Hlavním zájmem spolehlivosti je předpovědět pravděpodobnost výskytu selhání systému (selhání). Toho se dosáhne zavedením zákona spolehlivosti .
Společnost uvádí N systémy na trh v čase 0; předpokládáme, že tyto systémy nepodléhají opravám. Zaznamenáváme momenty prvního selhání t i : { t 1 , t 2 …, t n }, které předpokládáme klasifikovány vzestupně. Index i se nazývá „rank“, protože je indexem sekvence . Pojem „moment“ může označovat provozní dobu - obecně vyjádřenou v hodinách, dnech nebo letech -, ale také počet otáček pro rotující stroj, počet cyklů pro systém pracující v cyklech atd.
Kdykoli t , můžeme určit podíl systémů, které zažili selhání: je to „úmrtnost“, označil F:
nebo indexovaným způsobem, protože t i jsou klasifikovány vzestupně
, kde N je velikost pozorovaného vzorku.Množství i = karta { t j ≤ t } - počet systémů, u kterých došlo k selhání před t (viz Cardinal (matematika) ) - se nazývá „kumulativní počet poruch“; F se také nazývá „kumulativní frekvence“. Úmrtnost F začíná od 0 - všechny systémy se považují za funkční při uvedení do provozu - a po určité době dosáhne 1 (nebo 100%) - systémy nejsou věčné a všechny jednou selhávají. Tato funkce F statisticky odpovídá distribuční funkci .
Také jsme definovali doplňkovou funkci zvanou „spolehlivost“ nebo „přežití“ a zaznamenali jsme R (spolehlivost) :
R ( t ) = 1 - F ( t ) R i = 1 - F iObecně je to tato funkce R, kterou považujeme: umožňuje pozitivnější prezentaci spolehlivosti (mluvíme spíše o tom, co funguje, než co ne). Z matematického hlediska je F relevantnější, protože se jedná o distribuční funkci. V analýze složitých systémů je R relevantnější v případě asociací sérií a F je relevantnější v případě paralelních asociací ( redundance ), viz Funkční diagramy spolehlivosti . V případě systému podle exponenciálního nebo Weibullova zákona - velmi časté situace - je vyjádření zákona o přežití R jednodušší než u zákona o úmrtnosti F.
Okamžiky výskytu poruch t i jsou náhodné proměnné . Ve skutečnosti jsou R (a F) také náhodné proměnné, je proto nutné opravit kumulativní frekvence pomocí vzorců vyplývajících z binomického zákona .
Velikost vzorku | Vzorec | Kumulativní frekvence |
---|---|---|
N ≤ 20 | vzorec střední hodnoty | |
20 ≤ N ≤ 50 | vzorec průměrného hodnocení | |
N ≥ 50 | vzorec režimu |
F i je kumulativní frekvence, takže je pravděpodobnost, že t je menší nebo rovno t i :
F i = P ( t ≤ t i )Pravděpodobnost, že máme hodnoty k v [0; t i ] je ekvivalentní s k výběru pravděpodobnosti F i , máme tedy podle binomického rozdělení pravděpodobnost
Jelikož jsou data selhání seřazená podle pořadí, pravděpodobnost, že t i je ve skutečnosti i - tou hodnotou, je tedy pravděpodobností, že máme hodnoty i v [0; t i ] buď
Tato pravděpodobnost p je míra spolehlivosti v poloze t i . Rozeznáváme vzorec hustoty pravděpodobnosti Fisherova zákona
s
a stupně volnosti můžeme identifikovat podle exponentů:
Pokud opravíme úroveň spolehlivosti, můžeme určit F i převrácením binomického zákona. To zahrnuje distribuční funkci Fisherova zákona :
se stupni volnosti
Když vezmeme v úvahu střední hodnost, vezmeme p = 0,5 (50%), což nám dává uvažované vzorce.
Můžeme také definovat interval spolehlivosti pro dané bilaterální riziko α (bilaterální úroveň spolehlivosti 1 - α), přičemž Fisherův zákon , kde Q p ( ν 1 , ν 2 ) je kvantil řádu p Fisherova zákona:
dolní limit :, sNe vždy známe přesný čas výskytu poruchy; někdy máme počet poruch, ke kterým došlo během časového intervalu ( intervalová cenzura ). Například pokud je systém monitorován několik let, počet poruch se zaznamenává každý měsíc. V době t i tedy máme počet n j poruch vyskytujících se v intervalech] t j - 1 ; t j ]. Pak máme
případně opraveno hodnostním vzorcem.
