背景

本演示展示了如何使用寿命数据分析（Life Data Analysis）来比较两个供应商提供的零件的可靠性（这一概念同样适用于比较不同设计）。文中还简要介绍了当数据集中包含暂停数据时，如何计算平均寿命（Mean Life）及其他可靠性指标。

你的一位常规供应商（供应商A）生产一种汽车零件（零件A），你的公司计划将其用于生产100万辆汽车。每个零件A的成本为10美元。

一位新的供应商（供应商B）报价为每个5美元，零件B具有相同的功能规格。

你是负责协助采购决策的工程师。你希望确保零件B的平均寿命（或平均故障时间 MTTF）优于或至少等于目前供应商A所提供的产品。

使用MTTF比较可靠性……

每个供应商都需进行至少出现10个失效事件的寿命测试。以下是可靠性测试的结果。

供应商A测试了10个样本，全部在180天内失效。供应商B测试了20个样本，其中10个在180天后仍在运行。

供应商A的平均寿命可估算为（TTF总和/样本数）= 133.4天。

对于零件A，计算方法很简单，但如何计算零件B的平均寿命呢（其中10个样本在180天后仍未失效）？

首先，我们对这两组数据集拟合一个合适的分布模型（寿命数据分析）。我们选择了Weibull分布（分布的选择超出了本演示的范围）。图1显示了对供应商B数据集进行的Weibull分布拟合。

现在我们获得了零件B的分布参数（β=1.32，η=229.7天）。我们可以计算其平均寿命 m。

这不是一个简单的计算，我们使用Weibull工具箱计算器来执行该计算。

零件B的平均寿命为211.2天。

我们对供应商A的数据进行了相同的分析…… 零件A的平均寿命为133.4天。

零件A和零件B的平均寿命分别为133.4天和211.2天。

这些平均值在可靠性 vs 时间和概率密度函数图中有所体现。

因此，供应商B的汽车零件不仅价格更低，可靠性也更高。你决定选择供应商B。

如果你继续使用供应商A，其成本为10美元 × 100万辆 = 1000万美元。

如果使用供应商B，其成本仅为500万美元。不仅节省了500万美元，还获得了更长的平均寿命！

忽视保修成本可能会让你付出惨重代价！

现在，假设你为客户提供60天的保修期。如果车辆因该零件在保修期内发生故障，平均维修成本为200美元（包括零件本身）。

使用LDA计算器，零件B在60天时的失效概率为：

零件B在60天时的失效概率为0.1541。

对于你生产的100万辆汽车，将有154,100个零件在保修期内失效。潜在保修成本为3082万美元！

如果你继续使用原本的供应商A：

零件A在60天时的失效概率为0.007081。

对于你生产的100万辆汽车，预计有7,081个零件在保修期内失效。潜在保修成本为141.6万美元。

若继续使用当前供应商，你的初始成本为1000万美元，保修成本为141.6万美元。

若转向供应商B，你的初始成本为500万美元，保修成本为3082万美元。

结合上述信息，你还会选择更换供应商吗？

将平均寿命（Mean Life）或平均故障时间（MTTF）作为唯一的可靠性指标进行决策，并不是一个好主意！

在本案例研究中，我们通过寿命数据分析进行成本效益评估，以评估失效成本、保修期和组件失效率行为所带来的财务影响。

另外，有很多潜在的情景需要考虑：如果供应商B的组件更便宜，但其在保修期内的可靠性稍低于供应商A呢？如果你是供应商B，你该如何应对？

对于大型制造企业而言，这些问题强调了拥有具备扎实定量分析能力的可靠性工程师的战略价值，以推动基于数据的决策并实现长期成本优化。

-End-