声明:“版权属于德尔拓咨询数字化六西格玛实战派公众号,转载请注明出处!”
▃▃▃
文▕ 宋明亮
【编者按】
据国家市场监督管理总局缺陷产品管理中心数据统计,2022年第四季度国外汽车召回901例,2022年度国内汽车召回134例。本文基于汽车行业的售后问题处置,探讨可靠性分析在汽车售后问题处理中的应用。
可靠性是什么?
按照定义:产品在规定条件下和规定时间内,完成规定功能的能力。
那可靠性与质量又是怎样的关系?
在质量管理理论中,我们按产品寿命周期的不同阶段来看产品的质量和管理,可把产品寿命周期分成三个阶段:产品研发阶段、量产的生产制造阶段和使用至报废退役的阶段。分别对应着研发过程的设计质量、生产过程的质量和顾客使用产品过程中表现出来的使用质量。
t<0的质量:体现在按照设计与开发时确认的或产品研制时的设计定型、对已确定的制造与验收规范进行的质量管理以及对产品制造阶段的质量管理。
t=0的质量:关注的焦点是降低不合格率,即提高制造过程的一致性和稳定性。一般用合格率进行度量。
t>0的质量:体现在产品使用过程中合格水平的保持能力,本质上就是可靠性。
t<0的质量决定了t=0的质量和t>0的质量。
但是,当t>0时出现质量问题时该如何应对呢?
01
售后分析的迫切需求
随着人们生活水平的提高,对耐用消费品(如汽车)的要求也越来越高。在使用阶段出现质量问题时,如何快速评估市场影响,及时有效地解决市场抱怨呢?
品牌影响:当今时代资讯传播渠道多、速度快、范围广、影响大,像抖音、微博等这种平台,一旦出现负面消息,短时间内就能上热搜且极难挽回对公司品牌形象;
聚众维权:顾客维权意识和法律意识提升,如果不能及时快速解决,容易导致矛盾对立和聚众维权;
成本飙涨:潜在市场影响如不能及时识别,容易造成更大的外部质量损失和售后服务成本。
基于以上,需要企业能够做出快速、有效的应对,及时处理顾客抱怨,消弭市场影响及潜在损失。
通过可靠性分析方法进行售后问题分析可以在故障样本量较少的情况下,对问题的严重程度、涉及范围以及改善是否有效做出比较精准的评估,为公司决策提供有效的证据支持。
在处理售后问题时,可靠性分析能够帮助我们:
评估售后问题的严重程度,为处置方案提供指导性意见;
评估售后问题涉及范围,为索赔数量&金额提供指导性意见;
评估改善效果是否有效;
常见的售后问题可靠性分析应用场景包括:
评估特定缺陷在多长时间或里程内失效;
评估可疑批次中出现缺陷的数量;
评估试验数量&试验时长是否合理;
售后问题可靠性分析主要就是针对失效率快速下降的早期失效期;
常见的基于(汽车)质保期的质量评价指标:
售前质量指标:通常使用0公里PPM进行评价;
售后质保期内质量指标:通常质保期为5年/15万公里,以先到为准,使用IPTV 或MIS 进行评价。
售后质保期外:无硬性指标;
针对某种零件的售前和售后质保期内质量表现,使用一种或几种指标混合的方式进行评估。
PPM(Parts Per Million):单月百万分之故障数,一般用于售前;
计算公式:
PPM=i月不合格品数/i月入库总数*1000000
IPTV(Item Per Thousand Vehicle ):前推 12个月千台车故障数,一般用于售后;
计算公式:
MIS(Months In Service):单月前推12个月百万分之故障数,一般用于售后;
计算公式:
i月的12 MIS=前推12个月生产并销售车辆的市场不良数/前推12个月生产的产品总数*1000000
有了评价指标,那主机厂分析售后风险的流程又是怎样执行的呢?