Výše uvedená metoda je také vhodná, když zastavíme pozorování v daném okamžiku, zatímco některé systémy jsou stále v provozu: jedná se o případ správné cenzury, ale pro kterou poté nemáme žádné údaje. Datum cenzury.
Na druhou stranu tato metoda není vhodná, pokud je cenzura nalevo nebo cenzura napravo, ale s pozdějšími daty selhání; například pokud systém nefunguje nebo z nějakého důvodu podstoupí předporuchovou údržbu. V těchto případech se používají metody, které vypočítají pravděpodobnost P i selhání v intervalu i , z čehož potom odvodí spolehlivost R i .
Používáme hlavně Kaplan-Meierovu metodu , pojistněmatematickou metodu a Turnbullovu metodu , vzácněji Wayne-Nelsonovu metodu a Herd-Johnsonovu korigovanou hodnostní metodu . Pokud nemáme žádnou cenzuru, obecně najdeme vzorec průměrných hodností nebo režimů.
Hustota selhání je definována jako rychlost změny funkce úmrtnosti F. Jedná se o „míru úmrtnosti“:
nebo:
Pokud n ( t ) je počet kumulativních poruch v čase t (počet poruch mezi 0 at ), pak máme
a tak
.S indexovanou notací máme:
.Všimněte si rozdílu mezi n i , což je počet poruch mezi t i a t i + 1 , a n ( t ), což je počet poruch mezi 0 a t .
Míra selhání λ (řecké písmeno lambda) v intervalu] t , t + Δ t ] definujeme jako opak relativní rychlosti změny přežití:
Jedná se tedy o poměr počtu poruch v tomto intervalu k počtu systémů zbývajících na začátku intervalu, dělený délkou intervalu. Je to kladné číslo. My máme :
nebo indexovaným způsobem
Rozdíl mezi hustotou ƒ a rychlostí λ může být obtížné pochopit. Řekněme, že když uvedeme systém do provozu, víme, že po určité době používání t v budoucnu bude mít pravděpodobnost ƒ poruchy. Pokud nyní vezmeme v úvahu systém, který již byl používán pro období t , víme, že nyní má pravděpodobnost λ selhání.
Kritickým bodem je obvykle sběr dat.
Nejjednodušší je případ průmyslníka v závislosti na jeho flotile strojů: požádá svůj tým údržby, aby zaznamenal poruchy. V případě výrobce, který by chtěl zhodnotit prodávané výrobky, je problém delikátnější. Výrobci automobilů obecně vyžadují, aby údržba byla prováděna v garáži v jejich síti pod sankcí zrušení záruky , což umožňuje získávat statistiky během tohoto období; problém je pak v tom, že nevíme, jak byl produkt použit (plynulá nebo nervózní jízda, dálnice nebo město), známe pouze datum uvedení do provozu a počet najetých kilometrů.
Výrobce však může chtít před uvedením na trh posoudit zákon o přežití, aby bylo možné stanovit délku záruční doby a doporučit datum údržby / generální opravy. K tomu může provést testy spolehlivosti. Zkouška musí reprodukovat skutečné použití výrobku, což znamená definovat „profil mise“, tj. Referenční způsob použití (typ jízdy vozidla, rychlost výroby a nastavení průmyslového stroje atd.).
Důležitým bodem je, pokud je to možné, rozlišovat mezi různými režimy selhání. Ve skutečnosti každý režim selhání sleduje svou vlastní statistiku úmrtnosti / přežití a chování složitého systému můžeme vidět jako složení každého režimu. V závislosti na úrovni cílených detailů můžeme oddělit data pro každou komponentu (subsystém) nebo pro daný subsystém různé režimy selhání - například pro mechanickou část rozlišit opotřebení od poruchy unavené.
Železniční společnost, která rok sleduje první poruchu vzorku 28 lokomotiv , kdy dojde k jejich první generální opravě. Časy služby před prvním selháním jsou uvedeny ve dnech a jsou vzestupně: {2, 5, 9, 13, 17, 22, 27, 39, 39, 39, 52, 64, 64, 76, 86, 97 , 108, 121, 135, 151, 169, 191, 215, 245, 282, 332,> 365,> 365}. Máme N = 28, takže použijeme vzorec průměrných řad.
