Weibull案例8-如何给客户一个合理的产品可靠性指标

今日话题:

最近碰到好多朋友提到类似的问题，"脑痒"了睡不着，半夜起来写一篇。希望对大家有所帮助。过程和原理与之前发表的案例6类似，不过应用场景有所区别。

过程其实不那么复杂：

1、了解客户需求和可用资源；

2、收集数据；

3、进行分析；

4、给出结果，甚至还可以"算个命"(预测未来）

同学问：老师，我们客户需要我们提供一下产品的可靠性指标，请问您客户帮个忙吗？

老师答：请问客户需要具体什么可靠性指标呢？

同学问：客户需要我们产品的Beta值和Eta值。

老师答：哦！那一定是客户希望了解你们的产品寿命分布，希望得到其Weibull分布的两个参数了。

同学问：是的！

老师答：请问你们对这个产品做过寿命试验吗？

同学问：没有做呢！请问您可以根据您的经验，给我一个经验值吗？

老师答：这有点为难我了...虽然我们自嘲自己是“算命工程师”，但至少需要点依据啊。

老师答：那请问你们计划做这个试验吗？

同学问：这个可能来不及了，客户需要我们这两天就提供。而且这个部件不是我们自己生产的，我们只是采购过来，再组装起来销售给客户。

老师答：好的！那请问之前有销售过这个部件吗？有没有客户现场的返修或索赔数据？

同学问：这个是有的，我们的产品已经销售了1年多，一共1万多个产品，并且现场有10几个索赔数据。

老师答：了解了！那么我们可以基于销售和返修数据，通过Weibull分析，即寿命数据分析，得到这个零部件的可靠性指标，提供给你们的客户。

同学问：那这个过程应该怎么来做呢？我查了很多资料，理论方面方面偏多，具体怎么分析一时半会好像很难学会。

老师答：没关系，咱们今天通过一个例子，了解一下整个分析过程。

1、背景简介

在实际工作中，很多朋友都会碰到这样的情况：

客户或者领导需要提供产品或者某个部件的可靠性指标，比如Bx寿命、R(t)或F(t)---某个时间的可靠度或不可靠度、甚至是Weibull分布的Beta值和Eta值；（MTBF的情况以后找机会讨论）

通常来说，比较合理方式是通过实际的数据计算，给到客户一个结果，数据来源主要是两个来源：

1、通过产品寿命试验，得到寿命数据（即运行多少时间失效或者不失效）；

2、通过之前产品的销售和索赔（返修）数据；

很多时候，通过现有的售后数据分析得到的结果，成本更低，客户的接受度会更高。今天，我们就通过一个例子，简单讲解一下整个过程。

２、收集数据

基于售后数据的寿命数据收集，主要是收集以下两个方面的数据：

1、产品的销售数据，原始数据类似下表；

注：数据列明类似，根据企业情况会有差别。

2、索赔或者返修数据，即现场发生失效的数据，类似下表；

注：数据列名类似，根据企业情况会有差别。

3、数据处理

根据上一步中收集到的数据，我们可以很容易通过Excel的透视表工具，整理得到以下的数据

1、产品的销售数据统计（本例中按月统计）；

2、产品的失效数据；

注：本例中是按月统计，其实也可以使用其他的方式进行。请持续关注我们的文章。

3、数据分析

将整理后的数据，输入到软件中：

3.1、选择软件模块：

3.2、数据输入：

3.3、点击“分析”，得到处理后的寿命数据：

3.4、选择分布：Weibull两参数，设置分析方法：极大似然估计，然后点击“计算”

3.5、得到图形和Beta值和Eta值：

从图中可以得到：Beta=1.50887；Eta=30.776508；

3.6、检查确认分析过程和结果是正确的，计算结果是可以说明您的产品达到或者超出客户的预期，提交给客户。

4、预测未来

如果还需要预测一下未来，可以通过软件自带的“预测”功能，预测未来某段时间内，这个产品的索赔和返修情况。

注：分析过程和其中数据的处理原理，请参考之前的文章。

5、总结和说明

销售及售后数据，可以很好地作为产品可靠性指标计算的数据来源。

文中只是介绍了一种基于售后数据进行Weibull分析的过程和方法。

分析中时间取值只是以月为单位作为时间的维度，很多时候可能会是有偏差的，其实还可以以天数、里程等维度来进行分析；数据处理也有其他更复杂的方式，在以后的文章中，我们会对此展开进一步的说明；

本文旨在介绍基于售后数据的数据处理和分析过程；故分析过程中的很多细节，没有展开进行详细说明介绍。