Az ipari tesztek birodalmában az életciklus -tesztek kulcsszerepet játszanak a különféle komponensek megbízhatóságának és tartósságának biztosításában. Dedikált életciklus -tesztállvány beszállítójaként első kézből tanúja voltam a pontos adatelemzés jelentőségének ezekből a tesztállományokból. A blogbejegyzés célja, hogy végigvezesse Önt az életciklus -tesztállvány adatainak elemzésének folyamatán, betekintést és gyakorlati lépéseket kínálva a teszt eredményeinek kihozatalához.
Az életciklus -teszt állvány adatainak alapjainak megértése
Mielőtt belemerülne az adatelemzésbe, elengedhetetlen megérteni, hogy az életciklus -teszt állvány milyen adatok generálnak. Ezeket a tesztállványokat úgy tervezték, hogy szimulálják a valós felhasználási forgatókönyveket a termékek széles skálájára, példáulGázhenger -ciklus tesztelő gép,UAV üzemanyag -szivattyú átfogó tesztpad, ésGyors tengelykapcsoló tesztpad- Az adatok általában olyan paramétereket tartalmaznak, mint a hőmérséklet, a nyomás, az erő, az elmozdulás és a meghibásodás előtti ciklusok száma.
Az összegyűjtött adatok nagyjából két típusba sorolhatók: kvantitatív és kvalitatív. A kvantitatív adatok olyan numerikus értékekből állnak, amelyeket pontosan meg lehet mérni, például a ciklus során elért maximális nyomást. A kvalitatív adatok viszont tartalmazhatnak olyan vizuális megfigyeléseket, mint a repedések vagy a kopás jelei a vizsgált komponensen.
1. lépés: Adatgyűjtés és érvényesítés
Az adatelemzés első lépése az adatok pontos gyűjtése. Ez magában foglalja annak biztosítását, hogy az életciklus -tesztállvány érzékelőit helyesen kalibrálják, és hogy az adatgyűjtő rendszer megfelelően működik. Az adatgyűjtés minden pontatlansága félrevezető elemzési eredményekhez vezethet.
Az adatok összegyűjtése után azt érvényesíteni kell. Ez azt jelenti, hogy ellenőrizni kell a kiugró értékeket, a hiányzó értékeket és a helytelen bejegyzéseket. A túlmutatók olyan adatpontok, amelyek jelentősen eltérnek az adatok többi részétől. Ezeket az érzékelő hibái, a tesztállványhibák vagy a tesztelt komponens valódi rendellenességei okozhatják. A hiányzó értékek az adatátviteli problémák vagy az érzékelő hibák miatt fordulhatnak elő. A helytelen bejegyzések az emberi hiba eredménye lehet az adatfelvétel során.
A kiugró értékek kezelésére statisztikai módszereket, például a kvartilis tartományt (IQR) is használhat. A Q1 - 1,5 * IQR és Q3+ 1,5 * IQR tartományán kívüli értékek (ahol a Q1 az első kvartilis, és a Q3 a harmadik kvartilis) kiugrónak tekinthető, és eltávolítható vagy tovább vizsgálható. A hiányzó értékekhez olyan technikákat is használhat, mint az interpoláció vagy az imputálás a rendelkezésre álló adatok alapján.
2. lépés: Felfedező adatok elemzése (EDA)
Az adatok validálása után a következő lépés a feltáró adatok elemzése. Az EDA egy olyan döntő szakasz, amelyben megismerheti az adatokat, azonosítja a mintákat és megérti a különböző változók közötti kapcsolatokat.
Az EDA egyik első tennivalója a vizualizációk létrehozása. A hisztogramok felhasználhatók egyetlen változó eloszlásának megértésére, például a ciklusok számának eloszlásának a hiba előtt. A doboz parcellák hasznosak egy változó eloszlásának összehasonlításához különböző csoportok között, például összehasonlítva a vizsgált komponensek különböző tételeinek teljesítményét.
A szórási parcellák felhasználhatók a két változó közötti kapcsolat feltárására. Például létrehozhat egy szórási grafikonot a nyomás és a hőmérsékleten, hogy megnézze, van -e összefüggés a kettő között. Ha pozitív korreláció létezik, ez azt jelenti, hogy a nyomás növekedésével a hőmérséklet is növekszik.
Az EDA másik fontos szempontja az összefoglaló statisztikák kiszámítása. Az átlag, a medián, az üzemmód, a szórás és a variancia a leggyakrabban használt összefoglaló statisztikák. Az átlag megadja egy változó átlagos értékét, míg a medián a középértéket képviseli. A szórás méri az adatok elterjedését az átlag körül.
3. lépés: Hipotézis tesztelése
Az EDA -tól kapott betekintések alapján hipotéziseket fogalmazhat meg és tesztelheti őket. A hipotézis tesztelése egy statisztikai módszer, amelyet annak meghatározására használnak, hogy a mintaadatok alátámasztják -e a populációs paraméterre vonatkozó követelést.
Például feltételezheti, hogy az életciklus -tesztállványon tesztelt komponens új kialakítása magasabb a ciklusok átlagos számával, a kudarc előtt, mint a régi kialakítás. Ennek a hipotézisnek a teszteléséhez használhat egy két mintát, ha az adatok normál eloszlást követnek.
