영상은 2024년 5월에 업데이트되었습니다.
사용 조건에서 제품 신뢰성이 높을 때, 가속 수명 시험(ALT)은 테스트 시간을 줄이는 데 필요합니다. 더 가혹한 조건에서 부품을 테스트하면 고장 시간이 훨씬 짧아져 합리적인 시간 내에 테스트를 완료할 수 있습니다. 그런 다음 가속 고장 데이터를 사용하여 낮은 스트레스에서 제품 신뢰성을 예측할 수 있습니다.
방법을 확인하세요:
- ALT의 원리를 이해하세요
- 사용 조건에서의 수명을 예측하기 위해 상수 아레니우스 및 전력 법칙 상수 응력 모델을 사용합니다.
- 테스트 시간을 더욱 단축하고 낮은 스트레스에서도 신뢰성을 예측하려면 단계적 스트레스 접근 방식을 사용하십시오.
- 가속 수명 데이터에서 두 가지 요소에 대한 안전 작동 영역(SOA)을 생성합니다.
가속 수명 시험에 대한 몇 가지 배경:
- 평균 고장 시간 – 수리 불가능한 제품의 평균 고장 시간입니다.
- 반응 표면 방법론 - 여러 설명 변수와 하나 이상의 반응 변수 간의 관계를 탐색하는 방법입니다.
- 아레니우스 방정식 또는 모델 - 많은 물리적 및 화학적 프로세스에 대한 반응 속도와 온도 간의 관계를 설명합니다. 이 방정식은 절대 온도(T)에 대한 분해 메커니즘의 종속성과 따라서 고장 시간을 연관시킵니다. 고장 시간 ~ exp(Ea/T) 여기서 Ea는 활성화 에너지입니다. 온도가 변함에 따라 신뢰성 매개변수를 추정하는 데 사용할 수 있습니다.
- Power Law Model - 고장 시간과 응력 사이의 종속성을 제공하는 방정식으로, 고장 시간은 응력의 일부 지수(또는 power)에 대한 함수입니다. 고장 시간 ~ stress^n, 여기서 n은 지수입니다.
- 중도절단 - 데이터 포인트 중도절단은 데이터 포인트가 고장 시간으로 제외되지만 여전히 부품의 작동 시간으로 분석에 포함된다는 것을 의미합니다. 오른쪽 중도절단 - 부품이 고장나기 전에 부품의 응력이 중단되었습니다. 간격 중도절단 - 부품의 고장이 알려진 시간 간격 내에서 발생했습니다. 왼쪽 중도절단 - 부품이 테스트 시작 전 어느 시점에서 고장났습니다. 왼쪽 중도절단은 산업 실험에서 흔하지 않습니다.
아래는 2024년 웨비나에서 다루지 않은 스트레스 테스트에 대한 데모입니다. 지속적인 스트레스를 모델링할 때보다 더 빠르게 결과를 얻어야 하는 사람들에게 유용할 수 있습니다. 사용하려면 1) 스트레스가 너무 높아져 실패 모드가 변경되지 않고 2) 스트레스가 변경되어도 추가 효과가 없다는 것을 확신해야 합니다.
라이브 웨비나 데모에서 Jerry Fish @JerryFish 와 Charlie Whitman @charlie_whitman 이 답한 질문과 이전 데모에서 나온 일부 답변입니다.
질문: 데이터에 따르면 응력 조건에 따라 기울기가 다르다면 어떻게 되나요?
A: 문제가 될 수 있습니다. 기억하세요, 조건을 사용하고 경사도가 다를 때, 일정한 형상 계수의 가정이 위반됩니다. 따라서 이를 해결하는 정교한 방법이 있습니다. 예를 들어, 가장 높은 응력에서 형상 계수가 낮은 응력과 어떻게든 매우 다르다고 가정해 보겠습니다. 이 경우 높은 응력 데이터를 제외하면 됩니다. 경사도가 변하고 형상 계수가 변하는 경우, 실패 메커니즘이 변한다는 것을 암시하지만 반드시 의미하지는 않습니다. 이를 피하고 싶을 것입니다. 따라서 해당 데이터를 제외하고 낮은 응력으로 분석한 다음 외삽을 수행할 수 있습니다. 이는 문제입니다. 형상 계수가 일정해야 예측을 확신할 수 있으므로 훨씬 더 낮은 응력으로 이동해야 할 수도 있습니다.
질문: 분위수 선은 항상 직선인가요?
A: 데모의 예시에서 아레니우스 모델과 같이, 선택한 모델에 맞게 플롯의 크기가 적절하게 조정되었기 때문에 선이 직선이 됩니다.
