В сфере промышленного тестирования, жизненные тесты играют ключевую роль в обеспечении надежности и долговечности различных компонентов. В качестве специального поставщика тестирования жизненного цикла я воочию стал свидетелем значения точного анализа данных из этих тестовых стендов. Этот пост в блоге направлена на то, чтобы провести вас через процесс анализа данных со стенда испытаний жизненного цикла, предлагая информацию и практические шаги, чтобы максимально использовать результаты ваших тестов.
Понимание основных данных тестирования жизненного цикла
Прежде чем углубляться в анализ данных, важно понять, какие данные генерируется тест жизненного цикла. Эти тестовые подставки предназначены для имитации реальных сценариев использования мира для широкого спектра продуктов, таких какМашина для испытаний цилиндров газового цилиндраВКомплексный испытательный насос БПЛА, иБыстрая теста на сцеплениеПолем Данные обычно включают такие параметры, как температура, давление, сила, смещение и количество циклов, завершенных до отказа.
Собранные данные могут быть широко классифицированы на два типа: количественные и качественные. Количественные данные состоит из численных значений, которые могут быть измерены точно, например, максимальное давление, достигнутое во время цикла. Качественные данные, с другой стороны, могут включать визуальные наблюдения, такие как появление трещин или признаков износа на тестируемом компоненте.
Шаг 1: Сбор и проверка данных
Первым шагом в анализе данных является точный сбор данных. Это включает в себя обеспечение того, чтобы датчики на стенде испытаний на жизненный цикл калибровались правильно и чтобы система сбора данных функционирует должным образом. Любые неточности в сборе данных могут привести к вводящим в заблуждение результатам анализа.
Как только данные будут собраны, их необходимо проверить. Это означает проверку выбросов, отсутствующих значений и неправильных записей. Выбросы - это точки данных, которые значительно отклоняются от остальных данных. Они могут быть вызваны неисправными датчиками, ошибками тестирования или подлинными аномалиями в тестируемом компоненте. Пропущенные значения могут возникнуть из -за проблем с передачей данных или сбоев датчиков. Неправильные записи могут быть результатом человеческой ошибки во время записи данных.
Чтобы обрабатывать выбросы, вы можете использовать статистические методы, такие как интерфейс -диапазон (IQR). Значения вне диапазона Q1 - 1,5 * IQR и Q3+ 1,5 * IQR (где Q1 является первым квартилем, а Q3 - третий квартиль), можно считать выбросами и удалены или исследованы дальше. Для пропущенных значений вы можете использовать такие методы, как интерполяция или вменение на основе доступных данных.
Шаг 2: Исследовательский анализ данных (EDA)
После проверки данных следующим шагом является исследовательский анализ данных. EDA - это важная этап, когда вы понимаете данные, выявляете закономерности и понимаете отношения между различными переменными.
Одним из первых, что нужно сделать в EDA, является создание визуализации. Гистограммы могут быть использованы для понимания распределения одной переменной, такой как распределение количества циклов перед сбоем. Графики коробки полезны для сравнения распределения переменной по разным группам, например, сравнения производительности различных партий тестируемых компонентов.
Графики рассеяния могут быть использованы для изучения взаимосвязи между двумя переменными. Например, вы можете создать рассеянный график давления и температуры, чтобы увидеть, существует ли корреляция между ними. Если существует положительная корреляция, это означает, что по мере увеличения давления температура также имеет тенденцию увеличиваться.
Другим важным аспектом EDA является расчет суммарной статистики. Среднее, медиана, режим, стандартное отклонение и дисперсия являются одними из широко используемых сводных статистических данных. Среднее значение дает вам среднее значение переменной, в то время как медиана представляет среднее значение. Стандартное отклонение измеряет распространение данных о среднем.
Шаг 3: Тестирование гипотезы
Основываясь на понимании, полученных от EDA, вы можете сформулировать гипотезы и проверить их. Тестирование гипотезы - это статистический метод, используемый для определения того, подтверждается ли требование о параметре популяции параметром выборки.
Например, вы можете предположить, что новая конструкция компонента, протестированного на подставке для испытаний жизненного цикла, имеет более высокое среднее количество циклов перед отказами по сравнению со старым дизайном. Чтобы проверить эту гипотезу, вы можете использовать тест с двумя образцами t - если данные следует за нормальным распределением.
