Principais Características: Módulo de crescimento de confiabilidade

Explore toda a funcionalidade do módulo

Reliability Growth Modelos de análise
Reliability Growth Tipos de dados
Reliability Growth Projeções, planejamento e gerenciamento

Resultados, gráficos e relatórios de análise de crescimento de confiabilidade
Classificações de modos de falha e fatores de eficácia

Análise de sistemas reparáveis em campo
Simulação de Monte Carlo

Reliability Growth Modelos de análise

O módulo de Crescimento de Confiabilidade suporta todos os modelos tradicionais de análise de crescimento de confiabilidade, como Crow-AMSAA (NHPP), Duane, Gompertz Padrão e Modificado, Lloyd-Lipow e Logístico.

Tipos de dados de crescimento de confiabilidade

Dados de tempos até a falha

Quando você tem dados de testes de desenvolvimento em que os sistemas foram operados continuamente até a falha, você pode usar os modelos Crow-AMSAA (NHPP) ou Duane. O módulo oferece uma escolha de tipos de dados para tempos de falha individuais ou agrupados, e para combinar dados de múltiplos sistemas idênticos. Isso pode incluir situações em que todos os sistemas operam simultaneamente, você registrou os tempos de operação exatos para os sistemas falhados e não falhados ou registrou a data do calendário para cada falha, para que você possa estimar os tempos de operação dos sistemas não falhados com base na taxa média de uso diário para o período de tempo relevante.

Com o modelo Crow-AMSAA (NHPP), existem opções de análise adicionais para certas situações, como análise de lacunas (se você acredita que alguma parte dos dados é errônea ou está faltando) ou mudança de inclinação (se uma mudança significativa no design do sistema ou no ambiente operacional causou uma mudança significativa na intensidade de falhas observada durante os testes).

Dados discretos (também chamados de dados de atributo, um único teste ou dados de sucesso/falha)

Quando você tem dados de testes de crescimento de confiabilidade de um único teste (passar/falhar) (e dependendo do tipo de dado), o módulo suporta modelos de dados mistos que podem ser usados com os modelos Crow Extended e Crow Extended-Continuous Evaluation. Para dados discretos, há uma escolha de tipos de dados que podem lidar com testes em que um único teste é realizado para cada configuração de design, múltiplos testes por configuração ou uma combinação de ambos. O módulo também suporta Desconto de Falhas, se você registrou os modos de falha específicos de testes sequenciais de um único teste.

Dados de confiabilidade

Quando você simplesmente deseja analisar os valores de confiabilidade calculados para diferentes tempos/fases dentro dos testes de desenvolvimento, pode usar os modelos Gompertz Padrão, Gompertz Modificado, Lloyd-Lipow ou Logístico.

Reliability Growth Projeções, planejamento e gerenciamento

O módulo de Crescimento de Confiabilidade suporta várias abordagens inovadoras que expandem os métodos tradicionais de crescimento de confiabilidade de maneiras que representam melhor as práticas de teste do mundo real e aplicações práticas.

O modelo Crow Extended permite classificar modos de falha com base em se e quando eles serão corrigidos. Isso permite que você faça projeções de crescimento de confiabilidade e avalie a estratégia de gerenciamento de crescimento de confiabilidade.

O Folio de Planejamento de Crescimento ajuda você a criar um plano de teste de crescimento de confiabilidade em múltiplas fases. Além disso, você pode usar o modelo Crow Extended – Avaliação Contínua para analisar dados de múltiplas fases de teste e criar um Gráfico de Múltiplas Fases para comparar seus resultados de teste com o plano. Isso ajudará a determinar se é necessário fazer ajustes nas fases de teste subsequentes para atender às suas metas de confiabilidade.

O folio de Planejamento de Crescimento de Confiabilidade Discreta permite que você desenvolva a estratégia geral para dispositivos de um único teste.

O Folio de Perfil de Missão ajuda você a criar um plano de teste operacional equilibrado e acompanhar os testes reais em relação ao plano para garantir que os dados sejam adequados para análise de crescimento de confiabilidade.

Um modelo de planejamento MIL-HDBK-189 está disponível no folio de Planejamento de Crescimento Contínuo.

Resultados, gráficos e relatórios de análise de crescimento de confiabilidade

Para análise tradicional de crescimento de confiabilidade, você pode calcular o MTBF, a intensidade de falhas ou a confiabilidade para um determinado tempo/fase. Você pode determinar a quantidade de testes que será necessária para demonstrar um MTBF, intensidade de falhas ou confiabilidade especificados. Além disso, você pode estimar o número esperado de falhas para um determinado tempo/fase. O módulo facilita a criação de uma gama completa de gráficos e diagramas para apresentar sua análise graficamente.

