El vídeo se actualizó en mayo de 2024.
Cuando la confiabilidad del producto en condiciones de uso es alta, se necesitan pruebas de vida acelerada (ALT) para reducir el tiempo de prueba. Al probar las piezas en condiciones más severas, el tiempo de falla es mucho menor, por lo que la prueba se puede completar en un tiempo razonable. Luego, los datos de falla acelerada se pueden utilizar para predecir la confiabilidad del producto en condiciones de bajo estrés.
Vea cómo:
- Comprender los principios de ALT
- Utilice modelos de tensión constante de Arrhenius y de ley de potencia para predecir la vida útil en condiciones de uso
- Utilice un enfoque de estrés escalonado para reducir aún más el tiempo de prueba y aún así predecir la confiabilidad con bajo estrés
- Cree un área operativa segura (SOA) a partir de datos de vida acelerada para dos factores
Algunos antecedentes sobre las pruebas de vida acelerada:
- Tiempo medio hasta el fallo: tiempo promedio hasta el fallo de un producto no reparable.
- Metodología de Superficie de Respuesta: Forma de explorar las relaciones entre varias variables explicativas y una o más variables de respuesta.
- Ecuación o modelo de Arrhenius: describe la relación entre la velocidad de reacción y la temperatura para muchos procesos físicos y químicos. La ecuación relaciona la dependencia del mecanismo de degradación con la temperatura absoluta (T) y, por lo tanto, el tiempo hasta la falla. Tiempo hasta la falla ~ exp(Ea/T) donde Ea es la energía de activación. Puede utilizarse para estimar parámetros de confiabilidad a medida que cambia la temperatura.
- Modelo de ley de potencia: ecuación que proporciona la dependencia entre el tiempo de falla y la tensión, donde el tiempo de falla es una función de la tensión elevada a un determinado exponente (o potencia). Tiempo hasta la falla ~ tensión^n donde n es un exponente.
- Censura: censurar un punto de datos significa que el punto de datos se excluye como tiempo de falla, pero aún así se incluye en el análisis como el tiempo de funcionamiento de la pieza. Censura derecha: se detuvo la tensión en la pieza antes de que la pieza fallara. Censura de intervalo: la falla de la pieza ocurrió dentro de un intervalo de tiempo conocido. Censura izquierda: la pieza falló en algún momento antes del inicio de la prueba. La censura izquierda no es común en los experimentos industriales.
A continuación, se incluye una demostración sobre pruebas de estrés que no se trataron en el seminario web de 2024. Puede resultar útil para las personas que necesitan obtener resultados incluso más rápido que cuando se modela un estrés constante. Para utilizarlo, debe estar seguro de que 1) el estrés no se vuelve tan alto como para que cambie el modo de falla y 2) que un estrés cambiante no tiene efectos adicionales.
Preguntas respondidas por Jerry Fish @JerryFish y Charlie Whitman @charlie_whitman durante la demostración del seminario web en vivo, además de algunas respuestas de demostraciones anteriores.
P: ¿Qué sucede si sus datos muestran que las pendientes son diferentes para diferentes condiciones de estrés?
R: Eso puede ser un problema. Recuerde, cuando extrapolamos para utilizar las condiciones y las pendientes son diferentes, se ha violado ese supuesto de factor de forma constante. Por lo tanto, existen algunas formas sofisticadas de abordar eso. Por ejemplo, supongamos que en su tensión más alta está viendo que el factor de forma es de alguna manera muy diferente de las tensiones más bajas. En ese caso, podría simplemente excluir los datos de tensión más alta. Muchas veces, si la pendiente está cambiando, por lo que el factor de forma está cambiando, eso sugiere, pero no significa necesariamente, que su mecanismo de falla está cambiando. Y desea evitar eso. Por lo tanto, puede excluir esos datos y analizarlos con la tensión más baja y luego hacer su extrapolación, eso es un problema. Es posible que deba pasar a algunas tensiones incluso más bajas porque desea que ese factor de forma sea constante para poder hacer sus predicciones con confianza.
