56/1269/FDIS

FINAL RASCUNHO INTERNACIONAL

PROJETO PADRÃO FINAL DE NEM EU
INTERNACIONAL
Projeto número IEC 61649 Ed. 2,0
Número de projeto

IEC/TC ou SC CEI/CE ou SC Secretaria / Secretaria

TC 56 Reino Unido
Submetido para votação paralela no Distribuído em / Difuso le A votação termina em / Vote clos le
CENELEC Soumis au vote parallèle au 23-05-2008 25-07-2008
CENELEC
Também de interesse para os seguintes Substitui o documento
comitês Intéresse également les comités Substituir o documento
suivants 56/1182/CDV e 56/1216A/RVC
Funções em causa
Funções em causa
Segurança EMC Qualidade do ambiente garantia
Segurança CEM Environnement Assurance de la qualidade
DOCUMENTO CE EST UN PROJET DIFFUSÉ POUR APROBATION. IL NE PEUT
ÊTRE CITAR COMME NEM EU INTERNACIONAL AVANT SA PUBLICAÇÃO PT ESTE DOCUMENTO É UM RASCUNHO DISTRIBUÍDO PARA APROVAÇÃO. PODE
TANT QUE TELLE. NÃO SER REFERIDO PARA COMO UM INTERNACIONAL PADRÃO ATÉ
PUBLICADOS COMO TAL.
FORA LE FÉ D'ÊTRE EXAMES DERRAMAR ÉTABLIR S'ILS SONHO ACEITÁVEIS À
DES FINS INDUSTRIELLES, TECHNOLOGIQUES ET COMMERCIALES, AINSI QUE
DU POINT DE VUE DES UTILISATEURS, LES PROJETS FINAUX DE NORMES ALÉM DE SUA AVALIAÇÃO COMO ACEITÁVEL PARA FINS INDUSTRIAIS,
INTERNATIONALES DOIVENT PARFOIS ÊTRE EXAMINÉS EN VUE DE LEUR TECNOLÓGICOS, COMERCIAIS E DE USUÁRIO, MINUTA FINAL INTERNATIONAL
POSSIBILITÉ DE DEVENIR DES NORMES POUVANT SERVIR DE RÉFÉRENCE PADRÕES PODERIA SOBRE OCASIÃO TENHO PARA SER CONSIDERADO À LUZ
DANS LES RÈGLEMENTATIONS NACIONAIS. DO SEU POTENCIAL PARA SE TORNAR PADRÕES A QUE PODEM SER FEITOS
REFERÊNCIA NACIONAL REGULAMENTOS.
LES RÉCIPIENDAIRES DU PRÉSENT DOCUMENT SONT INVITÉS A PRESENTER,
AVEC LEURS OBSERVATIONS, LA NOTIFICATION DES DROITS DE PROPRIÉTÉ
DONT ILS AURAIENT ÉVENTUELLEMENT CONNAISSANCE ET À FOURNIR UNE OS DESTINATÁRIOS DESTE DOCUMENTO SÃO CONVIDADOS A ENVIAR, COM
DOCUMENTATION EXPLICATIVE. SEUS COMENTÁRIOS, NOTIFICAÇÃO DE QUAISQUER DIREITOS DE PATENTE
RELEVANTES DE QUE ESTEJAM CIENTES E A FORNECER DOCUMENTAÇÃO DE
SUPORTE.

Título
Título
CEI 61649 Ed. 2.0: Analisar de IEC 61649 Ed. 2.0: Análise Weibull
Weibull

ATTENTION VOTE PARALLÈLE ATTENTION IEC – CENELEC

CEI – CENELEC
L’attention des Comités nationaux de la CEI, membres du
CENELEC, est attirée sur le fait que ce projet finale de Norme
internationale est soumis au vote parallèle.
Les membres du CENELEC sont invités à voter via le système
de vote en ligne du CENELEC.
PARALLEL VOTING
The attention of IEC National Committees, members of
CENELEC, is drawn to the fact that this final draft International
Standard (DIS) is submitted for parallel voting.
The CENELEC members are invited to vote through the
CENELEC online voting system.

Copyright © 2008 International Electrotechnical Commission, IEC. All rights reserved. It is

permitted to download this electronic file, to make a copy and to print out the content for the sole purpose of preparing National Co
printed version of the document, or any part of it, for any other purpose without permission in writing from IEC.
FORMULÁRIO FDIS (IEC)/FORMULÁRIO
FDIS (CEI) 2007-08-09
 –2– 61649/FDIS 

CONTEÚDO
PREFÁCIO ........................................................................................................................................... 5
INTRODUÇÃO ..................................................................................................................................... 7
1 Escopo ........................................................................................................................................... 8
2 Normativo referências .................................................................................................................. 8
3 Termos, definições, abreviações e símbolos ............................................................................8
3.1 Termos e definições .......................................................................................................... 8
3.2 Abreviaturas ..................................................................................................................... 10
3.3 Símbolos ........................................................................................................................... 10
4 Aplicação de a técnicas ............................................................................................................. 11
5 o Weibull distribuição ................................................................................................................ 11
5.1 Os dois parâmetros Weibull distribuição .......................................................................11
5.2 Os três parâmetros Weibull distribuição .......................................................................13
6 Dados considerações ................................................................................................................ 13
6.1 Dados tipos ....................................................................................................................... 13
6.2 Tempo para primeiro falha .............................................................................................. 13
6.3 Características do material e Weibull distribuição .......................................................13
6.4 Amostra tamanho ............................................................................................................. 13
6.5 Censurado e suspenso dados ........................................................................................ 14
7 Métodos gráficos e bondade de ajuste ....................................................................................14
7.1 Visão geral ........................................................................................................................ 14
7.2 Como fazer o _ probabilidade enredo ...........................................................................14
7.2.1 Classificação ....................................................................................................... 15
7.2.2 O Weibull probabilidade parcela .......................................................................15
7.2.3 Lidar com suspensões ou censurado dados ...................................................15
7.2.4 Probabilidade tramando .....................................................................................17
7.2.5 Verificando a caber ............................................................................................. 17
7.3 Perigo tramando ............................................................................................................... 18
8 Interpretando o Weibull probabilidade enredo ........................................................................19
8.1 o banheira curva .............................................................................................................. 19
8.1.1 Geral .................................................................................................................... 19
8.1.2  < 1 – Implica cedo falhas ..............................................................................19
8.1.3  = 1 – Implica instantâneo constante falha taxa ..........................................20
8.1.4  > 1 - Implica desgaste ..................................................................................20
8.2 Modos Weibull desconhecidos podem ser "mascarado" .............................................20
8.3 Pequena amostras ........................................................................................................... 21
8.4 Atípicos ............................................................................................................................. 22
8.5 Interpretação de não linear parcelas .............................................................................22
8.5.1 Distribuições que não sejam a Weibull ............................................................25
8.5.2 Inconsistências de dados e multimodo falhas .................................................25
9 Métodos computacionais e bondade de ajuste .......................................................................25
9.1 Introdução ......................................................................................................................... 25
9.2 Suposições e condições ................................................................................................. 26
9.3 Limitações e precisão ..................................................................................................... 26
9.4 Entrada e resultado dados .............................................................................................. 26
9.5 Qualidade de ajuste teste ............................................................................................... 27
 61649/FDIS  –3–
9.6 MLE – ponto estimativas do a distribuição parâmetros  e ........................................27
9.7 Estimativa pontual do tempo médio para falha .............................................................28
9.8 Ponto estimativa do a frágil (10 %) do a Tempo para falha ........................................28
9.9 Ponto estimativa do a confiabilidade no Tempo t ( t  T ) ...........................................28
9.10 Programas programas ..................................................................................................... 28
10 Confiança intervalos .................................................................................................................. 28
10.1 Estimativa de intervalo do  ...................................................................................................28
10.2 Intervalo estimativa de .................................................................................................... 29
10.3 MRR Beta-binômio limites ............................................................................................... 30
10.4 Fisher's Matriz limites ...................................................................................................... 30
10.5 Limite de confiança inferior por B 10 ............................................................................... 31
10.6 Limite de confiança inferior por R ..................................................................................31
11 Comparação do mediana classificação regressão (MRR) e máximo probabilidade (MLE)
estimativa métodos .................................................................................................................... 31
11.1 Gráfico exibição ............................................................................................................... 31
11.2 B vida estimativas as vezes conhecido Como B ou eu percentis ...............................31
11.3 Pequena amostras ........................................................................................................... 32
11.4 Forma parâmetro  ...................................................................................................................32
11.5 Confiança intervalos ........................................................................................................ 32
11.6 solteiro falha ..................................................................................................................... 32
11.7 Matemático rigor .............................................................................................................. 32
11.8 Apresentação do resultados ........................................................................................... 32
12 WeiBayes abordagem ................................................................................................................ 33
12.1 Descrição .......................................................................................................................... 33
12.2 Método .............................................................................................................................. 33
12.3 WeiBayes sem falhas ...................................................................................................... 33
12.4 WeiBayes com falhas ...................................................................................................... 33
12.5 WeiBayes caso estudo .................................................................................................... 34
13 Repentino morte método ........................................................................................................... 35
14 Outro distribuições ..................................................................................................................... 37
Anexo A (informativo) Exemplos e caso estudos ..........................................................................38
Anexo B (informativo) Exemplo do cálculos ...................................................................................40
Anexo C (informativo) Mediana classificação tabelas ...................................................................42
Anexo D (normativo) Estatística Tabelas .......................................................................................47
Anexo E (informativo) Planilha exemplo ......................................................................................... 48
Anexo F (informativo) Exemplo de Weibull probabilidade papel ...................................................55
Anexo G (informativo) Misturas de vários falha modos .................................................................56
Anexo H (informativo) Três parâmetros Weibull exemplo ............................................................59
Anexo I (informativo) Construindo Weibull papel ..........................................................................61
Anexo J (informativo) Histórico técnico e referências ..................................................................64
Bibliografia ......................................................................................................................................... 67

Figura 1 – As formas PDF da família Weibull para η = 1,0 ............................................................12

Figura 2 – Tempo total de teste (minutos) .......................................................................................16
Figura 3 – Curva típica de banheira para um item .........................................................................19
Figura 4 – Os modos de falha Weibull podem ser “mascarado” ....................................................21
 –4– 61649/FDIS 
Figura 5 - Amostra Tamanho 10 ...................................................................................................... 21
Figura 6 – Amostra Tamanho 100 ................................................................................................... 22
Figura 7 – Um exemplo mostrando falta do em forma com uma dois parâmetros Weibull distribuição
............................................................................................................................................................. 23
Figura 8 – Os mesmos dados plotados com uma distribuição Weibull de três parâmetros mostram uma
Boa em forma com 3 meses Deslocamento (localização – 2,99 meses) ....................................24
Figura 9 – Exemplo de estimativa de t 0 por olho ...........................................................................25
Figura 10 – Novo design do compressor WeiBayes contra velho projeto ....................................35
Figura A.1 – Bomba de óleo principal baixo vezes .........................................................................38
Figura A.2 – Rolamento da bomba aumentada falha .....................................................................39
Figura A.3 – Íngreme  valores ocultar problemas .......................................................................39
Figura B.1 - Gráfico do cálculos ...................................................................................................... 41
Figura E.1 – Gráfico de Weibull para gráfico análise ......................................................................49
Figura E.2 – Gráfico Weibull de censurado dados .........................................................................51
Figura E.3 – Cumulativo perigo enredo por dados do Mesa E.4 .................................................52
Figura E.4 - Gráficos de Perigos Cumulativos para Mesa E.6 ......................................................54
Figura H.1 – Tenacidade à fratura do aço – curvado dados .........................................................59
Figura H.2 –
t 0 melhora o ajuste da Figura H.1 dados ................................................................60

Tabela 1 – Orientação para uso deste Internacional Padrão ........................................................11

Tabela 2 - Falha de flare classificada rebite dados .......................................................................15
Mesa 3 – Ajustado fileiras por suspenso ou censurado dados ....................................................16
Tabela 4 – Tamanho do subgrupo para estimar o tempo para X % de falhas usando a morte súbita
método ................................................................................................................................................ 36
Tabela 5 – Dados da cadeia: ciclos para falha ...............................................................................36
Tabela B.1 - Horários para falha ..................................................................................................... 40
Tabela B.2 - Resumo do resultados ................................................................................................ 41
Tabela D.1 – Valores do _ gama função .........................................................................................47
Tabela D.2 – Fracturas do _ normal distribuição ............................................................................47
Tabela E.1 - Prática análise exemplo .............................................................................................48
Mesa E.2 – Planilha configurar por análise do censurado dados ................................................50
Tabela E.3 - Exemplo de Análise Weibull para suspenso dados .................................................50
Tabela E.4 - Exemplo de Aplicativo de planilha para censurado dados ......................................51
Tabela E.5 - Exemplo planilha ......................................................................................................... 52
Mesa E.6 – UMA retransmissão dados forneceu por ISO/TC94 e Perigo análise por falha modo 1
............................................................................................................................................................. 53
Tabela I.1 – Construção de ordenado ( Y ) .....................................................................................62
Tabela I.2 – Construção de abscissa ( t ) .......................................................................................62
Mesa I.3 – Contente do dados entrou em uma planilha ...............................................................62
 61649/FDIS  –5–

COMISSÃO ELETROTÉCNICA INTERNACIONAL

ANÁLISE DE WEIBULL

PREFÁCIO
1) A International Electrotechnical Commission (IEC) é uma organização mundial para padronização que inclui todos
os comitês eletrotécnicos nacionais (IEC National Committees). O objeto de A IEC deve promover a cooperação
internacional em todas as questões relativas à padronização nos campos elétrico e eletrônico. Para este fim e
além de outras atividades , a IEC publica Normas Internacionais, Especificações Técnicas , Relatórios Técnicos e
Guias (doravante referidos como “ Publicações IEC ”). A sua preparação é confiada a comissões técnicas ;
qualquer Comitê Nacional da IEC interessado no assunto tratado pode participar deste trabalho preparatório .
Organizações internacionais, governamentais e não - governamentais ligadas à IEC também participam desta
preparação. A IEC colabora estreitamente com a Organização Internacional para Padronização (ISO) dentro
conformidade com condições determinado por acordo entre a dois organizações.
2) As decisões formais ou acordos da IEC sobre assuntos técnicos expressam, tanto quanto possível, um consenso
internacional de opinião sobre os assuntos relevantes , uma vez que cada comitê técnico tem representação de
todas as partes interessadas da IEC Nacional . Comitês.
3) As publicações da IEC têm a forma de recomendações para uso internacional e são aceitas pelos Comitês
Nacionais da IEC nesse sentido. Embora todos os esforços razoáveis sejam feitos para garantir que o conteúdo
técnico das Publicações IEC seja preciso, a IEC não pode ser responsabilizada pela maneira como elas são
usadas ou por qualquer má interpretação por qualquer fim . do utilizador.
4) A fim de promover a uniformidade internacional, os Comitês Nacionais da IEC se comprometem a aplicar as
Publicações da IEC de forma transparente ao máximo possível em seus países e regiões . publicações. Qualquer
divergência entre qualquer publicação IEC e a publicação nacional ou regional correspondente deve ser
claramente indicada no a último.
5) A IEC não fornece nenhum procedimento de marcação para indicar sua aprovação e não pode ser
responsabilizada por qualquer equipamento declarado para ser dentro conformidade com um IEC Publicação.
6) Tudo usuários deve garantir este elas tenho a Mais recentes edição do isto publicação.
7) Nenhuma responsabilidade será atribuída à IEC ou seus diretores, funcionários, servidores ou agentes, incluindo
especialistas individuais e membros de seus comitês técnicos e Comitês Nacionais da IEC por quaisquer danos
pessoais, danos materiais ou outros danos de qualquer natureza, sejam diretos ou indiretos, ou por custos
(incluindo honorários advocatícios) e despesas decorrentes da publicação , uso ou dependência desta Publicação
IEC ou quaisquer outras Publicações IEC .
8) - se atenção para as referências normativas citadas nesta publicação. O uso das publicações referenciadas é
indispensável para a correta aplicação do esta publicação.
9) Chama - se a atenção para a possibilidade de que alguns dos elementos desta publicação IEC possam ser objeto
de patente direitos. IEC deve não ser guardado responsável por identificando algum ou tudo tal patente direitos.

A Norma Internacional IEC 61649 foi preparada pelo comitê técnico IEC 56: Confiabilidade.

Esta segunda edição anula e substitui a primeira edição, publicada em 1997, e constitui um
revisão.

As principais alterações em relação à edição anterior são as seguintes:

– a título tem estive encurtado e simplificado para ler “Weibull análise";

– provisão do métodos por Ambas analítico e gráfico soluções tenho estive adicionado.
 –6– 61649/FDIS 

O texto desta norma é baseado nos seguintes documentos:

FDIS Relatório sobre

votação
56/XX/FDIS 56/XX/RVD

Informações completas sobre a votação para aprovação desta norma podem ser encontradas
no relatório de votação indicado no item acima . tabela.

Esta publicação foi elaborada de acordo com as Diretivas ISO/IEC, Parte 2.

O comitê decidiu que o conteúdo desta publicação permanecerá inalterado até que a data do
resultado da manutenção 1 indicado no site da IEC em "http:// web store.iec.ch " no _ dados
relacionado para a específico publicação. No isto encontro, a publicação vai ser

• reconfirmado,
• retirado,
• substituído por uma edição revisada, ou
• alterados.

1 Solicita-se aos Comitês Nacionais que observem que para esta publicação a data do resultado da manutenção é 2013.
61649/FDIS  –7–

INTRODUÇÃO

A distribuição Weibull é usada para modelar dados independentemente de a taxa de falha estar
aumentando, diminuindo ou constante. A distribuição Weibull é flexível e adaptável a uma ampla
gama de dados. O tempo até a falha, ciclos até a falha, quilometragem até a falha, estresse mecânico
ou parâmetros contínuos semelhantes precisam ser registrados para todos os itens. Uma distribuição
de vida pode ser modelada mesmo que nem todos os itens tenham falhado.

São fornecidas orientações sobre como realizar uma análise usando um programa de planilha .
Também são fornecidas orientações sobre como analisar diferentes modos de falha
separadamente e identificar uma possível população fraca . O uso da distribuição Weibull de
três parâmetros pode fornecer informações a tempo para o primeiro falha ou resistência
mínima na amostra .
 –8– 61649/FDIS 

ANÁLISE DE WEIBULL

1 Alcance

Esta Norma Internacional fornece métodos para analisar dados de uma distribuição Weibull usando
parâmetros contínuos, como tempo até a falha, ciclos até a falha, estresse mecânico, etc.

Esta norma é aplicável sempre que dados sobre parâmetros de resistência, por exemplo ,
tempos de falha, ciclos, estresse, etc., estiverem disponíveis para uma amostra aleatória de
itens operando em condições de teste ou em serviço, com o objetivo de estimar medidas de
desempenho de confiabilidade do população da qual esses itens foram extraídos.

Esta norma é aplicável quando os dados analisados são distribuídos de forma independente e
idêntica. Isso deve ser testado ou considerado verdadeiro (consulte IEC 60300-3-5).

Neste padrão, métodos numéricos e métodos gráficos são descritos para plotar dados, fazer um
teste de ajuste , estimar os parâmetros da distribuição Weibull de dois ou três parâmetros e
traçar limites de confiança . São fornecidas orientações sobre como interpretar o gráfico em
termos de risco em função do tempo, modos de falha e possível população fraca e tempo até a
primeira falha ou mínimo resistência.

