通过威布尔分布(Weibull)来预测设备失效

设备出现故障时,管理层需要找到答案。 他们失效是因为制造环节的问题? 是由于不当的操作使用和维护? 或者是设计责任? 在进行根本原因分析后,下一面进一步提出的问题是:今年还可能失效的多少次? 我们对变速箱故障或主要逆变器维修的预算应该是多少?用于准确预测操作寿命和故障率的最广泛认可的方法之一是对组件或设备的故障数据进行统计分析。 尽管可以使用许多统计分布,包括指数和对数正态分布,但威布尔分布(Weibull Analysis)特别有用,因为它可以表征各种各样的数据趋势,包括故障率的增加、保持恒定和降低,这是其方法无法处理的任务。

威布尔分析的作用是什么?

注: 瑞典工程博士Waloddi Weibull先生,生于1887年,卒于1979年,享年92岁,其重大贡献为在1939年发表的韦伯分析,有人称为Life Data Analysis,原先应用于材料破坏力学、疲劳力学及可靠度工程的预测材料使用寿命,推广至航空业、汽车业、电力核能等的附件寿命分析

威布尔分析是预测机器健康和可靠性的常用方法。威布尔分布类似于正态/高斯或泊松分布:它是描述事件可能性的概率分布曲线。 属于“分级曲线”这一类。

威布尔分布是最常用于对可靠性数据建模的分布。此分布易于解释且用途广泛。在可靠性分析中,可以使用此分布回答以下问题:

  • 预计将在老化期间失效的项目所占的百分比是多少?例如,预计将在 8 小时老化期间失效的保险丝占多大百分比?
  • 预计在有效寿命阶段有多少次保修索赔?例如,在该轮胎的 50,000 英里有效寿命期间预计有多少次保修索赔?
  • 预计何时会出现快速磨损?例如,应将维护定期安排在何时以防止发动机进入磨损阶段?

真实示例 1:电容器

在高应力下检验电容器以获得失效数据(用小时数表示)。使用 Weibull 分布对失效数据建模。

真实示例2:按公里数统计实际故障

威布尔分布的应用方式

工程师经常回避威布尔分析,因为他们认为它过于复杂和深奥。其实工程师完全可以在没有强大统计背景的情况下通过威布尔分析收益。

威布尔分布分析会有助于我们,原因如下:

  • 易于实现 – 威布尔分析所需的唯一输入是历史“失效间隔时间(Time-to-Failure)”:例如涡轮21号变速箱在使用了3.9年后被更换,Turbine X ……等等
  • 结果清晰 – 它直接告诉我们在失效在特定寿命时的概率。
  • 财务影响 – 将帮助我们进行保修分析和运行和维护计划

接下来呢?曲线是否可以很好地了解组件的剩余寿命?例如,如果我们知道2016年有2个变速箱有92%失效的可能性,那么从拥有200台风机的风电场来看,这对于预算编制具有很大的价值。但是,我们无法知道哪两个变速箱以及何时?

  • 分析无法提供有关哪个特定变速箱失效的详细信息,仅提供整体设置的概率。
  • 分析无法提供有关失败原因以及如何减轻的信息;只是一个抽象概率。

当最终目标是预防失效,而不仅仅是预测失败并在事后做出反应,概率分布并不能帮助我们识别和缓解问题。为了影响运营和维护成本,我们就需要更多信息。

发表评论