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 ist Experte für Zuverlässigkeitsanalysen. Zuverlässigkeitsanalyse ist in allen Bereichen der Produktherstellung wichtig. Im Zeitalter von Big Data und maschinellem Lernen ist es entscheidend, die relevanten Informationen zu finden, um gute Entscheidungen zu treffen und Langlebigkeit sicherzustellen. Bill Meeker, Zuverlässigkeitsexperte und Professor für Statistik und angesehener Professor an der Iowa State University, wird in einem kostenlosen Seminar am 13. September neue Zuverlässigkeits- und Bayes'sche Methoden auf der Grundlage von Fallstudien vorstellen. Sie können sich für anmelden persönliche Veranstaltung in Stockholm, Schweden, oder folgen Sie der Live-Stream online .Ich habe Bill Meeker ein paar Fragen zu Big Data, Fallstricken bei der Zuverlässigkeitsanalyse und den neuesten Entwicklungen in diesem Bereich gestellt
Analytics ist derzeit ein heißes Thema. Schlagworte sind Data Science, KI, maschinelles Lernen, Industrie 4.0, Big Data. Wie funktioniert Zuverlässigkeitsanalyse beziehen sich darauf?
Ja, dies sind sehr aufregende Zeiten für uns alle, die mit Daten arbeiten, insbesondere jetzt, da wir über benutzerfreundliche Softwaretools für die Arbeit mit den Daten verfügen. Zuverlässigkeit Die Daten stammen aus zwei verschiedenen Quellen: beschleunigten Labortests und Garantie- oder anderen Felddaten. Basierend auf einigen aktuellen Erfahrungen haben Yili Hong und ich einen Artikel mit dem Titel „Zuverlässigkeit trifft auf Big Data: Chancen und Herausforderungen“ geschrieben ( Qualitätstechnik 2014) beschreibt, wie sich Zuverlässigkeitsfelddaten dramatisch verändern. Da viele Systeme mit Sensoren und Kommunikationsfunktionen ausgestattet werden, enthalten Felddaten jetzt (und liefern manchmal in Echtzeit) detaillierte Informationen darüber, wie ein System betrieben wird (einschließlich Umgebungsvariablen wie Temperatur, Stöße, denen das System ausgesetzt war, Nutzungsumfang). , und so weiter). Die resultierenden Datensätze, die diese zeitvariablen Kovariaten liefern, sind im Vergleich zu herkömmlichen Zuverlässigkeitsfelddaten riesig, die nur Ausfallzeiten für ausgefallene Einheiten und Laufzeiten für nicht ausgefallene Einheiten angeben. Wir haben Anwendungen gesehen, bei denen die ordnungsgemäße Verwendung solcher Daten den effektiven Umfang der Extrapolation verringern kann, der für die Erstellung von Vorhersagen erforderlich ist, und außerdem die Möglichkeit bietet, Vorhersagen über einzelne Einheiten statt über die Gesamtheit der Einheiten zu treffen.
Es gibt große Erfolge beim Einsatz maschineller Lern-/KI-Techniken für bestimmte Anwendungen (Google Translate und die Steuerung autonomer Fahrzeuge sind zwei, die mir sofort in den Sinn kommen). Allerdings habe ich auch von kläglichen Misserfolgen in anderen Anwendungen gehört, insbesondere im Bereich der Zuverlässigkeitsvorhersage zum Zweck der Entscheidungsfindung für den Betrieb und die Wartung von Flotten komplizierter Systeme. Ich vermute, dass der Grund darin liegt, dass die Erfolge in Anwendungen erzielt wurden, bei denen die Techniken des maschinellen Lernens ein kompliziertes Interpolationsproblem lösten. Die meisten benötigten Informationen befinden sich in Big Data, und die Techniken des maschinellen Lernens sind in der Lage, die benötigten Informationen zu extrahieren und zu nutzen. Bei vielen Vorhersageanwendungen ist jedoch eine Extrapolation über den Datenbereich hinaus erforderlich. Möglicherweise handelt es sich um große Datenmengen, aber die Menge der benötigten Informationen ist begrenzt. Es ist notwendig, Fachwissen (z. B. über die Physik des Scheiterns) mit den begrenzten Informationen in den Big Data zu kombinieren. Dies ist Gegenstand aktueller Forschung.