Všimněte si, že dvě z lokomotiv neutrpěly před první opravou žádnou poruchu; jde o případ pravicové cenzury . Tyto dva případy neumožňují „umístit body“ na křivku, ale přesto vstupují do statistik, protože jsou součástí celkového počtu N. Nejprve použijeme metodu pořadí.
Kumulativní počet poruch i |
Okamžitá porucha t i (j) |
Kumulativní frekvence (úmrtnost) F |
Spolehlivost (přežití) R |
Míra selhání λ (j −1 ) |
---|---|---|---|---|
1 | 2 | 0,034 5 | 0,966 | 0,012 3 |
2 | 5 | 0,069 0 | 0,931 | 0,009 62 |
3 | 9 | 0,103 | 0,897 | 0,010 0 |
4 | 13 | 0,138 | 0,862 | 0,010 4 |
5 | 17 | 0,172 | 0,828 | 0,008 70 |
6 | 22 | 0,207 | 0,793 | 0,009 09 |
7 | 27 | 0,241 | 0,759 | 0,011 9 |
10 | 39 | 0,345 | 0,655 | 0,004 27 |
11 | 52 | 0,379 | 0,621 | 0,009 80 |
... |
Kumulativní počet poruch i |
Okamžitá porucha t i (j) |
F i min | F i | F i max |
---|---|---|---|---|
1 | 2 | 0,002 | 0,034 5 | 0,07 |
2 | 5 | 0,01 | 0,069 0 | 0,1 |
3 | 9 | 0,03 | 0,103 | 0,11 |
4 | 13 | 0,05 | 0,138 | 0.2 |
5 | 17 | 0,07 | 0,172 | 0,3 |
6 | 22 | 0,1 | 0,207 | 0,3 |
7 | 27 | 0,1 | 0,241 | 0,4 |
10 | 39 | 0.2 | 0,345 | 0,4 |
11 | 52 | 0.2 | 0,379 | 0,5 |
... |
Vezměme si příklad s metodou Kaplan-Meier.
Pro každé datum selhání t i určíme:
a odvodíme P i podmíněnou pravděpodobnost selhání během dne t i :
P i = D i / N ia spolehlivost R i v čase t i :
.N i . Proto cenzury zohledňuje .
Okamžitá porucha t i (j) |
Počet systémů provozu N i |
Počet selhaných systémů D i |
Podmíněná pravděpodobnost selhání P i |
Spolehlivost (přežití) R i |
---|---|---|---|---|
2 | 28 | 1 | 0,035 7 | 0,964 |
5 | 27 | 1 | 0,037 0 | 0,929 |
9 | 26 | 1 | 0,038 5 | 0,893 |
13 | 25 | 1 | 0,04 | 0,857 |
17 | 24 | 1 | 0,041 7 | 0,821 |
22 | 23 | 1 | 0,043 5 | 0,786 |
27 | 22 | 1 | 0,045 5 | 0,75 |
39 | 21 | 3 | 0,143 | 0,643 |
52 | 18 | 1 | 0,055 6 | 0,607 |
... |
Pojistněmatematická metoda spočívá v rozdělení monitorovacího období na části se stejnou dobou trvání. Ve srovnání s metodou Kaplan-Meier proto můžeme mít během sekce cenzuru. Když odkazujeme na datum t i , spočítáme selhání Di a cenzory C i za interval předcházející t i , to znamená [ t i - 1 ; t i [. Takže máme
a vždy
.Svévolně se má za to, že v systémech cenzurovaných C i by polovina způsobila poruchu.
Vyžaduje méně výpočtů než metoda Kaplan-Meier, ale na druhou stranu nevyužívá všechny informace (shromažďuje data za určité období), a proto je přesný pouze u velkých vzorků. Platí to pouze v případě, že máme velké množství dat, obvykle alespoň 30 nebo 50 - u našeho příkladu tomu tak není, ale stejně je použijeme. Počet tříd - počet časových intervalů - je obvykle druhá odmocnina velikosti vzorku. Zde si libovolně zvolíme trvání dvou týdnů (čtrnáct dní).
