349209_fr-FR

liliconcom

Développement accéléré de tests de durée de vie pour démontrer et quantifier la fiabilité des moteurs de lave-linge (2021-EU-PO-741)

Niveau : Avancé

 

André Caron Zanezi, ceinture noire Six Sigma, WEG Electric Equipment
Danilo da Silva Toniato, ingénieur qualité, WEG Electric Equipment

 

L'assurance qualité et les besoins des clients sont des termes rigoureux qui font souvent référence à la fiabilité. L'amélioration des produits en termes de fiabilité défie les ingénieurs de multiples façons, y compris la compréhension des relations de cause à effet et le développement de tests qui reproduisent les conditions des clients et génèrent correctement des données fiables sans dépasser le délai de lancement du produit. Combinant l'expertise en ingénierie, les données historiques et les ressources de laboratoire, un plan d'expérience (DOE) a été réalisé pour quantifier la durée de vie du produit en fonction des variables de processus, de produit et d'application critiques. En réalisant plusieurs analyses à l'aide des outils JMP, de la plateforme DOE aux modules Fiabilité et Survie, l'équipe a pu décrire la durée de vie du produit en fonction de ses facteurs critiques. En conséquence, un test de durée de vie accéléré a été établi, capable de simuler des années d'utilisation du produit en quelques semaines seulement, fournissant des preuves solides de certains modes de défaillance spécifiques. Standardisant ses méthodes et procédures, le test est devenu une exigence cruciale pour vérifier et valider les nouvelles technologies mises en œuvre chez WEG Motors, optimiser le processus de développement et réduire les délais de mise sur le marché.

 

Cette affiche explique comment nous avons utilisé JMP pour analyser les données et développer un test de durée de vie accéléré. Le projet a suivi l'approche par étapes :

Charte du projet : comprenant les objectifs primaires et secondaires, l'équipe multidisciplinaire a été formée pour partager des informations et des connaissances sur les données historiques des clients, les ressources de laboratoire, la fiabilité du moteur, les relations de cause à effet, les conditions d'application environnementales et l'analyse des données de fiabilité.
Analyse des données historiques : connaissant et quantifiant les risques liés à l'analyse des données historiques, l'équipe a ajusté certaines distributions de durée de vie pour comprendre l'échelle et les paramètres de forme des cycles jusqu'à l'échec (CTF). Principalement, le paramètre de forme fait référence au mode de défaillance à reproduire dans les tests de laboratoire, selon la courbe de Bathtub.
Planification et analyse du DOE : Afin de reproduire les pannes, la compréhension de la fiabilité des moteurs a été validée par des relations de cause à effet, fournies par une analyse par arbre de défaillance (FTA). L'ALE était une source de variables critiques combinées dans une expérience conçue (DOE) pour quantifier comment accélérer les cycles de produits jusqu'à l'échec.
Conclusion : en conséquence, le DOE a fourni un profileur de surface avec l'indication de la meilleure condition pour accélérer la durée de vie des produits. Le test accéléré a également fourni un paramètre de forme qui, comparé aux données historiques, montre un chevauchement, ce qui signifie que les mêmes défaillances historiques sur le terrain ont été reproduites dans des conditions contrôlées.
Mise en œuvre: avec un test accéléré, le processus de développement et d'innovation deviendra plus rapide tout en fournissant des informations importantes sur la fiabilité du produit.

 

 

Transcription générée automatiquement...

 

