Zuverlässigkeitswachstum - Datentypen

Zeit-bis-Ausfall Daten

Wenn Daten aus Entwicklungstests vorliegen, bei denen die Systeme kontinuierlich bis zum Ausfall in Betrieb waren, können Sie die Crow-AMSAA (NHPP) oder Duane-Modelle verwenden. Das Modul bietet eine Auswahl an Datentypen für individuell oder gruppierte Ausfallzeiten sowie zur Kombination von Daten aus verschiedenen identischen Systemen. Hierbei kann es sich um folgende Situationen handeln: alle Systeme sind gleichzeitig im Betrieb oder die genauen Betriebszeiten sind aufgezeichnet, d.h. für ausgefallene oder störungsfreie Systeme, sowie das Kalenderdatum für jeden Ausfall, so dass die Betriebszeiten der nicht beeinträchtigten Systeme ermittelt werden können, jeweils basierend auf der täglichen durchschnittlichen Nutzungsrate für den relevanten Zeitraum.

Mit dem Crow-AMSAA (NHPP) Modell haben Sie zusätzliche Analyseoptionen in bestimmten Situationen, wie in der Gap- oder Lückenanalyse (angenommen, dass ein Teil der Daten fehlerhaft ist oder fehlt) oder Change-of-Slope / Änderungsrate (sollte eine gravierende Veränderung im System-Design oder den Betriebs-/Umgebungsbedingungen eine signifikante Veränderung während des Testverfahrens ausgelöst haben).


Diskrete data (auch Attributdaten, One-Shot oder Erfolg/Misserfolg-Daten genannt) Wenn Daten aus One-Shot (Erfolg/Misserfolg) Zuverlässigkeitswachstumstests (mit Abhängigkeit vom Datentyp) vorliegen, unterstützt das Modul Mischdaten-Modelle, die mit Crow-Extended und Crow-Extended – Continuous-Evaluation genutzt werden können. Für diskrete Daten stellt die Software eine Auswahl von Datentypen zur Handhabung von Tests bereit, bei denen ein einziger Versuch für jede Designkonfiguration ausgeführt wird, mehrere Versuche pro Konfiguration oder eine Kombination von beiden Ansätzen. Das Modul unterstützt auch Fehlerdiskontierung, wenn Sie den spezifischen Ausfallmodus aus One-Shot-Folgeprüfungen aufgezeichnet haben.

Zuverlässigkeitsdaten
Wenn Sie ganz einfach die berechneten Zuverlässigkeitswerte für verschiedene Zeiten/Stufen innerhalb Entwicklungstestverfahrens analysieren wollen, können Sie die Modelle Standard-Gompertz, Modified-Gompertz, Lloyd-Lipow oder Logistik anwenden.

 

Zuverlässigkeitswachstum - Vorhersagen, Planung und Management

Das Modul Zuverlässigkeitswachstum unterstützt mehrere innovative Ansätze, die auf den traditionellen Zuverlässigkeitswachstumsmethoden aufbauen, wobei die realen Testmethoden und praktischen Anwendungen besser repräsentiert sind.

• Das Modell Crow-Extended ermöglicht die Klassifizierung von Ausfallmodellen auf der Basis, ob und wann diese behoben werden können. Somit können Sie Voraussagen des Zuverlässigkeitswachstums vornehmen sowie die Managementstrategie auswerten.
• Mit dem Wachstumplanungs-Folio können Sie einen Multiphasen-Testplan der Zuverlässigkeitssteigerung erstellen. Zusätzlich können Sie auch das Modell Crow-Extended – Continuous-Evaluation anwenden, um Daten aus verschiedenen Testphasen zu analysieren und einen Multiphasen-Plot zu erstellen, um Ihre Testergebnisse gegen den Plan zu vergleichen. Dies gibt Aufschluss darüber, ob eventuelle Anpassungen für nachfolgende Testphasen notwendig sind, um Ihre Zuverlässigkeitsziele zu erreichen.
• Das Folio der Diskreten Zuverlässigkeitswachstumsplanung ermöglicht die Entwicklung der Gesamtstrategie für monostabile Geräte.
• Das Missionsprofil-Folio ist hilfreich, einen ausgewogenen operativen Testplan zu erstellen und tatsächliche Tests gegen den Plan zu prüfen, um sicherzustellen, dass die Daten für die Analyse der Zuverlässigkeitssteigerung geeignet sind.
• Ein MIL-HDBK-189 Planungsmodell steht im kontinuierlichen Wachstumsplanung-Folio zur Verfügung.

Zuverlässigkeitswachstum - Analyseergebnisse, Grafiken und Berichte 

Für traditionelle Zuverlässigkeitswachstumsanalysen können Sie MTBF, Ausfall/Fehlerintensität oder Zuverlässigkeit bei gegebener Zeit / Stufe berechnen. Sie können die erforderlichen Tests bestimmen, um eine spezifische MTBF, Ausfall/Fehlerintensität oder Zuverlässigkeit zu demonstrieren. Zudem können Sie die erwartete Anzahl von Ausfällen bei gegebener Zeit bzw. Stufe einschätzen. Das Modul macht es einfach, eine Reihe von Funktionsgraphen und Diagrammen zur visuellen Präsentation Ihrer Analyse zu erstellen.

