1. 课程导入
汽车电子已经从“附属电气件”演变为决定整车安全、体验与品牌口碑的核心系统。发动机控制、制动与转向、电池管理、域控制器、传感器与执行器，任何一个环节的失效都可能引发功能降级、召回、甚至安全事故。与消费电子不同，汽车电子面对的是宽温、振动、湿热、盐雾、电压瞬变和长寿命服役的叠加考验，因此可靠性不是测试阶段“补出来”的，而是从需求、设计、验证到量产持续“设计进去”的。
一、为什么汽车电子必须做寿命分布与可靠性统计
很多团队把可靠性等同于“做几项环境试验”或“跑一段耐久”。但真正的问题往往出现在三个层面：第一，失效不是均匀发生的，早期失效、随机失效和耗损失效遵循不同规律；第二，样本少、周期长、成本高，靠“全部跑完”不现实；第三，客户关注的是失效率、B10寿命、MTBF、PPM等指标，而不是“试验通过”四个字。寿命分布与统计方法正是连接物理失效与工程指标的桥梁。
例如，某域控制器在高温高湿偏压试验中出现偶发通信中断。若只记录“通过/不通过”，无法判断是批次缺陷还是设计裕度不足；若用威布尔分布拟合失效时间，并比较不同批次、不同电压应力的形状参数与特征寿命，就能判断失效机理是否一致、是否需要加速模型外推。这就是统计工程的价值：把零散现象变成可比较、可预测、可决策的证据。
二、本课程的学习目标
- 理解可靠性、寿命、失效、截尾、退化等基本概念，能区分故障与失效、可靠度与可用度。
- 掌握常见寿命分布：指数分布、威布尔分布、对数正态分布、正态分布及其适用场景。
- 能读懂并计算关键指标：可靠度R(t)、失效率λ(t)、MTBF、B10寿命、FIT、PPM。
- 掌握加速寿命试验、截尾数据处理、参数估计与拟合优度检验的基本流程。
- 能结合汽车电子典型场景，完成从数据采集、分布拟合到寿命外推与改进建议的闭环。
- 建立“可靠性是设计属性”的工程思维，避免把统计当作事后报表。
三、课程整体框架与知识地图
课程共30章，按“概念—数据—模型—试验—应用—体系”递进组织。下图给出知识地图：左侧是基础概念与指标体系，中部是寿命分布与统计推断方法，右侧是汽车电子典型应用与工程闭环。学习时建议沿着箭头方向推进，同时反复回到“指标—数据—模型—决策”这条主线。
四、核心方法流程：一条可复用的分析链路
无论面对的是试验数据还是现场保修数据，可靠性统计工程都可以沿以下流程推进。建议在项目中把它固化为检查清单，避免“拿到数据直接拟合”的跳跃式操作。
- 定义对象与失效判据：明确产品、功能、失效阈值和观测窗口，区分硬失效与退化失效。
- 梳理应力与工况：温度、电压、振动、湿度、电流、循环次数等，确定主导应力。
- 设计试验或采集数据：确定样本量、截尾方式、测试点、加速因子与校准方案。
- 数据清洗与探索：处理异常值、缺失值、批次差异，绘制失效时间散点与概率图。
- 选择分布并估计参数：根据失效机理与图形判断选择指数、威布尔或对数正态等。
- 检验与比较：用拟合优度、置信区间和物理合理性交叉验证，避免过拟合。
- 外推与决策：计算B10、MTBF、FIT等指标，评估设计裕度并给出改进优先级。
五、典型场景与参数示例
以某车载DC-DC模块的高温加速寿命试验为例，试验在125℃、105℃、85℃三个温度点进行，记录失效时间并进行截尾处理。分析时通常需要整理如下数据表，再进入分布拟合。
| 温度点 | 样本数 | 失效数 | 截尾数 | 观测时间(h) | 初步判断 |
|---|---|---|---|---|---|
| 125℃ | 20 | 12 | 8 | 1000 | 失效集中，疑似焊点疲劳 |
| 105℃ | 20 | 7 | 13 | 1500 | 失效分散，需检查批次 |
| 85℃ | 20 | 3 | 17 | 2000 | 数据截尾明显，需用MLE |
对应的分析脚本骨架可写成如下形式，便于在Python中复用：
import numpy as np
from reliability.Fitters import Fit_Weibull_2P
# 失效时间与截尾标记：1=失效，0=截尾
times = np.array([820, 910, 980, 1000, 1000, 1000])
failed = np.array([1, 1, 1, 0, 0, 0])
fit = Fit_Weibull_2P(failures=times[failed == 1],
right_censored=times[failed == 0])
print(fit.alpha) # 特征寿命
print(fit.beta) # 形状参数
六、常见误区与复盘
- 误区一：把MTBF当成“平均无故障工作时间”直接用于寿命预测。 MTBF适用于指数分布假设下的随机失效，不能直接外推耗损失效。
- 误区二：忽略截尾数据。 只统计失效样本会高估失效率，必须把未失效样本纳入似然函数。
- 误区三：用同一分布套所有失效机理。 不同机理可能对应不同形状参数，混批分析会掩盖真实风险。
- 误区四：只看拟合曲线，不看物理意义。 统计显著不等于工程合理，需结合失效分析（FA）验证。
- 误区五：把可靠性工作全部压给试验部门。 可靠性是设计、工艺、供应链、试验和售后共同作用的结果。