根据市场返修数据做分布检验得出的曲线和实际不符？

ironwand

根据市场返修数据，做分布类型检验，用minitab，把某时间点失效的产品作为失效数据，未失效的产品对应时间点作为“右删失”。结果是对数正态分布最适合。但根据参数再算失效概率密度，和实际数据不吻合——实际数据在第2、3年失效率达到最高点，但理论曲线到第7年出现最高点。
自己的推测：市场返修失效率很低，只有百分之零点几，也就是说有未失效数据（右删失）占比例太大，造成分布检验结果失真。
以上有什么漏洞么？有没有同行给指点一下？

Jack315

可能是收集的数据失真的原因，大致有以下两个方面：
1)失效数量——有可能有失效的数据没收集到；
2)失效时间——收集到的失效时间可能比真实的失效时间长。

可靠性模型宜在设计阶段通过HALT等手段建立，并进行改进（如有必要）。。。

顺便问下，LZ的产品是电子消费类产品？

Indrea

个人经验：讲师在培训的时候曾出现过类似的问题，被我点出来了。他也不知道该如何解释。其中有一部分数据可能是失真的。但既然你的数据是实际收集的数据，肯定是有效的数据。只是数据的误差导致了曲线的走向错误。我跟讲师商量的最后方法就是，将数据分为几段分别去考虑，然后将几段的失效曲线连起来再处理。因为系统失效的复杂性，也许存在更复杂的失效函数模式。这也是借鉴了浴盆曲线的处理方法。浴盆曲线的数据至少要分成前，中，后三段处理才能得到教科书上的模型。
本人并没有实际应用的案例，但认为你至少可以沿着这个思路尝试下，看是否能模拟出实际趋势。

giant110

苏博士这样的案例我也遇到用软件计算的可靠性水平和统计年返修率不一样而且差距很大我觉得主要有两个原因
一是数据的质量记录数据很多时候不能具体到某个系统或部件有很多TBD的东西，这样就很难精确计算每个部件或系统的可靠度水平
二是删失数据过多
我的处理方法是按照批次计算对于没法精确划分到部件的失效用增长模型来计算

gykhl

giant110发表于2014-8-111:57
苏博士这样的案例我也遇到用软件计算的可靠性水平和统计年返修率不一样而且差距很大我觉得主要有两个原...

有两个疑问：
1为什么要按照批次进行呢？
2.不太明白为什么用增长模型？

ironwand

谢谢大家的回复。
看来删失数据太多，是个原因。这里面应该还有些数学的道理，慢慢研究。
产品是家用空调，因为安装和维修都有记录，所以生产日期、安装日期和维修（失效）日期都能查得到。
我和郭总（gykhl）同问，按批次计算的结果是什么？增长模型的目的是啥？

wu8295

不知道实际的曲线是什么样的，但是有些数据是要去除的，例如一些生产事故，设计失误,安装造成等的失效，这并不属于正常wearout的数据，要不然在某个时间段会有比较高的失效率出现，从而造成分析有误。这也是为什么2－3年是最高峰的原因，设计不稳定生产不稳定，前2年是最容易失效的。失效的原因不归类，这种分布做的准确性不高。

Indrea

ironwand发表于2014-8-114:17
谢谢大家的回复。
看来删失数据太多，是个原因。这里面应该还有些数学的道理，慢慢研究。
产品是家用空调...

刚注意到是家用空调，使用年限可以达到10-15年。实际产品的浴盆曲线总是和教科书差距很大。个人猜测，浴盆曲线的早夭期的形状是千奇百怪的，其时间跨度也有很大的伸缩性。按照你的描述和各位的分析，很可能产品在3年内，还处于早夭期阶段。这证明这个系统模型（产品）并不完美，有很大的改进余地。当然浴盆曲线的中部其实并不平缓，有波峰波谷是很正常的，系统中的子系统失效或者生产事故。另外，时间轴可能要处理成指数形式才能更好的理解10-15年的产品失效的情况。依照标准时间考量，也许后期失效的频度更低，更平缓。郭总的问题还能回答一个，因为质量控制中的批量管制，同批产品的失效概率和异常更相似，反映的问题也更为集中。你的问题一个也答不了，我学过质量，没做过质量。

ironwand

按照北京孔咨询师的建议，在minitab里用保证分析，先用三角矩阵的方式处理数据处理过程前数据，再用保证分析，结果好像不错！等有明确结论我总结之后再和大家分享！谢谢！

kongci2600429

苏博结论怎么样了能否和大家分享一下啊,我一直关注呢