维修数据计算MTBF的问题!?

[quote]ciomp_achilles发表于2012-11-1010:17[url=pid=114658&ptid=13530][/url]
产品并不一定是一故障了就会送去修理，尤其是当某客户采购了一定的数量产品。
1如果所购买的产品按照梯度…[/quote]

谢谢回复,你所说的维修耽误的时间我有一定的考虑,我把这些时间折算了.在抽样中我也考虑了成批维修这个问题.
非常感谢参与讨论.

[i=s]本帖最后由panqunyang于2012-11-1209:29编辑[/i]

[quote]darkbluesss发表于2012-11-921:39[url=pid=114633&ptid=13530][/url]
我谈谈我的看法啊，仅供参考

这种思路应该是可以的，但是有几个问题：
[/quote]

谢谢你的回答!你提到的几点都很好.这个我用了很多种分布进行拟合.下面是拟合优度,同时我用了极大似然估计.

拟合优度

Anderson-Darling（调
分布整）
Weibull0.585
对数正态1.229
指数5.829
对数Logistic0.776
3参数Weibull0.577
3参数对数正态0.652
2参数指数4.984
3参数对数Logistic0.712
最小极值1.051
正态0.702
Logistic0.797
从上面可以看到,weibull分布拟合最好.指数最差.

你所写到的我都考虑过一些,不同产品考虑的应该不太一样.我觉得对于我们公司的产品用这种方法最重要的问题有.
1,早期故障的影响.
2,环境差异很大.
3,保修的影响.

这样的维修数据估计MTBF的分布用什么还真的很难确定.也有可能我们常用的都不合适.
我做这个计算的时候是纯粹想看一下维修数据和MTBF的一些关系.不过从结果看维修数据得到的MTBF比我们可靠性预计的MTBF要小不少.[b]从我自己个人的看法是[/b]:
[b]试验预计的MTBF>实际的MTBF>维修数据的MTBF[/b]

虽然实际的MTBF大于维修数据的MTBF,但是差距并不会很大.
我也希望有兴趣的朋友按我说的方法试试.来对这个维修数据估计MTBF做一个深入的学习研究.谢谢!

产品并不一定是一故障了就会送去修理，尤其是当某客户采购了一定的数量产品。
1如果所购买的产品按照梯度使用策略，一部分使用，一部分备用，当使用故障时，这样通过这种计算方式得到的时间就比较不准确了。
2产品维修一般也有送修策略，不会故障一个就送修，这样成本会增加。一般会积攒到一定的数量，或者按照固定的时间把故障的产品送修，这样你计算MTBF的开始时间就不准确了。
3不过MTBF本身就是个统计量，可以通过统计一些数据来进行修正，总之准确得到是不可能的，可以大概估计一下，应该还是有用的，至少攒攒论文应该是可以的。

专业问题果然引出不少高手

晚辈表示佩服:)

[i=s]本帖最后由darkbluesss于2012-11-921:40编辑[/i]

我谈谈我的看法啊，仅供参考

这种思路应该是可以的，但是有几个问题：

1.寿命一般应该用产品的正常工作的时间来算，维修时间点t1来减去出厂时间点t2作为寿命的右删失数据，如果顾客购买了产品后就一直让产品处于工作状态，那么这个数据还算比较有用；如果其中还有一段不确定的时间处于非工作状态，那么这个数据就比实际寿命大很多，可能就不那么有用了

2.因为这里得到的都是右删失数据，从统计的角度来说，不管产品寿命服从什么分布，最后估计得到的MTBF都不会很准确，或者说得到的MTBF区间估计的区间长度会很长；

3.说说产品寿命分布类型的问题。对寿命分布类型未知的产品，一般应该假设几种分布形式（指数分布，Weibull分布，对数正太分布等），进行拟合优度检验，从中选出拟合较好的一种分布形式，然后再进行参数估计，再得到MTBF的点估计和区间估计。3楼说“正态分布适用于磨损而失效的样品”，但是我记得应该是Weibull分布适用于磨损失效的产品（比如机械产品），正态分布好像很少作为寿命分布来用的。另外由于Weibull分布的灵活性，一般的产品都可以考虑采用Weibull分布

4.建议删失寿命数据尽量挑选使用环境相似的数据，样本尽可能多一点，从理论上讲数据越多估计的MTBF越准

个人观点，仅供参考

你的产品是可修复的还是不可修复的可修复和不可修复使用的方法不一样
除了算MTBF还应该在一定置信度下算MTBF置信区间
从浴盆曲线来看一般产品经过早起磨合后进入随机失效期随机失效期可认为是指数分布这与你所说工作一段时间后趋于指数分布一致

250积分啊.速度跳过啊.:)

[quote]kevin_whb发表于2012-11-917:09[url=pid=114614&ptid=13530][/url]
指数分布一般适用于电子设备，但是在它的具体应用中，应当具备：
1.失效率基本稳定
2.没有过多余度
[/quote]

谢谢回复!没有过多的余度指什么?
其实电子部分和结构部分分开统计会更合理.
“MTBF是理论值，实际值跟使用状况，环境状况有很大的影响。”这句话你说的MTBF是理论值指的是试验预计值吧.我发这个帖子是想知道可不可以通过维修数据得到产品的实际MTBF.我觉得实际使用中的MTBF比试验或预计得来的MTBF靠谱的多.

指数分布一般适用于电子设备，但是在它的具体应用中，应当具备：
1.失效率基本稳定
2.没有过多余度
3.无早期失效
而威布尔分布中，对于不同的B值，就有不同的分布方式选择，所以它的拟合度更好。

正态分布适用于磨损而失效的样品。

MTBF是理论值，实际值跟使用状况，环境状况有很大的影响。

没人回答啊!这是我前段时间自己算MTBF的一种方法.当时我用公司产品维修时间和产品出厂时间以及中间耽误时间来大概算MTBF.我自己筛选了50个做为样本(筛掉相似重复的记录).后来我用曲线拟合.结果发现指数分布的拟合很差.weibull分布对数正态拟合的还不错.
1,最开始我想指数分布拟合的差可能因为产品不为相同批次,而且工作的环境差异很大.
2,后来我意识到了产品包括结构的故障.而结构的故障并不符合指数分布.
3,在后来我发现结构的故障到一定稳定时间后故障也可以近似为指数分布.
4,最近我还又想了一下这个问题.对各个阶段分析了故障率.
a,第一阶段:首先因为是维修数据,所以保修期内的维修量肯定会多一些,免费嘛,肯定要修.
b,第二阶段:在保修期过后的一段时间(1-2年)维修的也不少.一般人会觉得买来不算久就仍了可惜.所以会选择付钱修.(产品价格不是很贵的.)
c,第三阶段:产品直接仍了,反正用了挺久了.样式老了不喜欢了,功能退化了,磨损等原因就直接不要.其实产品还是可以用的.
最后总结一下:
1,我觉得对数正态分布可能比较恰当.先升高后来会缓慢的下降.
2,我觉得这种用维修数据算MTBF的方法结果[b]会比真实值短[b][/b][/b].
3,这种算MTBF的方法不能用指数分布拟合.(即使是电子产品)

我不知道有没有人用这种方法得到MTBF!虽然不是准确真实的MTBF.但至少是现实使用环境下的一个寿命.可能会比试验得到的一些MTBF更准确.
如果有人研究过这种方法,希望可以讨论.也希望各位高手们对我的分析多多指导!谢谢!