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 est un expert en analyse de fiabilité. Analyse de fiabilité est important dans tous les domaines de la fabrication de produits. À l’ère du big data et du machine learning, il est crucial de trouver les informations pertinentes pour prendre de bonnes décisions et assurer la longévité. Bill Meeker, expert en fiabilité et professeur de statistiques et professeur émérite à l'Iowa State University, présentera de nouvelles méthodes de fiabilité et bayésiennes basées sur des études de cas lors d'un séminaire gratuit le 13 septembre. Vous pouvez vous inscrire au événement en personne à Stockholm, en Suède, ou suivez le diffusion en direct en ligne .J'ai posé à Bill Meeker quelques questions sur le Big Data, les pièges de l'analyse de fiabilité et les derniers développements dans le domaine.
L'analyse est un sujet brûlant en ce moment. Les mots à la mode sont la science des données, l’IA, l’apprentissage automatique, l’Industrie 4.0 et le big data. Comment analyse de fiabilité se rapporte à cela ?
Oui, nous vivons une période très excitante pour tous ceux d’entre nous qui travaillent avec des données, surtout maintenant que nous disposons d’outils logiciels faciles à utiliser pour travailler avec les données. Fiabilité les données proviennent de deux sources différentes : tests accélérés en laboratoire et données de garantie ou autres données de terrain. Sur la base de certaines expériences récentes, Yili Hong et moi avons rédigé un article « La fiabilité rencontre le Big Data : opportunités et défis » ( Ingénierie Qualité 2014) décrivant l’évolution spectaculaire des données de fiabilité sur le terrain. Étant donné que de nombreux systèmes sont équipés de capteurs et de capacités de communication, les données de terrain contiennent désormais (et fournissent parfois en temps réel) des informations détaillées sur le fonctionnement d'un système (y compris des variables environnementales telles que la température, les chocs que le système a subis, le degré d'utilisation). , et ainsi de suite). Les ensembles de données résultants fournissant ces covariables variables dans le temps sont énormes par rapport aux données de terrain de fiabilité traditionnelles qui ne signalent que les temps de panne pour les unités en panne et les temps de fonctionnement pour celles qui ne sont pas en panne. Nous avons vu des applications dans lesquelles l'utilisation appropriée de ces données peut réduire la quantité effective d'extrapolation nécessaire pour faire des prédictions et offre également la possibilité de faire des prédictions sur des unités individuelles, par opposition à la population d'unités.
L’utilisation des techniques d’apprentissage automatique/IA pour certaines applications a connu d’énormes succès (Google Translate et le contrôle des véhicules autonomes en sont deux qui viennent immédiatement à l’esprit). Cependant, j'ai également entendu parler d'échecs lamentables dans d'autres applications, notamment dans le domaine de la prévision de la fiabilité afin de prendre des décisions concernant l'exploitation et la maintenance de flottes de systèmes complexes. Je soupçonne que la raison en est que les succès ont été enregistrés dans des applications où les techniques d'apprentissage automatique résolvaient un problème d'interpolation complexe. La plupart des informations nécessaires se trouvent dans le Big Data, et les techniques d'apprentissage automatique sont capables d'extraire et d'utiliser les informations nécessaires. Cependant, dans de nombreuses applications de prévision, il est nécessaire d’extrapoler au-delà de la plage des données. Il peut s’agir de mégadonnées, mais la quantité d’informations nécessaires est limitée. Il est nécessaire de combiner les connaissances spécialisées (par exemple, sur la physique de l'échec) avec les informations limitées contenues dans les mégadonnées. C’est un sujet de recherche actuel.
Dans quels secteurs l’analyse de la fiabilité est-elle la plus importante ? Pour quels produits ou procédés doit-il être utilisé ?
Fiabilité est (ou devrait être) important dans presque tous les domaines de la fabrication et des opérations de systèmes complexes. Deux domaines qui ont toujours été fortement axés sur la fiabilité sont l'aérospatiale et la production d'énergie nucléaire, pour des raisons évidentes de sécurité. Dans une certaine mesure, une fiabilité élevée a été obtenue dans ces domaines grâce à des conceptions techniques conservatrices, même si nous connaissons tous les défaillances bien connues (par exemple, Challenger, UA232, Columbia, Three-Mile Island, Tchernobyl et Fukushima).
Bien entendu, la sécurité est également importante dans des produits tels que les automobiles, les ordinateurs et les téléphones portables (rappelez-vous les problèmes de fiabilité des batteries d’ordinateurs portables et de téléphones portables), mais aussi parce que les consommateurs s’attendent à ce que les produits qu’ils achètent soient très fiables. Pour ces produits, il existe des marchés très compétitifs et il est nécessaire d'avoir une grande fiabilité sans coût excessif. L’entreprise qui propose un produit attrayant associé à une grande fiabilité sans coût excessif aura plus de succès. Trouver le bon équilibre nécessite des analyses de fiabilité appropriées et une prise de décision associée.
