Bagaimana cara saya menghitung waktu rata-rata hingga gagal?

8

Saya memiliki produk yang telah kami kirim sekitar 500 unit selama lima tahun terakhir. Produk ini tidak dimaksudkan untuk diservis oleh pengguna; kegagalan komponen apa pun menyebabkan unit diganti. Sebagian besar unit ini tidak pernah melihat masalah dan masih berfungsi dengan baik. Beberapa telah rusak dan kembali untuk diperbaiki.

Bagaimana cara saya menghitung waktu rata-rata untuk kegagalan (MTTF)? Apakah saya hanya akan menyertakan unit yang gagal? Atau apakah saya juga mencari di semua unit yang saat ini beroperasi? Bagaimana dengan fakta bahwa saya hanya memiliki tanggal penjualan, bukan tanggal pemasangan? Dan saya tidak tahu seberapa kecil waktu terpasang unit berjalan? Haruskah saya membuat asumsi yang masuk akal?

statistics mathematics failure-analysis

— Stephen Collings
sumber

Apa akurasi yang diharapkan dari MTTF?

— Mahendra Gunawardena

@ MahendraGunawardena Saya tidak tahu bagaimana saya akan mulai menjawab pertanyaan itu, sayangnya.

— Stephen Collings

Apakah mungkin untuk pergi ke pelanggan dan bertanya kepada mereka seperti apa waktu operasi unit yang mereka beli lihat? Bahkan jika itu adalah perkiraan kasar, saya membayangkan itu akan memberi Anda waktu kerja yang lebih baik daripada yang bisa Anda dapatkan hanya dengan menebak sendiri.

— Trevor Archibald

5

Pertama, selalu ingat bahwa sampah = sampah keluar; jadi jika data Anda adalah sampah maka statistik Anda akan menjadi sampah.

Dalam situasi ini, data optimal Anda akan menjadi seperti Jam Berjalan Hingga Gagal dan seluruh dataset Anda sudah gagal. Dengan mengingat hal ini, Anda mungkin ingin memilih nomor konservatif dari statistik apa pun yang Anda hitung.

Karena Anda hanya mengalami kegagalan sejak tanggal penjualan, ini mungkin condong ke MTTF yang lebih tinggi.

Karena tidak semua produk Anda gagal namun Anda dapat melihat bagian yang lebih kecil dari populasi Anda, katakanlah enam bulan pertama produksi. Persentase yang lebih tinggi dari ini kemungkinan besar gagal (karena produk yang Anda jual minggu lalu seharusnya tidak gagal minggu ini, semoga).

Jika proporsi kegagalan Anda masih terlalu rendah maka Anda mungkin harus mencoba menyesuaikan data dengan distribusi dengan mengingat bahwa Anda hanya memiliki proporsi distribusi yang rendah, yaitu Anda harus mengekstrapolasi dari dataset ke kurva yang dipasang.

Sebagai contoh, Distribusi Weibull akan bekerja dengan baik di sini dan biasanya digunakan untuk data MTTF. Idenya di sini adalah untuk menyesuaikan proporsi dataset Anda yang telah gagal dengan proporsi distribusi yang sesuai. Jika proporsi produk Anda dalam dataset Anda yang gagal adalah 48,66% maka Anda akan cocok dengan probabilitas itu pada distribusi hipotesis Anda seperti yang ditunjukkan oleh area berarsir pada gambar berikut.

PDF

Ini bisa agak intensif, untuk apa pun selain distribusi eksponensial.

Metode ekstrapolasi lain adalah dengan Analisis Degradasi

— Simulator Ketajaman
sumber

4

Jika Anda tidak memiliki data keras, membuat asumsi (lebih disukai "masuk akal") adalah satu-satunya pilihan yang Anda miliki. (Mungkin itu sebabnya para insinyur biasa menyebut aturan slide mereka "menebak tongkat ...")

Anda tidak dapat mengabaikan fakta bahwa sebagian besar unit belum gagal sejauh ini. Pendekatan yang masuk akal untuk ini akan menggunakan waktu-ke-kegagalan yang Anda tahu, agar sesuai dengan parameter model statistik dari proses kegagalan. Anda juga perlu memeriksa bahwa prediksi model konsisten dengan data mentah, sebelum Anda menggunakannya untuk memperkirakan apa pun.

Model yang umum digunakan dalam rekayasa reliabilitas adalah distribusi Weibull, yang dapat mewakili berbagai macam "akar penyebab" kegagalan yang berbeda, dan secara otomatis akan menyesuaikan untuk menggunakan bentuk terbaik dari kurva probabilitas (dalam batas, tentu saja) untuk cocokkan dengan data dunia nyata Anda.