질문: 어떻게 로그노멀을 사용할지 결정하시나요?
A: 여러 분포의 적합도를 비교하고, 어떤 적합도가 가장 좋은지 결정한 다음 해당 모델을 사용할 수 있습니다. 또는 특정 분포를 사용하면 일부 부분이 실패한다는 이전 정보가 있을 수 있습니다.
질문: 왜 세 가지 다른 온도를 사용할까요?
A: 온도 대 수명 플롯에서 "곡률"을 감지할 수 있도록 하기 위한 것입니다. 두 개의 온도만 사용하면 직선을 가정하게 되며 곡률이 결과에 영향을 미쳤는지 알 수 없습니다.
질문: ALT 검사를 시간이 지남에 따른 자연스러운 노화와 동일시해야 할까요?
A: ALT의 경우, 가속으로 인해 일반적인 사용 조건에서 볼 수 있는 실패 메커니즘이 변경되지 않는다고 가정하고 있습니다.
질문: ALT는 실제 상황을 대표할 수 있나요?
A: 네. 표준 작동 조건에서 결과를 얻는 데 너무 오래 걸릴 때 항상 사용됩니다. 핵심은 가속 요인이 표준 조건에서 실행하는 것과 동일한 실패 모드를 초래한다는 것입니다. 대표성이 무엇을 의미하는지에 따라 다릅니다. 실제 상황을 대표하지는 않지만 신뢰성 연구가 수행되는 방식을 대표합니다.
질문: 아레니우스 산점도에서, 그것은 "데이터의 경계를 넘어 외삽하는 것"처럼 느껴집니다. 회귀에서는 안 됩니다. 사실인가요?
A: 어느 정도는 그렇지만 회귀와는 다른 맥락에서 이루어집니다. 신뢰성의 경우, 데이터가 나타내는 실패 확률에 가장 잘 맞는 분포를 찾으려고 합니다. 이후 실패 시간의 데이터는 없지만, 이전 실패를 아는 것만으로도 분포를 모델링하는 데 충분할 수 있습니다. 여기에 더해, 일반적으로 이러한 이전 시간의 실패 확률에 관심이 있습니다. 따라서 외삽할 수 있지만, 신뢰 구간은 회귀에서 종료점을 넘어 외삽할 때 발견된 구간만큼 넓지 않습니다.
질문: X의 Fit Life, Arrhenius 분석은 각 온도 설정에서 하나의 데이터 포인트만으로 수행할 수 있나요?
A: 실패 분포와 가속 계수에 대한 가정을 하고 베이지안 방법을 사용할 계획인 경우에만 가능합니다.
질문: X, 아레니우스의 Fit Life의 경우, 사용 조건을 외삽하려면 몇 개의 스트레스 조건이 필요합니까?
A: 수학적으로는 2개만 필요할 것 같습니다. 하지만 모든 통계 문제와 마찬가지로, 더 많은 데이터가 항상 더 좋으며, 더 엄격한 신뢰 한계를 제공합니다. 그래서 테스트에 필요한 리소스에 대한 트레이드오프가 발생합니다.
질문: Fit Life by X의 경우, 아레니우스의 경우 온도를 순서형으로 모델링한 경우에도 이 데모가 작동할까요? 아니면 Fit Life by X 분석에는 연속형 데이터가 필요할까요?
A: 아니요. 이 모델의 가정은 X가 연속형이거나 명목형이라는 것입니다.
질문: X의 Fit Life에 대해, 아레니우스는 JMP가 예측 수명에 대한 하한 및 상한 신뢰 한계를 계산하는 방식을 간략하게 설명해 주시겠습니까?
A: JMP는 선택된 분포에 대한 매개변수를 추정하기 위해 최대 우도법을 사용합니다. 이를 통해 관심 분위수에 대한 신뢰 구간을 계산합니다.
질문: 3개의 다른 온도에서 데이터를 얻는 것이 더 선호되지만, 그 중 하나만 사용하는 것도 가능할까요?
A: 아니요. 단일 지점을 통과하는 선을 맞추는 것과 같습니다. 선을 맞추려면 최소 2개의 지점이 필요합니다.
질문: 이 전력 법칙 모델(로그 모델 또는 전압 모델이라고도 함)을 파괴적인 샘플에도 적용할 수 있나요?
A: 찰리가 지금까지 이야기한 모든 것은 샘플당 단일 측정을 가정합니다. 그는 반복 측정에 대해 논의하지 않았습니다.
질문: Power Law와 Arrhenius는 언제 사용하나요?