Conférencier	Transcription
André Zanezi	Alors bonjour tout le monde. Je m'appelle André Zanezi. Et comme je suis ceinture noire Six Sigma chez Weg. Et je suis ici aujourd'hui au Discovery Summit pour parler du développement d'un test accéléré de durée de vie pour démontrer et quantifier la fiabilité des moteurs de machines à laver.
	Nous savons que certaines... chaque entreprise, lorsqu'elle développe de nouvelles technologies, de nouvelles solutions, souvent
	font face à des défis lorsqu'ils doivent améliorer la fiabilité de leur produit.
	Nous sommes confrontés au même problème, aux mêmes défis. Et le projet doit analyser et comprendre nos données de fiabilité historiques pour quantifier nos données de fiabilité historiques.
	Et essayer de mettre au point une procédure, un test de durée de vie accélérée dans nos labos internes, des labos pour reproduire notre panne... nos modes de panne vus. Fondamentalement, en le faisant, nous pourrions développer...
	développer des modèles dans les deux premiers sens. Donc, à la première étape, nous obtenons des données historiques de nos moteurs.
	Et en utilisant les modules de fiabilité et de survie de JMP, nous adaptons une distribution de durée de vie à nos moteurs. Et nous savons que
	en ajustant certaines distributions de durée de vie comme les distributions de Weibull, nous pouvons comprendre la fiabilité de nos moteurs, la durée de vie de nos moteurs. Et dans JMP, nous pouvons également
	utiliser les distributions de durée de vie et ajuster
	différentes distributions pour différents modes de défaillance. Et nous l'avons fait pour quatre principaux modes de défaillance différents. Et nous l'avons comparé, nous l'avons analysé et avons compris ou compris la durée de vie de nos moteurs, la fiabilité de nos moteurs.
	Et ce faisant, nous avons été capables de comprendre et de quantifier nos paramètres d'échelle et de forme et, en gros, de le faire, combien de cycles étaient nécessaires pour avoir une panne.
	Et aussi, selon le ??? savoir à quel type de modes de défaillance nous sommes confrontés. Et nous avons... nous avons également effectué une vérification croisée avec notre interne... nos KPI de validation, essentiellement
	tracer la survie. Nous avons des diagrammes de survie et des vérifications croisées avec des KPI internes pour comprendre si la probabilité et la plage de défaillance étaient correctes avec... si nos données étaient fiables. Et en comprenant tous ces modes de défaillances, nous pourrions
	nous pourrions développer un test interne pour accélérer sur... accéléré notre interne ... notre test interne. Et essentiellement de le faire. Nous devrions comprendre la physique, l'environnement...
	que les conditions environnementales de nos moteurs sont
	travaille dans. Nous l'avons fait par le biais d'une analyse d'arbre de défaillances, en déployant essentiellement
	et comprendre les relations de cause à effet. Ce faisant, nous pourrions définir les variables les plus critiques dans ces relations de cause à effet. Et encore une fois, utilisez JMP pour concevoir une expérience
	afin d'essayer de quantifier l'effet de certaines variables dans notre réponse à nos cycles d'échec. Fondamentalement, nous essayions de reproduire des défaillances sur le terrain dans nos laboratoires. Et nous l'avons fait, nous allons courir plusieurs
	tests, et à la suite de nos expériences, nous pourrions avoir ... nous pourrions définir et ajuster certains en utilisant le modèle d'ajustement ... des ajustements sur des modèles à nos données et comprendre la relation de notre
	variables d'environnement et de moteurs aux cycles jusqu'à l'échec, et comprendre le tracé de survie, et trier le tracé de surface, comprendre la relation de certaines variables avec les cycles jusqu'à l'échec,
	et définir un point spécifique pour accélérer la durée de vie de nos moteurs. Et encore une fois, en exécutant un lot d'échantillons, nous pourrions
	définir et ajuster des distributions de durée de vie pour nos résultats internes, pour nos tests internes en test de durée de vie accélérée. UN
	nous voyions quelques échecs mais à la fin de cette expérience, de ces tests accélérés, nous devrions nous assurer que nous sommes confrontés et que nous causons les mêmes échecs que nous avions dans les données historiques.
	Nous revenons donc aux distributions de durée de vie dans le module de survie et de fiabilité dans le module de survie.
	Et encore une fois, ajustez maintenant certaines distributions de Weibull pour nos résultats internes... internes pour nos tests de durée de vie accélérés.
	Et nous avons noté qu'en gros, ils façonnent le paramètre, le paramètre de cela, selon le meilleur pour signifier le mode de remplissage et
	on croise ces informations avec nos données historiques et on voit qu'en croisant les deux informations, on a un chevauchement
	entre le paramètre de forme du test interne et le paramètre de forme des données historiques. Et cela signifie essentiellement que nous avons... nous ne reproduisons pas les mêmes modes de défaillance dans notre test de durée de vie accélérée.
	Et fondamentalement, cela signifie que maintenant nous pouvons développer des produits plus rapidement car chaque fois que nous avons une nouvelle technologie et un nouveau design, nous pouvons le mettre sur ce test de durée de vie accéléré
	et quantifier si nous améliorons la fiabilité de nos moteurs. Et nous pouvons le faire plus rapidement qu'auparavant et développer plus rapidement... développer des produits plus rapidement.
	Nous avons également effectué des vérifications croisées techniques pour prouver que nous sommes confrontés à la reproduction des mêmes échecs à mettre en œuvre dans ce test dans le processus de développement, de sorte que c'est ainsi que nous avons utilisé JMP pour fournir beaucoup d'informations et les mettre sur notre test interne. C'était fabriqué
	par
	vraiment de bonnes équipes. N'hésitez pas à prendre contact et à envoyer un e-mail si vous avez des questions. Et c'est la fin.

Le meilleur du sommetBICHEePosterQualité et fiabilité