2 Normativo referências

Os seguintes documentos referenciados são indispensáveis para a aplicação deste documento .

Para referências datadas , aplica-se apenas a edição citada . Para referências sem data, a
última edição do documento referenciado ( incluindo quaisquer alterações) se aplica.

IEC 60050-191:1990, Vocabulário Eletrotécnico Internacional - Parte 191: Confiabilidade e qualidade

de serviço

IEC 60300-3-5:2001, Gerenciamento de confiabilidade – Parte 3-5: Guia de aplicação –

Condições de teste de confiabilidade e teste estatístico princípios

IEC 61810-2, Relés elementares eletromecânicos - Parte 2: Confiabilidade

ISO 2854:1976, Interpretação estatística de dados – Técnicas de estimativas e testes relativos

a médias e variações

ISO 3534-1:2006, Estatística – Vocabulário e símbolos – Parte 1: Probabilidade e termos estatísticos

gerais

3 Termos, definições, abreviaturas e símbolos

Para os fins deste documento, as definições, abreviaturas e símbolos fornecidos IEC 60050-
191 e ISO 3534-1 Aplique, juntos com a Segue.

3.1 Termos e definições

3.1.1
censurando
encerrar um teste após uma determinada duração ou um determinado número de falhas

NOTA Um teste encerrado quando ainda há itens não reprovados pode ser chamado de “teste censurado”, e os dados
de tempo de teste de tal testes poderia ser referido para Como “censurado dados".
 61649/FDIS  –9–

3.1.2
item suspenso
item sobre o qual o teste foi reduzido sem falha relevante

NOTA 1 O item pode não ter falhado, ou pode ter falhado em um modo diferente daquele sob investigação.

NOTA 2 Uma “suspensão antecipada” é aquela que foi suspensa antes da primeira vez. Uma “ suspensão tardia ” é
suspensa após a última falha.

3.1.3
teste de vida
teste realizado para estimar ou verificar a durabilidade de um produto

NOTA O fim da vida útil será frequentemente definido como o momento em que uma certa porcentagem dos itens
falhou para itens não reparáveis e como o momento em que a intensidade da falha aumentou para um nível
especificado para itens reparáveis . Itens.

3.1.4
item não reparável
item que não pode, sob determinadas condições, após uma falha, ser devolvido a um estado em que
possa funcionar conforme necessário

NOTA As condições apresentadas podem ser técnicas, econômicas, ecológicas e/ou outras.

3.1.5
tempo operacional
intervalo de tempo para o qual o item está em um estado operacional

NOTA "Tempo de operação" é genérico e deve ser expresso em unidades apropriadas ao item em questão, por
exemplo, calendário Tempo, operativo ciclos, distância corre, etc. e a unidades deve sempre ser claramente
declarado.

3.1.6
falha relevante
falha que deve ser incluída na interpretação de resultados operacionais ou de teste ou no cálculo do
valor de uma medida de desempenho de confiabilidade

NOTA Os critérios de inclusão devem ser indicados.

3.1.7
Teste de confiança
experimento realizado para medir , quantificar ou classificar uma medida de confiabilidade ou
propriedade de um item

NOTA 1 O teste de confiabilidade é diferente do teste ambiental onde o objetivo é provar que os itens sob teste posso
sobreviver extremo condições do armazenar, transporte e usar.

NOTA 2 Os testes de confiabilidade podem incluir testes ambientais.

3.1.8
item reparável
item que pode, sob determinadas condições, após uma falha, ser devolvido a um estado em que possa
funcionar conforme necessário

NOTA As condições apresentadas podem ser técnicas, econômicas, ecológicas e/ou outras.

3.1.9
tempo para falhar
tempo de operação acumulado desde o primeiro uso, ou desde a restauração, até a falha

NOTA Em aplicações onde o tempo em armazenamento ou em espera é significativamente maior que o “tempo de
operação”, o tempo para falha poderia ser Sediada sobre a Tempo dentro a Especificadas serviço.
 – 10 61649/FDIS 

3.1.10
tempo entre falhas
tempo de duração entre falhas consecutivas

NOTA 1 O tempo entre falhas inclui o tempo de atividade e o tempo de inatividade.

NOTA 2 Em aplicações onde o tempo em armazenamento ou em espera é significativamente maior que o tempo de
operação, o tempo para falha poderia ser Sediada sobre a Tempo dentro a Especificadas serviço.

3.1.11
vida B
percentis L
idade em que uma determinada porcentagem de itens falhou

NOTA A vida útil "B 10 " é a idade em que 10 % dos itens (por exemplo, rolamentos) falharam. Às vezes é denotado
pelo valor L (vida) . As vidas B podem ser lidas diretamente do gráfico Weibull ou determinadas com mais precisão a
partir do Weibull
equação. A idade em que 50% dos itens falham, a vida B 50 , é o tempo médio para falha.

3.2 Abreviaturas
Grade de bola BGA de circuito integrado
específico de aplicação ASIC variedade
Distribuição cumulativa de CDF função
Densidade de probabilidade PDF função
Probabilidade máxima de MLE estimativa
classificação mediana MRR regressão
MTTF tempo médio para falha

3.3 Símbolos
t tempo – variável
Vida ou escala característica de Weibull parâmetro
 Forma Weibull parâmetro

t0 começando ponto ou origem do a distribuição, falha gratuitamente Tempo

r2 coeficiente de determinação
densidade de probabilidade f( t ) função
Distribuição cumulativa de F( t ) função
h( t ) perigo função
λ( t ) falha instantânea avaliar
H( t ) perigo cumulativo função
F 1 número de falhas com modo de falha 1
F 2 número de falhas com modo de falha 2
F 3 número de falhas com modo de falha 3
 61649/FDIS  – 11

4 Aplicação do _ técnicas

Tabela 1 mostra as circunstâncias em que aspectos particulares desta norma são aplicáveis .
Isto mostra os três principais métodos para estimar parâmetros da distribuição Weibull, ou
seja, gráficos, computacionais e WeiBayes, e indica o tipo de requisitos de dados para cada
um desses três métodos.

Tabela 1 – Orientação para uso da IEC 61649

Método/ Métodos Métodos

WeiBayes
Tipos de dados gráficos computacionais
Intervalo censurado √ NC √
Vários censurados √ NC √
Censurado individualmente √ √ √
Zero falhas NC NC √
Amostra pequena (≤20) √ NC √
Grande amostra √ √ NC
Dados curvos √ NC NC
Dados completos √ √ √
NOTA NC significa não coberto por esta norma.

5 O Weibull distribuição

5.1 O Weibull de dois parâmetros distribuição

A distribuição Weibull de dois parâmetros é de longe a distribuição mais usada para análise de dados
de vida. A função de densidade de probabilidade Weibull (PDF) é mostrada na Equação (1):

t
 
t

f(t)
1  e   (1)


Onde 
t é o tempo , expresso como variável;
é a vida característica ou parâmetro de escala;
 é a forma parâmetro.

A função de distribuição cumulativa Weibull (CDF) tem uma equação explícita conforme mostrado na
Equação (2):

F( t )
-(t/  ) (2)
1-e


Os dois parâmetros são , a vida característica e  , o parâmetro de forma . O parâmetro de

forma indica a taxa de variação da taxa de falha instantânea com o tempo. Exemplos incluem:
mortalidade infantil, aleatória ou desgaste. Ele determina qual membro da Weibull
família de distribuições é mais apropriada. Diferentes membros têm amplamente diferentes moldado
PDFs (veja a Figura 1). A distribuição Weibull se ajusta a uma ampla gama de dados de vida
em comparação com outras distribuições. A variável t é genérica e pode ter várias medidas
como tempo, distância, número de ciclos ou estresse mecânico formulários.
 – 12 61649/FDIS 

3,5

3,0

 = 0,5
2,5

2,0
 = 3,44

1,5

=1

1,0

0,5

0
00,51,0 1,5 2,02,53,03,5

Datum in time

Figura 1 – As formas PDF da família Weibull para η = 1,0

Na Figura 1, a forma PDF para  = 3,44 (indicado) se parece com a distribuição normal : é uma
feira aproximação, exceto por a caudas do a distribuição.

A taxa de falha instantânea λ( t ) (ou h( t ), a função de risco ) da distribuição Weibull de dois

parâmetros é mostrada na Equação (3):
1
λ( t ) = t (3)
h( t )   


Três faixas de valores do parâmetro de forma ,  , são salientes:

 para  = 1,0 a distribuição Weibull é idêntica à distribuição exponencial e a

instantânea , λ( t ), então se torna uma constante igual ao recíproco do parâmetro de
escala ,  
  > 1,0 é o caso de aumento da taxa de falha instantânea ; e
  < 1,0, é o caso de falha instantânea decrescente avaliar.

Característica vida, , é o tempo em que se espera que 63,2 % dos itens falhem . Isso é verdade
para todas as distribuições Weibull, independentemente do parâmetro de forma ,  . Se houver
substituição _ do
espera - se que 63,2 % dos tempos até a falha sejam menores ou iguais para a característica
vida, . Uma discussão mais aprofundada das questões relativas à reparação e
não reparável
Itens posso ser encontrado dentro IEC 60300-3-5. o 63,2 % vem a partir de contexto t =
na Equação (2)
que resulta na Equação (4):
61649/FDIS  – 13
F(  )
1-e
-(  / 
1-e
-(1)  1 - (1/e)  0,632 (4)
) 
f
 – 14 61649/FDIS 

5.2 O Weibull de três parâmetros distribuição

A equação (5) mostra o CDF da distribuição Weibull de três parâmetros:

tt0 
-( )

F( t )  1 - e
(5)

O parâmetro t 0 é chamado de tempo livre de falhas, parâmetro de localização ou vida mínima.

O efeito do parâmetro de localização normalmente não é bem compreendido até que um ajuste
ruim seja observado com um gráfico de Weibull de 2 parâmetros . Quando uma falta de ajuste é
observada, os engenheiros tentam usar outras distribuições que possam fornecer um ajuste
melhor . No entanto, a falta de ajuste pode ser reconciliada quando os dados são plotados com
uma distribuição Weibull de 3 parâmetros (ver 8.5). Usando o parâmetro de localização, fica
evidente que as falhas do produto são compensadas por um período fixo de tempo, chamado de
limite. O efeito do parâmetro de localização é normalmente observado quando um produto vê o
“prazo de validade” após o qual ocorre a primeira falha . Um bom indicador do efeito de um
parâmetro de localização é a forma convexa de um enredo.

6 Dados considerações

6.1 Dados tipos

vida estão relacionados a itens que "envelhecem" até o fracasso. Os dados de falha do Weibull
geralmente são dados de vida , mas também podem descrever dados de materiais onde o
“envelhecimento” pode ser estresse, força ou temperatura. "Idade" pode ser tempo de
operação, partidas e paradas, pousos, decolagens, ciclos de fadiga de baixo ciclo ,
quilometragem, prateleira ou tempo de armazenamento , ciclos ou tempo em alta tensão ou alta
temperatura, ou muitos outros parâmetros contínuos. Neste padrão o parâmetro “idade” será
chamado de tempo. Quando necessário, "Tempo" posso ser substituído por algum do a "era"
parâmetros listado acima de.

6.2 Hora de primeiro falha

A variável Weibull “tempo” é geralmente considerada uma medida de consumo de vida. As seguintes
interpretações podem ser usadas:

– tempo até a primeira falha de um reparável item;

– tempo até a falha de um item não reparável ;
– tempo de novo a cada falha de um sistema reparável se um item não reparável no
sistema falhar mais de uma vez durante o período de observação. Deve - se assumir
que o reparo (mudança do item) não introduz uma nova falha, de modo que o sistema
após o reparo pode, com uma aproximação, ser considerado como tendo a mesma
confiabilidade que imediatamente antes da falha (comumente referido como a suposição
“ruim como antiga”);
– tempo até a primeira falha de um item não reparável , após manutenção programada,
com a suposição de que a falha é relacionados com a manutenção anterior .

6.3 Características do material e o Weibull distribuição

características do material , como fluência, ruptura de tensão ou ruptura e fadiga , geralmente

são plotadas em papel de probabilidade Weibull . Aqui a escala horizontal pode ser estresse,
ciclos, carga, número de repetições de carga ou temperatura.

6.4 Amostra Tamanho

A incerteza quanto à estimativa do parâmetro Weibull está relacionada ao tamanho da amostra

e ao número de falhas relevantes . Os parâmetros Weibull podem ser estimados usando apenas
duas falhas ; no entanto , a incerteza de tal estimativa seria excessiva e não poderia confirmar a
aplicabilidade do modelo Weibull . Qualquer que seja o tamanho da amostra , os limites de
confiança devem ser ser calculado e plotado dentro ordem para avaliar a incerteza do a
61649/FDIS  – 15
estimativas.
 – 16 61649/FDIS 

Como em todas as análises estatísticas, quanto mais dados estiverem disponíveis, melhor será
a estimativa , mas se a dados definir é limitado, então referir para a adendo dado dentro 11.3.

6.5 Censurado e suspenso dados

Ao analisar dados de vida , é necessário incluir dados sobre os itens na amostra que não
falharam ou não falharam por uma análise de modo de falha . Esses dados são chamados de
dados censurados ou suspensos (ver IEC 60300-3-5). Quando os tempos de falha de todos os
itens são observados , os dados são ditos completo.

Um item em teste que não falhou pelo modo de falha em questão é um item suspenso ou
censurado . Ele pode ter falhado por um modo de falha diferente ou não ter falhado . Uma
"suspensão antecipada" é aquela que foi suspensa antes da primeira falha. Uma " suspensão
tardia " é suspensa após a último falha. Suspensões entre falhas são chamado aleatória ou
progressivo suspensões.

Se os itens permanecerem infalíveis, então os dados correspondentes são considerados

censurados . Se um teste é encerrado em um tempo especificado , T , antes que todos os itens
tenham falhado, então os dados são considerados censurados no tempo . Se um teste for
encerrado após a ocorrência de um número especificado de falhas , os dados serão
considerados como falha. censurado.

Uma discussão mais aprofundada sobre censura é abordada na IEC 60300-3-5.

7 Métodos gráficos e qualidade de ajuste

7.1 Visão geral

análise gráfica consiste em plotar os dados em papel de probabilidade Weibull , ajustar uma
linha através dos dados, interpretar o gráfico e estimar os parâmetros usando papel de
probabilidade especial derivado da transformação da equação de Weibull em uma forma linear.
Isso é ilustrado no Anexo EU.

Os dados são plotados depois de organizá -los do mais antigo para o mais recente, um
processo chamado classificação. O tempo para falha dados são plotado Como a X coordenada
sobre a Weibull probabilidade papel.

A coordenada Y é a classificação mediana conforme especificado em 7.2.1. Para tamanhos de

amostra acima de 30 , a classificação mediana é, na prática , igual à porcentagem de falhas . Se
os dados plotados seguirem uma tendência linear, uma linha de regressão pode ser desenhado.

Os parâmetros podem então ser lidos no gráfico . A vida característica , , é o tempo de

reprovação de 63,2 % dos itens, chamado de “B63,2 Vida”. O parâmetro de forma ,  , é
estimado como o inclinação em Weibull papel.

A regressão de classificação mediana (MRR) é um método para estimar os parâmetros da

distribuição usando técnicas de regressão linear com as variáveis sendo a classificação mediana e
tempo de vida ou estresse, etc.

Outro método gráfico que é usado para estimar os parâmetros de uma distribuição Weibull é
chamado de plotagem de risco. Isso é descrito em 7.3.

7.2 Como fazer a probabilidade enredo

Para fazer um gráfico de probabilidade , uma sequência de etapas precisa ser executada . _
Essas etapas são descritos em detalhes abaixo de.
 61649/FDIS  – 17

7.2.1 Classificação

Para fazer o gráfico Weibull , classifique os dados do menor ao maior tempo até a falha . Esta
classificação irá configurar as posições de plotagem para o tempo, t , eixo e as ordenadas, F( t
), em valores percentuais. Estes fornecerão informações para a construção da linha Weibull
mostrada na Equação (6).

classificações medianas são fornecidas no Anexo C. Insira como exemplo as tabelas para
classificação mediana de 50 % , para um tamanho de amostra de cinco, e encontre as
classificações medianas mostradas na Tabela 2 para cinco tempos de falha mostrados na
coluna do meio . As posições de plotagem de classificação mediana no Anexo C são usadas
com todos os tipos de papel de probabilidade , ou seja , Weibull, log-normal, normal e valor
extremo.

NOTA 1 Se dois pontos de dados tiverem o mesmo tempo, eles serão plotados em diferentes valores de classificação mediana.

Tabela 2 - Dados de rebites de falha de flare classificados

Número do Tempo de t Classificaçã

pedido falha o mediana
EU
min (X) % (S)
1 30 12,94
2 49 31,38
3 82 50,00
4 90 68,62
5 96 87,06

A estimativa mediana é preferida à média ou valor médio para distribuições não simétricas. A maioria
das distribuições de dados de vida são distorcidas e, portanto, a mediana desempenha um papel
importante.

Se uma tabela de classificações medianas e um meio para calcular as classificações medianas

usando a distribuição Beta for não acessível, então de Benard aproximação, Equação (6),
poderia ser usado:

( i  0,3)
Feu ( N  0, 4)%
(6)

onde N é o tamanho da amostra e i é a posição classificada do item de dados de interesse.

NOTA 2 Esta equação é usada principalmente para N  30; para N >30 a correção da frequência acumulada pode ser
desprezada: F i = ( i / N )  100 %.

7.2.2 A probabilidade de Weibull enredo

Depois de transformar os dados, o gráfico pode ser construído usando três métodos diferentes:

– Weibull probabilidade papel – Anexo F mostra Weibull probabilidade papel;

– uma computador planilha programa – Anexo E dá uma planilha exemplo;
– comercial de prateleira Programas.

7.2.3 Lidar com suspensões ou censuras dados

Itens sem falha ou itens que falham por um modo de falha diferente são itens "censurados" ou
"suspensos", respectivamente. Esses dados não podem ser ignorados. Os tempos dos itens
suspensos devem ser incluídos na análise.

A fórmula abaixo fornece as classificações ajustadas sem a necessidade de calcular

incrementos de classificação . Ele é usado para cada falha e requer uma coluna adicional para
classificações reversas. O procedimento é classificar os dados com as suspensões e usar a
 – 18 61649/FDIS 
Equação (7) para determinar as classificações, ajustado para a presença de suspensões.
 61649/FDIS  – 19

Classificação (Classificação reversa) x (Classificação ajustada (7)

ajustada  anterior)  ( N  1)
(Classificação reversa)  1

Os números de ordem de classificação são ajustados para o efeito dos três itens suspensos na Tabela 3.

Tabela 3 – Classificações ajustadas para dados suspensos ou

censurados

Mediana
Inverter
Class Tem Status Ajustado classificação
classific
ificaç po
ação
ão classificação
%
1 10 Suspensão 8 Suspenso...
2 30 Falha 7 [7  0 +(8+1)]/ (7+1) = 1.125 9,8
3 45 Suspensão 6 Suspenso…
4 49 Falha 5 [ 5 1.125 +(8+1)]/ (5+1) = 2.438 25,5
5 82 Falha 4 [ 4 2.438 +(8+1)]/ (4+1) = 3.750 41,1
6 90 Falha 3 [ 3 3.750 +(8+1)]/ (3+1) = 5.063 56,7
7 96 Falha 2 [ 2 5.063 +(8+1)]/ (2+1) = 6.375 72,3
8 100 Suspensão 1 Suspenso...

