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. Meeker es un experto en análisis de confiabilidad. Análisis de fiabilidad es importante en todos los ámbitos de la fabricación de productos. En la era del big data y el aprendizaje automático, es fundamental encontrar la información relevante para tomar buenas decisiones y garantizar la longevidad. Bill Meeker, experto en confiabilidad y profesor de estadística y profesor distinguido de la Universidad Estatal de Iowa, presentará nuevos métodos bayesianos y de confiabilidad basados en estudios de casos en un seminario gratuito el 13 de septiembre. Puedes inscribirte en el evento en persona en Estocolmo, Suecia, o siga las transmisión en vivo en línea .Le hice algunas preguntas a Bill Meeker sobre big data, los obstáculos en el análisis de confiabilidad y los últimos avances en el área.
La analítica es un tema candente en este momento. Las palabras de moda son ciencia de datos, inteligencia artificial, aprendizaje automático, industria 4.0 y big data. Cómo análisis de fiabilidad ¿Se relaciona con esto?
Sí, estos son tiempos muy emocionantes para todos los que trabajamos con datos, especialmente ahora que contamos con herramientas de software fáciles de usar para trabajar con datos. Fiabilidad Los datos provienen de dos fuentes diferentes: pruebas aceleradas de laboratorio y datos de garantía u otros datos de campo. Basándonos en algunas experiencias recientes, Yili Hong y yo escribimos un artículo "La confiabilidad se encuentra con los grandes datos: oportunidades y desafíos" ( Ingeniería de calidad 2014) que describe cómo los datos de campo de confiabilidad están cambiando dramáticamente. Debido a que muchos sistemas están equipados con sensores y capacidades de comunicación, los datos de campo ahora contienen (y a veces brindan en tiempo real) información detallada sobre cómo se opera un sistema (incluidas variables ambientales como temperatura, impactos que ha experimentado el sistema, cantidad de uso). , Etcétera). Los conjuntos de datos resultantes que proporcionan estas covariables que varían en el tiempo son enormes en relación con los datos de campo de confiabilidad tradicionales que solo informan los tiempos de falla de las unidades que fallaron y los tiempos de funcionamiento de aquellas que no fallaron. Hemos visto aplicaciones en las que el uso adecuado de dichos datos puede reducir la cantidad efectiva de extrapolación necesaria para hacer predicciones y también proporciona la capacidad de hacer predicciones sobre unidades individuales, en contraposición a la población de unidades.
Ha habido grandes éxitos en el uso de técnicas de aprendizaje automático/IA para determinadas aplicaciones (Google Translate y el control de vehículos autónomos son dos que inmediatamente me vienen a la mente). Sin embargo, también he oído hablar de fallos lamentables en otras aplicaciones, particularmente en el área de la predicción de la confiabilidad a los efectos de tomar decisiones para la operación y el mantenimiento de flotas de sistemas complicados. Sospecho que la razón es que los éxitos se han producido en aplicaciones en las que las técnicas de aprendizaje automático resolvían un complicado problema de interpolación. La mayor parte de la información necesaria se encuentra en big data y las técnicas de aprendizaje automático pueden extraer y utilizar la información necesaria. Sin embargo, en muchas aplicaciones de predicción existe la necesidad de extrapolar más allá del alcance de los datos. Puede que haya big data involucrados, pero la cantidad de información necesaria es limitada. Es necesario combinar el conocimiento de la materia (por ejemplo, sobre la física de las fallas) con la información limitada del big data. Este es un tema de investigación actual.
¿En qué industrias es más importante el análisis de confiabilidad? ¿Para qué productos o procesos se debe utilizar?
Fiabilidad es (o debería ser) importante en casi todas las áreas de fabricación y operaciones de sistemas complicados. Dos áreas que siempre han tenido un fuerte énfasis en la confiabilidad son la aeroespacial y la generación de energía nuclear, por razones obvias de seguridad. Hasta cierto punto, se ha logrado una alta confiabilidad en estas áreas mediante el uso de diseños de ingeniería conservadores, aunque todos conocemos los fallos bien conocidos (por ejemplo, Challenger, UA232, Columbia, Three-Mile Island, Chernobyl y Fukushima).
Por supuesto, la seguridad también es importante en productos como automóviles, computadoras y teléfonos celulares (recordemos los problemas de confiabilidad de la batería de una computadora portátil y de la batería de un teléfono celular), pero también porque los consumidores esperan que los productos que compran tengan una alta confiabilidad. Para estos productos existen mercados altamente competitivos y es necesario tener una alta confiabilidad sin costos excesivos. La empresa que tenga un producto atractivo junto con una alta confiabilidad sin costos excesivos tendrá más éxito. Encontrar el equilibrio adecuado requiere análisis de confiabilidad adecuados y la toma de decisiones relacionadas.