P: ¿Las líneas cuantiles son siempre rectas?
R: Las líneas serán rectas porque el gráfico se ha escalado adecuadamente para el modelo elegido, como para el modelo de Arrhenius en el ejemplo de la demostración.
P: ¿Cómo decide utilizar lognormal?
R: Puedes comparar ajustes de varias distribuciones, decidir cuál se ajusta mejor y utilizar ese modelo. O puedes tener información histórica que indique que una parte falla al usar una distribución en particular.
P: ¿Por qué utilizamos tres temperaturas diferentes?
R: Es para que puedas detectar la "curvatura" en el gráfico de Temperatura vs. Vida. Si solo utilizas 2 temperaturas, estás suponiendo que es una línea recta y nunca sabrás si la curvatura afectó a tus resultados.
P: ¿Debería considerarse la prueba de ALT equivalente al envejecimiento natural a lo largo del tiempo?
R: Para ALT, estás asumiendo que la aceleración no cambia el mecanismo de falla que verías en condiciones de uso normales.
P: ¿Son los ALT representativos de situaciones del mundo real?
R: Sí. Se utilizan todo el tiempo cuando se necesitaría demasiado tiempo para obtener resultados en condiciones de funcionamiento estándar. La clave es que el factor de aceleración da como resultado el MISMO MODO DE FALLA que si se estuviera trabajando en condiciones estándar. Depende de lo que se entienda por representativo. Si bien no son representativos de las condiciones de la vida real, son representativos de cómo se realizan los estudios de confiabilidad.
P: En el diagrama de dispersión de Arrhenius, parece como si se estuviera "extrapolando más allá de los límites de los datos", algo que no se debe hacer en la regresión. ¿Es eso cierto?
R: Sí, en cierto modo, pero se hace en un contexto diferente al de la regresión. En el caso de la fiabilidad, se intenta encontrar la distribución que mejor se ajuste a las probabilidades de fallo representadas por los datos. No se tienen datos de los momentos de fallo posteriores, pero conocer los momentos de fallo anteriores puede ser suficiente para modelar la distribución. Además, normalmente se está interesado en las probabilidades de fallo en estos momentos anteriores. Por lo tanto, se puede extrapolar, pero los intervalos de confianza no son tan amplios como los que se encuentran al extrapolar más allá de los puntos finales en la regresión.
P: ¿Es posible realizar este análisis de Fit Life by X, Arrhenius con un solo punto de datos en cada configuración de temperatura?
R: Sólo si planea hacer algunas suposiciones sobre la distribución de fallas y el factor de aceleración y utilizar métodos bayesianos.
P: Para Fit Life de X, Arrhenius, ¿cuántas condiciones de estrés se necesitan para extrapolar la condición de uso?
R: Matemáticamente creo que solo necesitarías 2. Pero como con cualquier problema de estadística, siempre es mejor tener más datos, lo que da límites de confianza más estrictos, etc. Por lo tanto, se convierte en una compensación por los recursos necesarios para la prueba.
P: Para Fit Life by X, Arrhenius, si la temperatura se modelara como ordinal, ¿esta demostración aún funcionaría o el análisis de Fit Life by X necesita datos continuos?
R: No. El supuesto con estos modelos es que X es continuo o nominal.
P: Para Fit Life de X, Arrhenius, ¿podría explicarnos brevemente cómo JMP calcula los límites de confianza inferior y superior para las vidas útiles previstas?
R: JMP utiliza la máxima verosimilitud para estimar los parámetros de la distribución seleccionada. A partir de ahí, se calculan los intervalos de confianza para el cuartil de interés.
P: Sé que es preferible obtener datos a 3 temperaturas diferentes, pero ¿sería posible utilizar solo una?
R: No. Es como hacer pasar una línea por un único punto. Se necesitan al menos dos puntos para que la línea pase por el mismo.
P: ¿Puede este modelo de ley de potencia (también llamado modelo logarítmico o modelo de voltaje) aplicarse a muestras destructivas?
