Je pense que mes collègues engagés dans des travaux de fiabilité se posent une question : comment choisir le nombre d'échantillons au stade de la recherche et du développement ? Au cours de la phase de développement du produit, il y aura inévitablement des spécifications de test de produit, qui décrivent la plage de température que nos produits peuvent respecter, les valeurs de contraintes de choc et de vibration qu'ils peuvent supporter, etc.
Ensuite, nous avons commencé à organiser des tests pour vérifier si nos produits pouvaient répondre aux exigences des spécifications du produit. Ainsi, pour chaque élément de test, combien d’échantillons testons-nous avant de pouvoir dire que notre produit répond à nos spécifications de produit ?
Partagez une méthode présentée dans le livre Practical Reliability Engineering que je lis, et partagez également l'explication et les cas de calcul de certains termes de base de mesure de fiabilité.
Sélection du nombre d'échantillons de test en phase de R&D
Référez-vous d'abord au concept de distribution binomiale : la distribution binomiale est répétée dans des essais de Bernoulli indépendants. Il n'y a que deux résultats possibles dans chaque essai, et la question de savoir si les deux résultats se produisent est opposée et indépendante l'une de l'autre. Ils n'ont rien à voir avec les résultats d'autres essais. La probabilité que l'événement se produise ou non reste inchangée dans chaque essai indépendant. .
Au stade du développement du produit, on considère que la probabilité du résultat du test (réussite) ou (échec) de chaque échantillon de R&D dans chaque élément de test reste inchangée dans chaque test indépendant. Selon la théorie de la distribution binomiale, citez Practical Reliability Engineering 14.3 2 La formule de confiance dans la distribution des éléments est la suivante :
La formule ci-dessus suppose que le nombre d'échecs k=0, et la formule simplifiée est la suivante : C=1-R^N ; le nombre d'échantillons de test est N=Ln(1-C)/Ln(R) ; la capture d'écran ci-dessous est citée par Practical Reliability Engineering.
Pour l'exemple de capture d'écran ci-dessus, notez : R fait ici référence à la probabilité de démontrer la fiabilité des spécifications de test du produit. Ne le confondez pas avec la fiabilité de la distribution exponentielle. R=e^(-λt) de distribution exponentielle ; change avec le temps. .
En prenant l'exemple ci-dessus comme R=90 % et C=50 %, le nombre calculé d'échantillons de test dans l'étape de R&D est de 7. La signification populaire est la suivante : lorsque 7 échantillons de test sont sélectionnés, si le Les résultats des tests des 7 échantillons sont réussis, il y a 50 % de confiance que le produit que nous développons répondra aux spécifications de test du produit avec une probabilité de 90 % (peu importe le nombre de produits que nous vendrons à l'avenir sur le marché, à condition que les 7 échantillons soient Testé au cours de l'étape R&D, nous pouvons déclarer au monde extérieur que nous sommes sûrs à 50 % que 90 % des produits sur le marché peuvent répondre aux spécifications de test de nos produits. Bien entendu, le principe ici est de garantir que la R&D l'étape est identique au segment de lot).
Après avoir lu l'introduction du livre, la norme industrielle en matière d'automatisation industrielle consiste à utiliser R=97 % et C=50 %, ce qui donne N=23. Certaines personnes ici peuvent se poser des questions, quel département définit les valeurs de R et C ? Comment le définir ? C'est aussi ma question, et c'est aussi une difficulté dans le développement d'un travail fiable et de qualité... Par exemple, les coûts de recherche et développement de certains produits sont trop élevés. Habituellement, le projet ne fournira qu’un seul produit pour les tests de recherche et développement. S'il réussit le test basé sur cet échantillon, il ne peut dire que C=50%, R=50%... Je pense que c'est aussi la situation actuelle de la plupart des entreprises...
Explication des termes de base de mesure de la fiabilité et exemples de calcul
Récemment, j'ai rencontré un client au travail qui m'a posé des questions sur le calcul du PPM, du MTBF et de la probabilité de fiabilité R. Je ne parlerai pas du cas du client, mais partagerai ce que j'ai vu dans Practical Reliability Engineering ;
MTBF : intervalle entre les défaillances ; R(t)=e^(-1/MTBF*t) en distribution exponentielle ;
PPM : parties par million ; R(t)=1-PPM(t)/(10^6);
BX-Life : Si x=10 ici, cela signifie R=90 % ;
Analyse de l'exemple ci-dessus : Le produit nécessite que la durée de vie de B10 soit de 5 ans, ce qui signifie que la fiabilité du produit après 5 ans est de 90 %. Dans l'exemple, c'est le MTTF (MeanTime To Failure), qui satisfait la distribution exponentielle. Remplacez-le par la formule 14.2 dans la figure ci-dessus pour obtenir MTTF=47,5 ans, ce qui signifie le taux de défaillance annuel λ=0,021, (une autre déclaration est introduite ici, car MTTF {{10} },5 ans, puis le taux de réparation annuel=1/47.5=2,1 %, ce qui est très élevé... Habituellement, les produits de grande consommation sont inférieurs à 0,3 %...); la valeur PPM est de 100,000, ce qui signifie qu'après 5 ans, 100,000 produits par million tomberont en panne.