Irgendwas mit Daten - Datenanalyse in der Industrie Barbara Bredner

Die Weibull-Verteilung ist die Verteilung, die am häufigsten im Bereich Zuverlässigkeit & Lebensdauer eingesetzt wird. Der Name "Weibull-Verteilung" ist tatsächlich ein Plagiat. Viele Jahre vor der Veröffentlichung von Waloddi Weibull hatten andere dieselbe Verteilung unter "Rosin-Rammler-" oder RRSB-Verteilung beschrieben.

In dieser Folge werden Anwendungsbeispiele für die Weibull-Verteilung beschrieben und Methoden vorgestellt, mit denen Ausfallsteilheit und charakteristische Lebensdauer sowie weitere Kenngrößen ermittelt werden.

Die Belastbarkeit und Haltbarkeit ist unter anderem durch die Neufassung der Verbraucherschutzgesetze in Deutschland immer wieder ein Thema. Gerade in diesem Bereich ist eine 100 %-Kontrolle vor Auslieferung unmöglich, deshalb wird über Dauerlaufversuche ermittelt, wie lange Komponenten und Bauteile voraussichtlich halten.

Die statistische Versuchsplanung und -auswertung (Design of Experiments, DoE) hilft, Versuche und Prozesse besser zu verstehen, optimale Arbeitspunkte zu finden oder Nachweise zu führen. Damit die Ziele erreicht werden können sind verschiedene Schritte notwendig, insbesondere bevor ein Versuchsplan ausgewählt, erstellt und umgesetzt wird. In der Folge wird der Ablauf eines DoE-Projekts beschrieben und erläutert, wann mehr als ein Versuchsplan notwendig ist.

Maschinelles Lernen kann auch bei attributiven Zielgrößen (in Ordnung/nicht in Ordnung, gut/schlecht, funktioniert/funktioniert nicht) genutzt werden, um Prozesse besser zu verstehen und zu optimieren. Die Machine Learning (ML) Modelle für attributive Zielgrößen sollten vor der Nutzung genauso wie alle anderen Modelle auf ihre Qualität geprüft werden. In dieser Folge geht es um Strategien und Kennzahlen, mit denen die Erklär-Qualität bei der Klassifikation bzw. bei attributiven Zielgrößen geprüft wird.

Machine Learning Modelle helfen uns unter anderem dabei zu verstehen, wie Einflussgrößen ein Versuchs- oder Prozess-Ergebnis verändern (supervised learning, d. h. es gibt eine Zielgröße). Bevor ein Modell produktiv genutzt wird, sollte die Modell- bzw. Erklär-Qualität geprüft werden. Diese Folge stellt Kennzahlen für messbare bzw. variable Zielgrößen wie z. B. die Länge oder den Durchmesser von Stahlrohren vor.

"Normal"-verteilt klingt, als wären alle Messwerte so verteilt. Oft sind Messwerte in der Praxis nicht-normalverteilt. In dieser Folge geht es um Gründe für Abweichungen von der Normalverteilung und Auswertungsmethoden, mit denen die Ursachen untersucht und bewertet werden können.