Classificações de modos de falha e fatores de eficácia

Embora a análise tradicional de crescimento de confiabilidade exija a suposição de que todas as melhorias de design são incorporadas antes do final do teste (teste-corrigir-teste), muitos cenários de teste do mundo real também podem incluir alguns modos de falha que não são corrigidos, e outros onde algumas ou todas as correções são adiadas até um momento posterior (teste-corrigir-encontrar-teste ou teste-encontrar-teste). Com os modelos Crow Estendido e Crow Estendido – Avaliação Contínua, você pode usar Classificações de Modos de Falha para fornecer o tratamento de análise apropriado para qualquer uma dessas estratégias de gerenciamento. Para correções atrasadas, ambos os modelos usam Fatores de Eficácia para indicar quanto a intensidade de falha de cada modo será reduzida uma vez que a correção tenha sido implementada.

Análise de sistemas reparáveis em campo

O módulo de Crescimento de Confiabilidade oferece oportunidades para análise de sistemas reparáveis em campo. Análise de sistemas reparáveis para analisar dados de sistemas reparáveis operando em campo sob condições típicas de uso do cliente. Esses dados podem ser obtidos de um sistema de garantia, depósito de reparo, testes operacionais, etc. Especificamente, você pode usar a Lei do Poder ou os modelos Crow-AMSAA (NHPP) para análise de sistemas reparáveis com base na suposição de reparo mínimo (ou seja, o sistema está "tão ruim quanto o antigo" após cada reparo) para calcular uma variedade de métricas úteis, incluindo:

Tempo de revisão ótimo para um determinado custo de reparo e custo de revisão
Confiabilidade condicional, MTBF ou intensidade de falha para um determinado tempo
Número esperado de falhas para um determinado tempo
Tempo para uma determinada confiabilidade condicional, MTBF ou intensidade de falha
Cálculo de falhas esperadas da frota para o número de falhas que se espera ocorrer para todos os sistemas em um tempo especificado

Você também pode usar o modelo Crow Estendido para sistemas reparáveis em campo se quiser avaliar a melhoria (ou seja, o aumento no MTBF) que poderia ser alcançada ao implementar um conjunto de correções para todos os sistemas operando em campo.

O design de teste de confiabilidade para sistemas reparáveis usa o modelo NHPP para determinar o tempo de teste necessário por sistema (ou o número de sistemas que devem ser testados) a fim de demonstrar uma meta de confiabilidade especificada, definida em termos de MTBF ou intensidade de falha em um determinado tempo.
Perfis de missão operacional para garantir que os testes sejam aplicados de maneira equilibrada que produza dados adequados para análise de crescimento de confiabilidade. Os folhetos de Perfil de Missão podem ajudá-lo a criar um plano de teste operacional, acompanhar o uso esperado vs. real para todos os perfis de missão e verificar se os testes foram realizados. Isso ajuda você a agrupar automaticamente os dados em "pontos de convergência" especificados para que o modelo de crescimento possa ser aplicado adequadamente.

Simulação de Monte Carlo

Crie conjuntos de dados que podem ser analisados diretamente em um dos folhetos padrão do Crescimento de Confiabilidade. Você também pode usar a ferramenta SimuMatic® para analisar e plotar automaticamente resultados de um grande número de conjuntos de dados que foram criados via simulação. Essas ferramentas de simulação integradas podem ser usadas para realizar uma ampla variedade de tarefas de confiabilidade, como:

Projetando testes de crescimento de confiabilidade.
Obtendo limites de confiança baseados em simulação.
Experimentando as influências dos tamanhos de amostra e tipos de dados nos métodos de análise.
Avaliando o impacto do tempo de teste alocado.

Main Menu

Main Menu

Main Menu

Main Menu

Find Your Sensor

Principais Características: Módulo de crescimento de confiabilidade

Explore toda a funcionalidade do módulo

Reliability Growth Modelos de análise

Tipos de dados de crescimento de confiabilidade

Dados de tempos até a falha

Dados discretos (também chamados de dados de atributo, um único teste ou dados de sucesso/falha)

Dados de confiabilidade

Reliability Growth Projeções, planejamento e gerenciamento

Resultados, gráficos e relatórios de análise de crescimento de confiabilidade

Classificações de modos de falha e fatores de eficácia

Análise de sistemas reparáveis em campo

Simulação de Monte Carlo

Transferimos ${referer} para www.hbkworld.com

Transferimos ${referer} para www.hbkworld.com

Transferimos ${referer} para www.hbkworld.com

Transferimos ${referer} para www.hbkworld.com

Transferimos ${referer} para www.hbkworld.com