📚 课程目录第3章可靠性度量与指标

3、可靠性度量与指标：可靠度函数、累积失效概率、寿命分布（指数、威布尔、正态）及其工程应用

可靠性不是一种模糊的“感觉”，而是一组可以被量化、计算和验证的数学指标。在电子产品从设计定型到批量交付的全过程中，可靠性度量指标是连接试验数据与工程决策的桥梁。本章将系统讲解可靠度函数、累积失效概率的定义与数学关系，并深入剖析指数分布、威布尔分布、正态分布三种寿命模型在电子行业中的适用场景与工程应用方法。理解这些指标的本质，是制定加速试验方案、评估产品寿命、进行失效分析的前提。

3.1 可靠度函数与累积失效概率：可靠性的“语言”

3.1.1 核心原理：从概率视角定义可靠性

可靠度函数 R(t) 定义为产品在规定的条件下、规定的时间内完成规定功能的概率，数学表达式为 R(t) = P(T > t)，其中 T 为产品失效时间这一随机变量。与之互补的累积失效概率 F(t) = P(T ≤ t) = 1 - R(t)，表示产品在时间 t 之前失效的概率。两者构成完备的概率空间，且满足 R(0) = 1、R(∞) = 0 的边界条件。在实际工程中，我们通常用可靠度函数来描述产品“存活”的能力，用累积失效概率来评估风险。

进一步地，失效概率密度函数 f(t) = dF(t)/dt 描述了失效时间分布的“形状”，而失效率函数 λ(t) = f(t)/R(t) 则刻画了在 t 时刻尚未失效的产品，在下一个瞬间发生失效的条件概率。失效率是工程中最直观的指标——它直接对应浴盆曲线的三个区域：早期失效期（λ递减）、随机失效期（λ近似常数）、耗损失效期（λ递增）。

3.1.2 判断方法：如何从试验数据估计可靠度

在工程实践中，我们无法获知理论上的真实可靠度，只能通过样本数据进行估计。常用的非参数估计方法为Kaplan-Meier法（乘积极限法），适用于小样本且存在删失数据（如试验中途撤出或未失效）的场景。其核心公式为：

R̂(t) = ∏(1 - dᵢ/nᵢ)  对所有 tᵢ ≤ t

其中 dᵢ 为 tᵢ 时刻的失效数，nᵢ 为 tᵢ 时刻之前仍处于风险集中的产品数。对于大样本定时截尾试验，可采用简单经验公式 R̂(t) = (N - r(t)) / N，其中 N 为投入试验总数，r(t) 为 t 时刻前累计失效数。需要注意的是，当样本量小于 20 时，应优先采用中位秩公式 F̂(t) = (i - 0.3) / (N + 0.4) 来估计累积失效概率，以减小偏差。

3.1.3 案例拆解：通信电源模块的可靠性初估

某通信设备厂商对 50 台电源模块进行 1000 小时的可靠性验证试验，试验中记录到 5 台失效，失效时间分别为 120h、230h、410h、560h、780h，其余 45 台在 1000h 时仍未失效（右删失）。采用 Kaplan-Meier 法计算：

t=120h：R̂(120) = 1 - 1/50 = 0.98
t=230h：R̂(230) = 0.98 × (1 - 1/49) = 0.96
t=410h：R̂(410) = 0.96 × (1 - 1/48) ≈ 0.94
t=560h：R̂(560) = 0.94 × (1 - 1/47) ≈ 0.92
t=780h：R̂(780) = 0.92 × (1 - 1/46) ≈ 0.90

由此可得 1000h 时的可靠度估计为 0.90，即 90% 的电源模块可期望工作超过 1000 小时。该结果可作为后续寿命分布拟合的基础数据。复盘要点：删失数据的处理方式直接影响估计精度，不能简单地将未失效产品视为“安全”，而应保留其风险集贡献。

经验提醒：在工程报告中，可靠度估计必须同时给出置信区间。小样本下采用精确置信限（如 Clopper-Pearson 法），大样本可采用正态近似。仅给出点估计而不给出区间，容易导致决策误判。

3.2 指数分布：电子元器件的“恒定失效率”模型

3.2.1 核心原理与适用边界

指数分布是可靠性工程中最基础的寿命分布，其概率密度函数为 f(t) = λe^(-λt)（t ≥ 0），可靠度函数 R(t) = e^(-λt)，失效率 λ(t) = λ 为常数。指数分布的核心特征是无记忆性——产品在 t 时刻的剩余寿命与已工作的时间无关。这一特性使得指数分布成为电子元器件随机失效阶段的理想模型，也是 MTBF（平均无故障时间）= 1/λ 的理论基础。

然而，指数分布仅适用于描述浴盆曲线的底部（随机失效期）。对于存在明显磨损、老化或早期失效的产品，直接套用指数分布会严重低估或高估可靠性。例如，机械继电器在 10 万次动作后失效率显著上升，此时指数分布不再适用。

3.2.2 工程应用：MTBF 验证与置信推断

在电子产品可靠性验证中，指数分布下的 MTBF 验证试验方案已标准化（如 GJB 899A、MIL-HDBK-781）。定时截尾试验中，若总试验时间 T（所有样品累计工作时间）内发生 r 次失效，则 MTBF 的点估计为 T/r。给定置信水平 γ 时，MTBF 的置信下限为：

MTBF_L = 2T / χ²(γ, 2r+2)

