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 è un esperto di analisi dell'affidabilità. Analisi di affidabilità è importante in tutte le aree della produzione del prodotto. Nell’era dei big data e dell’apprendimento automatico, è fondamentale trovare le informazioni rilevanti per prendere buone decisioni e garantire la longevità. Bill Meeker, esperto di affidabilità, professore di statistica e professore distinto presso la Iowa State University, introdurrà nuovi metodi bayesiani e di affidabilità basati su casi di studio in un seminario gratuito il 13 settembre. Puoi iscriverti al evento di persona a Stoccolma, Svezia, o seguire il live streaming on-line .Ho posto a Bill Meeker alcune domande sui big data, sulle insidie dell'analisi dell'affidabilità e sugli ultimi sviluppi nel settore
L’analisi è un argomento caldo in questo momento. Le parole d’ordine sono data science, AI, machine learning, Industria 4.0, big data. Come fa analisi di affidabilità si riferisce a questo?
Sì, questi sono tempi molto entusiasmanti per tutti noi che lavoriamo con i dati, soprattutto ora che disponiamo di strumenti software facili da usare per lavorare con i dati. Affidabilità i dati provengono da due fonti diverse: test accelerati di laboratorio e garanzia o altri dati sul campo. Sulla base di alcune esperienze recenti, Yili Hong e io abbiamo scritto un articolo "L'affidabilità incontra i Big Data: opportunità e sfide" ( Ingegneria della qualità 2014) che descrivono come i dati sul campo relativi all’affidabilità stanno cambiando radicalmente. Poiché molti sistemi vengono dotati di sensori e capacità di comunicazione, i dati sul campo ora contengono (e talvolta forniscono in tempo reale) informazioni dettagliate su come viene utilizzato un sistema (comprese variabili ambientali come la temperatura, gli shock subiti dal sistema, la quantità di utilizzo , e così via). I set di dati risultanti che forniscono queste covariate variabili nel tempo sono enormi rispetto ai tradizionali dati sul campo di affidabilità che riportano solo i tempi di guasto per le unità che hanno fallito e i tempi di funzionamento per quelle che non hanno fallito. Abbiamo visto applicazioni in cui l'uso corretto di tali dati può ridurre la quantità effettiva di estrapolazione necessaria per fare previsioni e fornisce anche la possibilità di fare previsioni su singole unità, anziché sulla popolazione di unità.
Ci sono stati enormi successi nell’uso di tecniche di machine learning/AI per alcune applicazioni (Google Translate e il controllo dei veicoli autonomi sono due che mi vengono subito in mente). Ho, tuttavia, sentito parlare anche di tristi fallimenti in altre applicazioni, in particolare nell'area della previsione dell'affidabilità ai fini delle decisioni relative al funzionamento e alla manutenzione di flotte di sistemi complicati. Sospetto che il motivo sia che i successi si sono verificati in applicazioni in cui le tecniche di apprendimento automatico risolvevano un complicato problema di interpolazione. La maggior parte delle informazioni necessarie si trovano nei big data e le tecniche di apprendimento automatico sono in grado di estrarre e utilizzare le informazioni necessarie. In molte applicazioni di previsione, tuttavia, è necessario effettuare un'estrapolazione oltre l'intervallo dei dati. Potrebbero essere coinvolti big data, ma la quantità di informazioni necessarie è limitata. È necessario combinare la conoscenza dell'argomento (ad esempio, sulla fisica dei guasti) con le informazioni limitate presenti nei big data. Questo è un argomento di ricerca attuale.
In quali settori l’analisi dell’affidabilità è più importante? Per quali prodotti o processi dovrebbe essere utilizzato?
Affidabilità è (o dovrebbe essere) importante in quasi tutte le aree della produzione e nelle operazioni di sistema complesse. Due settori che hanno sempre avuto una forte attenzione all’affidabilità sono l’aerospaziale e la produzione di energia nucleare, per ovvi motivi di sicurezza. In una certa misura, in queste aree è stata raggiunta un'elevata affidabilità utilizzando progetti ingegneristici conservativi, sebbene tutti conosciamo i ben noti guasti (ad esempio, Challenger, UA232, Columbia, Three-Mile Island, Chernobyl e Fukushima).
Naturalmente, la sicurezza è importante anche in prodotti come automobili, computer e telefoni cellulari (ricordiamo i problemi di affidabilità della batteria del laptop e della batteria del cellulare), ma anche perché i consumatori si aspettano che i prodotti che acquistano abbiano un’elevata affidabilità. Per questi prodotti esistono mercati altamente competitivi ed è necessario avere un'elevata affidabilità senza costi eccessivi. Avrà maggior successo l’azienda che dispone di un prodotto attraente abbinato ad un’elevata affidabilità senza costi eccessivi. Trovare il giusto equilibrio richiede adeguate analisi di affidabilità e il relativo processo decisionale.