¿Cuáles son los mayores obstáculos a tener en cuenta?
Hay muchos peligros potenciales en el análisis de confiabilidad. Soy coautor de dos artículos específicamente sobre los peligros de las pruebas aceleradas (yo Transacción EEE sobre confiabilidad en 1998 y La revista de tecnología de calidad en 2013). Uno de los errores más comunes de las pruebas aceleradas es realizar pruebas en niveles de estrés que causan modos de falla que nunca se verían en aplicaciones reales. Curiosamente, si no se reconocen, estos fallos pueden provocar predicciones optimistas muy incorrectas sobre la vida útil de los productos.
En la predicción de reclamaciones de garantía, un grave error es suponer que una distribución que se adapta bien a las devoluciones tempranas (por ejemplo, los primeros seis meses que un producto está en el campo) se puede extrapolar para predecir la proporción de unidades que fallarán en un período de tres años. -año de garantía. Generalmente, al extrapolar, es necesario utilizar el conocimiento de la física del fallo para justificar cualquier suposición sobre la forma de la distribución de la vida útil.
¿Cuáles son los últimos avances en este ámbito? ¿Cuáles son los nuevos métodos que introducirá el 13 de septiembre en Estocolmo?
En los últimos 25 años, ha habido un enorme aumento en el uso de métodos bayesianos en aplicaciones estadísticas. En el área de la confiabilidad, sin embargo, los aumentos no han sido tan dramáticos (el trabajo del Laboratorio Nacional de Los Álamos sobre la confiabilidad del sistema es una excepción notable). Creo que hay dos razones para esto: el conservadurismo inherente a la disciplina de confiabilidad y la falta de herramientas fáciles de usar para implementar métodos bayesianos.
Con frecuencia veo aplicaciones de confiabilidad en las que el uso de métodos bayesianos es convincente, los he estado usando más ampliamente y predigo que habrá un crecimiento sustancial más general en el uso de métodos bayesianos en el futuro cercano. Para las últimas versiones, JMP ha tenido capacidades para utilizar métodos bayesianos para ajustar distribuciones de vida, lo que permite, por ejemplo, a los ingenieros utilizar el conocimiento que a menudo tienen sobre el parámetro de forma de Weibull, lo que resulta en una mejor precisión de estimación (o la posibilidad de ejecutar pruebas con menos unidades de prueba).
En JMP 14 , ahora existe la capacidad de utilizar métodos bayesianos para analizar datos de pruebas de vida aceleradas. Esto también es una ventaja importante porque permite a los ingenieros utilizar, por ejemplo, el conocimiento que suelen tener sobre la energía de activación efectiva en pruebas aceleradas por temperatura. Aunque todavía no está disponible en JMP, he estado utilizando métodos bayesianos para ajustar modelos que describen datos de medidas repetidas tanto de pruebas de degradación como de pruebas para estimar la probabilidad de detección de grietas en aplicaciones de monitoreo de salud estructural. En estas aplicaciones, los métodos bayesianos, incluso con distribuciones previas difusas, tienen la importante ventaja de proporcionar intervalos de confianza confiables y fáciles de calcular para las cantidades importantes de interés. Y en situaciones en las que se dispone de información previa, será fácil integrar las diferentes fuentes de información.
Usted y Chris Gotwalt hablarán con mayor detalle sobre este tema el 13 de septiembre en Estocolmo y también presentarán algunos estudios de casos. ¿Qué puede esperar la gente aprender del seminario?
Además de los métodos bayesianos ahora disponibles en las plataformas Life Distribution y Fit Life by X, JMPPro es capaz, con solo un par de clics adicionales del mouse, de realizar simulaciones de arranque y simulaciones totalmente paramétricas de casi cualquier análisis que se pueda hacer en JMP (no solo las plataformas de análisis de confiabilidad). Estos poderosos métodos estadísticos basados en simulación se han desarrollado durante los últimos 40 años y tienen una amplia aplicabilidad, pero no han tenido tanto uso como cabría esperar. Esto se debe a la cantidad sustancial de esfuerzo de programación adicional que antes se necesitaba para implementar dichos métodos. JMP ha resuelto ese problema. Chris y yo hemos desarrollado y presentaremos una serie de estudios de casos para ilustrar tanto el poder como la simplicidad de la JMP capacidades para análisis bayesiano, simulación de arranque y simulación totalmente paramétrica.
Esperamos que se registre en el evento en persona en Estocolmo, Suecia, o ver el transmisión en vivo en línea .
