2、可靠性基础概念：可靠度、失效概率、失效密度、失效率、平均无故障时间（MTBF）、平均修复时间（MTTR）等核心术语及其关系
可靠性工程的核心在于用数学语言精确描述“产品在规定的条件下和规定的时间内完成规定功能的能力”。这一定义看似简单，但落实到测试数据统计分析中，需要将抽象的“能力”转化为可测量、可计算、可比较的量化指标。本章将系统梳理可靠度、失效概率、失效密度、失效率、MTBF、MTTR这六大核心术语，厘清它们之间的数学关系与工程含义，为后续的寿命试验设计、数据拟合和可靠性评估打下坚实基础。
2.1 核心原理：从概率定义到寿命分布
可靠性工程中，所有指标都源于对随机失效过程的概率描述。设 T 为产品从开始工作到首次失效的时间（即寿命随机变量），则可靠度 R(t) 定义为产品在时间 t 内正常工作的概率，即 R(t) = P(T > t)。相应地，失效概率 F(t)（也称不可靠度）为 F(t) = P(T ≤ t)，显然 R(t) + F(t) = 1。失效密度 f(t) 是 F(t) 的导数，描述失效发生在 t 时刻附近的“瞬时概率密度”。失效率 λ(t) 则是在 t 时刻尚未失效的产品中，单位时间内发生失效的条件概率，其数学表达式为 λ(t) = f(t) / R(t)。
这五个指标构成了可靠性分析的基本框架。其中，失效率 λ(t) 是工程上最直观的指标，因为它直接反映了产品在不同寿命阶段的失效风险。典型的“浴盆曲线”将产品寿命分为三个阶段：早期失效期（λ 递减，多由制造缺陷引起）、偶然失效期（λ 近似常数，是产品的最佳工作期）、耗损失效期（λ 递增，由老化、磨损导致）。在偶然失效期，λ(t) 近似为常数 λ，此时可靠度退化为指数形式 R(t) = e^(-λt)，这也是 MTBF 计算的基础。
2.2 判断方法与操作流程：如何从测试数据中提取指标
在实际测试中，我们通常通过寿命试验或加速寿命试验获得失效时间数据，然后采用统计方法估计上述指标。标准流程如下：
- 数据收集：记录每个样本的失效时间 t₁, t₂, ..., tₙ，或记录截尾数据（如定时截尾、定数截尾）。
- 经验分布估计：对 n 个样本，将失效时间排序后，用中位秩公式估计 F(tᵢ) ≈ (i - 0.3) / (n + 0.4)，进而得到 R(tᵢ) = 1 - F(tᵢ)。
- 分布拟合：将数据点绘制在概率纸上（如 Weibull 概率纸），或使用极大似然估计（MLE）拟合 Weibull、指数、对数正态等分布模型。
- 参数求解：以 Weibull 分布为例，其可靠度函数为 R(t) = exp[-(t/η)^β]，其中 η 为尺度参数（特征寿命），β 为形状参数。通过 MLE 或最小二乘法求得 η 和 β。
- 指标计算：根据拟合的分布函数，直接计算 R(t)、F(t)、f(t)、λ(t) 以及 MTBF = ∫₀^∞ R(t)dt。
对于可修复产品，MTBF 的估计更为直接：MTBF = 累计工作时间 / 失效次数。但需注意，只有当失效率近似常数时，MTBF 才具有明确的物理意义；若产品处于耗损期，MTBF 会随时间变化，此时应使用 B10 寿命（可靠度为 90% 时对应的寿命）等分位数指标。
| 指标 | 数学定义 | 工程含义 | 典型应用场景 |
|---|---|---|---|
| 可靠度 R(t) | P(T > t) | t 时刻正常工作的概率 | 保修期设计、安全评估 |
| 失效概率 F(t) | 1 - R(t) | t 时刻前失效的累积比例 | 批次合格率判定 |
| 失效密度 f(t) | dF(t)/dt | 失效时间分布的“直方图” | 识别失效模式集中区间 |
| 失效率 λ(t) | f(t)/R(t) | 瞬时失效风险速率 | 浴盆曲线分析、预防性维护 |
| MTBF | ∫₀^∞ R(t)dt | 可修复产品平均无故障工作时间 | 系统可用性评估、备件预测 |
| MTTR | 总修复时间/修复次数 | 平均修复时间（含检测、拆卸、更换、调试） | 维修性设计、可用度计算 |
2.3 案例拆解：通信电源模块的可靠性评估
背景与约束：某通信设备厂商对其 48V 通信电源模块进行可靠性验证。该模块要求 5 年（43800 小时）内可靠度不低于 0.95，且可修复，现场维护条件为平均修复时间不超过 2 小时。由于 5 年寿命试验不现实，采用加速寿命试验（温度加速，激活能 Ea = 0.7eV，加速因子 AF = 20）。
试验设计与数据：抽取 30 个样本，在加速条件下运行 3000 小时（等效 60000 小时），记录到 8 个失效，失效时间（等效后）分别为：12000, 18500, 23000, 27500, 31000, 34000, 36500, 39000 小时。其余 22 个样本在 60000 小时截尾时未失效。
分析过程：首先，采用 Weibull 分布进行拟合。使用 MLE 估计得到形状参数 β = 2.1（大于 1，表明产品处于耗损期，失效率随时间递增），尺度参数 η = 52000 小时。由此计算：
- 可靠度 R(43800) = exp[-(43800/52000)^2.1] = exp(-0.687) ≈ 0.503，远低于 0.95 的目标。
- MTBF = η × Γ(1 + 1/β) = 52000 × Γ(1.476) ≈ 52000 × 0.886 ≈ 46072 小时。
- 失效率 λ(43800) = (β/η) × (t/η)^(β-1) = (2.1/52000) × (43800/52000)^1.1 ≈ 4.04e-5 × 0.82 ≈ 3.31e-5 /小时。
结果与决策：该模块未达到 5 年可靠度 0.95 的要求。进一步分析发现，失效主要集中在电解电容和功率 MOSFET 的焊点疲劳。工程团队采取三项改进：① 将电解电容更换为高分子固态电容；② 优化 MOSFET 散热布局，降低结温 15°C；③ 在 PCB 焊盘设计中增加应力释放孔。改进后重新试验，β 降至 1.2，η 提升至 88000 小时，R(43800) = exp[-(43800/88000)^1.2] ≈ 0.96，满足要求。
复盘经验：① 当 β > 1 时，MTBF 会高估产品在早期和中期寿命段的可靠性，必须结合 B10 寿命评估；② 加速寿命试验的加速因子假设对结果影响极大，需通过多组温度水平验证 Ea 的合理性；③ 可靠性改进应优先针对耗损型失效模式，而非随机失效。
2.4 常见误区与总结复盘
误区一：混淆失效率与失效密度。失效密度 f(t) 描述所有样本中失效发生的速率，而失效率 λ(t) 描述“幸存者”中的失效速率。在早期失效期，f(t) 可能很高，但由于大量样本已失效，λ(t) 反而较低；反之，在耗损期，f(t) 可能不高，但幸存样本的 λ(t) 急剧上升。
误区二：忽视 MTTR 对可用度的影响。可用度 A = MTBF / (MTBF + MTTR)。当 MTBF 很高时，MTTR 的影响似乎很小，但对于高可用性系统（如通信基站要求 99.999% 可用度），MTTR 必须严格控制。例如，若 MTBF = 10000 小时，要达到 99.999% 可用度，MTTR 必须 ≤ 0.1 小时（6 分钟），这对模块化设计和热插拔维护提出了极高要求。
误区三：将指数分布套用到所有产品。指数分布假设失效率恒定，仅适用于偶然失效期。对于机械产品、功率半导体等存在磨损机理的产品，必须使用 Weibull 或其他分布。判断方法：在 Weibull 概率纸上，若数据点呈直线且斜率 β ≈ 1，则指数分布适用；若斜率明显大于 1，则存在耗损机理。
误区四：忽略置信区间。基于有限样本估计的 MTBF 或可靠度只是点估计，必须给出置信区间。例如，30 个样本、8 个失效时，MTBF 的 90% 置信区间可能为 [32000, 68000] 小时，跨度极大。在测试方案设计阶段，应通过样本量计算公式（基于期望的置信水平和允许误差）确定所需样本数。