ฉันจะคำนวณเวลาที่ผิดพลาดได้อย่างไร

8

ฉันมีผลิตภัณฑ์ที่เราจัดส่งบางอย่างเช่น 500 ยูนิตในช่วงห้าปีที่ผ่านมา ผลิตภัณฑ์นี้ไม่ได้มีไว้เพื่อให้บริการแก่ผู้ใช้ ความล้มเหลวขององค์ประกอบใด ๆ ส่งผลให้หน่วยถูกแทนที่ หน่วยส่วนใหญ่ไม่เคยเห็นปัญหาและยังใช้งานได้ดี บางส่วนได้รับความเสียหายและกลับมาซ่อมแซม

ฉันจะคำนวณเกี่ยวกับเวลาที่ผิดพลาดได้อย่างไร (MTTF) ฉันจะรวมเฉพาะหน่วยที่ล้มเหลวได้หรือไม่ หรือฉันจะคิดในทุกหน่วยงานที่กำลังใช้งานอยู่หรือไม่ สิ่งที่เกี่ยวกับความจริงที่ว่าฉันมีเพียงวันที่ขายไม่ใช่วันที่ติดตั้ง? และฉันไม่รู้ว่าเวลาที่ติดตั้งหน่วยใช้งานเพียงใด ฉันควรตั้งสมมติฐานอย่างสมเหตุสมผลหรือไม่?

statistics mathematics failure-analysis

— สตีเฟ่น Collings
แหล่งที่มา

อะไรคือความแม่นยำที่คาดหวังของ MTTF

— Mahendra Gunawardena

@MahendraGunawardena ฉันไม่รู้ว่าฉันจะเริ่มตอบคำถามนี้อย่างไร

— Stephen Collings

เป็นไปได้หรือไม่ที่จะไปหาลูกค้าและถามพวกเขาว่าหน่วยเวลาที่พวกเขาซื้อดูมาเป็นอย่างไร แม้ว่ามันจะเป็นการประมาณคร่าวๆ แต่ฉันคิดว่ามันจะช่วยให้คุณมีเวลาที่ดีขึ้นกว่าที่คุณจะคาดเดาได้ด้วยตัวเอง

— เทรเวอร์อาร์ชิบัลด์

5

ก่อนอื่นให้จำไว้เสมอว่าขยะใน = ทิ้งขยะ ดังนั้นหากข้อมูลของคุณเป็นขยะสถิติของคุณจะเป็นขยะ

ในสถานการณ์นี้ข้อมูลที่ดีที่สุดของคุณจะเป็นเช่น Run Hours จนกระทั่ง Failure และชุดข้อมูลทั้งหมดของคุณจะล้มเหลวไปแล้ว ด้วยสิ่งนี้ในใจคุณอาจต้องการเลือกหมายเลขอนุรักษ์จากสถิติใด ๆ ที่คุณคำนวณ

เนื่องจากคุณมีเพียงความล้มเหลวจากวันที่ขายจึงอาจเบ้ไปที่ MTTF ที่สูงขึ้น

เนื่องจากผลิตภัณฑ์บางอย่างของคุณไม่ได้ล้มเหลว แต่คุณสามารถดูกลุ่มย่อยที่เล็กลงของประชากรได้ดังนั้นพูดในช่วงหกเดือนแรกของการผลิต เปอร์เซ็นต์ที่สูงขึ้นของสิ่งเหล่านี้ล้มเหลวมากที่สุด (เนื่องจากผลิตภัณฑ์ที่คุณขายเมื่อสัปดาห์ที่แล้วไม่ควรล้มเหลวในสัปดาห์นี้หวังว่า)

หากสัดส่วนความล้มเหลวของคุณยังต่ำเกินไปคุณอาจต้องพยายามปรับข้อมูลให้เข้ากับการกระจายโดยคำนึงถึงว่าคุณมีสัดส่วนการกระจายที่ต่ำเช่นคุณต้องประมาณจากชุดข้อมูลไปยังเส้นโค้งที่พอดี

