODE DE DÉFAILLANCE que si vous fonctionniez dans des conditions standard. Cela dépend de ce que l'on entend par représentatif. Bien qu'ils ne soient pas représentatifs des conditions réelles, ils sont représentatifs de la manière dont les études de fiabilité sont menées.
Q : Sur le diagramme de dispersion d'Arrhenius, on a l'impression qu'il s'agit d'« extrapoler au-delà des limites des données », ce qui est interdit en régression. Est-ce vrai ?
R : C'est vrai, en quelque sorte, mais cela se fait dans un contexte différent de celui de la régression. Dans le cas de la fiabilité, vous essayez de trouver la distribution qui correspond le mieux aux probabilités de défaillance représentées par les données. Vous ne disposez pas de données sur les temps de défaillance ultérieurs, mais le fait de connaître les défaillances antérieures peut suffire à modéliser la distribution. De plus, vous vous intéressez généralement aux probabilités de défaillance à ces moments antérieurs. Vous pouvez donc extrapoler, mais les intervalles de confiance ne sont pas aussi larges que ceux trouvés lors de l'extrapolation au-delà des points finaux de la régression.
Q : Cette analyse Fit Life by X, Arrhenius peut-elle être effectuée avec un seul point de données à chaque réglage de température ?
R : Seulement si vous prévoyez de faire certaines hypothèses sur la distribution des défaillances et le facteur d’accélération et d’utiliser des méthodes bayésiennes.
Q : Pour Fit Life by X, Arrhenius, de combien de conditions de stress avez-vous besoin pour extrapoler la condition d'utilisation ?
R : Mathématiquement, je pense que vous n'en auriez besoin que de 2. Mais comme pour tout problème de statistiques, plus de données sont toujours mieux, ce qui donne des limites de confiance plus strictes, etc. Cela devient donc un compromis par rapport aux ressources nécessaires au test.
Q : Pour Fit Life by X, Arrhenius, si la température était modélisée comme ordinale, cette démonstration fonctionnerait-elle toujours ou l'analyse Fit Life by X nécessite-t-elle des données continues ?
R : Non. L’hypothèse de ces modèles est que X est soit continu, soit nominal.
Q : Pour Fit Life by X, Arrhenius, pouvez-vous expliquer brièvement comment JMP calcule les limites de confiance inférieure et supérieure pour les durées de vie prédites ?
R : JMP utilise la vraisemblance maximale pour estimer les paramètres de la distribution sélectionnée. À partir de là, vous calculez les intervalles de confiance pour le quantile d'intérêt.
Q : Je sais qu'il est préférable d'obtenir des données à 3 températures différentes, mais serait-il possible d'en utiliser une seule ?
R : Non. C'est comme tracer une ligne à partir d'un seul point. Il faut au moins deux points pour tracer la ligne.
Q : Ce modèle de loi de puissance (également appelé modèle logarithmique ou modèle de tension) peut-il être applicable aux échantillons destructifs ?
R : Tout ce dont Charlie a parlé jusqu'à présent suppose une seule mesure par échantillon. Il n'a pas parlé de mesures répétées.
Q : Quand utilisez-vous la loi de puissance par rapport à celle d'Arrhenius ?
R : En pratique, beaucoup utilisent Power pour la tension et Arrhenius pour la température. S'il s'agit d'un facteur de stress que vous ne connaissez pas, pensez à consulter la littérature pour savoir ce qui a été utilisé historiquement. Vous pouvez également faire une vérification. Voir ci-dessous.
Q : Comment les « mauvaises » données se comporteraient-elles dans ces analyses ? Supposons que nous ayons été trop agressifs et que nous ayons provoqué un autre mode de défaillance. Existe-t-il des signatures dans le modèle qui révéleraient ce fait, avant de faire appel à des experts en la matière ou d'inspecter les pièces ?
R : Vous verrez probablement des observations se situant en dehors des bandes de confiance à un moment donné.
Q : Utilisez-vous toujours la transformation log-normale pour le modèle d’Arrhenius et la transformation de Weibull pour le modèle de loi de puissance ?
R : Non. Vous pouvez utiliser la distribution de votre choix.
Q : Que signifie le facteur de forme ?
R : Il s'agit d'un terme générique qui dicte la manière dont la forme de la distribution évolue. Considérez-le comme un paramètre qui contrôle une caractéristique donnée de la distribution.
Q : Est-il normal de valider les tests ALT extrapolés avec des études de vieillissement plus longues à des taux de rampe de stress plus faibles ?
R : Valider (ou confirmer) les prédictions est toujours une bonne idée, que ce soit dans le cadre d'une analyse ALT, d'une analyse DOE générale ou même de modèles de régression sur des données d'observation. Pour paraphraser George Box, « tous les modèles sont faux, certains sont utiles ». La seule façon de savoir si votre modèle est « utile » est d'effectuer des tests de confirmation.
Q : JMP dispose-t-il d'un calculateur de taille d'échantillon pour nous aider à savoir combien d'échantillons tester dans chaque condition pour obtenir l'intervalle de prédiction souhaité ?
R : Sous le menu DOE, Objectif spécial, il y a une option Conceptions alternatives .
Q : Pour la contrainte par paliers, quand envisagerez-vous d'utiliser une courbe log-normale, lorsqu'elle n'est ni linéaire ni parabolique ?
R : Gardez à l'esprit que vous modélisez des distributions de durée de vie. Tout ce qui a une distribution asymétrique (plus d'échecs sur des périodes plus longues) gagnerait à être adapté à une distribution non normale (comme la distribution log-normale).
Q : Comment gérez-vous la censure par intervalles ? Par exemple, comment la codez-vous dans la table de données pour la saisir dans la plateforme d'analyse de fiabilité ?
R : Vous aurez 2 colonnes de censure. La première listera l'intervalle inférieur, la seconde sera l'intervalle supérieur. Entrez les deux colonnes de censure dans les entrées et JMP saura que vous parlez de censure d'intervalle.
Q : Si j'ai deux produits et que je veux voir comment ils se comportent dans deux conditions de stress (temps et tension comme ce que montre Charlie), recommandez-vous d'ajouter le produit comme covariable ou d'effectuer une analyse différente pour chaque produit ?
R : J'ai tendance à préférer l'ajouter comme covariable afin de pouvoir examiner l'interaction entre le produit et les conditions du facteur accélérateur (par exemple, différents produits peuvent avoir des répartitions différentes de leurs distributions).
Q : Pour la plateforme Survival Fit, il ne semble pas que vous puissiez obtenir certains des résultats intéressants de la plateforme Fit Life by X, tels que les tracés de distribution. Est-ce vrai ?
R : C'est exact. Vous pouvez enregistrer les valeurs prédites dans l'ensemble de données et les tracer dans Graph Builder pour obtenir une sortie graphique agréable.
Q : Utiliseriez-vous toujours la plateforme ALT si vous accélériez la dégradation des propriétés mécaniques d'un élastomère en fonction de la température et souhaitiez extrapoler la prédiction des propriétés à des températures plus basses/des temps plus longs, ou utiliseriez-vous simplement la plateforme DOE ici ?
R : L’utilisation de la plateforme ALT est probablement préférable.
L'analyse utilise généralement des modèles non linéaires. Pour plus d'informations sur les modèles non linéaires :
