Il video è stato aggiornato a maggio 2024.
Quando l'affidabilità del prodotto in condizioni d'uso è elevata, sono necessari test di vita accelerati (ALT) per ridurre i tempi di test. Testando le parti in condizioni più severe, il tempo di guasto è molto più basso, quindi il test può essere completato in un tempo ragionevole. Quindi, i dati di guasto accelerato possono essere utilizzati per prevedere l'affidabilità del prodotto a basso stress.
Scopri come:
- Comprendere i principi di ALT
- Utilizzare modelli di stress costante di Arrhenius e di legge di potenza per prevedere la durata di vita in condizioni di utilizzo
- Utilizzare un approccio di stress graduale per ridurre ulteriormente i tempi di test e comunque prevedere l'affidabilità a basso stress
- Creare un'area operativa sicura (SOA) da dati di vita accelerati per due fattori
Alcune informazioni di base sui test di vita accelerati:
- Tempo medio di guasto: tempo medio di guasto per un prodotto non riparabile.
- Metodologia della superficie di risposta: metodo per esplorare le relazioni tra diverse variabili esplicative e una o più variabili di risposta.
- Equazione o modello di Arrhenius - Descrive la relazione tra la velocità di reazione e la temperatura per molti processi fisici e chimici. L'equazione mette in relazione la dipendenza del meccanismo di degradazione dalla temperatura assoluta (T) e, quindi, il tempo di guasto. Tempo di guasto ~ exp(Ea/T) dove Ea è l'energia di attivazione. Può essere utilizzato per stimare i parametri di affidabilità al variare della temperatura.
- Modello di legge di potenza - Equazione che fornisce la dipendenza tra tempo di guasto e stress, dove il tempo di guasto è una funzione dello stress a un esponente (o potenza). Tempo di guasto ~ stress^n dove n è un esponente.
- Censura - Censurare un punto dati significa che il punto dati è escluso come tempo di guasto ma è comunque incluso nell'analisi come tempo di funzionamento della parte. Censura a destra: lo stress sulla parte è stato interrotto prima che la parte si guastasse. Censura a intervalli: il guasto della parte si è verificato entro un intervallo di tempo noto. Censura a sinistra: la parte si è guastata in un punto prima dell'inizio del test. La censura a sinistra non è comune negli esperimenti industriali.
Di seguito è riportata una demo sui test di stress non trattati nel webinar del 2024. Potrebbe essere utile per le persone che hanno bisogno di ottenere risultati ancora più velocemente rispetto alla modellazione di stress costante. Per utilizzarla, è necessario essere certi che 1) lo stress non diventi così elevato da modificare la modalità di guasto e 2) che uno stress variabile non abbia effetti aggiuntivi.
Domande a cui hanno risposto Jerry Fish @JerryFish e Charlie Whitman @charlie_whitman durante la demo del webinar in diretta, oltre ad alcune risposte dalle demo precedenti.
Cosa succede se i dati mostrano pendenze diverse in base alle diverse condizioni di stress?
R: Questo può essere un problema. Ricorda, quando estrapoliamo per usare le condizioni e le pendenze sono diverse, quell'ipotesi di fattore di forma costante è stata violata. Quindi, ci sono alcuni modi sofisticati per affrontare questo problema. Ad esempio, supponiamo che al tuo stress più alto tu stia vedendo che il fattore di forma è in qualche modo molto diverso dagli stress più bassi. In quel caso, potresti semplicemente escludere i dati dello stress più alto. Molte volte se la pendenza sta cambiando, quindi il fattore di forma sta cambiando, ciò suggerisce, ma non significa necessariamente, che il tuo meccanismo di guasto sta cambiando. E vuoi evitarlo. Quindi, potresti escludere quei dati e analizzarli con lo stress più basso e quindi fare la tua estrapolazione, questo è un problema. Potresti dover passare ad alcuni stress ancora più bassi perché vuoi che quel fattore di forma sia costante in modo da poter fare le tue previsioni con sicurezza.