Quali sono le maggiori insidie di cui essere consapevoli?
Esistono molte potenziali insidie nell’analisi dell’affidabilità. Sono coautore di due articoli specifici sulle insidie dei test accelerati (I Transazione AEE sull'affidabilità nel 1998 e Il giornale della tecnologia di qualità nel 2013). Uno degli errori più comuni dei test accelerati è il test a livelli di stress che causano modalità di guasto che non si vedrebbero mai nelle applicazioni reali. È interessante notare che, se non riconosciuti, tali guasti possono causare previsioni ottimistiche gravemente errate sulla durata del prodotto.
Nella previsione delle richieste di garanzia, un grave errore consiste nel presupporre che una distribuzione che si adatta bene ai primi rendimenti (diciamo i primi sei mesi di utilizzo di un prodotto sul campo) possa essere estrapolata per prevedere la proporzione di unità che falliranno in un periodo di tre periodo di garanzia di -anni. Generalmente, quando si estrapola, è necessario utilizzare la conoscenza della fisica dei guasti per giustificare qualsiasi ipotesi sulla forma della distribuzione della durata.
Quali sono gli ultimi sviluppi in questo settore? Quali sono i nuovi metodi che presenterete il 13 settembre a Stoccolma?
Negli ultimi 25 anni si è verificato un enorme aumento nell’uso dei metodi bayesiani nelle applicazioni statistiche. Nel campo dell'affidabilità, tuttavia, gli aumenti non sono stati così drammatici (il lavoro del Los Alamos National Laboratory sull'affidabilità del sistema è un'eccezione degna di nota). Penso che ci siano due ragioni per questo: il conservatorismo intrinseco della disciplina dell’affidabilità e la mancanza di strumenti facili da usare per implementare i metodi bayesiani.
Vedo spesso applicazioni di affidabilità in cui l'uso dei metodi bayesiani è convincente e li ho utilizzati in modo più estensivo e prevedo che ci sarà una crescita sostanziale più generale nell'uso dei metodi bayesiani nel prossimo futuro. Per le ultime versioni, JMP ha avuto la capacità di utilizzare metodi bayesiani per adattare le distribuzioni della vita, consentendo, ad esempio, agli ingegneri di utilizzare la conoscenza che spesso hanno sul parametro della forma di Weibull, con conseguente migliore precisione di stima (o la possibilità di eseguire test con meno unità di test).
In JMP14 , esiste ora la possibilità di utilizzare metodi bayesiani per analizzare i dati dei test di vita accelerati. Anche questo è un vantaggio importante perché consente agli ingegneri di utilizzare, ad esempio, la conoscenza che spesso hanno sull'energia di attivazione effettiva nei test con accelerazione della temperatura. Sebbene non siano ancora disponibili in JMP, ho utilizzato metodi bayesiani per adattare modelli che descrivono dati di misure ripetute provenienti sia da test di degrado che da test per stimare la probabilità di rilevamento di crepe nelle applicazioni di monitoraggio della salute strutturale. In queste applicazioni, i metodi bayesiani, anche con distribuzioni a priori diffuse, hanno l’importante vantaggio di fornire intervalli di confidenza affidabili e facili da calcolare per le importanti quantità di interesse. E nelle situazioni in cui sono disponibili informazioni preliminari, sarà facile integrare le diverse fonti di informazione.
Tu e Chris Gotwalt parlerete più dettagliatamente di questo argomento il 13 settembre a Stoccolma e presenterete anche alcuni casi di studio. Cosa possono aspettarsi di apprendere le persone dal seminario?
Oltre ai metodi bayesiani ora disponibili nelle piattaforme Life Distribution e Fit Life by X, JMP Pro è in grado, con solo un paio di clic aggiuntivi del mouse, di eseguire simulazioni bootstrap e simulazioni completamente parametriche di quasi tutte le analisi che è possibile eseguire in JMP (non solo le piattaforme di analisi dell'affidabilità). Questi potenti metodi statistici basati sulla simulazione sono stati sviluppati negli ultimi 40 anni e hanno un’ampia applicabilità, ma non hanno avuto l’uso che ci si sarebbe potuto aspettare. Ciò è dovuto al notevole sforzo di programmazione aggiuntivo precedentemente necessario per implementare tali metodi. JMP ha risolto questo problema. Chris e io abbiamo sviluppato e presenteremo una serie di casi di studio per illustrare sia la potenza che la semplicità del JMP funzionalità per l'analisi bayesiana, la simulazione bootstrap e la simulazione completamente parametrica.
Ci auguriamo che ti iscriverai al evento di persona a Stoccolma, Svezia, o guarda il live streaming on-line .
