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 は信頼性分析の専門家です。信頼性解析製品製造のあらゆる分野で重要です。 ビッグデータと機械学習の時代では、適切な意思決定を行い、長寿命を確保するには、関連情報を見つけることが重要です。 信頼性の専門家であり、アイオワ州立大学の統計教授および特別教授であるビル・ミーカー氏は、9 月 13 日の無料セミナーで、ケーススタディに基づいた新しい信頼性とベイズ手法を紹介します。 にサインアップできます。対面イベントスウェーデンのストックホルム、またはフォローしてくださいオンラインでのライブストリーム。私は Bill Meeker に、ビッグデータ、信頼性分析の落とし穴、この分野の最新の開発についていくつかの質問をしました。
アナリティクスは今最も注目されているトピックです。 流行語は、データ サイエンス、AI、機械学習、インダストリー 4.0、ビッグ データです。 どうやって信頼性解析これに関係しますか？
はい、今は、データを扱う私たち全員にとって、特にデータを扱うための使いやすいソフトウェア ツールがある今、非常にエキサイティングな時代です。 信頼性データは、実験室での加速テストと保証またはその他の現場データという 2 つの異なるソースから取得されます。 最近の経験に基づいて、Yili Hon と私は「信頼性とビッグデータの出会い: 機会と課題」という論文を書きました (品質工学2014) は、信頼性分野のデータがどのように劇的に変化しているかを説明しています。 多くのシステムにはセンサーと通信機能が装備されているため、フィールド データには、システムの動作状況 (温度、システムが経験した衝撃、使用量などの環境変数を含む) に関する詳細な情報が含まれています (場合によってはリアルタイムで提供されます)。 、など）。 これらの時変共変量を提供する結果として得られるデータ セットは、故障したユニットの故障時間と故障していないユニットの実行時間のみを報告する従来の信頼性フィールド データと比べて膨大です。 このようなデータを適切に使用することで、予測を行うために必要な外挿の有効量を削減でき、また、ユニットの母集団ではなく個々のユニットについて予測を行う機能も提供するアプリケーションを確認してきました。
特定のアプリケーションでの機械学習/AI 技術の使用では大きな成功が収められています (すぐに思い浮かぶのは、Google 翻訳と自動運転車の制御です)。 しかし、他のアプリケーション、特に複雑なシステムの運用と保守に関する意思決定を目的とした信頼性予測の分野で悲惨な障害が発生したという話も聞いたことがあります。 その理由は、機械学習技術が複雑な補間問題を解決するアプリケーションで成功したためではないかと思います。 必要な情報のほとんどはビッグデータ内にあり、機械学習技術により必要な情報を抽出して使用できます。 ただし、多くの予測アプリケーションでは、データの範囲を超えて外挿する必要があります。 ビッグデータが関係する可能性がありますが、必要な情報の量は限られています。 主題の知識 (たとえば、故障の物理学に関する) とビッグ データの限られた情報を組み合わせる必要があります。 これは現在の研究テーマです。
信頼性分析が最も重要なのはどの業界ですか? どの製品またはプロセスに使用する必要がありますか?
信頼性は、製造および複雑なシステム運用のほぼすべての分野で重要です (またはそうあるべきです)。 明らかに安全上の理由から、常に信頼性が重視されてきた 2 つの分野は、航空宇宙と原子力発電です。 これらの分野では、保守的な工学設計を使用することである程度高い信頼性が達成されていますが、よく知られた失敗例 (チャレンジャー、UA232、コロンビア、スリーマイル島、チェルノブイリ、福島など) については誰もが知っています。
もちろん、安全性は自動車、コンピュータ、携帯電話などの製品でも重要ですが（ラップトップのバッテリや携帯電話のバッテリの信頼性の問題を思い出してください）、消費者が購入する製品が高い信頼性を備えていることを期待しているためでもあります。 これらの製品には競争の激しい市場があり、過度なコストをかけずに高い信頼性を確保する必要があります。 過剰なコストをかけずに高い信頼性を備えた魅力的な製品を提供する企業が最も成功するでしょう。 適切なバランスを見つけるには、適切な信頼性分析と関連する意思決定が必要です。
注意すべき最大の落とし穴は何ですか?
