William Q. Meeker is an expert on reliability analysis.William Q. Meeker is an expert on reliability analysis.William Q. Meeker is an expert on reliability analysis.William Q. Meeker is an expert on reliability analysis.William Q. Meeker는 신뢰성 분석 전문가입니다. 신뢰성 분석 제품 제조의 모든 영역에서 중요합니다. 빅데이터와 머신러닝 시대에는 올바른 결정을 내리고 장수를 보장하기 위해 관련 정보를 찾는 것이 중요합니다. 신뢰도 전문가 빌 미커(Bill Meeker) 아이오와주립대 통계학 교수 겸 석좌교수는 9월 13일 무료 세미나에서 사례 연구를 기반으로 한 새로운 신뢰도와 베이지안 방법을 소개할 예정이다. 에 가입하실 수 있습니다. 오프라인 이벤트 스웨덴 스톡홀름에서 또는 온라인 라이브 스트리밍 .저는 Bill Meeker에게 빅 데이터, 신뢰성 분석의 함정, 해당 분야의 최신 개발에 관해 몇 가지 질문을 했습니다.
요즘 분석이 화두입니다. 전문 용어는 데이터 과학, AI, 기계 학습, Industry 4.0, 빅 데이터입니다. 어떻게 신뢰성 분석 이것과 관련이 있나요?
예, 지금은 데이터로 작업하는 우리 모두에게 매우 흥미로운 시기입니다. 특히 데이터 작업을 위한 사용하기 쉬운 소프트웨어 도구가 있는 지금은 더욱 그렇습니다. 신뢰할 수 있음 데이터는 실험실 가속 테스트 및 보증 또는 기타 현장 데이터라는 두 가지 소스에서 나옵니다. 최근 경험을 바탕으로 Yili Hong과 저는 "신뢰성이 빅 데이터를 만나다: 기회와 도전"이라는 논문을 썼습니다( 품질공학 2014) 신뢰성 필드 데이터가 어떻게 극적으로 변화하는지 설명합니다. 많은 시스템에 센서와 통신 기능이 장착되어 있기 때문에 이제 현장 데이터에는 시스템 작동 방식에 대한 자세한 정보(온도, 시스템이 경험한 충격, 사용량 등의 환경 변수 포함)가 포함되어 있으며 때로는 실시간으로 제공됩니다. , 기타 등등). 이러한 시변 공변량을 제공하는 결과 데이터 세트는 실패한 장치의 실패 시간과 실패하지 않은 장치의 실행 시간만 보고하는 기존 신뢰성 필드 데이터에 비해 엄청납니다. 우리는 이러한 데이터를 적절하게 사용하면 예측에 필요한 유효 추정량을 줄일 수 있고 단위 모집단이 아닌 개별 단위에 대해 예측할 수 있는 기능을 제공하는 응용 프로그램을 보았습니다.
특정 애플리케이션에 기계 학습/AI 기술을 사용하는 데 큰 성공이 있었습니다(Google 번역과 자율주행차 제어가 즉시 떠오르는 두 가지입니다). 그러나 나는 또한 다른 응용 프로그램, 특히 복잡한 시스템의 운영 및 유지 관리에 대한 결정을 내릴 목적으로 신뢰성 예측 영역에서 끔찍한 실패에 대해 들었습니다. 나는 그 이유가 기계 학습 기술이 복잡한 보간 문제를 해결하는 응용 프로그램에서 성공했기 때문이라고 생각합니다. 필요한 정보의 대부분은 빅데이터에 있으며, 머신러닝 기술을 통해 필요한 정보를 추출하여 활용할 수 있습니다. 그러나 많은 예측 애플리케이션에서는 데이터 범위를 넘어서는 추정이 필요합니다. 빅데이터가 포함될 수 있지만 필요한 정보의 양은 제한되어 있습니다. 주제별 지식(예: 고장의 물리학에 관한 지식)을 빅데이터의 제한된 정보와 결합하는 것이 필요합니다. 이것은 현재 연구 주제입니다.
신뢰성 분석은 어떤 산업에서 가장 중요합니까? 어떤 제품이나 프로세스에 사용해야 합니까?
신뢰할 수 있음 제조 및 복잡한 시스템 운영의 거의 모든 영역에서 중요합니다. 항상 신뢰성에 중점을 둔 두 가지 분야는 안전이라는 명백한 이유로 항공우주와 원자력 발전입니다. 우리 모두 잘 알려진 실패(예: Challenger, UA232, Columbia, Three-Mile Island, Chernobyl 및 Fukushima)에 대해 알고 있지만 보수적인 엔지니어링 설계를 사용하여 이 분야에서 어느 정도 높은 신뢰성을 달성했습니다.
물론 자동차, 컴퓨터, 휴대폰과 같은 제품에서도 안전이 중요하지만(노트북 배터리와 휴대폰 배터리 신뢰성 문제를 상기하세요), 소비자는 자신이 구매하는 제품이 높은 신뢰성을 가져야 한다고 기대하기 때문입니다. 이들 제품은 경쟁이 치열한 시장이 존재하며, 과도한 비용 없이 높은 신뢰성을 가질 필요가 있습니다. 과도한 비용을 들이지 않고도 높은 신뢰성과 매력적인 제품을 갖춘 기업이 가장 성공할 것입니다. 올바른 균형을 찾으려면 적절한 신뢰성 분석과 관련 의사결정이 필요합니다.
