L'application Trend Reliability Growth utilise la plate-forme Reliability Growth de JMP pour permettre aux utilisateurs d'examiner les modifications des paramètres bêta et lambda au fil du temps.Pour ce faire, il ajuste plusieurs modèles à des sous-ensembles d'observations contiguës jusqu'à ce que l'ensemble de données soit couvert. Lorsque les ensembles d'observations sont contigus et ne se chevauchent pas, les résultats sont analogues à l'ajustement d'un NHPP de Weibull réinitialisé avec un Phase colonne où chaque groupe, sauf éventuellement le dernier, a un nombre égal d'observations. Contrairement à la croissance de la fiabilité avec une colonne Phase, les groupes qui se chevauchent peuvent être ajustés.
L'application suppose que les données sont au format Time to Event. Fenêtre contrôle le nombre d'observations utilisées pour chaque modèle. Marcher correspond à la taille du pas pour déterminer les observations de départ dans chaque sous-ensemble. Plus précisément, pour chaque itération, Fenêtre observation sont utilisées pour ajuster un modèle Crow-AMSAA à partir de la ligne ( je -1)*Étape, où je est le numéro d'itération. Les sous-ensembles se chevaucheront si Marcher est plus petite que Fenêtre . Si Point de départ fixe est sélectionné, le premier sous-ensemble commence par l'observation 1 avec Fenêtre déterminer le nombre d'observations. A chaque itération suivante, la taille de la fenêtre est augmentée de Marcher avec le point de départ restant l'observation 1.
Salut @DonMcCormack
Veuillez me fournir une source pour un article ou un livre sur le sujet de la croissance de la fiabilité.
Salutations
Merci @jthi . La référence pour commencer est MIL-HDBK-189C . L'idée derrière le complément est d'offrir un moyen plus flexible de modéliser les changements de croissance et de détection des points de changement.