通过这样一套完整的售后分析流程,评估整车及零部件的风险状态,并在适当时机采取有力手段提升客户体验。
02
售后分析实战案例解析
本文以X公司汽车轴承密封失效导致进水问题为例,着重讲述可靠性分析在风险评估和措施验证过程中的应用。
1、确认基础信息
了解失效车况和使用工况,确认问题发生地域、失效里程、生产时间、维修时间等信息。
2、调返故障件
根据零部件的特性和故障表现,确认调返地点。如:与车身和过程装配性强相关或需搭载整车进行匹配验证的零件需调返至主机厂,主机厂不具备相关专业检测设备的零部件直接调返至零部件供应商。本例汽车轴承直接调返至X公司。
3、确认故障件
①故障件外观目视确认是否有磕碰、变形、泄漏等非正常使用导致的异常现象;
②故障件手动确认是否卡滞、异响;
③故障件台架测试,确认故障是否复现;
④故障件拆解、测量&检测;
4、问题原因分析
经分析,根本原因为轴承油封与外圈配合尺寸设计不合理导致轴承进水失效。
4.1风险评估
4.1.1确认收集数据类型
确认收集购车日期、修理日期、行驶里程等精确数据。
数据的两大基本类型为连续数据和离散(属性)数据,离散(属性)数据包括名义值数据和序数型数据,数据收集时尽量收集连续数据。
按采集到的时间是否精确分为精确失效和删失失效。当某些检验单元的确切失效时间未知时,就会发生删失,删失分为右删失、左删失和区间删失。
数据类型 | 概念 | 图示说明 |
精确失效 | 也叫精准数据,区别于粗略数据、统计数据,是个体在数据层面的具体化表示,能够详细记录所描述现象的每一细节的数据。 | ![]() |
右删失 | 仅当失效发生在特定时间之前时才会观测到失效。 | |
区间删失 | 失效发生在两个特定时间之间。包含单元实际失效时间的不确定性。 | |
左删失 | 失效发生在特定时间之前。左删失数据是区间删失数据的一个特例,其中失效时间发生在零到检查时间之间。 |
4.1.2收集索赔单号信息
将相同根本原因的故障件的索赔单号进行收集;
4.1.3收集市场数据
根据相同根本原因的索赔单号信息从DPS系统中导出对应零件的购车日期、修理日期、行驶里程,共收集到24个数据,全部是精确数据,满足15个以上的数据量标准。注①
(故障件基础信息)
4.1.4 可靠性建模(行驶里程)
将行驶里程信息放入Minitab中,按照以下路径进行可靠性建模:统计-可靠性/生存-分布分析(右删失)-分布ID图
本处选择极大似然法:注②
图表判定准则:
统计量选择准则 | 概率图选择准则 | 综合判定原则 |
Anderson-Darling统计量最小; | 无明显弯曲; | 分布拟合效果接近的情况,选择参数较少的分布,也可分别拟合选择保守的结果; |
Pearson 相关系数统计量最大(最小二乘法适用); | 无明显偏离直线的点; | |
—— | 1%分位数不存在负数情况,除非(可靠性统计)关注的分位数远大于1%; |
图表判定结果:
分布形式 | 图形 | 解读 | 结论 |
Weibull | ![]() | AD值0.917; 无明显弯曲; 1个偏离直线的点; 无1%分位数存在负数情况; | 符合 |
对数正态 | ![]() | AD值0.968; 无明显弯曲; 1个偏离直线的点; 无1%分位数存在负数情况; | 不符合 |
指数 | ![]() | AD值4.576; 无明显弯曲; 偏离直线的点较多; 无1%分位数存在负数情况; | 不符合 |
对数Logistic | ![]() | AD值0.868; 无明显弯曲; 1个偏离直线的点; 无1%分位数存在负数情况; | 符合 |
3参数Weibull | ![]() | 样本量太少,不选含阈值的分布; | 不符合 |
3参数对数正态 | ![]() | 样本量太少, 不选含阈值的分布; | 不符合 |