Google akan menemukan banyak hits untuk "tutorial distribusi Weibull" dll, tetapi jika Anda baru dalam hal ini akan menjadi ide yang baik untuk mendapatkan gambaran umum "rekayasa keandalan" sebelum Anda memasukkan rinciannya. Tempat yang baik untuk memulai adalah organisasi teknik profesional, misalnya American Society for Quality (ASQ) .

Cara paling praktis untuk membuat perkiraan adalah dengan menggunakan beberapa perangkat lunak komputer daripada mencari tahu bagaimana melakukan matematika dengan tangan, tetapi tanpa masalah yang lebih spesifik, sulit untuk merekomendasikan paket tertentu.

— alephzero
sumber

Komentar Anda tentang memastikan bahwa prediksi konsisten dengan data mentah sudah tepat! Kami mengumpulkan spreadsheet distribusi Weibull. Dari serangkaian kegagalan yang sangat terbatas sejauh ini, MTTF kami menghasilkan sekitar enam bulan, dengan tingkat kegagalan 99% yang diharapkan dalam lima tahun. Ini sama sekali tidak konsisten dengan kenyataan. Sehingga menimbulkan pertanyaan ... sekarang bagaimana?

— Stephen Collings

2

Alat statistik Weibull seperti yang disarankan oleh dua tanggapan sebelumnya adalah alat pilihan untuk perhitungan Mean Time To Failure (MTTF) . Berdasarkan komentar Anda sebagai tangkapan di bawah, tampaknya Analisis Weibull tidak menghasilkan hasil yang diharapkan.

Kebanyakan ahli statistik yang telah bekerja dengan saya merekomendasikan ukuran sampel 30 untuk sebagian besar analisis statistik. Kecurigaan saya adalah bahwa ukuran data yang terbatas mungkin tidak membantu analisis. Saya sarankan memulai dengan perhitungan simpangan rata-rata dan standar sederhana untuk waktu ke kegagalan berdasarkan data yang tersedia. Anda mungkin harus membuat beberapa asumsi yang masuk akal ketika menghitung waktu hingga kegagalan berdasarkan pada produk Anda. Sebagai contoh

Asumsi : Waktu gagal (hari) = Tanggal pengembalian - Tanggal pengiriman

Dengan teknologi saat ini dan data yang tersedia, Anda mungkin dapat memperbaiki asumsi Anda juga.

Peningkatan Asumsi : Waktu gagal (hari) = Tanggal pengiriman produk kembali Pelanggan - Tanggal penerimaan produk awal Pelanggan

Poin yang saya buat adalah asumsi yang masuk akal dan baik akan membantu menghasilkan set data yang baik. Juga dalam pengalaman saya perhitungan rata-rata dasar dan standar deviasi akan membantu mendapatkan wawasan yang baik tentang masalah yang dihadapi.

Hal lain yang perlu diperhatikan adalah menentukan apakah kegagalan itu disebabkan

Penyebab khusus
Penyebab umum

Analisis akar penyebab perlu dilakukan pada kegagalan penyebab khusus dan tindakan korektif perlu dilaksanakan. Kegagalan penyebab umum hanyalah bagian dari melakukan bisnis di industri tertentu dan dengan basis pelanggan tertentu.

Semoga jawaban ini menemukan solusi yang masuk akal untuk masalah yang dihadapi.

Referensi:

— Mahendra Gunawardena
sumber

Sebutan yang bagus tentang kegagalan penyebab khusus. Mereka dapat dikaitkan dengan manufaktur tetapi mereka juga dapat dikaitkan dengan penggunaan lapangan di luar parameter operasi yang disarankan yang akan membatalkan garansi. Apakah Anda setuju untuk tidak memasukkan kegagalan penyebab khusus dalam MTTF?

— Acumen Simulator

Juga, parameter apa yang Anda uji? Karena ini adalah populasi kecil yang gagal, saya akan mencoba mencari distribusi untuk "% dari total yang dibuat selama Tahun X yang gagal" daripada menemukan distribusi untuk barang-barang yang sebenarnya. Anda mungkin menemukan beberapa hasil menarik seperti itu.

— Markus

@ user38826, saya setuju MTTF seharusnya tidak menyertakan kegagalan penyebab khusus. Berdasarkan OP sebelumnya, saya terlalu yakin OP memiliki alamat yang gagal karena sebab khusus. Tanggapan saya sejalan dengan komentar Mark. Mungkin bernilai saat menyelidiki bahwa kegagalan penyebab khusus tidak termasuk dalam MTTF.

— Mahendra Gunawardena