Weibull-Zuverlässigkeitsanalyse

Was ist die Weibull-Zuverlässigkeitsanalyse?

Die Weibull-Analyse ist ein statistisches Verfahren zur Modellierung von Ausfallzeitdaten und zur Vorhersage der Produktzuverlässigkeit. Die Weibull-Verteilung ist außergewöhnlich flexibel — durch Anpassung ihres Formparameters (β) kann sie Frühausfälle (β < 1), Zufallsausfälle (β ≈ 1) und Verschleißausfälle (β > 1) abbilden.

Die zweiparametrige Weibull-Verteilung wird durch den Formparameter (β) und den Skalenparameter (η, auch charakteristische Lebensdauer genannt) beschrieben. Der Skalenparameter η ist die Zeit, zu der 63.2% der Einheiten ausgefallen sind. Wichtige abgeleitete Kennzahlen sind die MTTF (mittlere Zeit bis zum Ausfall), die B10-Lebensdauer (Zeit, zu der 10% ausgefallen sind) und die Zuverlässigkeitsfunktion R(t).

Die Parameter werden üblicherweise mit der Maximum-Likelihood-Schätzung (MLE) oder durch lineare Regression im Weibull-Wahrscheinlichkeitsnetz geschätzt. Der Wert R² gibt die Anpassungsgüte an. Die Weibull-Analyse wird breit eingesetzt: bei der Garantieprognose in der Automobilindustrie, bei der Zertifizierung von Luftfahrtkomponenten und in der Lebenszyklusplanung für Medizinprodukte.

Formula: f(t) = (β/η)(t/η)^(β-1) x exp(-(t/η)^β) R(t) = exp(-(t/η)^β) MTTF = η x Γ(1 + 1/β) B10 = η x (-ln(0.9))^(1/β)

Berechnungsbeispiel

Ausfallzeiten (Stunden): 150, 280, 350, 420, 510, 680, 790, 950, 1100, 1400. Die Weibull-Anpassung ergibt β = 1.62 (Verschleißmodus), η = 758 Stunden. MTTF = 758 × Γ(1.617) ≈ 679 Stunden. B10 = 758 × 0.1054^(1/1.62) ≈ 189 Stunden. R(500) = e^(-(500/758)^1.62) = 60.1%.

Wann diesen Rechner verwenden

• Bei Garantieanalysen zur Vorhersage der erwarteten Feldausfallzahl über den Garantiezeitraum und Schätzung der Garantierückstellungen
• Bei der Planung präventiver Wartungsintervalle — die B10-Lebensdauer sagt, wann 10% der Komponenten ausgefallen sein werden, und informiert über Austauschpläne
• Nach einem Produktredesign zum Vergleich der neuen Weibull-Parameter mit dem alten Design und zur Quantifizierung der Zuverlässigkeitsverbesserung
• Bei der Untersuchung ob Ausfälle durch Frühausfälle (β<1), zufällige Ereignisse (β≈1) oder Verschleiß (β>1) verursacht werden, um die geeignete Korrekturmaßnahmenstrategie zu wählen
• Bei Zuverlässigkeitsdemonstrationstests zur Vorhersage, ob das Produkt basierend auf den aktuellen Testdaten sein Zuverlässigkeitsziel erreichen wird

Häufige Fehler vermeiden

• Zensierte (suspendierte) Daten ignorieren — Einheiten die noch nicht ausgefallen sind liefern wichtige Informationen über den rechten Rand der Verteilung; ihr Ausschluss verzerrt die Analyse zu kürzeren Lebensdauerschätzungen
• Weibull auf Daten mit mehreren Ausfallmoden anpassen — wenn sich β über den Lebenszyklus ändert, enthält der Datensatz wahrscheinlich gemischte Ausfallmoden die getrennt und einzeln analysiert werden sollten
• Zu wenige Ausfalldatenpunkte (unter 5) verwenden — bei spärlichen Daten haben Parameterschätzungen sehr weite Konfidenzintervalle; Konfidenzgrenzen neben Punktschätzungen angeben
• Annehmen dass die 2-Parameter-Weibull immer passt — einige Datensätze erfordern eine 3-Parameter-Weibull (mit Lageparameter γ) oder eine ganz andere Verteilung; R² und Wahrscheinlichkeitsplot-Anpassung prüfen

Ergebnisse interpretieren

• β < 1 (Frühausfälle) — Ausfälle nehmen mit der Zeit ab; Bauteile vor dem Versand an Kunden durch Screening oder Burn-in prüfen um frühe Ausfälle zu entfernen
• β ≈ 1 (Zufallsausfälle) — Konstante Ausfallrate; präventiver Austausch hilft nicht, da Ausfälle unvorhersehbar; Fokus auf Redundanz und schnelle Erkennung
• β = 1,5-2,5 (Früher Verschleiß) — Ausfälle steigen moderat; altersbasierten präventiven Austausch kurz vor der B10-Lebensdauer implementieren
• β > 3,5 (Starker Verschleiß) — Ausfallrate steigt stark; die Verteilung nähert sich der Normalverteilung; Austausch deutlich vor der charakteristischen Lebensdauer η planen
• η (Charakteristische Lebensdauer) — 63,2% der Einheiten werden bis zum Zeitpunkt η ausgefallen sein; B10- oder B1-Lebensdauer für die Wartungsplanung verwenden, da diese konservativere Austauschpunkte darstellen

Zugehörige Normen & Referenzen

• IEC 61649 — Weibull-Analysenorm, die Parameterschätzmethoden, Anpassungstests und Konfidenzintervalle abdeckt
• ANSI/SAE JA1000/1 — Zuverlässigkeitsprogrammnorm für Automobilkomponenten, die Weibull-Analyse zur Zuverlässigkeitsdemonstration fordert
• MIL-HDBK-189A — Zuverlässigkeitswachstumsmanagement mit Weibull-basierten Modellen für Entwicklungstestprogramme
• ISO 5479 — Statistische Interpretation von Daten, Tests auf Abweichung von der Normalverteilung (relevant bei der Entscheidung Weibull vs. Normal)

Häufig gestellte Fragen

Was sagt mir der Formparameter β?

β < 1 weist auf Frühausfälle hin (fallende Ausfallrate) — häufig verursacht durch Fertigungsfehler, durchgeschlüpfte Qualitätsmängel oder Installationsfehler. β ≈ 1 weist auf Zufallsausfälle hin (konstante Ausfallrate) — im Einklang mit der Exponentialverteilung und typisch für elektronische Bauteile. β > 1 weist auf Verschleiß hin (steigende Ausfallrate) — verursacht durch Ermüdung, Korrosion oder Werkstoffdegradation. β = 3.5 nähert sich einer Normalverteilung an.

Wie viele Ausfalldatenpunkte benötige ich für eine belastbare Weibull-Analyse?

Für eine grobe Schätzung sind mindestens 5-10 Ausfalldatenpunkte erforderlich. Für technische Entscheidungen werden 20+ Datenpunkte empfohlen. Bei weniger als 5 Punkten sind die Konfidenzintervalle sehr breit und die Parameterschätzungen unzuverlässig. Zensierte Daten (ausgesetzte Einheiten, die noch nicht ausgefallen sind) können einbezogen werden und verbessern die Analyse sogar, da sie zusätzliche Informationen liefern.