دسترسي به منابع مقالات : توسعه مدل جدیدی برای پیش بینی قابلیت اعتماد محصولات بر اساس رویکرد بیز- قسمت ۹

R(t=100)=0/39

R(t=100)=0/41

R(t=100)=0/36

R(t=100)=0/45

داده‌ی سانسور شده

=۷۹۱۰α

=۲۵۱۳۲/۹α

=۱۶۹۶۳/۳α

=۲۳۴۴۹/۷α

=۱۵۲۴۱/۳α

=۲۸۶۵۵/۵α

R(t=100)=0/28

R(t=100)=0/67

R(t=100)=0/55

R(t=100)=0/65

R(t=100)=0/52

R(t=100)=0/71

نتایج بدست آمده

با توجه به برآوردهای بدست آمده بر اساس جدول ۴-۱ می‌توان نمودار قابلیت اعتماد محصول را بر اساس متغیر زمان رسم کرد. شکل ۴-۱۳ و ۴-۱۴ این نمودارها را برای دو حالت داده‌های کامل و سانسورشده نشان می‌دهند.
شکل ‏۴-۱۳- نمودار تغییرات قابلیت اعتماد بر اساس t برای حالت داده‌ی کامل مثال عددی
شکل ‏۴-۱۴- نمودار تغییرات قابلیت اعتماد بر اساس t برای حالت داده‌ی سانسور شده‌ی مثال عددی
در دو شکل فوق نمودار مشکی مربوط به پیش‌بینی قابلیت اعتماد محصول جدید بر اساس داده‌های خرابی محصولات گذشته است. نمودار زرد مربوط به حالتی است که پارامتر α بر اساس داده‌های خرابی چند ماهه‌ی محصول جدید و به روش حداکثر درستنمایی برآورد شده است. در نهایت نمودارهای سبز، قرمز، آبی و صورتی مربوط به حالتی است که پارامتر α به روش برآوردگر بیز بر اساس اطلاعات محصولات گذشته و همچنین داده‌های خرابی چند ماهه‌ی محصول جدید بدست آمده و به ترتیب متعلق به توزیع‌های پیشین نمایی، گاما، گامای معکوس و نرمال قطع شده می‌باشد. به عبارتی برای این نتایج ترکیبی از اطلاعات گذشته و فعلی در نظر گرفته شده است.
همان‌طور که از نتایج بخش ۴-۹ نیز بدست آمد، تفاوت قابل توجهی بین نمودارهای زرد و مشکی وجود دارد. بنابراین می‌توان به این نتیجه رسید که در نظر نگرفتن اطلاعات فعلی منجر به پیش‌بینی نادرستی از قابلیت اعتماد محصول خواهد شد.

بررسی جنبه‌های کاربردی مدل ارائه شده

همان‌طور که ملاحظه شد در این فصل به ارائه‌ی مدلی برای پیش‌بینی قابلیت اعتماد سیستم‌ها بر اساس رویکرد بیز پرداختیم. در قسمت قبل مثالی عددی ارائه شد و تمام آنچه در مورد مدل جدید مطرح شده بود در مورد آن بررسی کردیم و نتایج را در قالب نمودارهایی نشان دادیم. پیش‌بینی بر اساس اطلاعات قبلی در مورد محصولات گذشته و داده‌ها کمی که در ابتدای معرفی محصول جدید به بازار در اختیار است از دو جنبه دارای اهمیت می‌باشد. از یک دیدگاه این موضوع برای تولیدکننده محصول جدید اهمیت دارد چراکه با کمک این روش به پیش‌بینی‌های دقیق‌تری در مورد قابلیت اعتماد خواهد رسید. خصوصاً این موضوع در بحث ضمانت و قیمت‌گذاری محصول اهمیت ویژه پیدا می‌کند. از طرفی می‌توان اهمیت این موضوع را از دیدگاه مصرف‌کننده بررسی کرد. مصرف‌کننده نیز می‌تواند مقدار قابلیت اعتماد قطعه یا تجهیزی که به تازگی وارد بازار شده را براساس اطلاعات خود در مورد محصولات مشابه قبلی و داده‌های فعلی تجهیز جدید پیش‌بینی کرده و بر این اساس سیاست نگهداری و تعمیرات را اجرا کند. در این بخش دو دیدگاه فوق را به عنوان کاربرد مدل ارائه شده طی مثال‌هایی بررسی می‌کنیم. مثال اول مربوط به داده‌های کارخانه‌ی برنا باتری در مورد خرابی باتری ۶۶ آمپر خودروی سمند است که در آن اهمیت مدل ارائه شده از دید تولیدکننده مورد مطالعه قرار می‌گیرد. مثال دوم مربوط به لامپ روشنایی خیابان است که از دیدگاه مصرف‌کننده کاربرد این مدل را بررسی می‌کنیم.

