Modélisation de la probabilité de défaillance d'un système réparable avec des facteurs affectantBonjour la communauté,
J'aimerais demander un peu d'aide sur ce sujet, j'ai lu la plupart des articles et guides disponibles pour JMP ainsi que quelques webinaires, mais je ne comprends toujours pas comment modéliser correctement la situation suivante.
Imaginez que vous menez une expérience avec N systèmes , courir pour un période T , dans lequel vous observez plusieurs unités (u1 à uN), certaines d'entre elles tombent en panne (et sont réparées et remises en service) et d'autres ne tombent pas en panne du tout, vous avez donc censuré données et son indicateur de censure.
* Le temps de fonctionnement entre les réparations est enregistré de cette manière et le dernier temps de fonctionnement mesuré avant l'expiration de T.
* La condition de fonctionnement (marche/arrêt), le temps de fonctionnement et plusieurs autres mesures de capteur sont enregistrés toutes les heures jusqu'à T (fin de l'expérience), vous espérez donc que ces capteurs peuvent expliquer en partie le taux d'échec
Des questions:
a) Lors de l'utilisation de Fit Parametric Survival, vous pouvez ajouter des facteurs d'emplacement et d'échelle pour incorporer des variables susceptibles d'affecter la survie, mais je ne sais pas comment incorporer ces facteurs dans l'analyse de récurrence, est-il donc possible de modéliser une analyse de récurrence avec des facteurs affectant ?
b) Si vous êtes ici pour prédire la probabilité de défaillance à l'aide des mesures du capteur à un certain point t, une analyse paramétrique de survie ou de récurrence aurait-elle un sens ?
Merci beaucoup!!
Raul
AnalytiqueObjet : Modélisation de la probabilité d'échec d'un système réparable avec des facteurs affectantSalut!
Eh bien, j'ai vérifié les ressources données, elles étaient super ! Mais maintenant, je suis confronté à un autre problème, dérivé de l'exigence d'avoir "l'âge" pour l'analyse de la récurrence. Mes données n'ont que le temps jusqu'au prochain échec, donc la question est :
* Quelle serait une bonne stratégie pour définir l'« Âge » initial si vous ne le connaissez pas ?
Je n'ai pas beaucoup de données, donc imputer la 1ère réparation et prendre la 2ème comme 1ère serait mon tout dernier recours. Existe-t-il une méthode formelle ou commune pour contourner cette situation ?
Merci encore!
Acclamations,
Raul
Objet : Modélisation de la probabilité d'échec d'un système réparable avec des facteurs affectant
Merci pour le conseil, je l'apprécie vraiment, je vais essayer cette approche et poster ici comment ça se passe,
Acclamations,
Objet : Modélisation de la probabilité d'échec d'un système réparable avec des facteurs affectantEn fonction de votre description, vous devez utiliser l'analyse de récurrence. Fit Parametric Survival est destiné aux systèmes non réparables.
Si vous êtes intéressé par ce qui se passerait si l'on utilisait de manière incorrecte Fit Parametric Survival ou Life Distribution pour analyser des données récurrentes, consultez cette conférence Distribution de vie ou analyse de récurrence . Le Dr Trindade a donné un exemple frappant qui conduit à des conclusions totalement opposées. Quelques slides clés : page 21, 24, 27.
Pour incorporer des facteurs dans l'analyse de la récurrence, consultez la section "Ajuster le modèle" dans le chapitre sur l'analyse de la récurrence dans la documentation. Voici le lien vers la doc JMP16.2 Ajuster le modèle dans l'analyse de récurrence . Cela devrait répondre (a).
Pour (b), vous ne pourrez pas faire d'interprétation comme "la probabilité de défaillance du système X au cours des deux prochaines semaines est de 1 %", mais quelque chose comme ceci "le système X devrait connaître une défaillance de 0,01 au cours des deux prochaines semaines". Notez que l'échec est une fraction. Si vous avez une flotte de 100 systèmes de ce type, tous avec le même taux de récurrence, vous devez vous attendre à ce qu'un système tombe en panne au cours des deux prochaines semaines.
