使用高級模型預測生存率及其與威布爾模型的比較通用電氣電力與水務公司機械工程師 Anshuman Singh
John Korsedal，GE Power & Water 顧問工程師
通用電氣電力與水務公司生命週期可靠度工程技術主管 Brad Foulkes
機器的壽命由數百個組件構成。每個組件都會受到各種運行條件的影響，其中許多運行條件在設計過程中並未被考慮。因此，組件的實際壽命並非單點，而是一個受運行資料影響的分佈。此外，有時無法確定確切的故障時間，因為一個組件的故障可能不會導致整台機器的故障。這些變異源使得生存建模變得越來越困難，但納入運行資料是降低這種變異影響的一種方法。 JMP Pro 用於理解運行資料。借助人工神經網路和引導模型，我們創建了一種與傳統生存模型並行的方法，該方法使用不平衡的離散結果來識別組件壽命的驅動因素。透過這種平行方法並結合 JMP Pro 視覺化功能，可以識別關鍵的 X 因子並將其添加到生存模型中。協調使用這些方法可以建立更準確的組件壽命生存模型。本次演示將示範用於識別因素的建模技術，從而建立更精確的模型。