Neste exemplo, as classificações ajustadas usam a aproximação de Benard para calcular as

classificações medianas Como isto é mais fácil do que interpolação dentro a tabela. o
resultados dentro Mesa 3 são plotado dentro Figura 2.

NOTA Se dois itens falharem na mesma idade , eles recebem números de ordem de classificação sequencial . Em
caso de suspensão posterior, a procedimento é para ser repetido por a descanso do a falhas.

90

70

50
Weibull

30
Without suspensions

With suspensions
10

1
1 10 100 1 000

Total test time

Figura 2 – Tempo total de teste (em minutos)

 – 20 61649/FDIS 

aproximação de Benard para a classificação mediana é suficientemente precisa ao usar a

suspensão para plotar distribuições Weibull e estimar os parâmetros. Aqui " i " é a
classificação ajustada e " N " é a soma de falhas e suspensões. As classificações medianas são
convertidas em porcentagens para plotagem em papel Weibull . Por exemplo, para a primeira
falha na Tabela 3 com uma classificação ajustada de 1.125:

(1.125  0, 3)
Mediana Classificação (%)  
(8)
100  9,82%
(8 + 0, 4)

A Figura 2 mostra o gráfico Weibull correto, pois inclui as suspensões.

A seguir estão as etapas para plotar conjuntos de dados com suspensões:

a) classificação a vezes, Ambas falhas e suspensões, a partir de mais cedo para Mais recentes;
b) calcular a ajustado fileiras por a falhas (suspensões são não plotado);
c) use a aproximação de Benard para calcular a mediana fileiras;
d) enredo a falha vezes ( x ) contra a mediana fileiras ( s ) sobre Weibull papel;
e) estimativa lendo a vida B63,2 do enredo;
f) estimativa  com uma régua ou usar escalas beta especiais geralmente fornecidas no papel
de probabilidade Weibull ;
g) interpretar o enredo.

7.2.4 Probabilidade plotagem

Traçar os dados em papel Weibull à mão ou em um computador pode ser suficiente para
verificar a qualidade do ajuste. Ajustar subjetivamente uma linha reta a olho nu pode dar uma
indicação da qualidade do ajuste.

7.2.5 Verificando o em forma

Se os dados se agruparem em torno de uma linha reta em um gráfico de probabilidade, é evidência

de que os dados são representados pela distribuição de assunto. No entanto, amostras pequenas
tornam difícil avaliar a qualidade do ajuste. Existem medidas estatísticas de bondade de ajuste, como
os testes de Qui-quadrado, Kolmogorov-Smirnoff e Nancy Mann. Este padrão usa o coeficiente de
correlação ao quadrado chamado coeficiente de determinação.

Isso pode ser calculado usando a Equação

(9):
2
N N
 
 N x  i eu  _
  xy _  = i 1 i=1 
i1 i N 
 
  (9)
r2 N 2 
N
2 
 2
x   N  x   N_
2
eu
eu
 eu  1  _
 eu  1 
onde x i e y i são a classificação mediana e o tempo de falha, respectivamente, x e y são médias
de xi e y i e N é a amostra Tamanho.

r 2 é a proporção de variação nos dados que pode ser explicada pela hipótese de Weibull .
Quanto mais próximo de 1, melhor os dados são ajustados a uma distribuição Weibull; quanto
mais próximo de 0 indica um ajuste ruim. O coeficiente de correlação, " r ", destina - se a medir
a força de uma relação linear entre duas variáveis. " r " é um número entre -1 e +1, dependendo
da inclinação . Alternativamente, se o gráfico Weibull for construído usando uma planilha, ao
61649/FDIS  – 21
usar linear regressão técnicas a correlação coeficiente é muitas vezes dado Como papel
do a
 – 22 61649/FDIS 

saída quando os dados são ajustados com uma linha reta (geralmente uma opção seletiva ). De
forma similar, pacotes de software comercial fornecem o coeficiente de determinação.

Isso deve ser usado com cuidado e somente se a inspeção visual concordar com a observação.

7.3 Perigo plotagem

técnicas de plotagem de probabilidade Weibull primeiro estimam a proporção cumulativa

falhou, F ( t ) , u s a n d o classificações medianas e, em seguida, plote os tempos até a falha
em relação às respectivas probabilidades cumulativas estimadas na probabilidade de Weibull
papel.

A técnica de plotagem de risco começa com a estimativa da taxa de falha instantânea ou o

perigo função,

 t h t  f(t)
, (10)
[1  F ( t
)]

usando uma estimativa da função de risco cumulativa. A

função de risco cumulativo,

H t _   t  h t _  dt _   ln , (11)
0

_   1  F t _   

é estimado pela soma cumulativa das funções de risco estimadas.

Para a distribuição Weibull,


t
Ht 
    , (12)


tomando logaritmos naturais de ambos os lados, produz a seguinte relação linear para ln H  t 
contra ln t :

ln( H t _  )   ln( t ) 
(13)
 ln(  )

O papel de risco Weibull é, portanto, papel ln-ln. A inclinação nominal da linha ajustada para o
os dados são  , e t   quando H  t   1 .

NOTA Tanto as toras naturais quanto as toras de base 10 podem ser usadas para o papel de risco Weibull.

Embora o documento de risco Weibull esteja disponível para alguns países, esta técnica pode ser
usada com o documento de probabilidade Weibull usual aplicando a transformação:

F t 1eH(t) (14)

Isso pode ser facilmente implementado usando um programa de planilha.

61649/FDIS  – 23

O procedimento de plotagem de risco é o seguinte:

a) ordenar a vezes, Ambas falhas e suspensões simultaneamente, a partir de mais cedo para Mais
recentes;
 – 24 61649/FDIS 

b) para cada falha, calcule a taxa de falha instantânea , dada por 1/(número de itens restantes
após a falha anterior ou censura);
c) para cada falha, calcule a soma cumulativa das taxas de falhas instantâneas , como uma
estimativa do perigo função;
d) plotar os riscos cumulativos estimados em relação ao tempo de falha em papel log-log ou ln
-ln papel;
e) encaixar uma linha reta na _ parcelas;
f) estimar o parâmetros.

O Anexo E dá exemplos trabalhados. A IEC 61810-2 também fornece exemplos de usando

plotagem de perigo para estimar os parâmetros de uma distribuição Weibull .

8 Interpretando a probabilidade Weibull enredo

8.1 A banheira curva

8.1.1 Em geral

A curva de banheira frequentemente usada (veja a Figura 3) mostra a relação entre o

parâmetro de forma Weibull ,  , e a função de perigo ao longo da vida de um item. Nem todos
Itens,
no entanto, exibe todos os elementos da curva da banheira durante suas vidas.

Função de
perigo Vida útil
(período
aleatório)

  1 _ 1
h

=1

Tempo

Mortalida
Desgasta
de infantil
r
(primeira
vida)

Figura 3 – Curva típica de banheira para um item

8.1.2  <1 – Implica cedo falhas

Ambos os sistemas eletrônicos e mecânicos podem inicialmente ter altas taxas de falhas. Os
fabricantes realizam o controle do processo de produção, testes de aceitação da produção ,
"burn-in" ou triagem de estresse de confiabilidade (RSS), para evitar falhas precoces antes da
entrega ao cliente. Portanto, parâmetros de forma menores que um indicam a Segue:

 falta de processo adequado ao controle;

 burn-in ou estresse inadequados triagem;
 produção , falta de montagem, má qualidade ao controle;
 revisão problemas;
 mistura de populações;
61649/FDIS  – 25

 atropelamento ou desgaste.

Muitos componentes eletrônicos durante sua vida útil apresentam uma taxa de falhas instantâneas
decrescente, apresentando parâmetros de forma menores que 1. A manutenção preventiva em tal
componente não é adequada, pois peças antigas são melhores que novas.

8.1.3  = 1 – Implica falha instantânea constante avaliar

Isso geralmente é chamado de período de falha aleatória, pois as falhas ocorrem aleatoriamente no
tempo. Esses modos de falha são considerados independentes do tempo. Nesse caso, a manutenção
preventiva não melhoraria o sistema.

Portanto, qualquer um dos seguintes pode ser suspeito:

 manutenção aleatórios , humanos erros;

 aleatória sobrecarga;
 falhas devido à natureza, danos por objetos estranhos , relâmpagos ;
 misturas de dados de três ou mais modos de falha (assumindo que eles tenham valores
diferentes de  ) Onde não falha mecanismo domina a falha comportamento.

Aqui, novamente, a manutenção preventiva não é apropriada. A distribuição Weibull com  = 1 é

idêntico à distribuição exponencial. Daqueles que sobrevivem ao tempo, t , uma porcentagem
constante falha no próximo período de tempo. Isso é conhecido como taxa de falha instantânea
constante.

8.1.4  > 1 – Implica desgastar

Alguns exemplos típicos desses casos são os seguintes:

 vestem;
 corrosão;
 rachadura propagação;
 fadiga;
 umidade absorção;
 difusão;
 evaporação (peso perda);
 dano acumulação.

As medidas de projeto devem garantir que esses fenômenos não contribuam significativamente para
a probabilidade de falha do produto durante a vida operacional esperada.

A distribuição Weibull de três parâmetros estima o tempo mínimo para a primeira falha, o que é
altamente vantajoso nos casos em que o parâmetro de forma é maior que 1 (consulte 5.2 ou 8.5).

8.2 Modos Weibull desconhecidos podem ser "mascarado"

O fenômeno “mascarado” pode ser encontrado quando existem dois ou mais modos de falha
concorrentes com altos valores de parâmetros de forma e parâmetros de escala altamente
diferentes. Isso significa que , para um tamanho de amostra pequeno, a maioria ou todas as
amostras falhariam na falha . m o d o c o m parâmetro de escala inferior . Os outros modos
de falha podem não ser identificados até a primeira falha modo é eliminado. Um exemplo do
dois competindo falha modos é mostrando dentro Figura 4.
 – 26 61649/FDIS 

99

90
70
50
30 Failure mode A Failure mode B
Weibull

10
5

2
1
0,1
1 10 100 1 000
Time to failure

Figura 4 – Os modos de falha do Weibull podem ser “mascarados”

8.3 Pequena amostras

A análise Weibull é possível a partir de pequenas amostras. No entanto, os limites de confiança são
afetados pelo tamanho da amostra. Amostras pequenas aumentarão a incerteza na estimativa dos
parâmetros de vida.

melhoria na incerteza com o aumento do tamanho da amostra é ilustrada nas Figuras 5 e 6. (Os
"limites de vida B de 90 % " (limites de confiança ) contêm a "vida B" desconhecida com uma
frequência de 90 %. O intervalo é muito menor na Figura 6.)

99

90
70
50
30
90 % B
Weibull

life bounds
10
5

2
1
10
10 000
Time to failure

Figura 5 – Tamanho da amostra : 10

61649/FDIS  – 27

99

90
70
50
30
Weibull
90 % B
10 life bounds
5

1
1 10 000
Time to failure

Figura 6 – Tamanho da amostra: 100

O grau de incerteza é maior na cauda da distribuição Weibull, conforme indicado por pequenos
valores de F ( t ) quando a fração falhando é pequena. Amostras com mais de 20 falhas e
suspensões são necessárias para diferenciar o Weibull de outras distribuições.

Decisões baseadas em resultados de uma pequena amostra devem considerar a incerteza e,

quando possível, deve ser refinado pela coleta e análise de dados adicionais .

8.4 Atípicos

Às vezes, o primeiro ou o último ponto em um conjunto de dados é um ponto selvagem e não é

um membro do conjunto de dados por algum motivo; esses pontos são chamados de outliers.
Esses pontos podem ser importantes para a análise de dados de vida e , portanto, requerem
investigação dos aspectos de engenharia de registro de dados , registros de teste , calibrações
de instrumentação, etc. para identificar a causa da dispersão extrema do ponto . Às vezes, os
outliers podem indicar uma população ou processo fraco imperfeições, e são Portanto
altamente significativo a partir de a confiabilidade garantia ponto do Visão.

8.5 Interpretação de não linear parcelas

Se os dados em um gráfico de Weibull aparecerem curvados, conforme ilustrado na Figura 7, isso

indica que o parâmetro t 0 pode ser diferente de zero. Antes de modificar o gráfico, é necessário
verificar se o gráfico contém mais de um modo de falha. Em caso afirmativo, consulte o Anexo G e
investigue mais detalhadamente se esses modos estão competindo entre si ou são simples misturas.
 – 28 61649/FDIS 

99
90
70
50
30
20
10
5
Weibull

3
2
1

Table of statistic Shape = 1,870

Scale = 57,656 1

0,01

0,1 1,0 10,0 100,0

Tempo de serviço (meses)

Figura 7 – Um exemplo mostrando a falta de ajuste com uma distribuição Weibull de dois
parâmetros

mínima não significa “tempo zero”, mas sim que existe uma vida mínima ou uma resistência
mínima. “Idade zero ” é onde nenhum dos mecanismos de falha de desgaste de um item
começou a operar , enquanto “tempo zero” é quando um item não viu tempo de operação . Por
exemplo, pode ser fisicamente impossível para o modo de falha produzir falhas
instantaneamente ou no início da vida. A Figura 8 mostra os mesmos dados usados na Figura 7
, mas com a origem mudou 2,99 meses. Este gráfico mostra um ajuste linear aos dados e é
interpretado como um gráfico livre de falhas. período (3 meses), dentro de que a probabilidade
do falha é zero.
 61649/FDIS  – 29

99
90
70
50
30
20
10
5
Weibull

3
2
1

TableSha
of stSca
at
pe297
istic
Thr
= le 0,873
= 09
es = ,337 5
2,999 7

0,01

0.000 1 0,001 0,01 0,1 1,0 100,0 1 000,0 10 000,0

Tempo de serviço (meses)

Figura 8 – Os mesmos dados plotados com uma distribuição Weibull de três parâmetros
mostram um bom ajuste com deslocamento de 3 meses (local – 2,99
meses)

O método consiste em subtrair t 0 = 3 meses de cada ponto de dados na Figura 7 para obter
Figura 8. Observe que a escala de ordenadas Weibull e a vida característica estão agora no t 0
domínio. Para converter de volta para tempo real, adicione t 0 de volta. Este é um exemplo de
uma distribuição Weibull de três parâmetros com o terceiro parâmetro, t 0 , o período livre de
falhas . Um período sem falhas não deve ser assumido sem uma justificativa técnica. O Anexo
H dá outro exemplo do Weibull de três parâmetros distribuição.

A distribuição Weibull de três parâmetros mostrará um ajuste melhor do que a distribuição Weibull de
dois parâmetros simplesmente porque é um modelo mais complexo. Os três critérios a seguir devem
sempre ser atendidos antes de usar o Weibull de três parâmetros:

a) o gráfico de Weibull deve mostrar côncavo curvatura;

b) lá deve ser uma fisica explicação do Por quê falhas não podes ocorrer antes da t0 ; _

c) um tamanho de amostra maior, pelo menos 21 falhas, deve estar disponível. Se houver
conhecimento prévio de distribuições Weibull anteriores de que o terceiro parâmetro é
apropriado, um tamanho de amostra menor, digamos oito a dez, pode ser aceitável.

côncavos para baixo ocorrem com muito mais frequência do que os côncavos para cima.
Côncavo para cima sugere um t 0 negativo , o que pode ocorrer quando itens com falhas de
desgaste foram estressados antes de serem colocados em teste. Existem várias maneiras de
estimar t 0 . _ Uma curva pode ser traçada através de os dados e extrapolados para a escala de
tempo horizontal . A interseção será um t 0 aproximado . Se a primeira parte dos dados estiver
faltando , t 0 pode compensar os dados ausentes , embora isso nem sempre seja bem -
sucedido. Por exemplo, a Figura 9 mostra os dados do cabo agrupados por vintage ano e a
envelhecimento escala dentro meses.

NOTA t 0 será sempre menor que o primeiro tempo de falha.

 – 30 61649/FDIS 

90
70
50
30

10
5
Weibull
2
1

0,1

0,01
10 100 1 000
Era

Figura 9 – Exemplo de estimativa de t 0 a olho nu

Em resumo, gráficos côncavos para baixo indicam que a origem precisa ser deslocada para a
direita , subtraindo t 0 de cada vez até a falha em obter um ajuste de linha reta . Gráficos
côncavos para cima indicam que a origem deve ser deslocada para a esquerda e t 0 tem que ser
adicionado a cada vez a falha em obter uma linha reta linha em forma. o enredo dentro "Como
gravado" Tempo escala poderia ser mais fácil para Compreendo.

8.5.1 Distribuições que não sejam Weibull

Existem outras razões para o ajuste inadequado de uma linha reta , ou seja, os dados formam
uma curva no Weibull papel. Outra distribuição pode descrever melhor os dados. Se isso for
verdade, a distribuição que melhor descreve os dados deve ser usada. Por exemplo, a
distribuição log-normal não é membro da família de distribuições Weibull, mas tem aplicação na
análise de dados de vida . Os dados log-normais plotados em papel Weibull são côncavos para
baixo. Os mesmos dados plotados no gráfico de probabilidade log - normal seguem uma linha
reta linha.

Os dados ajustados ao gráfico Weibull de três parâmetros e ao gráfico log-normal aparecem

curvado para baixo em um gráfico Weibull de dois parâmetros . Ambas as distribuições podem
modelar dados com tempo para primeiro falha.

8.5.2 Inconsistências de dados e multimodo falhas

Com base nos dados de Weibull plotados, uma hipótese de engenharia pode ser deduzida. este
hipótese deve então ser confirmada por análise de falha de investigação adicional . Exemplos
incluem:

a) falhas são principalmente peças de baixo tempo com peças de alto tempo não afetadas,
sugerindo um problema de lote ;
b) serial números do fracassado partes são perto juntos, também sugerindo uma lote problema;
c) os dados apresentam uma curva ou cúspides "dogleg" quando plotados em papel Weibull ,
provavelmente causados por uma mistura de modos de falha; e
d) o primeiro ou o último ponto parece suspeito como um outlier, indicando problemas de
dados ou talvez evidência de uma falha diferente modo.

9 Métodos computacionais e qualidade de ajuste

9.1 Introdução

O método de estimativa de máxima verossimilhança (MLE) é um método computacional para grandes

casos de amostra.
 61649/FDIS  – 31

Entre muitos métodos computacionais para estimar os parâmetros da distribuição Weibull (ver
[9] 2 ), o MLE tem a vantagem de permitir a estimativa dos parâmetros dos conjuntos de dados
com complicados mecanismos de censura e suspensões, quando o número de itens sob um
teste é grande. Esta cláusula descreve o MLE para os conjuntos de dados sem censura.
Primeiro , o teste de ajuste é introduzido para verificar a suposição de Weibull . Se a hipótese
não for rejeitada, então prossiga para a MLE.

Os métodos das Cláusulas 7 e 8 lidam com dados múltiplos e censurados individualmente; no

entanto, os métodos nesta cláusula lidam apenas com dados censurados individualmente (não com
dados censurados multiplicados).

9.2 Suposições e condições

Uma amostra de n itens não reparáveis, provenientes da mesma população , é colocada em

teste em um dado instante de tempo t = 0. O ambiente de teste deve ser o mesmo para todos os
itens submetidos ao teste, e os itens com falha não são substituídos quando falharem. Quando
o teste é interrompido no tempo T , há r itens que falharam ( T pode ser igual ou maior que t r ) .
O tempo até a falha de cada item com falha deve ser conhecido. Existem r tempos de falha : t 1 ,
t 2 , ... , t r tal que 0  t  _ T , i  1, 2, ..., r .