Quels sont les plus grands pièges à connaître ?
Il existe de nombreux pièges potentiels dans l’analyse de fiabilité. J'ai co-écrit deux articles spécifiquement sur les pièges des tests accélérés (je Transaction EEE sur la fiabilité en 1998 et Le journal de la technologie de la qualité en 2013). L’un des pièges les plus courants des tests accélérés consiste à tester à des niveaux de contrainte qui provoquent des modes de défaillance qui ne seraient jamais observés dans des applications réelles. Il est intéressant de noter que si elles ne sont pas reconnues, de telles défaillances peuvent donner lieu à des prévisions optimistes très erronées sur la durée de vie des produits.
Dans la prévision des réclamations au titre de la garantie, un sérieux écueil consiste à supposer qu'une distribution qui correspond bien aux premiers retours (par exemple les six premiers mois de mise en service d'un produit) peut être extrapolée pour prédire la proportion d'unités qui tomberont en panne dans un délai de trois mois. Période de garantie d'un an. Généralement, lors d’une extrapolation, il est nécessaire d’utiliser la connaissance de la physique de la défaillance pour justifier toute hypothèse sur la forme de la distribution sur la durée de vie.
Quelles sont les dernières évolutions dans ce domaine ? Quelles sont les nouvelles méthodes que vous présenterez le 13 septembre à Stockholm ?
Au cours des 25 dernières années, l’utilisation des méthodes bayésiennes dans les applications statistiques a considérablement augmenté. Dans le domaine de la fiabilité, cependant, les augmentations n'ont pas été aussi spectaculaires (les travaux du Laboratoire national de Los Alamos sur la fiabilité des systèmes constituent une exception notable). Je pense qu'il y a deux raisons à cela : le conservatisme inhérent à la discipline de la fiabilité et le manque d'outils faciles à utiliser pour mettre en œuvre les méthodes bayésiennes.
Je vois fréquemment des applications de fiabilité où l'utilisation des méthodes bayésiennes est convaincante, et je les utilise plus largement et je prédis qu'il y aura une croissance plus générale et substantielle de l'utilisation des méthodes bayésiennes dans un avenir proche. Pour les dernières versions, JMP a eu la capacité d'utiliser des méthodes bayésiennes pour ajuster les distributions de vie, permettant, par exemple, aux ingénieurs d'utiliser les connaissances qu'ils possèdent souvent sur le paramètre de forme de Weibull, ce qui se traduit par une meilleure précision d'estimation (ou la possibilité d'exécuter des tests avec moins d'unités de test).
Dans JMP14 , il est désormais possible d'utiliser des méthodes bayésiennes pour analyser les données des tests de durée de vie accélérés. Il s'agit également d'un avantage important car cela permet aux ingénieurs d'utiliser, par exemple, les connaissances qu'ils possèdent souvent sur l'énergie d'activation effective dans les tests accélérés en température. Bien que cela ne soit pas encore disponible dans JMP, j'utilise des méthodes bayésiennes pour ajuster des modèles décrivant les données de mesures répétées provenant à la fois d'essais de dégradation et d'essais afin d'estimer la probabilité de détection de fissures dans les applications de surveillance de l'état des structures. Dans ces applications, les méthodes bayésiennes, même avec des distributions a priori diffuses, ont l'avantage important de fournir des intervalles de confiance faciles à calculer et fiables pour les quantités importantes d'intérêt. Et dans les situations où des informations préalables sont disponibles, il sera facile d’intégrer les différentes sources d’informations.
Vous et Chris Gotwalt parlerez plus en détail de ce sujet le 13 septembre à Stockholm et présenterez également quelques études de cas. Que peuvent espérer retenir du séminaire ?
En plus des méthodes bayésiennes désormais disponibles dans les plateformes Life Distribution et Fit Life by X, JMP Pro est capable, en quelques clics supplémentaires de souris, d'effectuer des simulations bootstrap et des simulations entièrement paramétriques de presque toutes les analyses possibles dans JMP (pas seulement les plates-formes d'analyse de fiabilité). Ces puissantes méthodes statistiques basées sur la simulation ont été développées au cours des 40 dernières années et ont une large applicabilité, mais n’ont pas été autant utilisées qu’on aurait pu l’espérer. Cela est dû à l’effort de programmation supplémentaire considérable qui était auparavant nécessaire pour mettre en œuvre de telles méthodes. JMP a résolu ce problème. Chris et moi avons développé et présenterons une série d'études de cas pour illustrer à la fois la puissance et la simplicité du JMP capacités d'analyse bayésienne, de simulation bootstrap et de simulation entièrement paramétrique.
Nous espérons que vous vous inscrirez au événement en personne à Stockholm, en Suède, ou regardez le diffusion en direct en ligne .
