重复退化数据可衡量产品随时间推移的可靠性，例如材料中裂纹的扩展、功率放大器输出的下降或单个对象随时间推移的其他性能测量变化。 退化建模和分析的目标是预测所研究产品的故障时间和概率。
从 JMP 17 开始，JMP 提供两种不同的重复测量退化数据分析和建模方法：1) 伪故障方法，已在 JMP 退化平台的多个版本中提供；2) 实施分层贝叶斯的新重复测量退化平台Meeker、Escobar 和 Pascual (2022) 中讨论了可靠性建模。
分层贝叶斯建模方法使您能够通过贝叶斯推理估计随机参数的退化模型，并通过蒙特卡罗模拟找到故障时间。 它适合具有随机参数的退化路径模型，而伪失效方法适合固定的参数模型。 分层贝叶斯建模使用退化路径模型的总体参数的后验估计来模拟故障时间，而伪故障方法则从固定参数路径模型推断出伪故障时间。
一般来说，当新的重复测量降级支持的模型之一合适时，请使用新的重复测量降级。 如果您在新平台中没有看到任何适合您的数据的模型，则应考虑在现有的降级平台中使用伪故障方法，您可以在其中定义自己的模型。
请观看视频，该视频提供了使用 JMP 示例数据的可靠性文件夹中的 JMP 示例数据（分别为 GaAs Laser.jmp、Alloy A.jmp 和 Device B.jmp）进行的三个案例研究。
每个案例研究后都包含问题和答案。 案例研究 1 在 ~ 时间 24:00 开始，演员研究 2 在 ~ 时间 57:00 开始，案例研究 3 在 ~ 时间 1:04:00 开始。
