Análisis y Predicción de Confiabilidad con datos de garantía: problemas, estrategias y métodos

Análisis y Predicción de Confiabilidad con datos de garantía

Sobre el Libro

Análisis y Predicción de Confiabilidad con datos de garantía: problemas, estrategias y métodos (Reliability Analysis and Prediction with Warranty Data: Issues, Strategies, and Methods) es un libro de 184 páginas escrito por Bharatendra K. Rai y Nanua Singh. Fue publicado por la editorial CRC Press en el año 2009 en su primera edición.

Descripción del Libro

A través de enfoques simples y prácticos, Análisis y Predicción de Confiabilidad con datos de garantía: problemas, estrategias y métodos ayuda a los ingenieros y cinturones negros de Six Sigma a interpretar con éxito los datos de la garantía para hacer predicciones precisas. Explica cómo utilizar estos datos para definir y analizar problemas de campo, proporciona pautas para descubrir las causas fundamentales de la reducción de costos de garantía y explora problemas asociados con los datos de garantía y los enfoques para superarlos.

La primera parte del libro presenta una introducción al análisis y la predicción de confiabilidad utilizando datos de garantía y destaca los problemas involucrados. La segunda sección ofrece estrategias y métodos para obtener estimaciones de tasas de riesgo no paramétricas a nivel de componente que brindan pistas importantes sobre las causas raíz probables y que ayudan a reducir los costos de garantía. Centrándose en la predicción del desempeño de la garantía, la parte final trata sobre las metodologías que evalúan el impacto de los cambios en los límites de la garantía y el desempeño de la garantía pronosticado.

Este libro fácil de usar muestra cómo los datos de garantía pueden respaldar varios niveles de toma de decisiones para lograr resultados confiables. De fácil comprensión incluso para quienes tienen un mínimo de conocimientos estadísticos, incluye objetivos y resúmenes en cada capítulo para permitir una revisión rápida de los temas.

Sobre los autores

Bharatendra K. Rai es profesor asistente en el Charlton College of Business de la Universidad de Massachusetts, North Dartmouth. El Dr. Rai, cinturón negro de ASQ Six Sigma, tiene una gran cantidad de experiencia en consultoría y capacitación en las industrias automotriz, electrónica, alimentaria, farmacéutica, de software, química y de defensa.

Nanua Singh es el presidente de Rapid Global Business Solutions, Inc., Madison Heights, Michigan. El Dr. Singh fue anteriormente profesor en el Instituto de Tecnología de India, Delhi; jefe del Departamento de Ingeniería Industrial de la Universidad de Windsor, Canadá; y profesor de ingeniería de fabricación en la Wayne State University, Detroit, Michigan.

Tabla de Contenido

  • Sección I: Necesidad de análisis y predicción con datos de garantía y problemas relacionados.
  • Sección II: Estrategias y métodos para el análisis de confiabilidad con datos de garantía.
  • Sección III: Pedicción de garantía.

1 Estudios de Confiabilidad con problemas y necesidades de datos de garantía

1.1 Mejora continua y datos de campo

La mayoría de las empresas se esfuerzan por ofrecer productos de la mejor calidad a sus clientes. La mayoría de estos esfuerzos tienen lugar en la etapa de investigación y desarrollo. Taguchi (1992) y Wu y Wu (2000) señalan que una vez que se completan los dibujos y especificaciones y se seleccionan los procesos de producción. la calidad del producto está casi completamente determinada. Entonces es poco lo que los ingenieros de producción pueden hacer para mejorar aún más la calidad del producto. En la etapa de desarrollo, se llevan a cabo diversas actividades, incluido el análisis de efectos y modos de falla de concepto / diseño, planificación e informes de verificación de diseño y experimentos de diseño robustos. La eficacia de estas actividades en el desarrollo de productos fiables y robustos se juzga muy a menudo mediante pruebas de vida útil de laboratorio.

Un automóvil con miles de piezas e interacciones entre ellas es un producto muy complejo. Hace que las pruebas / análisis detallados durante el desarrollo, la fabricación y el ensamblaje del producto sean prohibitivamente enormes, si no inviables. tarea. Así, cuando el vehículo salga al mercado. no es infrecuente la probabilidad de que la calidad y la confiabilidad sean deficientes y que resulten en altos costos de garantía. El éxito durante el desarrollo, la fabricación y el ensamblaje del producto a menudo se juzga por la falta de problemas de calidad y confiabilidad cuando el vehículo está en el campo.

Tradicionalmente, la confiabilidad se ha definido de la siguiente manera (Andrews y Moss 2002):

La probabilidad de que un elemento (componente, equipo o sistema) funcione sin fallas durante un período de tiempo determinado en condiciones específicas.

La palabra especificada en la definición anterior se relaciona mejor con las pruebas de laboratorio, donde se pueden especificar las condiciones de prueba. Sin embargo, las condiciones especificadas para el artículo pueden no coincidir con las condiciones reales encontradas durante su uso en el campo. Por ejemplo, las condiciones especificadas de las pruebas de laboratorio de un conjunto de volante pueden no incluir el hecho de que los usuarios pueden usarlo como manija para entrar al vehículo. Meeker y Escobar (2004) sugieren el uso de la palabra encontrada como más apropiada en lugar de la palabra especificada en la definición de confiabilidad. Sin embargo, durante las pruebas de laboratorio, es casi imposible replicar potencialmente todas las condiciones de uso encontradas. Por lo tanto, el éxito de las pruebas de vida útil en el laboratorio por sí solo no brinda a los ingenieros de diseño plena confianza y retroalimentación sobre el desempeño en campo.