ตัวอย่างเช่นWeibull Distributionจะทำงานได้ดีที่นี่และมักใช้กับข้อมูล MTTF แนวคิดในที่นี้คือเพื่อให้พอดีกับสัดส่วนของชุดข้อมูลของคุณซึ่งล้มเหลวในสัดส่วนการกระจายที่สอดคล้องกัน หากสัดส่วนของผลิตภัณฑ์ในชุดข้อมูลของคุณที่ล้มเหลวคือ 48.66% คุณจะต้องปรับให้เหมาะกับความน่าจะเป็นในการกระจายของสมมติฐานตามที่แสดงโดยพื้นที่แรเงาในภาพต่อไปนี้

ไฟล์ PDF

อย่างไรก็ตามสิ่งนี้ค่อนข้างเข้มงวดสำหรับทุกสิ่งนอกเหนือจากการแจกแจงแบบเอ็กซ์โปเนนเชียล

วิธีการประมาณค่าอีกวิธีหนึ่งคือ การวิเคราะห์การสลายตัว

— Acumen Simulator
แหล่งที่มา

4

หากคุณไม่มีข้อมูลที่ยากการตั้งสมมติฐาน (โดยเฉพาะอย่างยิ่ง "สมเหตุสมผล") เป็นตัวเลือกเดียวที่คุณมี (อาจเป็นเหตุผลที่วิศวกรใช้เรียกกฎการเลื่อน "คาดเดาแท่ง ... ")

คุณไม่สามารถเพิกเฉยกับความจริงที่ว่าหน่วยส่วนใหญ่ยังไม่ได้ล้มเหลว แนวทางที่เป็นไปได้สำหรับการทำเช่นนี้คือการใช้ช่วงเวลาต่อความล้มเหลวที่คุณทราบเพื่อให้พอดีกับพารามิเตอร์ของแบบจำลองทางสถิติของกระบวนการความล้มเหลว คุณต้องตรวจสอบด้วยว่าการคาดการณ์ของแบบจำลองนั้นสอดคล้องกับข้อมูลดิบก่อนที่คุณจะใช้เพื่อคาดการณ์อะไร

แบบจำลองที่ใช้กันทั่วไปในวิศวกรรมความน่าเชื่อถือคือการแจกแจงแบบ Weibull ซึ่งสามารถเป็นตัวแทนของ "สาเหตุของความล้มเหลว" ได้หลากหลายและจะปรับโดยอัตโนมัติเพื่อใช้รูปร่างเส้นโค้งความน่าจะเป็น "ดีที่สุด" (ภายในขอบเขตแน่นอน) ตรงกับข้อมูลจริงของคุณ

Google จะพบกับเพลงฮิตมากมายสำหรับ "Weibull distribution tutorial" ฯลฯ แต่ถ้าคุณยังใหม่กับเรื่องนี้มันเป็นความคิดที่ดีที่จะดูภาพรวมของ "วิศวกรรมความน่าเชื่อถือ" ก่อนที่คุณจะลงรายละเอียด สถานที่ที่ดีที่จะเริ่มต้นจะเป็นองค์กรวิชาชีพวิศวกรรมสำหรับตัวอย่างสังคมอเมริกันสำหรับ Quality (ASQ)

วิธีที่ใช้ประโยชน์ได้มากที่สุดในการประมาณค่าคือการใช้ซอฟต์แวร์คอมพิวเตอร์มากกว่าที่จะหาวิธีการคำนวณทางคณิตศาสตร์ด้วยมือ แต่ถ้าไม่มีปัญหาเฉพาะเจาะจงมากขึ้นยากที่จะแนะนำแพ็คเกจใด ๆ

— alephzero
แหล่งที่มา

ความคิดเห็นของคุณเกี่ยวกับการทำให้แน่ใจว่าการคาดการณ์สอดคล้องกับข้อมูลดิบที่ถูกต้อง! เรารวบรวมสเปรดชีตการกระจาย Weibull ไว้ด้วยกัน จากความล้มเหลวที่ จำกัด จำนวนมากจนถึงตอนนี้ MTTF ของเราออกมาเป็นอะไรประมาณหกเดือนโดยมีอัตราความล้มเหลว 99% ที่คาดไว้ภายในห้าปี สิ่งนี้ไม่สอดคล้องกับความเป็นจริงอย่างสมบูรณ์ นั่นทำให้เกิดคำถามขึ้นตอนนี้เป็นอย่างไร

— Stephen Collings

2

Weibullเครื่องมือทางสถิติตามที่แนะนำโดยสองคำตอบก่อนหน้านี้เป็นเครื่องมือที่เลือกสำหรับการคำนวณMean Time To Failure (MTTF) จากความคิดเห็นของคุณว่าเป็นภาพด้านล่างปรากฏว่าการวิเคราะห์ Weibull ไม่ได้สร้างผลลัพธ์ที่คาดหวัง

