Anshuman Singh, Maschinenbauingenieur, GE Power & Water
John Korsedal, Beratender Ingenieur, GE Power & Water
Brad Foulkes, Technischer Leiter, Life Cycle Reliability Engineering, GE Power & Water
Die Lebensdauer einer Maschine hängt von Hunderten von Komponenten ab. Jede Komponente wird von einer Vielzahl von Betriebsbedingungen beeinflusst, von denen viele im Konstruktionsprozess nicht berücksichtigt werden. Daher ist die tatsächliche Lebensdauer einer Komponente kein einzelner Punkt, sondern eine Verteilung, die von Betriebsdaten beeinflusst wird. Zudem lässt sich die genaue Zeit bis zum Ausfall manchmal nicht bestimmen, da der Ausfall einer Komponente nicht unbedingt den Ausfall der gesamten Maschine zur Folge hat. Diese Variationsquellen erschweren die Überlebensmodellierung zunehmend. Die Einbeziehung von Betriebsdaten ist jedoch eine Möglichkeit, die Auswirkungen dieser Variationen zu reduzieren. JMP Pro dient zur Analyse der Betriebsdaten. Mithilfe künstlicher neuronaler Netze und Bootstrap-Modellierung haben wir einen parallelen Ansatz zu traditionellen Überlebensmodellen entwickelt, der unausgeglichene diskrete Ergebnisse nutzt, um die Einflussfaktoren der Komponentenlebensdauer zu identifizieren. Mit diesem parallelen Ansatz und der JMP Pro-Visualisierung werden wichtige X-Faktoren identifiziert und einem Überlebensmodell hinzugefügt. Die konsequente Anwendung dieser Methoden führt zu einem besseren Überlebensmodell für die Komponentenlebensdauer. Diese Präsentation demonstriert die Modellierungstechnik zur Identifizierung von Faktoren, die zu genaueren Modellen führt.
