Reliability analysis and prediction for time to failure distribution of an automobile crankshaft

• Autorzy: Singh S. S. K. , Abdullah S. , Mohamed N. A. N.

Warianty tytułu

PL

Analiza niezawodności i przewidywanie rozkładu czasu do uszkodzenia wału korbowego pojazdu samochodowego

• Języki publikacji: EN

Abstrakty

EN

This paper emphasizes on analysing and predicting the reliability of an automobile crankshaft by analysing the time to failure (TTF) through the parametric distribution function. The TTF was modelled to predict the likelihood of failure for crankshaft during its operational condition over a given time interval through the development of the stochastic algorithm. The developed stochastic algorithm has the capability to measure the parametric distribution function and validate the predict the reliability rate, mean time to failure and hazard rate. T, the algorithm has the capability to statistically validate the algorithm to obtain the optimal parametric model to represent the failure of the component against the actual time to failure data from the local automobile industry. Hence, the validated results showed that the three parameter Weibull distribution provided an accurate and efficient foundation in modelling the reliability rate when compared with the actual sampling data. The suggested parametric distribution function can be used to improve the design and the life cycle due to its capability in accelerating and decelerating the mechanism of failure based on time without adjusting the level of stress. Therefore, an understanding of the parametric distribution posed by the reliability and hazard rate onto the component can be used to improve the design and increase the life cycle based on the dependability of the component over a given period of time. The proposed reliability assessment through the developed stochastic algorithm provides an accurate, efficient, fast and cost effective reliability analysis in contrast to costly and lengthy experimental techniques.

PL

W prezentowanej pracy przedstawiono metodę analizy oraz predykcji niezawodności wału korbowego pojazdu samochodowego opartą na analizie czasu do uszkodzenia (TTF) z wykorzystaniem funkcji rozkładu parametrycznego. W artykule, stworzono model TTF pozwalający na przewidywanie prawdopodobieństwa uszkodzenia wału korbowego w stanie pracy w danym przedziale czasu za pomocą nowo opracowanego algorytmu stochastycznego. Opracowany algorytm stochastyczny umożliwia mierzenie funkcji rozkładu parametrycznego oraz weryfikację przewidywanego współczynnika niezawodności, średniego czasu do uszkodzenia oraz współczynnika zagrożenia. Algorytm daje możliwość statystycznej weryfikacji modelu w odniesieniu do rzeczywistych danych dotyczących czasu do uszkodzenia pochodzących z lokalnego przemysłu samochodowego. Weryfikacja taka pozwala na otrzymanie optymalnego modelu parametrycznego reprezentującego uszkodzenie części składowej. Zweryfikowane wyniki wykazały, że trójparametrowy rozkład Weibulla stanowi dokładne i wydajne narzędzie do modelowania współczynnika niezawodności w zestawieniu z rzeczywistymi danymi z próby. Proponowaną dystrybuantę parametryczną można wykorzystywać do doskonalenia konstrukcji oraz cyklu życia wału korbowego ponieważ daje ona możliwość przyspieszania i zwalniania mechanizmu uszkodzenia, na podstawie czasu, bez potrzeby regulacji poziomu naprężenia. Zatem, znajomość rozkładu parametrycznego oraz obliczonych na jego podstawie współczynników niezawodności i zagrożenia omawianego elementu mechanizmu korbowego, pozwala na doskonalenie konstrukcji oraz wydłużenie cyklu życia wału korbowego w oparciu o dane dotyczące jego niezawodności w danym okresie czasu. Proponowana metoda oceny niezawodności z wykorzystaniem opracowanego w artykule algorytmu stochastycznego umożliwia dokładną, wydajną, szybką i tanią analizę niezawodności w odróżnieniu od kosztownych i czasochłonnych technik eksperymentalnych.

Słowa kluczowe

EN

reliability; time to failure; monotonic function; hazard rate

PL

niezawodność; czas do uszkodzenia; funkcja monotoniczna; wskaźnik zagrożenia

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2015
• Tom: Vol. 17, no. 3
• Strony: 408--415
• Opis fizyczny: Bibliogr. 36 poz., rys., tab.

Twórcy

autor

Singh S. S. K.

• Department of Mechanical and Material Engineering Faculty of Engineering and Built Environment Universiti Kebangsaan Malaysia 43600 UKM. Bangi Selangor Malaysia

autor

Abdullah S.

