Tengo un producto del cual hemos enviado algo así como 500 unidades en los últimos cinco años. Este producto no está destinado a ser reparado por el usuario; una falla de cualquier componente hace que la unidad sea reemplazada. La mayoría de estas unidades nunca han visto problemas y todavía funcionan bien. Algunos han sido dañados y regresan para reparaciones.
¿Cómo haría para calcular el tiempo medio de falla (MTTF)? ¿Incluiría solo las unidades que han fallado? ¿O también figuraría en todas las unidades que están funcionando actualmente? ¿Qué pasa con el hecho de que solo tengo la fecha de venta, no la fecha de instalación? ¿Y que no sé qué fracción del tiempo de instalación está funcionando la unidad? ¿Debo hacer suposiciones razonables?
fuente
Respuestas:
En primer lugar, recuerde siempre que basura en = basura fuera; así que si sus datos son basura, sus estadísticas serán basura.
En esta situación, sus datos óptimos serían algo así como Horas de ejecución hasta el fallo y todo su conjunto de datos ya habría fallado. Con esto en mente, es posible que desee elegir un número conservador de cualquier estadística que calcule.
Dado que solo tiene una falla desde la fecha de venta, esto puede estar sesgado hacia un MTTF más alto.
Como no todo su producto ha fallado aún, puede observar un subconjunto más pequeño de su población, digamos los primeros seis meses de producción. Es probable que haya fallado un porcentaje mayor de estos (ya que el producto que vendió la semana pasada no debería fallar esta semana, con suerte).
Si su proporción de fallas aún es demasiado baja, entonces puede que tenga que intentar ajustar los datos a una distribución teniendo en cuenta que solo tiene la baja proporción de la distribución, es decir, debe extrapolar del conjunto de datos a una curva ajustada.
Por ejemplo, Weibull Distribution funcionaría bien aquí y se usa comúnmente para datos MTTF. La idea aquí es ajustar la proporción de su conjunto de datos que ha fallado a la proporción correspondiente de una distribución. Si su proporción de productos en su conjunto de datos que fallaron fue 48.66%, entonces lo ajustaría a esa probabilidad en su distribución hipotética como se muestra en el área sombreada en la siguiente imagen.
Sin embargo, esto puede ser bastante intensivo para cualquier cosa además de una distribución exponencial.
Otro método de extrapolación es por análisis de degradación.
fuente
Si no tiene datos duros, hacer suposiciones (preferiblemente "razonables") es la única opción que tiene. (Tal vez por eso los ingenieros solían llamar a sus reglas de cálculo "adivinanzas ...")
No puede ignorar el hecho de que la mayoría de las unidades no han fallado hasta ahora. Un enfoque plausible para esto sería utilizar los tiempos de falla que usted conoce, para ajustar los parámetros del modelo estadístico del proceso de falla. También debe verificar que las predicciones del modelo sean consistentes con los datos sin procesar, antes de usarlo para pronosticar algo.
Un modelo de uso común en ingeniería de confiabilidad es la distribución de Weibull, que puede representar una amplia gama de diferentes "causas raíz" de falla, y se ajustará automáticamente para usar la "mejor" forma de curva de probabilidad (dentro de los límites, por supuesto) para coincide con sus datos del mundo real.
Google encontrará muchos éxitos para el "tutorial de distribución de Weibull", etc., pero si es nuevo en esto, sería una buena idea obtener una visión general de la "ingeniería de confiabilidad" antes de entrar en detalles. Un buen lugar para comenzar sería una organización profesional de ingeniería, por ejemplo, la Sociedad Estadounidense para la Calidad (ASQ) .
La forma más práctica de hacer la estimación sería usar algún software de computadora en lugar de descubrir cómo hacer los cálculos a mano, pero sin más detalles del problema, es difícil recomendar un paquete en particular.
fuente
La herramienta estadística que Weibull sugirió en las dos respuestas anteriores es la herramienta elegida para los cálculos del Tiempo medio de falla (MTTF) . Según su comentario como la captura a continuación, parece que Weibull Analysis no generó los resultados esperados.
La mayoría de los estadísticos con los que he trabajado recomiendan un tamaño de muestra de 30 para la mayoría de los análisis estadísticos. Mi sospecha es que el tamaño limitado de los datos podría no estar ayudando al análisis. Sugiero comenzar con un cálculo simple de promedio y desviación estándar para el tiempo hasta la falla en función de los datos disponibles. Es posible que tenga que hacer algunas suposiciones razonables al calcular el tiempo hasta la falla en base a su producto. Por ejemplo
Con la tecnología actual y los datos disponibles, también puede refinar sus suposiciones.
El punto que estoy haciendo es buenas suposiciones razonables ayudarán a generar un buen conjunto de datos. Además, en mi experiencia, el cálculo del promedio básico y la desviación estándar ayudarán a comprender mejor el problema en cuestión.
El otro punto a tener en cuenta es determinar si las fallas se deben a
El análisis de causa raíz debe realizarse en fallas de causa especial y la acción correctiva debe implementarse. Las fallas por causas comunes son solo parte de hacer negocios en la industria específica y con la base de clientes específica.
Espero que esta respuesta encuentre una solución razonable al problema en cuestión.
Referencias
fuente