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 是可靠性分析專家。可靠度分析在產品製造的所有領域都很重要。 在大數據和機器學習時代，找到相關資訊以做出正確的決策並確保長壽至關重要。 Bill Meeker 是可靠性專家、愛荷華州立大學統計學教授和傑出教授，他將在 9 月 13 日的免費研討會上介紹基於案例研究的新可靠性和貝葉斯方法。 您可以報名參加現場活動在瑞典斯德哥爾摩，或遵循線上直播。我向 Bill Meeker 詢問了一些有關大數據、可靠性分析的陷阱以及該領域最新發展的問題
分析是當前的熱門話題。 流行語包括資料科學、人工智慧、機器學習、工業 4.0、大數據。 如何可靠度分析與此有關？
是的，對於我們所有處理數據的人來說，這是非常令人興奮的時刻，特別是現在我們擁有易於使用的軟體工具來處理數據。 可靠性數據來自兩個不同的來源：實驗室加速測試和保固或其他現場數據。 根據最近的一些經驗，我和洪一力寫了一篇論文《可靠性遇上大數據：機會與挑戰》（品質工程2014）描述可靠性現場數據如何發生巨大變化。 由於許多系統都配備了感測器和通訊功能，現場資料現在包含（有時即時提供）有關係統如何運作的詳細資訊（包括溫度等環境變數、系統經歷的衝擊、使用量） ，等等）。 提供這些時變協變數的結果資料集相對於傳統的可靠性現場資料來說是巨大的，傳統的可靠性現場資料僅報告發生故障的單元的故障時間和未發生故障的單元的運行時間。 我們已經看到了一些應用，其中正確使用此類數據可以減少進行預測所需的有效外推量，並且還提供了對單個單元（而不是單元總體）進行預測的能力。
在某些應用中使用機器學習/人工智慧技術已經取得了巨大的成功（Google翻譯和自動駕駛汽車的控制是我立即想到的兩個）。 然而，我也聽說過其他應用中的慘痛失敗，特別是在可靠性預測領域，目的是為複雜系統的運作和維護做出決策。 我懷疑原因是機器學習技術在解決複雜插值問題的應用上取得了成功。 大多數所需的資訊都在大數據中，機器學習技術能夠提取和使用所需的資訊。 然而，在許多預測應用中，需要進行超出資料範圍的外推。 可能涉及大數據，但所需的資訊量是有限的。 有必要將主題知識（例如，有關故障的物理）與大數據中的有限資訊結合。 這是目前研究的一個課題。
可靠性分析在哪些產業最重要？ 它應該用於哪些產品或流程？
可靠性在幾乎所有製造領域和複雜的系統操作中都是（或應該）重要的。 出於明顯的安全原因，航空航天和核能發電是一直高度關注可靠性的兩個領域。 在某種程度上，透過使用保守的工程設計，這些領域已經實現了高可靠性，儘管我們都知道眾所周知的故障（例如挑戰者號、UA232、哥倫比亞號、三哩島號、切爾諾貝利號和福島號）。
當然，對於汽車、電腦、手機等產品來說，安全性也很重要（回想一下筆記型電池和手機電池的可靠性問題），也是因為消費者期望他們購買的產品應該具有高可靠性。 對於這些產品來說，存在著高度競爭的市場，並且需要具有高可靠性而不需要過高的成本。 擁有有吸引力的產品、高可靠性且成本不高的公司將是最成功的。 找到正確的平衡需要適當的可靠性分析和相關決策。
需要注意的最大陷阱是什麼？
可靠度分析存在許多潛在的陷阱。 我與人合著了兩篇專門關於加速測試的陷阱的論文（我EEE 可靠性交易1998年和品質技術雜誌2013 年）。 加速測試最常見的陷阱之一是在壓力水平下進行測試，這些壓力水平會導致實際應用中永遠不會出現的故障模式。 有趣的是，如果不認識到，此類故障可能會導致對產品壽命的樂觀預測嚴重錯誤。
在預測保固索賠時，一個嚴重的陷阱是假設可以推斷出與早期回報（例如產品投入使用的前六個月）非常吻合的分佈，以預測在三年內出現故障的單元的比例。年保固期。 一般來說，在推論時，有必要利用失效物理學知識來證明任何有關壽命分佈形式的假設的合理性。
該領域的最新進展是什麼？ 9月13日在斯德哥爾摩你們將推出哪些新方法？
在過去的 25 年裡，貝葉斯方法在統計應用中的使用有了巨大的增加。 然而，在可靠性領域，成長幅度並沒有那麼顯著（洛斯阿拉莫斯國家實驗室在系統可靠性方面的工作是一個值得注意的例外）。 我認為這有兩個原因：可靠性學科固有的保守性和缺乏易於使用的工具來實施貝葉斯方法。
我經常看到貝葉斯方法的使用引人注目的可靠性應用程序，並且我一直在更廣泛地使用它們，並預測在不久的將來貝葉斯方法的使用將出現更普遍的實質增長。 對於最近的幾個版本，聯合管理計劃具有使用貝葉斯方法來擬合壽命分佈的能力，例如，允許工程師使用他們經常掌握的有關威布爾形狀參數的知識，從而獲得更好的估計精度（或使用更少的測試單元運行測試的潛力）。
在JMP 14 ，現在可以使用貝葉斯方法來分析加速壽命測試數據。 這也是一個重要的優勢，因為它允許工程師使用他們經常擁有的關於溫度加速測試中有效活化能的知識。 雖然 JMP 中尚未提供，但我一直在使用貝葉斯方法來擬合描述來自退化測試和測試的重複測量數據的模型，以估計結構健康監測應用中檢測到裂縫的機率。 在這些應用中，貝葉斯方法，即使具有分散的先驗分佈，也具有為重要的感興趣量提供易於計算的可信置信區間的重要優勢。 在現有資訊可用的情況下，整合不同來源的資訊將會很容易。
您和 Chris Gotwalt 將於 9 月 13 日在斯德哥爾摩更詳細地討論這個主題，並介紹一些案例研究。 人們期望從研討會中獲得什麼？
除了 Life Distribution 和 Fit Life by X 平台現在提供的貝葉斯方法之外， JMP專業版只需再點擊幾下滑鼠，就可以對 JMP 中可以執行的幾乎任何分析（不僅僅是可靠性分析平台）執行引導模擬和全參數模擬。 這些強大的基於模擬的統計方法已經發展了 40 年，具有廣泛的適用性，但並沒有像人們預期的那樣廣泛的應用。 這是因為以前需要大量額外的程式設計工作來實作此類方法。 JMP 已經解決了這個問題。 克里斯和我已經開發並將展示一系列案例研究，以說明該方法的強大功能和簡單性聯合管理計劃貝葉斯分析、引導模擬和全參數模擬功能。
我們希望您能報名參加現場活動在瑞典斯德哥爾摩，或觀看線上直播。