مثال کاربردی از دیدگاه تولیدکننده

در این بخش داده‌های خرابی مربوط به باتری ۶۶ آمپر خودروی سمند از کارخانه‌ی باتری سازی به کار گرفته شده است [۳۷]. این داده‌ها مربوط به سه باتری قبلی این خودروست و بررسی‌ها نشان می‌دهد که طول عمر این نوع باتری از توزیع وایبال پیروی می‌کند. این باتری‌ها را به نام‌های باتری سری ۱، باتری سری ۲ و باتری سری ۳ درنظرمی‌گیریم و تابع توزیع برازش شده به آن‌ها با توجه به رابطه‌ی (۴-۵) به فرم زیر است
باتری سری ۱
باتری سری ۲
باتری سری ۳
بر این اساس و به کمک رابطه‌ی (۴-۶) مقدار میانگین زمان تا خرابی (MTTF) برای باتری سری ۱ برابر ۷۸/۲۶۶ روز، برای باتری سری ۲ برابر ۹۶/۳۰۲ روز و برای باتری سری ۳ برابر ۲۵/۴۴۵ روز است.
در حال حاضر کارخانه نوع جدیدی از این باتری را تولیدکرده و درصدد برطرف کردن عیوب باتری‌های قبلی بوده به طوری‌که میانگین مدت زمان تا خرابی (MTTF) افزایش یابد و یا به صورت کلی‌تر قابلیت اعتماد محصول بیشتر شود. تعداد ۲۰ عدد از این باتری‌های جدید مورد استفاده قرار گرفته است. این داده‌ها دارای سانسور زمان است، به عبارتی زمان تا خرابی ۵ عدد از آن‌ها بدست آمده و مطالعه‌ی ۱۵تای باقیمانده در t=300 روز متوقف شده است. فرض بر این است که با توجه به اطلاعات قبلی پارامتر β توزیع وایبال دارای مقدار ثابت ۸/۲ باشد. همچنین فرض می‌کنیم پارامتر α دارای مقدار مشخصی نبوده و به صورت متغیر تصادفی درنظرگرفته می‌شود. بنابراین با توجه به داده‌های باتری‌های قبلی و نظر متخصص، توزیع پیشین پارامتر α، توزیع گاما با پارامترهای κ=۱/۸۴۶ و γ=۱۰۳۵۴۹۷۳ فرض می‌شود.
بعد از معرفی مسئله و جمع‌آوری داده‌های مورد نظر نوبت به تخمین پارامتر α برای محصول جدید این کارخانه و همچنین برآورد قابلیت اعتماد باتری جدید می‌رسد. این موضوع برای مدیر اهمیت بسزایی دارد چراکه با توجه به آن می‌تواند روند انتخاب سیاست‌ ضمانت و قیمت‌گذاری محصول را دقیق‌تر انجام دهد و به لحاظ هزینه‌ای این بحث مورد توجه خاص مدیر است.

دانلود متن کامل این پایان نامه در سایت abisho.ir