Referenční okamžik t i (j) |
Třída [t i ; t i + 1 [ |
Počet systémů provozu N i |
Počet selhaných systémů D i |
Počet cenzurovaných systémů C i |
Podmíněná pravděpodobnost selhání P i |
Spolehlivost (přežití) R i |
---|---|---|---|---|---|---|
0 | [0; 14 [ | 28 | 4 | 0 | 0,143 | 1 |
14 | [14; 28 [ | 24 | 3 | 0 | 0,125 | 0,857 |
28 | [28; 42 [ | 21 | 3 | 0 | 0,143 | 0,75 |
42 | [42; 56 [ | 18 | 1 | 0 | 0,0556 | 0,643 |
56 | [56; 70 [ | 17 | 2 | 0 | 0,118 | 0,607 |
... |
Z fenomenologického hlediska nám okamžitá míra selhání λ říká o chování systému:
Všimněte si, že ve všech případech R klesá, i když se snižuje míra selhání.
Představujeme křivky pro tři níže uvedené případy se čtyřmi grafy v každém případě:
λ klesá
konstantní λ
rostoucí λ
Chcete-li se vrátit k rozdílu mezi hustotou ƒ a rychlostí λ:
V případě elektronických systémů máme často křivku poruchovosti λ ve třech částech (křivka vpravo nahoře na opačném obrázku): λ klesající (porucha vadných systémů), pak λ konstantní (náhodná porucha, většina křivky ), poté se zvyšuje λ (stárnutí na konci). Mluvíme o „ křivce ve tvaru vany“ .
V případě mechanických systémů máme křivku poruchovosti λ ve dvou částech: snižování λ (záběh), potom zvyšování λ (opotřebení), což dává obecně parabolickou křivku.
Všimněte si, že pokud otočíme křivku přežití o čtvrtinu doleva, získáme věkovou pyramidu vyjádřenou jako podíl na celkové populaci.
Z těchto údajů lze definovat řadu indikátorů spolehlivosti. Zejména můžeme definovat průměrnou dobu provozu před selháním nebo MTTF (střední doba do selhání) :
pokud známe přesné časy každého selhání, nebo
v případě intervalové cenzury.
Určujeme také očekávanou životnost x %, označenou L x nebo B x , to znamená dobu, po které dojde k x % selhání a tedy 100 - x % přežití. Například :
L 10 nebo B 10 je doba, po které 90% systémů zůstane v provozu (10% porucha). L 50 nebo B 50 je doba, po které 50% systémů zůstane v provozu (50% porucha), tedy medián životnosti.Považujeme zde pouze okamžiky prvního selhání. Další užitečné ukazatele jsou definovány při zvažování opravy systémů, a tedy doby mezi dvěma poruchami i doby opravy.
Příklad
V předchozím příkladu nemůžeme vypočítat přesnou MTTF, protože chybí dvě data. Můžeme však odhadnout minimální MTTF tím, že vezmeme v úvahu, že dva cenzurované lokomotivy měly poruchu po 365 dnech . Shledáváme
MTTF ≥ 119 d .Navíc se vzorkem 28 lokomotiv je L 10 čas, po kterém jsou 3 poruchy (3 ≈ 28/10), tj.
M 10 ≈ 9 dMedián odděluje vzorek do dvou částí 14 systémů, takže leží mezi t 14 = 76 j a t 15 = 86 j ; podle konvence vezmeme také střed
L 50 ≈ 81 dNeparametrická analýza je analýza, která nezahrnuje zákon. Tyto metody v zásadě spočívají v konstrukci křivek přežití „schodiště“ (s jedním krokem pro každé pozorované selhání) s výše uvedenými metodami (hodnostní metoda, metoda s cenzurou). Lze z něj získat charakteristická data uvedená výše - medián přežití (50% systémů selže před tímto bodem, 50% po) nebo jiné kvantily (například první decil, L 10 ), MTTF, míra selhání v daném okamžiku. .
Výhodou je, že nepředpokládá distribuci; rozšířením můžeme pracovat na datech, pro která žádná distribuce uspokojivě nepopisuje. Nevýhodou je, že máme nižší přesnost (širší interval spolehlivosti) a že nemůžeme předpovídat ani extrapolovat.
Příklad
Sestavili jsme křivky pro příklad lokomotiv. Můžeme odvodit, že máme
V řadě případů lze k popisu údajů použít statistický zákon. Parametry tohoto zákona jsou k datům přizpůsobeny regresí nebo také maximální pravděpodobností , z numerických hodnot spolehlivosti R stanovených (pomocí hodnostní metody nebo metody s cenzurou).
Výhodou oproti neparametrické analýze je, že máme mnohem lepší přesnost (menší interval spolehlivosti). Nevýhodou je, že je nutné mít k dispozici zákon, který dobře popisuje data, což však neplatí vždy, a také počítačové zdroje pro provádění výpočtů.
