«Deponier som energikälla | Main | CAFE standarder och hastighetsbegränsningar, Round 2»
Beräkning Tillförlitlighet med partiell Testresultat
Av Jeremy Gernand | 14 maj 2008
Få svar innan du är klar. Varför är folk alltid så otålig? Varför kan de inte vänta bara tills testning är klar innan de frågar efter svar? Jag antar att det bara är människans natur, eftersom jag har hört att fråga när jag har varit inblandad i pålitlighet testprogram. Och även om vi skulle veta mycket mer om vi väntade på fler uppgifter att rulla i, det finns gånger då vi kan utvärdera om vårt projekt står på grundval av delar av testresultat.
Tänk på det. Ni har säkert märkt att det i medicinska försök ibland (sällan) bara en liten stund till en flerårig undersökning av effekten av vissa läkemedel, medicinsk åtgärd, eller en anordning rättegången stoppas. Det beror nog statistik som har samlats för att fastställa att drogen eller förfarande är skadligt eller mycket positiva. Detta är anmärkningsvärda resultaten att komma så tidigt. Forskare tillbringar en stor mängd åtgärder för att säkerställa att de prövningar de utformar innehålla rätt mängd människor och rätt lång tid att bestämma ett svar. Etik kräver att experiment inte utförs på alltför många personer under alltför lång tid. Så, vad detta säger oss är att partiell statistik från en pågående test kanske kan ge oss viktig information.
Låt mig beskriva en idealisk situation där du kan behöva ge ett svar på partiell testresultat. Många situationer kan ge än mindre uppgifter som gör att tillhandahålla något svar extremt svagt i bästa baserat på din trovärdighet som tillförlitlighet analytiker. Låt oss säga att vi testar en population av enheter (20) i en Accelerated Life Test. På motsvarande livet av 27 cykler av 100, 6 enhet av våra totalt 20 har misslyckats. Från våra tidigare tester vi förväntar oss en beta Weibull form faktor kring 2,4, och vår tid att misslyckas data plottas på exponentiell kurva överensstämmer med den som (se denna sida för ett exempel). Denna faktor kommer att vara en källa till osäkerhet tills provningen är avslutad. Och naturligtvis, vi antar att vårt test är korrekt utformad.
Nu använder vanliga sex sigma metoder (åtminstone de grundläggande dem), inte lägga våra data inte särskilt mycket. Inte en enda enhet har genomfört testet framgångsrikt, och vi kommer att ha mycket att säga om huruvida en enhet ens kan överleva under provet. Men kan vi passa våra data till en Weibullfördelning kurva gett våra procent misslyckades värden vid en viss tidpunkt och våra förutsätts betavärde. Återigen kommer detta inte stämmer exakt med vad vi beräknar i slutet, men det kan ge användbar information i denna etapp.
Med hjälp av fri Weibull räknaren finns på denna webbplats, ger jag min indata och granska resultaten. Detta är ett utmärkt tillfälle att testa känslighet av resultaten till din insatsvaror, som vår information är i detta skede oklart. Varierande ingångarna med 10% till 15% och citerar de preliminära resultat som en rad värden som grundar sig på att varians kan ge mer förtroende för att du har minst angav regionen den sannolika utgången värden. Bilden nedan visar resultaten från räknaren. 
Som ni kan se våra resultat visar att 99,97% av våra enheter skulle inte före 100 cykler, med en medeltid mellan fel på ca 42 cykler. Det är inte en bra situation. Vi skulle få råd nu att hejda testa och förbättra vår design, trots att 70% av vårt test enheter fungerar perfekt. I det här fallet, vi har tillräckligt med uppgifter i detta skede av processen för att dra några slutsatser. Om vi fortsätter testet, det är sant, skulle vi kunna göra ännu fler slutsatser och göra en mer omfattande analys, men varför gå när man vet slutet på historien.
Artiklar:- Zero-Failure Reliability testing
- Konvertera B10 eller L10 lagerlivslängden till MTBF (Mean Time Between Failures)
- Verkliga framsteg Offentliggöranden Gratis Weibull Reliability Calculator
- Tillförlitlighet är inte något konstant
- Recension - IRCMS (Integrated Reliability Centered Maintenance System) med NAVAIR
Ämnen: analys |