Folgen
-
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.
-
Fehlende Folgen?
-
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.
-
Bei der Analyse von Zusammenhängen und Einflüssen werden Korrelation, Regression und Varianzanalyse (ANOVA) eingesetzt. Die wahrgenommenen Unterschiede sind oft sehr viel kleiner als gedacht und liegen eher in der historischen Entwicklung begründet. In dieser Folgen werden Gemeinsamkeiten und Unterschiede beschrieben und der Zusammenhang mit dem allgemeinen linearen Modell (General Linear Model) aufgezeigt.
-
Datenvisualisierungen (aka bunte Bildchen) sind überall. Sind sie auch überall sinnvoll und warum werden sie so oft eingesetzt? In dieser Folge erfahren Sie, wie Sie gezielt Datenvisualisierungen einsetzen können und wann es besser ist, Texte und Tabellen zu verwenden. Mit Leitfragen zu Zielgruppe, Komplexität und Daten haben Sie eine gute Grundlage für die Entscheidung, welche Datenvisualisierung sinnvoll ist und mit welchem Tool sie gut umgesetzt werden kann.
-
Digitalisierung und Automatisierung bieten unbegrenzte Möglichkeiten. Alles immer und am besten gleichzeitig zu machen, ist weder möglich noch sinnvoll, deshalb geht es in dieser Folge darum, sinnvolle Projekte zu finden und auszuwählen, in denen Digitalisierung hilfreich ist und Automatisierung entlastet.
Nichts ist ineffizienter als der Anspruch, ALLES zu digitalisieren oder zu automatisieren! -
Signifikante Unterschiede können die meisten statistischen Tests liefern. Manchmal muss kein Unterschied, sondern die Gleichheit oder Gleich-Genug-Heit gezeigt werden. In dieser Folge geht es um die Testverfahren, die so etwas Ähnliches wie signifikante Gleichheit zeigen können und wo sie in der Industrie angewendet werden.