นักสถิติส่วนใหญ่ที่ฉันทำงานด้วยแนะนำขนาดตัวอย่าง 30 สำหรับการวิเคราะห์ทางสถิติส่วนใหญ่ ความสงสัยของฉันคือขนาดข้อมูลที่ จำกัด อาจไม่ช่วยในการวิเคราะห์ ฉันขอแนะนำให้เริ่มต้นด้วยการคำนวณค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐานอย่างง่ายสำหรับเวลาที่ล้มเหลวตามข้อมูลที่มี คุณอาจต้องใช้สมมติฐานที่สมเหตุสมผลเมื่อคำนวณเวลาถึงความล้มเหลวบนผลิตภัณฑ์ของคุณ ตัวอย่างเช่น

ข้อสันนิษฐาน : เวลาที่จะล้มเหลว (วัน) = วันที่ส่งคืน - วันที่จัดส่ง

ด้วยเทคโนโลยีปัจจุบันและข้อมูลที่มีอยู่คุณอาจสามารถปรับแต่งสมมติฐานของคุณได้เช่นกัน

ข้อสันนิษฐานที่ปรับปรุงแล้ว : เวลาที่ล้มเหลว (วัน) = วันที่จัดส่งผลิตภัณฑ์ของลูกค้า - วันที่รับผลิตภัณฑ์เริ่มต้นของลูกค้า

จุดที่ฉันทำคือสมมติฐานที่สมเหตุสมผลดีจะช่วยสร้างชุดข้อมูลที่ดี ในประสบการณ์ของฉันพื้นฐานและการคำนวณค่าเบี่ยงเบนมาตรฐานจะช่วยให้เข้าใจปัญหาได้ดี

อีกจุดที่ต้องระวังคือการพิจารณาว่าความล้มเหลวเกิดจาก

สาเหตุพิเศษ
สาเหตุที่พบบ่อย

การวิเคราะห์สาเหตุที่แท้จริงจะต้องดำเนินการในความล้มเหลวของสาเหตุพิเศษและต้องดำเนินการแก้ไขให้ถูกต้อง สาเหตุที่ล้มเหลวทั่วไปเป็นเพียงส่วนหนึ่งของการทำธุรกิจในอุตสาหกรรมเฉพาะและฐานลูกค้าเฉพาะ

หวังว่าการตอบสนองนี้จะหาทางออกที่เหมาะสมในการแก้ไขปัญหาในมือ

อ้างอิง:

— Mahendra Gunawardena
แหล่งที่มา

การกล่าวถึงที่ดีของความล้มเหลวของสาเหตุพิเศษ พวกเขาอาจจะมาจากการผลิต แต่พวกเขาก็อาจจะเกิดจากการใช้สนามนอกพารามิเตอร์การดำเนินงานที่แนะนำซึ่งจะทำให้การรับประกันเป็นโมฆะ คุณเห็นด้วยหรือไม่ที่จะไม่รวมสาเหตุพิเศษที่ล้มเหลวใน MTTF

— Acumen Simulator

นอกจากนี้คุณกำลังทดสอบพารามิเตอร์อะไร เนื่องจากเป็นประชากรขนาดเล็กที่ล้มเหลวฉันจึงพยายามค้นหาการกระจายสำหรับ "% ของยอดรวมที่เกิดขึ้นระหว่างปี X ที่ล้มเหลว" แทนที่จะหาการกระจายสำหรับรายการจริง คุณอาจพบผลลัพธ์ที่น่าสนใจ

— ทำเครื่องหมาย

@ user38826 ฉันเห็นด้วย MTTF ไม่ควรมีสาเหตุพิเศษที่ล้มเหลว ฐานจาก OP ก่อนหน้านี้ฉันมั่นใจว่า OP มีการจัดการกับความล้มเหลวเนื่องจากสาเหตุพิเศษ คำตอบของฉันสอดคล้องกับความคิดเห็นของมาร์ค อาจมีค่าในขณะที่ตรวจสอบว่ามีความล้มเหลวของสาเหตุพิเศษที่ไม่รวมอยู่ใน MTTF

— Mahendra Gunawardena