알아야 할 가장 큰 함정은 무엇입니까?
신뢰성 분석에는 많은 잠재적인 함정이 있습니다. 나는 특히 가속 테스트의 함정에 관해 두 개의 논문을 공동 집필했습니다(나는 신뢰성에 대한 EEE 거래 1998년과 품질기술저널 2013 년에). 가속 테스트의 가장 일반적인 함정 중 하나는 실제 애플리케이션에서는 결코 볼 수 없는 오류 모드를 유발하는 스트레스 수준에서 테스트하는 것입니다. 흥미롭게도 이러한 고장을 인식하지 못하면 제품 수명에 대한 낙관적인 예측이 심각하게 부정확해질 수 있습니다.
보증 청구를 예측할 때 심각한 함정은 초기 반품(예: 현장에서 제품을 처음 6개월 동안)에 잘 맞는 분포를 추정하여 3개월 내에 고장이 나는 제품의 비율을 예측할 수 있다고 가정하는 것입니다. 년 보증 기간. 일반적으로 외삽할 때 수명 분포 형태에 대한 가정을 정당화하려면 고장 물리학에 대한 지식을 사용해야 합니다.
이 분야의 최신 개발 상황은 무엇입니까? 9월 13일 스톡홀름에서 선보일 새로운 방식은 무엇인가요?
지난 25년 동안 통계 응용 분야에서 베이지안 방법의 사용이 엄청나게 증가했습니다. 그러나 신뢰성 영역에서는 그 증가가 그렇게 극적이지 않았습니다(시스템 신뢰성에 관한 Los Alamos 국립 연구소의 작업은 주목할 만한 예외 중 하나입니다). 여기에는 두 가지 이유가 있다고 생각합니다. 즉, 신뢰성 규율의 본질적인 보수성과 베이지안 방법을 구현하는 데 사용하기 쉬운 도구가 부족하기 때문입니다.
나는 베이지안 방법의 사용이 설득력 있는 신뢰성 응용 프로그램을 자주 보았고, 이를 더욱 광범위하게 사용해 왔으며 가까운 미래에 베이지안 방법의 사용이 보다 일반적으로 실질적으로 성장할 것이라고 예측합니다. 지난 여러 버전의 경우, JMP 예를 들어 엔지니어는 베이지안 방법을 사용하여 수명 분포를 맞추는 기능을 갖추고 있습니다. 예를 들어 엔지니어는 Weibull 형상 매개변수에 대해 자주 알고 있는 지식을 사용하여 더 나은 추정 정확도를 얻을 수 있습니다(또는 더 적은 테스트 단위로 테스트를 실행할 수 있는 가능성).
~ 안에 JMP 14 이제 가속 수명 테스트 데이터를 분석하기 위해 베이지안 방법을 사용할 수 있는 기능이 있습니다. 이는 또한 엔지니어가 온도 가속 테스트에서 유효 활성화 에너지에 대해 자주 가지고 있는 지식을 사용할 수 있다는 점에서 중요한 이점입니다. 아직 JMP에서는 사용할 수 없지만 베이지안 방법을 사용하여 성능 저하 테스트와 구조 상태 모니터링 응용 프로그램에서 균열 감지 확률을 추정하는 테스트의 반복 측정 데이터를 설명하는 모델을 적합시켰습니다. 이러한 응용 분야에서 베이지안 방법은 확산된 사전 분포를 사용하더라도 중요한 관심 수량에 대해 쉽게 계산할 수 있는 신뢰할 수 있는 신뢰 구간을 제공한다는 중요한 이점이 있습니다. 그리고 사전 정보를 이용할 수 있는 상황에서는 다양한 정보 소스를 통합하는 것이 쉬울 것입니다.
귀하와 Chris Gotwalt는 9월 13일 스톡홀름에서 이 주제에 대해 더 자세히 이야기하고 몇 가지 사례 연구도 소개할 예정입니다. 사람들은 세미나에서 무엇을 얻을 것으로 기대할 수 있습니까?
이제 Life Distribution 및 Fit Life by X 플랫폼에서 사용할 수 있는 베이지안 방법 외에도 JMP 프로 몇 번의 추가 마우스 클릭만으로 JMP에서 수행할 수 있는 거의 모든 분석(신뢰도 분석 플랫폼뿐만 아니라)에 대한 부트스트랩 시뮬레이션과 완전한 매개변수 시뮬레이션을 수행할 수 있습니다. 이러한 강력한 시뮬레이션 기반 통계 방법은 지난 40년 동안 개발되어 폭넓게 적용 가능하지만 예상만큼 많이 사용되지는 않았습니다. 이는 이전에 이러한 방법을 구현하는 데 상당한 추가 프로그래밍 노력이 필요했기 때문입니다. JMP는 이 문제를 해결했습니다. Chris와 나는 이 솔루션의 강력함과 단순성을 모두 설명하기 위해 일련의 사례 연구를 개발했으며 제시할 것입니다. JMP 베이지안 분석, 부트스트랩 시뮬레이션 및 완전 매개변수 시뮬레이션 기능을 제공합니다.
우리는 당신이 오프라인 이벤트 스웨덴 스톡홀름에서 시청하거나 온라인 라이브 스트리밍 .