Obecně se používá souvislý zákon. Už jsme řekli, že F je distribuční funkce. Funkce F je obecně diferencovatelná, což umožňuje definovat funkci hustoty ƒ:
a okamžitá míra selhání
.Lze použít jakýkoli statistický zákon, pokud popisuje data, a pokud je to možné, má „fyzický význam“. V praxi obecně zachováváme čtyři zákony:
Zřídka se také setkáváme se zákonem χ ² , nejmenší nebo největší extrémní hodnoty , Poissonova , binomického , logistického nebo log-logistického .
Pro problémy s únavou použijte speciální zákony: Law Wohler , Law Basquin , Bastenaire law .
Weibullův zákon se často používá, protože:
Příklad
Vezměme si příklad lokomotiv výše. Testujeme několik modelů:
Čáry se získají lineární regresí . Graficky vidíme, že nejlépe vyhovuje Weibullovu modelu s:
Máme klesající poruchovost (β <1). Z těchto parametrů můžeme odvodit MTTF, což je očekávání zákona:
stejně jako jeho medián a jeho očekávaná životnost 10%
. L 10 ≈ 8 d Výpočet L 10My máme
je
Digitální aplikace:
Modelka | MTTF | L 10 | L 50 |
---|---|---|---|
Neparametrické (střední hodnoty) |
≥ 119 dní | 9 dní | 81 d |
Parametrický (Weibullův zákon) |
142 dní | 8 dní | 79 d |
Pokud je parametrický model relevantní , je lepší uchovat výsledky parametrického modelu. Je však vždy užitečné určit stejné ukazatele pomocí neparametrické metody ke kontrole konzistence výsledků.
Všimněte si, že zde jsme provedli lineární regrese na konkrétních diagramech ( semi-log chart , Henry line , diagram Allen Plait ). Tato metoda umožňuje provádět výpočty „ručně“, ale neumožňuje kvantitativní srovnání výsledků. Můžeme také provést nelineární regrese na nezpracovaných datech ( metodou nejmenších čtverců nebo maximální pravděpodobnosti ), což umožňuje srovnání zbytků. Můžeme však začít s lineárními regresemi, abychom mohli vycházet z přibližného řešení, a proto usnadnit konvergenci a snížit počet regresních kroků.
Zákon | Lineární regrese |
Regrese nejmenších čtverců |
S |
---|---|---|---|
Exponenciální | λ = 0,007 36 | λ = 0,008 22 | 0,025 2 |
Normální | μ = 117 σ = 120 |
μ = 99,1 σ = 104 |
0,114 |
Log-normální | μ = 4,21 σ = 1,62 |
μ = 4,30 σ = 1,43 |
0,012 6 |
Weibulle | β = 0,825 λ = 124,7 |
β = 0,827 λ = 124,5 |
0,001 03 |
Tabulka výše porovnává hodnoty parametrů získaných s lineární regresí na upraveném diagramu a hodnoty získané pomocí regrese nejmenších čtverců (nelineární). Zjistili jsme, že součet čtverců zbytků, S, je nejmenší pro Weibullův zákon.
V určitém počtu případů, a zejména pokud chybí informace umožňující použít relevantnější model, je dosaženo aproximace, která z nich má exponenciální zákon. Obecně je okamžitá míra selhání λ stabilní - exponenciální zákon je tedy relevantní - nebo se zvyšuje. V druhém případě exponenciální zákon předpovídá vyšší úmrtnost než realita „v prvních okamžicích“, která jde směrem k obezřetnosti (tzv. „Konzervativní“ přístup). Tato aproximace však není relevantní, pokud máme klesající λ; vidíme navíc na příkladu lokomotiv, že exponenciální křivka je nad experimentálními body až do přibližně t = 200 j .
Skutečnost, že se používá exponenciální zákon, usnadňuje výpočty, zejména když se bere v úvahu složité systémy (viz Funkční diagram spolehlivosti ).
Některé dokumenty uvádějí míru selhání λ ve formě jediné hodnoty, i když tato rychlost není konstantní. Toto je tichá aproximace exponenciálním zákonem. Některé dokumenty jsou „poctivější“ a uvádějí míru selhání λ za danou dobu životnosti. To odpovídá vytvoření exponenciální aproximace „kolem bodu“, jako je omezená expanze .