Características clave: Módulo de Reliability Growth

Explore la funcionalidad completa del módulo

Modelos de análisis de Reliability Growth
Tipos de datos de Reliability Growth
Proyecciones, planificación y gestión de Reliability Growth

Resultados, gráficos e informes del análisis de Reliability Growth
Clasificaciones de modos de fallo y factores de eficacia

Análisis de sistemas reparables en campo
Simulación de Montecarlo

Modelos de análisis de Reliability Growth

El módulo Reliability Growth es compatible con todos los modelos tradicionales de análisis del crecimiento de la confiabilidad, como Crow-AMSAA (NHPP), Duane, Gompertz Estándar y Modificado, Lloyd-Lipow y Logistic.

Tipos de datos sobre Reliability Growth

Datos sobre el tiempo transcurrido hasta el fallo

Cuando tenga datos de pruebas de desarrollo en las que los sistemas funcionaron de forma continua hasta que fallaron, puede usar los modelos Crow-AMSAA (NHPP) o Duane. El módulo ofrece una variedad de tipos de datos para tiempos de falla individuales o agrupados, y para combinar datos de varios sistemas idénticos. Esto puede incluir situaciones en las que todos los sistemas funcionan al mismo tiempo, en las que ha registrado los tiempos de funcionamiento exactos de los sistemas que fallaron y los que no fallaron o en las que registró la fecha del calendario de cada falla para poder estimar los tiempos de funcionamiento de los sistemas que no fallaron en función de la tasa de uso diario promedio durante el período de tiempo correspondiente.

Con el modelo Crow-AMSAA (NHPP), hay opciones de análisis adicionales para determinadas situaciones, como el análisis de brechas (si cree que una parte de los datos es errónea o falta) o el cambio de pendiente (si un cambio importante en el diseño del sistema o en el entorno operativo ha provocado un cambio significativo en la intensidad de las fallas observadas durante las pruebas).

Datos discretos (también denominados datos de atributos, datos únicos o datos de éxito/fracaso)

Cuando tiene datos de pruebas de crecimiento de confiabilidad únicas (aprobadas o rechazadas) (y según el tipo de datos), el módulo admite modelos de datos mixtos que se pueden usar con los modelos de evaluación continua y extendida de Crow. Para los datos discretos, existe una variedad de tipos de datos que pueden gestionar pruebas en las que se realiza una sola prueba para cada configuración de diseño, varias pruebas por configuración o una combinación de ambas. El módulo también admite el descuento por error si ha registrado los modos de error específicos de las pruebas secuenciales de una sola vez.

Datos confiabilidad

Cuando simplemente desee analizar los valores de confiabilidad calculados para diferentes tiempos/etapas dentro de las pruebas de desarrollo, puede usar los modelos Gompertz Estándar, Gompertz Modificado, Lloyd-Lipow o Logístico.

Proyecciones, planificación y gestión de Reliability Growth

El módulo Reliability Growth admite varios enfoques innovadores que amplían los métodos tradicionales de crecimiento de la confiabilidad de manera que representan mejor las prácticas de prueba y las aplicaciones prácticas del mundo real.

El modelo Crow Extended le permite clasificar los modos de falla en función de si se solucionarán y cuándo. Esto le permite hacer proyecciones de crecimiento de la confiabilidad y evaluar la estrategia de administración del crecimiento de la confiabilidad.

Growth Planning Folio le ayuda a crear un plan de pruebas de crecimiento de fiabilidad en varias fases. Además, puede usar el modelo Crow Extended — Continuous Evaluation para analizar los datos de varias fases de prueba y crear un gráfico multifásico para comparar los resultados de las pruebas con los del plan. Esto ayudará a determinar si es necesario realizar ajustes en las fases de prueba posteriores para cumplir sus objetivos de confiabilidad.

Discrete Reliability Growth Planning Folio le permite desarrollar la estrategia general para los dispositivos de un solo uso.

El Mission Profile Folio lo ayuda a crear un plan de pruebas operativas equilibrado y a hacer un seguimiento de las pruebas reales en comparación con el plan para asegurarse de que los datos sean adecuados para el análisis del crecimiento de la confiabilidad.

El modelo de planificación MIL-HDBK-189 está disponible en el folio Planificación del crecimiento continuo.

Resultados, gráficos e informes del análisis de Reliability Growth

Para el análisis tradicional del crecimiento de la confiabilidad, puede calcular el MTBF, la intensidad de las fallas o la confiabilidad para un tiempo/etapa determinados. Puede determinar la cantidad de pruebas que se requerirán para demostrar un MTBF, una intensidad de falla o una confiabilidad específicos. Además, puede estimar el número esperado de errores para un tiempo o una etapa determinados. El módulo facilita la creación de una gama completa de gráficos y diagramas para presentar su análisis de forma gráfica.