2参数指数 | ![]() | 样本量太少,不选含阈值的分布; | 不符合 |
3参数对数Logistic | ![]() | 样本量太少,不选含阈值的分布; | 不符合 |
最小极值 | ![]() |
无明显弯曲; 1个偏离直线的点; 1%分位数存在负数情况; | 不符合 |
正态 | ![]() | AD值0.974; 无明显弯曲; 1个偏离直线的点; 无1%分位数存在负数情况; | 不符合 |
Logistic | ![]() | AD值0.982; 无明显弯曲, 1个偏离直线的点, 1%分位数存在负数情况; | 不符合 |
综合结果:
①该失效模式符合对数Logistic和Weibull 分布;
②对数Logistic AD值0.868,Weibull AD值0.917,相差不大;
③在分布AD和概率图线性相近时优先选择威布尔分布;
结论:使用Weibull 拟合分布。
4.1.5可靠性预测(行驶里程)
在Minitab中,按照以下路径进行可靠性预测:统计--可靠性/生存-分布分析(右删失)-参数分布分析:
百分位数表格:
百分比 | 百分位数 | 标准误 | 95.0% 正态置信区间 | |
下限 | 上限 | |||
95 | 43823.4 | 3555.59 | 37380.4 | 51376.9 |
99 | 50908.0 | 4855.77 | 42227.5 | 61372.9 |
生存概率表:
时间 | 概率 | 95.0% 正态置信区间 | |
下限 | 上限 | ||
150000 | 0 | 0 | 0 |
根据分析结果,行驶43823.4公里,会有95%的故障被发现,行驶50908.0公里,会有99%的故障被发现。行驶150000公里时,生存的概率为0。
根据汽车行业5年/15万公里的质保期,此故障在质保期内属于早期失效。
结论:根据行业标准,行驶里程低于43900公里(95%失效里程取整后数值)的车辆出现故障比率为95%,风险非常高,属于批量质量问题,需启动批量处置。行驶公里高于43900公里车辆出现故障的风险为5%,可接受,可被动处置。
4.1.6重复进行4、5步骤对失效时间进行建模和预测,得到如下数据:
百分位数表格:
百分比 | 百分位数 | 标准误 | 95.0% 正态置信区间 | |
下限 | 上限 | |||
95 | 321.052 | 8.96221 | 303.958 | 339.107 |
99 | 337.120 | 11.2384 | 315.797 | 359.883 |
生存概率表:
时间 | 概率 | 95.0% 正态置信区间 | |
下限 | 上限 | ||
1825 | 0 | 0 | 0 |
根据分析结果,使用321.052天,有95%的故障会被发现,使用337.120天,有99%的故障会被发现。
根据汽车行业5年(1825天)/15万公里的质保期,此故障在质保期内属于早期失效。
行驶5年(1825天),生存的概率为0。
结论:
根据行业标准,使用时间低于322天(95%失效时间取整后数值)的车辆出现故障比率为95%,风险非常高,属于批量质量问题,需启动批量处置。
使用时间高于322天车辆出现故障的风险为5%,可接受,可被动处置。
4.1.7预测整改前所有批次潜在失效数
预测整改前潜在失效数有4种方法,分别是:
①可靠性/生存估计法
根据分析,使用5年(1825天),该轴承的生存概率为0。行驶150000公里,生存的概率也为0。
由于汽车行业的特殊性和车辆使用的地域&驾驶习惯&用途的差异性,当故障数超过3例,将视为出现批量,需要及时遏制,尽快分析解决,不会等到汽车使用5年(或15万公里)得出全部精确数据,只能使用少量失效数据估计整体的失效数量。
因此,使用minitab的可靠性/生存的参数分布分析(右删失)中的估计推算出最大潜在失效数的方法不适用,估计出的数值会比较激进。