В этом случае нулевая гипотеза (H0) заключается в том, что в среднем количестве циклов нет разницы до сбоя между новыми и старыми конструкциями. Альтернативная гипотеза (H1) будет заключаться в том, что новая конструкция имеет более высокое среднее число циклов перед сбоем.
После выполнения теста вы рассчитываете значение p -. Если значение p - меньше, чем определяемый уровень значимости (обычно 0,05), вы отклоняете нулевую гипотезу и приходите к выводу, что существует достаточно доказательств в поддержку альтернативной гипотезы.
Шаг 4: Анализ регрессии
Регрессионный анализ используется для моделирования взаимосвязи между зависимой переменной и одной или несколькими независимыми переменными. В контексте данных тестирования жизненного цикла вы можете предсказать количество циклов перед сбоем на основе таких переменных, как температура и давление.
Простая линейная регрессия используется, когда существует только одна независимая переменная. Уравнение простой модели линейной регрессии составляет y = a+bx, где Y - зависимая переменная, x - независимая переменная, a - это перехват, а B - наклон.
Множественная линейная регрессия используется, когда существует несколько независимых переменных. Уравнение становится y = a + b1x1 + b2x2 + ... + bnxn, где x1, x2, ..., xn являются независимыми переменными и B1, B2, ..., Bn являются соответствующими коэффициентами.
Регрессионный анализ помогает вам понять, как изменения в независимых переменных влияют на зависимую переменную. Это также позволяет вам делать прогнозы о зависимой переменной на основе значений независимых переменных.
Шаг 5: Анализ надежности
Анализ надежности является важной частью анализа данных со стенда испытаний жизненного цикла. Цель анализа надежности состоит в том, чтобы оценить вероятность того, что компонент выполнит свою предполагаемую функцию в течение определенного периода в заданных условиях.
Одним из широко используемых методов анализа надежности является распределение Вейбулла. Распределение Weibull - это гибкое распределение, которое можно использовать для моделирования времени времени - до - данных об отказе. Он имеет два параметра: параметр формы (β) и параметр шкалы (η).
Параметр формы определяет форму функции скорости отказов. Если β <1, частота отказов снижается с течением времени (ранние жизненные неудачи). Если β = 1, частота отказов постоянна (случайные сбои). Если β> 1, частота отказов со временем увеличивается (сбои износа).
Установив распределение Weibull до времени - до - данные об отказе от стенда испытаний жизненного цикла, вы можете оценить надежность компонента в разные моменты времени.
Шаг 6: Отчетность и принятие решений -
Как только анализ данных будет завершен, важно представить результаты четким и кратким образом. Отчет должен включать обзор теста, методы сбора данных, используемые методы анализа, результаты анализа и сделанные выводы.
Отчет также должен быть адаптирован к аудитории. Для технического персонала он может включать подробный статистический анализ и математические уравнения. Для управления он должен сосредоточиться на ключевых выводах и их последствиях для бизнеса.
Основываясь на результатах анализа, могут быть приняты решения в отношении улучшения продукта, контроля качества и стратегий будущего тестирования. Например, если анализ показывает, что конкретный компонент не выполняется преждевременно в условиях высокой температуры, могут быть внесены конструктивные изменения для повышения его производительности.
Заключение
Анализ данных со стенда испытаний жизненного цикла является сложным, но полезным процессом. Он дает ценную информацию о производительности и надежности компонентов, что может помочь в разработке продукта, контроле качества и принятии решений.
В качестве поставщика тестирования жизненного цикла мы стремимся обеспечить высокое качественное тестирование, которые генерируют точные и надежные данные. Если вы заинтересованы в нашихМашина для испытаний цилиндров газового цилиндраВКомплексный испытательный насос БПЛА, илиБыстрая теста на сцеплениеили, если у вас есть какие -либо вопросы об анализе данных с наших тестовых стендов, пожалуйста, не стесняйтесь обращаться к нам для дальнейшего обсуждения и потенциальных закупок.
Ссылки
- Montgomery, DC, Peck, EA, & Vining, GG (2012). Введение в анализ линейной регрессии. Уайли.
- Meeker, WQ, & Escobar, LA (1998). Статистические методы для данных надежности. Уайли.
- Devore, JL (2015). Вероятность и статистика для инженерии и наук. Cengage Learning.