NOTA 1 Os procedimentos estatísticos desta norma pressupõem acesso a alguma facilidade de computação. Embora
a maioria, se não todas, as fórmulas possam ser implementadas em uma pequena calculadora programável , será útil,
do ponto de vista do usuário, para tenho Acesso para uma programável computador com uma impressora e algum
massa armazenar médio.

NOTA 2 O tempo de teste para cada item deve ser feito a partir do tempo zero.

9.3 Limitações e precisão

Esses procedimentos são válidos somente se houver pelo menos 10 falhas relevantes. Os intervalos
de confiança são aproximados. A censura múltipla não é considerada nesta cláusula.

MLE é válido para tamanhos de amostra maiores. Os intervalos de confiança são

aproximadamente válidos para grandes conjuntos de dados de amostra . Embora o MLE possa
ser aplicado a uma ampla variedade de mecanismos de censura e suspensões, só a casos
com solteiro censurando são considerado aqui.

9.4 Entrada e saída dados

Os dados a serem analisados consistem em tempos de falha de itens não reparáveis , que são
colocados em teste. Esses tempos de falha devem ser conhecidos exatamente, em oposição ao
conhecimento de intervalos de tempo. Não é necessário ter os tempos de falha de todos os
itens testados, pois o teste pode ser interrompido antes que todos os itens tenham falhado.
Todos os itens devem estar em condições operacionais no início do a teste, e a teste deve ser
parou por tudo operacional Itens no a mesmo Tempo.

Entrada:
– número de itens em teste n ;
– vezes para falha do cada fracassado item, listado dentro ascendente ordem: t1, t2, ..., tr ;_
– nível de significância,  , ou nível de confiança (1 –  ); a ser
especificado. Resultado:
– aceitar rejeitar qualidade de ajuste;
– ponto estimativas e confiança intervalos do escala e forma parâmetros, e;
– estimativa pontual do tempo médio para _ falha;
– mais baixo confiança limite por a esperado Tempo no que 10 % do a população vai falhou, B10;
– limite de confiança inferior para a função de confiabilidade R (t).
 – 32 61649/FDIS 
2 As figuras entre colchetes referem-se à Bibliografia.
 61649/FDIS  – 33

9.5 Qualidade de ajuste teste

Passo 1 – Ordene os r vezes até a falha em ordem crescente e calcule os logaritmos naturais destes
tempos ln( t 1 ) = x 1 , ln( t 2 ) = x 2, ..., ln( t r ) = x r .

NOTA 1 x 1  x 2  , ...,  x r .

Passo 2 – Calcule as seguintes quantidades  i na Equação (15), para i = 1 a ( r – 1):

 i= x i 1 
(15)
x eu 3 ln  4(n  i)+ 3 
ln ln 4(n  i 1)+
  4n+1

4n+1 

  

Passo 3 – Calcule a quantidade H usando a Equação (16) e as quantidades obtidas no passo 2:

r1
 eu
  (r  1
i=  r/ 2  + 1 (16)
H=
)/ 2
 r/ 2 

  r/ eu2 
i= 1

onde o símbolo  x  é usado para denotar o maior inteiro menor ou igual a x .

Passo 4 – Rejeite a hipótese de que os dados provêm de uma distribuição Weibull no  100%
nível de significância se H  F _  2   r  1  / 2  , 2  r / 2   e não prossiga com a análise.

Caso contrário , nenhuma evidência foi detectada para rejeitar a natureza Weibull dos tempos
de falha e a análise pode Continuar.

Os valores dos fráteis da função de distribuiçà £ o F podem ser encontrados, por exemplo,
na Tabela IV de ISO 2854.

NOTA 2 Recomenda- se que , em caso de rejeição, os dados plotados sejam examinados para uma possível mistura de
populações, tempos de falha anômalos ou outros artefatos. Essas situações são analisadas por técnicas além do
escopo deste padrão.

9.6 MLE – estimativas pontuais dos parâmetros de distribuição  e

O MLE dos dois parâmetros da distribuição Weibull é obtido resolvendo numericamente as

equações abaixo. O valor de  que satisfaz a primeira equação é o MLE de  . Este valor é
usado na segunda equação para derivar o MLE de .

NOTA Qualquer rotina de computador para resolver equações pode ser usado para obter  da Equação (17), pois a
convergência para um único valor é geralmente muito rápido.

Passo 1 – Encontre a estimativa de  ˆque satisfaça a Equação (17):

 rβ
   
β
_ 
_
  t ln _ t n
1 eu  1 _
r_ 1 T ln _ T 
ln 0 t  r (17)
 


r
β
  _

 t  nr β reu  1
 i 
 Tβ 
 eu  1
 – 34 61649/FDIS 

Passo 2 – Calcular  ˆ usando a Equação (18) e o valor de  ˆ , obtido no passo 1, a partir de:
 61649/FDIS  – 35

1r
ˆ
    β ˆ   ˆ
βˆ 1

η  t i n rT (18)
r  i  1 

9.7 Estimativa pontual do tempo médio para falha

O _ _ p oi n t e s t i m a t e o f ele _ _ m e n eu sou _ _ t o fai l u r e , _ m , eu sou c a l

c ul a d e d você está _ _ _ Equação _ _ _ _ _ _ ( 1 9 ) um s :

m  ˆ  ( 1  (19)
1
)
ˆ

onde  e  ˆ são obtidos das etapas 1 e 2 de 9.6 e onde  ( z ) é a função gama de z Como
definiram dentro NOTA 2 para definição 2,56 do ISO 3534-1.

A Tabela D.1 fornece o valor de  (1+1/  ) em função de  . Para  valores não listados nesta tabela,
uma interpolação linear é aceitável.

NOTA 1 Para casos em que o limite de confiança inferior de  for maior ou igual a 1 (caso de desgaste), o intervalo de
confiança para pode ser usado como uma medida aproximada do intervalo de confiança para o tempo médio para falha,
visto que nestes casos a função gama está sempre entre 0,88 e 1.

NOTA 2 O tempo médio até a falha (MTTF) é o valor médio de um número de vezes até a falha. As ferramentas de
confiabilidade usadas para dados distribuídos exponencialmente (taxa de falha instantânea constante ) só podem ser
usadas para dados distribuídos Weibull se  = 1. Isto deve ser notado este a Tempo para falha distribuição é
normalmente não simétrico.

9.8 Ponto estimativa do a frágil (10 %) do a Tempo para falha

Calcular
B 1 0 você está _ _ Equação _ _ _ _ _ _ ( 2 0 ) , ele _ _ p o i n t e s t i m at e o f B 10 ,
o _ eu sou _ _ por y o que é _ _ 1 0 % o f ele _ _
população terá falhado:
 

1 ˆ
B Eu _ 1/ (20)
 

10 _  
  0 

9.9 Estimativa pontual da confiabilidade no tempo t ( t  T )

A estimativa pontual da confiabilidade no tempo t é dada pela Equação

(21):

βˆ
 (21)
R t _   e

9.10 Programas programas

Existem muitos pacotes de software estatísticos e de confiabilidade que fornecem estimativas

dos parâmetros das distribuições Weibull usando métodos gráficos e/ou MLE, não apenas para
dados censurados únicos e múltiplos , mas também para dados incompletos mais gerais devido
a mecanismos de censura complicados e suspensões.

10 Confiança intervalos

10.1 Estimativa de intervalo de 

 – 36 61649/FDIS 
Passo 1 – Calcular as constantes C ,  1 e 2 _ usando a razão q = r / n e as Equações (22), (23)
e (24):

C = 2,14628 – 1.361119 q (22)

 61649/FDIS  – 37
   2   r  1  C _
(23)
1 _ /2  
   2   r  1
_C (24)
2 1/2  

Onde 2( é o p - frátil da distribuição  2 com  graus de liberdade.

p
)

Uma vez que o número de graus de liberdade, ( r – 1) C , não será um número inteiro, os  2
fráteis deve ser calculado usando um programa de computador ou por interpolação na Tabela
III da ISO 2854 ou Tabela D.1 da IEC 60605-4:2001.

Passo 2 – Calcule os fatores de multiplicação w 1 e w 2 usando as Equações (25) e (26):

1
 β 1 1
w1 q 2 (25)
 
 
1
 β 2 1q2
w2    (26)
rC 
Passo 3 – Calcular o intervalo de confiança (1 –  ) 100 % para  usando a Equação
(27):
(27)
( w 1 ˆ , w 2
ˆ)
NOTA Os intervalos de confiança para  pode ser usado para comparações. Como um valor de  >1 constitui
evidência de desgaste e um valor de  <1 indica mortalidade infantil, o intervalo de confiança para  pode ser usado
para testar essas suposições. Por outro lado, se o intervalo de confiança para  contém o valor  = 1 , os itens
testados podem pertencer para uma constante falha avaliar população. UMA formal teste sobre constante falha
avaliar é forneceu dentro  10  .

10.2 Estimativa de intervalo do

Passo 1 – Calcular as constantes A 4 , A 5 e A 6 , usando a razão q = r / n , e as Equações (28),

(29) e (30):

A 4 = 0,49 q – 0,134 + 0,622 q -1 (28)

A 5 = 0,2445 (1,78 – q ) (2,25 + q ) (29)
A 6 = 0,029 - 1,083 ln(1.325 q ) (30)

Etapa 2 – Execute a etapa 2a se o teste foi interrompido antes que todos os itens tenham falhado,
isso é se
r < n , ou execute a etapa 2b se todos os tempos de falha forem conhecidos, ou seja, se r = n .

Etapa 2a ( r < n ) – Calcular as constantes A 3 , d 1 , d 2 , A 1 e A 2 : usando as Equações (31), (32),

(33) e (34):

A3= –A 6 x 2
(31)

onde x = u (1-  /2) e u p é o p - frátil da distribuição normal dada na Tabela D.2.

d 1  A3  x xA
2
 642 Ad5 2A rA
 4

r _ A x 2
 – 38 61649/FDIS 
5

2
A3  x xA  642 A5 A  rA
 4
(32)
r _ A x 2
5

(33)
 61649/FDIS  – 39
 d 1/ ˆ
Ae ; UMA  d 2/ ˆ
1 2 e (34)

Etapa 2b ( r = n ) – Calcular as quantidades d 3 , A 1 e A 2 : usando as Equações (35), (36) e (37):

d3=t (1–  /2) ( n – 1) (35)

onde t p ( r – 1) é o p fractil da distribuição Student t com ( r – 1 ) graus de liberdade e pode ser

encontrado dentro Mesa IIa do ISO 2854 (De um lado caso).

  1.053 dias _ 
 3
ˆ n  1 
UMA  e (36)
1
 1, 053 d 
  ˆ 3 
n1 
UMA  e  (37)
2

onde  ˆé obtido a partir do passo 1 de 9.6.

Etapa 3 – Calcular a (1 –  ) 100 % confiança intervalo para usar a equação (38):

( A 1 ˆ , A
(38)
2ˆ )

onde  ˆ é obtido a partir do passo 2 de 9.6.

10.3 MRR Beta-binomial limites

A derivação desses limites está diretamente relacionada à determinação dos postos medianos .
Os limites são calculados a partir da distribuição beta-binomial, uma distribuição binomial
modificada que é usado para avaliar a distribuição Beta conforme descrito por Johnson [14].
Suspensões requerem interpolação nas categorias de 5% e 95 % . Esses intervalos Beta-
binomiais são ligeiramente conservadores (a largura do intervalo é muito grande), quando
comparados com a Matriz de Fisher e razão de probabilidade métodos.

O método para converter as classificações de 5% e 95 % em intervalos fornece intervalos para o

tempo até a falha. As seguintes Equações (39) e (40) relacionam as classificações de 5% e 95
% no Anexo C para o Weibull linha:
 1 _
   
t    Em 
1  
eu ,0,95   (1- F i (0,95) )  
   (39)
 1 _
   
t    Em 
1  
eu ,0,05   (1- F i (0,05) )  
   (40)

10.4 Matriz de Fisher limites

Existem vantagens significativas de usar os limites da matriz de Fisher sobre a abordagem

Beta-binomial. Além disso, para amostras de tamanho moderado, o nível de confiança aparente
está mais próximo do nível solicitado , embora mais otimista, do que o Beta-binomial. Para 10
ou menos falhas, esses limites são muito otimistas (consulte a referência [20]).
 – 40 61649/FDIS 

10.5 Limite de confiança inferior para B 10

limite de confiança inferior (1 -  ) de 100% de B 10 usando as Equações (41), (42), (43) e

(44):

h 1 = Dentro [ – Em(0,9)] (41)

 1   A6 x2  rh1  xA 642 A r 2A  2rh

5 Ax  4 A  1r6 A h 51
2

(42)
r _ x 2 UMA
5

onde x = u  é o  fractile da distribuição normal dada na Tabela D.2, e A 4 , A 5 e A 6

são calculados de acordo com o passo 1 de 10.2.

  h 
1
 1
 
Qe (43)
1

B 10 limite inferior  QB
1 1 (44)

10.6 Limite de confiança inferior para R

Calcule o menor (1 –  ) 100 % limite de confiança para a confiabilidade
no tempo t ,
R 1
usando as Equações (45) (46) e (47):
γ
mais
baixo
limite

 ˆ 
C   ˆEm
t
 
 (45)
t

A  A  C 2 A  2 CA
(46)
0 4 t 5 t 6

onde A 4 , A 5 e A 6 são calculados de acordo com a etapa 1 de 10.2.

R1 lower  
 ex p  ex p  t Cr _ 

A0
(47)

x 

onde x = u  é o  fractile da distribuição normal dada na Tabela D.2.

11 Comparação da regressão de classificação mediana (MRR) e estimativa

de máxima verossimilhança ( MLE) métodos

11.1 Gráfico exibição

regressão de classificação , MRR, fornece uma exibição gráfica dos dados. Isso ajuda a
identificar instâncias de gráficos de distribuição Weibull mal ajustados , talvez sugerindo outra
distribuição, mais de um modo de falha afetando os itens, misturas de modos de falha,
problemas de lote ou valores discrepantes. MLE faz não providenciar uma gráfico exibição do a
61649/FDIS  – 41
dados.

11.2 B vida estimativas as vezes conhecido Como B ou eu percentis

regressão de classificação fornece estimativas mais precisas de percentis "baixos", como a vida
útil do percentil B , de tamanhos de amostra pequenos . Essas vidas de baixo percentil B e as
altas confiabilidades correspondentes podem ser extremamente importante para problemas de
segurança, garantias, garantias e contrato
 – 42 61649/FDIS 

obrigações. As vidas do percentil B de probabilidade máxima tendem a ser otimistas para um

pequeno número de falhas.

11.3 Pequena amostras

previsões de falha de regressão de classificação geralmente são mais precisas para amostras
pequenas , mas muito depende da forma e da distribuição de idade das suspensões. No
entanto, se o conjunto de dados for introduzido em um computador, recomenda -se que tanto o
MRR quanto o MLE sejam usados para amostras pequenas . Na maioria dos casos, os dois
conjuntos de resultados estarão razoavelmente de acordo, fornecendo alguma garantia de um
bom Weibull em forma.

O conselho geral para identificar o método mais apropriado em relação ao tamanho da amostra
é Como segue:

– Por 20 ou menos dados pontos, com ou sem censurando vezes, X sobre S MRR é preferido.
– Com conjuntos de dados contendo menos de 10 pontos de dados , a análise WeiBayes é
preferível quando o conhecimento prévio do parâmetro de inclinação ,  , é acessível.
– Para outros conjuntos de dados, os resultados de MRR e MLE devem ser comparados.
Resultados muito semelhantes para estimativas de MRR e MLE , juntamente com boas
medidas de regressão e verossimilhança, fornecerão garantia de que os dados são
modelados corretamente por uma distribuição Weibull . (Comparação com outros modelos
também devem ser considerados.) No entanto, uma grande discrepância entre as
estimativas de MRR e MLE indicará que os dados não foram modelados corretamente e
podem conter várias populações. Quaisquer discrepâncias devem ser investigadas mais
longe.

11.4 Parâmetro de forma 

MLE tende a superestimar o parâmetro de forma,  , com pequenas amostras. A inclinação do

terreno de Weibull é muitas vezes muito íngreme. A inclinação dos gráficos log-normal e normal
é igualmente tendenciosa , também íngreme, Como MLE padrão desvio é subestimado.

11.5 Confiança intervalos

As estimativas de intervalo de razão de verossimilhança para MLE são rigorosas; eles são ajustados
para tamanhos de amostra pequenos. Recomenda-se usar estimativas de intervalo pivotal para MRR.

11.6 solteiro falha

O MLE pode fornecer uma solução com uma falha e algumas suspensões tardias . A
capacidade tem grandes incertezas, mas há situações em que não pode ser evitada , pois
fornece a única solução se  é desconhecido. WeiBayes é preferido se houver _ conhecimento
prévio
de  .

11.7 Matemático rigor

Há uma objeção matemática ao uso do método de regressão dos mínimos quadrados para
regressão de posto . A dispersão residual sobre a linha não é uniforme. Os resultados são tais
que a extremidade inferior da linha tende a ser mais pesada em comparação com a extremidade
superior . No entanto, como todo interesse de engenharia está na extremidade inferior da curva ,
isso é aceitável para engenheiros , enquanto é inaceitável para estatísticos. MLE faz têm
qualidades matemáticas atraentes .

11.8 Apresentação de resultados

Para apresentações de resultados , muitas vezes é melhor mantê - lo simples e conciso para
melhorar comunicações. Gráficos de regressão de classificação são preferidos para este
propósito. Gráficos de MLE com pontos de dados localizados com classificações medianas não
são recomendados , pois podem inspirar comentários sobre o mau ajuste do Weibull linha.
 61649/FDIS  – 43

12 WeiBayes abordagem

12.1 Descrição

Dentro WeiBayes análise, a forma parâmetro,  , é presumido a partir de histórico falha dados,
anterior
experiência, ou do conhecimento de engenharia da física da falha . WeiBayes é definido como
análise Weibull com um dado  parâmetro. É um único parâmetro ( η ) Weibull
distribuição. WeiBayes pode ser usado para analisar conjuntos de dados com e sem falhas, onde
ambos os tipos de dados podem ter suspensões.

12.2 Método

Dado  , a Equação (48) pode ser derivada usando o método de máxima verossimilhança para
determinar a característica vida ,:

 t
1/
   _ (48)
_ eu

N r 
Onde 
 eu  1
t é o tempo ou ciclos;
r é o número de falhas Itens;
N é o número total de falhas mais suspensões;
η é a máximo probabilidade estimativa do a característica vida.

Com  assumida e calculada a partir da Equação (48), uma distribuição Weibull é definida. Uma
linha WeiBayes é traçada em papel de probabilidade Weibull. O gráfico WeiBayes é usado
exatamente como qualquer outro Weibull enredo. Estimativas do B vidas, falha previsões, e
confiabilidade são acessível a partir de
Análise WeiBayes.

12.3 WeiBayes sem falhas

Em muitos problemas WeiBayes, nenhuma falha ocorreu . Por exemplo, um componente

redesenhado pode ter sido testado sem nenhuma falha observada. Neste caso , uma segunda
hipótese é necessária. A primeira falha é assumida como iminente, ou seja , na equação , defina
r = 1,0. Como sem falhas ocorreram , esta é uma suposição de engenharia conservadora . A
linha WeiBayes resultante é igualmente conservadora. Estatisticamente, a linha WeiBayes ,
baseada na suposição uma falha, é uma estimativa de confiança unilateral mais baixa . Ou
seja, pode - se afirmar com 63,2 % de confiança que a verdadeira distribuição Weibull está à
direita da linha WeiBayes , se a suposição de  é correto.

