1. 课程导入与排障思维建立

可靠性计算贯穿产品设计、试验验证与运维评估的全过程。无论是预计失效率、分配可靠性指标、拟合寿命分布，还是用蒙特卡洛仿真评估系统可用度，工程师最终都要得到一个"可信的数字"。但现实中，计算结果常常与预期不符：失效率算出来是负值、威布尔拟合的β异常偏大、串联系统可靠度居然高于单个部件、仿真收敛曲线剧烈震荡。这些现象背后，往往不是软件"算错了"，而是输入、模型、假设或单位在某个环节出现了偏差。

本课程把"可靠性计算异常"定义为：在给定输入与计算目的的前提下，计算结果在数值合理性、物理意义或统计一致性上出现可复现的偏离，且该偏离不能由正常的随机波动或模型固有近似解释。这个定义有三个关键词。其一是"可复现"——偶发的、因误操作导致的单次错误不算异常，能稳定重现的才值得系统排查。其二是"物理意义"——可靠度落在[0,1]之外、失效率为负、MTBF小于零，这类结果无需复杂分析即可判定为异常。其三是"统计一致性"——点估计看似合理，但置信区间跨越了物理边界，或拟合优度检验被忽略，同样属于异常。

常见表现的四类画像

把大量案例归纳起来，可靠性计算异常大致呈现四种面貌，识别它们有助于快速锁定排查方向。

• 数值越界型：可靠度大于1或小于0、失效率为负、方差为负、概率密度积分不为1。这类异常通常指向公式误用、单位不统一或数据录入错误。
• 趋势反常型：浴盆曲线的早期故障段反而下降、串联系统可靠度高于任一子系统、随应力增大寿命反而延长。这类异常多与模型选择、参数约束或数据排序有关。
• 拟合失真型：威布尔形状参数β远大于10或远小于0.5、相关系数很低却仍被采用、残差呈明显系统趋势。根源常在样本量不足、删失数据处理不当或混合分布未分离。
• 收敛与稳定性型：蒙特卡洛仿真结果随迭代次数剧烈跳动、置信区间异常宽、多次运行结果差异巨大。通常与抽样次数、方差缩减策略或随机种子设置相关。

排障的四条基本原则

第一，先复现再分析。拿到异常结果，第一步不是改参数，而是用最小可复现案例固定现场：记录输入数据、软件版本、计算方法和关键设置，确认异常能稳定重现。很多"异常"在复现过程中就暴露为操作失误。

第二，从输入向输出倒查。可靠性计算的链条是"数据→分布/模型→参数估计→指标计算→结果判读"。排障时应沿链条逐段验证：原始数据是否有删失标记错误、单位是否统一为小时、分布假设是否经过检验、参数是否落在物理可行域。倒查比正查更容易定位断点。

第三，用独立方法交叉验证。解析法算出的结果，可用蒙特卡洛仿真复核；软件拟合的参数，可用概率图目视检查；串联系统可靠度，可用手算乘积比对。交叉验证不追求完全一致，而是看差异是否在合理范围内。

第四，区分"计算错误"与"模型不适用"。前者是执行层面的偏差，修正后结果应回到合理区间；后者是假设层面的问题，例如用指数分布描述明显磨损型失效，此时再精确的计算也得不到有意义的结论。排障的终点不是"让数字好看"，而是"让结论可信"。

45例的整体学习路径

本课程不是零散技巧的堆砌，而是按"问题发生的位置"组织成一条递进路径。前段聚焦基础概念与数据问题：单位混用、删失标记错误、样本截断、异常值未处理，这些是最高频也最容易被忽视的异常源头。中段进入分布拟合与参数估计：威布尔参数异常、混合分布未分离、拟合优度被误读、置信区间越界。后段处理系统可靠性与指标计算：串联/并联/表决结构的可靠度反常、可用度与MTBF换算错误、维修性参数耦合。再往后是仿真与收敛：蒙特卡洛抽样次数不足、方差缩减失效、随机种子引发的伪差异。最后以综合复盘收束，把散落的判据整合成可复用的排障方法论。

建议的学习方式是"带着自己的异常来"。每学一例，先尝试用本节给出的画像分类和原则自行判断排查方向，再看案例中的验证过程。这样积累下来，你获得的不是45个孤立答案，而是一套面对新异常时能快速定位的思维框架。

下一例开始，我们将进入具体场景。请记住这条主线：异常不是敌人，而是计算链条在向你发出定位信号。学会读懂信号，排障就成功了一半。