A nullhipotézis (H0) ebben az esetben az lenne, hogy az új és a régi tervek közötti kudarc előtt nincs különbség a ciklusok átlagos számában. Az alternatív hipotézis (H1) az lenne, hogy az új kialakítás a meghibásodás előtt magasabb a ciklusok átlagos számával.
A teszt elvégzése után kiszámítja a p -értéket. Ha a P - érték kevesebb, mint egy előre meghatározott szignifikancia szint (általában 0,05), akkor elutasítja a nullhipotézist, és arra a következtetésre jut, hogy elegendő bizonyíték van az alternatív hipotézis alátámasztására.
4. lépés: Regressziós elemzés
A regressziós analízist használják a függő változó és egy vagy több független változó közötti kapcsolat modellezésére. Az életciklus -teszt állvány adatainak összefüggésében érdemes megjósolni a ciklusok számát a hiba előtt, olyan változók alapján, mint a hőmérséklet és a nyomás.
Az egyszerű lineáris regressziót akkor használják, ha csak egy független változó van. Egy egyszerű lineáris regressziós modell egyenlete y = a+bx, ahol y a függő változó, x a független változó, A az elfogás, és b a lejtő.
A többszörös lineáris regressziót akkor használjuk, ha több független változó létezik. Az egyenlet y = a + b1x1 + b2x2 + ... + bnxn lesz, ahol az x1, x2, ..., xn a független változók, és B1, b2, ..., bn a megfelelő együtthatók.
A regressziós elemzés segít megérteni, hogy a független változók változásai hogyan befolyásolják a függő változót. Ezenkívül lehetővé teszi, hogy előrejelzéseket készítsen a független változók értékei alapján a függő változókról.
5. lépés: Megbízhatóság elemzése
A megbízhatóság elemzése kritikus része az életciklus -tesztállványból származó adatok elemzésének. A megbízhatóság elemzésének célja annak valószínűsége, hogy egy komponens meghatározott időtartamon keresztül elvégzi a kívánt funkciót.
A megbízhatóság elemzésében az egyik leggyakrabban használt módszer a Weibull eloszlás. A Weibull eloszlás egy rugalmas eloszlás, amely felhasználható az idő - a hibás adatok modelljének modellezésére. Két paraméterrel rendelkezik: az alak paraméter (β) és a skála paraméter (η).
Az alakparaméter meghatározza a hibaarány függvényének alakját. Ha β <1, akkor a hibaarány idővel csökken (korai - élethibák). Ha β = 1, akkor a hibaarány állandó (véletlenszerű hibák). Ha β> 1, akkor a hibaarány az idő múlásával növekszik (elhasználódási hibák).
A Weibull eloszlás beillesztésével az életciklus -tesztállványról az időre - a meghibásodási adatokra, az összetevő megbízhatóságát különböző időpontokban becsülheti meg.
6. lépés: Jelentés és döntés - Készítés
Miután az adatelemzés befejeződött, fontos, hogy az eredményeket világos és tömör módon mutatjuk be. A jelentésnek tartalmaznia kell a teszt áttekintését, az adatgyűjtési módszereket, az alkalmazott elemzési technikákat, az elemzés eredményeit és a levonott következtetéseket.
A jelentést a közönségnek is testreszabni kell. A műszaki személyzet számára részletes statisztikai elemzést és matematikai egyenleteket tartalmazhat. A menedzsment számára a legfontosabb megállapításokra és azok vállalkozási következményeire kell összpontosítania.
Az elemzési eredmények alapján döntéseket lehet hozni a termékjavításról, a minőség -ellenőrzésről és a jövőbeli tesztelési stratégiákról. Például, ha az elemzés azt mutatja, hogy egy adott komponens magas hőmérsékleti körülmények között idő előtt meghibásodik, akkor a tervezés módosítása a teljesítmény javítása érdekében.
Következtetés
Az életciklus -tesztállványból származó adatok elemzése összetett, de jutalmazó folyamat. Értékes betekintést nyújt az alkatrészek teljesítményébe és megbízhatóságába, amelyek elősegíthetik a termékfejlesztést, a minőség -ellenőrzést és a döntéshozatalt.
Mint életciklus -tesztállvány szállítója, elkötelezettek vagyunk a magas minőségű tesztállványok biztosításában, amelyek pontos és megbízható adatokat generálnak. Ha érdekli a miGázhenger -ciklus tesztelő gép,UAV üzemanyag -szivattyú átfogó tesztpad, vagyGyors tengelykapcsoló tesztpad, vagy ha bármilyen kérdése van az adatelemzéssel kapcsolatban a tesztállványokból, kérjük, vegye fel velünk a kapcsolatot további megbeszélés és potenciális beszerzés céljából.
Referenciák
- Montgomery, DC, Peck, EA és Vining, GG (2012). Bevezetés a lineáris regressziós elemzéshez. Wiley.
- Meeker, WQ és Escobar, LA (1998). A megbízhatósági adatok statisztikai módszerei. Wiley.
- DEVORE, JL (2015). Valószínűség és statisztika a mérnöki és a tudományok számára. Cengage tanulás.