As linhas WeiBayes podem ser obtidas em qualquer nível de confiança empregando denominadores
maiores ou menores (suponha falhas iminentes):

Confiança 50% 63,2% 90% 95% 99%

Denominador 0,693 1,0 2,3 3,0 4,6

12.4 WeiBayes com falhas

Quando o denominador é baseado em falhas reais, o parâmetro de escala,  , é uma estimativa

de MLE . Uma característica valiosa das estimativas MLE é que elas são invariantes sob
transformação. Isso significa que a linha WeiBayes resultante , as vidas B e as estimativas de
confiabilidade são todas estimativas MLE . A linha WeiBayes é uma estimativa MLE da
verdadeira distribuição Weibull desconhecida , um valor nominal Weibull.
 – 44 61649/FDIS 

As distribuições Weibull baseadas em amostras de 2 ou 3 falhas têm grandes incertezas. Se

houver um bom conhecimento de  a partir de dados anteriores, melhorias significativas na
precisão podem ser obtido
com WeiBayes. WeiBayes pode oferecer reduções de custo por meio de testes reduzidos sem
perda de precisão. Uma biblioteca de distribuição Weibull ou banco de dados para fornecer
históricos de inclinação de distribuição Weibull é fortemente recomendado para obter a
vantagem da análise WeiBayes .

a pena revisar a distinção entre zero falha e uma falha WeiBayes . Por exemplo, suponha que
cinco unidades reprojetadas tenham sido testadas sem falhas. Uma linha WeiBayes é
calculado com base no  valor estimado a partir do projeto original. Este é um lado inferior
intervalo de confiança para o verdadeiro desconhecido Weibull para o redesenho. Agora suponha que
o mesmo conjunto de dados inclua uma falha e quatro suspensões.

O WeiBayes resultante é idêntico ao primeiro WeiBayes com falha zero , mas a interpretação é
diferente. Com uma falha, o WeiBayes é uma estimativa nominal, MLE da verdadeira
distribuição Weibull desconhecida, não um intervalo de confiança. No entanto, um limite de
confiança inferior para a linha MLE WeiBayes pode ser calculado usando Qui-quadrado [20].

Se r for o número de falhas (  1), o limite de confiança C % inferior para é dado pela Equação (49):

c
M
2 r /  2
 2º lugar  (49)

2 
(1/)

C
Usan
η c e  , o limite de confiança inferior para a linha WeiBayes verdadeira é definido.
do

12.5 caso WeiBayes estudar

Quinze falhas de compressor foram observadas em uma grande frota de motores de aeronaves.
Análise Weibull fornece uma  do aproximadamente 5,0. Três redesenhado compressor casos
tenho estive
testado em motores a 1 600 h, 2 900 h e 3 100 h sem falhas. Este teste é suficiente para
substanciar este a redesenhar é significativamente Melhor do que a velho Projeto?
Assumindo  = 5,0
e os tempos nas três unidades redesenhadas, a vida característica pode ser estimada para uma
solução WeiBayes.
1/5
 (1 600) 5  (2 900) 5  (3 100) 5 
n h  3 468 (50)

1 

A linha WeiBayes é plotada na Figura 10. Pode - se afirmar com 63 % de confiança que a
distribuição Weibull para as unidades redesenhadas está à direita desta linha e, portanto,
significativamente melhor do que as peças na lista de materiais. É possível que o redesenho
tenha eliminou esse modo de falha, mas isso não pode ser comprovado com esta amostra de
dados. Quanto mais tempo for colocado nessas unidades sem falha, a linha WeiBayes se
moverá mais para a direita e terá mais garantia de que o modo de falha foi eliminado. A
suposição de inclinação, dentro isto caso, é Sediada sobre um estabelecido Weibull falha
modelo.
61649/FDIS  – 45

99
90
70
50
30
Old design
 = 2 132
Weibull

10
5
New design WeiBayes
2  = 3 486
1

0,1
10 10.000
Tempo desde a
revisão

Figura 10 – Novo design do compressor WeiBayes versus design antigo

Ao testar itens altamente confiáveis, muitas vezes é observado um número muito pequeno de falhas,
ou seja, zero falhas ou apenas uma falha. Isso não permite a estimativa dos parâmetros de uma
distribuição Weibull de dois ou três parâmetros.

Dentro casos Onde a  valor por a relevante falha modo é conhecido a partir de anterior
testes, uma
estimativa aproximada ainda pode ser feita com zero ou uma falha. Além disso, a estimativa da
melhor linha reta através de um pequeno número de pontos pode ser melhorada se o  valor é
conhecido.
o acessível em formação posso então ser usado para estimativa o valor.

13 Morte súbita método

morte súbita requer pequenos subgrupos de itens para teste, digamos de três a oito itens, o
teste consistindo em executar todos os itens simultaneamente até a primeira falha. Para um
subgrupo de quatro, isso fornece dados sobre uma falha e três suspensões ao mesmo tempo.
Talvez quatro até dez itens em cada subgrupo podem ser testados em planos típicos de morte
súbita. Dez conjuntos de quatro fornecem dez falhas e 30 suspensões. A morte súbita oferece
uma compensação em relação ao teste de todos os itens até a falha, ou seja , um aumento na
incerteza para uma redução grosseira no tempo de teste . Dentro na indústria de rolamentos,
por exemplo, a morte súbita com subgrupos de quatro é empregada em todo o mundo, e a
análise fornece uma estimativa de vida L16 . Em outras indústrias, as estimativas de L1 vida
são mais comuns a partir de testes de morte súbita .

O método de morte súbita é usado para determinar o tempo para uma porcentagem especificada
de falhas. Este ponto da curva Weibull será determinado com maior precisão , enquanto o resto
da curva Weibull, especialmente a inclinação do gráfico, é determinado com menos precisão do
que com um teste Weibull convencional . A vantagem do método de morte súbita é que o tempo
de teste é menor do que testar todas as amostras para falha.

Muitas vezes o necessário informação é o tempo de desgaste, ou seja, o tempo para uma
porcentagem baixa, mas significativa de falhas, por exemplo , 10 %. Este número é amplamente
utilizado para indicar a vida de rolamentos, o chamado valor L10 , às vezes também chamado
de valor B10 . O tempo estimado até a falha por outro porcentagens, obtido a partir de a
Weibull enredo, são mostrando dentro Mesa 4.

Em um método de morte súbita, o valor de L8,3 (8,3 % de falha) pode ser estimado, por exemplo.
Este valor pode ser declarado como uma estimativa conservadora do valor L10, ou ser declarado
 – 46 61649/FDIS 
como a melhor estimativa para o L8,3.
 61649/FDIS  – 47

O procedimento a seguir é usado para estimar o tempo L X (o tempo para X por cento de falhas):

a) dividir o número disponível de amostras aleatoriamente em subgrupos A , cada um

consistindo em componentes B de acordo com a Tabela 4;
b) defina todos os subgrupos para teste;
c) registre o tempo até a primeira falha em cada subgrupo;
d) Pare a teste do uma subgrupo Como em breve Como a primeiro falha tem ocorreu dentro este
subgrupo;
e) plotar o tempo até a primeira falha de cada subgrupo em um diagrama de Weibull , tratando o
resto do Itens dentro cada subgrupo Como suspenso no a Tempo do a primeiro falha
dentro este subgrupo;
f) leia o tempo para o valor L X na linha Weibull plotada como habitual.
NOTA 1 Neste caso o ponto L X é estimado com maior precisão, enquanto a curva de Weibull pode ser utilizada para
estimar o tempo para outras porcentagens de falhas, bem como estimar a inclinação da curva de Weibull . A incerteza
é maior, porém, devido ao grande número de suspensões. Isso é especialmente importante quando o tempo para
outras porcentagens do falhas são ler a partir de a curva.

NOTA 2 Subgrupos de quatro são frequentemente usados para testes de morte súbita devido à economia no número
de equipamentos de teste requeridos.

Mesa 4 – Subgrupo Tamanho para estimativa Tempo para X % falhas usando a repentino
morte método

Tamanho do Classificação mediana precisa L X estimado em

subgrupo B para 1 falha teste
2 0.292 9 L30
3 0,206 3 L20
4 0,159 1 L16
5 0,129 4 L13
6 0,109 1 L10
7 0,094 3 L9
8 0,083 0 L8
9 0,074 1 L7
10 0,067 0 L6
50 0,013 8 L1
70 0,009 94 L1

O valor de L X estimado em um teste de morte súbita é quase tão confiável como se todos os
componentes em cada subgrupo tivessem sido testados até a falha, mas o intervalo de
confiança é aproximadamente 50 % maior. No entanto, um teste de morte súbita pode ser
realizado muito mais rápido do que testar todos os componentes até a falha. Por exemplo, para
 = 1 o tempo de teste é apenas 25 % do tempo de teste tudo
componentes até a falha, desde que os subgrupos sejam testados sequencialmente. Se todos
os subgrupos forem testados simultaneamente , o tempo necessário é apenas
aproximadamente 7% do tempo necessário para testar todos os componentes para falha.

A razão dos tempos de teste pode ser estimada usando os tempos médios até a falha.
Fabricantes que empregam morte súbita reduzem o tempo de teste construindo plataformas de
morte súbita que testam cada subgrupo juntos, submetidos ao mesmo carregar.
Exemplo: abaixo estão dados de 12 falhas em ciclos.
Tabela 5 – Dados da cadeia – Ciclos até a falha

Subgrupo 1 Subgrupo 2 Subgrupo 3 Subgrupo 4

Suspenso em 3 698 Suspenso em 4 650 Suspenso em 2 398 Falha em 2 945
Falha em 3 698 Suspenso em 4 650 Suspenso em 2 398 Suspenso em 2 945
Suspenso em 3 698 Falha em 4 650 Falha em 2 398 Suspenso em 2 945
 – 48 61649/FDIS 

Para o teste de morte súbita, a classificação média, (1/( N + 1)), para o primeiro dos três é 1/4.
A vida L correspondente é B25. Para um Weibull com  = 2,13, a vida B25 é 0,557 e a Razão
de MTTF para é 0,8858. Portanto, a razão entre os tempos de teste pois a morte súbita é
(0,557 x 4)/(0,885 8 x 12) ou aproximadamente 0,2. A comparação dos limites de confiança da
matriz de Fisher para os 10 conjuntos de três com o Weibull para todas as 12 falhas fornece um
aumento de cerca de 27 % na a incerteza estatística da vida B1 em comparação com o teste de
todos os 12 até a falha. Esse aumento da incerteza é negociado por um 80 % redução dentro
teste Tempo.

NOTA 3 Os dados também podem ser analisados tratando os subgrupos como amostras únicas.

14 Outro distribuições

Se x for log-normalmente distribuído, a distribuição de x será assimétrica para a direita e log x

terá a familiar normal em forma de sino distribuição.

A distribuição log-normal tem muitas aplicações. A distribuição de tamanhos de falhas ,

parâmetros de radiofrequência (RF) e tempos de reparo são exemplos típicos. Talvez o mais
importante é a deterioração progressiva , como perda de desempenho , crescimento de trincas
até a ruptura e aumento na amplitude de vibração se a taxa de mudança aumenta com a
deterioração. Se a taxa de variação é linear esses distribuições vai tratar para ser Weibull.

Fisicamente, a distribuição log-normal modela um processo onde o tempo até a falha resulta da
multiplicação dos efeitos. Por exemplo, a deterioração pode ser progressiva; uma trinca cresce
rapidamente com alta tensão porque a tensão aumenta progressivamente à medida que a trinca
cresce. Neste caso , a taxa de crescimento será log - normal. Por outro lado, se a taxa de
crescimento for linear com tempo, como pode ser em uma área de baixo estresse, a distribuição
Weibull será mais apropriada. O log-normal tem muitas aplicações, como propriedades de
materiais, renda pessoal, heranças, banco depósitos, crescimento avaliar do rachaduras e a
distribuição do falha tamanhos.

Enquanto lá existem muitas distribuições estatísticas diferentes da Weibull, a distribuição log-

normal é a segunda escolha para análise de dados de vida . A distribuição log-normal deve ser
a primeira escolha se houver boas informações prévias e mais de vinte falhas. Por exemplo,
muitas características de materiais empregam a distribuição log-normal . Os tempos de reparo
e o crescimento de trincas até a ruptura são geralmente log-normais. O conhecimento de que a
física da falha indica deterioração progressiva também é uma pista de que os dados podem ser
log-normais. Algumas falhas de chip semicondutor são log-normais. A distribuição do parâmetro
Weibull ,  , é aproximadamente
log-normal, enquanto é mais distribuído normalmente.
61649/FDIS  – 49

Anexo A
(informativo)

Exemplos e estudos de caso

A.1 Tempo baixo falhas

Figura A.1 é um exemplo de falhas de peças de baixo tempo nas bombas de óleo principais . Os
motores de turbina a gás são testados antes de serem enviados ao cliente e , como havia mais
de 1.000 desses motores em campo sem problemas , o que estava acontecendo de errado? Ao
examinar as bombas de óleo com falha , descobriu - se que elas continham peças
superdimensionadas. Algo havia mudado no processo de fabricação que criou um problema de
lote . As peças superdimensionadas causaram uma interferência nas engrenagens da bomba
que resultou em falha . _ Isso foi atribuído a uma operação de usinagem e corrigido. Falhas de
baixo tempo podem sugerir desgaste por ter uma inclinação maior que um, mas mais
frequentemente, elas mostrarão mortalidade infantil, com inclinações menores que um. Pouco
tempo as falhas fornecem uma pista para uma mudança no processo de produção ou montagem,
especialmente quando há muitos itens de alto tempo bem - sucedidos no campo . A revisão
geral e a manutenção programada também podem produzir esses efeitos de "lote". Os tempos
desde a revisão ou manutenção podem fornecer uma pista. A presença do muitos tarde
suspensões poderia também ser uma dica este uma lote problema existe.

90
70
50
30

10
5 Failures

2
Weibull

0,1

0,01
1
10 100 1 000 10.000
Tempo total de operação

Figura A.1 – Tempos baixos da bomba de óleo principal

A.2 Fechar série números

O mesmo raciocínio pode ser estendido a outros agrupamentos de falhas particulares. Por
exemplo, se os itens de baixo tempo não tiverem falhas, os itens de meio tempo tiverem falhas
e os itens de alto tempo não tiverem falhas, então suspeita - se de um problema de lote . Algo
pode ter mudado no processo de fabricação por um curto período e depois ter mudado de volta.
Proximidade de os números de série das peças defeituosas sugerem um problema de lote. A
Figura A.2 é um excelente exemplo de uma mudança de processo que aconteceu no meio do
caminho na produção. Os rolamentos estavam falhando nas novas bombas de aumento . As
falhas ocorreram no período de 200 h a 400 h . Pelo menos 650 itens tiveram mais tempo do que
o maior tempo de falha. Essas falhas foram atribuídas a uma mudança de processo que foi
incorporada como redução de custos para fabricação de gaiolas de rolamentos . Este exemplo
mostra um ajuste ruim para uma distribuição Weibull, pois há pelo menos dois modos de falha
dominantes presentes dentro a dados Como mostrando dentro Figura A.2.
 – 50 61649/FDIS 

99
90
70
50
30

10
5 Mode 2
2  = 11,9
Weibull

1
Mode 1
 = 0,75
0,1

0,01
160 10.000
Tempo para falha
(h)

Figura A.2 – Falha no rolamento da bomba do amplificador

A.3 Íngreme encostas

Deve-se ter cuidado com valores de β superiores a 4. Um gráfico íngreme pode estar ocultando
curvatura, outliers ou doglegs, e as mensagens que eles dão sobre o ajuste dos dados. O
íngreme plot muitas vezes oculta dados Weibull incorretos . Todas as mensagens dos dados ,
como curvas, outliers, doglegs , tendem a desaparecer. Aparentemente, bons Weibulls podem
ter ajustes ruins. Um exemplo é dado na Figura A.3. Aqui, à primeira vista, os gráficos parecem
se encaixar bem, mas há uma curvatura e talvez um ponto fora da curva.

NOTA A inclinação acentuada das curvas de Weibull é preferível do ponto de vista da engenharia, desde que o valor de
 é grande o suficiente.

99

90

70
50

30
Weibull

10

5
Curvatura
Ponto fora da curva
2

1
10 100 1.000
Tempo até a falha
(dias)

Figura A.3 – Íngreme  valores escondem problemas

61649/FDIS  – 51

Anexo B
(informativo)

Exemplo de cálculos

Este exemplo é fornecido como um caso de teste numérico para verificar a precisão dos
programas de computador implementando a MRR e MLE procedimentos do isto padrão.

Quarenta itens são colocados em teste. O teste é interrompido no momento da 20ª falha . O
seguinte são a vezes correspondente para a primeiro 20 falhas:

Tabela B.1 - Tempos para falha

t1 t2 t3 4_ 5_ t6 7_ 8_ 9_ t 10 t 11 t 12 t 13 t 14 15 16 17 18 19 t 20
_ _ _ _ _

5 10 17 32 32 33 34 36 54 55 55 58 58 61 64 65 65 66 67 68

O primeiro passo é plotar os dados conforme mostrado abaixo na Figura B.1 . Observe que ,
embora a qualidade de ajuste MRR e MLE impliquem um ajuste aceitável , o gráfico mostra a
clássica mistura Bi-Weibull de dois modos de falha, baixa inclinação seguida de inclinação
acentuada. Análise de distribuição usando o teste da razão de verossimilhança favorece o
Weibull de três parâmetros. A análise de mistura baseada na probabilidade confirma que pelo
menos dois modos de falha estão presentes. Isso ilustra o mérito de sempre plotando os
dados, não confiando inteiramente em análises métodos.

Aplicando os procedimentos numéricos desta norma produz os seguintes resultados:

Um teste de verossimilhança de qualidade de ajuste neste conjunto de dados não pode rejeitar,
ao nível de significância de 10 %, a hipótese de que esses tempos de falha vêm de uma
distribuição Weibull , uma vez que H = 0,36 e F 0,1 (18 ; 20) = 1,81. O coeficiente de
determinação MRR é de 93,9 %, acima do valor crítico 90 % valor do 90,3 %. Ambos testes
implicar um aceitável, mas não excepcional, em forma.

Os valores MLE/MRR para  e são  ˆ = 2.091/1.423 e  ˆ = 84/113.

Os intervalos de confiança de 90% MLE/MRR são: [1,34/0,998; 2.742/2.029] para  e [70/79,05;

108/162,4] para .

O MLE/MRR de B 10 é 28,63/28,56 e o menor 90 % de confiança limite para B 10 é 20,43/23,29

(ver Figura B.1). Observe que , como esperado , o MLE  é mais íngreme que o MRR e as vidas
do MLE B são otimistas em relação ao MRR, mesmo no nível B10 . Em níveis como B1 eles são
Muito de mais otimista Como mostrando dentro Mesa B.2. Observação este t = 5,0 é
aproximadamente B1.

