मैं असफलता के लिए माध्य समय की सही गणना कैसे करूं?


8

मेरे पास एक उत्पाद है, जिसे हमने पिछले पांच वर्षों में 500 इकाइयों की तरह भेज दिया है। यह उत्पाद उपयोगकर्ता की सेवा करने योग्य नहीं है; इकाई में किसी भी घटक परिणाम की विफलता को प्रतिस्थापित किया जा रहा है। इन इकाइयों के अधिकांश लोगों ने कभी भी समस्याओं को नहीं देखा है और अभी भी ठीक काम कर रहे हैं। कुछ क्षतिग्रस्त हो गए हैं और मरम्मत के लिए वापस आ गए हैं।

मैं कंप्यूटिंग समय विफलता (MTTF) के बारे में कैसे जाऊंगा? क्या मैं केवल उन इकाइयों को शामिल करूंगा जो विफल हो गए हैं? या क्या मैं उन सभी इकाइयों का भी पता लगाऊंगा जो वर्तमान में काम कर रही हैं? इस तथ्य के बारे में कि मेरे पास केवल बिक्री की तारीख है, स्थापना की तारीख नहीं? और मुझे नहीं पता कि यूनिट के चलने का समय क्या अंश है? क्या मुझे सिर्फ उचित धारणाएं बनानी चाहिए?


MTTF की अपेक्षित सटीकता क्या है?
महेंद्र गनवार्डन

@ महेन्द्रगुणवेदना मुझे नहीं पता कि मैं उस प्रश्न का उत्तर कैसे दूं, दुर्भाग्य से।
स्टीफन कॉलिंग्स

क्या ग्राहकों के पास जाना और उनसे यह पूछना संभव है कि उन्होंने अपने द्वारा खरीदे गए यूनिटों को किस प्रकार के ऑपरेटिंग समय में देखा? यहां तक ​​कि अगर यह एक मोटा अनुमान है, तो मुझे लगता है कि आप अपने दम पर अनुमान लगाने की तुलना में आपको एक बेहतर समय देंगे।
ट्रेवर आर्चीबाल्ड

जवाबों:


5

सबसे पहले, हमेशा याद रखें कि कचरा = कचरा बाहर; इसलिए यदि आपका डेटा कचरा है तो आपके आंकड़े कचरा होंगे।

इस स्थिति में आपका इष्टतम डेटा रन आवर्स तक कुछ समय जैसा होगा और आपका संपूर्ण डेटासेट पहले ही विफल हो जाएगा। इसे ध्यान में रखते हुए, आप जो कुछ भी गणना करते हैं, उसमें से एक रूढ़िवादी संख्या चुन सकते हैं।

चूंकि आपको केवल बिक्री की तारीख से विफलता है, इसलिए इसे उच्च MTTF की ओर तिरछा किया जा सकता है।

चूंकि आपके सभी उत्पाद विफल नहीं हुए हैं, फिर भी आप अपनी जनसंख्या के एक छोटे उपसमुच्चय को देख सकते हैं, उत्पादन के पहले छह महीने कहते हैं। इनमें से एक उच्च प्रतिशत सबसे अधिक संभावना में विफल रहा है (क्योंकि आपके द्वारा पिछले सप्ताह बेचा गया उत्पाद इस सप्ताह असफल नहीं होना चाहिए, उम्मीद है)।

यदि आपकी विफलता का अनुपात अभी भी बहुत कम है, तो आपको डेटा को एक गड़बड़ी के लिए फिट करने की कोशिश करनी पड़ सकती है, यह ध्यान में रखते हुए कि आपके पास केवल वितरण का अनुपात कम है, यानी आपको डेटासेट से फिटेड कर्व में एक्सट्रपलेट करना होगा।

