引言

本案例演示了如何通过将加速实验室测试数据与真实客户使用场景相结合，预测产品现场故障退货情况。

借助AeROS软件，我们通过以下方式模拟现场退货分布：

通过量化实际使用条件下的预期故障率，结果可助力制定精准的保修政策。

输入数据

假设某改进产品的内部测试表明，其可靠性服从形状参数β=7、特征寿命η=1000小时的威布尔分布。测试采用恒定高使用率以缩短测试时长，内部测试的使用应力水平设定为10应力单位/天。

公司通过实地调研获取了当前版本产品的客户使用率行为。

数据摘要如下：

说明：

第1行：5名用户的使用频率比内部测试低100倍（10/0.1）（轻度用户）

第9行：1名用户的使用频率比内部测试低11.1倍（10/0.9）（重度用户）

公司希望确定新产品在此使用场景下的现场故障分布，进而预估某批次产品首年的保修退货量。

本案例采用用户自定义离散CDF描述流量（使用率）分布，通过AeROS软件的"首次故障时间"模拟生成200组随机故障时间（现场退货数据），并应用寿命数据分析获得退货分布。

步骤1：创建可靠性数字孪生

使用AeROS构建数字孪生体：

基于可靠性测试结果和调查的使用场景估算现场退货分布。

产品在设计流量（使用应力=10单位/天）下服从威布尔分布（β=7, η=1000小时）。

流量剖面节点"Usage Stress"根据流量分布（在下节定义）随机生成使用应力水平，产品将按降低后的应力水平发生故障。重复此过程生成现场退货数据集。

本案例假设内部测试为使用率加速测试。实际用户使用率更低，若流量从10降至1单位（10倍降低），产品寿命将延长10倍。

步骤2：使用变异性的建模（使用应力剖面 Usage Stress Profile）

首先创建离散用户自定义CDF，并将其应用于"Usage Stress"流量剖面节点的流量剖面：

使用调查数据创建了一个离散的用户自定义累积分布函数（CDF）。

步骤3：配置流量场景

创建仅含单一片段的流量剖面（流量剖面节点"Usage Stress"的属性），定义流量分布与持续时间：

流量剖面编辑器（Flowrate Profile Editor）用于创建流量剖面。

流量剖面由 N 个区段组成（其中 N > 0）。每个区段定义一个流量分布（或固定值）以及持续时间。当你稍后将该剖面关联到一个流量剖面节点时（见图7），时间单位才会被确定。

"UsageCDF" 被分配为该流量剖面的第一个且唯一的区段。

流量剖面编辑器显示流量剖面。

纵轴显示各片段平均流量值（本例为0.42），持续时间默认为100单位时间（时间单位后续在工况节点定义）。选择"持续"选项使流量保持。

注意，默认的剖面名称是 "Profile1".

下一步是创建流量剖面节点"Usage Stress"，并将流量剖面“Profile1”分配给该节点。

将流量剖面"Profile1"分配给重命名为"Usage Stress"的流量剖面节点（时间单位设为"天"）：

步骤4：模拟现场故障

定义使用应力剖面和产品故障分布参数后，运行模拟生成200组现场退货数据，并通过寿命数据分析（图10）：

首次故障时间（Time-To-First-Failure）图显示了仿真结果：

红线和绿线分别表示故障时间和中止时间。

以下是以数据网格格式（data-grid format）呈现的故障/中止时间数据：

将数据导入Weibull Toolbox软件，通过极大似然估计拟合对数正态分布：

概率图与概率密度函数图显示：

故障率行为符合对数正态分布（对数均值=1.011/年，对数标准差=0.4655）。

首年故障退货比例计算如下：

若销售10,000台产品，预计首年约有150台退货

本案例展示了如何整合实验室可靠性测试数据与使用场景信息，生成现场退货分布，为保修退货预估提供科学依据。

-End-