Ausfallmodus-Klassifikationen und Wirtschaftlichkeitsfaktoren 

Obwohl traditionelle Zuverlässigkeitswachstumsanalysen die Hypothese erfordern, dass alle Designverbesserungen vor dem Ende des Tests (Test-Fix-Test) integriert werden, können viele realistische Testszenarien einige Ausfallmodi enthalten ohne durchgeführte Korrekturmaßnahmen sowie andere, bei denen alle Korrekturen auf einen späteren Zeitpunkt verschoben werden (Test-Fix-Find-Test oder Test-Find-Test). Mit den Modellen Crow-Extended und Crow-Extended – Continuous-Evaluation können Sie Fehlermodiklassifikationen anwenden, um die angemessene Analysebehandlung für jede dieser Management-Strategien anzusetzen. Für verzögerte Korrekturen nutzen beide Modelle Effektivitätsfaktoren als Hinweis, inwieweit die Ausfall/Fehlerintensität von jedem Modell nach vorgenommener Korrekturmaßnahme reduziert wird.

 

Analysen für installierte & reparierbare Systeme 

Das Modul Zuverlässigkeitswachstum kann Analysen für in Feldeinsatz befindliche reparierbare Systeme realisieren. Einige der Modelle können für die Analyse von Daten aus reparierbaren im Feld arbeitenden Systemen unter typischen Einsatzbedingung beim Kunden genutzt werden. Solche Daten stammen eventuell aus einem Garantiesystem, Reparatur-Depot, betrieblichen Tests, usw. Die Modelle Power-Law oder Crow-AMSAA (NHPP) sind besonders für reparierbare Systemanalysen geeignet, basierend auf der Annahme von minimalen Reparaturen (d.h. System ist 'so-schlecht-wie-vorher' nach jeder Reparatur), um eine Vielzahl von nützlichen Metriken zu berechnen inklusive:

• Optimale Überholzeit für entsprechende Reparatur- und Überarbeitsungskosten
• Bedingte Zuverlässigkeit, MTBF oder Ausfallintensität zu einem bestimmten Zeitpunkt
• Erwartete Anzahl von Ausfällen zu gegebener Zeit
• Zeit für bedingte Zuverlässigkeit, MTBF oder Ausfallintensität
• Berechnung von zu erwartenden Anlagenstörungen für eine Anzahl von Ausfällen über alle Systeme hinweg zu einem bestimmten Zeitpunkt

Sie können auch das Crow-Extended Modell für reparierbare Systeme im Feld nutzen, wenn Sie entsprechende Verbesserungen evaluieren wollen (z.B. Sprung in MTBF), die durch Umsetzung einer Reihe von Korrekturmaßnahmen für alle im Feld befindlichen Systeme erreicht werden könnten.

Das Zuverlässigkeit-Testdesign für reparierbare Systeme verwendet das NHPP-Modell (inhomogenen Poisson-Prozess) zur Bestimmung der notwendigen Testzeit pro System (oder Anzahl der zu testenden Systeme), um ein bestimmtes Zuverlässigkeitsziel zu demonstrieren in Bezug auf MTBF oder Ausfallintensität zu einem bestimmten Zeitpunkt.

Mit betrieblichen Missionsphasen stellen Sie sicher, dass die Tests in ausgewogener Weise ausgeführt werden, damit geeignete Daten für Analysen des Zuverlässigkeitswachstums erzielt werden. Mit den Missionsprofil-Folios können Sie einen operativen Testplan erstellen, die erwartete vs. aktuelle Nutzung für alle Missionsprofile erfassen und die Ausführung der Tests verifizieren. Zudem können Sie die Daten an bestimmten Konvergenzpunkten automatisch gruppieren, damit das Wachstumsmodell entsprechend angewendet wird.  

Monte-Carlo Simulation

Sie können Datasets erstellen, die direkt in einem Standardfolio des Zuverlässigkeitswachstums analysiert werden können. Sie können auch das SimuMatic® Programm nutzen, um Ergebnisse aus einer großen Anzahl von Datenmengen automatisch zu analysieren und zu plotten, die per Simulation erstellt worden sind. Dieses integrierten Simulation-Tools finden Anwendung für eine Vielzahl von Zuverlässigkeitsmaßnahmen, wie beispielsweise:

• Konzipierten von Zuverlässigkeitswachstumtests
• Erzielen von simulationsbasierten Vertrauensbereichen
• Experimentieren mit Einfluss von Stichprobengrößen und Datentypen auf Analysemethoden
• Evaluieren der Auswirkungen von allokierten Testzeiten