基于保修數據分析車輛部件可靠性方法

摘" 要：目前在汽車領域，保修數據被廣泛的應用于車輛可靠性分析中。本文介紹了一種運用車輛售后保修數據，分析車輛部件在某一特定使用里程下可靠性數據的方法。

關鍵詞：保修數據；車輛部件；可靠性分析方法

中圖分類號：U472.3" " " 文獻標識碼：A" " " 文章編號：1005-2550（2023）05-0025-05

Reliability Analysis Methods for Vehicle Components Based on Warranty Data

CHEN Hai-ping， CHEN Shi-yong， ZHOU Jin-ping， TUO Min， SI Dai-guo

（ Dongfeng Commercial Vehicle Technical Center， Wuhan 430056， China）

Abstract： At present， in the automotive field， warranty data is widely used in vehicle reliability analysis. This article describes a method to analyze the reliability data of vehicle components at a specific mileage using vehicle aftermarket warranty data.

Key Words： Warranty Data; Vehicle Components; Reliability Analysis Methods

1" " 引言

隨著汽車行業的高速發展，高可靠性需求持續增長。大多數公司通過較高的產品可靠性來追求卓越的品質，以吸引顧客購買自己的品牌，并以此來增加市場份額。因此，在車輛開發初期，如何評價其系統和部件在市場上的可靠性表現變得很有必要，同時也需要有一種方法，能夠定量地分析現有車輛及部件在市場上的可靠性水平。

對保修數據進行統計分析，可以比較方便地得到那些在我們研究的規定時間內，已發生故障的車輛數量和行駛里程。但對于那些在規定的時間內，沒有發生任何故障的車輛，無法直接從保修數據中獲取車輛的行駛里程信息。換句話說，雖然我們已知這些在規定的時間內沒有發生故障的車輛數量，但無法知道它們在特定的里程下，這些數量的分布情況。本文的關鍵是運用整車保修數據，預估出某部件在這些未發生故障的車輛上行駛里程，然后通過威布爾分析，得到車輛部件在特定里程下的可靠性數據。

這種方法應該能夠適用于車輛整車及其搭載的任何系統或部件。通過可靠性數據來預測車輛或系統在特定的使用條件下，在規定的時間段無故障的可能性。車輛保修期通常是1年或者50，000公里，可以提取到售后保修數據庫內車輛在12個月內的全部保修數據。需要指出的是，在使用這些保修數據時，應該考慮到在這段時間內并不是所有的部件都已經失效，有一些部件經受住了保修期的考驗。完整的可靠性數據需要包含研究期內的所有數據，既包含失效數據，又包含未失效數據，即刪失數據[1]。一旦完成了所有的數據的收集整理，就可以獲得產品的可靠性曲線，并且分析和預測這輛車輛及部件在任何時候或行駛里程失效的可能性。這種利用汽車公司自身的維修網點反饋的保修期內的故障信息，分析整車可靠性薄弱環節和評估整車的可靠性，無疑是現階段經濟實用的方法。

2" " 可靠性數據收集

可靠性數據的收集與分析，是為了改進產品和對產品進行可靠性預測，其分析結果同樣可用于可靠性保證、維修等方面。因此，基礎數據分收集、分析和整理是非常重要的，這是后續一切工作能夠成功開展的基礎，必須正確的收集數據，正確的分析數據，從而獲得正確的信息。

通常，在故障頻發的狀態下，是可以比較輕易和快速獲得的可靠性數據是實驗數據。但在產品的可靠性提升后，在實驗室中故障并不輕易發生，就很難獲得可靠性數據。為解決這一問題，可以采用加速實驗等方法，縮短實驗時間。但這又存在實驗工況及數據如何與產品實際適用工況和數據對應的問題。基于此，對于汽車產品而言，售后質保數據變得彌足珍貴，通過收集產品在市場使用狀態下發生的故障信息，并對其進行分類整理，運用可靠性分析工具，可以科學地獲得汽車及其部件的可靠性數據。

根據保修期時長，在汽車公司售后部門進行保修數據提取可靠性基礎數據，比如自卸車保修期6個月，則需要提取出在特定時間段內，樣本區間內的車輛在客戶接車使用了6個月的全部保修數據。同理，如牽引車保修期是12個月，則需要提取出在特定時間段內，樣本區間內的車輛在客戶接車使用了12個月的全部保修數據。

售后質保數據的收集，既要相應于分析的目的，又要適應將來的利用，因此，需要最低限度地包含以下方面：產品名稱、產品編號、車輛裝配日期、用戶接車日期、故障現象、原因分析、故障的影響和解決措施等。

分析方法的選擇也特別重要，因為方法要與數據的性質一致。在利用某種方法時，要滿足該方法的適用條件，當數據不滿足該條件時，方法就不適用。利用保修數據進行故障率分析和失效時間分布分析，可以更準確地評估部件的可靠性。例如，可以通過計算部件故障率和繪制故障率隨時間變化的曲線，評估部件的可靠性趨勢。同時，也可以通過擬合失效時間分布，評估部件失效時間的概率分布，從而預測部件的可靠性。