• Department of Mechanical and Material Engineering Faculty of Engineering and Built Environment Universiti Kebangsaan Malaysia 43600 UKM.

autor

Mohamed N. A. N.

• Department of Mechanical Engineering Universiti Malaysia Pahang, Pekan 26600 Pahang Malaysia

Bibliografia

• 1. Aid A, Amrouche A, Bachir Bouiadjra B, Benguediab M, Mesmacque G. 2011. Fatigue life prediction under variable loading based on a new damage model. Materials and Design 2011; 23: 183-191, http://dx.doi.org/10.1016/j.matdes.2010.06.010.
• 2. Alfares M A, Falah A H, Elkholy A H. Failure analysis of a vehicle engine crankshaft. Journal of Failure Analysis and Prevention 2007; 7(1): 12-17, http://dx.doi.org/10.1007/s11668-006-9006-0.
• 3. Asi O. Failure analysis of a crankshaft made from ductile cast iron. Engineering Failure Analysis 2005; 13(8): 1260-1267, http://dx.doi.org/10.1016/j.engfailanal.2005.11.005.
• 4. Atzori B, Berto F, Lazzarin P & Quaresimin M. A stress invariant based criterion to estimate fatigue damage under multiaxial loading. International Journal of Fatigue 2006; 28: 485-493, http://dx.doi.org/10.1016/j.ijfatigue.2005.05.010.
• 5. Bahumik S K, Rangaraju R, Venkataswamy M A, Baskaran T A, Parameswara M A. Fatigue fracture of crankshaft of an aircraft engine. Engineering Failure Analysis 2002; 9(3): 255-263, http://dx.doi.org/10.1016/S1350-6307(01)00022-X.
• 6. Becarra J A, Jimenez F J, Torrez M, Sanchez D T, Carvajal E. Failure analysis of reciprocating compressor crankshafts. Engineering Failure Analysis 2011; 18(2): 735-746, http://dx.doi.org/10.1016/j.engfailanal.2010.12.004.
• 7. Bocchini P, Saydam D, Franggopol D M. Efficient, accurate and simple Markov Chain Model for the life cycle analysis of bridge groups. Structural Safety 2013; 40: 51-64, http://dx.doi.org/10.1016/j.strusafe.2012.09.004.
• 8. Bue L F, Stefano A D, Giagonia C. Misfire detection system based on the measure of crankshaft angular velocity. Springer, 2007.
• 9. Changli C, Chengjie Z, Deping W. Analysis of an unusual crankshaft failure. Engineering Failure Analysis 2005; 12(3): 465-473, http://dx.doi.org/10.1016/j.engfailanal.2004.01.006.
• 10. Chen X, Yu X, Hu R, Li J. Statistical distribution of crankshaft fatigue: Experiment and modelling. Engineering Failure Analysis 2014; 4: 210-220, http://dx.doi.org/10.1016/j.engfailanal.2014.04.015.
• 11. Chiachío M, Chiachío J, Rus G, Beck J L. Predicting fatigue damage in composites: A Bayesian framework. Structural Safety 2014; 51: 57-68, http://dx.doi.org/10.1016/j.strusafe.2014.06.002.
• 12. Czarnigowski J, Drozdziel P, Kordos Paweł. Characteristic rotational speed ranges of a crankshaft during combustion engine operation at car maintenance. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2002; 2(14): 55-62.
• 13. Distefano S, Peliafito A. Reliability and availability of dependent dynamic system with DRBD's. Reliability Engineering and System Safety 2009; 94(9): 1381-1393, http://dx.doi.org/10.1016/j.ress.2009.02.004.
• 14. Drozdziel P, Krzywonos L. The estimation of the reliability of the first daily diesel engine start-up during its operation in the vehicle. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2009; 1(41): 4-10.
• 15. Druschitz P A, Warrick R J, Grimley P R, Towalski R C, Killion D L, Marlow R. Influence of crankshaft materila and design on NVH characteristics of a Modern, Aluminum Block, V-6 Engine. SAE Technical Paper Series 1999-01-1225.
• 16. Fonte M, Li B, Reis L, Freitas M. Crankshaft failure analysis of a motor vehicle. Engineering Failure Analysis 2013; 35: 147-152, http://dx.doi.org/10.1016/j.engfailanal.2013.01.016.
• 17. Gagg C R, Lewis, R P. In-service fatigue failure of engineered products and structures – Case study review. Engineering Failure Analysis 2009; 16: 1775–1793, http://dx.doi.org/10.1016/j.engfailanal.2008.08.008.