In welchen Branchen ist die Zuverlässigkeitsanalyse am wichtigsten? Für welche Produkte oder Prozesse soll es eingesetzt werden?
Zuverlässigkeit ist (oder sollte) in fast allen Bereichen der Fertigung und komplizierten Systemabläufen wichtig. Zwei Bereiche, die aus offensichtlichen Gründen der Sicherheit schon immer großen Wert auf Zuverlässigkeit gelegt haben, sind die Luft- und Raumfahrt sowie die Kernenergieerzeugung. Bis zu einem gewissen Grad wurde in diesen Bereichen durch den Einsatz konservativer technischer Konstruktionen eine hohe Zuverlässigkeit erreicht, obwohl wir alle über die bekannten Ausfälle Bescheid wissen (z. B. Challenger, UA232, Columbia, Three-Mile Island, Tschernobyl und Fukushima).
Natürlich ist Sicherheit auch bei Produkten wie Autos, Computern und Mobiltelefonen wichtig (denken Sie an die Probleme mit der Zuverlässigkeit von Laptop- und Mobiltelefonbatterien), aber auch, weil Verbraucher erwarten, dass die von ihnen gekauften Produkte eine hohe Zuverlässigkeit aufweisen. Für diese Produkte gibt es einen hart umkämpften Markt und es besteht ein Bedarf an hoher Zuverlässigkeit ohne übermäßige Kosten. Am erfolgreichsten wird das Unternehmen sein, das über ein ansprechendes Produkt gepaart mit hoher Zuverlässigkeit ohne übermäßige Kosten verfügt. Um die richtige Balance zu finden, sind entsprechende Zuverlässigkeitsanalysen und die damit verbundene Entscheidungsfindung erforderlich.
Was sind die größten Fallstricke, die es zu beachten gilt?
Bei der Zuverlässigkeitsanalyse gibt es viele potenzielle Fallstricke. Ich habe zwei Artikel mitverfasst, die sich speziell mit den Fallstricken beschleunigter Tests befassen (I EEE-Transaktion zum Thema Zuverlässigkeit im Jahr 1998 und Das Journal of Quality Technology im Jahr 2013). Eine der häufigsten Fallstricke bei beschleunigten Tests ist das Testen bei Belastungsniveaus, die Fehlermodi verursachen, die in tatsächlichen Anwendungen nie auftreten würden. Interessanterweise können solche Ausfälle, wenn sie nicht erkannt werden, zu ernsthaft falschen optimistischen Vorhersagen über die Produktlebensdauer führen.
Bei der Vorhersage von Gewährleistungsansprüchen besteht eine große Gefahr darin, anzunehmen, dass eine Verteilung, die gut zu frühen Rücksendungen passt (z. B. die ersten sechs Monate, in denen ein Produkt im Einsatz ist), extrapoliert werden kann, um den Anteil der Einheiten vorherzusagen, die in drei Monaten ausfallen -jährige Garantiezeit. Im Allgemeinen ist es bei der Extrapolation erforderlich, Kenntnisse über die Physik des Versagens zu nutzen, um Annahmen über die Form der Lebensdauerverteilung zu rechtfertigen.
Was sind die neuesten Entwicklungen in diesem Bereich? Welche neuen Methoden werden Sie am 13. September in Stockholm vorstellen?
