BR102015016975A2

BR102015016975A2 - método para computar várias falhas projetadas de produtos que tem múltiplas partes, sistema para computar várias falhas projetadas de produtos que tem múltiplas partes, meio legível por computador não transitório, e programa de computador

Info

Publication number: BR102015016975A2
Application number: BR102015016975A
Authority: BR
Inventors: Shroff Gautam; Singh Karamjit; Agarwal Puneet
Original assignee: Tata Consultancy Services Ltd
Priority date: 2014-07-15
Filing date: 2015-07-15
Publication date: 2017-04-25
Also published as: JP2016021241A; US20160019567A1; AU2015204320A1; JP6641112B2; EP2975564A1; CA2897308A1

Abstract

método para computar várias falhas projetadas de produtos que tem múltiplas partes, sistema papa computar várias falhas projetadas de produtos que tem múltiplas partes, meio legível por computador não transitório, e programa de computador. trata-se da estimativa de custos de garantia de produtos que têm múltiplas partes. em uma implantação, um indicativo de dados de falha de parte de vários ciclos no qual cada uma das partes falha em um primeiro período de tempo predefinido e após o mesmo é determinado. os dados de sensor e dados de registro de serviço são obtidos para determinar os dados de ocorrência de dtc e dados de observância de dtc. os dados de ocorrência de dtc e os dados de observância de dtc são indicativos de vários ciclos nos quais cada dtc associados com cada uma das partes ocorre e é observada pela primeira vez no primeiro período de tempo predefinido, respectivamente. os parâmetros de dependência entre os dados de falha de parte, os dados de ocorrência de dtc e os dados de observância de dtc são identificados com base na rede bayesiana que representa relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de dtc e os dados de observância de dtc. as várias falhas de produtos em um segundo período de tempo predefinido são computadas com base nos parâmetros de dependência para estimar o custo de garantia.

Description

MÉTODO PARA COMPUTAR VÁRIAS FALHAS PROJETADAS DE PRODUTOS QUE TEM MÚLTIPLAS PARTES, SISTEMA PARA COMPUTAR VÁRIAS FALHAS PROJETADAS DE PRODUTOS QUE TEM MÚLTIPLAS PARTES, MEIO LEGÍVEL POR COMPUTADOR NÃO TRANSITÓRIO, E PROGRAMA DE COMPUTADOR

CAMPO DA TÉCNICA

[001] O presente pedido reivindica a prioridade do Pedido de Patente Provisório n- IN 2311/MUM/2014, depositado no dia 15 de julho de 2014, cuja totalidade é incorporada ao presente documento a título de referência.

[002] O presente pedido também reivindica o benefício do Pedido de Patente Completo após o Pedido de Patente Provisório n- IN 2311/MUM/2014, depositado no dia 12 de novembro de 2014, cuja totalidade é incorporada ao presente documento a título de referência.

[003] A presente matéria refere-se em geral a computar um número projetado de falhas de produtos que são múltiplas partes, e estimativa de custo de garantia com base no número projetado de falhas dos produtos então computados e, em particular, mas não exclusivamente, à estimativa de custo de garantia com o uso de uma rede bayesiana.

ANTECEDENTES

[004] Atualmente, quando os consumidores compram um produto, os fabricantes do produto geralmente concordam em reembolsar os consumidores ou substituir o produto, no caso de falha do produto em uma duração especificada de tempo. Por exemplo, os fabricantes podem ser responsáveis por reembolsar o consumidor ou substituir o produto, no caso de o produto falhar em um período de tempo específico a partir dos dados de compra do produto. Tal contrato ou acordo é chamado de garantia. As organizações ou os fabricantes de produtos geralmente investem recursos a fim de garantir uma estimativa precisa de custos de garantia associados aos produtos.

[005] Geralmente, empresas de fabricação de produtos de múltiplas partes estimam custos de garantia associados aos produtos a fim de preparar o orçamento anual. Entretanto, existem vários fatores que afetam os custos de garantia e, portanto, a tarefa de estimativa de custos de garantia é complicada. A estimativa incorreta dos custos de garantia pode levar à subestimativa e à superestimativa de custos de garantia.

[006] Os custos de garantia são estimados tipicamente com base nos fatores, tais como número de produtos asseguráveis, número projetado de falhas ou taxa de falha de produtos e custo por falha. A precisão de custos de garantia estimados depende da precisão com que o número projetado de falhas de produtos pode ser determinado. Quanto maior a precisão com que o número projetado de falhas de produtos é determinado, maior é a precisão de custos de garantia estimados.

[007] As metodologias convencionais para determinar um número projetado de falhas de produtos utilizam dados de falha de parte anteriores de produtos. Os dados de falha de parte anteriores seguem uma distribuição de probabilidade, tal como distribuição log-normal e distribuição de Weibull. As metodologias convencionais utilizam dados de falha de parte anteriores e não consideram fatores associados à introdução de modelos mais novos de produtos e novas instalações de fabricação ou usinas para fabricação dos produtos, para determinar o número projetado de falhas de produtos. Consequentemente, a precisão do número projetado de falhas de produtos com base nas metodologias convencionais é substancialmente baixa. Como um resultado, a precisão da estimativa de custo de garantia é comprometida e, portanto, não pode ser considerado como confiável.

SUMÁRIO

[008] Um método para computar várias falhas projetadas de produtos que tem múltiplas partes é revelado. O método compreende determinar, por meio de um processador, dados de falha de parte. Os dados de falha de parte são indicativos de vários ciclos nos quais cada uma das partes falha em um primeiro período de tempo predefinido e após o mesmo. O método compreende adicionalmente determinar dados de ocorrência de código de problema diagnosticado (DTC) dos dados de sensor dos produtos. Os dados de ocorrência de DTC são indicativos de um número de ciclos nos quais um DTC associado a uma parte dos produtos ocorre pela primeira vez no primeiro período de tempo predefinido e em que o funcionamento de cada uma das múltiplas partes é diagnosticado com o uso dos DTCs associados a uma parte respectiva. O DTC é associado a um sintoma de problema na parte dos produtos. O método compreende adicionalmente determinar dados de observância de DTC a partir dos dados de registro de serviços dos produtos. Os dados de observância de DTC são indicativos de vários ciclos nos quais cada DTC associado a cada parte é observado pela primeira vez no primeiro período de tempo predefinido. O método compreende adicionalmente identificar, através do processador, parâmetros de dependência entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC, com base em uma rede bayesiana. A rede bayesiana representa relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC e em que os parâmetros de dependência são associados às relações probabilísticas. O método compreende adicionalmente computar, através do processador, o número projetado de falhas dos produtos em um segundo período de tempo predefinido com base nos parâmetros de dependência. O segundo período de tempo predefinido é indicativo de um período de tempo após o primeiro período de tempo predefinido. O método compreende adicionalmente estimar, através do processador, um custo de garantia dos produtos com base nas várias falhas projetadas dos produtos e um custo de substituição de parte dos produtos.

[009] Um sistema para computar um número projetado de falhas de produtos que têm múltiplas partes é revelado. O sistema compreende um processador e uma memória acoplada ao processador. O processador executa instruções legíveis por computador armazenadas na memória para determinar dados de falha de parte. Os dados de falha de parte são indicativos de vários ciclos nos quais uma das partes falha em um primeiro período de tempo predefinido e após o mesmo. O processador determina adicionalmente dados de ocorrência de DTC a partir dos dados de sensor dos produtos. Os dados de ocorrência de DTC são indicativos de um número de ciclos nos quais um DTC associado a uma parte dos produtos ocorre pela primeira vez no primeiro período de tempo predefinido e após o primeiro período de tempo predefinido. O processador determina adicionalmente dados de observância de DTC a partir dos dados de registro de serviços dos produtos. Os dados de observância de DTC são indicativos de um número de ciclos nos quais um DTC associado a uma parte dos produtos é observado pela primeira vez no primeiro período de tempo predefinido. O processador identifica adicionalmente parâmetros de dependência entre os dados de falha de parte, os dados de ocorrência de DTC e o dados de observância de DTC com base em uma rede bayesiana. A rede bayesiana representa relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC e em que os parâmetros de dependência são associados às relações probabilísticas. O processador computa adicionalmente um número de falhas projetadas dos produtos em um segundo período de tempo predefinido com base nos parâmetros de dependência, em que o segundo período de tempo predefinido é indicativo de um período de tempo após o primeiro período de tempo predefinido. O processador estima adicionalmente um custo de garantia dos produtos com base no número de falhas projetadas dos produtos e um custo de substituição de parte dos produtos.

[010] Um meio legível por computador não transitório que tem incorporado no mesmo um programa de computador para executar um método para computar um número projetado de falhas de produtos que têm múltiplas partes. O método compreende determinar os dados de falha de parte, em que os dados de falha de parte são indicativos de vários ciclos nos quais cada uma das partes falha em um primeiro período de tempo predefinido e após o mesmo. O método compreende adicionalmente determinar dados de ocorrência de DTC a partir dos dados de sensor dos produtos, em que os dados de ocorrência de DTC são indicativos de um número de ciclos nos quais cada DTC associado à cada parte ocorre pela primeira vez no primeiro período de tempo predefinido. O método compreende adicionalmente determinar dados de observância de DTC a partir dos dados de registro de serviços dos produtos. Os dados de observância de DTC são indicativos de vários ciclos nos quais cada DTC associado a cada parte é observado pela primeira vez no primeiro período de tempo predefinido. O método compreende adicionalmente identificar parâmetros de dependência entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC com base na rede bayesiana que representa as relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC e em que os parâmetros de dependência são associados às relações probabilísticas; e computam, pelo processador, um número de falhas projetadas dos produtos em uma segundo período de tempo predefinido com base nos parâmetros de dependência, em que o segundo período de tempo predefinido é indicativo de tempo após o primeiro período de tempo predefinido. O programa de computador compreende adicionalmente estimar um custo de garantia dos produtos com base no número de falhas projetadas dos produtos e custos de substituição de parte dos produtos.