Os valores MLE/MRR para a confiabilidade e seus limites inferiores de confiança de 90 % para

três valores arbitrários de t são:
 – 52 61649/FDIS 

Tabela B.2 - Resumo de resultados

R 0 ,9 
t Rˆ ( t ) limite
inferior
5,0 99,7/98,8 98,5/96,8
50,00 0,71 0,62
100,00 0,23 0,12

90
W/rr/c%=fm-90
80
70
60
50 MRR with Fisher Matrix Lower 90 % bound
40
30

20
Occurent

10 MLE

2
  r n/s
2 113,3 1,423 0,939 40/20
83,8 2,091
1
1 2 3 5 7 10 20 30 50 70 100 200 300 700 1 000

Datum (unidades)

Figura B.1 – Gráfico de cálculos

61649/FDIS  – 53

Anexo C
(informativo)

Tabelas de classificação mediana

C.1 Tabelas de classificação mediana 5% classificação

5% classificações
Ordem Amostra Tamanho
de
1 2 3 4 5 6 7 8 9 10
classifi
cação
1 5,0 2,53 1,70 1,27 1,02 0,85 0,73 0,64 0,57 0,51
2 22,36 13,54 9,76 7,64 6,28 5,34 4,64 4,10 3,68
3 36,84 24,86 18,93 15,32 12,88 11,11 9,77 8,73
4 47,29 34,26 27,13 22,53 19,29 16,88 15,00
5 54,93 41,82 34,13 28,92 25,14 22,24
6 60,70 47,93 40,03 34,49 30,35
7 65,18 52,93 45,04 39,34
8 68,77 57,09 49,31
9 71,69 60,58
10 74,11

5%
Ordem classificações
de Amostra Tamanho17 18 19 20
classifi
cação 11 12 13 14 15 16
1 0,47 0,43 0,39 0,37 0,34 0,32 0,30 0,28 0,27 0,26
2 3,33 3,05 2,81 2,60 2,42 2,27 2,13 2,01 1,90 1,81
3 7,88 7,19 6,60 6,11 5,68 5,31 4,99 4,70 4,45 4,22
4 13,51 12,29 11,27 10,40 9,67 9,03 8,46 7,97 7,53 7,14
5 19,96 18,10 16,57 15,27 14,17 13,21 12,38 11,64 10,99 10,41
6 27,12 24,53 22,40 20,61 19,09 17,78 16,64 15,63 14,75 13,96
7 34,98 31,52 28,70 26,36 24,37 22,67 21,19 19,90 18,75 17,73
8 43,56 39,09 35,48 32,50 30,00 27,86 26,01 24,40 22,97 21,71
9 52,99 47,27 42,74 39,04 35,96 33,34 31,08 29,12 27,39 25,87
10 63,56 56,19 50,54 46,00 42,26 39,10 36,40 34,06 32,01 30,20
11 76,16 66,13 58,99 53,43 48,92 45,17 41,97 39,22 36,81 34,69
12 77,91 68,37 61,46 56,02 51,56 47,81 44,60 41,81 39,36
13 79,42 70,33 63,66 58,34 53,95 50,22 47,00 44,20
14 80,74 72,06 65,62 60,44 56,11 52,42 49,22
15 81,90 73,60 67,38 62,33 58,09 54,44
16 82,93 74,99 68,97 64,06 59,90
17 83,84 76,23 70,42 65,63
18 84,67 77,36 71,74
19 85,41 78,39
20 86,09
 – 54 61649/FDIS 

Rank5 % ranks
orderSample size
21 22 23 24 25 26 27 28 29 30
1 0,24 0,23 0,22 0,21 0,20 0,20 0,19 0,18 0,18 0,17
2 1,72 1,64 1,57 1,50 1,44 1,38 1,33 1,28 1,24 1,20
3 4,01 3,82 3,65 3,50 3,35 3,22 3,10 2,98 2,88 2,78
4 6,78 6,46 6,17 5,90 5,66 5,43 5,22 5,03 4,85 4,69
5 9,88 9,41 8,98 8,59 8,23 7,90 7,59 7,31 7,05 6,81
6 13,24 12,60 12,02 11,49 11,01 10,56 10,15 9,77 9,42 9,09
7 16,82 15,99 15,25 14,57 13,95 13,38 12,85 12,37 11,92 11,50
8 20,57 19,56 18,63 17,80 17,03 16,33 15,68 15,09 14,53 14,02
9 24,50 23,27 22,16 21,16 20,24 19,40 18,62 17,91 17,25 16,63
10 28,58 27,13 25,82 24,64 23,56 22,57 21,66 20,82 20,05 19,33
11 32,81 31,13 29,61 28,24 26,99 25,84 24,79 23,83 22,93 22,11
12 37,19 35,25 33,51 31,94 30,51 29,21 28,01 26,91 25,89 24,95
13 41,72 39,52 37,54 35,76 34,14 32,66 31,31 30,07 28,93 27,87
14 46,41 43,91 41,68 39,68 37,86 36,21 34,70 33,31 32,03 30,85
15 51,26 48,45 45,95 43,71 41,68 39,84 38,16 36,62 35,20 33,89
16 56,30 53,15 50,36 47,86 45,61 43,57 41,71 40,00 38,44 36,99
17 61,56 58,02 54,90 52,13 49,64 47,38 45,34 43,46 41,75 40,16
18 67,08 63,09 59,61 56,53 53,78 51,30 49,05 47,00 45,12 43,39
19 72,94 68,41 64,51 61,09 58,05 55,32 52,86 50,62 48,57 46,69
20 79,33 74,05 69,64 65,82 62,46 59,46 56,77 54,33 52,10 50,06
21 86,71 80,19 75,08 70,77 67,04 63,74 60,79 58,13 55,71 53,49
22 87,27 80,98 76,02 71,83 68,18 64,94 62,03 59,40 57,01
23 87,79 81,71 76,90 72,81 69,24 66,06 63,20 60,61
24 88,27 82,39 77,71 73,73 70,23 67,11 64,30
25 88,71 83,02 78,47 74,58 71,16 68,10
26 89,12 83,60 79,18 75,39 72,04
27 89,50 84,15 79,84 76,14
28 89,85 84,66 80,47
29 90,19 85,14
30 90,50

C.2 Tabelas de classificação mediana 95 % classificação

95%
Ordem classificações
de Amostra Tamanho7 8 9 10
classifi
cação 1 2 3 4 5 6
1 95,00 77,64 63,16 52,71 45,07 39,30 34,82 31,23 28,31 25,89
2 97,47 86,46 75,14 65,74 58,18 52,07 47,07 42,91 39,42
3 98,30 90,24 81,07 72,87 65,87 59,97 54,96 50,69
4 98,73 92,36 84,68 77,47 71,08 65,51 60,66
5 98,98 93,72 87,12 80,71 74,86 69,65
6 99,15 94,66 88,89 83,12 77,76
7 99,27 95,36 90,23 85,00
8 99,36 95,90 91,27
9 99,43 96,32
10 99,49
61649/FDIS  – 55

95%
Ordem classificações
de Amostra Tamanho17 18 19 20
classifi
cação 11 12 13 14 15 16
1 23,84 22,09 20,58 19,26 18,10 17,07 16,16 15,33 14,59 13,91
2 36,44 33,87 31,63 29,67 27,94 26,40 25,01 23,77 22,64 21,61
3 47,01 43,81 41,01 38,54 36,34 34,38 32,62 31,03 29,58 28,26
4 56,44 52,73 49,46 46,57 43,98 41,66 39,56 37,67 35,94 34,37
5 65,02 60,91 57,26 54,00 51,08 48,44 46,05 43,89 41,91 40,10
6 72,88 68,48 64,52 60,96 57,74 54,83 52,19 49,78 47,58 45,56
7 80,04 75,47 71,30 67,50 64,04 60,90 58,03 55,40 53,00 50,78
8 86,49 81,90 77,60 73,64 70,00 66,66 63,60 60,78 58,19 55,80
9 92,12 87,71 83,43 79,39 75,63 72,14 68,92 65,94 63,19 60,64
10 96,67 92,81 88,73 84,73 80,91 77,33 73,99 70,88 67,99 65,31
11 99,53 96,95 93,40 89,60 85,83 82,22 78,81 75,60 72,61 69,80
12 99,57 97,19 93,89 90,33 86,79 83,36 80,10 77,03 74,13
13 99,61 97,40 94,32 90,97 87,62 84,37 81,25 78,29
14 99,63 97,58 94,69 91,54 88,36 85,25 82,27
15 99,66 97,73 95,01 92,03 89,01 86,04
16 99,68 97,87 95,30 92,47 89,59
17 99,70 97,99 95,55 92,86
18 99,72 98,10 95,78
19 99,73 98,19
20 99,74

1 13,29 12,73 12,21 11,73 11,29 10,88

95 % ranks 10,50 10,15 9,81 9,50
Rank
2 order
20,67 19,81 19,02 18,29 17,61 16,98 16,40 15,85 15,34 14,86
Sample size
3 27,06
21 25,95
22 24,92
23 23,98
24 23,10
25 22,29
26 21,53
27 20,82
28 20,16
29 19,53
30
4 32,92 31,59 30,36 29,23 28,17 27,19 26,27 25,42 24,61 23,86
5 38,44 36,91 35,49 34,18 32,96 31,82 30,76 29,77 28,84 27,96
6 43,70 41,98 40,39 38,91 37,54 36,26 35,06 33,94 32,89 31,90
7 48,74 46,85 45,10 43,47 41,95 40,54 39,21 37,97 36,80 35,70
8 53,59 51,55 49,64 47,87 46,22 44,68 43,23 41,87 40,60 39,39
9 58,28 56,09 54,05 52,14 50,36 48,70 47,14 45,67 44,29 42,99
10 62,81 60,48 58,32 56,29 54,39 52,62 50,95 49,38 47,90 46,51
11 67,19 64,75 62,46 60,32 58,32 56,43 54,66 53,00 51,43 49,94
12 71,42 68,87 66,49 64,24 62,14 60,16 58,29 56,54 54,88 53,31
13 75,50 72,87 70,39 68,06 65,86 63,79 61,84 60,00 58,25 56,61
14 79,43 76,73 74,18 71,76 69,49 67,34 65,30 63,38 61,56 59,84
15 83,18 80,44 77,84 75,36 73,01 70,79 68,69 66,69 64,80 63,01
16 86,76 84,01 81,37 78,84 76,44 74,16 71,99 69,93 67,97 66,11
17 90,12 87,40 84,75 82,20 79,76 77,43 75,21 73,09 71,07 69,15
18 93,22 90,59 87,98 85,43 82,97 80,60 78,34 76,17 74,11 72,13
19 95,99 93,54 91,02 88,51 86,05 83,67 81,38 79,18 77,07 75,05
20 98,28 96,18 93,83 91,41 88,99 86,62 84,32 82,09 79,95 77,89
21 99,76 98,36 96,35 94,10 91,77 89,44 87,15 84,91 82,75 80,67
22 99,77 98,43 96,50 94,34 92,10 89,85 87,63 85,47 83,37
23 99,78 98,50 96,65 94,57 92,41 90,23 88,08 85,98
24 99,79 98,56 96,78 94,78 92,69 90,58 88,50
25 99,80 98,62 96,90 94,97 92,95 90,91
26 99,80 98,67 97,02 95,15 93,19
27 99,81 98,72 97,12 95,31
28 99,82 98,76 97,22
29 99,82 98,80
30 99,83
 – 56 61649/FDIS 

C.3 Tabelas de classificação mediana 50 % classificação

Classificações medianas (50%)

Ordem
Amostra Tamanho
de
classifi 1 2 3 4 5 6 7 8 9 10
cação
1 50 29,29 20,63 15,91 12,94 10,91 9,43 8,30 7,41 6,70
2 70,71 50,00 38,57 31,38 26,44 22,85 20,11 17,96 16,23
3 79,37 61,43 50,00 42,14 36,41 32,05 28,62 25,86
4 84,09 68,62 57,86 50,00 44,02 39,31 35,51
5 87,06 73,56 63,59 55,98 50,00 45,17
6 89,09 77,15 67,95 60,69 54,83
7 90,57 79,89 71,38 64,49
8 91,70 82,04 74,14
9 92,59 83,77
10 93,30

Classificações medianas (50%)

Ordem Amostra Tamanho
de
classifi 11 12 13 14 15 16 17 18 19 20
cação
1 6,11 5,61 5,19 4,83 4,52 4,24 4,00 3,78 3,58 3,41
2 14,80 13,60 12,58 11,70 10,94 10,27 9,68 9,15 8,68 8,25
3 23,58 21,67 20,04 18,65 17,43 16,37 15,42 14,58 13,83 13,15
4 32,38 29,76 27,53 25,61 23,94 22,47 21,18 20,02 18,99 18,05
5 41,19 37,85 35,02 32,58 30,45 28,59 26,94 25,47 24,15 22,97
6 50,00 45,95 42,51 39,54 36,97 34,71 32,70 30,92 29,32 27,88
7 58,81 54,05 50,00 46,51 43,48 40,82 38,47 36,37 34,49 32,80
8 67,62 62,15 57,49 53,49 50,00 46,94 44,23 41,82 39,66 37,71
9 76,42 70,24 64,98 60,46 56,52 53,06 50,00 47,27 44,83 42,63
10 85,20 78,33 72,47 67,42 63,03 59,18 55,77 52,73 50,00 47,54
11 93,89 86,40 79,96 74,39 69,55 65,29 61,53 58,18 55,17 52,46
12 94,39 87,42 81,35 76,06 71,41 67,30 63,63 60,34 57,37
13 94,81 88,30 82,57 77,53 73,06 69,08 65,51 62,29
14 95,17 89,06 83,63 78,82 74,53 70,68 67,20
15 95,48 89,73 84,58 79,98 75,85 72,12
16 95,76 90,32 85,42 81,01 77,03
17 96,00 90,85 86,17 81,95
18 96,22 91,32 86,85
19 96,42 91,75
20 96,59
61649/FDIS  – 57

RankMedian ranks (50 %)

orderSample size
21 22 23 24 25 26 27 28 29 30
1 3,25 3,10 2,97 2,85 2,73 2,63 2,53 2,45 2,36 2,28
2 7,86 7,51 7,19 6,90 6,62 6,37 6,14 5,92 5,72 5,53
3 12,53 11,97 11,46 10,99 10,55 10,15 9,78 9,44 9,11 8,81
4 17,21 16,44 15,73 15,09 14,49 13,94 13,43 12,96 12,52 12,10
5 21,89 20,91 20,01 19,19 18,43 17,74 17,09 16,48 15,92 15,40
6 26,57 25,38 24,30 23,30 22,38 21,53 20,74 20,01 19,33 18,69
7 31,26 29,86 28,58 27,41 26,32 25,32 24,40 23,54 22,74 21,99
8 35,94 34,33 32,86 31,51 30,27 29,12 28,06 27,07 26,14 25,28
9 40,63 38,81 37,15 35,62 34,22 32,92 31,71 30,59 29,55 28,58
10 45,31 43,29 41,43 39,73 38,16 36,71 35,37 34,12 32,96 31,87
11 50,00 47,76 45,72 43,84 42,11 40,51 39,03 37,65 36,37 35,17
12 54,69 52,24 50,00 47,95 46,05 44,31 42,68 41,18 39,77 38,46
13 59,37 56,71 54,28 52,05 50,00 48,10 46,34 44,71 43,18 41,76
14 64,06 61,19 58,57 56,16 53,95 51,90 50,00 48,24 46,59 45,06
15 68,74 65,67 62,85 60,27 57,89 55,69 53,66 51,76 50,00 48,35
16 73,43 70,14 67,14 64,38 61,84 59,49 57,32 55,29 53,41 51,65
17 78,11 74,62 71,42 68,49 65,78 63,29 60,97 58,82 56,82 54,94
18 82,79 79,09 75,70 72,59 69,73 67,08 64,63 62,35 60,23 58,24
19 87,47 83,56 79,99 76,70 73,68 70,88 68,29 65,88 63,63 61,54
20 92,14 88,03 84,27 80,81 77,62 74,68 71,94 69,41 67,04 64,83
21 96,75 92,49 88,54 84,91 81,57 78,47 75,60 72,93 70,45 68,13
22 96,90 92,81 89,01 85,51 82,26 79,26 76,46 73,86 71,42
23 97,03 93,10 89,45 86,06 82,91 79,99 77,26 74,72
24 97,15 93,38 89,85 86,57 83,52 80,67 78,01
25 97,27 93,63 90,22 87,04 84,08 81,31
26 97,37 93,86 90,56 87,48 84,60
27 97,47 94,08 90,89 87,90
28 97,55 94,28 91,19
29 97,64 94,47
30 97,72

C.4 Gerando classificações usando uma planilha programa

As classificações podem ser geradas em um programa de planilha usando a

seguinte função: BETAINV(C, J, N-J+1)

Onde

C é o nível de confiança ;
J é a classificação
ordem;
N é a amostra Tamanho.
 – 58 61649/FDIS 

Anexo D
(normativo)

Tabelas estatísticas

D.1 tabela da gama função

A Tabela D.1 é usada em conjunto com 9.7.

Tabela D.1 – Valores da função gama

D.2 Fraturas
β do normal
(1+1/β) _ distribuição
β (1+1/β) β (1+1/β)
0,20 120 1,50 0,902 7 3,60 0,9011
Tabela D.2 fornece
0,25 os valores
24 dos fráteis
1,55da distribuiçÃ
0,899 4£ o normal para
3,70 valores comumente
0,9024
requeridos do argumento
0,30
p.
9,2603 1,60 0,896 6 3,80 0,9038
0,35 5,0295 1,65 0,894 2 3,90 0,9051
Tabela D.2 – Fráteis da distribuição normal
0,40 3,3233 1,70 0,892 2 4,00 0,9064
0,45 2,5055 0,010 1,75 0,890 6 0,050
0,025 4,10
0,100 0,9076
p
0,50 2,0000 1,80 0,889 2 4,20 0,9089
u 2.326 3 1.960 0 1.644 9 1.281 6
0,55 1,7024p 1,85 0,888 2 4,30 0,9101
0,60 1,5045 1,90 0,887 4 4,40 0,9113
0,65 1,3603 1,95 0,886 7 4,50 0,9125
0,70 1,2657 2,00 0,886 2 4,60 0,9137
0,75 1,1906 2,10 0,885 7 4,70 0,9149
0,80 1,1330 2,20 0,885 6 4,80 0,9160
0,85 1,0878 2,30 0,885 9 4,90 0,9171
0,90 1,0522 2,40 0,886 5 5,00 0,9182
0,95 1,0238 2,50 0,887 2 5,20 0,9202
1,00 1,0000 2,60 0,888 2 5,40 0,9222
1,05 0,9808 2,70 0,889 3 5,60 0,9241
1,10 0,9649 2,80 0,890 3 5,80 0,9260
1,15 0,9517 2,90 0,891 7 6,00 0,9277
1,20 0,9406 3,00 0,893 0 6,20 0,9293
1,25 0,9314 3,10 0,894 3 6,40 0,9309
1,30 0,9236 3,20 0,895 6 6,60 0,9325
1,35 0,9169 3,30 0,897 0 6,80 0,9340
1,40 0,9114 3,40 0,898 4 7,00 0,9354
1,45 0,9067 3,50 0,899 7 8,00 0,9417
61649/FDIS  – 59

Anexo E
(informativo)

Exemplo de planilha

E.1 Exemplo de análise Weibull usando uma planilha

Tabela E.1 – Análise prática exemplo

UMA B C D E
1 Nº de falha Tempo de Classificação X S
eu falha mediana, F i ( t ) = = ln = ln (1 /ln (1-
eu _ ( i - 0,3)/( n + 0,4) (t) F(t)))
2 1 12 0,067 3 2.484 9 -2.663 8
3 2 20 0,163 5 2.995 7 -1.723 3
4 3 34 0,259 6 3.526 4 -1.202 0
5 4 65 0,355 8 4.174 4 -0,821 7
6 5 91 0,451 9 4.510 9 -0,508 6
7 6 134 0,548 1 4.897 8 -0,230 4
8 7 178 0,644 2 5.181 8 0,032 9
9 8 246 0.740 4 5.505 3 0.299 0
10 9 378 0,836 5 5.934 9 0,594 0
11 10 512 0.932 7 6.238 3 0.992 7
12 Regresse X em Y , uma vez que lá é o método alternativo, se
mais incerteza dentro t incerteza em S
13 y = 1.111 5 x + 5.126 5 anos = 0.8839x - 4,5403
14 R2 = _ 0,982 4 R 2 = 0,9824
15 Interceptar 5.1265 interceptar -4.540 3
16 0,8997 0,883 9
 
17
 168,42  170,15
18
Método Equação Modelo de planilha  
X em Y (1/  ) ln ( - ln (1- F y = 1.111 5 x - 5.126 5 = 1/1.115 =exp(5,1265)
(Padrão ))
) = 0,899 7 =168,42
+ ln (  )= ln ( t )
Y em X ln ( - ln (1- F )) = y = 0,883 9 x - 4,540 3 = 0,883 9 =exp(4,5403/0,8839)
(Especial )  ln (t) -  ln (  ) = 170,15

As células sombreadas na Tabela E.1 são selecionadas para um gráfico. O tipo de plotagem é
disperso, sem linhas. Uma vez que o gráfico disperso esteja completo, os dados são ajustados
com uma linha de regressão reta, e a seleção de ajuste deve especificar a equação da linha
ajustada a ser exibida no gráfico junto com o valor do coeficiente de correlação , R 2 . O gráfico
obtido é mostrado na Figura E.1. é _ conveniente copiar a equação do gráfico na folha de
dados para cálculo do parâmetro de escala , conforme mostrado na parte inferior da Tabela E.1.
A função PROJ.LIN em um modelo de planilha também pode ser usada para calcular a em
forma.

