การวิเคราะห์ความน่าเชื่อถือ Weibull

การวิเคราะห์ความน่าเชื่อถือ Weibull คืออะไร?

การวิเคราะห์ Weibull เป็นวิธีทางสถิติสำหรับสร้างแบบจำลองข้อมูลเวลาที่เกิดการเสียหายและพยากรณ์ความน่าเชื่อถือของผลิตภัณฑ์ การแจกแจง Weibull มีความยืดหยุ่นเป็นพิเศษ — เพียงปรับพารามิเตอร์รูปร่าง (β) ก็สามารถจำลองการเสียหายในช่วงต้นอายุ (β < 1) การเสียหายแบบสุ่ม (β ≈ 1) และการเสียหายจากการสึกหรอ (β > 1) ได้

การแจกแจง Weibull แบบสองพารามิเตอร์ถูกกำหนดด้วยพารามิเตอร์รูปร่าง (β) และพารามิเตอร์สเกล (η หรือที่เรียกว่าอายุลักษณะเฉพาะ) พารามิเตอร์สเกล η คือเวลาที่หน่วยผลิตภัณฑ์ 63.2% จะเสียหายไปแล้ว ตัวชี้วัดสำคัญที่ได้จากการวิเคราะห์ ได้แก่ MTTF (เวลาเฉลี่ยจนถึงการเสียหาย) อายุ B10 (เวลาที่ 10% เสียหายไปแล้ว) และฟังก์ชันความน่าเชื่อถือ R(t)

โดยทั่วไปประมาณค่าพารามิเตอร์ด้วยวิธีภาวะน่าจะเป็นสูงสุด (MLE) หรือการถดถอยเชิงเส้นบนกราฟความน่าจะเป็น Weibull ค่า R² บ่งบอกความเหมาะสมของการฟิต การวิเคราะห์ Weibull ถูกใช้อย่างกว้างขวางในการพยากรณ์การรับประกันของอุตสาหกรรมยานยนต์ การรับรองชิ้นส่วนอากาศยาน และการวางแผนวงจรชีวิตของเครื่องมือแพทย์

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)

ตัวอย่างการคำนวณ

เวลาที่เกิดการเสียหาย (ชั่วโมง): 150, 280, 350, 420, 510, 680, 790, 950, 1100, 1400 การฟิต Weibull ให้ β = 1.62 (โหมดการสึกหรอ), η = 758 ชั่วโมง MTTF = 758 × Γ(1.617) ≈ 679 ชั่วโมง B10 = 758 × 0.1054^(1/1.62) ≈ 189 ชั่วโมง R(500) = e^(-(500/758)^1.62) = 60.1%

เมื่อใดควรใช้เครื่องคำนวณนี้

• ระหว่างการวิเคราะห์การรับประกันเพื่อทำนายจำนวนความเสียหายภาคสนามที่คาดหวังตลอดช่วงประกันและประมาณสำรองการรับประกัน
• เมื่อวางแผนช่วงบำรุงรักษาเชิงป้องกัน — อายุ B10 บอกว่าเมื่อ 10% ของส่วนประกอบจะเสียหาย เป็นข้อมูลสำหรับกำหนดตารางการเปลี่ยน
• หลังจากออกแบบผลิตภัณฑ์ใหม่เพื่อเปรียบเทียบพารามิเตอร์ Weibull ใหม่กับการออกแบบเก่าและวัดปริมาณการปรับปรุงความน่าเชื่อถือ
• เมื่อตรวจสอบว่าความเสียหายเกิดจาก infant mortality (β<1) เหตุการณ์สุ่ม (β≈1) หรือการสึกหรอ (β>1) เพื่อเลือกกลยุทธ์การแก้ไขที่เหมาะสม
• ระหว่างการทดสอบแสดงความน่าเชื่อถือเพื่อทำนายว่าผลิตภัณฑ์จะตรงตามเป้าหมายความน่าเชื่อถือหรือไม่ตามข้อมูลการทดสอบปัจจุบัน

ข้อผิดพลาดที่พบบ่อยที่ควรหลีกเลี่ยง

• ละเลยข้อมูลที่ถูกเซ็นเซอร์ (suspended) — หน่วยที่ยังไม่เสียหายให้ข้อมูลสำคัญเกี่ยวกับหางขวาของการกระจาย การไม่รวมจะทำให้การวิเคราะห์เอนเอียงไปทางการประมาณอายุสั้น
• ฟิต Weibull กับข้อมูลที่มีหลายโหมดความเสียหาย — หาก β เปลี่ยนข้ามวงจรชีวิต ข้อมูลอาจมีโหมดความเสียหายผสมที่ควรแยกและวิเคราะห์ทีละโหมด
• ใช้จุดข้อมูลความเสียหายน้อยเกินไป (ต่ำกว่า 5) — ด้วยข้อมูลน้อย การประมาณพารามิเตอร์มีช่วงความเชื่อมั่นกว้างมาก รายงานขอบเขตความเชื่อมั่นควบคู่กับค่าประมาณจุด
• สมมติว่า Weibull 2-พารามิเตอร์ฟิตเสมอ — บางชุดข้อมูลต้องการ Weibull 3-พารามิเตอร์ (มีพารามิเตอร์ตำแหน่ง γ) หรือการกระจายอื่นทั้งหมด ตรวจสอบ R² และการพล็อตความน่าจะเป็น

