105374_de-DE

liliconcom

Zuverlässigkeit: Schätzung der Ausfallzeit unter speziellen Testbedingungen

Hallo,

 

Ein Kunde hat das folgende Szenario:

Sie erhalten von ihren Kunden Motortestdaten von einem Prüfstand (keine Felddaten). Dort testen sie unter verschiedenen Bedingungen und immer die volle Testzeit (die auch zwischen den Tests variieren kann). Mit solchen Daten erwartet der Kunde, dass er die Ausfallwahrscheinlichkeit im Feld abschätzen kann. So weit, so seltsam

 

Test Nr.	Bühne	Ventil vorhanden	Std.	Testtyp	Motor
5278	1	Ja	465	Nardo	M9
5278	2	Ja	465	Nardo	M9
6088	1	NEIN	300	SIE+NC	M9
6088	2	Ja	300	SIE+NC	M9
6117	1	Ja	187	Ausdauer	M9
6117	2	NEIN	187	Ausdauer	M9
6126	1	NEIN	214	mehrere	M9
6126	2	Ja	214	mehrere	M9
7291	1	Ja	300	SIE+NC	M9
7291	2	Ja	300	SIE+NC	M9
6107	1	NEIN	392	Heiß, kalt	M9
6107	2	Ja	392	Heiß, kalt	M9
7324	1	NEIN	417	Heiß, kalt	M9
7324	2	Ja	417	Heiß, kalt	M9
6917	1	NEIN	416	SIE+NC	M9
6917	2	Ja	416	SIE+NC	M9
6108	1	Ja	562	Cmax/ Pmax	M9
6108	2	Ja	562	Cmax/ Pmax	M9
1801	2	Ja	314	Cmax/ Pmax	R9
1839	2	NEIN	229	Heiß, kalt	R9
1839	2	NEIN	400	Heiß, kalt	R9
1020	2	Ja	435	SIE+NC	R9
833	2	NEIN	388	SIE+NC	R9
1903	2	Ja	357	Funke Ende.	R9
1025	2	Ja	279	Laquage	R9

In den Daten sehen Sie das Testszenario, zwei Motoren (M9 und R9). Ihre Teile befinden sich in den Motoren des OEM, der den Test mit seinen Motoren durchführt (nicht im Feld). Zu ihren Teilen gehören zwei Gummiventile, die als „Stufe“ aufgeführt sind. M9 hat zwei, R9 nur die zweite. Ein Testlauf ist fehlgeschlagen, wenn am Ende des Tests ein Ventil fehlt („no“ in Ventil vorhanden).

Ich habe einige Analysen durchgeführt (angehängte Datei), aber ich habe einige Fragen, ob es sich überhaupt um eine Analyse handelt, der man vertrauen kann.

 

1. Da die Testszenarien und die Testlaufzeiten unterschiedlich sind, hat dies Auswirkungen auf die Lebensdauerverteilung unter Berücksichtigung aller Beobachtungen? Ich denke ja.

2. Wenn man den Testtyp als konkurrierende Ursache verwendet, könnte man sehen, dass einige Testtypen nicht enthalten sind, da die Daten nur einen oder keinen Fehler enthalten. Dies führt natürlich zu einem riesigen Konfidenzintervall. Möchte man zumindest wissen, wann mit einem Ausfall zu rechnen ist, hätte man ab heute mehr Informationen. Ich denke, das lässt sich schon mit dieser Analyse machen, übersehe ich etwas?

3. Ist es ein Problem, wenn ein Fehler erst dann festgestellt wird, wenn der Lauf beendet ist? Ich vergleiche es mit reparierbaren Systemen und Wartungsintervallen, bei denen man lediglich erkennt, dass vor diesem Datum ein Fehler aufgetreten ist, aber nicht genau, um welchen Zeitpunkt vor diesem Wartungsdatum es sich handelt. Ich würde erwarten, dass die Unsicherheit zunimmt, aber wahrscheinlich nicht so sehr, dass die Ergebnisse nicht verwendet werden könnten. Ist das eine zu optimistische Sichtweise?