उदाहरण के लिए, वीबुल डिस्ट्रीब्यूशन यहां अच्छा काम करेगा और आमतौर पर एमटीटीएफ डेटा के लिए उपयोग किया जाता है। यहां विचार आपके डेटासेट के अनुपात को फिट करने का है जो वितरण के संबंधित अनुपात में विफल रहा है। यदि आपके डेटासेट में आपके उत्पाद का अनुपात विफल हो गया है जो 48.66% था, तो आप इसे उस अनुमान के अनुसार फिट कर सकते हैं, जो आपके परिकल्पित वितरण पर छायांकित क्षेत्र द्वारा दिखाया गया है।

पीडीएफ

यह बल्कि गहन हो सकता है, हालांकि, एक घातीय वितरण के अलावा किसी भी चीज के लिए।

एक्सट्रपलेशन का एक अन्य तरीका डीग्रेडेशन एनालिसिस है


4

यदि आपके पास कठिन डेटा नहीं है, तो धारणा बनाना (अधिमानतः "उचित") एकमात्र विकल्प है जो आपके पास है। (शायद इसीलिए इंजीनियर अपने स्लाइड नियमों को "अनुमान लगाने वाली लाठी ..." कहते थे।

आप इस तथ्य को नजरअंदाज नहीं कर सकते कि अधिकांश इकाइयां अब तक विफल नहीं हुई हैं। इसका एक प्रशंसनीय तरीका यह होगा कि आप समय-समय पर विफलता का उपयोग करें, जिसे आप जानते हैं, विफलता प्रक्रिया के सांख्यिकीय मॉडल के मापदंडों को फिट करने के लिए। आपको यह भी जांचना होगा कि मॉडल की भविष्यवाणियां कच्चे डेटा के अनुरूप हैं, इससे पहले कि आप इसका उपयोग किसी भी पूर्वानुमान के लिए करें।

विश्वसनीयता इंजीनियरिंग में एक सामान्य रूप से उपयोग किया जाने वाला मॉडल वेइबुल वितरण है, जो विफलता के विभिन्न "मूल कारणों" की काफी विस्तृत श्रृंखला का प्रतिनिधित्व कर सकता है, और स्वचालित रूप से संभावना वक्र के "सर्वोत्तम" आकार का उपयोग करने के लिए समायोजित करेगा (सीमा के भीतर, निश्चित रूप से) अपने वास्तविक दुनिया के डेटा से मिलान करें।

Google को "वीबुल वितरण ट्यूटोरियल" आदि के लिए बहुत सारे हिट मिलेंगे, लेकिन यदि आप इसके लिए नए हैं तो विवरण में पिच से पहले "विश्वसनीयता इंजीनियरिंग" का अवलोकन प्राप्त करना एक अच्छा विचार होगा। शुरू करने के लिए एक अच्छी जगह एक पेशेवर इंजीनियरिंग संगठन होगी, उदाहरण के लिए अमेरिकन सोसाइटी फॉर क्वालिटी (एएसक्यू)

अनुमान लगाने का सबसे व्यावहारिक तरीका यह होगा कि हाथ से गणित कैसे किया जाए, यह पता लगाने के बजाय कुछ कंप्यूटर सॉफ्टवेयर का उपयोग किया जाएगा, लेकिन समस्या के अधिक विवरण के बिना, किसी विशेष पैकेज की सिफारिश करना कठिन है।


यह सुनिश्चित करने के बारे में आपकी टिप्पणी कि कच्चे डेटा के साथ भविष्यवाणियां सुसंगत थीं, पर हाजिर था! हमने एक वीबुल वितरण स्प्रेडशीट को एक साथ रखा। इस प्रकार अब तक की असफलताओं के बहुत सीमित सेट से, हमारा MTTF छह महीने की तरह कुछ हो गया, जिसमें पांच वर्षों के भीतर 99% असफलता की दर थी। यह पूरी तरह से वास्तविकता के साथ असंगत है। ताकि सवाल उठे ... अब क्या?
स्टीफन कोलिंग्स 14

2

पिछले दो द्वारा सुझाए गए सांख्यिकीय उपकरण वेइबुल का जवाब दिया गया, मीन टाइम टू फेल्योर (एमटीटीएफ) गणना के लिए पसंद का उपकरण है । नीचे दिए गए कैप्चर के रूप में आपकी टिप्पणी के आधार पर, यह प्रतीत होता है कि वीबुल विश्लेषण ने अपेक्षित परिणाम नहीं दिए हैं।