Se ha observado que los datos de campo proporcionan información más confiable sobre la distribución de la vida en comparación con los datos de laboratorio (Suzuki 1995; Oh y Bai 2001). Los datos de campo capturan perfiles de uso reales y las exposiciones ambientales combinadas que son difíciles de simular en el laboratorio. Ocasionalmente, las empresas automotrices utilizan flotas de vehículos de producción para obtener información rápida sobre la naturaleza de las fallas de campo (Inman y Gonsalvez 1998). Debido a los datos de fácil acceso del número limitado de vehículos en la flota, el modelado y análisis de dichos datos no plantea un problema grave. Sin embargo, en las empresas de automoción, el acceso a los datos de campo se realiza principalmente a través de los datos de garantía. Por lo tanto, los diseñadores e ingenieros que trabajan en modelos de vehículos actuales y futuros también esperan obtener datos de garantía para obtener comentarios más precisos sobre el diseño. Los ingenieros y los cinturones negros de Six Sigma utilizan los datos de la garantía para identificar oportunidades de reducción de costos de garantía mediante el diseño, la fabricación o la reparación del servicio adecuados.

Murthy y Djamaludin (2002) señalan que las decisiones y acciones durante el diseño, la fabricación y el montaje determinan la confiabilidad inherente del producto. Se dice que un producto que funciona bien incluso en presencia de factores de ruido es robusto. Se espera que cuanto mejor sea el control sobre las variables de diseño, fabricación y ensamblaje, menor será el costo de garantía. En una situación ideal, cuando el control sobre el diseño, la fabricación y las variables de ensamblaje son perfectas y el efecto de los factores de ruido es insignificante, el costo total de la garantía solo será el costo administrativo de mantener el sistema de garantía. Sin embargo, en realidad, los factores de ruido juegan un papel importante y los estados de error generan una parte importante del costo total de la garantía. Para un factor de control y ruido dado, el cambio en la cobertura de la garantía para vehículos nuevos proporcionados por el fabricante influye significativamente en el costo total de la garantía.

1.2 Tres niveles de toma de decisiones con datos de garantía

En el pasado, cuando las principales empresas de automóviles de América del Norte obtenían buenos beneficios, probablemente no era tan necesario un modelo detallado de garantía. Pero hoy, cuando, por un lado, los principales fabricantes de automóviles gastan miles de millones de dólares al año en costos de garantía y, por el otro, han reducido sustancialmente los márgenes de ganancia, el modelado de garantías ya no es un lujo, sino que se ha convertido en una necesidad. Petkova y col. (1999) señalan que si dicha información es bien analizada y comunicada, la recurrencia de viejos problemas en nuevos productos se reducirá drásticamente y también lo harán los gastos en retiros, reparaciones, garantías y responsabilidades.

El modelado, el análisis y la predicción utilizando datos de garantía generalmente se llevan a cabo para respaldar tres niveles de toma de decisiones en una empresa, es decir:

  • Nivel estratégico
  • Nivel táctico
  • Nivel operativo

Las decisiones de nivel estratégico tienen un impacto a largo plazo en la empresa, tanto financieramente como en términos de tiempo. Por ejemplo, aumentar la cobertura de la garantía Las decisiones a nivel estratégico tienen un impacto a largo plazo en la empresa, tanto en términos financieros como de tiempo. Por ejemplo, aumentar la cobertura de la garantía para un vehículo de 3 años / 36K mi a 5 años / 50K mi puede afectar a la empresa durante 10 años o más. Aunque las decisiones de nivel estratégico son menos frecuentes que las decisiones tácticas u operativas, el impacto en los costos de tales decisiones podría fácilmente ascender a miles de millones de dólares para los principales fabricantes de automóviles. Además, una vez que se implementa la decisión de aumentar la cobertura de la garantía, puede resultar difícil retroceder, ya que puede dar una señal negativa a los clientes. Debido a la magnitud del impacto involucrado, los tomadores de decisiones en este nivel suelen ser la alta dirección. Uno de los principales factores de ruido a nivel estratégico de la toma de decisiones es la acción de un competidor.

Las decisiones de nivel táctico pueden afectar a una empresa por períodos que varían de 6 meses a 2 o 3 años. La planificación del suministro de piezas de repuesto en función de las predicciones de fallas de los componentes durante los próximos 1 o 2 años es un ejemplo. Es importante que las decisiones a nivel táctico se alineen con las decisiones a nivel estratégico. Los que toman las decisiones a nivel táctico son generalmente la gerencia media de una empresa.

La toma de decisiones a nivel operativo con datos de garantía tiene la duración más corta y puede variar de una semana a aproximadamente 6 meses. Un ejemplo es estimar los ahorros de costos esperados de un proyecto de mejora utilizando datos de garantía. Las decisiones de nivel operativo generalmente están alineadas con las decisiones de nivel táctico y estratégico, y son tomadas por ingenieros y cinturones negros de Six Sigma.

Referencias

Comprar en Amazon

Más Libros en Predictiva21

0 comentarios

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Revista #34 Predictiva21

ver todas las ediciones

Prueba nuestra nueva versión y da el salto a Fracttal con un increíble plan de migración. El futuro del mantenimiento está aquí. Ingresa a www.fracttal.com para más información.

Suscríbete a Predictiva21

Síguenos en Linkedin

×

Hola

Haz clic en nuestro representante para hablar por WhatsApp o escríbenos al correo contacto@predictiva21.com

× ¿Cómo podemos ayudarte?