可靠性管理的作用 既然获得了此信息，那么，公司如何使用它来改进产品、过程或正提供的服务呢？这正是必须实施可靠性管理的地方。可靠性管理包含了管理着此信息的使用的策略、过程和程序。例如：对于这台机器而言，是否可以认为在 8 小时内正常运行 7.61 小时是成功的？它是否符合客户的需求、制造商规定的保修条款或竞争产品设立的标准？同样，98.59% 的可靠性对于此产品是否是足够的值？如果竞争产品可以提升到更高的值，或者如果制造商的保修条款已保证在 8 小时工作日内有更佳的性能，又或者如果客户觉得 0.39 小时的可能停机时间太长，则制造商需要采取哪些措施来修复此 设备，以及修正设备的未来版本，以确保其性能比此处测得的性能更佳？ 这些只是在考虑如何使用此数据时可能提出的许多问题的示例。可靠性管理确保策略、过程和程序均已准备妥当，以使用由可靠性分析收集的信息作出有关产品的重要业务决策。 可靠性工程师的作用： 在整个产品开发生命周期中 可靠性分析需要使用数据来定量预测产品在其寿命内的工作特征。但是，在产品开发生命周期中，应在何时执行可靠性分析？一方面，设计师和经理通常认为，他们仅应在设计阶段结束时（在他们收集了数据之后）使用可靠性分析。另一方面，可靠性工程师认为，他们仅应在已开发出系统模型并且就其达成一致意见之后使用可靠性分析。不过，这两种做法在产品开发过程中都出现得太迟了。可靠性工程师需要在数据收集工作一开始时和在整个设计阶段都参与到开发过程中。 问题识别和数据收集 任何可靠性分析的价值与收集到的数据的价值完全相同，认识到这一点很重要。收集数据实际上并不是无关重要的任务。由于要使用数据来得出有关产品或系统可靠性的结论，因此，很重要的一点是，收集的数据不仅要包含足够的分析样本，而且还要表示更大的产品总体的变化性。在可靠性工程师和经理收集和获得数据以及使用可靠性方法得出有意义的结论时，他们面对的最大挑战通常就是捕捉这种变化性。总之，数据分析是支持可靠性分析的重要步骤，它将导致得出有意义的结论，从而作出合理的决策。通过从一开始就让可靠性工程师参与到此过程中，可帮助确保获得更有用的结果，从而作出更有意义和更准确的管理决策。 通常出于不同的目的收集数据。数据提供了信息，可减少不确定性，而且可以利用数据通过可靠性分析作出决策。可靠性目标定义得越好，数据收集过程的规划将越好。正确的数据收集（包括如何获得数据、在何处获得数据和应收集多长时间的或多少个样本）要求设计师和可靠性工程师花费大量时间和精力来进行规划。 通过识别清楚且完全确定的问题，可以更高效和有效地执行数据收集过程。应注意的是，在系统包含大量部件的情况下（例如含有电力设备、起落架、发动机等的客机），量化此类系统的可靠性将很费时间，原因是设计过程和操作环境存在不确定性，以及不好安排收集可靠性数据的时间表。 这将产生几个很重要但难以解答的问题，它们通常在实践者、设计师和经理中提出：(1) 对于给定的一组 数据，如何在现有模型中选出最佳的一个？(2) 如何为合适的问题选择合适的可靠性分析软件？可靠性工程师是公司中最有资格定义可靠性目标、要解决的可靠性问题和数据收集方法的人员。这通常是因为他们掌握了可靠性分析领域的专业知识并熟悉相应的方法，而且具有与所分析的产品相关的经验。 综合式可靠性分析 通常，可靠性分析过程包含以下元素，如图 1 中所示： (1) 问题陈述 — 识别清楚且完全确定的问题，包括产品的任务目标和要求 (2) 数据收集 — 定义为给定的用途收集和分析数据的过程 (3) 参数估计和拟合 — 定义参数估计的方法和标准，它们将用于为给定的用途选择合适的模型 (4) 模型识别 — 为给定的用途选择合适的概率模型，也即零件或系统特有的故障行为。 (5) 模型检验 — 定义用于验证模型和数据各个方面的方法 (6) 模型验证 — 如果模型未得出解决方案，则返回到步骤 2“数据收集” (7) 可靠性指标 — 获得必要的可靠性测量结果（MTTF、MTBF、故障率、可用度）。 图 1 中的综合式可靠性分析的元素展示了持续不断的信息和计算反馈，以便可以最有效地完成每次可靠性分析的迭代。基本上，在可靠性分析过程中，第一步是识别和清楚了解问题，包括系统或产品的任务目标、约束、要求和逻辑图。下一步是收集和分析数据，然后在数据分析的基础上，根据特定标准从样本数据集合中选择合适的概率模型。在选择了概率模型后，可以使用 Weibull 分析或可靠性预测软件获得参数估计值。在执行估计和拟合分析之后，下一步是检验和验证可靠性的要求和目标以及结果的含义。
|
