V oblasti priemyselného testovania zohrávajú stánky na životné cykle kľúčovú úlohu pri zabezpečovaní spoľahlivosti a trvanlivosti rôznych komponentov. Ako špecializovaný dodávateľ testovacích stánkov životného cyklu som bol svedkom z prvej ruky význam presnej analýzy údajov z týchto testovacích stánkov. Cieľom tohto blogového príspevku je usmerniť vás procesom analýzy údajov zo stánku na testovanie životného cyklu, ktorý ponúka poznatky a praktické kroky na čo najlepšie využitie výsledkov vašich testov.
Pochopenie základov údajov o testovacích stánkoch životného cyklu
Predtým, ako sa ponoríte do analýzy údajov, je nevyhnutné pochopiť, aké údaje generujú testovací stánok životného cyklu. Tieto testovacie stánky sú navrhnuté tak, aby simulovali scenáre používania skutočného sveta pre širokú škálu výrobkov, ako napríkladTestovací stroj na plynový valec,Komplexná skúšobná lavica UAV palivové čerpadloaSkúšobná lavica rýchleho spojenia. Údaje zvyčajne obsahujú parametre, ako je teplota, tlak, sila, posun a počet cyklov dokončených pred poruchou.
Zhromaždené údaje môžu byť široko klasifikované do dvoch typov: kvantitatívne a kvalitatívne. Kvantitatívne údaje pozostávajú z numerických hodnôt, ktoré sa dajú merať presne, napríklad maximálny tlak dosiahnutý počas cyklu. Kvalitatívne údaje na druhej strane môžu obsahovať vizuálne pozorovania, ako je vzhľad trhlín alebo príznaky opotrebenia na testovanej komponente.
Krok 1: Zber a validácia údajov
Prvým krokom v analýze údajov je presne zhromažďovanie údajov. Zahŕňa to zabezpečenie toho, že senzory na testovacom stánku životného cyklu sú správne kalibrované a že systém získavania údajov správne funguje. Akékoľvek nepresnosti pri zbere údajov môžu viesť k zavádzajúcim výsledkom analýzy.
Po zhromaždení údajov je potrebné ich overiť. To znamená kontrolu odľahlých hodnôt, chýbajúce hodnoty a nesprávne záznamy. Odľahlé hodnoty sú dátové body, ktoré sa výrazne odchyľujú od zvyšku údajov. Môžu byť spôsobené poruchami senzorov, chybami testovacích stojanov alebo skutočnými anomáliami v testovanej zložke. Chýbajúce hodnoty sa môžu vyskytnúť v dôsledku problémov s prenosom údajov alebo zlyhania senzora. Nesprávne záznamy môžu byť výsledkom ľudskej chyby počas zaznamenávania údajov.
Na spracovanie odľahlých hodnôt môžete použiť štatistické metódy, ako je napríklad inter - kvartilný rozsah (IQR). Hodnoty mimo rozsahu Q1 - 1,5 * IQR a Q3+ 1,5 * IQR (kde Q1 je prvý kvartil a Q3 je tretí kvartil) sa môžu považovať za odľahlé a buď odstránené alebo vyšetrené ďalej. Pre chýbajúce hodnoty môžete na základe dostupných údajov použiť techniky, ako je interpolácia alebo imputácia.
Krok 2: Analýza prieskumných údajov (EDA)
Po overení údajov je ďalším krokom analýza prieskumných údajov. EDA je rozhodujúca fáza, v ktorej získate cit pre údaje, identifikujte vzorce a porozumieť vzťahom medzi rôznymi premennými.
Jednou z prvých vecí, ktoré môžete urobiť v EDA, je vytvorenie vizualizácií. Histogramy sa môžu použiť na pochopenie distribúcie jednej premennej, ako je distribúcia počtu cyklov pred zlyhaním. Škatule sú užitočné na porovnanie distribúcie premennej v rôznych skupinách, napríklad porovnávanie výkonnosti rôznych šarží testovaných komponentov.
Rozptylové grafy sa môžu použiť na preskúmanie vzťahu medzi dvoma premennými. Napríklad môžete vytvoriť rozptylový graf tlaku a teploty, aby ste zistili, či medzi nimi existuje korelácia. Ak existuje pozitívna korelácia, znamená to, že so zvyšujúcim sa tlakom, teplota sa tiež zvyšuje.
Ďalším dôležitým aspektom EDA je výpočet súhrnnej štatistiky. Priemerné, medián, režim, štandardná odchýlka a rozptyl sú niektoré zo bežne používaných súhrnných štatistík. Priemer vám dáva priemernú hodnotu premennej, zatiaľ čo medián predstavuje strednú hodnotu. Štandardná odchýlka meria šírenie údajov okolo priemeru.
Krok 3: Testovanie hypotéz
Na základe poznatkov získaných od EDA môžete formulovať hypotézy a otestovať ich. Testovanie hypotéz je štatistická metóda, ktorá sa používa na určenie, či je nárok na parameter populácie podporovaný údajmi vzorky.
Napríklad by ste mohli predpokladať, že nový dizajn komponentu testovanej na testovacom stánku životného cyklu má pred zlyhaním vyšší priemerný počet cyklov v porovnaní so starým návrhom. Na testovanie tejto hypotézy môžete použiť dva - vzorový test, ak údaje sledujú normálnu distribúciu.