Geralmente há mais incerteza com o tempo até a falha, t , e menos incerteza com o número da
falha. A regressão dos mínimos quadrados deve regredir a variável com mais incerteza contra a
variável com menos incerteza. O software comercial irá regredir X em Y em vez de o habitual Y
em X frequentemente usado em gráficos lineares de planilhas . As linhas na parte inferior da
Mesa
E.1 mostre a comparação entre os dois métodos.
 – 60 61649/FDIS 

Y 2= 1.111 5 x + 5.126 5
5
R = 0,982 4

4
l

2
 = 1/1.111 5
= 0,899 67

 = exp(5.126 5) 1
= 168,42h

–3,0 –2,5 –2,0 –1,5 –1,0 –0,5

0
0,0 0,5 1,0 1,5

ln(1/ln(1-F( t ))

Figura E.1 – Gráfico de Weibull para análise gráfica

A inclinação da linha no gráfico define o parâmetro de forma,  , e o parâmetro de escala, . Estes são
calculados conforme mostrado na Tabela E.1.

E.2 Exemplo usando suspenso dados

Dados censurados ou suspensos, especialmente quando grandes, podem ser analisados usando
uma planilha de computador, de maneira muito semelhante à mostrada na seção anterior para análise
de planilha Weibull. A diferença é que o número do pedido que é usado para o cálculo da
classificação mediana, anteriormente designado como i , é modificado para contabilizar suspensões
usando as seguintes expressões:

eu  eueu m
1_
t t t
( n + 1)  eu _
m t i1 E.1)
eu
1  ( n  número do precedente Itens)
eu _  0 , 3
Feu( t eu)  n eu0,4

A relação entre as duas equações acima, eu eu em são derivados de

eu
t eu t
Equação (7) de 7.2.3.
sou
t 1 
eu
eu

As Tabelas E.2 e E.3 abaixo mostram como uma planilha deve ser configurada para um determinado
conjunto de dados.
61649/FDIS  – 61

Tabela E.2 – Configuração de planilha para análise de dados censurados

UMA B C D E F G
1 Número
Falha ajustada No. Hora do Classificação
do evento Event x y
eu evento ajustada F i ( t ) (
j o
eu _ i - 0,3)/( n + 0,4)
2 1 =A2 t1 F =(B2-0,3)/($A12+0,4) ln(C2) ln{ln[1/(1-E2)]}

3 2 t2 S

4 3 t3 S

5 4 =B2+(($A$12+1)-
4 _
F =(B5-0,3)/($A12+0,4) ln(C5) ln{ln[1/(1-E5)]}
B2)/(1+($A$12-A4))
6 5 =B5+(($A$12+1)-
_
F =(B6-0,3)/($A12+0,4) ln(C6) ln{ln[1/(1-E6)]}
B5)/(1+($A$12-A5)) 5

7 6 t6 S ,

8 7 =B6+(($A$12+1)-
_
F =(B8-0,3)/($A12+0,4) ln(C8) ln{ln[1/(1-E8)]}
B6)/(1+($A$12-A7)) 7

9 8
8 _ S

10 9 =B8+(($A$12+1)-
_
F =(B10- ln(C10) ln{ln[1/(1-E10)]}
B8)/(1+($A$12-A9)) 9
0,3)/($A12+0,4)
11 10 =B10+(($A$12+1)-
t 10
F =(B11- ln(C11) ln{ln[1/(1-E11)]}
B10)/(1+($A$12-A10)) 0,3)/($A12+0,4)
12 11 t 11 S

Tabela E.3 - Exemplo de análise Weibull para dados suspensos

UMA B C D E F G
1 Número
Nº de falha Tempo de Classificação
do evento Event x y
eu falha mediana, F i ( t)
,j o
eu _ ( i - 0,3)/ ( n + 0,4)
2 1 1.000 0 12 F 0,0614 2.484 9 -2.758 8
3 2 20 S
4 3 34 S
5 4 2.222 2 65 F 0,168 6 4.174 4 -1.689 2
6 5 3.444 4 91 F 0,275 8 4.510 9 -1.130 9
7 6 134 S
8 7 4.870 4 178 F 0.400 9 5.181 8 -0.668 8
9 8 246 S
10 9 6.652 8 378 F 0,557 3 5.934 9 -0,204 8
11 10 8.435 2 450 F 0,713 6 6.109 2 0,223 5
12 11 512 S
13
14 y = 1.230 5x + 6.010 2
15 R2 = 0,9833
16 Interceptar 6.010 2
17  0,812 7 = 1/1.230 5
18  407,55 = exp(6.010 2)
19

O gráfico Weibull do exemplo acima é mostrado na Figura E.2.

 – 62 61649/FDIS 

Y = 1.230 5 x + 6.010 2
_
R2 = 0,983 3 5

4
ln

2
 = 1/1.230 5
= 0,812 7
 = exp(6.010 2) 1
= 407,55h

0
–3,0 –2,5 –2,0 –1,5 –1,0 –0,5 0,0 0,5
ln(1/ln(1-F( t ))

Figura E.2 – Gráfico Weibull de dados censurados

E.3 Exemplo de plotagem de perigo 1

Outra maneira adequada de analisar dados com suspensões é traçar a função de risco
cumulativo. Os pontos plotados correspondem aos tempos de falha, mas o cálculo de risco
cumulativo responde pelas suspensões . Este método é consideravelmente mais simples do
que o ajuste dos números de falhas, produzindo resultados comparáveis. A IEC 61810-2
descreve como executar plotagem.

A planilha com plotagem de risco para contabilizar suspensões é mostrada nas Tabelas E.4 e
E.5.

Tabela E.4 – Exemplo de aplicação de planilha para dados censurados

UMA B C D E F G H EU

Número Hora Função Perigo

do do Inverter cumulativo
1 Evento de ln (t) ln( H(t) ) F (t)
evento event classifi
perigo h H(t)
o cação
eu (t)
eu _
2 1 t1 Fracassado 11 =1/D2 =E2 =LN(B2) =LN(F2) =1-EXP(-F2)
3 2 t2 Censurado 10
4 3 t3 Censurado 9
5 4 4 _ Fracassado 8 =1/D5 =F2+E5 =LN(B5) =LN(F5) =1-EXP(-F5)
6 5 5 _ Fracassado 7 =1/D6 =F5+E6 =LN(B6) =LN(F6) =1-EXP(-F6)
7 6 t6 Censurado 6
8 7 7 _ Fracassado 5 =1/D8 =F6+E8 =LN(B8) =LN(F8) =1-EXP(-F8)
9 8 8_ Censurado 4
10 9 9 _ Fracassado 3 =1/D10 =F8+E10 =LN(B10) =LN(F10) =1-EXP(-F10)
11 10 t 10 Fracassado 2 =1/D11 =F10+E11 =LN(B11) =LN(F11) =1-EXP(-F11)
12 11 t 11 Censurado 1
 61649/FDIS  – 63

Tabela E.5 - Planilha de exemplo

Tempo Função Perigo

Inverter
para Número Evento de cumulativo ln( t ) ln(H( t ) F( t )
classifi
falha t perigo h( H( t ) )
cação
t)
12 1 Fracassado 11 0,091 0,091 2.485 -2.398 0,087
20 2 Censurado 10
34 3 Censurado 9
65 4 Fracassado 8 0,125 0,216 4.174 -1.533 0,194
91 5 Fracassado 7 0,143 0,359 4.511 -1.025 0,301
134 6 Censurado 6
178 7 Fracassado 5 0,200 0,559 5.182 -0,582 0,428
246 8 Censurado 4
378 9 Fracassado 3 0,333 0,892 5.935 -0,114 0,590
450 10 Fracassado 2 0,500 1.392 6.109 0,331 0,751
512 11 Censurado 1

Plot (LN é o logaritmo natural) Risco cumulativo de LN em relação ao tempo de LN, fornecendo a Figura
E.3.

0,5

0,0
0 1 2 3 4 5 6 7
-0,5
ln(H(

-1,0

-1,5

-2,0

-2,5

-3,0
ln( t )

Figura E.3 – Gráfico de risco cumulativo para dados da Tabela E.4

Da análise de regressão de ln  H( t )  em ln( t ), uma linha reta ajustada aos dados é:

ln  H( t )   0,729 ln( t )  4.338

com
R 2  0, 973 . As estimativas de parâmetros são:

  0, 729

 4.338 

e  
 384

E.4 Exemplo de plotagem de perigo 2

Tanto a técnica de plotagem de risco quanto a técnica descrita em 7.3 podem analisar conjuntos
de dados com múltiplo modos do falha, por tratando falha modos outro do que este para
 – 64 61649/FDIS 
ser analisado Como
61649/FDIS  – 65

censuras. O conjunto de dados a seguir , fornecido pela IEC/TC94, é o resultado dos

experimentos de confiabilidade em um relé. A escala de vida útil é medida com o número de
vezes de comutação. este retransmissão sofreu a partir de dois falha modos, soldas (modo 1)
e erosão Contatos (modo 2).

Tabela E.6 mostra o conjunto de dados junto com um exemplo para estimar a função de risco
cumulativo para o modo de falha 1. Ao analisar os registros de falha com o modo 1, aqueles
com o modo 2 são tratados como censurado.

Tabela E.6 - Dados do relé fornecidos pela ISO/TC94 e análise de perigo para o modo de falha 1

Função Perigo
Inverter
Horários Número Evento de cumulativo ln( t ) ln(H1( t )) F1( t )
classific
perigo H1( t )
ação
h1( t )
984 182 1 Falha - modo 1 30 0,033 0,033 13.800 -3.401 0,033
103 598 9 2 Falha - modo 1 29 0,034 0,068 13.851 -2.691 0,066
108 632 0 3 Falha - modo 1 28 0,036 0,104 13.898 -2.268 0,098
116 708 2 4 Falha - modo 2 27
116 843 7 5 Falha - modo 2 26
119 624 3 6 Falha - modo 2 25
119 895 4 7 Falha - modo 1 24 0,042 0,145 13.997 -1.930 0,135
123 715 8 8 Falha - modo 2 23
126 636 3 9 Falha - modo 1 22 0,045 0,191 14.052 -1.657 0,174
128 005 4 10 Falha - modo 2 21
129 248 1 11 Falha - modo 2 20
130 758 8 12 Falha - modo 1 19 0,053 0,243 14.084 -1.414 0,216
130 857 5 13 Falha - modo 2 18
134 196 6 14 Falha - modo 2 17
136 270 8 15 Falha - modo 1 16 0,063 0,306 14.125 -1.185 0,263
142 846 6 16 Falha - modo 1 15 0,067 0,372 14.172 -0.988 0,311
143 192 3 17 Falha - modo 2 14
143 327 1 18 Falha - modo 1 13 0,077 0,449 14.175 -0.800 0,362
145 822 6 19 Falha - modo 2 12
146 155 9 20 Falha - modo 2 11
152 838 6 21 Falha - modo 2 10
156 312 3 22 Falha - modo 2 9
162 708 2 23 Falha - modo 2 8
205 187 7 24 Falha - modo 2 7
224 022 4 25 Falha - modo 1 6 0,167 0,616 14.622 -0,484 0,460
231 958 5 26 Falha - modo 1 5 0,200 0,816 14.657 -0,203 0,558
247 604 7 27 Falha - modo 1 4 0,250 1.066 14.722 0,064 0,656
248 000 0 28 Censurado 3
248 000 0 29 Censurado 2
248 000 0 30 Censurado 1
 – 66 61649/FDIS 

Análise semelhante é realizada no modo de falha 2 e os gráficos resultantes e as linhas

ajustadas são mostrados na Figura E.4.

0,0

-0,5

-1,0

-1,5
Log(

-2,0

-2,5

-3,0

and solid line for welding

+ and dashed line for contact erosion
-3,5

6,0 6,2 6,4 6,6 6,8 7,0

Log( t )

Figura E.4 – Gráficos de risco cumulativo para a Tabela E.6

Os parâmetros estimados são

β 1  3,59, n 1  106 β 2  6,53 e η  825, respectivamente.
6,
61649/FDIS  – 67

Anexo F
(informativo)

Exemplo de papel de probabilidade Weibull

Distribuição Weibull

Papel Weibull Beta = Tamanho da

(3 ciclos) Eta = amostra =
Falhas =

99,9

99,5
99,0

95,0

90,0

80,0

70,0
63,2
60,0

50,0

40,0

30,0

20,0

10,0
Cumulative percent

5,0

1,0

0,5

0,1

2 3 45678 9 2 3 45 6 789 2 3 45 6 789

0,1 7 1,0 10,0 100,0

Figura F.1 – Documento de probabilidade Weibull

 – 68 61649/FDIS 

Anexo G
(informativo)

Misturas de vários modos de falha

G.1 Descrição

Um gráfico Weibull contendo uma curva dogleg é uma pista para o potencial de vários modos de
falha competitivos . Um exemplo disso foi um problema em um sistema de sangria de partida do
compressor . Após o exame dos dados, 10 de 19 falhas ocorreram em uma base de instalação.
Concluiu- se que a localização dessa base estava contribuindo para o problema. A base estava
localizada no oceano e o ar salgado era o fator. Os dados foram categorizados em parcelas
Weibull separadas com esse conhecimento de engenharia. O primeiro Weibull teve uma
inclinação de 0,75. Isso pode ser considerado um problema de mortalidade infantil , enquanto a
base oceânica Weibull teve uma corrosão sob tensão desgastar falha mecanismo com  =
11,9. Mais atenção para manutenção resolvido
o problema.

Dogleg Weibulls são causados por misturas de mais de um modo de falha. Estes são
geralmente modos de falha competitivos, competindo para produzir falha. No entanto, existem
vários tipos de misturas descritas neste anexo. Por exemplo, falhas na bomba de combustível
podem ser causadas por rolamentos, rachaduras na carcaça, vazamentos, etc. Se esses
diferentes modos de falha forem plotados em um gráfico Weibull , resultarão em uma ou mais
curvas de dogleg . Quando isso ocorre, um exame minucioso das partes com falha é a melhor
maneira de separar os dados em diferentes modos de falha. Se isso for feito corretamente,
bons Weibulls separados resultarão . Pode haver misturas de modos e populações, talvez lotes
e modos de falha concorrentes. Um declive acentuado seguido por um declive raso geralmente
indica um problema de lote , pois existem alguns "sobreviventes perpétuos" que não estão
sujeitos à falha modo. Por exemplo, lá poderia ser defeitos dentro algum, mas não tudo,
peças; uma lote problema.

É sempre preferível separar os modos de falha com base na análise das peças (e ambiente) e
analisá-los separadamente, em vez de confiar em métodos estatísticos.

Supondo um conjunto de dados de 50 peças, sendo que 20 delas possuem um modo de falha e as outras
30
tem um modo de falha diferente. O primeiro conjunto deve ser analisado como 20 falhas F 1 ) e 30
(de
suspensões (para F2 ) . O segundo conjunto seria de 30 falhas (de F 2 ) e 20 suspensões
(po F1 ) . Esses dois conjuntos de parâmetros podem ser usados para prever a falha cumulativa
r
distribuição.

Quando as peças não estão disponíveis para análise física, os dados podem ser divididos em grupos
com base na posição de plotagem. Isso pode causar erros, porque uma pequena porcentagem de
falhas de desgaste ocorrerá em uma vida "precoce" e uma porcentagem de falhas de mortalidade
infantil ocorrerá mais tarde na vida.

Um mínimo de 20 falhas é necessário para resultados confiáveis de uma mistura de dois modos
de falha, e 50 ou mais falhas por a outro misturas.

A seguir estão breves descrições dos métodos mais comuns para manipulação de misturas:

– p indica a porção ou lote da população total que tem uma distribuição de falha particular
( F 1 no simples mistura);

– F1
F2 , e F 3 indicar distribuições de falhas;
_,

– R 1 , R 2 e R 3 são as distribuições de confiabilidade

61649/FDIS  – 69
correspondentes; As distribuições de falhas cumulativas da

população são F e R. _
 – 70 61649/FDIS 

As descrições são fornecidas sem descrever a forma de distribuição particular (por exemplo, Weibull,
log-normal, normal ou exponencial). Uma forma de distribuição apropriada precisa ser substituída
para Fn.
cada

G.2 Competindo risco

F = 1 – (1 – F )(1 F2) (G.1)

1
-

O risco competitivo ocorre quando uma população tem dois ou mais modos de falha e toda a
população está em risco de qualquer modo de falha. Mesmo que um gráfico Weibull desses
dados pareça curvo, isso não é uma mistura de subpopulações ; é uma população homogênea.
Se definirmos uma mistura como sendo uma mistura de modos de falha, então este modelo
também seria uma mistura , uma vez que existem duas falhas diferentes . modos.

NOTA Este é simplesmente um problema de confiabilidade em série: R = R 1 * R 2 .

Um exemplo de risco concorrente é um componente ASIC em um encapsulamento plástico com

conexões de solda micro BGA . O ASIC pode falhar através da propagação de trincas nas
esferas de solda ou através da penetração de umidade através do plástico. Os dois modos de
falha são independentes um do outro outro, mas vai competir dentro causando a ASIC para
falhou.

G.3 Simples mistura

F = pF 1 _ + (1 – p ) F 2 (G.2)

Esta é uma mistura de duas subpopulações independentes sem modos de falha comuns. Cada
subpopulação tem seus próprios modos de falha exclusivos.