Clasificaciones de modos de fallo y factores de eficacia

Si bien el análisis tradicional del crecimiento de la confiabilidad requiere la suposición de que todas las mejoras de diseño se incorporan antes del final de la prueba (test-fix-test), muchos escenarios de pruebas del mundo real también pueden incluir algunos modos de falla que no están corregidos y otros en los que algunas o todas las correcciones se retrasan hasta un momento posterior (test-fix-find-test o test-find-test). Con los modelos Crow Extended y Crow Extended — Continuous Evaluation, puede usar las clasificaciones de modos de falla para proporcionar el tratamiento de análisis adecuado para cualquiera de estas estrategias de administración. En el caso de las correcciones retrasadas, ambos modelos utilizan factores de eficacia para indicar en qué medida se reducirá la intensidad de los fallos de cada modo una vez que se haya implementado la corrección.

Análisis de sistemas reparables en campo

El módulo Reliability Growth brinda oportunidades para el análisis de sistemas reparables en campo. Análisis de sistemas reparables para analizar los datos de los sistemas reparables que funcionan en el campo en condiciones de uso típicas de los clientes. Dichos datos pueden obtenerse de un sistema de garantía, un depósito de reparaciones, pruebas operativas, etc. En concreto, puede utilizar los modelos Power Law o Crow-AMSAA (NHPP) para analizar sistemas que se pueden reparar partiendo del supuesto de que la reparación es mínima (es decir, el sistema está «tan mal como antes» después de cada reparación) y calcular una variedad de métricas útiles, que incluyen:

Tiempo de reparación óptimo para un coste de reparación y un coste de reacondicionamiento determinados
Fiabilidad condicional, MTBF o intensidad de fallo durante un tiempo determinado
Número esperado de errores para un tiempo determinado
Tiempo para una confiabilidad condicional, un MTBF o una intensidad de falla determinados
Cálculo de fallas esperadas de la flota para el número de fallas que se espera que ocurran en todos los sistemas en un tiempo específico

También puede utilizar el modelo Crow Extended para sistemas reparables sobre el terreno si desea evaluar la mejora (es decir, el salto en el tiempo medio entre fallos) que podría lograrse mediante la implementación de un conjunto de correcciones para todos los sistemas que funcionan sobre el terreno.

El diseño de pruebas de confiabilidad para sistemas reparables utiliza el modelo NHPP para determinar el tiempo de prueba requerido por sistema (o la cantidad de sistemas que deben probarse) a fin de demostrar un objetivo de confiabilidad específico, definido en términos de MTBF o intensidad de falla en un momento dado.
Perfiles de misión operativa para garantizar que las pruebas se apliquen de manera equilibrada, de modo que se obtengan datos adecuados para el análisis del crecimiento de la confiabilidad. Los folios de perfiles de misión pueden ayudarlo a crear un plan de pruebas operativas, hacer un seguimiento del uso esperado en comparación con el uso real de todos los perfiles de misión y verificar que se hayan realizado las pruebas. Le ayuda a agrupar automáticamente los datos en «puntos de convergencia» específicos para que el modelo de crecimiento se pueda aplicar de forma adecuada.

Simulación de Montecarlo

Cree conjuntos de datos que puedan analizarse directamente en una de las publicaciones estándar de Reliability Growth. También puede utilizar la utilidad SimuMatic® para analizar y trazar automáticamente los resultados de una gran cantidad de conjuntos de datos que se han creado mediante simulación. Estas herramientas de simulación integradas se pueden usar para realizar una amplia variedad de tareas de confiabilidad, como:

Diseño de pruebas de crecimiento de confiabilidad.
Obtención de límites de confianza basados en la simulación.
Experimentar con las influencias del tamaño de las muestras y los tipos de datos en los métodos de análisis.
Evaluar el impacto del tiempo de prueba asignado.

Main Menu

Main Menu

Main Menu

Main Menu

Main Menu

Main Menu

Main Menu

Main Menu

Características clave: Módulo de Reliability Growth

Explore la funcionalidad completa del módulo

Modelos de análisis de Reliability Growth

Tipos de datos sobre Reliability Growth

Datos sobre el tiempo transcurrido hasta el fallo

Datos discretos (también denominados datos de atributos, datos únicos o datos de éxito/fracaso)

Datos confiabilidad

Proyecciones, planificación y gestión de Reliability Growth

Resultados, gráficos e informes del análisis de Reliability Growth

Clasificaciones de modos de fallo y factores de eficacia

Análisis de sistemas reparables en campo

Simulación de Montecarlo

We have moved ${referer} to www.hbkworld.com

We have moved ${referer} to www.hbkworld.com

We have moved ${referer} to www.hbkworld.com

We have moved ${referer} to www.hbkworld.com

We have moved ${referer} to www.hbkworld.com

We haved moved ${referer} to www.hbkworld.com