Nulová hypotéza (H0) v tomto prípade by bolo v tom, že neexistuje žiadny rozdiel v priemernom počte cyklov pred zlyhaním medzi novými a starými návrhmi. Alternatívnou hypotézou (H1) by bolo, že nový návrh má pred zlyhaním vyšší priemerný počet cyklov.
Po vykonaní testu vypočítate hodnotu p. Ak je hodnota p menšia ako vopred stanovená úroveň významnosti (zvyčajne 0,05), odmietnete nulovú hypotézu a dospel k záveru, že existuje dostatok dôkazov na podporu alternatívnej hypotézy.
Krok 4: regresná analýza
Regresná analýza sa používa na modelovanie vzťahu medzi závislou premennou a jednou alebo viacerými nezávislými premennými. V kontexte údajov o testovacích stánkoch životného cyklu by ste mohli chcieť predpovedať počet cyklov pred zlyhaním na základe premenných, ako je teplota a tlak.
Jednoduchá lineárna regresia sa používa, keď existuje iba jedna nezávislá premenná. Rovnica jednoduchého lineárneho regresného modelu je y = a+bx, kde y je závislá premenná, x je nezávislá premenná, A je priesečník a B je sklon.
Viacnásobná lineárna regresia sa používa, keď existuje viac nezávislých premenných. Rovnica sa stáva y = a + b1x1 + b2x2 + ... + bnxn, kde x1, x2, ..., xn sú nezávislé premenné a b1, b2, ..., bn sú zodpovedajúce koeficienty.
Regresná analýza vám pomôže pochopiť, ako zmeny v nezávislých premenných ovplyvňujú závislú premennú. Umožňuje vám tiež predpovedať závislú premennú na základe hodnôt nezávislých premenných.
Krok 5: Analýza spoľahlivosti
Analýza spoľahlivosti je kritickou súčasťou analýzy údajov z testovacieho stánku životného cyklu. Cieľom analýzy spoľahlivosti je odhadnúť pravdepodobnosť, že komponent vykoná svoju zamýšľanú funkciu pre stanovené obdobie za daných podmienok.
Jednou z bežne používaných metód pri analýze spoľahlivosti je Weibull Distribution. Distribúcia Weibull je flexibilná distribúcia, ktorá sa dá použiť na modelovanie údajov o zlyhaní času - do - zlyhania. Má dva parametre: parameter tvaru (β) a parameter mierky (η).
Parameter tvaru určuje tvar funkcie rýchlosti zlyhania. Ak β <1, miera zlyhania v priebehu času klesá (včasné zlyhania života). Ak β = 1, rýchlosť zlyhania je konštantná (náhodné zlyhania). Ak β> 1, rýchlosť zlyhania sa v priebehu času zvyšuje (zlyhania opotrebenia).
Tým, že sa Distribúcia Weibull do času - do - zlyhaných údajov z testovacieho stánku životného cyklu môžete odhadnúť spoľahlivosť komponentu v rôznych časových bodoch.
Krok 6: Vykazovanie a rozhodnutie - robiť
Po dokončení analýzy údajov je dôležité prezentovať výsledky jasným a stručným spôsobom. Správa by mala obsahovať prehľad testu, metódy zberu údajov, použité analytické techniky, výsledky analýzy a vyvodené závery.
Správa by mala byť tiež prispôsobená publiku. Pre technických pracovníkov môže obsahovať podrobnú štatistickú analýzu a matematické rovnice. Pokiaľ ide o riadenie, malo by sa zamerať na kľúčové zistenia a ich dôsledky pre podnikanie.
Na základe výsledkov analýzy je možné prijať rozhodnutia týkajúce sa zlepšovania produktov, kontroly kvality a budúcich stratégií testovania. Napríklad, ak analýza ukazuje, že konkrétny komponent zlyhá predčasne v podmienkach vysokej teploty, je možné vykonať zmeny návrhu na zlepšenie jeho výkonu.
Záver
Analýza údajov z testovacieho stánku životného cyklu je komplexný, ale odmeňujúci proces. Poskytuje cenné informácie o výkonnosti a spoľahlivosti komponentov, ktoré môžu pomôcť pri vývoji produktov, kontrole kvality a rozhodnutí.
Ako dodávateľ testovacích stánkov životného cyklu sme odhodlaní poskytovať vysokokvalitné testovacie stánky, ktoré generujú presné a spoľahlivé údaje. Ak vás zaujíma nášTestovací stroj na plynový valec,Komplexná skúšobná lavica UAV palivové čerpadloaleboSkúšobná lavica rýchleho spojeniaalebo ak máte akékoľvek otázky týkajúce sa analýzy údajov z našich skúšobných stánkov, neváhajte nás kontaktovať a požiadajte o ďalšiu diskusiu a potenciálne obstarávanie.
Odkazy
- Montgomery, DC, Peck, EA a Vining, GG (2012). Úvod do lineárnej regresnej analýzy. Wiley.
- Meeker, WQ a Escobar, LA (1998). Štatistické metódy údajov o spoľahlivosti. Wiley.
- Devore, JL (2015). Pravdepodobnosť a štatistika pre inžinierstvo a vedy. Cengage Learning.