BREVE DESCRIÇÃO DOS DESENHOS

[011] A descrição detalhada é descrita em referência às figuras anexas. Nas Figuras, o(s) dígito(s) mais à esquerda de um número de referência indentifica(m) a Figura na qual o número de referência aparece primeiro. Os mesmos números são usados durante os desenhos em referência à recursos e componentes similares.

[012] A Figura 1 ilustra um ambiente de rede que implanta um sistema de estimativa de custo de garantia para estimativa de custos de garantia, de acordo com uma implantação da presente matéria.

[013] A Figura 2 ilustra um ambiente de sistema para compilação de dados para estimativa de custos de garantia pelo sistema de estimativa de custo de garantia, de acordo com uma implantação da presente matéria.

[014] A Figura 3 ilustra um método para estimar custos de garantia, de acordo com uma implantação da presente matéria.

DESCRIÇÃO DETALHADA

[015] O sistema(s) e método(s) para estimativa de custo de garantia que usa rede bayesiana são descritos. O sistema(s) e método(s) podem ser implantados em uma variedade de dispositivos de computação, tais como computadores do tipo laptops, computadores do tipo desktops, estações de trabalho, computadores portáteis, computadores do tipo tablet, servidores e sistemas similares. Entretanto, uma pessoa versada na técnica compreenderá que as implantações da presente matéria não se limitam a qualquer sistema de computação, arquitetura ou dispositivo de aplicativo particular, como os mesmos podem ser adaptados em novos sistemas de computador e plataformas conforme os mesmos se tornam disponíveis.

[016] As empresas que fabricam produtos de múltiplas partes, por exemplo, aparelhos domésticos, equipamentos eletrônicos e automóveis, têm investido fortemente em estimativas precisas e efetivas de custos de garantia associados a tais produtos. Geralmente, as empresas de fabricação de produtos de múltiplas partes estimam custos de garantia a fim de preparar seu orçamento anual. Entretanto, existem vários fatores que afetam os custos de garantia associados aos produtos e, portanto, a tarefa de estimativa de custos de garantia é complicada e difícil. A estimativa incorreta dos custos de garantia pode incluir subestimativa e superestimativa de custos de garantia. A subestimativa de custo de garantia pode levar a diminuição de partes ou produtos no mercado, o que pode afetar negativamente a substituição de partes ou produtos quando os produtos falharem. Por outro lado, com a superestimativa de custos de garantia, o fabricante pode acabar mantendo capital extra para garantias, que poderia, de outro modo, ser usado em alguma outra área, tais como desenvolvimento e pesquisa.

[017] Os custos de garantia são estimados tipicamente com base nos fatores, tais como número de produtos asseguráveis, número projetado de falhas ou taxa de falha de produtos e custo por falha. A precisão de custos de garantia estimados depende da precisão com que o número projetado de falhas de produtos pode ser determinado. Quanto maior a precisão com que o número projetado de falhas de produtos é determinado, maior é a precisão de custos de garantia estimados.

[018] As metodologias convencionais de determinação do número projetado de falhas de produtos utilizam dados de falha de parte anteriores de produtos. Os dados de falha de parte anteriores são ditos a seguir uma distribuição de probabilidade, tal como distribuição lognormal e distribuição de Weibull. O número projetado de falhas de produtos pode ser determinado com base nos parâmetros associados à distribuição de probabilidade seguida por dados de falha de parte anteriores. Entretanto, as metodologias convencionais utilizam dados de falha de parte anteriores e não consideram fatores associados à introdução de modelos mais novos de produtos e novas instalações de fabricação ou usinas para fabricação dos produtos, para a determinação do número projetado de falhas de produtos. Visto que o número de falhas dos produtos mais novos ou dos produtos fabricados através de novas instalações de fabricação podem não seguir a distribuição de probabilidade dos dados de falha de parte anteriores dos modelos mais antigos de produtos, o número projetado de falhas determinado a partir dos dados de falha de parte anteriores pode não se relacionar corretamente ao número falhas de produtos mais novos ou dos produtos fabricados através de novas instalações de fabricação. Desse modo, a precisão do número projetado de falhas de produtos com base nas metodologias convencionais é substancialmente baixa. Como um resultado, a precisão da estimativa de custo de garantia é comprometida e, portanto, não pode ser considerado como confiável.

[019] Adicionalmente, as metodologias convencionais estimam parâmetros associados à distribuição de probabilidade seguido por dados de falha de parte anteriores em um modo por produto, isto é, que considera todo o produto como uma unidade. Geralmente, cada produto pode ser adicionalmente dividido em partes ou mais níveis granulares e cada parte pode ter diferentes taxas de falha. As metodologias convencionais não consideram taxas de falha em relação à parte enquanto determinação do número de falhas de produtos. Desse modo, as metodologias convencionais fornecem uma proposta ineficiente e imprecisa para estimativa de custos de garantia.

[020] A presente matéria descreve sistemas e métodos para estimar custos de garantia para produtos com múltiplas partes, também chamados de produtos de múltiplas partes. Os sistemas e os métodos da presente matéria fornecem uma estimativa aperfeiçoada de custos de garantia para produtos de múltiplas partes com base na computação do número projetado ou esperado de falhas de produtos com melhor precisão em comparação com os determinados convencionalmente.

[021] Com os sistemas e os métodos da presente matéria, os custos de garantia podem ser estimados para produtos de múltiplas partes nos quais o funcionamento de várias partes pode ser monitorado ou diagnosticado com o uso de sensores e um sistema de diagnóstico de bordo e para os quais o serviço pós-venda pode ser fornecido, separado da garantia. Os produtos de múltiplas partes podem incluir, mas não se restringem a, automóveis e eletrônicos e dispositivos de comunicação. O sistema de diagnóstico de bordo em tal produto pode registrar dados de sensor que compreendem um código de problema diagnosticado (DTC) para cada sintoma de problema ou falha que ocorra em qualquer uma das partes, se houver, detectado pelos sensores. Um ou mais DTCs únicos podem ser associados a uma parte, para diferentes sintomas de problema possíveis da parte. Cada DTC único pode ser para um único sintoma de problema possível da parte. Todos os DTCs associados a uma parte podem ocorrer quando a parte falha. Um ou mais DTCs associados a uma parte podem ocorrer antes da parte falhar.

[022] Pode ser entendido que os produtos para os quais o serviço pós-venda é fornecido podem ser levados a uma estação de serviço para uma verificação de serviço regular ou quando o produto ou uma parte no produto tenha falhado. Os sintomas de problema ou os DTCs para partes de um produto podem ocorrer entes da falha das partes e também antes do produto ser levado para a estação de serviço. Tais DTCs podem também ser observados durante o serviço do produto na estação de serviço. Os dados associados à ocorrência de DTCs nos produtos, antes dos produtos serem levados para a estação de serviço, podem ser referidos como dados de sensor ou dados de telediagnósticos dos produtos. Os dados associados à observância de DTCs nos produtos nas estações de serviço podem ser referidos como dados de estação de serviço ou dados de registro de serviços.

[023] Em uma implantação, os sistemas e os métodos da presente matéria facilitam uma computação aperfeiçoada do número de falhas de produtos por fusão de dados de falha de parte anteriores de produtos com informações adicionais, tais como dados de ocorrência de DTC determinados com base nos dados de sensor e dados de observância de DTC determinados com base nos dados de registro de serviços. Os sistemas e os métodos da presente matéria utilizam relações probabilísticas entre os dados de falha de parte anteriores, os dados de ocorrência de DTC e os dados de observância de DTC, a fim de computar um número esperado de falhas de produtos e, desse modo, estimar os custos de garantia de produtos com alta precisão. As relações probabilísticas entre os dados de falha de parte anteriores, os dados de ocorrência de DTC e os dados de observância de DTC podem ser regidas por dependências condicionais de ocorrência e observância de DTCs em uma taxa de falha de parte. Adicionalmente, a extensão de dependência condicional pode varia com o tempo, por exemplo, devido à introdução de modelos mais novos de produtos e alterações no número de unidades de produto vendidas. A fim de considerar a dependência condicional e o dinamismo correspondente da estimativa de custos de garantia, os sistemas e os métodos da presente matéria utilizam uma rede bayesiana para modelar a relações probabilísticas e as dependências condicionais entre os dados de falha de parte anteriores, os dados de ocorrência de DTC e os dados de observância de DTC. Os sistemas e os métodos da presente matéria identificam as dependências com base na rede bayesiana e usam as dependências identificadas para prever um número esperado de falhas de produtos com melhor precisão.

[024] Adicionalmente, visto que cada parte pode ter diferentes taxas de falha, os sistemas e os métodos da presente matéria podem determinar o número de falhas em um nível granular, isto é, em nível de parte, em vez de em um nível de produto a fim de melhorar a precisão como um todo da estimativa.

[025] Além disso, os sistemas e os métodos da presente matéria podem utilizar uma rede bayesiana com um nó de falha de parte ligado a um nó de ocorrência de DTC que por sua vez é ligado a um nó de observância de DTC. Essa rede bayesiana no presente documento segue um modelo que quando uma parte falha, um sintoma de problema em termos de DTC ocorre no produto. O proprietário do produto pode, então, levar o produto a uma estação de serviço, em que o DTC é observado. Em um exemplo, o nó de falha de parte é modelado com o uso da distribuição de Weibull e a ocorrência de DTC e os nós de observância de DTC são modelados com o uso de distribuições de Gaussian ou normal. Os parâmetros de tais distribuições podem ser utilizados para definir as dependências entre o nó de falha de parte, o nó de ocorrência de DTC e o nó de observância de DTC. O número de falha de produtos pode ser computado com base nos parâmetros de dependência e o custo de garantia dos produtos pode ser estimado com base no número computado de falhas dos produtos.

[026] Como pode ser percebido, a presente matéria integra os dados de falha de parte anteriores ao longo dos dados de ocorrência de DTC e dos dados de observância de DTC associados aos produtos para estimativa dos custos de garantia. Adicionalmente, visto que a análise é realizada em um modo em relação à parte, a precisão da estimativa de custos de garantia é melhorada. Todas as vantagens mencionadas acima levam a uma utilização otimizada de tempo e recursos, que podem também facilitar a redução do custo e esforços envolvidos. Portanto, os sistemas e os métodos da presente matéria fornecem uma abordagem exaustiva e compreensiva para uma estimativa de custo de garantia não dispendiosa, precisa e que economiza tempo.

[027] Essas e outras vantagens da presente matéria podem ser descritas em maiores detalhes em conjunto com as figuras a seguir. Enquanto os aspectos do(s) sistema(s) e do(s) método(s) descritos para estimativa de custo de garantia podem ser implantados em qualquer número de diferentes sistemas de computador, ambientes e/ou configurações, as implantações são descritas no contexto do sistema(s) exemplificativo a seguir.

[028] A Figura 1 ilustra um ambiente de rede 100 que implanta um sistema de estimativa de custo de garantia 102 para estimativa de custos de garantia de acordo com uma implantação da presente matéria. O sistema de estimativa de custo de garantia 102 a seguir é referido como o sistema 102. No ambiente de rede 100, o sistema 102 é conectado a uma rede 104. Adicionalmente, o sistema 102 é conectado a um banco de dados 106, em que o banco de dados 106 pode armazenar dados que podem ser utilizados para estimativa de custos de garantia pelo sistema 102. Adicionalmente, o ambiente de rede 100 inclui um ou mais dispositivos de usuário 108-1, 108-2...108-N, referidos coletivamente como dispositivos de usuário 108 e referidos individualmente como dispositivo de usuário 108, conectados à rede 104. Um usuário pode utilizar o dispositivo de usuário 108 para estimativa de custos de garantia através do sistema 102 .

[029] O sistema 102 pode ser implantado como um dispositivo de computação conectado à rede 104. Por exemplo, o sistema 102 pode ser implantado como estações de trabalho, computadores pessoais, computadores do tipo desktop, sistemas multiprocessadores, computadores do tipo laptops, computadores em rede, minicomputadores, servidores e similares. Além disso, o sistema 102 pode incluir múltiplos servidores para realizar tarefas espelhadas para usuários.

[030] Além disso, o sistema 102 pode ser conectado aos dispositivos de usuário 108 através da rede 104. Os exemplos dos dispositivos de usuário 108 incluem, mas não se limitam a computadores pessoais, computadores do tipo desktop, telefones inteligentes, PDAs e computadores do tipo laptops. As ligações de comunicação entre os dispositivos de usuário 108 e o sistema 102 são permitidas através de várias formas de conexões, por exemplo, através de conexões de modem discadas, ligações a cabo, linhas de assinante digital (DSL), ligações por satélite ou sem fio ou qualquer outra forma adequada de comunicação.

[031] Além disso, a rede 104 pode ser uma rede sem fio, uma rede com fio ou uma combinação das mesmas. A rede 104 pode também ser uma rede individual ou uma coleção de várias redes individuais interconectadas entre si e que funcionam como uma única grande rede, por exemplo, a internet ou uma intranet. A rede 104 pode ser implantada como um dos diferentes tipos de redes, tais como intranet, rede de área local (LAN), rede de área ampla (WAN), a internet e outros. A rede 104 pode tanto ser uma rede dedicada quanto uma rede compartilhada, que representa uma associação dos diferentes tipos de redes que usam uma variedade de protocolos, por exemplo, Protocolo de Transferência de Hipertexto (HTTP), Protocolo de Controle de Transmissão/Protocolo de Internet (TCP/IP), etc., para se comunicar entre si. Adicionalmente, a rede 104 pode incluir dispositivos de rede, tais como comutadores de rede, hubs, roteadores, adaptadores de barramento de host (HBAs), para fornecer uma ligação entre o sistema 102 e os dispositivos de usuário 108. Os dispositivos de rede na rede 104 podem interagir com o sistema 102 e o dispositivos de usuário 108 através de ligações de comunicação.

[032] Conforme mostrado, o sistema 102 inclui um ou mais processador(es) 110, interface(s) 112 e uma memória 114 acoplada ao processador 110. O processador 110 pode ser uma unidade de processamento única ou um número de unidades, todas as quais podem também incluir múltiplas unidades de computação. O processador 110 pode ser implantado como um ou mais microprocessadores, microcomputadores, microcontroladores, processadores de sinal digital, unidades de processamento central, máquinas de estado, circuitos lógicos e/ou quaisquer dispositivos que manipulam sinais com base em instruções operacionais. Entre outras capacidades, o processador 110 é configurado para buscar e executar instruções legíveis por computador e dados armazenados na memória 114.

[033] As interfaces 112 podem incluir uma variedade de interfaces de software e hardware, por exemplo, interface para dispositivo(s) periférico(s), tal como um teclado, um mouse, uma memória externa e uma impressora. Adicionalmente, as interfaces 112 podem permitir que o sistema 102 se comunique com outros dispositivos de computação, tais como servidores da web e repositores de dados externos, tais como o banco de dados 106, no ambiente de rede 100. As interfaces 112 podem facilitar múltiplas comunicações em uma ampla variedade de protocolos e redes, tais como a rede 104, que inclui redes com fio, por exemplo, LAN, cabo, etc. e redes sem fio, por exemplo, WLAN, celular, satélite, etc. As interfaces 112 podem incluir uma ou mais portas para conectar o sistema 102 a um número de dispositivos de computação.

[034] A memória 114 pode incluir qualquer meio legível por computador não transitório conhecido na técnica que inclui, por exemplo, memória volátil, tais como memória de acesso aleatório estático (SRAM) e memória de acesso aleatório dinâmico (DRAM) e/ou memória não volátil, tais como memória somente para leitura (ROM), ROM programável apagável, memórias flash, discos rígidos, discos ópticos e fitas magnéticas. O meio legível por computador não transitório, entretanto, exclui um sinal de propagação transitório.

[035] O sistema 102 também inclui módulo(s) 116 e dados 118. O(s) módulo(s) 116 inclui/incluem rotinas, programas, objetos, componentes, estruturas de dados, etc., que realizam tarefas particulares ou implantam tipos de dados abstratos particulares. Em uma implantação, o(s) módulo(s) 116 inclui/incluem um módulo de determinação de dados de falha de parte 120, um módulo de determinação de dados DTC 122, um estimador de custo de garantia 124 e outro módulo(s) 126. O módulo de determinação de dados de falha de parte 120, o módulo de determinação de dados DTC 122 e o estimador de custo de garantia 124 podem formar parte de um módulo de estimativa de custo de garantia no(s) módulo(s) 116. O(s) outro(s) módulo(s) 126 pode(m) incluir programas ou instruções codificadas que suplementam aplicativos e funções do sistema 102.

[036] Por outro lado, os dados 118, entre outras coisas, servem como um repositório para armazenar dados processados, recebidos e gerados por uma ou mais dentre o(s) módulo(s) 116. Os dados 118 incluem, por exemplo, dados de falha de parte 128, dados de DTC 130, parâmetros de dependência de rede bayesiana 132, dados de custo de garantia 134 e outros dados 136. Os dados de falha de parte 128, os dados de DTC 130, os parâmetros de dependência de rede bayesiana 132 e os dados de custo de garantia 134 podem formar parte de estimativa de dados de custo de garantia nos dados 118. Os outros dados 136 incluem dados gerados como um resultado da execução de um ou mais módulos no(s) módulo(s) 116 .

[037] A descrição a seguir descreve um procedimento exemplificativo de estimativa de custo de garantia de produtos que usam o sistema 102. No exemplo descrito no presente documento, os produtos são carros que têm múltiplas partes P e cada carro tem vários sensores e um sistema de diagnóstico de bordo para monitorar o funcionamento das múltiplas partes P. O sistema de diagnóstico de bordo em cada carro tem a capacidade de registrar códigos de problema diagnosticados (DTCs) para sintomas de falha ou de problema que ocorrem em qualquer uma das partes P, quando detectados pelos sensores. Os carros são fornecidos com serviço pós-venda nas estações de serviço. Embora a descrição no presente documento seja descrita em referência aos carros como os produtos; o procedimento pode ser aplicado para estimativa de custo de garantia de outros produtos que incluem eletrônicos e dispositivos de comunicação e outros, em que os produtos têm sensores e sistema de diagnóstico de bordo para registrar DTCs e os produtos podem ser levados para estações de serviço para reparo ou serviço.

[038] Adicionalmente, para os propósitos da descrição no presente documento, considerar que os dados são coletados em um primeiro período de tempo predefinido [T1, T2] para n carros indexados de 1 a n, em que cada carro tem m partes P1 a Pm. Em um exemplo, o primeiro período de tempo predefinido pode ser a partir do ano de 2008 (T1) até o ano de 2010 (T2). Cada parte Pj é associada a um conjunto de DTCs Djks como {Dj1, Dj2, Djr}, em que k = 1, 2, ... , r. Quando uma parte Pj falha, todos os DTCs Djks associados à parte Pj ocorrem e um ou mais DTCs associados a uma parte Pj podem ocorrer e podem ser observados antes da parte Pj falhar. Adicionalmente, os dados coletados podem incluir dados de falha de parte, dados de observância de DTC com base nos dados de registro de serviços e dados de ocorrência de DTC com base nos dados de sensor. Os dados de falha de parte são indicativos do número de ciclos nos quais cada parte Pj falha em um primeiro período de tempo predefinido e após o mesmo. Esses dados de falha de parte podem também se referir aos dados de falha de parte anteriores. Os dados de ocorrência de DTC são indicativos do número de ciclos nos quais cada DTC Djk associado a cada parte Pj ocorre pela primeira vez no primeiro período de tempo predefinido. Os dados de observância de DTC são indicativos do número de ciclos nos quais cada DTC Djk associado a cada parte Pj é observado pela primeira vez no primeiro período de tempo predefinido. O número de ciclos mencionado no presente documento pode ser definido em termos de tempo de operação do produto, por exemplo, em horas, dias ou meses ou definido em termos de distância de operação do produto, por exemplo, em quilômetros ou milhas. Para o exemplo de carros como os produtos, o número de ciclos pode ser em termos de quilômetros ou milhas.

[039] Em uma implantação, o módulo de determinação de dados de falha de parte 120 determina os dados de falha de parte. Em um exemplo, o módulo de determinação de dados de falha de parte 120 pode obter os dados de falha de parte do banco de dados 106 ou de um repositório de dados externo que podem armazenar tais dados e armazenar os mesmos nos dados de falha de parte 128. Na determinação dos dados de falha de parte, o módulo de determinação de dados de falha de parte 120 pode identificar, para cada parte Pj, um primeiro conjunto de carros Cj no qual a parte respectiva Pj falha pela primeira vez no primeiro período de tempo predefinido [T1, T2] . O primeiro conjunto de carros Cj pode incluir o índice de carros e é, desse modo definido como: . (1) em que i é o índice de um carro no qual a parte Pj falha no intervalo de tempo [T1, T2].

[040] O módulo de determinação de dados de falha de parte 120 pode identificar adicionalmente, para cada parte Pj e para cada DTC Djk associado à parte respectiva Pj, um segundo conjunto de carros C'jk no qual a parte respectiva Pj falha pela primeira vez após T2, mas o DTC Djk respectivo associado ocorre e é observado pela primeira vez no primeiro período de tempo predefinido [T1, T2]. O segundo conjunto de carros C'jk inclui um índice de carros e é, desse modo, definido como: ... (2) em que i é o índice de um carro no qual a parte Pj falha pela primeira vez após T2.

[041] O módulo de determinação de dados de falha de parte 120 pode identificar adicionalmente, para cada parte Pj, um primeiro conjunto de parte de falha Failj que inclui um número de ciclos nos quais a parte respectiva Pj falha pela primeira vez para cada carro no primeiro conjunto de carros Cj. Desse modo, o primeiro conjunto de parte de falha Failj é definido como: Failj = { pji : i e Cj}, ... (3) em que pji é o número de ciclos nos quais a parte Pj falha pela primeira vez no iésimo carro, em que i e Cj. Pode ser entendido que i é de {1, 2, ..., n} e j é de {1, 2, ..., m} .

[042] Adicionalmente, em uma implantação, o módulo de determinação de dados DTC 122 obtém dados de sensor dos produtos para determinar os dados de ocorrência de DTC a partir dos dados de sensor. Em um exemplo, o módulo de determinação de dados DTC 122 pode obter os dados de sensor a partir do banco de dados 106 ou de um repositório de dados externo que pode armazenar tais dados, determinar os dados de ocorrência de DTC a partir dos dados de sensor e armazenar os dados de ocorrência de DTC em dados de DTC 130. Na determinação dos dados de ocorrência de DTC a partir dos dados de sensor, o módulo de determinação de dados DTC 122 pode determinar, para cada parte Pj e para cada DTC Djk associado à parte respectiva Pj, um primeiro conjunto de ocorrência de DTC Indjk que inclui um número de ciclos nos quais o respectivo DTC Djk associado à parte respectiva Pj ocorre pela primeira vez para cada carro no primeiro conjunto de carros Cj. Desse modo, o primeiro conjunto de ocorrência de DTC Indjk pode ser definido como: ... (4) em que djki é o número de ciclos nos quais o DTC Djk associado à parte Pj ocorre pela primeira vez no iésimo carro, em que i e Cj.

[043] O módulo de determinação de dados DTC 122 pode determinar adicionalmente, para cada parte Pj e para cada DTC Djk associado à parte respectiva Pj, um segundo conjunto de ocorrência de DTC Ind'jk que inclui um número de ciclos nos quais o respectivo DTC Djk associado à parte respectiva Pj ocorre pela primeira vez para cada carro no segundo conjunto de carros C'jk. Desse modo, o segundo conjunto de ocorrência de DTC Ind'jk pode ser definido como: ... (5) em que d'jki é o número de ciclos nos quais o DTC Djk associado à parte Pj ocorre pela primeira vez no iésimo carro, em que i e C'jk.

[044] Adicionalmente, em uma implantação, o módulo de determinação de dados DTC 122 obtém dados de registro de serviços dos produtos para determinar os dados de observância de DTC a partir dos dados de registro de serviços. Em um exemplo, o módulo de determinação de dados DTC 122 pode obter os dados de registro de serviços a partir do banco de dados 106 ou de um repositório de dados externo que pode armazenar tais dados, determinar os dados de observância de DTC a partir dos dados de registro de serviços e armazenar os dados de observância de DTC nos dados de DTC 130. Na determinação dos dados de observância de DTC a partir dos dados de registro de serviços, o módulo de determinação de dados DTC 122 pode determinar, para cada parte Pj e para cada DTC Djk associado à parte respectiva Pj, um primeiro conjunto de observância de DTC Servjk que inclui um número de ciclos nos quais o respectivo DTC Djk associado à parte respectiva Pj é observado pela primeira vez para cada carro no primeiro conjunto de carros Cj . Desse modo, o primeiro conjunto de observância de DTC Servjk pode ser definido como: ... (6) em que sjki é o número de ciclos nos quais o DTC Djk associado à parte Pj é observado pela primeira vez no iésimo carro, em que i e Cj.

[045] O módulo de determinação de dados DTC 122 pode determinar adicionalmente, para cada parte Pj e para cada DTC Djk associado à parte respectiva Pj, um segundo conjunto de observância de DTC Serv'jk que incluem um número de ciclos nos quais o respectivo DTC Djk associado à parte respectiva Pj é observado pela primeira vez para cada carro no segundo conjunto de carros C'jk. Desse modo, o segundo conjunto de observância de DTC Serv'jk pode ser definido como: ... (7) em que s'jki é o número de ciclos nos quais o DTC Djk associado à parte Pj é observado pela primeira vez no iésimo carro, em que i e C'jk.

[046] Em um exemplo, pji, djki e sjki dos conjuntos Failj, Indjk e Servjk, respectivamente, satisfazem as relações a seguir: ... (8) [047] Em um exemplo, cada uma das partes Pj e o DTCs Djks associados podem ter alguma dependência. Alguns dos exemplos de tais dependências são os seguintes: 1) DTC Djk sempre ocorre, aproximadamente dois meses antes da falha de parte; 2) DTC Djk que ocorre antes da falha de parte real, segue alguma distribuição de probabilidade.

[048] Em uma implantação, o estimador de custo de garantia 124 identifica o parâmetro de dependência entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC. Essa identificação tem como base a rede bayesiana que representa relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC. Os parâmetros de dependência são associados às relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC. A rede bayesiana combina a teoria de probabilidade bayesiana e a noção de dependência condicional para representar as dependências entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC.

[049] Para identificação dos parâmetros de dependência, o estimador de custo de garantia 124 pode determinar as funções de distribuição de probabilidade que são seguidas, respectivamente, pelo primeiro conjunto de parte de falha Failj, pelo primeiro conjunto de ocorrência de DTC Indjk, pelo segundo conjunto de ocorrência de DTC Ind'jk, pelo primeiro conjunto de observância de DTC Servjk e pelo segundo conjunto de observância de DTC Serv'jk.

[050] Em um exemplo, o primeiro conjunto de parte de falha Failj ou os valores fj de Failj, seguem a distribuição de Weibull com um parâmetro de formato como βj e um parâmetro de escala como aj . Desse modo, os valores fj de Failj podem ser definidos como: fj ~ Weibull (aj, βj). ... (9) No presente documento o parâmetro de escala aj segue uma distribuição uniforme com um limite inferior igual a 0 e um limite superior igual a a > 0 e o parâmetro de formato βj segue uma distribuição uniforme com um limite inferior igual a 0 e um limite superior igual a b > 0.

[051] Em um exemplo, o primeiro conjunto de ocorrência de DTC Indjk ou os valores ijk no mesmo, seguem uma distribuição normal com uma média dependente dos dados de falha de parte, isto é, dos valores fj de Failj. Os valores ijk do primeiro conjunto de ocorrência de DTC Indjk seguem uma distribuição normal com uma média igual a fj - fj x rjk e um desvio padrão igual a σ^. Desse modo, os valores ijk de Indjk podem ser definidos como: ijk ~ distribuição normal (fj - fj x rjk, σ^) , ... (10) em que fj representa os valores do conjunto Failj, rjk segue uma distribuição uniforme com um limite inferior igual a r1 > 0 e um limite superior igual a r2 > 0 e σ^ segue uma distribuição uniforme com um limite inferior igual a 0 e um limite superior igual a c1 > 0.

[052] De modo similar, o segundo conjunto de ocorrência de DTC Ind'jk ou os valores i'jk no mesmo, segue uma distribuição normal similar àquela seguida pelos valores ijk do primeiro conjunto de ocorrência de DTC Indjk.

[053] Em um exemplo, o primeiro conjunto de observância de DTC Servjk ou os valores sjk no mesmo, segue uma distribuição normalizada com uma média dependente dos dados de falha de parte, isto é, os valores fj de Failj e dos dados de ocorrência de DTC, isto é, os valores ijk de Indjk. Os valores sjk do primeiro conjunto de observância de DTC Servjk seguem uma distribuição normal com uma média igual a (fj - ijk) x mjk + ijk e um desvio padrão igual a σ^. Desse modo, os valores sjk de Servjk podem ser definidos como: Sjk ~ distribuição normal ((fj - ijk) x mjk + ijk, σ2^), ... (11) em que fj representa os valores do conjunto Failj, ijk representa os valores do conjunto Indjk, mjk segue uma distribuição uniforme com um limite inferior igual a 0 e um limite superior igual a 1 e σ^ segue uma distribuição uniforme com um limite inferior igual a 0 e um limite superior igual a c2 > 0.

[054] De modo similar, o segundo conjunto de observância de DTC Serv'jk ou os valores s'jk no mesmo, seguem uma distribuição normal similar àquela seguida pelos valores sjk do primeiro conjunto de observância de DTC Servjk.

[055] De acordo com o exemplo descritas no presente documento, os parâmetros de dependência são identificados com base na: (1) média e variância de distribuições normais para o primeiro conjunto de ocorrência de DTC Indjk e para o segundo conjunto de ocorrência de DTC Ind'jk; e (2) média e variância de distribuições normais para o primeiro conjunto de observância de DTC Servjk e para o segundo conjunto de observância de DTC Serv'jk. No exemplo descrito no presente documento, os parâmetros de dependência ~ 1 2 são rj^ σ j^ mjk e σ jk.

[056] Adicionalmente, o sistema 102 pode computar o número de falhas de carros em um segundo período de tempo predefinido [T3, T4] para diferentes cenários. O segundo período de tempo predefinido [T3, T4] é indicativo de tempo após o primeiro período de tempo predefinido [T1, T2] . Em um exemplo, se o primeiro período de tempo predefinido for do ano de 2008 (T1) até o ano de 2010 (T2), então, o segundo período de tempo predefinido pode ser do ano de 2011 (T3) até o ano de 2013 (T4) . No primeiro cenário, o sistema 102 pode utilizar os dados de falha de parte, isto é, o primeiro conjunto de parte de falha Failj e os dados de observância de DTC, isto é, o primeiro e o segundo conjuntos de observância de DTC Servjk e Serv'jk, para computar o número de falhas de carros no segundo período de tempo predefinido [T3, T4]. No segundo cenário, o sistema 102 pode utilizar os dados de falha de parte, isto é, o primeiro conjunto de parte de falha Failj, os dados de ocorrência de DTC, isto é, o primeiro e o segundo conjuntos de ocorrência de DTC Indjk e Ind'jk e os dados de observância de DTC, isto é, o primeiro e o segundo conjuntos de observância de DTC Servjk e Serv'jk, para computar o número de falhas de carros no segundo período de tempo predefinido [T3, T4]. Em uma implantação, os dados associados ao número de falhas de carros podem ser armazenados nos dados de custo de garantia 134.

[057] De acordo com o primeiro cenário, com o uso dos valores fj de Failj e dos valores sjk de Servjk nas funções de distribuição de probabilidade descritas acima, o estimador de custo de garantia 124 pode aprender os valores de ijk, rjk, σ^, mjk e σ^. Adicionalmente, com o uso dos valores aprendidos de ijk, rjk, σ jk, mjk e σ jk e com o uso dos valores s'jk de Serv'jk nas funções de distribuição de probabilidade descritas acima, o estimador de custo de garantia 124 pode aprender os valores de f'jk como um segundo conjunto de falha de parte Fail'jk. O segundo conjunto de falha de parte Fail'jk é um indicativo de ciclos nos quais a parte respectiva Pj falha pela primeira vez após o primeiro período de tempo predefinido.

[058] Então, o estimador de custo de garantia 124 determina um conjunto união para cada parte Pj com base na união do primeiro conjunto de parte de falha Failj e no segundo conjunto de falha de parte Failj na parte respectiva Pj. Desse modo, o conjunto união é definido como: ... (12) Deve ser observado que Failj Π Fail'j,k é um conjunto nulo.

[059] Adicionalmente, com o uso do Failj nas funções de distribuição de probabilidade descritas acima, o estimador de custo de garantia 124 pode aprender ajnew, βjnew. Subsequentemente, o estimador de custo de garantia 124 pode determinar a probabilidade de falha da parte Pj no [T3, T4] com base na: (13) [060] Adicionalmente, o estimador de custo de garantia 124 pode computar o número de falhas dos carros no período de tempo [T3, T4] como: (14) em que j = 1 para m e i = 1 para n.

[061] De acordo com o segundo cenário, com o uso dos valores fj de Failj, os valores ijk de Indjk e os valores sjk de Servjk nas funções de distribuição de probabilidade descritas acima, o estimador de custo de garantia 124 pode aprender os valores de rjk, σ^, mjk e σ^. Adicionalmente, com o uso dos valores aprendidos de rjk, σ^, mjk e σ2jk e com o uso dos valores i'jk de Ind'jk e dos valores s'jk de Serv'jk nas funções de distribuição de probabilidade descritas acima, o estimador de custo de garantia 124 pode aprender os valores de f'jk como um segundo conjunto de falha de parte Fail'jk. O segundo conjunto de falha de parte Failj é indicativo do número de ciclos nos quais a parte respectiva Pj falha pela primeira vez após o primeiro período de tempo predefinido.

[062] Então, o estimador de custo de garantia 124 determina um conjunto união para cada parte Pj com base na união do primeiro conjunto de parte de falha Failj e do segundo conjunto de falha de parte Failj na parte respectiva Pj. Desse modo, o conjunto união é definido como: ... (15) Deve ser observado que Failj Π Fail'j,k é um conjunto nulo.

[063] Adicionalmente, com o uso do Failj nas funções de distribuição de probabilidade descritas acima, o estimador de custo de garantia 124 pode aprender ajnew, βjnew. Subsequentemente, o estimador de custo de garantia 124 pode determinar a probabilidade de falha da parte Pj no [T3, T4] com base na: (16) [064] Adicionalmente, o estimador de custo de garantia 124 pode computar o número de falhas dos carros no período de tempo [T3, T4] como: .. (17) em que j = 1 para m e i = 1 para n.

[065] Em uma implantação, o estimador de custo de garantia 124 pode aprender os parâmetros de dependência e outros valores com o uso de uma técnica, tal como técnica de estimativa de verossimilhança, técnica de maximização de expectativa (EM) ou técnica de Monte Carlo em Cadeias de Marcov (MCMC). Em uma implantação, os parâmetros de dependência podem ser armazenados nos parâmetros de dependência de rede bayesiana 132.

[066] Após isso, o estimador de custo de garantia 124 estima o custo de garantia de carros no segundo período de tempo predefinido com base no número computado de falhas de carros e no custo de substituição de parte. O custo de substituição de parte pode também ser referido como o custo por falha. Em um exemplo, o custo de garantia de carros pode ser igual ao número computado de falhas de carros multiplicado pelo custo por falha. Em uma implantação, os dados associados ao custo de garantia estimado podem ser armazenados nos dados de custo de garantia 134.

[067] Em um exemplo, outro custo, ou seja, um custo de penalidade, pode ser incorrido nos termos de insatisfação de cliente para as partes que falham após o período de garantia ter acabado. Esse custo de penalidade associado às partes pode diminuir com o tempo. Para isso, o estimador de custo de garantia 124 pode determinar as partes que falham antes do período de garantia. O custo de garantia da jésima parte Pj com um período de garantia de wj pode ser definido como: [068] (custo de garantia)j = Rj Fj(wj) + Rj b e- cwj (1 - F(wj) ... (18) em que b e c > 0, F(wj) é uma fração de jésimas partes que falham antes do período de garantia wj e Rj é o custo por falha da parte Pj.

[069] A Figura 2 ilustra um ambiente de sistema 200 para compilação de dados para estimativa de custos de garantia pelo sistema de estimativa de custo de garantia 102, de acordo com uma implantação da presente matéria. Por uma questão de simplicidade, um produto 202 e uma estação de serviço 204 são ilustradas na Figura 2. Em uma implantação, o ambiente de sistema 200 pode incluir múltiplos produtos e múltiplas estações de serviço. Conforme mostrado, o produto 202 inclui sensores 206 e um sistema de diagnóstico de bordo 208 para monitorar o funcionamento de várias partes no produto 2 02 e para registrar os DTCs que podem ocorrer no caso de um sintoma de falha ser detectado em qualquer uma das partes no produto 202. Quando o produto 202 é levado para a estação de serviço 204, os dados de sensor podem ser coletados na estação de serviço 204 para determinar dados associados à ocorrência dos DTCs, isto é, os dados de ocorrência de DTC, no produto 202. Além disso, na estação de serviço 204, os dados associados à observância dos DTCs, isto é, os dados de observância de DTC, para o produto 2 02 podem também serem coletados na estação de serviço 204. Os dados de observância de DTC podem ser coletados como os dados de registro de serviços. Para coletar os dados, um coletor de dados ou um dispositivo de diagnóstico (não mostrado) pode ser acoplado ao produto 202 na estação de serviço 204.

[070] Adicionalmente, em uma implantação, os dados de sensor e os dados de registro de serviços coletados na estação de serviço 204 podem ser transmitidos, por exemplo, em tempo real ou intermitentemente, para um servidor central 210 ou para um repositório de dados externo. O sistema 102 pode obter os dados de sensor e os dados de registro de serviços dos produtos a partir do servidor central 210 ou do repositório de dados externo, como o caso pode ser, para o propósito de determinar os dados de ocorrência de DTC e os dados de observância de DTC e, então, determinar o número de falhas dos produtos e a estimativa de custos de garantia para os produtos, de acordo com a presente matéria.

[071] Em uma implantação, os dados de sensor no produto 202 podem ser transmitidos, por exemplo, em tempo real ou intermitentemente, diretamente para o servidor central 210 ou para o repositório de dados externo ou para a estação de serviço 204.

[072] A Figura 3 ilustra um método 300 para estimar custos de garantia, de acordo com uma implantação da presente matéria. O método 300 pode ser implantado em uma variedade de sistemas de computador em vários modos diferentes. Por exemplo, o método 300, descrito no presente documento, pode ser implantado com o uso de um sistema de estimativa de custo de garantia 102, como descrito acima.

[073] O método 300, completo ou parcialmente, pode ser descrito no contexto geral de instruções executáveis por computador. Geralmente, as instruções executáveis por computador podem incluir rotinas, programas, objetos, componentes, estruturas de dados, procedimentos, módulos, funções, etc., que realizam funções particulares ou implantam tipos de dados abstratos particulares. Uma pessoa versada na técnica reconhecerá prontamente que as etapas do método podem ser realizadas pelos computadores programados. No presente documento, algumas modalidades são também destinadas a cobrir dispositivos de armazenamento de programa, por exemplo, mídia de armazenamento de dados digital, que são legíveis por máquina ou computador e programas executáveis por computador ou executáveis por máquina de codificar de instruções, em que as ditas instruções realizam algumas ou todas as etapas do método 300 descrito.

[074] A ordem na qual o método 300 é descrito não é destinada a ser construída como uma limitação e qualquer número dos blocos do método descrito pode ser combinado em qualquer ordem para implantar o método ou um método alternativo. Adicionalmente, blocos individuais podem ser deletados do método sem se distanciar do escopo da matéria descrita no presente documento. Além disso, os métodos podem ser implantados em qualquer hardware, software, firmware ou combinação dos mesmos adequados. Será entendido que mesmo que o método 300 seja descrito em referência ao sistema 102, a descrição pode ser estendida a outros sistemas também.

[075] No bloco 302, os dados de falha de parte são determinados, em que os dados de falha de parte são indicativos do número de ciclos em que cada parte Pj de produtos falha e após um primeiro período de tempo predefinido [Ti, T2] . Na determinação dos dados de falha de parte, para cada parte Pj, um primeiro conjunto de produtos Cj é identificado no qual a parte respectiva Pj falha pela primeira vez no primeiro período de tempo predefinido. Além disso, para cada parte Pj e para cada DTC DTCjk associado à parte respectiva Pj, um segundo conjunto de produtos C'jk é identificado no qual a parte respectiva Pj falha pela primeira vez após o primeiro período de tempo predefinido e o DTC DTCjk associado ocorre e é observado pela primeira vez no primeiro período de tempo predefinido. Adicionalmente, para cada parte Pj, um primeiro conjunto de parte de falha Failj é determinado, que inclui o número de ciclos nos quais a parte respectiva Pj falha pela primeira vez para cada produto no primeiro conjunto de produtos Cj. Em uma implantação, os dados de falha de parte, o Failj, o Cj e o C'jk podem ser determinados e identificados, conforme o caso, pelo sistema 102 .

[076] No bloco 304, os dados de sensor dos produtos são obtidos para determinar os dados de ocorrência de DTC, em que os dados de ocorrência de DTC são indicativos do número de ciclos nos quais cada DTC DTCjk associado a cada parte Pj ocorre pela primeira vez no primeiro período de tempo predefinido. Na determinação dos dados de ocorrência de DTC a partir dos dados de sensor, para cada parte Pj e para cada DTC DTCjk associado à parte respectiva Pj, um primeiro conjunto de ocorrência de DTC Indjk é determinado, que inclui o número de ciclos nos quais o DTC DTCjk respectivo associado à parte respectiva Pj ocorre pela primeira vez para cada produto no primeiro conjunto de produtos Cj. De modo similar, para cada parte Pj e para cada DTC DTCjk associado à parte respectiva Pj, um segundo conjunto de ocorrência de DTC Ind'jk é determinado, que inclui o número de ciclos nos quais o respectivo DTC DTCjk associado à parte respectiva Pj ocorre pela primeira vez para cada produto no segundo conjunto de produtos C'jk. Em uma implantação, os dados de ocorrência de DTC, o Indjk e o Ind'jk podem ser determinados pelo sistema 102 .

[077] No bloco 306, os dados de registro de serviços dos produtos são obtidos para determinar os dados de observância de DTC, em que os dados de observância de DTC são indicativos do número de ciclos nos quais cada DTC, DTCjk associado a cada parte Pj é observado pela primeira vez no primeiro período de tempo predefinido. Na determinação dos dados de observância de DTC a partir dos dados de registro de serviços, para cada parte Pj e para cada DTC DTCjk associado à parte respectiva Pj, um primeiro conjunto de observância de DTC Servjk é determinado, que inclui o número de ciclos nos quais o respectivo DTC DTCjk associado à parte respectiva Pj é observado pela primeira vez para cada produto no primeiro conjunto de produtos Cj. De modo similar, para cada parte Pj e para cada DTC DTCjk associado à parte respectiva Pj, um segundo conjunto de observância de DTC Serv'jk é determinado, que inclui o número de ciclos nos quais o respectivo DTC DTCjk associado à parte respectiva Pj é observado pela primeira vez para cada produto no segundo conjunto de produtos C'jk. Em uma implantação, os dados de observância de DTC, o Servjk e o Serv'jk podem ser determinados pelo sistema 102 .

[078] No bloco 308, os parâmetros de dependência entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC são identificados. Os parâmetros de dependência são identificados com base na rede bayesiana que representa as relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC. Os parâmetros de dependência são associados às relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC. Em uma implantação, os parâmetros de dependência podem ser identificados pelo sistema 102.

[079] Para identificação de parâmetros de dependência, as funções de distribuição de probabilidade que são, respectivamente, seguidas pelo primeiro conjunto de parte de falha Failj, o primeiro conjunto de ocorrência de DTC Indjk, o segundo conjunto de ocorrência de DTC Ind'jk, o primeiro conjunto de observância de DTC Servjk e o segundo conjunto de observância de DTC Serv'jk são determinadas. Em uma implantação, o primeiro conjunto de parte de falha Failj pode seguir a distribuição de Weibull; o primeiro conjunto de ocorrência de DTC Indjk e o segundo conjunto de ocorrência de DTC Ind'jk, respectivamente, podem seguir a distribuição normal com uma média dependente dos dados de falha de parte; e o primeiro conjunto de observância de DTC Servjk e o segundo conjunto de observância de DTC Serv'jk, respectivamente, podem seguir a distribuição normalizada com uma média dependente dos dados de falha de parte e dos dados de ocorrência de DTC. Adicionalmente, os parâmetros de dependência são identificados com base na média e na variância de distribuições normais no primeiro conjunto de ocorrência de DTC Indjk e no segundo conjunto de ocorrência de DTC Ind'jk e a média e a variância de distribuições normais no primeiro conjunto de observância de DTC Servjk e no segundo conjunto de observância de DTC Serv'jk.

[080] Adicionalmente, no bloco 310, o número de falhas dos produtos e um segundo período de tempo predefinido [T3, T4] é computado com base nos parâmetros de dependência. O segundo período de tempo predefinido é indicativo de tempo após o primeiro período de tempo predefinido. O número de falha de produtos pode ser computado para estimar o custo de garantia dos produtos. Em uma implantação, o custo de garantia dos produtos pode ser estimado com base no número computado de falhas dos produtos e no custo de substituição de parte. O custo de substituição de parte pode também ser referido como um custo por falha. Em uma implantação, o número de falhas dos produtos pode ser computado pelo sistema 102 e o custo de garantia dos produtos pode ser estimado pelo sistema 102.

[081] Em uma implantação, para computar o número de falhas dos produtos, para cada parte Pj, os parâmetros de dependência podem ser aprendidos com o uso do primeiro conjunto de parte de falha Failj, do primeiro conjunto de observância de DTC Servjk e das funções de distribuição de probabilidade. Então, com o uso dos parâmetros de dependência aprendidos e do segundo conjunto de observância de DTC Serv'jk, um segundo conjunto de falha de parte Failj pode ser aprendido para cada parte Pj, em que o segundo conjunto de falha de parte Failj é indicativo do número de ciclos nos quais a parte respectiva Pj falha pela primeira vez após o primeiro período de tempo predefinido. Após isso, um conjunto união pode ser determinado para cada parte Pj com base na união do primeiro conjunto de parte de falha Failj e do segundo conjunto de falha de parte Failj para a parte respectiva Pj. Adicionalmente, para cada parte Pj, parâmetros de escala e formato de distribuição de Weibull podem ser aprendidos com base no conjunto união e o número de falhas dos produtos pode, então, ser computado com base nos parâmetros de escala e formato aprendidos para cada parte Pj.

[082] Em uma implantação, para computar o número de falhas dos produtos, para cada parte Pj, os parâmetros de dependência podem ser aprendidos com o uso do primeiro conjunto de parte de falha Failj, do primeiro conjunto de ocorrência de DTC Indjk, do primeiro conjunto de observância de DTC Servjk e das funções de distribuição de probabilidade. Então, com o uso dos parâmetros de dependência aprendidos, o segundo conjunto de ocorrência de DTC Indj e o segundo conjunto de observância de DTC Servj, um segundo conjunto de falha de parte Failj pode ser determinado para cada parte Pj, em que o segundo conjunto de falha de parte Failj indicativo do número de ciclos nos quais a parte respectiva Pj falha pela primeira vez após o primeiro período de tempo predefinido. Após isso, um conjunto união pode ser determinado para cada parte Pj com base na união do primeiro conjunto de parte de falha Failj e do segundo conjunto de falha de parte Failj para a parte respectiva Pj. Subsequentemente, para cada parte Pj, os parâmetros de escala e formato de distribuição de Weibull são aprendidos com base no conjunto união e o número de falhas dos produtos pode ser computado com base nos parâmetros de escala e formato aprendidos para cada parte Pj.

[083] Embora as implantações de um método para estimar custos de garantia de produtos que têm múltiplas partes tenham sido descritas na linguagem específica para recursos estruturais e/ou métodos, deve ser entendido que a presente matéria não é necessariamente limitada aos recursos específicos ou métodos descritos.

REIVINDICAÇÕES

Claims

1. MÉTODO PARA COMPUTAR VÁRIAS FALHAS PROJETADAS DE PRODUTOS QUE TEM MÚLTIPLAS PARTES, sendo que o método é caracterizado por compreender: determinar, através de um processador, os dados de falha de parte, em que os dados de falha de parte são indicativos de vários ciclos no qual cada uma das partes falha em um primeiro período de tempo predefinido e após o mesmo; determinar os dados de ocorrência de código de problema diagnosticado (DTC) a partir de dados do sensor dos produtos, em que os dados de ocorrência de DTC são indicativos de vários ciclos no qual cada DTC associados com cada uma das partes ocorrem pela primeira vez no primeiro período de tempo predefinido e em que o funcionamento de cada uma das múltiplas partes é diagnosticado usando-se os DTCs associados com uma parte respectiva e em que um DTC dos DTCs é associado para um sintoma de problema para uma parte dos produtos; determinar os dados de observância de DTC a partir dos dados de registro de serviço dos produtos, em que os dados de observância de DTC são indicativos de vários ciclos no qual cada DTC associados com cada parte é observado pela primeira vez no primeiro período de tempo predefinido; identificar, através do processador, os parâmetros de dependência entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC, com base na rede bayesiana, em que a rede bayesiana representa as relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC e em que os parâmetros de dependência são associados com as relações probabilísticas; e computar, através do processador, as várias falhas projetadas dos produtos em um segundo período de tempo predefinido com base nos parâmetros de dependência e em que o segundo período de tempo predefinido é indicativo de um período de tempo após o primeiro período de tempo predefinido.

2, MÉTODO, de acordo com a reivindicação 1, caracterizado pela determinação dos dados de falha de parte compreender: identificar, para cada uma das partes, um primeiro conjunto de produtos no qual a parte respectiva falha pela primeira vez no primeiro período de tempo predefinido; identificar, para cada uma das partes e para cada DTC associado com a parte respectiva, um segundo conjunto de produtos no qual a parte respectiva falha pela primeira vez após o primeiro período de tempo predefinido e o DTC associado ocorre e o DTC associado é observado pela primeira vez no primeiro período de tempo predefinido; e determinar, para cada parte, um primeiro conjunto de falha de parte que inclui vários ciclos no qual a parte respectiva falha pela primeira vez para cada produto no primeiro conjunto de produtos.

3. MÉTODO, de acordo com a reivindicação 2, caracterizado pela determinação dos dados de ocorrência de DTC a partir dos dados de sensor compreender: determinar, para cada parte e para cada DTC associado com a parte respectiva, um primeiro conjunto de ocorrência de DTC que inclui vários ciclos no qual o DTC respectivo associado com a parte respectiva ocorre pela primeira vez para cada produto no primeiro conjunto de produtos ? e determinar, para cada parte e para cada DTC associado com a parte respectiva, um segundo conjunto de ocorrência de DTC que inclui vários ciclos no qual o DTC respectivo associado com a parte respectiva ocorre pela primeira vez para cada produto no segundo conjunto de produtos,

4. MÉTODO, de acordo com a reivindicação 3, caracterizado pela determinação dos dados de observância de DTC a partir dos dados de registro de serviço compreender: determinar, para cada parte e para cada DTC associado com a parte respectiva, um primeiro conjunto de observância de DTC que inclui vários ciclos no qual o DTC respectivo associado com a parte respectiva é observada pela primeira vez para cada produto no primeiro conjunto de produtos; e determinar, para cada parte e para cada DTC associado com a parte respectiva, um segundo conjunto de observância de DTC que inclui vários ciclos no qual o DTC respectivo associado com a parte respectiva é observada pela primeira vez para cada produto no segundo conjunto de produtos.

5. MÉTODO, de acordo com a reivindicação 4, caracterizado pela identificação dos parâmetros de dependência compreender: determinar a funções de distribuição de probabilidade que são seguidas respectivamente pelo primeiro conjunto de falha de parte, pelo primeiro conjunto de ocorrência de DTC, pelo segundo conjunto de ocorrência de DTC, o primeiro conjunto de observância de DTC e o segundo conjunto de observância de DTC, em que o primeiro conjunto de falha de parte segue a distribuição de Weibull, em que o primeiro conjunto de ocorrência de DTC e o segundo conjunto de ocorrência de DTC segue respectivamente uma distribuição Normal com um meio dependente dos dados de falha de parte, e o primeiro conjunto de observância de DTC e o segundo conjunto de observância de DTC segue respectivamente uma distribuição Normalizada com um meio dependente dos dados de falha de parte e dos dados de ocorrência de DTC, em que os parâmetros de dependência têm como base: um meio e variação das distribuições Normais para o primeiro conjunto de ocorrência de DTC e o segundo conjunto de ocorrência de DTC, e um meio e variação das distribuições Normais para o primeiro conjunto de observância de DTC e o segundo conjunto de observância de DTC.

6. MÉTODO, de acordo com a reivindicação 5, caracterizado pela computação das várias falhas projetadas dos produtos compreender: aprender, para cada parte, os parâmetros de dependência que usam o primeiro conjunto de falha de parte, o primeiro conjunto de observância de DTC e as funções de distribuição de probabilidade; aprender um segundo conjunto de falha de parte para cada parte que usa os parâmetros de dependência aprendidos e o segundo conjunto de observância de DTC, em que o segundo conjunto de falha de parte é indicativo de vários ciclos no qual a parte respectiva falha pela primeira vez após o primeiro período de tempo predefinido; determinar um conjunto de união para cada parte com base em uma união do primeiro conjunto de falha de parte e o segundo conjunto de falha de parte para a parte respectiva; e aprender, para cada parte, parâmetros de formato e de escala de uma distribuição de Weibull com base no conjunto de união, em que as várias falhas projetadas dos produtos têm como base os parâmetros de formato e de escala para cada parte.

7. MÉTODO, de acordo com a reivindicação 5, caracterizado pela computação das várias falhas dos produtos compreender adicionalmente: aprender, para cada parte, os parâmetros de dependência que usam o primeiro conjunto de falha de parte, o primeiro conjunto de ocorrência de DTC, o primeiro conjunto de observância de DTC e as funções de distribuição de probab i1idade; aprender um segundo conjunto de falha de parte para cada parte que usa os parâmetros de dependência aprendidos dessa forma, o segundo conjunto de ocorrência de DTC e o segundo conjunto de observância de DTC, em que o segundo conjunto de falha de parte é indicativo de vários ciclos no qual a parte respectiva falha pela primeira vez após o primeiro período de tempo predefinido; determinar um conjunto de união para cada parte com base na união do primeiro conjunto de falha de parte e o segundo conjunto de falha de parte para a parte respectiva; e aprender, para cada parte, parâmetros de formato e de escala de uma distribuição de Weibull com base no conjunto de união, em que a computação das várias falhas dos produtos tem como base os parâmetros de formato e de escala aprendidos para cada parte.

8. MÉTODO, de acordo com a reivindicação 1, caracterizado por compreender adicionalmente: estimar, através do processador, um custo de garantia dos produtos com base nas várias falhas projetadas dos produtos e um custo de substituição de parte dos produtos.

9. SISTEMA PARA COMPUTAR VÁRIAS FALHAS PROJETADAS DE PRODUTOS QUE TEM MÚLTIPLAS PARTES, sendo que o sistema é caracterizado por compreender: um processador; uma memória acoplada ao processador, em que o processador executa as instruções legíveis por computador armazenadas na memória para: determinar os dados de falha de parte, em que os dados de falha de parte são indicativos de vários ciclos no qual uma das partes falha em um primeiro período de tempo predefinido e após o mesmo; determinar os dados de ocorrência de código de problema diagnosticado (DTC) a partir de dados do sensor dos produtos, em que os dados de ocorrência de DTC são indicativos de vários ciclos no qual um DTC associado com uma parte dos produtos ocorrem pela primeira vez no primeiro período de tempo predefinido e após o mesmo, em que o funcionamento de cada uma das múltiplas partes é diagnosticado usando-se os DTCs associados com uma parte respectiva e em que o DTC é associado para um sintoma de problema para a parte do produto; e determinar os dados de observância de DTC a partir dos dados de registro de serviço dos produtos, em que os dados de observância de DTC são indicativos de vários ciclos no qual um DTC associado com uma parte dos produtos é observado pela primeira vez no primeiro período de tempo predefinido; e identificar os parâmetros de dependência entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC, com base na rede bayesiana, em que a rede bayesiana representa as relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC e em que os parâmetros de dependência são associados com as relações probabilísticas; e computar as várias falhas projetadas dos produtos em um segundo período de tempo predefinido com base nos parâmetros de dependência, em que o segundo período de tempo predefinido é indicativo de um período de tempo após o primeiro período de tempo predefinido.

10. SISTEMA, de acordo com a reivindicação 9, caracterizado pelo processador executar as instruções legíveis por computador para: identificar, para cada uma das partes, um primeiro conjunto de produtos no qual a parte respectiva falha pela primeira vez no primeiro período de tempo predefinido; identificar, para cada uma das partes e para cada DTC associado com a parte respectiva, um segundo conjunto de produtos no qual a parte respectiva falha pela primeira vez após o primeiro período de tempo predefinido e o DTC ocorre e o DTC é observado pela primeira vez no primeiro período de tempo predefinido; e determinar, para cada parte, um primeiro conjunto de falha de parte que inclui vários ciclos no qual a parte respectiva falha pela primeira vez para cada produto no primeiro conjunto de produtos.

11. SISTEMA, de acordo com a reivindicação 10, caracterizado pelo processador executar as instruções legíveis por computador para: determinar, para cada parte e para cada DTC associado com a parte respectiva, um primeiro conjunto de ocorrência de DTC que inclui vários ciclos no qual o DTC respectivo associado com a parte respectiva ocorre pela primeira vez para cada produto no primeiro conjunto de produtos; e determinar, para cada parte e para cada DTC associado com a parte respectiva, um segundo conjunto de ocorrência de DTC que inclui vários ciclos no qual o DTC respectivo associado com a parte respectiva ocorre pela primeira vez para cada produto no segundo conjunto de produtos.

12. SISTEMA, de acordo com a reivindicação 11, caracterizado pelo processador executar as instruções legíveis por computador para, determinar, para cada parte e para cada DTC associado com a parte respectiva, um primeiro conjunto de observância de DTC que inclui vários ciclos no qual o DTC respectivo associado com a parte respectiva é observada pela primeira vez para cada produto no primeiro conjunto de produtos; e determinar, para cada parte e para cada DTC associado com a parte respectiva, um segundo conjunto de observância de DTC que inclui vários ciclos no qual o DTC respectivo associado com a parte respectiva é observada pela primeira vez para cada produto no segundo conjunto de produtos.

13. SISTEMA, de acordo com a reivindicação 12, caracterizado pelo processador executar as instruções legíveis por computador para, determinar a funções de distribuição de probabilidade que são seguidas respectivamente pelo primeiro conjunto de falha de parte, pelo primeiro conjunto de ocorrência de DTC, pelo segundo conjunto de ocorrência de DTC, o primeiro conjunto de observância de DTC e o segundo conjunto de observância de DTC, em que o primeiro conjunto de falha de parte segue uma distribuição de Weibull, em que o primeiro conjunto de ocorrência de DTC e o segundo conjunto de ocorrência de DTC segue respectivamente uma distribuição Normal com um meio dependente dos dados de falha de parte, e o primeiro conjunto de observância de DTC e o segundo conjunto de observância de DTC segue respectivamente uma distribuição Normalizada com um meio dependente dos dados de falha de parte e dos dados de ocorrência de DTC, em que os parâmetros de dependência têm como base, meio e variação das distribuições Normais para o primeiro conjunto de ocorrência de DTC e o segundo conjunto de ocorrência de DTC, e meio e variação das distribuições Normais para o primeiro conjunto de observância de DTC e o segundo conjunto de observância de DTC.

14. SISTEMA, de acordo com a reivindicação 13, caracterizado pelo processador executar as instruções legíveis por computador para, aprender, para cada parte, os parâmetros de dependência que usam o primeiro conjunto de falha de parte, o primeiro conjunto de observância de DTC e as funções de distribuição de probabilidade; aprender um segundo conjunto de falha de parte para cada parte que usa os parâmetros de dependência aprendidos e o segundo conjunto de observância de DTC, em que o segundo conjunto de falha de parte é indicativo de vários ciclos no qual a parte respectiva falha pela primeira vez após o primeiro período de tempo predefinido; determinar um conjunto de união para cada parte com base na união do primeiro conjunto de falha de parte e o segundo conjunto de falha de parte para a parte respectiva; e aprender, para cada parte, parâmetros de formato e de escala de uma distribuição de Weibull com base no conjunto de união, em que a computação das várias falhas projetadas dos produtos tem como base os parâmetros de formato e de escala para cada parte.

15. SISTEMA, de acordo com a reivindicação 13, caracterizado pelo processador executar as instruções legíveis por computador para, aprender, para cada parte, os parâmetros de dependência que usam o primeiro conjunto de falha de parte, o primeiro conjunto de ocorrência de DTC, o primeiro conjunto de observância de DTC e as funções de distribuição de probabilidade ; aprender ura segundo conjunto de falha de parte para cada parte que usa os parâmetros de dependência aprendidos dessa forma, o segundo conjunto de ocorrência de DTC e o segundo conjunto de observância de DTC, em que o segundo conjunto de falha de parte é indicativo de vários ciclos no qual a parte respectiva falha pela primeira vez após o primeiro período de tempo predefinido; determinar um conjunto de união para cada parte com base na união do primeiro conjunto de falha de parte e o segundo conjunto de falha de parte para a parte respectiva; e aprender para cada parte, parâmetros de um formato e de uma escala de uma distribuição de Weibull com base no conjunto de união, em que as várias falhas projetadas dos produtos têm como base os parâmetros de formato e de escala para cada parte.

16. SISTEMA, de acordo com a reivindicação 9, caracterizado pelo processador executar as instruções legíveis por computador para estimar um custo de garantia dos produtos com base nas várias falhas projetadas dos produtos e custo de substituição de partes dos produtos.

17. MEIO LEGÍVEL POR COMPUTADOR NÃO TRANSITÓRIO, caracterizado por ter incorporado no mesmo um programa de computador para executar um método para computar várias falhas projetadas dos produtos que têm múltiplas partes, em que o método compreende; determinar os dados de falha de parte, em que os dados de falha de parte são indicativos de vários ciclos no qual cada uma das partes falha em um primeiro período de tempo predefinido e após o mesmo; determinar os dados de ocorrência de código de problema diagnosticado (DTC) a partir de dados do sensor dos produtos, em que os dados de ocorrência de DTC são indicativos de vários ciclos em que cada DTC associados com cada uma das partes ocorrem pela primeira vez no primeiro período de tempo predefinido e em que o funcionamento de cada uma das múltiplas partes é diagnosticado usando-se os DTCs associados com uma parte respectiva e em que o DTC dos DTCs é associado para um sintoma de problema para uma parte do um ou mais produtos; determinar os dados de observância de DTC a partir dos dados de registro de serviço dos produtos, em que os dados de observância de DTC são indicativos de vários ciclos no qual cada DTC associados com cada parte é observado pela primeira vez no primeiro período de tempo predefinido; identificar os parâmetros de dependência entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC com base na rede bayesiana que representa as relações probabilísticas entre os dados de falha de parte, os dados de ocorrência de DTC e os dados de observância de DTC e em que os parâmetros de dependência são associados com as relações probabilísticas; e computar, através do processador, as várias falhas projetadas dos produtos em um segundo período de tempo predefinido com base nos parâmetros de dependência, em que o segundo período de tempo predefinido é indicativo de um período de tempo após o primeiro período de tempo predefinido.

18. PROGRAMA DE COMPUTADOR, conforme definido na reivindicação 17, caracterizado pelo método compreender adicionalmente estimar um custo de garantia dos produtos com base nas várias falhas projetadas dos produtos e custo de substituição de partes dos produtos.