如何正确计算平均故障时间？

我有一个产品，在过去五年中，我们已经出货了500台左右。本产品不旨在为用户服务；任何组件故障都会导致设备被更换。这些单元中的大多数从未出现过问题，并且仍可以正常工作。有些已经损坏，请返回修理。

我将如何计算平均故障时间（MTTF）？我只包括发生故障的单元吗？还是我还要考虑当前正在运行的所有单元？如果我只有销售日期，没有安装日期，该怎么办？而且我不知道该设备正在运行的安装时间的多少？我应该做出合理的假设吗？

首先，请始终记住，垃圾进入=垃圾输出；因此，如果您的数据是垃圾，那么您的统计信息将是垃圾。

在这种情况下，您的最佳数据将类似于“直到失败的运行时间”，并且整个数据集都已经失败了。考虑到这一点，您可能希望从计算的任何统计信息中选择一个保守数。

由于您仅从销售日期起就失败了，这可能会偏向更高的MTTF。

由于并非所有产品都失败了，因此您可以查看一小部分人口，例如生产的前六个月。其中较高的百分比很可能失败了（因为希望您上周销售的产品本周不会失败）。

如果您的失败比例仍然太低，那么您可能必须尝试使数据适合于分布，同时要记住您的分布比例很小，即必须从数据集外推到拟合曲线。

例如，Weibull分布在这里可以很好地工作，并且通常用于MTTF数据。这里的想法是使失败的数据集的比例适合于分布的相应比例。如果数据集中失败的产品比例为48.66％，则您将其与假设分布上的概率相符，如下图的阴影区域所示。

然而，对于除指数分布以外的任何其他事物，这可能都是相当密集的。

推断的另一种方法是通过 退化分析

如果您没有硬性数据，那么进行假设（最好是“合理的”假设）是您唯一的选择。（也许这就是为什么工程师习惯称其滑动规则为“猜测棒...”的原因）

您不能忽略大多数单元到目前为止都没有发生故障的事实。一种可行的方法是使用您知道的失效时间，以适合失效过程统计模型的参数。在使用模型进行任何预测之前，还需要检查模型的预测是否与原始数据一致。

可靠性工程中常用的模型是Weibull分布，它可以表示相当大范围的不同“故障根源”，并且会自动调整以使用概率曲线的“最佳”形状（当然，在一定范围内）来匹配您的真实数据。

Google会在“ Weibull发行教程”等中找到很多热门文章，但是如果您是新手，那么在进行详细介绍之前先获得“可靠性工程”的概述是个好主意。一个很好的起点是专业的工程组织，例如美国质量协会（ASQ）。

进行估算的最实用方法是使用某些计算机软件，而不是弄清楚如何手工进行数学运算，但是如果没有更多有关该问题的详细信息，很难推荐任何特定的软件包。

前两个响应建议的统计工具Weibull是平均失效时间（MTTF）计算的首选工具。根据您的意见，如下所示，Weibull Analysis似乎未产生预期的结果。

我曾与之合作的大多数统计学家建议，对于大多数统计分析而言，样本量应为30。我的怀疑是有限的数据大小可能无法帮助分析。我建议从可用数据出发，以简单的平均和标准偏差计算开始故障时间。根据产品计算失效时间时，您可能需要做出一些合理的假设。例如

假设：失效时间（天）=退货日期–发货日期

使用当前的技术和可用数据，您也许也可以完善您的假设。

改进的假设：失效时间（天）=客户产品退货发货日期–客户初始产品收到日期

我要说的是合理的假设，这将有助于生成良好的数据集。同样，根据我的经验，基本平均数和标准差计算将有助于深入了解当前的问题。

要注意的另一点是确定故障是否是由于

• 特殊原因
• 常见的原因

需要对特殊原因故障进行根本原因分析，并需要采取纠正措施。常见原因故障只是在特定行业和特定客户群中开展业务的一部分。

希望此回应能找到解决当前问题的合理方法。

参考文献：

• 共同原因和特殊原因（统计）
• 生命数据分析（Weibull分析）
• 可靠性工程
• 评估产品可靠性