• 18. Gaver D P, Jacobs P A. Reliability growth by failure mode removal. Reliability Engineering and System Safety 2014;130: 27-32, http://dx.doi.org/10.1016/j.ress.2014.04.012.
• 19. Jean M B, Cecile M. Damage tolerance and reliability assessment under random Markovian loads. Procedia IUTAM 2013; (6): 123-131.
• 20. Johannesson P. On rainflow cycles and the distribution of the number of interval crossings by a Markov chain, Probabilistic Engineering Mechanics 2002;17: 123-130, http://dx.doi.org/10.1016/S0266-8920(01)00033-9.
• 21. Jiang R, Murthy D N P. A study of Weibull Shape Parameter: Properties and Significance. Reliability Engineering and System Safety 2012; 96(12): 1619-1626, http://dx.doi.org/10.1016/j.ress.2011.09.003.
• 22. Jung D H, Kim H K, Pyoun Y S, Gafurov A, Choi G C, Ahn J M. Reliability prediction of the fatigue life of a crankshaft. Journal of Mechanical Science and Technology 2009; 23: 1071-1074, http://dx.doi.org/10.1007/s12206-009-0343-2.
• 23. Kihl D P, Sarkani S, Beach J E. Stochastic fatigue damage accumulation under broadband loadings. International Journal of Fatigue 1995; 17(5): 321-329, http://dx.doi.org/10.1016/0142-1123(95)00015-L.
• 24. Ling Y, Shantz C, Mahadevan S, Sankararaman S. Stochastic prediction of fatigue loading using real-time monitoring data International Journal of Fatigue 2011; 33(7): 868-879, http://dx.doi.org/10.1016/j.ijfatigue.2011.01.015.
• 25. Liu Y, Mahadevan S. Stochastic fatigue damage modeling under variable amplitude loading. International Journal of Fatigue 2007;29:1149-1161, http://dx.doi.org/10.1016/j.ijfatigue.2006.09.009.
• 26. Lu Z, Liu Y. Experimental investigation of random loading sequence effect on fatigue crack growth. Materials and Design 2011; 32: 4773–4785, http://dx.doi.org/10.1016/j.matdes.2011.06.034.
• 27. Nechval K N, Nechval N A, Berzins G, Purgailis M. Probabilistic assessment of the fatigue reliability. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2007; 3(35): 3-6.
• 28. Neetu S, Kanchan, J Suresh K S. The Beta Generalized Weibull distribution: Properties and application. Reliability Engineering and System Safety 2012; 102: 5-15, http://dx.doi.org/10.1016/j.ress.2012.02.003.
• 29. Newby M. Accelerated failure time models for reliability data analysis Reliability Engineering and System Safety 1988;20(3): 187-197, http://dx.doi.org/10.1016/0951-8320(88)90114-7.
• 30. Okamura H, Dohi T, Osaki S. Software reliability growth models with normal failure time distribution. Reliability Engineering and System Safety 2013; 116: 135-141, http://dx.doi.org/10.1016/j.ress.2012.02.002.
• 31. Pandey R K. Failure of diesel engine crankshaft Engineering Failure Analysis 2003; 10(2): 165-175, http://dx.doi.org/10.1016/S1350-6307(02)00053-5.
• 32. Ray A, Targilara S. A nonlinear stochastic model of fatigue crack dynamics. Probabilistic Engineering Mechanics 1997;12(1): 33-40, http://dx.doi.org/10.1016/S0266-8920(96)00012-4.
• 33. Shen H, Lin J, Mu E. Probabilistic model on stochastic fatigue damage. International Journal of Fatigue 2000;22: 569–572, http://dx.doi.org/10.1016/S0142-1123(00)00030-X.
• 34. Sugier J, Anders G J. Modelling and evaluation of deterioration process with maintenance activities. Eksploatacja i Niezawodnosc – Maintenance and Reliability 2013; 15(4): 305-311.
• 35. Xiuyun P, Zaizai Y. Estimation and application for a new extended Weibull distribution. Reliability Engineering and System Safety 2014; 121: 34-42, http://dx.doi.org/10.1016/j.ress.2013.07.007.
• 36. Zhang T, Dwight R. Choosing an optimal model for failure data analysis by graphical approach. Reliability Engineering and System Safety 2013; 115: 111-23, http://dx.doi.org/10.1016/j.ress.2013.02.004.