Lors de l'utilisation de la prédiction de fiabilité JMP pour prédire les rendements futurs à partir de données chronologiques sur le volume de production et les rendements, le choix d'un modèle de défaillance approprié est essentiel. Ces modèles peuvent varier selon les produits, les modèles et les versions, et même évoluer au fil du temps. Mon expérience d'enseignement de la prédiction de fiabilité pour les machines industrielles, les équipements de pesage, les appareils électroniques et les pièces automobiles montre que les défaillances partielles sont extrêmement fréquentes. En cas de défaillances totales dues à l'usure, le taux de défaillance cumulé et le nombre de retours continuent d'augmenter. En revanche, en cas de défaillances partielles, le taux de défaillance cumulé stagne et le nombre de défaillances converge vers zéro. Le nombre cumulé de défaillances devient également modeste. Déterminer si une défaillance est partielle ou non est donc un enjeu important. Bien que le modèle de défaillance repose sur les statistiques du tableau de comparaison des modèles et le test du rapport de vraisemblance, des prédictions précoces peuvent compliquer la détermination du caractère partiel ou total d'une défaillance. Nous examinerons également les causes des défaillances partielles. Les données préparées pour la prédiction de fiabilité peuvent contenir des valeurs manquantes ou un faible nombre de défaillances. Il peut également y avoir un écart entre la date d'expédition et la date de mise en service. Cependant, les données portant sur la même période d'expédition et de défaillance doivent être exclues afin d'adapter le modèle de défaillance partielle. Nous analysons la période de défaillance (une variable univariée de la durée de vie) grâce à une analyse des tendances des données de réclamations et effectuons des prévisions de fiabilité pour les points sensibles.