 

Wie würden Sie dieses Problem behandeln, wenn Sie die Art und Weise, wie die Tests von den OEMs durchgeführt werden, nicht ändern können?

 

Vielen Dank,

Martin

 

Betreff: Zuverlässigkeit: Schätzung der Ausfallzeit unter speziellen Testbedingungen

Basierend auf dem, was Sie beschrieben haben, stimme ich mit Don darin überein, dass Sie ein parametrisches Überleben anstreben: Stunden als Zeit bis zum Ereignis, Ventil vorhanden als Zensurindikator und Testtyp und Motor als Modelleffekte. Dann stellt sich die Frage: Wie geht man mit Stage um? Wenn bei M9-Motoren eines der beiden Ventile verloren geht, gilt dies als Fehler. Dann würde ich die Zeilen kombinieren und „Valve Present“ neu codieren, um die Änderung widerzuspiegeln, und einen neuen Fehlermodus erstellen, um anzugeben, ob der Fehler auf Stage zurückzuführen ist Fehler 1 oder 2. Mit anderen Worten: Sie würden ein parametrisches Überlebensmodell mit konkurrierenden Ursachen ausführen.

  

Betreff: Zuverlässigkeit: Schätzung der Ausfallzeit unter speziellen Testbedingungen

Ich würde mich für Fit Parametric (oder Generalized Regression, wenn der Kunde Pro hat) entscheiden. Ich bin mir nicht sicher, wie Sie die Effekte nutzen könnten. Vielleicht kann der Kunde Ihnen einen Einblick geben, wie das geht. Im schlimmsten Fall können Sie die Bedingungen für die signifikanten Auswirkungen mitteln.

Betreff: Zuverlässigkeit: Schätzung der Ausfallzeit unter speziellen TestbedingungenAch und ja, sie reparieren normalerweise nicht, sondern tauschen sie aus, also nicht reparierbar.Betreff: Zuverlässigkeit: Schätzung der Ausfallzeit unter speziellen TestbedingungenUm noch mehr Hintergrundinformationen zu geben:
Der Kunde produziert beispielsweise Ölfilter für Automotoren. Diese werden von ihren Kunden, z. B. OEMs, in ihren Motoren getestet. Ein Test läuft unter bestimmten Belastungsbedingungen, z. B. heiß/kalt oder bei hohen Touren, oder ... der Test läuft über eine bestimmte Zeit, z. B. 348 Stunden. Dann schauen sie, ob der Filter noch in Ordnung ist, in den Daten gibt es ein Teil mit zwei Ventilen, die noch im Teil sein müssen und nicht verloren gehen dürfen. Der nächste Test könnte unter anderen Bedingungen stattfinden. Sie testen sozusagen im Labor und nicht im Feld. Am Ende des Laufs prüfen sie, ob das Teil in Ordnung ist oder nicht. Daher wird es erst ausgeführt, wenn ein Fehler auftritt. Dies sind die Daten, die der OEM an meinen Kunden sendet und ihn bittet, die Ausfallwahrscheinlichkeit vor Ort anzugeben.
Ich hoffe, das macht es klarer.Betreff: Zuverlässigkeit: Schätzung der Ausfallzeit unter speziellen Testbedingungen

Martin,

Was wird getestet? Wenn Sie sagen, dass sie den Test die ganze Zeit über durchführen, gehe ich davon aus, dass alles, was getestet wird, bis zum Scheitern getestet wird (dh es handelt sich um ein nicht reparierbares System). Auf den ersten Blick würde ich denken, dass die Verwendung von Fit Parametric Survival der richtige Weg wäre, aber ich müsste etwas mehr wissen, bevor ich es mit Sicherheit sagen kann.

Don