②单比率法
24件中有1件是超过322小时,经确认,该零件的同批次零件为2000件。
使用单比率检验并取95%置信区间的上限为0.002783。
经确认,截至整改完成共生产并销售到市场上190550件,存在潜在风险的零件数量最多为190550×0.002783=530.30065≈531件
此例恰巧有1例超出95%的时间范围,若在发现故障时,无故障件超出95%的时间范围,此种方法将不适用。
③内达华图(Nevada图),国内又称公共汽车票图,因其形状和美国内达华州的地图类似而得名。用于针对不同批次产品投入使用,发生一定时间段的索赔后,进行寿命数据分析的前处理工具。因内达华图为分段统计,如果实际数据为精确数据,不建议使用内达华图,此处不再赘述。
④国可工软eWeibull分析
1)根据收集的购车日期、修理日期、行驶里程的原始数据,计算失效时间、日均里程和总日均里程。
计算公式:
失效时间=修理日期-购车日期;
日均里程=行驶里程/失效时间;
总日均里程=日均里程的平均值;
2)建立初始时间“2022-4-28”用于以月为单位计算天数和里程,以月为单位统计未失效数量。
计算公式:
天数=”2022-4-28”-日期;
里程=天数*总日均里程;
3)统计失效数据和未失效数据。
注:F:精确数据;S:右删失数据;
导入eWeibull 软件中进行分析
(数据有脱密)
经确认,截至整改完成共生产并销售到市场上190550件,15万公里保修期内不可靠度为0.95%,保修期内存在潜在风险的零件数量为190550×0.0095=1810.225≈1811件
综合结论:通过综合评估,规避激进和保守的方案,1811件的预测数值更大程度的覆盖质保期内可能的失效。
4.2、风险围堵
根据风险评估得出如下结论:
①行驶里程低于43900公里和使用时间低于322天的车辆出现故障的风险非常高,属于批量质量问题,售前车辆及售后行驶里程低于43900公里和使用时间低于322天的车辆需启动批量处置。
②主机厂库存、零部件供应商库存、在途品均隔离处理;
③存在潜在风险的零件数量最多为1811件,可据此对供应商提起索赔。
5、措施制定
针对轴承油封的尺寸选择涉及到容差设计的知识,本文不做赘述,有兴趣的朋友可参看施丽琴撰写的《容差设计是如何解决质量问题的?》。
永久措施:调整油封唇口尺寸的公差,由mm调整为mm;
6、措施验证
通过验证试验方案,寻找样本数量和检验时间的最佳平衡,并进行试验验证。
①常规试验方法样本量的选择:
优点:不需要预知模型和参数,方法简单;
缺点:时间和资金占用大;
适用条件:无成熟失效模型的情况。
假设:已知可靠度&时间、允许最大失效数、Weibull 形状或尺度以及样本数量/每个单元的检验时间的任意一个数据就可以计算出另一个。
已知 | 假设 | 结论 |
可靠度: 0.95 | 每个单元的检验时间满足:5000 | 样本数量为:3 |
时间: 1000 | ||
允许最大失效数:
| ||
Weibull 形状或尺度: 2 |
在Minitab中,按照以下路径进行可靠性验证:统计-可靠性/生存-试验方案-验证:
②加速寿命试验样本量的选择:
优点:
1)用于在实验室中快速创建故障并验证;
2)用于在短时间内创建现场故障,在实际情况下,需要很长时间才能显示在现场中;
3)区分故障模式的优先级,提高产品可靠度;
4)有助于了解浴盆曲线的哪一部分是潜在的现场失效;
缺点:需提前知悉模型和参数,即加速变量和加速关系;
适用条件:有成熟的失效模型的情况。
通常,在了解试验寿命与相关因素有关时,如温度、电压、压力等,为了节约时间和资金,可以使用加速寿命试验。
首先,确定影响因素以及影响因素与失效时间的函数关系进行建模。
在Minitab中,按照以下路径进行加速寿命试验方案制定:统计-可靠性/生存-试验方案-加速寿命试验:
已知 | 解释结果 |
特定时间的可靠性:1000 | 现有20件产品,为了估计在7400N径向力下工作 1000 小时的可靠性,在 8880N条件下检验 13 个单元直至失效,在10360N条件下检验 7 个单元直至失效。 |
样本数量:20(现有条件) | |
分布:Weibull | |
关系:自然对数 | |
形状或尺度:2 | |
8880应力下,50%百分比的百分位数为1200 | |
10360应力下,50%百分比的百分位数为600 | |
设计应力:7400 | |
检验应力:8880 10360 |
在Minitab中,按照以下路径进行加速寿命试验的验证:统计-可靠性/生存-加速寿命试验:
已知 | 解释结果 |
径向力、失效时间、失效数 | 通过失效时间的关系图可以看出,7400N应力下失效时间的置信区间在1084H-1300H之间,满足7400N的应力作用下运行1000H的设计要求。 |
加速变量:径向力;关系:自然对数 | |
假定分布:Weibull | |
估计-输入新的预测变量值:7400 | |
图形-在途中要包括的设计值:7400 |
7、横展确认
围绕故障件开展横向排查,确认类似产品是否存在类似风险:
同平台车型横展:确认同平台新车型及量产车型是否存在同类问题,若存在同类问题制定并执行规避计划。
体系内供应商横展:确认体系内各供应商结构、工艺等是否与故障件类似,评估是否存在风险制定并执行规避计划。
8、再发防止
失效问题库更新:问题整改完毕后将该问题补充至失效问题库中用于新开发车型的历史问题规避;
知识沉淀:完善失效案例并进行知识沉淀,做到举一反三。
三、结语
售后问题可靠性分析只是亡羊补牢,正确的可靠性应用需要从源头出发,结合特性的失效规律和失效机理进行设计分析,而不要落入统计的陷阱之中:
1、 产品是设计出来的,是制造出来的,不是检验出来的。t<0的质量决定了t=0的质量和t>0的质量。如果想要保持产品质量稳定、降低质量损失,就需要从源头重视可靠性设计。
2、 分析产品或产品的某一特性的失效模式、失效时间和失效概率时,首先研究失效的规律和失效机理,确定符合的分布。
3、 现实中,由分布引起的差异比较小(AD值最小,P值相关最大),最后估计的是置信区间。不要钻到统计里边,把重心放在试验中、数据的梳理和收集中,比如过程是不是稳定,数据是不是准确,数据量是不是足够等。
编辑▕ 商十一郎
参考文献:
《知识深挖5.7可靠性分析教材》欧立威
《售后风险评估》詹志炜网络直播
《可靠性工程基础和寿命数据分析》陈云斌网络直播
《可靠性工程师手册》第二版李良巧主编
《加速试验-统计模型、试验设计与数据分析》【美】韦恩·B·纳尔逊著 张江平 李海波 等译
注1:最优分布拟合原则:
分布参数(均值),至少达到15个数据;
分布参数(方差),至少达到30个数据,标准差也是如此;
分布参数(偏度),至少达到50个数据,建议达到100个;
分布参数(峰度),至少达到100个数据,建议达到500个。
注2:极大似然和最小二乘法的区别:
点估计的解析法中,有很多方法可以选择,如矩法、最小二乘法、极大似然法、最好线性无偏估计、最好线性不变估计、简单线性无偏估计和不变估计等。
极大似然法(MLE)和最小二乘法(LES)适用于所有情况,极大似然法是精度最好的方法。特别是样本量较小时,极大似然法的精度更是优于最小二乘法。
极大似然法(Maximum Likelihood Estimate,MLE)是利用总体分布函数表达式及样本数据这两种信息来建立似然函数。具有一致性、有效性和渐进无偏性等优良性质,但求解方法是最复杂的,需要迭代法并借助计算机求解。
END
作者:宋启嘉
德尔拓商舍堂MBB学员
新加坡国立大学MBB
15年汽车行业从业经验
联系客服