Hoe kiest u betrouwbaarheidstestmonsters?

Ik geloof dat collega's die zich bezighouden met betrouwbaarheidswerk een vraag hebben: hoe kies je het aantal monsters in de onderzoeks- en ontwikkelingsfase? In de productontwikkelingsfase zullen er onvermijdelijk producttestspecificaties zijn, die beschrijven aan welk temperatuurbereik onze producten kunnen voldoen, hoeveel schok- en trillingsbelastingswaarden ze kunnen weerstaan, enz.
Vervolgens zijn we begonnen met het organiseren van testen om te verifiëren of onze producten konden voldoen aan de eisen uit de productspecificaties. Hoeveel monsters testen we voor elk testitem voordat we kunnen zeggen dat ons product aan onze productspecificaties voldoet?
Deel een methode die is geïntroduceerd in het boek Practical Reliability Engineering dat ik aan het lezen ben, en deel ook de uitleg en berekeningsgevallen van enkele fundamentele termen voor het meten van betrouwbaarheid.

Selectie van het aantal proefmonsters in de R&D-fase
Kijk eerst naar het concept van binomiale verdeling: de binomiale verdeling wordt herhaald in onafhankelijke Bernoulli-proeven. Er zijn slechts twee mogelijke uitkomsten in elke proef, en of deze twee uitkomsten optreden, is tegengesteld aan elkaar en onafhankelijk van elkaar. Ze hebben niets te maken met de resultaten van andere onderzoeken. De waarschijnlijkheid dat de gebeurtenis wel of niet plaatsvindt, blijft in elke onafhankelijke proef onveranderd. .
In de productontwikkelingsfase wordt ervan uitgegaan dat de waarschijnlijkheid van het testresultaat (geslaagd) of (mislukt) van elk R&D-monster in elk testitem bij elke onafhankelijke test onveranderd blijft. Volgens de binomiale verdelingstheorie citeer je Practical Reliability Engineering 14.3 2 De formule voor de betrouwbaarheid van de itemverdeling is als volgt:

De bovenstaande formule gaat ervan uit dat het aantal fouten k=0, en de vereenvoudigde formule is als volgt: C=1-R^N; het aantal testmonsters is N=Ln(1-C)/Ln(R); de onderstaande schermafbeelding is geciteerd uit Practical Reliability Engineering.

Let op voor het bovenstaande screenshotvoorbeeld: R verwijst hier naar de waarschijnlijkheid dat de betrouwbaarheid van producttestspecificaties wordt aangetoond. Verwar het niet met de betrouwbaarheid van exponentiële verdeling. R=e^(-λt) van exponentiële verdeling; verandert met de tijd. .

Als we het bovenstaande voorbeeld nemen als R=90% en C=50%, is het berekende aantal testmonsters in de R&D-fase 7. De populaire betekenis is als volgt: als er 7 testmonsters worden geselecteerd, als de testresultaten van alle 7 monsters slagen, er is 50% zekerheid dat het product dat we ontwikkelen zal voldoen aan de producttestspecificaties met een waarschijnlijkheid van 90% (ongeacht hoeveel producten we in de toekomst verkopen). Op de markt, zolang alle 7 monsters getest in de R&D stage pass, kunnen we tegenover de buitenwereld verklaren dat we er 50% zeker van zijn dat 90% van de producten op de markt kunnen voldoen aan de testspecificaties van onze producten. Uiteraard is het uitgangspunt hier om ervoor te zorgen dat de R&D fase is hetzelfde als batchsegment).

Na het lezen van de inleiding in het boek is de industriestandaard voor industriële automatisering het gebruik van R=97% & C=50%, wat resulteert in N=23. Sommige mensen hier hebben misschien vragen: welke afdeling definieert de waarden van R en C? Hoe het te definiëren? Dit is ook mijn vraag, en het is ook een probleem bij de ontwikkeling van betrouwbaarheid en kwaliteitswerk... De onderzoeks- en ontwikkelingskosten van sommige producten zijn bijvoorbeeld te hoog. Normaal gesproken levert het project slechts één product op voor onderzoeks- en ontwikkelingstests. Als het de test op basis van dit voorbeeld doorstaat, kan het alleen C=50%, R=50% zeggen... Ik geloof dat dit ook de huidige situatie van de meeste bedrijven is...

Uitleg van basisbegrippen voor betrouwbaarheidsmetingen en rekenvoorbeelden

Onlangs kwam ik op het werk een klant tegen die vroeg naar de berekening van PPM, MTBF en betrouwbaarheidswaarschijnlijkheid R. Ik zal het niet hebben over het geval van de klant, maar deel wat ik zag in Practical Reliability Engineering;

MTBF: Tussentijd tussen mislukkingen; R(t)=e^(-1/MTBF*t) in exponentiële verdeling;

PPM: delen per miljoen; R(t)=1-PPM(t)/(10^6);

BX-Life: Als x=10 hier betekent dit R=90%;

Analyse van bovenstaand voorbeeld: Het product vereist een levensduur van B10 van 5 jaar, wat betekent dat de betrouwbaarheid van het product na 5 jaar 90% is. In het voorbeeld is het MTTF (MeanTime To Failure), dat voldoet aan de exponentiële verdeling. Vervang dit door formule 14.2 in de bovenstaande afbeelding om MTTF=47,5 jaar te verkrijgen, wat het jaarlijkse uitvalpercentage λ=0,021 betekent (hier wordt een andere verklaring geïntroduceerd, omdat MTTF {{10} },5 jaar, dan is het jaarlijkse reparatiepercentage=1/47.5=2,1%, wat erg hoog is... Meestal zijn consumentenproducten lager dan 0,3%...); de PPM-waarde is 100,000, wat betekent dat na vijf jaar 100,000 producten per miljoen zullen falen.