Anshuman Singh, ingénieur mécanique, GE Power & Water
John Korsedal, ingénieur-conseil, GE Power & Water
Brad Foulkes, responsable technique, ingénierie de la fiabilité du cycle de vie, GE Power & Water
La durée de vie d'une machine est composée de centaines de composants. Chaque composant est influencé par diverses conditions opérationnelles, dont beaucoup ne sont pas prises en compte lors de la conception. De ce fait, la durée de vie réelle d'un composant ne se limite pas à un point précis, mais à une distribution influencée par les données opérationnelles. De plus, le délai exact avant défaillance est parfois impossible à déterminer, car la défaillance d'un composant peut ne pas entraîner la défaillance de la machine entière. Ces sources de variation rendent la modélisation de la survie de plus en plus complexe, mais l'inclusion des données opérationnelles est un moyen de réduire l'impact de ces variations. JMP Pro est utilisé pour comprendre ces données opérationnelles. Grâce aux réseaux de neurones artificiels et à la modélisation bootstrap, nous avons créé une approche parallèle aux modèles de survie traditionnels, utilisant des résultats discrets non équilibrés pour identifier les facteurs de la durée de vie des composants. Grâce à cette approche parallèle et à la visualisation JMP Pro, les X vitaux sont identifiés et ajoutés à un modèle de survie. Une utilisation cohérente de ces méthodes permet d'obtenir un meilleur modèle de survie pour la durée de vie des composants. Cette présentation présentera la technique de modélisation utilisée pour identifier les facteurs, ce qui permet d'obtenir des modèles plus précis.