วิธีตีความผลลัพธ์

• β < 1 (infant mortality) — ความเสียหายลดลงเมื่อเวลาผ่านไป คัดกรองหรือ burn-in ส่วนประกอบเพื่อลบความเสียหายระยะแรกก่อนจัดส่ง
• β ≈ 1 (ความเสียหายสุ่ม) — อัตราความเสียหายคงที่ การเปลี่ยนเชิงป้องกันไม่ช่วยเพราะความเสียหายไม่สามารถคาดการณ์ได้ โฟกัสที่ redundancy และการตรวจจับเร็ว
• β = 1.5-2.5 (การสึกหรอระยะแรก) — ความเสียหายเพิ่มขึ้นปานกลาง ใช้การเปลี่ยนเชิงป้องกันตามอายุก่อนอายุ B10
• β > 3.5 (การสึกหรอรุนแรง) — อัตราความเสียหายเพิ่มขึ้นอย่างรวดเร็ว การกระจายเข้าใกล้ปกติ กำหนดตารางเปลี่ยนก่อนอายุลักษณะ η
• η (อายุลักษณะ) — 63.2% ของหน่วยจะเสียหายเมื่อถึงเวลา η ใช้อายุ B10 หรือ B1 สำหรับการวางแผนบำรุงรักษาเป็นจุดเปลี่ยนที่อนุรักษ์นิยมกว่า

มาตรฐานและเอกสารอ้างอิงที่เกี่ยวข้อง

• IEC 61649 — มาตรฐานการวิเคราะห์ Weibull ที่ครอบคลุมวิธีประมาณพารามิเตอร์ การทดสอบ goodness of fit และช่วงความเชื่อมั่น
• ANSI/SAE JA1000/1 — มาตรฐานโปรแกรมความน่าเชื่อถือสำหรับส่วนประกอบยานยนต์ที่ต้องการการวิเคราะห์ Weibull สำหรับการแสดงความน่าเชื่อถือ
• MIL-HDBK-189A — การจัดการการเติบโตความน่าเชื่อถือโดยใช้แบบจำลองตาม Weibull สำหรับโปรแกรมทดสอบการพัฒนา
• ISO 5479 — การตีความข้อมูลทางสถิติ การทดสอบการเบี่ยงเบนจากการกระจายปกติ (เกี่ยวข้องเมื่อตัดสินใจระหว่าง Weibull กับ normal fit)

คำถามที่พบบ่อย

พารามิเตอร์รูปร่าง β บอกอะไรได้บ้าง?

β < 1 บ่งชี้การเสียหายในช่วงต้นอายุ (อัตราการเสียหายลดลงตามเวลา) ซึ่งมักเกิดจากข้อบกพร่องในการผลิต การหลุดรอดของงานที่ไม่ได้คุณภาพ หรือความผิดพลาดในการติดตั้ง β ≈ 1 บ่งชี้การเสียหายแบบสุ่ม (อัตราการเสียหายคงที่) ซึ่งสอดคล้องกับการแจกแจงเลขชี้กำลัง และเป็นลักษณะทั่วไปของชิ้นส่วนอิเล็กทรอนิกส์ β > 1 บ่งชี้การสึกหรอ (อัตราการเสียหายเพิ่มขึ้นตามเวลา) ซึ่งเกิดจากความล้า การกัดกร่อน หรือการเสื่อมสภาพของวัสดุ ส่วน β = 3.5 ให้ผลใกล้เคียงกับการแจกแจงปกติ

ต้องมีข้อมูลการเสียหายกี่จุดจึงจะวิเคราะห์ Weibull ได้อย่างน่าเชื่อถือ?

ต้องมีข้อมูลการเสียหายอย่างน้อย 5-10 จุดสำหรับการประมาณค่าอย่างคร่าว ๆ หากใช้ตัดสินใจทางวิศวกรรม แนะนำให้มี 20 จุดขึ้นไป หากมีน้อยกว่า 5 จุด ช่วงความเชื่อมั่นจะกว้างมากและค่าประมาณพารามิเตอร์จะไม่น่าเชื่อถือ ข้อมูลแบบตัดปลาย (หน่วยที่ยังไม่เสียหายและถูกถอนออกจากการทดสอบ) สามารถนำมารวมได้ และช่วยให้การวิเคราะห์ดีขึ้นจริง เพราะให้ข้อมูลเพิ่มเติม