Incorporating product robustness level in field return rate predictions

• Autorzy: Tekcan A. T. , Kahramanoglu G. , Gündüzalp M.

Warianty tytułu

PL

Przewidywanie rzeczywistego wskaźnika zwrotów towaru z uwzględnieniem poziomu odporności produktu

• Języki publikacji: EN

Abstrakty

EN

Reliability and return rate prediction of products are traditionally achieved by using stress based standards and/or applying accelerated life tests. But frequently, predicted reliability and return rate values by using these methods differ from the field values. The primary reason for this is that products do not only fail due to the stress factors mentioned in the standards and/or used in accelerated life tests. There are additional failure factors, such as ESD, thermal shocks, voltage dips, interruptions and variations, quality factors, etc. These factors should also be considered in some way when predictions are made during the R&D phase. Therefore, a method should be used which considers such factors, thus increasing the accuracy of the reliability and return rate prediction. In this paper, we developed a parameter, which we call Robustness Level Factor, to incorporate such factors, and then we combined this parameter with traditional reliability prediction methods. Specifically, the approach takes into account qualitative reliability tests performed during the R&D stage and combines them with life tests by using Artificial Neural Networks (ANN). As a result, the approach gives more accurate predictions compared with traditional prediction methods. With this prediction model, we believe that analysts can determine the reliability and return rate of their products more accurately.

PL

Niezawodność i wskaźniki zwrotów towaru przewiduje się tradycyjnie przy użyciu norm obciążeniowych i/lub stosując przyspieszone badania trwałości. Jednakże, często wartości niezawodności i wskaźnika zwrotów przewidywane za pomocą tych metod różnią się od ich wartości rzeczywistych. Główną tego przyczyną jest fakt, że produkty nie ulegają awarii wyłącznie pod wpływem czynników obciążeniowych wymienianych w normach i/lub wykorzystywanych w przyspieszonych badaniach trwałości. Istnieją dodatkowe czynniki wpływające na intensywność uszkodzeń, takie jak wyładowania elektrostatyczne, wstrząsy termiczne, spadki, przerwy w dostawie i zmiany napięcia, czynniki jakościowe, itp. Te czynniki także powinny być w jakiś sposób uwzględnione przy dokonywaniu predykcji na etapie badań i rozwoju (R&D). Dlatego też zwiększenie trafności predykcji niezawodności i wskaźników zwrotów towaru wymaga metody, która uwzględniałaby tego typu czynniki. W niniejszej pracy opracowaliśmy parametr, nazwany przez nas "czynnikiem poziomu odporności", który pozwala na uwzględnienie takich czynników, a następnie wykorzystaliśmy ów parametr w połączeniu z tradycyjnymi metodami przewidywania niezawodności. W szczególności, przedstawione podejście bierze pod uwagę jakościowe badania niezawodnościowe wykonywane na etapie R&D łącząc je z badaniami trwałościowymi przy użyciu sztucznych sieci neuronowych ANN. Dzięki temu, w podejściu tym uzyskuje się bardziej trafne predykcje niż w tradycyjnych metodach prognozowania. Jesteśmy przekonani, że użycie powyższego modelu predykcyjnego umożliwi analitykom bardziej trafne wyznaczanie niezawodności oraz wskaźników zwrotów wytwarzanych przez nich produktów.

Słowa kluczowe

EN

reliability and return rate estimation; artificial neural networks; defining different failure types; product maturity level; product robustness level; field failures; product level testing; board level testing; design quality

PL

ocena niezawodności i wskaźnika zwrotów produktu; sztuczne sieci neuronowe; definiowanie rożnych typów uszkodzeń; poziom dojrzałości produktu; poziom odporności produktu; awaria w warunkach rzeczywistych; badania na poziomie produktu; badania na poziomie płyty testowej; jakość konstrukcyjna

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2012
• Tom: Vol. 14, No. 4
• Strony: 327--332
• Opis fizyczny: Bibliogr. 15 poz.

Twórcy

autor

Tekcan A. T.

autor

Kahramanoglu G.

autor

Gündüzalp M.

• Department of Electrical-Electronic Engineering Dokuz Eylül University Tinaztepe Yerleskesi, 35397, Buca, Izmir, Turkey,

Bibliografia

• 1. Chan H A. Accelerated Stress Testing for Both Hardware and Software. Reliability and Maintainability Symposium 2004.
• 2. De Visser I.M, Yuan L, Nagappan G. Understanding Failure Severity in New Product Development Processes of Consumer Electronics Products. IEEE International Conference on Management of Innovation and Technology 2006.
• 3. Defense U.D.o. MIL-HDBK-217F Reliability Prediction of Electronic Equipment 28 Feb 1995.
• 4. Elerath J G, Pecht, M. IEEE 1413: A Standard for Reliability Predictions. IEEE Transactions on Reliability 2012; 61 (1): 125-129.
• 5. Goel A, Graves R. J. Electronic System Reliability: Collating Prediction Models. IEEE Transactions on Device and Materials Reliability 2006; 6 (2): 258–265.
• 6. Jackson D S, Pant H, Tortorella M. Improved Reliability-Prediction and Field-Reliability-Data Analysis for Field-Replaceable Units. IEEE Transactions on Reliability 2002; 51 (1): 8–16.
• 7. Jones J, Hayes J. A Comparison of Electronic-Reliability Prediction Models. IEEE Transactions on Reliability 1999; 48 (2): 127-134.
• 8. Jones J, Hayes J. Estimation of System Reliability Using a “Non-Constant Failure Rate” Model. IEEE Transactions on Reliability 2001; 50 (3): 286–288.
• 9. Kahramanoğlu G. Field Return Rate Estimation in R&D Stage with an Indicator. Accelerated Stress Testing Reliability Symposium 2010.
• 10. Lin D L, Welsher T L. Prediction of Product Failure Rate due to Event-Related Failure Mechanisms. Reliability and Maintainability Symposium 1998.
• 11. Ma H, Meeker W.Q. Strategy for Planning Accelerated Life Tests With Small Sample Sizes. IEEE Transactions on Reliability 2010; 59 (4):610–619.
• 12. Ormon S W, Cassady C R, Greenwood A.G. Reliability Prediction Models to Support Conceptual Design. IEEE Transactions on Reliability 2002; 51 (2): 151–157.
• 13. Shaw M. LCD TV Reliability Testing: An Effective Approach. Applied Reliability Symposium Europe 2010.
• 14. Tekcan T, Kirisken B. Reliability test procedures for achieving highly robust electronic products. Reliability and Maintainability Symposium 2010.
• 15. Yang G. Accelerated Life Tests at Higher Usage Rates. IEEE Transactions on Reliability 2005; 54 (1): 53–57