Le linee dei quantili sono sempre dritte?
R: Le linee saranno dritte perché il grafico è stato ridimensionato in modo appropriato per il modello scelto, come nel caso del modello di Arrhenius nell'esempio della demo.
Come si decide di utilizzare il lognormale?
R: Puoi confrontare i fit di un certo numero di distribuzioni, decidere quale si adatta meglio e usare quel modello. Oppure potresti avere informazioni storiche che dicono che una parte fallisce usando una distribuzione particolare.
Perché utilizziamo tre temperature diverse?
R: È così che puoi rilevare la "curvatura" nel grafico Temperatura vs. Vita. Se usi solo 2 temperature, stai assumendo una linea retta e non saprai mai se la curvatura ha influenzato i tuoi risultati.
Il test ALT dovrebbe essere considerato equivalente all'invecchiamento naturale nel tempo?
R: Per ALT, si presuppone che l'accelerazione non modifichi il meccanismo di guasto che si vedrebbe in normali condizioni di utilizzo.
Gli ALT sono rappresentativi di situazioni del mondo reale?
R: Sì. Vengono usati sempre quando ci vorrebbe troppo tempo per ottenere risultati in condizioni operative standard. La chiave è che il fattore di accelerazione determina la STESSA MODALITÀ DI GUASTO come se si stesse funzionando in condizioni standard. Dipende da cosa si intende per rappresentativo. Sebbene non siano rappresentativi delle condizioni di vita reale, sono rappresentativi di come vengono condotti gli studi di affidabilità.
Nel diagramma di dispersione di Arrhenius, sembra che "estrapolare oltre i limiti dei dati" sia un no-no nella regressione. È vero?
R: In un certo senso lo è, ma viene fatto in un contesto diverso dalla regressione. Nel caso dell'affidabilità, stai cercando di trovare la distribuzione che meglio si adatta alle probabilità di guasto rappresentate dai dati. Non hai dati dai tempi di guasto successivi, ma conoscere i guasti precedenti potrebbe essere un lavoro abbastanza buono per modellare la distribuzione. Oltre a questo, sei in genere interessato alle probabilità di guasto in questi tempi precedenti. Quindi potresti estrapolare, ma gli intervalli di confidenza non sono ampi come quelli trovati quando estrapoli oltre gli endpoint nella regressione.
È possibile eseguire questa analisi Fit Life by X, Arrhenius con un solo punto dati per ogni impostazione di temperatura?
R: Solo se si prevede di fare alcune ipotesi sulla distribuzione dei guasti e sul fattore di accelerazione e di utilizzare metodi bayesiani.
Per Fit Life di X, Arrhenius, di quante condizioni di stress hai bisogno per estrapolare le condizioni d'uso?
R: Matematicamente penso che ne servirebbero solo 2. Ma come per qualsiasi problema statistico, più dati sono sempre meglio, il che fornisce limiti di confidenza più stretti, ecc. Quindi diventa un compromesso con le risorse necessarie per il test.
Per Fit Life by X, Arrhenius, se la temperatura fosse modellata come ordinale, questa demo funzionerebbe comunque o l'analisi Fit Life by X necessita di dati continui?
R: No. Il presupposto di questi modelli è che X sia continua o nominale.
Per Fit Life by X, Arrhenius, potresti spiegare brevemente come JMP calcola i limiti di confidenza inferiore e superiore per le durate di vita previste?
A: JMP utilizza la massima verosimiglianza per stimare i parametri per la distribuzione selezionata. Da ciò, si calcolano gli intervalli di confidenza per il quantile di interesse.
So che è preferibile ottenere dati a 3 temperature diverse, ma sarebbe possibile usarne solo una?
R: No. È come adattare una linea attraverso un singolo punto. Hai bisogno di almeno 2 punti per adattare la linea.
Questo modello di legge di potenza (chiamato anche modello logaritmico o modello di tensione) può essere applicato a campioni distruttivi?