R: Todo lo que Charlie ha dicho hasta ahora supone una única medición por muestra. No ha hablado de mediciones repetidas.
P: ¿Cuándo se utiliza la Ley de Potencia frente a la de Arrhenius?
R: En la práctica, muchos utilizan el modelo Power para el voltaje y el modelo Arrhenius para la temperatura. Si se trata de un factor estresante con el que no está familiarizado, considere consultar la literatura para averiguar qué se ha utilizado históricamente. También puede hacer una comprobación. Vea a continuación.
P: ¿Cómo se comportarían los datos "malos" en estos análisis? Supongamos que nos mostramos demasiado agresivos e inducimos otro modo de falla. ¿Hay indicios en el modelo que lo revelen, antes de llamar a expertos en la materia o inspeccionar las piezas?
R: Es probable que en algún momento veas observaciones que quedan fuera de los rangos de confianza.
P: ¿Siempre utiliza la transformación Lognormal para el modelo de Arrhenius y la de Weibull para el modelo de Ley de Potencia?
R: No. Puedes utilizar cualquier distribución que desees.
P: ¿Qué significa el factor de forma?
R: Es un término genérico que indica cómo cambia la forma de la distribución. Piénselo como un parámetro que controla una característica determinada de la distribución.
P: ¿Es normal validar pruebas ALT extrapoladas con estudios de envejecimiento más prolongados a tasas de aumento de estrés más pequeñas?
R: Validar (o confirmar) las predicciones siempre es una buena idea, ya sea en el análisis ALT, en el análisis DOE general o incluso en los modelos de regresión sobre datos observacionales. Parafraseando a George Box, "Todos los modelos son erróneos, algunos son útiles". La única forma de saber si su modelo es "útil" es realizar algunas pruebas de confirmación.
P: ¿JMP tiene una calculadora de tamaño de muestra para ayudarnos a saber cuántas muestras probar en cada condición para obtener el intervalo de predicción deseado?
R: En el menú DOE, Propósito especial, hay una opción de Diseños ALT .
P: Para el estrés escalonado, ¿cuándo considerará utilizar una curva lognormal, cuando no es lineal ni parabólica?
R: Tenga en cuenta que está modelando distribuciones de duración de vida. Cualquier cosa que tenga una distribución sesgada (más fallas en tiempos más largos) se beneficiaría de ser ajustada a una distribución no normal (como la lognormal).
P: ¿Cómo se gestiona la censura de intervalos? Por ejemplo, ¿cómo se codifica en la tabla de datos para introducirla en la plataforma de análisis de fiabilidad?
R: Tendrás dos columnas de censura. La primera mostrará el valor intermedio inferior y la segunda, el superior. Introduce ambas columnas de censura en las entradas y JMP sabrá que estás hablando de censura de intervalos.
P: Si tengo dos productos y quiero ver cómo funcionan bajo dos condiciones de estrés (tiempo y voltaje como lo que muestra Charlie), ¿recomienda agregar el producto como covariable o realizar un análisis diferente para cada producto?
R: Suelo preferir agregarlo como covariable para poder observar la interacción entre las condiciones del producto y del factor acelerador (por ejemplo, diferentes productos pueden tener diferentes distribuciones).
P: En el caso de la plataforma Survival Fit, no parece que se puedan obtener algunos de los buenos resultados de la plataforma Fit Life by X, como los gráficos de distribución. ¿Es esto cierto?
A: Correcto. Puedes guardar los valores predichos en el conjunto de datos y representarlos gráficamente en Graph Builder para obtener un buen resultado gráfico.
P: ¿Seguiría utilizando la plataforma ALT si estuviera acelerando la temperatura de la degradación de las propiedades mecánicas de un elastómero y quisiera extrapolar la predicción de propiedades a temperaturas más bajas/tiempos más largos, o simplemente utilizaría la plataforma DOE en este caso?
R: Probablemente sea preferible utilizar la plataforma ALT.
El análisis suele utilizar modelos no lineales. Para obtener más información sobre los modelos no lineales:
