4. 寿命分布模型选型

在电子器件失效率预计中，寿命分布模型决定了“失效概率随时间如何变化”这一核心规律。选错分布，即使参数拟合得再好，外推到工作寿命末端也可能产生数倍甚至数量级的误差。本节不推导公式，而是聚焦一个工程判断问题：拿到一组失效数据或一条已知的失效机理，应该选哪个分布？

四种分布各有其“形状基因”。指数分布只有失效率一个参数，其失效率恒定，适合描述随机突发失效；威布尔分布通过形状参数 β 控制失效率的单调走向，是电子器件最通用的模型；对数正态分布擅长描述“先升后降”的失效密度，常见于磨损与裂纹类机理；伽马分布则用两个参数刻画多阶段累积损伤，适合描述由若干独立子过程叠加而成的失效。

一、指数分布：恒定失效率的“随机失效”模型

指数分布的失效率 λ(t)=λ 为常数，可靠度 R(t)=e^−λt。它只有一个参数，物理含义明确：失效完全随机，与已工作时间无关，即“无记忆性”。在电子器件中，指数分布适用于浴盆曲线的底部平坦段——器件经过早期筛选后进入偶然失效期，此时失效由随机过应力、宇宙射线、静电等外部偶发因素触发，而非内部磨损累积。

典型场景包括：已通过老化筛选的集成电路、电阻、电容在稳定工作期的失效率预计；MIL-HDBK-217 和 GJB/Z 299 中大量器件的“基本失效率”模型本质上就是指数分布假设。选型判据很直接：若失效时间数据在指数概率纸上近似为一条直线，或失效率随时间的散点图没有明显上升/下降趋势，就应优先考虑指数分布。

二、威布尔分布：最通用的“形状可调”模型

威布尔分布的失效率 λ(t)=(β/η)(t/η)^β−1，其中 β 为形状参数，η 为尺度参数（特征寿命）。β 的取值直接决定失效机理：

• β < 1：失效率随时间递减，对应早期失效或筛选期，缺陷器件逐渐被淘汰；
• β = 1：退化为指数分布，失效率恒定；
• β > 1：失效率随时间递增，对应磨损、疲劳、介质击穿等累积损伤机理；
• β ≈ 3.5：接近正态分布，常用于描述机械磨损类失效。

威布尔分布之所以成为电子器件可靠性工程的首选，是因为它用两个参数覆盖了浴盆曲线的全部三个阶段，且对数据量要求相对宽松。实操中，将失效时间 t_i 与中位秩 F_i=(i−0.3)/(n+0.4) 配对，在威布尔概率纸上描点，若呈直线则说明威布尔拟合成立，直线斜率即 β，由 β 和 η 可外推任意工作时间的可靠度。例如某批次 MOSFET 的栅氧击穿数据拟合得 β=2.1、η=8500 h，则工作 2000 h 的可靠度 R=e^{−(2000/8500)2.1}≈0.95，说明该器件在 2000 h 内约有 5% 的击穿风险。

三、对数正态分布：先升后降的“磨损与裂纹”模型

对数正态分布假设失效时间的对数服从正态分布，其失效密度函数呈右偏钟形，失效率表现为先上升后下降。这一形态与许多物理退化过程高度吻合：裂纹扩展、金属迁移、腐蚀、接触磨损等机理在初期缓慢累积，中期加速，后期因已失效器件退出而失效率回落。

对数正态分布特别适合描述由“最弱环节”控制的失效，例如焊点热疲劳、键合线断裂、连接器插拔磨损。其参数为对数均值 μ 和对数标准差 σ，σ 越大表示失效时间越分散。选型时，若失效数据在正态概率纸上对 ln t 呈直线，或失效密度直方图明显右偏且峰值不在 t=0 处，应优先考虑对数正态分布。需要注意的是，对数正态分布不适用于早期失效占主导的数据，因为其失效率在 t→0 时趋于零，与早期失效“先高后低”的特征相反。

四、伽马分布：多阶段累积损伤的“叠加”模型

伽马分布可视为 k 个独立同分布的指数过程之和，形状参数 k 表示“阶段数”，尺度参数 θ 表示每阶段的平均时间。当 k 为整数时，伽马分布描述的是“第 k 次冲击才失效”的累积过程；当 k 连续取值时，它比威布尔分布更灵活地刻画失效率的渐变。

在电子器件中，伽马分布适用于由多个独立子过程串联导致的失效，例如：多层陶瓷电容中多片介质先后击穿、功率模块中多个焊层依次退化、存储器中多个存储单元累积损伤。若已知失效由 k 个近似独立的退化阶段构成，且各阶段时间近似指数分布，则总寿命服从伽马分布。选型判据是：失效机理可分解为若干可辨识的累积阶段，且数据在伽马概率纸上拟合优于威布尔。

五、选型对照与实操建议

总结来说，指数分布对应“无记忆”的随机失效，威布尔分布是覆盖最广的通用模型，对数正态分布刻画“先升后降”的磨损类机理，伽马分布描述多阶段累积损伤。选型的核心不是数学复杂度，而是失效物理机理与数据形态是否匹配。在实际工程中，建议以威布尔分布为默认起点，根据 β 的估计值和拟合残差判断是否需要切换到对数正态或伽马分布，从而在寿命预计中获得更可信的外推结果。