Les données de dégradation répétée permettent de mesurer la fiabilité d'un produit au fil du temps, par exemple la propagation de fissures dans un matériau, la diminution de la puissance de sortie des amplificateurs ou d'autres variations de performance observées sur des échantillons individuels. L'objectif de la modélisation et de l'analyse de la dégradation est de prédire les temps et les probabilités de défaillance du produit étudié.
À partir de JMP 17, JMP propose deux approches différentes pour l'analyse et la modélisation des données de dégradation des mesures répétées : 1) l'approche de pseudo-défaillance qui est disponible dans la plateforme JMP Degradation depuis plusieurs versions et 2) une nouvelle plateforme de dégradation des mesures répétées qui met en œuvre la modélisation bayésienne hiérarchique pour la fiabilité discutée dans Meeker, Escobar et Pascual (2022).
L'approche de modélisation bayésienne hiérarchique permet d'estimer des modèles de dégradation à paramètres aléatoires par inférence bayésienne et de déterminer les temps de défaillance par simulation de Monte Carlo. Elle ajuste des modèles de chemin de dégradation à paramètres aléatoires, tandis que l'approche par pseudo-défaillance ajuste des modèles à paramètres fixes . La modélisation bayésienne hiérarchique simule les temps de défaillance à partir des estimations a posteriori des paramètres de population du modèle de chemin de dégradation, tandis que l'approche par pseudo-défaillance extrapole les temps de défaillance pseudo à partir du modèle de chemin à paramètres fixes.
En règle générale, utilisez la nouvelle fonctionnalité de dégradation par mesures répétées lorsqu'un des modèles pris en charge est approprié. Si aucun modèle de la nouvelle plateforme ne convient à vos données, vous pouvez envisager d'utiliser l'approche de pseudo-défaillance de la plateforme de dégradation existante, où vous pouvez définir votre propre modèle.
Visionnez une vidéo présentant trois études de cas utilisant les données d'exemple JMP (GaAs Laser.jmp, Alloy A.jmp et Device B.jmp respectivement) qui se trouvent dans le dossier Reliability de vos données d'exemple JMP.
Diapositive utilisée dans la question.JPG
Les questions et réponses sont incluses après chaque étude de cas. L'étude de cas 1 commence vers 24:00, l'étude de cas 2 vers 57:00 et l'étude de cas 3 vers 1:04:00.
Réponses aux questions posées par Peng Liu (@peng_liu ), Caleb King ( @calking ) et Don McCormack (@DonMcCormack) lors du webinaire en direct :
Q : Sur la diapositive « Données d’échantillon de dégradation à mesures répétées », dans les 3 exemples, toutes les courbes commencent au même point. Est-ce une condition requise pour ce type d’étude ?
A : Non, les courbes ne doivent pas nécessairement commencer au même point. Un modèle similaire, mais autorisant des départs aléatoires, se trouve à côté de celui avec un départ fixe dans la liste Définition de trajectoire.
Q : Bien que ces exemples proviennent tous du secteur manufacturier, pourrait-on les utiliser pour une expérience où l’on soumet des animaux à un stress prolongé (leur santé se dégradant jusqu’à la mort) ? Je sais que JMP Pro propose des analyses de survie, mais cela semble différent.
R : Oui. Généralement, lorsqu'il s'agit d'organismes vivants, on parle d'analyse de survie. Des techniques similaires peuvent être utilisées. Le principal critère d'applicabilité de ce type d'analyse est la présence de plusieurs sujets et la réalisation de mesures répétées sur chaque sujet au fil du temps. Il se peut qu'il n'y ait pas de facteur de stress. S'il y en a un, ce facteur doit être constant pour chaque sujet pendant toute la durée de l'étude. Son niveau peut toutefois varier d'un sujet à l'autre.
Q : Existe-t-il un moyen de gérer deux ou plusieurs métriques de réponse à la dégradation (par exemple, le courant et la tension) ?
A : Actuellement, il n'est pas possible de réaliser cela dans le cadre de la dégradation par mesures répétées. La difficulté réside dans la combinaison des réponses et de leurs relations. Les causes concurrentes peuvent être utilisées pour modéliser les données en cas de défaillances brutales, mais je ne suis pas certain de leur application aux défaillances progressives. D'autres techniques peuvent être employées si les défaillances proviennent de distributions différentes (par exemple, des sous-populations défectueuses). Il est peut-être possible d'utiliser les causes concurrentes avec des défaillances progressives. L'estimation de la distribution des défaillances pour chaque cause reste la même que pour les défaillances brutales. La différence réside dans la méthode d'obtention de ces estimations. Une fois obtenues, la procédure devrait être identique. Actuellement, il n'est pas possible de réaliser cela dans le cadre de la dégradation par mesures répétées. Voir la vidéo à partir de 1 h 16 min.
Q : Si la graine est aléatoire, pourquoi avons-nous tous la même graine aléatoire 32323 ?
A : L'étiquette « Graine aléatoire » signifie « graine pour la génération aléatoire », et non pas nécessairement que la graine elle-même soit aléatoire.
Q : Question très précise : Existe-t-il un moyen d'utiliser une fonction de dégradation comme celle-ci : Paramètre de performance = ax exp (-(temps/b)^c), c'est-à-dire avec trois paramètres a, b et c et le paramètre a pouvant être défini de la même manière pour tous les appareils ?
A : Cela peut être fait en utilisant Dégradation > Dégradation par mesures répétées (c'est-à-dire l'ancienne plateforme).
Q : Peut-on utiliser des filtres de données sur cette plateforme ?
A : Étant donné qu'il s'agit d'un modèle itératif, celui-ci ne sera pas mis à jour si un filtre de données est utilisé. Le filtre de données est une fonctionnalité générale disponible sur la plateforme. Cependant, son utilisation doit être soigneusement étudiée. Dans la version actuelle, la décision revient à l'utilisateur. Il est important de noter que cette méthode est chronophage ; toute modification du filtre entraînera une nouvelle exécution de l'analyse.
Q : Existe-t-il un moyen d'utiliser un modèle d'accélération avec deux variables de contrainte, par exemple la température et le courant ?
R : Pas dans la nouvelle plateforme de dégradation par mesures répétées, mais vous pouvez ajouter deux facteurs de stress en utilisant l'ancienne fonctionnalité de mesures répétées de la plateforme de dégradation. Pour les défaillances brutales, vous pouvez également utiliser la survie paramétrique ajustée.
Ressources