स्टीफन कोलिंग्स की टिप्पणी

अधिकांश सांख्यिकीविदों कि मैंने सबसे सांख्यिकीय विश्लेषण के लिए 30 का एक नमूना आकार की सिफारिश के साथ काम किया है। मेरा संदेह यह है कि सीमित डेटा का आकार विश्लेषण में मदद नहीं कर सकता है। मेरा सुझाव है कि उपलब्ध आंकड़ों के आधार पर समय के लिए सरल औसत और मानक विचलन गणना के साथ शुरुआत करें। आपके उत्पाद के आधार पर विफलता के समय की गणना करते समय आपको कुछ उचित अनुमान लगाने पड़ सकते हैं। उदाहरण के लिए

धारणा : विफलता का समय (दिन) = वापसी की तारीख - जहाज की तारीख

वर्तमान तकनीक और उपलब्ध डेटा के साथ आप अपनी मान्यताओं को भी निखारने में सक्षम हो सकते हैं।

बेहतर अनुमान : विफलता का समय (दिन) = ग्राहक उत्पाद वापसी जहाज की तारीख - ग्राहक प्रारंभिक उत्पाद की तारीख

जो बिंदु मैं बना रहा हूं वह अच्छा है उचित अनुमान एक अच्छा डेटा सेट उत्पन्न करने में मदद करेगा। मेरे अनुभव में भी बुनियादी औसत और मानक विचलन गणना हाथ में समस्या के बारे में अच्छी जानकारी हासिल करने में मदद करेगी।

दूसरे बिंदु पर जागरूक होना यह निर्धारित करता है कि विफलताएं किसके कारण हैं

  • विशेष कारण
  • सामान्य कारण

मूल कारण विश्लेषण को विशेष कारण विफलताओं पर निष्पादित करने की आवश्यकता है और सुधारात्मक कार्रवाई को लागू करने की आवश्यकता है। सामान्य कारण विफलताएं विशिष्ट उद्योग में और विशिष्ट ग्राहक आधार के साथ व्यापार करने का हिस्सा हैं।

आशा है कि इस प्रतिक्रिया से हाथ में समस्या का उचित समाधान मिल जाएगा।


संदर्भ:


विशेष कारण विफलताओं का अच्छा उल्लेख। उन्हें विनिर्माण के लिए जिम्मेदार ठहराया जा सकता है, लेकिन उन्हें सुझाए गए ऑपरेटिंग मापदंडों के बाहर क्षेत्र उपयोग के लिए भी जिम्मेदार ठहराया जा सकता है जो वारंटी को शून्य कर देगा। क्या आप MTTF में विशेष कारण विफलताओं को शामिल नहीं करने के लिए सहमत होंगे?
एक्यूमेन सिम्युलेटर

इसके अलावा, आप किस पैरामीटर का परीक्षण कर रहे हैं? चूंकि यह एक छोटी सी आबादी है जो विफल हो गई है, मैं वास्तविक वस्तुओं के लिए वितरण खोजने के बजाय "वर्ष X के दौरान किए गए कुल% का%" के लिए एक वितरण खोजने की कोशिश करूंगा। आपको इस तरह से कुछ दिलचस्प परिणाम मिल सकते हैं।
मार्क

@ user38826, मैं मानता हूं कि MTTF में विशेष कारण विफलताओं को शामिल नहीं किया जाना चाहिए। ओपी के आधार पर पिछले मैं ओपी के बारे में सुनिश्चित हूं कि किसी विशेष कारण के कारण कोई असफलता है। मेरी प्रतिक्रिया मार्क टिप्पणी के अनुरूप है। यह जांच के लायक हो सकता है कि MTTF में विशेष कारण विफलताओं को शामिल नहीं किया गया है।
महेंद्र गनवार्डन
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.