In den letzten 25 Jahren hat der Einsatz von Bayes'schen Methoden in statistischen Anwendungen enorm zugenommen. Im Bereich der Zuverlässigkeit waren die Zuwächse jedoch nicht so dramatisch (die Arbeit des Los Alamos National Laboratory zur Systemzuverlässigkeit ist eine bemerkenswerte Ausnahme). Ich denke, dass es dafür zwei Gründe gibt: den inhärenten Konservatismus der Zuverlässigkeitsdisziplin und den Mangel an einfach zu verwendenden Werkzeugen zur Implementierung von Bayes'schen Methoden.
Ich sehe häufig Zuverlässigkeitsanwendungen, bei denen die Verwendung von Bayes'schen Methoden überzeugend ist, und ich nutze sie in größerem Umfang und prognostiziere, dass es in naher Zukunft einen allgemeineren, erheblichen Anstieg der Verwendung von Bayes'schen Methoden geben wird. Für die letzten Versionen: JMP verfügt über die Möglichkeit, Bayes'sche Methoden zur Anpassung von Lebensdauerverteilungen zu verwenden, was es Ingenieuren beispielsweise ermöglicht, das Wissen zu nutzen, das sie häufig über den Weibull-Formparameter haben, was zu einer besseren Schätzgenauigkeit führt (oder die Möglichkeit bietet, Tests mit weniger Testeinheiten durchzuführen).
In JMP 14 besteht nun die Möglichkeit, Bayes'sche Methoden zur Analyse beschleunigter Lebensdauertestdaten zu verwenden. Dies ist auch ein wichtiger Vorteil, da Ingenieure so beispielsweise häufig vorhandenes Wissen über die effektive Aktivierungsenergie in temperaturbeschleunigten Tests nutzen können. Obwohl in JMP noch nicht verfügbar, habe ich Bayes'sche Methoden verwendet, um Modelle anzupassen, die wiederholte Messdaten sowohl aus Degradationstests als auch aus Tests beschreiben, um die Wahrscheinlichkeit der Erkennung von Rissen in Anwendungen zur Überwachung des strukturellen Zustands abzuschätzen. In diesen Anwendungen haben Bayes'sche Methoden selbst bei diffusen Prior-Verteilungen den wichtigen Vorteil, dass sie einfach zu berechnende, vertrauenswürdige Konfidenzintervalle für die wichtigen interessierenden Größen bereitstellen. Und in Situationen, in denen Vorinformationen verfügbar sind, ist es einfach, die verschiedenen Informationsquellen zu integrieren.
Sie und Chris Gotwalt werden am 13. September in Stockholm ausführlicher über dieses Thema sprechen und auch einige Fallstudien vorstellen. Was können die Teilnehmer von dem Seminar mitnehmen?
Zusätzlich zu den Bayes'schen Methoden, die jetzt auf den Plattformen Life Distribution und Fit Life by X verfügbar sind, JMP Pro ist in der Lage, mit nur ein paar zusätzlichen Mausklicks Bootstrap-Simulationen und vollständig parametrische Simulationen fast aller Analysen durchzuführen, die in JMP durchgeführt werden können (nicht nur die Zuverlässigkeitsanalyseplattformen). Diese leistungsstarken, auf Simulationen basierenden statistischen Methoden wurden in den letzten 40 Jahren entwickelt und haben eine breite Anwendbarkeit, wurden jedoch nicht so oft genutzt, wie man hätte erwarten können. Dies liegt an dem erheblichen zusätzlichen Programmieraufwand, der bisher für die Implementierung solcher Methoden erforderlich war. JMP hat dieses Problem gelöst. Chris und ich haben eine Reihe von Fallstudien entwickelt und werden sie präsentieren, um sowohl die Leistungsfähigkeit als auch die Einfachheit des zu veranschaulichen JMP Funktionen für Bayes'sche Analyse, Bootstrap-Simulation und vollständig parametrische Simulation.
Wir hoffen, dass Sie sich dafür anmelden persönliche Veranstaltung in Stockholm, Schweden, oder schauen Sie sich das an Live-Stream online .
