Analyse Crow-AMSAA, également appelée analyse de la croissance de la fiabilité, est une technique de tracé qui révèle si une machine, une flotte ou une usine devient plus fiable, reste stable ou se dégrade discrètement. Elle trace les défaillances cumulées en fonction du temps de fonctionnement cumulé sur des axes log-log ; la pente de la ligne résultante, beta, est le verdict : inférieure à 1 signifie que la fiabilité s'améliore, proche de 1 signifie que rien ne change, supérieure à 1 signifie que les défaillances s'accélèrent.
La méthode descend de l'observation de Duane selon laquelle les données de défaillance provenant de systèmes en développement se tracent en une droite sur du papier log-log, observation plus tard formalisée par Larry Crow à l'US Army Materiel Systems Analysis Activity (AMSAA) en tant que modèle statistiquement rigoureux. Son attrait industriel tient à sa robustesse : elle tolère des modes de défaillance mixtes et des données du monde réel désordonnées, exactement ce à quoi ressemblent les registres de maintenance d'usine, et elle ne demande que les dates de défaillance et une mesure d'utilisation (heures, cycles, tonnes).
Une ligne de remplissage a enregistré 24 pannes au cours de ses 4 000 premières heures de fonctionnement, puis un programme préventif révisé a été lancé. Au cours des 4 000 heures suivantes, elle a enregistré 9 pannes. Sur le graphique Crow-AMSAA, les données initiales montrent un bêta d'environ 1,1, légèrement dégradant ; après le programme la pente se rompt pour atteindre environ 0,6, indiquant une forte amélioration de la fiabilité. La direction a demandé « le programme de maintenance préventive est-il rentable ? » et la réponse est visible en une image : la même courbe qui produisait une panne toutes les 167 heures en produit désormais une toutes les 440 heures et elle continue de s'allonger. Le graphique projette aussi vers l'avant : en restant sur la pente actuelle, la prochaine panne est attendue dans environ trois semaines, ce qui est une façon rationnelle de planifier les pièces de rechange et les inspections. Cette projection suppose que les conditions restent telles qu'elles sont ; l'hypothèse doit être explicitée, pas cachée.
Les deux se complètent, ce ne sont pas des rivaux. L'analyse de Weibull étudie un mode de défaillance sur une population de composants identiques pour caractériser sa distribution de durée de vie, idéale pour décider des intervalles de remplacement. Crow-AMSAA étudie un système réparable au fil du temps avec tous ses modes de défaillance mélangés, idéal pour juger si la gestion globale de la fiabilité réussit. Weibull répond « quand ce type de composant tombera en panne » ; Crow-AMSAA répond « est-ce que cette machine s'améliore ou se détériore sous nos soins », ce qui en fait aussi un bon baromètre pour les stratégies suggérées par la recherche sur les six schémas de défaillance.
Deux choses seulement, mais sérieusement : des événements de défaillance complets et un temps de fonctionnement crédible. Les deux meurent dans une mauvaise tenue des registres : des pannes réparées sans bons de travail disparaissent du numérateur, et le temps calendaire pris pour du temps de fonctionnement corrompt le dénominateur. Des dossiers de défaillance propres et cohérents avec de véritables heures de fonctionnement sont la seule condition requise, et des métriques comme MTBF héritent de la même dépendance.
Fabrico fournit les deux ingrédients dont le graphique a besoin : chaque défaillance capturée comme un bon de travail avec horodatages et codes, et le véritable temps de fonctionnement mesuré automatiquement par la surveillance de la production en temps réel plutôt qu'estimé à partir du calendrier. Exportez les paires et le graphique Crow-AMSAA se produit en quelques minutes dans n'importe quel outil d'analyse ; la partie difficile, des données fiables, est déjà faite. Fabrico n'exécute pas le modèle statistique lui-même ; il rend le modèle digne d'être exécuté. Conçu dans l'UE, avec résidence des données dans l'UE.
Des pentes significatives émergent à partir d'un nombre de points étonnamment faible ; une douzaine d'événements de défaillance dessinent déjà une ligne utilisable. Cela rend la méthode pratique pour des machines critiques uniques, pas seulement pour des flottes, bien que davantage d'événements affinent à la fois l'estimation de la pente et les points de changement.
Oui, c'est sa force : le graphique suit l'intensité de défaillance totale du système, tous modes confondus. Lorsque la courbe s'oriente dans la mauvaise direction, vous examinez ensuite les modes et les composants avec des outils Pareto et Weibull pour en découvrir la cause.
Ils partagent un symbole et une idée générale (inférieur à 1 = amélioration ou infantile, supérieur à 1 = détérioration ou usure) mais appartiennent à des modèles différents : le paramètre de forme de Weibull décrit la distribution de durée de vie d'un composant ; le bêta de Crow-AMSAA décrit la tendance de l'intensité de défaillance d'un système réparable. Les confondre est une erreur courante et source de confusion.
Vous voulez un historique des défaillances et de véritables heures de fonctionnement suffisamment propres pour être tracés ? Réservez une démo Fabrico pour voir la capture automatique de l'OEE et la construction des enregistrements CMMS constituer le jeu de données de fiabilité que méritent vos analyses.
Connexion
Blog
