4. 零失效试验的统计原理

零失效试验（Zero-Failure Test）是可靠性验证中最常见、也最容易被误解的一类试验：投入 n 个样品，运行到规定时间 t（或规定循环、里程、次数），结果没有任何一个失效。直觉上“一个都没坏”似乎说明产品很可靠，但工程上真正要回答的问题是：在给定置信水平下，能证明的可靠度下限究竟是多少？本节围绕零失效数据的特点、似然函数构造和置信区间估计方法展开，说明零失效试验为何能证明高可靠性，以及它的代价在哪里。

一、零失效数据的特点

零失效数据的第一个特点是信息量少且高度不对称。常规寿命试验中，失效时间本身携带大量信息：失效发生在第 100 h 还是第 1000 h，直接决定寿命分布的尺度参数。而零失效试验中，所有样品都只贡献一个“右删失”信息——真实寿命大于 t，具体大多少完全未知。因此零失效数据只能给出可靠度的单侧下限，无法估计平均寿命，也无法区分“刚好通过”和“远远优于要求”的产品。

第二个特点是样本量与试验时间可以互换。要证明同样的可靠度下限，可以“多样品短时间”，也可以“少样品长时间”，二者通过二项分布或指数分布模型建立等价关系。这为工程上在样品成本与试验周期之间做权衡提供了依据。

第三个特点是对失效机理的敏感性。零失效只说明在试验条件、试验时间内没有暴露失效，若试验应力不能激发主导失效机理（如温度循环不足、振动量级偏低），则“零失效”证明的可靠度是虚假的。因此零失效试验设计必须与失效物理分析配合。

二、似然函数的构造

设投入 n 个样品，试验到时间 t 截止，观察到 r 个失效。若寿命服从指数分布，失效率为 λ，则单个样品在 t 时刻仍存活的概率为 R(t)=e^−λt，在 t 前失效的概率密度为 f(t)=λe^−λt。对于“r 个失效、n−r 个删失”的数据，似然函数为：

L(λ) = C(n, r) · [λ e^(−λt_i)]^r · [e^(−λt)]^(n−r)

零失效情形 r = 0：
L(λ) = [e^(−λt)]^n = e^(−nλt)

对零失效数据，似然函数退化为一个单调递减的指数函数，没有内部极大值点。这意味着最大似然估计给出的 λ̂ = 0，即“失效率为零、可靠度为 1”。这在数学上成立，但在工程上毫无意义——它只是说明数据不足以给出有限估计。因此零失效试验不能使用点估计，必须转向区间估计，用置信下限来表达结论。

若寿命服从威布尔分布，形状参数为 β、尺度参数为 η，则零失效似然函数为 L(η) = exp[−n(t/η)^β]，同样对 η 单调，需要借助形状参数已知或由历史数据固定的假设才能求解。工程中常先由同类产品历史失效数据确定 β，再对 η 做单侧下限估计。

三、置信区间估计方法

零失效试验最常用的估计方法是基于二项分布的可靠度下限。把“试验到 t 时是否失效”看作一次成败型试验，产品在 t 时刻的可靠度真值为 R，则 n 个样品全部存活的概率为 Rⁿ。给定置信水平 C（单侧），要求：

R^n ≥ 1 − C

取对数：n · ln R ≥ ln(1 − C)

可靠度下限：R_L = (1 − C)^(1/n)

这就是零失效试验最核心的公式。例如取 C = 0.90、n = 22，则 R_L = 0.10^1/22 ≈ 0.9005，即“22 个样品零失效”可在 90% 置信水平下证明可靠度不低于约 90%。若要把下限提高到 0.99，则需 n ≥ ln(0.10)/ln(0.99) ≈ 229 个样品。可见可靠度下限每提高一个数量级，样本量近似按比例增加，这正是零失效试验证明高可靠性的代价。

当寿命服从指数分布且关注的是失效率上限时，可利用卡方分布：在置信水平 C 下，失效率上限为 λ_U = χ²(1−C, 2r+2) / (2T)，其中 T 为总试验时间（元件小时），r 为失效数。零失效时 r = 0，λ_U = χ²(1−C, 2) / (2T)。例如 C = 0.90、T = 10000 元件小时，χ²(0.90, 2) ≈ 4.605，则 λ_U ≈ 4.605/20000 ≈ 2.3×10⁻⁴ /h，对应 MTBF 下限约 4340 h。这一方法把“零失效”与“总试验时间”直接挂钩，比单纯数样品数更贴近工程实际。

四、零失效为何能证明高可靠性

零失效试验的证明力来自“全部存活”这一事件本身对低可靠度的排除。若真实可靠度只有 0.90，那么 22 个样品全部存活的概率仅为 0.90²² ≈ 0.098，即不到 10%。反过来，在 90% 置信水平下，我们可以排除“可靠度低于 0.90”的假设。这就是零失效试验的统计逻辑：不是证明产品“不会失效”，而是证明“若可靠度低于某下限，出现零失效的概率小到可以接受”。

需要特别强调的是，零失效试验的结论严格绑定于试验条件。它证明的是“在试验应力剖面、试验时间 t 内，可靠度不低于 R_L”，而不是“在任何使用条件下都可靠”。若要把结论外推到现场，必须保证试验剖面覆盖实际使用剖面，或通过加速模型做等效换算。此外，零失效试验对样本随机性要求很高：若样品来自同一批次且存在批次性缺陷，n 个样品可能同时暴露同一问题，此时“零失效”反而掩盖了系统性风险。

五、方法对比与选用

三种方法的共同点是：零失效时点估计退化，必须用单侧置信下限表达结论；区别在于对寿命分布假设和数据形式的利用程度不同。实际工程中，若只关心“到某时刻的可靠度”，二项法最稳健；若能累积大量元件小时并接受指数假设，卡方法能给出更细的失效率上限；若已有形状参数历史数据，威布尔法可在较少样品下给出寿命尺度下限。

理解零失效试验的统计原理，核心是抓住三点：数据只提供右删失信息，似然函数在零失效时退化，因此必须用置信下限而非点估计来表达结论；样本量与可靠度下限之间存在明确的数学换算关系，高可靠度证明的代价是样本量或试验时间的指数级增长；结论的有效性依赖于试验剖面与失效机理的匹配。掌握这三点，才能在可靠性证明中正确设计零失效试验，也才能识别“零失效”背后可能隐藏的风险。