3. 可靠性数学与寿命数据基础

失效物理（PoF）回答的是“为什么会坏、坏在哪里、坏得多快”，而可靠性数学回答的是“坏的概率有多大、寿命分布长什么样、在给定应力下参数如何变化”。两者不是并列关系，而是同一条证据链的两端：PoF给出失效机理与物理量，可靠性数学把这些物理量转化为可统计、可外推、可判定的寿命模型。本节围绕这条衔接链展开。

寿命分布：把失效时间变成可计算的随机变量

寿命数据本质上是随机变量 T 的观测值。工程中最常用的三类分布各有物理背景：

• 指数分布：失效率为常数，适用于随机突发失效、早期筛选后进入稳定期的器件，其可靠度 R(t)=e^-λt。
• 威布尔分布：形状参数 β 决定失效模式。β<1 对应早期失效（缺陷主导），β≈1 近似随机失效，β>1 对应磨损失效（退化累积主导）。尺度参数 η 是特征寿命，即约63.2%累积失效对应的时刻。
• 对数正态分布：失效时间取对数后服从正态分布，常用于电迁移、腐蚀等由多种乘性随机因素叠加的退化失效。

选择分布不是数学偏好，而是对失效机理的假设。若PoF分析表明失效由磨损失效主导，却用指数分布拟合，会严重低估后期失效率。

失效率函数：连接物理机理与统计描述

失效率 λ(t)=f(t)/R(t)，表示“已存活到 t 时刻的样本在下一瞬间失效的条件概率密度”。浴盆曲线的三段——早期下降段、稳定段、上升段——分别对应筛选剔除缺陷、随机过应力、退化累积。威布尔分布下，λ(t)=(β/η)(t/η)^β-1，β 直接决定曲线单调性。因此，从寿命数据估计出的 β，本身就是对失效机理的统计判据：β>1 提示存在磨损或退化机理，应回到PoF层面寻找退化量。

加速模型：把高应力下的寿命外推到使用条件

加速试验的核心是建立应力 S 与特征寿命 η 的物理关系。常用模型包括：

• 阿伦尼乌斯模型：η=A·exp(Ea/kT)，适用于温度驱动的化学反应、扩散类失效，Ea 为激活能（eV），k 为玻尔兹曼常数。
• 逆幂律模型：η=C·S^-n，适用于电压、电流、机械应力驱动的失效，n 为加速指数。
• 艾林模型：同时含温度与另一应力项，适用于温度加湿度、温度加电压的组合应力。

加速因子 AF=η_use/η_stress。以阿伦尼乌斯为例，若 Ea=0.7 eV，使用温度 55℃（328 K），试验温度 125℃（398 K），则 AF=exp[(0.7/8.617×10^-5)(1/328−1/398)]≈exp(8.12×0.000536)≈78。这意味着试验中1小时约等效使用条件下78小时。该数值为示例假设，实际 Ea 必须由PoF机理或专项试验确定，不能随意套用。

退化建模：从“何时坏”到“退化到何种程度”

退化建模把失效重新定义为“退化量首次穿越失效阈值”。设退化量 D(t)，阈值 D_f，则寿命 T=inf{t:D(t)≥D_f}。常见退化路径包括线性、幂律和对数形式。以幂律退化 D(t)=a·t^b 为例，对两边取对数得 lnD=lna+b·lnt，可用最小二乘拟合出 a、b，再令 D(t)=D_f 反解伪失效时间 t_f=(D_f/a)^1/b。这样得到的 t_f 可当作寿命数据，再进入分布拟合与参数估计流程。这一步正是PoF与可靠性数学的关键接口：物理退化量被转换为统计寿命样本。

截尾数据：不能忽略的“未失效”信息

工程试验中大量样本在试验结束时仍未失效，这类数据称为右截尾。若直接丢弃，会高估失效率、低估寿命。正确做法是在似然函数中区分失效与截尾：

L = Π f(t_i)^δ_i · R(t_i)^(1-δ_i)
δ_i = 1 表示失效，δ_i = 0 表示截尾

对威布尔分布，f(t) 与 R(t) 代入后可用最大似然估计（MLE）求解 β、η。若样本量小，可用中位秩或修正秩回归作为初值。截尾比例越高，估计不确定度越大，应通过置信区间而非单点值判断结论。

PoF参数估计的衔接路径

把上述环节串起来，形成一条可执行的参数估计链：PoF分析确定主导机理与应力变量 → 选择加速模型 → 设计加速试验并采集退化量或失效时间 → 将退化量按阈值转换为伪失效时间 → 区分失效/截尾数据 → 选择寿命分布并做MLE → 得到 β、η 及加速因子 → 外推使用条件下的可靠度与寿命。每一步的输入都来自上一步的物理或统计输出，而不是孤立假设。

一个可复用的参数估计检查表

为避免“拿到数据就套软件”，建议按以下字段逐项确认，形成可追溯的估计记录：