信頼性解析には多くの潜在的な落とし穴があります。 私は、特に加速テストの落とし穴について 2 つの論文を共著しました (I信頼性に関する EEE トランザクション1998年と品質技術ジャーナル2013年に）。 加速テストで最もよくある落とし穴の 1 つは、実際のアプリケーションでは決して見られない障害モードを引き起こすストレスのレベルでテストを行うことです。 興味深いことに、このような故障が認識されていないと、製品寿命について非常に不正確な楽観的な予測が生じる可能性があります。
保証請求の予測における重大な落とし穴は、早期返品 (たとえば、製品が現場で使用される最初の 6 か月) によく適合する分布を推定して、3 年間で故障するユニットの割合を予測できると仮定することです。 -年間の保証期間。 一般に、外挿する場合は、故障の物理学の知識を使用して、寿命分布の形式に関する仮定を正当化する必要があります。
この分野の最新の動向は何ですか? 9月13日にストックホルムで導入される新しい手法とは何ですか？
過去 25 年間にわたり、統計アプリケーションにおけるベイズ手法の使用は大幅に増加しました。 ただし、信頼性の分野では、それほど劇的な増加はありません (システムの信頼性に関するロスアラモス国立研究所の研究は、注目に値する例外の 1 つです)。 これには 2 つの理由があると思います。1 つは信頼性の分野に固有の保守主義、もう 1 つはベイジアン手法を実装するための使いやすいツールの欠如です。
私はベイジアン手法の使用がやむを得ない信頼性アプリケーションを頻繁に目にします。私はベイジアン手法をより広範囲に使用しており、近い将来ベイジアン手法の使用がより一般的に大幅に増加すると予測しています。 最近のいくつかのバージョンでは、 JMPには、ベイズ法を使用して寿命分布を適合させる機能があり、たとえば、エンジニアがワイブル形状パラメーターについてよく知っている知識を使用できるため、推定精度が向上します (または、より少ないテスト単位でテストを実行できる可能性があります)。
でJMP14では、加速寿命試験データを分析するためにベイジアン手法を使用できる機能が追加されました。 これは、エンジニアが温度加速試験における有効活性化エネルギーについてよく知っている知識などを利用できるため、重要な利点でもあります。 JMP ではまだ利用できませんが、私はベイジアン法を使用して、劣化試験と構造健全性監視アプリケーションにおける亀裂の検出確率を推定する試験の両方からの反復測定データを記述するモデルを適合させてきました。 これらのアプリケーションでは、ベイジアン法には、拡散事前分布を使用する場合でも、重要な関心量に対して信頼できる信頼区間を計算しやすいという重要な利点があります。 また、事前の情報が入手可能な状況では、さまざまな情報源を統合するのが簡単になります。
あなたと Chris Gotwalt は、9 月 13 日にストックホルムでこのトピックについて詳しく話し、いくつかのケーススタディも紹介します。 人々はセミナーから何を得ることができるでしょうか?
Life Distribution および Fit Life by X プラットフォームで利用できるようになったベイジアン手法に加えて、 JMPプロさらにマウスを数回クリックするだけで、(信頼性解析プラットフォームに限らず) JMP で実行できるほぼすべての解析のブートストラップ シミュレーションとフルパラメトリック シミュレーションを実行できます。 これらの強力なシミュレーションベースの統計手法は、過去 40 年にわたって開発され、幅広い適用性を備えていますが、予想されたほど多くの用途は見られていません。 これは、このようなメソッドを実装するには、以前はかなりの量の追加のプログラミング作業が必要であったためです。 JMP はその問題を解決しました。 Chris と私は、 JMPベイジアン分析、ブートストラップ シミュレーション、フルパラメトリック シミュレーションの機能。
ぜひご登録ください。対面イベントスウェーデンのストックホルムで、またはオンラインでのライブストリーム。