R: Tutto ciò di cui Charlie ha parlato finora presuppone una singola misurazione per campione. Non ha parlato di misurazioni ripetute.
Quando si usa la legge di potenza anziché quella di Arrhenius?
R: In pratica, molti usano Power per la tensione e Arrhenius per la temperatura. Se si tratta di uno stressor con cui non hai familiarità, prendi in considerazione di andare alla letteratura per scoprire cosa è stato usato storicamente. Puoi anche fare un controllo. Vedi sotto.
Come si comporterebbero i dati "cattivi" in queste analisi? Diciamo che siamo andati troppo aggressivi e abbiamo indotto un'altra modalità di errore. Ci sono firme nel modello che lo rivelerebbero, prima di chiamare esperti in materia o di ispezionare le parti?
R: Probabilmente a un certo punto si vedranno osservazioni che esulano dalle bande di confidenza.
Utilizzi sempre la trasformazione lognormale per il modello di Arrhenius e quella di Weibull per il modello di legge di potenza?
R: No. Puoi usare qualsiasi distribuzione tu voglia.
Cosa significa fattore di forma?
R: È un termine generico che detta come cambia la forma della distribuzione. Pensalo come un parametro che controlla una data caratteristica della distribuzione.
È normale convalidare i test ALT estrapolati con studi di invecchiamento più lunghi a velocità di rampa di stress più basse?
R: Validare (o confermare) le previsioni è sempre una buona idea, sia in ALT, sia in analisi DOE generale, o anche in modelli di regressione su dati osservativi. Per parafrasare George Box, "Tutti i modelli sono sbagliati, alcuni sono utili". L'unico modo per sapere se il tuo modello è "utile" è eseguire alcuni test di conferma.
JMP ha un calcolatore delle dimensioni del campione che ci aiuti a sapere quanti campioni testare in ogni condizione per ottenere l'intervallo di previsione desiderato?
R: Nel menu DOE, Scopi speciali, è presente l'opzione Progetti ALT .
Per lo Step Stress, quando si prende in considerazione l'utilizzo di una curva lognormale, quando non è lineare o parabolica?
R: Tieni presente che stai modellando distribuzioni di durata. Tutto ciò che ha una distribuzione distorta (più guasti in tempi più lunghi) trarrebbe vantaggio dall'essere adattato a una distribuzione non normale (come la lognormale).
Come gestisci la censura degli intervalli? Ad esempio, come la codifichi nella tabella dati per inserirla nella piattaforma di analisi dell'affidabilità?
R: Avrai 2 colonne di censura. La prima elencherà l'intervalore inferiore, la seconda sarà quello superiore. Inserisci entrambe le colonne di censura negli input e JMP saprà che stai parlando di Censura di intervallo.
Se ho due prodotti e voglio vedere come si comportano in due condizioni di stress (tempo e tensione, come mostra Charlie), consigli di aggiungere il prodotto come covariata o di eseguire analisi diverse per ciascun prodotto?
R: Tendo a preferire aggiungerlo come covariata in modo da poter esaminare l'interazione tra il prodotto e le condizioni del fattore accelerante (ad esempio, prodotti diversi possono avere diverse distribuzioni).
Per la piattaforma Survival Fit non sembra che si possano ottenere alcuni degli output interessanti della piattaforma Fit Life by X, come i grafici di distribuzione. È vero?
A: Corretto. Puoi salvare i valori previsti nel dataset e tracciarli in Graph Builder per ottenere un output grafico gradevole.
Utilizzeresti ancora la piattaforma ALT se dovessi accelerare la degradazione delle proprietà meccaniche di un elastomero in base alla temperatura e volessi estrapolare la previsione delle proprietà a temperature più basse/tempi più lunghi, oppure in questo caso utilizzeresti semplicemente la piattaforma DOE?
R: Probabilmente è preferibile utilizzare la piattaforma ALT.
L'analisi in genere utilizza modelli non lineari. Per maggiori informazioni sui modelli non lineari:
