Làm thế nào để tôi tính đúng thời gian có nghĩa là thất bại?


8

Tôi có một sản phẩm mà chúng tôi đã vận chuyển khoảng 500 chiếc trong năm năm qua. Sản phẩm này không nhằm mục đích phục vụ người dùng; một thất bại của bất kỳ thành phần kết quả trong đơn vị được thay thế. Phần lớn các đơn vị này chưa bao giờ thấy vấn đề và vẫn hoạt động tốt. Một số đã bị hư hỏng và quay trở lại để sửa chữa.

Làm thế nào tôi đi về thời gian tính toán có nghĩa là thất bại (MTTF)? Tôi sẽ chỉ bao gồm các đơn vị đã thất bại? Hoặc tôi cũng sẽ tìm trong tất cả các đơn vị hiện đang hoạt động? Còn việc tôi chỉ có ngày bán chứ không phải ngày cài đặt thì sao? Và tôi không biết phần nào thời gian cài đặt mà thiết bị đang chạy? Tôi có nên đưa ra các giả định hợp lý?


Độ chính xác dự kiến ​​của MTTF là gì?
Mahendra Gunawardena

@MahendraGunawardena Tôi không biết làm thế nào tôi có thể bắt đầu trả lời câu hỏi đó, thật không may.
Stephen Collings

Có thể đi đến khách hàng và hỏi họ loại thời gian hoạt động mà các đơn vị họ đã mua thấy không? Ngay cả khi đó chỉ là ước tính sơ bộ, tôi tưởng tượng rằng nó sẽ mang lại cho bạn cảm giác tốt hơn về thời gian hoạt động so với việc bạn tự đoán.
Trevor Archibald

Câu trả lời:


5

Trước hết, hãy luôn nhớ rằng rác trong = rác ra; Vì vậy, nếu dữ liệu của bạn là rác thì số liệu thống kê của bạn sẽ là rác.

Trong tình huống này, dữ liệu tối ưu của bạn sẽ giống như Chạy giờ cho đến khi thất bại và toàn bộ dữ liệu của bạn đã thất bại. Với suy nghĩ này, bạn có thể muốn chọn một số bảo thủ từ bất kỳ số liệu thống kê nào bạn tính toán.

Vì bạn chỉ có thất bại kể từ ngày bán, điều này có thể bị lệch về MTTF cao hơn.

Vì không phải tất cả các sản phẩm của bạn đều thất bại nhưng bạn có thể nhìn vào một tập hợp con nhỏ hơn trong dân số của bạn, giả sử sáu tháng đầu tiên sản xuất. Phần lớn trong số này đã thất bại rất có thể (vì sản phẩm bạn đã bán tuần trước không nên thất bại trong tuần này, hy vọng).

Nếu tỷ lệ thất bại của bạn vẫn còn quá thấp thì bạn có thể phải cố gắng điều chỉnh dữ liệu để phân phối lưu ý rằng bạn chỉ có tỷ lệ phân phối thấp, tức là bạn phải ngoại suy từ tập dữ liệu thành một đường cong phù hợp.

Ví dụ: Phân phối Weibull sẽ hoạt động tốt ở đây và thường được sử dụng cho dữ liệu MTTF. Ý tưởng ở đây là để phù hợp với tỷ lệ dữ liệu của bạn đã thất bại với tỷ lệ tương ứng của phân phối. Nếu tỷ lệ sản phẩm trong bộ dữ liệu của bạn không thành công là 48,66% thì bạn sẽ phù hợp với xác suất đó trên phân phối giả định của bạn như được hiển thị bởi khu vực bóng mờ trong hình ảnh sau đây.

PDF

Điều này có thể khá chuyên sâu, tuy nhiên, đối với bất cứ điều gì ngoài phân phối theo cấp số nhân.

Một phương pháp ngoại suy khác là phân tích suy thoái


4

Nếu bạn không có dữ liệu cứng, hãy đưa ra các giả định (tốt nhất là "hợp lý") là lựa chọn duy nhất bạn có. (Có lẽ đó là lý do tại sao các kỹ sư thường gọi quy tắc trượt của họ là "đoán gậy ...")

Bạn không thể bỏ qua thực tế là hầu hết các đơn vị đã không thất bại cho đến nay. Một cách tiếp cận hợp lý cho vấn đề này sẽ là sử dụng thời gian thất bại mà bạn biết, để phù hợp với các tham số của mô hình thống kê của quá trình thất bại. Bạn cũng cần kiểm tra xem các dự đoán của mô hình có phù hợp với dữ liệu thô hay không, trước khi bạn sử dụng nó để dự báo bất cứ điều gì.

Một mô hình thường được sử dụng trong kỹ thuật độ tin cậy là phân phối Weibull, có thể đại diện cho một loạt các "nguyên nhân gốc" khác nhau của sự thất bại, và sẽ tự động điều chỉnh để sử dụng hình dạng xác suất "tốt nhất" (trong giới hạn, tất nhiên) phù hợp với dữ liệu trong thế giới thực của bạn.

