Stellen Sie sich vor, Ihr neues Auto bleibt nach den ersten 100 Kilometern liegen. Die Motorwarnleuchte blinkt rot, und das Auto muss in die Werkstatt geschleppt werden. Dies ist nicht nur ein Garantiefall, sondern auch ein Problem beim Betrieb des Produkts aufgrund von mangelnder Zuverlässigkeit.
Zuverlässigkeit ist als die Qualität eines Produkts im Zeitverlauf definiert. Statistisch entspricht dies der Wahrscheinlichkeit, dass ein Produkt während eines definierten Zeitraums nicht ausfällt.
Dieser Artikel entstand in Zusammenarbeit mit Serhan Anac, zertifizierter Six Sigma Black Belt und Shainin RedX Master. Serhan Anac ist Problemlösungsexperte und arbeitet seit 11 Jahren bei Robert Bosch in der Türkei.Hr. Anac leitet Projekte im Bereich Kundenqualität und ist außerdem in die Forschung und Entwicklung eingebunden – das erklärt sein Interesse an der Zuverlässigkeit und Monte-Carlo-Simulationen sowie an analyseorientierten Konstruktionsverfahren.
Mit seiner Begeisterung für Statistik, Datenwissenschaft und Minitab unterstützt Hr. Anac seine Organisation dabei, Prozesse zu verbessern und Lösungen für Probleme im Produktionsalltag zu finden. Daher freut er sich, hier seine optimalen Vorgehensweisen vorzustellen und so anderen Qualitätsexperten zu helfen.
In Fällen wie diesem liegt der Fehler beim Originalhersteller (OEM). Er muss schnell die Ursache finden und das Risiko für andere Fahrzeuge ermitteln, die weiterhin in Betrieb sind. So kann prognostiziert werden, bei wie vielen weiteren Fahrzeugen dasselbe Problem auftreten wird und wie viele ohne Probleme weiter gefahren werden können (diese werden auch als „überlebende Einheiten“ bezeichnet). Wenn das Risiko zu hoch ist, kann ein Rückruf der Fahrzeuge im betreffenden Land erforderlich sein.
Nachdem das ausgefallene Teil ermittelt wurde, wird als Nächstes das verbleibende Risiko* bestimmt und mit der Berechnung der Wahrscheinlichkeit für einen bestimmten Zeitraum begonnen. Im Allgemeinen entsprechen Lebensdauerdaten (z. B. Zyklen, Laufleistung, Betriebsdauer) keiner Normalverteilung, daher wird das Weibull-Verteilungsmodell für Zuverlässigkeitsanalysen empfohlen, mit denen in der Minitab Statistical Software Prognosen erstellt werden können.
Möchten Sie mehr über Zuverlässigkeitsanalysen erfahren? Nehmen Sie an einem unserer weltweit angebotenen Minitab-Schulungskurse teil: Lesen Sie die Kursbeschreibungen, und senden Sie noch heute eine Anfrage!
Zum Durchführen einer Zuverlässigkeitsanalyse in der Minitab Statistical Software werden die folgenden Daten benötigt:
Ausfallzahl
Laufleistung bei Ausfall
Ausfalldatum
Produktionsdatum der ausgefallenen Teile
Datum der Fahrzeugzulassung
Produktionsmenge im betroffenen Zeitraum
Mit diesen Daten können die erforderlichen Eingaben für die Analyse in der Minitab Statistical Software bereitgestellt werden.
Bei 42 Fahrzeugen trat während des Betriebs ein Problem aufgrund einer Fehlfunktion bei der Kraftstoffeinspritzung auf. Diese wurden von den Originalherstellern gemeldet. Die Zahl ist gemessen an einer Produktionsmenge von 11,9 Millionen Teilen gering, insbesondere weil auch die so genannten Frühausfälle erfasst wurden.
Trotz des Ausfalls einiger Teile sind weiterhin überlebende Einheiten in Betrieb. Wir müssen die Anzahl der überlebenden Einheiten und ihre aktuelle Laufleistung betrachten.
Mit einer verteilungsgebundenen Analyse können wir berechnen, wie viele Fahrzeuge wahrscheinlich ausfallen werden.
Grafische Datenanalyse: Wahrscheinlichkeitsnetz
Markieren Sie sich Ihren Kalender für 08. – 10. Dezember 2020 und verpassen Sie nicht die Thementage „Produktzuverlässigkeit“ bei Minitab! Buchen Sie sich jetzt Ihren Platz bei der letzten Produktzuverlässigkeits-Schulung in 2020 >
Im Durchschnitt werden Fahrzeuge 45.000 Kilometer im Jahr gefahren. Die nachfolgende Tabelle zeigt die geschätzte kumulierte Wahrscheinlichkeit bis 45.000 Kilometer und bis 135.000 Kilometer.
Tabelle: Kumulierte Ausfallwahrscheinlichkeiten
11,9 Millionen Teile wurden produziert. Die Obergrenze des 95%-Konfidenzniveaus gibt eine Schätzung der erwarteten maximalen Ausfallwahrscheinlichkeit von 0,0000037 an. Bei 1 Million Teilen können also 3,7 Ausfälle erwartet werden.
Von den 11,9 Millionen Fahrzeugen werden wahrscheinlich 44 ausfallen:
11,9 Millionen Teile x 3,7 Teile pro Million = 44 Teile fallen wahrscheinlich aus
42 Fahrzeuge sind bereits ausgefallen, daher werden 2 weitere als mögliche Rückgaben bei weniger als 45.000 km erwartet.
Normalerweise schließen Originalhersteller Garantieverträge mit den Komponentenzulieferern ab, gemäß denen Teile in einem bestimmten Zeitraum nicht ausfallen dürfen.
Dieser datengestützte Ansatz ist sehr sinnvoll.
Die Minitab Statistical Software bietet eine Vielzahl von Funktionen zum Berechnen der Zuverlässigkeit eines Produkts, von denen einige in diesem Beispiel vorgestellt wurden.
* Hinweis: Das Risiko kann sowohl qualitativ als auch quantitativ bestimmt werden. In diesem Artikel haben wir den Schwerpunkt nur auf den quantitativen Aspekt gelegt.
Lassen Sie uns Licht ins Dunkel bringen!
Erfahren Sie, wie der weltweit führende Leuchtenhersteller Signify in einer Branche, die einem stetigen Wandel unterliegt und in der Markteinführungszeit und Produktzuverlässigkeit Wettbewerbsvorteile bedeuten, schnell Innovationen validiert.
In diesem einstündigen Webinar in englischer Sprache beleuchten Prof. W. D. van Driel und Dr. P. Watté Design for Reliability (DfR) mit der Minitab Statistical Software bei Signify, ehemals Philips Lighting. Sie stellen anhand von Beispielen aus der Praxis die Methoden vor, mit denen sie Entwicklungskosten senken, Performance und Compliance der Designs verbessern und die Tests der Zuverlässigkeit des Produktdesigns beschleunigen.
Wenn Sie Produkte entwickeln, die auch nach Jahren noch hohe Anforderungen erfüllen müssen, erfahren Sie hier, wie Sie die Risiken und Folgen eines Produktausfalls sowie kostspielige Reklamationen reduzieren – für Sie und Ihre Kunden. Jetzt ansehen >