使用高级模型预测生存率及其与威布尔模型的比较通用电气电力与水务公司机械工程师 Anshuman Singh
John Korsedal，GE Power & Water 咨询工程师
通用电气电力与水务公司生命周期可靠性工程技术主管 Brad Foulkes
机器的寿命由数百个组件构成。每个组件都会受到各种运行条件的影响，其中许多运行条件在设计过程中并未被考虑在内。因此，组件的实际寿命并非单点，而是一个受运行数据影响的分布。此外，有时无法确定确切的故障时间，因为一个组件的故障可能不会导致整台机器的故障。这些变异源使得生存建模变得越来越困难，但纳入运行数据是降低这种变异影响的一种方法。JMP Pro 用于理解运行数据。借助人工神经网络和引导模型，我们创建了一种与传统生存模型并行的方法，该方法使用不平衡的离散结果来识别组件寿命的驱动因素。通过这种并行方法并结合 JMP Pro 可视化功能，可以识别关键的 X 因素并将其添加到生存模型中。协调使用这些方法可以构建更准确的组件寿命生存模型。本次演示将演示用于识别因素的建模技术，从而构建更精确的模型。