Google sẽ tìm thấy rất nhiều lượt truy cập cho "Hướng dẫn phân phối Weibull", v.v., nhưng nếu bạn chưa quen với điều này thì nên tìm hiểu tổng quan về "kỹ thuật tin cậy" trước khi bạn tìm hiểu chi tiết. Một nơi tốt để bắt đầu sẽ là một tổ chức kỹ thuật chuyên nghiệp, ví dụ Hiệp hội Chất lượng Hoa Kỳ (ASQ) .

Cách thực tế nhất để đưa ra ước tính là sử dụng một số phần mềm máy tính thay vì tìm ra cách làm toán bằng tay, nhưng không có chi tiết cụ thể hơn về vấn đề, thật khó để đề xuất bất kỳ gói cụ thể nào.


Nhận xét của bạn về việc đảm bảo các dự đoán phù hợp với dữ liệu thô được đưa ra! Chúng tôi tập hợp một bảng tính phân phối Weibull. Từ tập hợp thất bại rất hạn chế cho đến nay, MTTF của chúng tôi đã xuất hiện giống như sáu tháng, với tỷ lệ thất bại dự kiến ​​99% trong vòng năm năm. Điều này là hoàn toàn không phù hợp với thực tế. Vì vậy, điều đó đặt ra câu hỏi ... những gì bây giờ?
Stephen Collings

2

Công cụ thống kê Weibull theo đề xuất của hai câu trả lời trước đó là công cụ được lựa chọn để tính toán thời gian trung bình thất bại (MTTF) . Dựa trên nhận xét của bạn như được chụp dưới đây, có vẻ như Phân tích Weibull đã không tạo ra kết quả như mong đợi.

Nhận xét từ Stephen Collings

Hầu hết các nhà thống kê mà tôi đã làm việc với đề xuất cỡ mẫu là 30 cho hầu hết các phân tích thống kê. Sự nghi ngờ của tôi là kích thước dữ liệu hạn chế có thể không giúp phân tích. Tôi đề nghị bắt đầu với một phép tính độ lệch trung bình và độ lệch chuẩn đơn giản cho thời gian đến thất bại dựa trên dữ liệu có sẵn. Bạn có thể phải đưa ra một vài giả định hợp lý khi tính toán thời gian cho thất bại dựa trên sản phẩm của mình. Ví dụ

Giả định : Thời gian thất bại (ngày) = Ngày trả lại - Ngày giao hàng

Với công nghệ hiện tại và dữ liệu có sẵn, bạn cũng có thể tinh chỉnh các giả định của mình.

Giả định được cải thiện : Thời gian đến thất bại (ngày) = Ngày giao hàng trả lại sản phẩm của khách hàng - Ngày nhận sản phẩm ban đầu của khách hàng

Điểm mà tôi đang đưa ra là các giả định hợp lý tốt sẽ giúp tạo ra một tập dữ liệu tốt. Ngoài ra theo kinh nghiệm của tôi, tính toán trung bình cơ bản và độ lệch chuẩn sẽ giúp hiểu rõ hơn về vấn đề hiện tại.

Điểm khác cần lưu ý là xác định xem các lỗi có phải do

  • Nguyên nhân đặc biệt
  • Nguyên nhân chung

Phân tích nguyên nhân gốc rễ cần được thực hiện trên các lỗi nguyên nhân đặc biệt và hành động khắc phục cần được thực hiện. Thất bại nguyên nhân phổ biến chỉ là một phần của hoạt động kinh doanh trong ngành công nghiệp cụ thể và với cơ sở khách hàng cụ thể.

Hy vọng phản ứng này tìm thấy một giải pháp hợp lý cho vấn đề trong tầm tay.


Người giới thiệu:


Đẹp đề cập đến những thất bại nguyên nhân đặc biệt. Chúng có thể được quy cho sản xuất nhưng chúng cũng có thể được quy cho việc sử dụng ngoài lĩnh vực hoạt động được đề xuất sẽ làm mất hiệu lực bảo hành. Bạn có đồng ý không bao gồm các lỗi nguyên nhân đặc biệt trong MTTF không?
Trình mô phỏng nhạy bén

Ngoài ra, thông số nào bạn đang thử nghiệm? Vì dân số nhỏ đã thất bại, tôi sẽ cố gắng tìm phân phối cho "% tổng số được thực hiện trong năm X không thành công" thay vì tìm phân phối cho các mặt hàng thực tế. Bạn có thể tìm thấy một số kết quả thú vị theo cách đó.
Đánh dấu

@ user38826, tôi đồng ý MTTF không được bao gồm các lỗi nguyên nhân đặc biệt. Dựa trên OP trước đây tôi quá chắc chắn rằng OP đã giải quyết bất kỳ lỗi nào do nguyên nhân đặc biệt. Phản hồi của tôi phù hợp với bình luận của Mark. Nó có thể có giá trị trong khi điều tra rằng các thất bại nguyên nhân đặc biệt không được bao gồm trong MTTF.
Mahendra Gunawardena
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.