3. 寿命分布基础

可靠性证明的核心问题可以概括为一句话：用有限的试验数据，去推断产品在给定时间点或给定任务剖面下的失效概率是否满足要求。而寿命分布模型，正是把“失效概率”与“时间”联系起来的数学桥梁。没有分布模型，试验数据只是一堆失效时间；有了分布模型，才能把数据外推为可靠度、失效率、B10寿命等工程指标，进而判断是否通过证明。

本节不追求推导所有公式，而是聚焦三件事：三类常用寿命分布各自刻画什么物理过程；它们的参数如何影响可靠度曲线；在可靠性证明中，参数与样本量、试验时间、允许失效数之间如何相互制约。

一、三类寿命分布的分工

指数分布是最简单的寿命模型，其核心假设是失效率恒定。若某产品的失效由随机外部冲击主导，且早期失效已被筛选、耗损失效尚未到来，则指数分布是合理近似。其可靠度函数为 R(t)=e^(−λt)，其中 λ 为失效率，MTBF=1/λ。指数分布只有一个参数，因此可靠性证明所需的试验信息最少，但也最“乐观”——它默认产品不会随时间老化。

威布尔分布是可靠性工程中使用最广的模型，因为它同时包含形状参数 β 和尺度参数 η。β 决定失效机理的类型：β<1 表示早期失效（失效率递减），β=1 退化为指数分布（恒定失效率），β>1 表示耗损失效（失效率递增）。η 是特征寿命，表示可靠度下降到 36.8% 的时间。威布尔分布能描述“浴盆曲线”的多个阶段，因此更适合机械、轴承、电子器件等存在磨损或疲劳的产品。

对数正态分布适用于失效时间取对数后近似正态的情形，常见于半导体器件、某些材料疲劳和维修时间建模。它由对数均值 μ 和对数标准差 σ 两个参数控制。与威布尔分布相比，对数正态分布在长寿命尾部往往给出更保守的失效概率估计，因此在需要严格控制低失效概率的证明场景中常被采用。

二、参数如何决定可靠性证明的难度

在可靠性证明中，最常用的判据是：在置信度 C 下，证明可靠度不低于 R。对于指数分布，若采用零失效定时截尾方案，所需的总试验时间满足：

n · t ≥ ln(1 − C) / ln(R)

示例：C = 0.90，R = 0.95
n · t ≥ ln(0.10) / ln(0.95)
     ≈ (−2.3026) / (−0.05129)
     ≈ 44.9 台·小时

若投入 n = 10 台，则每台需试验 t ≈ 4.49 小时；
若投入 n = 5 台，则每台需试验 t ≈ 8.98 小时。

这个例子说明：指数分布下，证明能力只取决于“样本量×时间”的乘积，而不单独取决于 n 或 t。这是指数分布最便于工程使用的地方，也是它被称为“零失效试验设计基准模型”的原因。

威布尔分布则不同。由于存在形状参数 β，同样的 R 目标在不同 β 下对应的试验时间差异很大。工程上常采用“等效指数化”处理：先根据历史数据或失效机理确定 β，再把威布尔可靠度目标换算为等效的指数试验时间。例如，若 β=2、η 未知，要求 t=1000 小时时 R≥0.90，则可由 R(t)=e^(−(t/η)^β) 反解 η，再结合置信度要求确定样本量。β 越大，耗损特征越明显，尾部可靠度下降越快，证明所需样本往往越多。

对数正态分布下，σ 是影响证明难度的关键。σ 越大，失效时间分布越分散，长寿命尾部越难被有限试验覆盖。因此在半导体等 σ 较大的场景中，可靠性证明通常需要更长的试验时间或更多的样本，才能对低失效概率给出有置信度的结论。

三、从分布参数到证明结论的实操路径

实际开展可靠性证明时，可按以下路径推进：

1. 确定失效机理与分布类型：若失效由随机冲击主导且无老化趋势，选指数分布；若存在磨损、疲劳、腐蚀等累积损伤，选威布尔分布；若失效时间对数近似正态，选对数正态分布。
2. 估计或假定分布参数：优先使用历史失效数据拟合；若无数据，可依据同类产品文献或工程经验给出保守假定，并在报告中明确标注为假设。
3. 设定证明目标：明确可靠度 R、置信度 C、任务时间 t 以及允许失效数 r（零失效方案 r=0）。
4. 计算所需样本量或试验时间：指数分布直接用 n·t 公式；威布尔和对数正态先换算等效试验时间，再套用指数分布公式或使用数值方法求解。
5. 实施试验并判读结果：若在预定时间内失效数不超过允许值，则通过证明；若超出，则需延长试验、增加样本或重新评估分布假设。

四、参数与证明关系的速查表

理解这三类分布的参数含义，并掌握“参数—样本量—试验时间—置信度”之间的换算关系，是后续零失效试验设计、加速寿命试验和可靠性增长试验的共同基础。选择正确的分布模型，本质上是在选择一种对失效机理的工程假设；而可靠性证明的严谨性，正体现在这一假设是否被数据支持、是否被报告明确披露。