在進行保修數據分析時，保修數據的完整性和足夠性是非常重要的，因為這直接影響到未失效數據的預測準確性和可靠性。利用統計分析方法，可以對保修數據進行描述性統計和推斷性統計分析，從而評估數據的完整性和足夠性。例如，可以通過計算故障率、平均故障間隔時間、故障間隔時間的方差等指標，評估數據的完整性和足夠性。

3" " 可靠性分析

按照可靠性定義，可靠性是指產品在規定的條件和規定的時間內，完成規定功能的能力。產品可靠度為產品在規定的時間t內和規定的條件下，完成規定功能的概率，記為R（t）[2]。而在保修期內故障車輛上的哪些部件會發生以及發生的確切時間很難被精確地確定。因此，一個部件或系統可以工作多長時間，只是一個概率的問題。可靠性實際表示為一段時間內的故障概率。

當前，為了更加適應市場競爭，車輛變得越來越復雜，主要是表現在新增加的零部件和更高的技術水平。這些新增的零部件和復雜的技術，有可能帶來可靠性的降低。因此，車輛必須擁有可以令人接受的可靠性水平，以不斷地接受市場的考驗， 在設計階段為了提高產品可靠性，會受到工程和產品成本增加的制約。但一臺車輛的整體成本不僅僅只有研發和制造費用，還應該把整個保修期都考慮進去。在新車型設計方案制定時，應該綜合考慮所有的費用和投資回報，包括車輛在整個壽命周期內的全部保修費用。

在一個新產品投放市場之前，對其進行可靠性精確預測是非常有必要的。事先知道這些可靠性，可以精確的預測開發成本和保修成本。另一方面，通過這種精確的可靠性預測意可以了解故障產生的原因以及如何消除它們。

事實上，能精確和充滿信心地進行可靠性預測是很難的。在分析中，對于系統或者部件進行精準的可靠性預測，所使用到的信息的質量是非常重要的。如前所述，對于那些系統或者部件沒有經歷過任何故障的車輛，基本沒有可以直接用來使用的任何信息。因此，從統計學的觀點來看，來自汽車保修數據庫的保修數據必須考慮刪失數據。刪失數據包含在某個特定的測試中或者是在整車情況下，在保修期內系統和部件沒有經歷過任何索賠的未失效的部件的信息。

從汽車保修數據庫提取出來的現場保修數據是隨機刪失的，對于這種類型的數據，克服這些困難的統計學分析方法是使用補充信息和進行刪失過程假設。例如，想得知在12個月的服務期（12MIS）內都沒有進行過任何保修索賠的車輛累計里程。解決這個困難的最簡單的辦法就是跟蹤一定份額的已售車輛。根據這些跟蹤數據，就算在保修期內沒有故障，仍然能獲得這些車輛在保修期內的里程信息。

下面以某一車輛為例[1]：

首先是確定要分析的特定時間段是多長，假定分別是2個月，6個月和12個月。其次是找出那些已經使用了2，6和12個月的用戶車輛的表現，這些用戶的車輛在完成了2，6和12個月的使用后，一共行駛了多少里程。分析的結果將被作為這段時間內每輛車的假設刪失數據使用。對此車輛的的保修數據庫的分析結果，參見表1，2，3。每個表都反映了這些車輛在此特定時間段內的累積里程數分布。通過對表1，2，3的里程數據和車輛數量進行統計分析，得出其均值和標準差，可以發現失效里程分布為連續概率分布，其分布曲線形狀類似于鐘形曲線，具有對稱性、單峰性和穩定性等正態分布特點。因此，這種分布為對數正態分布形態。每個區間的中位點可以作為里程分布的刪失數據，進行可靠性分析。

當這些車輛進入維修站，它們的車輛識別碼（VIN），累計里程數，失效部件和失效模式、維修費用等信息，都將被記錄在保修數據庫。所以可以獲得這些用戶在某段時間內的使用時間和失效里程。

對上數車輛的保修數據庫的統計結果顯示，其部件C的市場表現如下：

1）2MIS →在2個月的使用期內，9291臺車輛中，部件C共發生22次故障；

2）6MIS →在6個月的使用期內，33664臺車輛中，部件C共發生662次故障；

3）12MIS→在12個月的使用期內，73897臺車輛中，部件C共發生1628次故障。

在對表1，2和3進行快速分析之后，按照車輛行駛里程區間，在以下每個時間段做出如下的里程選擇。

1）2MIS → 1，500和2，500公里；

2）6MIS → 4，500和5，500公里；

3）12MIS → 12，500和17，500公里。

以2MIS進行部件C可靠性分析舉例說明如下：

下表4說明了用于該車輛2MIS期內某部件C可靠性威布爾分析軟件所使用到的所有數據。它為2MIS內22個故障都提供了故障里程，根據表1將剩余的車輛數據視作刪失數據（即，9，291-22=9，269臺刪失車輛），同時附以表1所示的失效里程區間。其中，在這個時間段內，已發生故障的車輛行駛里程和車輛數量均被記錄并填入，剩余未發生故障的車輛數量按照表1內的失效里程百分比進行插值填入。

