Imaginez que votre nouvelle voiture tombe en panne après avoir roulé 100 kilomètres. Le voyant moteur s'allume et vous devez faire remorquer votre véhicule par le service de dépannage. Il s'agit non seulement d'un problème de garantie, mais également d'un problème plus général en raison du manque de fiabilité du produit.
La fiabilité désigne la qualité d'un produit dans le temps. D'un point de vue statistique, elle désigne la probabilité qu'un produit ne connaisse pas de défaillance au cours d'une période définie.
Cet article a été écrit en collaboration avec M. Serhan Anac, certifié Black Belt Six Sigma et Master Shainin RedX. Serhan Anac est un expert en résolution de problèmes qui compte 11 années d'expérience chez Robert Bosch en Turquie.
Responsable des projets relatifs à la qualité du service client, Serhan Anac est également impliqué dans la phase de recherche et développement, d'où son intérêt pour les analyses de fiabilité et la simulation de Monte-Carlo, ainsi que d'autres méthodes d'ingénierie analytique.
Amateur de statistiques, de science des données et de Minitab, Serhan Anac aide son organisation à améliorer ses processus et à trouver des solutions aux problèmes quotidiens liés à la fabrication. Il se réjouit de partager ses meilleures pratiques avec d'autres professionnels de la qualité afin de contribuer au développement de leurs connaissances et à leur évolution de carrière.
Dans les cas tels que celui-ci, les fabricants d'équipement d'origine (FEO) sont jugés responsables. Ces FEO doivent ensuite trouver rapidement la cause principale et déterminer les risques encourus par les véhicules toujours en circulation afin de prévoir combien de véhicules supplémentaires connaîtront la même défaillance et combien continueront de rouler sans aucun problème (ces derniers sont appelés des survivants). Si les risques sont trop élevés, un rappel des véhicules sur ce marché peut être nécessaire.
Une fois la pièce défaillante identifiée, vous devez déterminer les risques encourus*, puis calculer la probabilité sur une période donnée. Généralement, les données sur la durée de vie (par exemple les cycles, le kilométrage, le temps de fonctionnement) ne suivent pas une loi normale, il est donc recommandé d'utiliser le modèle de la loi de Weibull pour effectuer l'analyse de fiabilité afin de réaliser des prévisions à l'aide du logiciel d'analyse de données Minitab.
Les données suivantes sont nécessaires pour effectuer l'analyse de fiabilité dans le logiciel d'analyse de données Minitab :
Les données ci-dessus nous permettent de renseigner les variables requises pour effectuer l'analyse à l'aide du logiciel d'analyse de données Minitab.
42 véhicules en circulation sont tombés en panne en raison d'un dysfonctionnement du système d'injection de carburant. Ces pannes ont été signalées par les fabricants d'équipement d'origine. Le nombre est faible comparé aux 11,9 millions de pièces produites, puisque des incidents précoces, notamment des défaillances lors de la période de rodage, ont également été enregistrés.
Bien que certaines pièces aient connu une défaillance, les survivants sont toujours en circulation. Nous devons tenir compte de la quantité de survivants et de leur kilométrage à ce jour.
Une analyse de répartition paramétrique nous aidera à calculer combien de véhicules risquent de tomber en panne.
Graphique : Loi de Weibull dans l'analyse de fiabilité
Vous souhaitez en savoir plus sur l'analyse de fiabilité ? Participez à nos cours de formation Minitab disponibles partout dans le monde : Lisez la description des cours et contactez-nous dès maintenant pour y participer !
Les véhicules roulent en moyenne environ 45 000 kilomètres par an. Les probabilités cumulées estimées jusqu'à 45 000 kilomètres et jusqu'à 135 000 kilomètres sont présentées dans le tableau ci-dessous.
Tableau : Probabilités de défaillances cumulées
11,9 millions de pièces ont été produites. La borne supérieure du niveau de confiance de 95 % estime le retour de défaillance attendu maximal à 0,0000037. Par conséquent, nous pouvons nous attendre à 3,7 défaillances sur 1 million de pièces.
Sur 11,9 millions de véhicules, 44 risquent de tomber en panne :
11,9 millions de pièces x 3,7 pièces par million = 44 pièces susceptibles d'être défaillantes
42 véhicules sont déjà tombés en panne et il est attendu un retour de défaillance à moins de 45 000 km pour deux autres véhicules.
Les fabricants d'équipement d'origine signent généralement un contrat de garantie avec les fournisseurs de composants, les protégeant contre toute panne des pièces durant une période définie.
Cette approche statistique est utile.
Le logiciel d'analyse de données Minitab propose une vaste gamme de fonctionnalités pour calculer la fiabilité d'un produit, notamment celles que nous avons présentées dans cet exemple.
*Remarque : les risques sont déterminés qualitativement et quantitativement, mais nous nous sommes concentrés uniquement sur l'aspect quantitatif dans cet article.
Préparez-vous à avoir une révélation ! Dans un secteur en constante évolution où le délai de mise sur le marché et la fiabilité des produits donnent un avantage concurrentiel, découvrez comment Signify, leader mondial en matière d'éclairage, valide rapidement ses innovations. Au cours de ce webinaire d'une heure, le Prof. W.D. van Driel et le Dr P. Watté feront la lumière sur l'utilisation du logiciel d'analyse de données Minitab à des fins de conception pour la fiabilité chez Signify, anciennement Philips Lighting.
Découvrez leurs méthodes à partir d'exemples concrets afin de diminuer vos coûts de production, d'améliorer les performances et la conformité de vos conceptions, et d'accélérer le test de fiabilité de la conception des produits. Si vous développez des produits conçus pour répondre à des spécifications élevées dans les années à venir, vous allez découvrir comment réduire les risques et les conséquences de la défaillance d'un produit et des réclamations coûteuses, pour vous et vos clients.