A: 실제로 많은 사람들이 전압에 Power를 사용하고 온도에 Arrhenius를 사용합니다. 익숙하지 않은 스트레스 요인이라면 문헌을 찾아 역사적으로 무엇이 사용되었는지 알아보는 것을 고려하세요. 또한 검사를 할 수도 있습니다. 아래를 참조하세요.
질문: 이 분석에서 '나쁜' 데이터는 어떻게 행동할까요? 우리가 너무 공격적으로 행동하여 또 다른 실패 모드를 유도했다고 가정해 보겠습니다. 주제 전문가를 불러오거나 부품을 검사하기 전에 이를 드러내는 모델에 서명이 있습니까?
대답: 어느 시점에서는 신뢰 범위를 벗어나는 관찰 결과가 나올 가능성이 있습니다.
질문: 아레니우스 모델에는 항상 로그 정규 변환을 사용하고 거듭제곱 법칙 모델에는 항상 와이불 변환을 사용하시나요?
A: 아니요. 원하는 배포판을 사용할 수 있습니다.
질문: 셰이프 팩터는 무엇을 의미하나요?
A: 분포의 모양이 어떻게 변하는지를 지시하는 일반적인 용어입니다. 분포의 주어진 특성을 제어하는 매개변수라고 생각하세요.
질문: 더 짧은 스트레스 램프 속도에서 더 긴 노화 연구를 통해 외삽된 ALT 검사를 검증하는 것이 정상적인가요?
A: 예측을 검증(또는 확인)하는 것은 항상 좋은 생각입니다. ALT에서든, 일반적인 DOE 분석에서든, 심지어 관측 데이터에 대한 회귀 모델에서든 말입니다. 조지 박스의 말을 인용하자면, "모든 모델은 틀렸고, 일부는 유용합니다." 모델이 "유용한지" 알 수 있는 유일한 방법은 확인 테스트를 실행하는 것입니다.
질문: JMP에는 원하는 예측 구간을 얻기 위해 각 조건에서 얼마나 많은 샘플을 테스트해야 하는지 알아내는 데 도움이 되는 샘플 크기 계산기가 있습니까?
답변: DOE 메뉴의 특수 목적에 ALT 설계 옵션이 있습니다.
질문: 계단 응력의 경우, 선형이나 포물선형이 아닌 경우, 로그 정규 곡선을 사용하는 것을 고려할 때는 언제인가요?
A: 평생 분포를 모델링하고 있다는 점을 명심하세요. 왜곡된 분포(더 긴 시간 동안 더 많은 실패)를 갖는 모든 것은 비정규 분포(예: 로그정규)에 적합하면 이로울 것입니다.
질문: 구간 검열을 어떻게 처리하시나요? 예를 들어, 데이터 테이블에 코딩하여 신뢰성 분석 플랫폼에 입력하려면 어떻게 하시나요?
A: 검열 열이 2개 있습니다. 첫 번째는 하위 간격을 나열하고 두 번째는 상위 간격을 나열합니다. 두 검열 열을 모두 입력에 입력하면 JMP는 간격 검열에 대해 이야기하고 있다는 것을 알게 됩니다.
질문: 두 가지 제품이 있고 찰리가 보여준 것처럼 시간과 전압과 같은 두 가지 스트레스 조건에서 각 제품이 어떻게 작동하는지 알고 싶은 경우, 제품을 공변량으로 추가하는 게 좋을지, 아니면 각 제품별로 다른 분석을 수행하는 게 좋을지 알려주세요.
A: 저는 그것을 공변량으로 추가하여 곱과 가속 요인 조건 간의 상호 작용을 살펴볼 수 있는 것을 선호하는 경향이 있습니다(예: 서로 다른 제품은 분포 범위가 다를 수 있음).
질문: Survival Fit 플랫폼의 경우, Distribution 플롯과 같은 Fit Life by X 플랫폼의 멋진 출력 중 일부를 얻을 수 없는 것 같습니다. 사실인가요?
A: 맞습니다. 예측된 값을 데이터 세트에 저장하고 Graph Builder에서 플로팅하여 멋진 그래픽 출력을 얻을 수 있습니다.
질문: 엘라스토머의 기계적 특성에 대한 온도 가속 저하를 수행하고 더 낮은 온도/더 긴 시간으로 특성 예측을 외삽하려는 경우 여전히 ALT 플랫폼을 사용하시겠습니까? 아니면 DOE 플랫폼만 사용하시겠습니까?
A: ALT 플랫폼을 사용하는 것이 아마 더 바람직할 겁니다.
분석은 일반적으로 비선형 모델을 사용합니다. 비선형 모델에 대한 자세한 내용은 다음을 참조하세요.