對上表整理完成的可靠性分析數據，進行威布爾分析，利用“極大似然估算法”，置信度選擇90%，可匹配到最合適的β參數及最優擬合分布。

在進行威布爾可靠性分析時，需要確定分布函數的參數，其中最常用的參數是β參數，它決定了分布函數的形狀。而確定β參數的方法之一就是使用極大似然估算法。極大似然估算法是一種常用的參數估計方法，它的基本思想是在給定樣本的情況下，選擇最能解釋這些樣本的參數值。具體來說，在威布爾可靠性分析中，使用極大似然估算法可以找到能夠最好地擬合樣本數據的β參數值，從而得到最優的擬合分布函數。置信度是指在統計學中，對樣本統計量的置信程度。在威布爾可靠性分析中，選擇置信度為90%意味著我們認為有90%的把握認為得到的擬合結果是正確的，并且可以用于后續的預測和分析工作。當選擇不同的置信度時，得到的擬合結果的置信區間也會不同，即置信區間越大，置信度越高，得到的擬合結果的可靠程度就越高。因此，選擇“極大似然估算法”和置信度為90%可以得到最優擬合效果的原因是，極大似然估算法是一種常用的參數估計方法，可以得到最能解釋樣本數據的參數值，從而得到最優的擬合分布函數。而選擇90%的置信度，可以得到較高的置信區間，使得擬合結果更加可靠。

威布爾分析結果如下表5：

同時已知：

P（失效）= 1 – R（t）；

P（失效）= 失效率；

R（t）=可靠性；

因此，可以獲得2MIS期內，部件C在如下里程下的可靠度和失效率如下：

1，500公里→R（t）1，500km=0.9809→P失效 1，500km = 0.0191

2，500公里→R（t）2，500km=0.9410→P失效2，500km = 0.0590

通過同樣的步驟和方法，按照前文所設定好的步驟：

1）車輛在6，12個月內行駛里程數；

2）部件C每次失效的里程數；

3）刪失車輛數=車輛總數–已失效數；

4）刪失數據的分布。

分別可以得到部件C在6和12MIS期內的可靠性，結果如下：

→ 6 個月

4，500公里→R（t）4，500km=0.9869→P 失效4，500 km=0.0131

5，500公里→R（t）5，500km=0.9841→ P失效5，500 km=0.0159

→ 12 個月

12，500公里→R（t）12，500km=0.9715→P失效 12，500 km=0.0285

17，500公里→R（t）17，500km=0.9521→P失效 17，500km=0.0479

4" " 結束語

隨著工業及時的發展，汽車和產品性能日益提高，結構越來越復雜，產品的使用場景越來越廣泛，使用環境越來越嚴苛，導致產品的可靠性問題越來越突出。汽車整車的可靠性是由各系統的可靠性來保證的，而各系統和部件的可靠性指標是不相等的。本文所討論的方法表明在可靠性分析中，可以運用現場的全部車輛數，可以利用已有的失效數據估算某一特定時間內的刪失數據。通過對保修數據的分析，可以找出汽車產品的薄弱環節，提出產品可靠性改進的必要性。但需要指出的是，基于可靠性分析的復雜性，對數據分析的結論，采取只分析一次就罷休的態度也是不可取的。當發現了有遺漏的信息，而追加了新的數據時，再一次處理該數據，有可能得出新的看法和結論。

通過分析，可靠性最高的產品可以直接運用到只有少數部件的簡單設計中。選擇和使用高可靠性的部件和設計，并了解這些設計將經歷的環境條件，將減少將來發生失效的幾率和對環境的破壞。

參考文獻：

[1]Carlos Alberto Murad， Gilberto Francisco Martha de Souza.Reliability Analysis of Vehicle Systems and Components[J]. SAE TECHNICAL PAPER SERIES，2006-01-2914.

[2]趙宇，楊軍，馬小兵.可靠性數據分析教程[M].北京航空航天大學，2009.

專家推薦語

吳道俊

合肥工業大學" 博士

廈門金龍客車" 高級工程師

本文運用車輛保修數據，考慮了沒有經歷過任何故障的客戶車輛的情況，研究了車輛及部件在某一特定使用時間或里程下可靠性分析、統計數據的方法，實現了可靠性預測和評價，對找出汽車產品的薄弱環節、評價車輛可靠性水平、評判產品可靠性改進的必要性等具有工程參考意義。