Embora listado como uma mistura simples, existem muito poucos aplicativos que realmente se
encaixam nesse modelo. A maioria das misturas tem pelo menos um modo de falha comum . A
mistura simples pode ser usada como uma aproximação para distribuições mais complexas,
como a mistura de risco concorrente , descrita na Cláusula G.4. Um exemplo poderia ser as
bolas de solda de o micro BGA do ASIC . Algumas das bolas de solda têm um ou mais vazios .
Uma rachadura se propagará para o vazio, reduzindo significativamente o tempo de vida , em
comparação com as bolas de solda , onde a rachadura deve se propagar por todo o
comprimento do solda.

G.4 Risco concorrente mistura

F = p [1 – ( 1 – F 1 )( 1 – F 2 ) ] + ( 1 – p) F 2 (G.3)

A maioria das misturas de subpopulações são misturas de risco concorrentes . Existe pelo
menos um modo de falha ( F 1 ) que é exclusivo para uma subpopulação, e há um modo de falha (
F 2 ) comum a ambos _ _ subpopulações.

Neste caso, uma subpopulação está sujeita aos modos de falha 1 e 2, conforme indicado pela
parte da equação entre parênteses [ ] . Esta subpopulação por si só tem concorrentes risco. Por
exemplo, um pneu de um carro pode balançar por estar fora de círculo ( F 1 ), mas o pneu também
pode pegue
uma punção. Em ambas as situações, os pneus estão dentro da especificação de circularidade
e o pneu que balançou pode furar . Portanto , é possível obter uma punção ( F 2 ) no caminho
para o revendedor para ter o pneu balançando substituído.
61649/FDIS  – 71

Misturas de mais de três modos de falha terão um ajuste melhor , os doglegs desaparecerão e β
tenderá para um . Assim , Weibulls para um sistema ou componente com muitos modos
misturados tenderá a um β de um. Esses Weibulls não devem ser empregados se houver algum
maneira de categorizar os dados em modos de falha separados e mais precisos. Usar um
gráfico de Weibull com misturas de muitos modos de falha é o equivalente a assumir que a
distribuição exponencial se aplica. Exponencial resultados são muitas vezes errôneo e ainda
isto é comum prática.
 – 72 61649/FDIS 

Anexo H
(informativo)

Exemplo Weibull de três parâmetros

Exemplo H.1

Figura H.1 é um exemplo típico de uma distribuição Weibull de três parâmetros usando a
tenacidade à fratura da chapa de aço como os dados de interesse. O modelo indica que é
fisicamente impossível para falhar a placa em um baixo nível de tensão (veja a Figura H.2 para
o efeito do t 0 mudança). Há muitas razões possíveis para uma mudança de origem. O
fabricante pode ter colocado tempo ou quilometragem em o sistema como parte da aceitação
da produção, mas informou que os itens são " tempo zero ". O objetivo da aceitação da
produção é eliminar as falhas de mortalidade infantil . Componentes eletrônicos podem ser
submetidos a testes de burn-in ou de estresse ambiental para a mesma finalidade. Nesses
casos, os itens envelheceram antes de serem entregues como sistemas "tempo zero ". Peças de
reposição como borracha, produtos químicos e rolamentos de esferas podem envelhecer no
armazenamento e usar parte de sua vida útil na prateleira, exigindo um t 0 negativo . Para
propriedades do material, onde a abscissa de Weibull é tensão ou deformação, pode ser
impossível que fratura ou fluência ou outras propriedades produzam falha perto da origem no
escala.

99

90

70
50

30 Specimen failures
Weibull

10

1
10 100 1.000
Resistência à
fratura

Figura H.1 – Tenacidade à fratura de aço – Dados curvos

 61649/FDIS  – 73

99
W/rr
90 t0(1) = 77,75

70

50
30
Specim
Weibull

en
Specimen failures
10

5
2
  r n/s
2
7,05 1,479 0,978 25/0
1
0,1 100
1 10
Resistência à fratura

Figura H.2 – t 0 melhora o ajuste dos dados da Figura H.1

Por essas e outras razões, o gráfico de Weibull pode ser curvo e precisa de um deslocamento de
origem, de zero a t 0 .

Três parâmetros, t 0 ,  e , estão incluídos na função de distribuição cumulativa Weibull

conforme mostrado na Equação (H.1):


F( t )  1 _ e  (( t  t 0 ) /  )
(H.1)

Onde

t é a falha Tempo;
t 0 é a iniciando ponto ou origem do a distribuição.

Quando o t 0 correção for aplicada aos dados, o gráfico resultante seguirá uma linha reta se a
correção for apropriada. A Figura H.2 mostra os dados de fratura na Figura H.1 com o t 0
correção. Observe que a escala de ordenadas Weibull e a vida característica estão agora no t 0
domínio. Para converter de volta para real Tempo, adicionar t 0 de volta.
 – 74 61649/FDIS 

Anexo I
(informativo)

Construindo papel Weibull

I.1 Gráfico de probabilidade Weibull papel

Todos os papéis de probabilidade possuem escalas que transformam a função de distribuição

cumulativa em uma linha reta. Se os dados forem plotados na escala transformada e se conformarem
a uma linha reta, isso apóia a afirmação de que a distribuição é apropriada.

O papel milimetrado Weibull pode ser construído usando a transformação conforme descrito nos
parágrafos a seguir.

A distribuição Weibull pode ser definida matematicamente como mostrado na Equação

(I.1):

-(t/η)
β (I.1)
F( t )  1 - e

onde F( t ) define a fração cumulativa de itens que falharão em um tempo t . A fração de Itens
este tem não fracassado acima para Tempo t é 1 – F ( t ) .

Isso pode ser escrito como

(I.2):

1
 e ( t/η ) (I.2)
1 _ F( 
t)

Tomando logaritmos naturais de ambos os lados duas vezes (logaritmos decimais também podem ser
usados) dá uma equação de uma linha reta, como mostrado em (I.3) abaixo:

  1 
ln  ln     β ln( t )  (I.3)
β ln( n ) 1 _ F( t )
   

A equação acima é uma linha reta da forma y = mx + c. O papel Weibull é construído traçando a
probabilidade cumulativa de falha usando uma escala recíproca log-log contra t em uma escala
logarítmica. A inclinação da linha reta traçada dessa maneira será o parâmetro de forma, β , conforme
mostrado em (I.4).

  1 
y  ln  ln  ) 
1  F( t ) 
   

m= (I.4)

x = ln( t )

c =–  · ln(  )

O parâmetro de escala é então calculado a partir do intercepto (valor de y para x = ln( t ) = 0, ou seja
por
t = 1) conforme mostrado na Equação (I.5):
61649/FDIS  – 75
 intercept
ar
ηe β (I.5)
 – 76 61649/FDIS 

Tabela I.1 – Construção de ordenadas ( Y )

F( t ) lnln(1/(1 - F( t Valor Col 2 + 6,91

)))
0,001 -6,91 0
0,010 -4,60 2,31
0,1 -2,25 4,66
0,5 -0,37 6,54
0,9 0,83 7,74
0,99 1,53 8,44
0.999 1,93 8,84

Tabela I.2 – Construção das abcissas ( t )

t
ln( t
h
)
1 0
2 0,69
3 1,10
4 1,39
5 1,61
10 2,30
15 2,71
20 3,00
100 4,61
1.000 6,91

O parâmetro Weibull  é estimado medindo a inclinação da linha no papel Weibull ou _ _

enredo.

MRR é a técnica que combina a classificação mediana como posição de plotagem e a regressão dos
mínimos quadrados no papel Weibull como critério de ajuste.

I.2 Usando uma planilha para construir Weibull parcelas

A análise Weibull pode ser realizada usando qualquer software de planilha comercial de forma
semelhante à construção do papel de probabilidade. Aqui, o papel não está preparado para plotagem
manual, mas o gráfico da planilha apresenta os dados de maneira apropriada para a determinação
dos parâmetros de Weibull usando regressão linear.

Tabela I.3 – Conteúdo dos dados inseridos em planilha

Nº de falha Tempo de Classificação

mediana x eu e
eu falha
u
eu _ F i ( t ) ( i - 0,3)/( n _
+0,4)
1 t1 (1-0,3)/( n +0,4) ln ( ln{ln[1/(1-F 1 ( t )]}
t1 )
2 t2 (2-0,3)/( n +0,4) ln ( t2 ln{ln[1/(1-F 2 ( t )]}
)
3 t3 (3-0,3)/( n +0,4) ln ( t3 ln{ln[1/(1-F 3 ( t )]}
)
4 4 _ (4-0,3)/( n +0,4) ln( t 4 ln{ln[1/(1-F 4 ( t )]}
)
. . . .
. . . .
eu eu _ ( i -0,3)/( n +0,4) ln ( t ln{ln[1/(1-F i ( t )]}
)
. . . .
61649/FDIS  – 77
. . . .
n tn ( n -0,3)/( n +0,4) ln ( ln{ln[1/(1-F n ( t )]}
tn )
 – 78 61649/FDIS 

Um exemplo prático é mostrado no Anexo E.

I.3 Comercial Programas

O software comercial também está disponível para análise e plotagem Weibull.

61649/FDIS  – 79

Anexo J
(informativo)

Histórico técnico e referências

O Anexo J fornece informações sobre a origem dos procedimentos da Cláusula 9 desta norma. As
referências citadas estão todas listadas na Cláusula J.5.

J.1 Qualidade de ajuste teste

Este é o teste de Mann-Scheuer-Fertig (1973) na forma apresentada por Lawless (1982). O

esperado valores do a padrão extremo valor ordem Estatisticas, necessário por a Cálculo
dos  i , em 9,5, foram aproximados como sugerido por Blom (1958). este teste foi _
mostrou ter poder comparável ao teste de Shapiro e Brain (1987) e ao teste de Tiku conforme descrito
por Lawless (1982). Este último foi um pouco melhor do que qualquer teste de função de distribuição
empírica disponível. Além disso, o teste de Mann-Scheuer-Fertig pode lidar com amostras
censuradas.

J.2 máxima verossimilhança de β e η

As equações são aquelas comumente usadas para amostras censuradas individualmente .

Atualmente , são as técnicas numéricas mais difundidas para obter parâmetros de Weibull. A
forma apresentada nesta norma é a de Mann, Schafer e Singpurwalla (1974). Como o
procedimento numérico deste padrão se aplica apenas a tamanhos de amostra maiores que 10 ,
o viés estatístico é pequeno.

J.3 Intervalos de confiança e menor confiança limites

A abordagem adotada é a de Bain e Engelhardt (1981) para amostras completas e Bain e

Engelhardt (1986) para amostras censuradas . Essas referências têm coeficientes gerados
p e l o s métodos de Monte Carlo, e usar aproximações assintóticas para ajustar os resultados.
Algumas funções lineares e não lineares simples foram ajustadas a essas tabelas eliminando a
necessidade de funções auxiliares. mesas. o diferenças são, dentro tudo casos, muito minuto
(~1 %).

Uma alternativa seria usar os métodos condicionais de Lawless (1978), mas essa abordagem ,
embora teoricamente mais atraente, levaria a um procedimento muito mais complicado ,
exigindo integração.

A abordagem puramente assintótica foi rejeitada porque o procedimento precisa ser robusto para
amostras relativamente pequenas.

J.4 Precisão do padrão _ procedimentos

Os procedimentos desta norma foram comparados com resultados publicados usando técnicas
semelhantes e diferentes . Todos os exemplos analisados obtêm as mesmas estimativas de
máxima verossimilhança que o procedimento desta norma . As únicas diferenças estão nos
intervalos de confiança e mais baixo limites. o Segue é uma resumo do esses comparações.

J.4.1 Bain e Engelhardt (1986)

Como esta é a origem do procedimento padronizado, a necessidade de comparar os resultados

poderia ser questionado. O interesse da comparação está na precisão das funções de
aproximação _ _ usado dentro isto padrão. o comparação é Como segue:
 – 80 61649/FDIS 

Bain & Engelhardt Padronizado procedimento

intervalo de confiança de 90 % por β [1,34 ; 2,73] [1,34 ; 2,74]

intervalo de confiança de 90 % por η [70,7 ; 105,9] [70 ; 108]

R 0,9 ( t = 32,46) 0,801 0,800

J.4.2 Sem lei (1978)

A amostra analisada tem 28 falhas para um tamanho de amostra n = 40. Sem lei apenas fornece
intervalos de confiança de 90 % para ke limites de confiança 95 % inferiores para B 10 e para R (
t = e – 1 ). Os resultados são tão segue:

Padronizado sem lei procedimento

intervalo de confiança de 90 % por β [0,783 ; 1.381] [0.785 ; 1.370]

Limite de confiança 95 % menor por B 10 0,066 0,074

R 0,95 ( t = 0,368) 0,647 0,644

J.4.3 Meeker e Nelson (1976)

Esta é uma técnica assintótica. O exemplo tratado é uma amostra de 96 locomotivas, das quais
37 falharam. O tempo de censura T é ligeiramente maior que o tempo da última falha . Como o
tamanho da amostra é bastante grande, a abordagem assintótica deve ser precisa neste caso .
Os autores dão apenas um intervalo de confiança de 95 % para k e, uma vez que existe um
intervalo de confiança de 95 % por B10 , _ nós posso derivar a 97,5 % mais baixo confiança
limite por isto quantidade.

Mais manso & Nelson Padronizado procedimento

intervalo de confiança de 90 % por β [1,72 ; 3,16] [1,61 ; 3,04]

limite de confiança 97,5% inferior por B 10 55,4 54,2

J.4.4 Guia (1985)

Este artigo contém tabelas geradas por Monte Carlo para obter limites inferiores exatos para as
estimativas de máxima verossimilhança da confiabilidade em pequenas amostras censuradas (
n ≤ 20). Algumas amostras distribuídas de Weibull geradas aleatoriamente foram usadas para
comparar os limites inferiores da confiabilidade calculados de acordo com esse padrão e os
obtidos por Guida. Em todos os casos, as diferenças nós estamos do a ordem do 1 % ou
menos.

J.5 Referência documentos

BAIN, LJ e ENGELHARDT, M. (1981), Resultados Distribucionais Aproximados Simples para Limites

de Confiança e Tolerância para a Distribuição Weibull Baseado em Estimadores de Máxima
Verossimilhança , Technometrics, Vol. 23, No. 1, pp. 15-20.

BAIN, LJ e ENGELHARDT, M. (1986), Resultados de Distribuição Aproximados Baseados nos

Estimadores de Máxima Verossimilhança para a Distribuição de Weibull , Journal of Quality
Technology, Vol. 18, No. 3, pp. 174-181.

BLOM, G. (1958), Statistical Estimates and Transformed Beta-Variables , Nova Iorque, J. Wiley &
Sons.
61649/FDIS  – 81

GUIDA, M. (1985), Sobre os limites de confiança para confiabilidade e quantis de Weibull: o

caso de Máximo Estimativa de probabilidade de amostras censuradas de tamanho pequeno ,
Engenharia de confiabilidade , vol. 12, pág. 217-240.

LAWLESS, JF (1978), Estimativa de intervalo de confiança para as distribuições de Weibull e valores

extremos , Technometrics, vol. 20, No. 4, pp. 355-368.

LAWLESS, JF (1982). Modelos e Métodos Estatísticos para Dados de Vida , Nova York, J. Wiley &
Sons.

MANN, NR, SCHEUER, EM e FERTIG, KW (1973), A New Goodness-of-fit test for the Two-parameter
Weibull ou Extreme Value Distribution , Commun. Estat., Vol. 2, págs. 383-400.

MANN, N. R., SCHAFER, E. e SINGPURWALLA, N. (1974), Methods for Statistical Analysis do

Confiabilidade e Vida Dados , Novo Iorque, J. Wiley & Filhos.

MEEKER, W. Q. e NELSON, W. (1976), Weibull Percentile Estimates and Confidence Limits

from Singly Censored Data by Maximum Likelihood , IEEE Trans. sobre Confiabilidade, Vol. R-25,
No. 1, pp. 20-24.

SHAPIRO, SS e BRAIN, C. W. (1987), W-Test for the Weibull Distribution , Commun. Estatista. -
Simula., Vol. 16, nº 1, págs. 209-219.
 – 82 61649/FDIS 

Bibliografia
4ª
[1] ABERNETHY, R. B., “The New Weibull Handbook”, 2003, edição.

[2] Padrão de Defesa 00-40, “Confiabilidade e Manutenibilidade ”, 2003.

[3] Padrão de Defesa 00-971, “ Especificação Geral para Motores de Turbina a Gás para
Aeronaves ”, 1987.

[4] IEC 60300-1, Gerenciamento de Confiabilidade - Parte 1: Sistemas de gerenciamento de

confiabilidade

[5] IEC 60300-2, Gerenciamento de confiabilidade - Parte 2: Diretrizes para gerenciamento

de confiabilidade

[6] IEC 60300-3-1:2003, Gerenciamento de confiabilidade - Parte 3-1: Guia de aplicação –

Técnicas de análise para confiabilidade - Guia sobre metodologia

[7] IEC 60300-3-2, Gerenciamento de confiabilidade – Parte 3-2: Guia de aplicação – Coleta
de dados de confiabilidade do campo

[8] IEC 60300-3-4:2007, Gerenciamento de confiabilidade – Parte 3-4: Guia de aplicação –

Guia para a especificação de confiabilidade requisitos

[9] IEC 60605-4:2001, Teste de confiabilidade do equipamento - Parte 4: Procedimentos

estatísticos para distribuição exponencial - Estimativas pontuais, intervalos de confiança,
intervalos de previsão e tolerância intervalos

[10] IEC 60605-6:2007, Teste de confiabilidade do equipamento - Parte 6: Testes para

validade e estimativa do a constante falha avaliar e constante falha intensidade

[11] ISO 11453:1996, Interpretação estatística de dados - Testes e intervalos de confiança

relativos a proporções

[12] ISO 2854:1976, Interpretação estatística de dados – Técnicas de estimativa e testes

relativos a médias e variações

[13] JENSEN, F. e PETERSEN, N. E., "Queimar", John Wiley, 1982.

[14] JOHNSON, LG, "O Estatística Tratamento do Fadiga experimentos”, Elsevier, 1974.

[15] JOHNSON, NL, Kotz, S. e BALAKRISHNAN, N., “Distribuições

Univariadas Contínuas Volume 1”, 2º edição, John Wiley, 1994.

[16] LAWLESS, JF, “ Modelos Estatísticos e Métodos para Dados Vitalícios ”, John Wiley &
Sons. 1982

[17] MEEKER, W. Q. e ESCOBAR, L. A., “Statistical Methods for Reliability Data”, John Wiley,
1998.

[18] MISCHKE, CR, “Uma Regra de Plotagem Independente de Distribuição para Falhas
Ordenadas”, Conferência Técnica de Engenharia de Design ASME , 1979.

[19] MURTY, Xie & Jiang, “ Weibull Modelos”, John Wiley 2004.

[20] NELSON, W., “Análise de Dados de Vida Aplicada ”, John Wiley, 1982.
 61649/FDIS  – 83

[21] NELSON, W., “Testes Acelerados”, John Wiley, 1990.

[22] O'CONNOR, P. D. T., "Prático Confiabilidade Engenharia", John Wiley, 2002.

[23] IEC 61703, Expressões matemáticas para confiabilidade, disponibilidade, facilidade de

manutenção e suporte de manutenção termos

[24] ISO/TR 13425:2006, Diretrizes para a seleção de métodos estatísticos

em padronização e especificação