MTBF, eller den gennemsnitlige tid mellem fiasko, er en statistisk måling, der bruges til at forudsige opførsel af en stor gruppe prøver eller enheder. For eksempel kan MTBF bruges til at bestemme vedligeholdelsesplaner for at bestemme hvor mange reservedele skal holdes ved hånden for at kompensere for fejl i en gruppe enheder eller som en indikator for systemet pålidelighed. For at beregne MTBF skal du kende de samlede enhedstimer af test udført under det pågældende forsøg og antallet af fejl, der opstod.
Formlen for gennemsnitstid mellem fiasko eller MTBF er:
MTBF = \ frac {T} {R}
hvorTer det samlede antal enhedstimer fra det pågældende forsøg, ogRer antallet af fejl.
Et eksempel på beregning af MTBF
Uanset om du vurderer pålideligheden af ny software eller prøver at beslutte, hvor mange ekstra widgets der skal være til rådighed på dit lager, er processen til beregning af MTBF den samme.
Den første måling, du skal kende, er de samlede "enhedstimer" af test, der fandt sted i din pålidelighedsundersøgelse. Forestil dig, at dit emne er lager widgets, og at 50 af dem blev testet i 500 timer hver. I så fald er den samlede testtidsenhed:
50 \ gange 500 = 25000 \ tekst {timer}
Identificer derefter antallet af fejl i hele befolkningen, der blev testet. I dette tilfælde skal du overveje, at der i alt var 10 widgetfejl.
Du ved, at 25.000 samlede enhedstimer af test fandt sted, og der var 10 widgetfejl. Divider det samlede antal testtimer med antallet af fejl for at finde den gennemsnitlige tid mellem fejl:
\ frac {25000 \ text {hours}} {10} = 2500 \ text {unit hours}
Så i denne specifikke datamodel er MTBR 2.500 enhedstimer.
At sætte MTBR i kontekst
Før du hopper ind i beregningen af en "pålidelighedsligning" som MTBF, er det vigtigt at forstå dens sammenhæng. MTBF er ikke beregnet til at forudsige en enkelt enheds opførsel; i stedet er det meningen at forudsige de typiske resultater fra en gruppe enheder. I eksemplet ovenfor fortæller dine beregninger dig ikke, at hver widget forventes at vare 2.500 timer. I stedet siger de, at hvis du kører en gruppe widgets, er den gennemsnitlige tid mellem fejl inden for gruppen 2.500 timer.
En anden statistik: MTTR-beregningen
En af udfordringerne ved statistik er at få dine statistiske modeller til at ekko reelle situationer så præcist som muligt. Så dine pålidelighedsberegninger kan også være nødvendigt at inkludere MTTR eller betyde tid til reparation - hvad enten det drejer sig om at estimere nedetid inden for dine systemer eller budgettere personaletimer for at udføre nævnte reparationer.
For at beregne MTTR dividerer du den samlede tid til reparationer med antallet af udførte reparationer. Så hvis dit vedligeholdelsespersonale under din lager widget test arbejdede 500 person timer og foretog 10 reparationer, kunne du ekstrapolere MTTR:
\ frac {500 \ text {hours}} {10} = 50 \ text {person hours}
Så din MTTR er 50 personstimer pr. Reparation. Dette betyder ikke, at enhver reparation vil tage 50 timer - faktisk kan der være en hel del forskel mellem de faktiske reparationstider. Igen er dette ikke en forudsigelse om, at enhver reparation eller endda de fleste reparationer vil tage 50 personstimer at gennemføre. Det fortæller dig bare, at når du tager et skridt tilbage og ser på din widgetpopulation som helhed, vil befolkningen som helhed begynde at nærme sig gennemsnittet.