其中 χ² 为卡方分布的分位数。例如，某路由器产品要求 MTBF ≥ 50000h，置信水平 80%。若投入 100 台样品试验 2000h（总试验时间 200,000h），允许失效数 r 需满足 2×200000 / χ²(0.8, 2r+2) ≥ 50000，即 χ²(0.8, 2r+2) ≤ 8。查表可得 r ≤ 2，即试验中最多允许 2 台失效。

3.2.3 常见误区与复盘

误区一：将指数分布外推到耗损期。某 SSD 厂商用指数分布预测 5 年寿命，但未考虑 NAND 闪存的写磨损效应，导致实际返修率远高于预测。误区二：忽略早期失效筛选。指数分布假设产品已进入随机失效期，若未进行老化筛选，早期失效数据会污染 MTBF 估计。正确做法是：先进行 100% 高温老化筛选，剔除早期失效后，再对剩余产品进行指数分布建模。

风险提示：指数分布的无记忆性意味着“新品和旧品一样可靠”，这仅对电子元器件在随机失效期成立。对于含运动部件、电解电容、电池等耗损型器件的系统，必须谨慎使用指数分布，否则会得出“越用越可靠”的错误结论。

3.3 威布尔分布：加速试验与寿命预测的“万能钥匙”

3.3.1 核心原理：三参数与两参数模型

威布尔分布因其形状参数 β 的灵活性，能够描述失效率递增（β>1）、恒定（β=1）和递减（β<1）三种形态，成为可靠性工程中应用最广泛的寿命分布。两参数威布尔分布的可靠度函数为：

R(t) = exp[-(t/η)^β]

其中 η 为特征寿命（63.2% 产品失效的时间），β 为形状参数。三参数威布尔分布引入位置参数 γ，表示最小保证寿命（在 γ 之前不会失效）。在加速试验中，威布尔分布的优势在于：通过阿伦尼斯模型或逆幂律模型将应力水平与特征寿命 η 关联，从而外推正常应力下的寿命。

3.3.2 判断方法：威布尔概率图与参数估计

工程中常用威布尔概率图来直观判断数据是否服从威布尔分布。将失效时间取自然对数 ln(t)，累积失效概率取双对数 ln[-ln(1-F(t))]，若数据点在坐标纸上呈线性关系，则表明服从威布尔分布，斜率即为 β，截距可求 η。参数估计可采用极大似然估计（MLE）或最小二乘回归。MLE 在小样本下偏差较小，推荐使用。

实际分析中，B10 寿命（累积失效概率达 10% 的时间）是工程决策的关键指标，计算公式为：

B10 = η × (-ln(0.9))^(1/β)

3.3.3 案例拆解：LED 驱动电源的高温加速寿命试验

背景与约束：某 LED 驱动电源厂商需在 3 个月内评估产品在 25°C 环境下的使用寿命，但正常寿命预计超过 5 年，无法通过实时试验完成。采用高温加速试验，选取 85°C、105°C、125°C 三个应力水平，每个水平投入 30 台样品。

关键数据与分析：试验结果经威布尔概率图检验，各应力水平下数据均呈良好线性，β 值分别为 2.1、2.3、2.2，可认为 β 不随应力变化（约为 2.2），符合威布尔分布假设。各应力水平的特征寿命 η 分别为 8500h、3200h、1100h。基于阿伦尼斯模型 ln(η) = A + B/T，拟合得到激活能 Ea = 0.78eV。

实际操作与结果：外推至 25°C（298K），计算得 η(25°C) ≈ 68000h。B10 寿命 = 68000 × (-ln(0.9))^(1/2.2) ≈ 68000 × 0.1054 ≈ 7167h，即 10% 的驱动电源在 25°C 下工作约 7167 小时（约 10 个月）后可能失效。该结果与客户要求的 B10 ≥ 5000h 相比，留有 43% 的裕量，产品通过验证。

复盘经验：加速试验的关键在于验证加速模型的有效性——三个应力水平下 β 的一致性检验必不可少。若 β 随应力显著变化，说明失效机理发生改变，外推结果不可信。此外，试验中需监控失效模式，确保高温下未引入新的失效机理（如焊料熔化、封装开裂）。

  工程要点：威布尔分布是加速试验的标准分析工具。当 β > 1 时，产品处于耗损期，加速因子 AF = (η_normal / η_stress) 可直接用于试验时间折算。例如，若 125°C 下试验 1000h 相当于 25°C 下工作 68000h，则加速因子 AF = 68。

3.4 正态分布：耗损老化失效的建模

3.4.1 核心原理与适用场景

正态分布（高斯分布）的失效密度函数为 f(t) = (1/(σ√(2π))) × exp[-(t-μ)²/(2σ²)]，其中 μ 为平均寿命，σ 为标准差。正态分布描述的是对称的耗损失效过程——产品在平均寿命附近集中失效，失效率随时间递增。典型应用场景包括：机械零件的疲劳寿命、热循环导致的焊点失效、电解电容的干涸失效、LED 光通量衰减等。

与威布尔分布相比，正态分布适用于失效时间围绕均值对称分布的场景。当 β 值在 3~4 之间时，威布尔分布与正态分布非常接近，此时选择哪种分布取决于物理失效机理和拟合优度检验结果。

3.4.2 判断方法与工程应用

正态概率图是判断数据是否服从正态分布的有效工具：将失效时间作为横轴，标准正态分位数作为纵轴，若数据点呈线性则服从正态分布。参数估计采用 MLE：μ̂ = (1/n)Σtᵢ，σ̂² = (1/n)Σ(tᵢ-μ̂)²。在工程应用中，正态分布常用于：

维修性分析：维修时间通常服从正态分布，用于制定备件策略和维修计划。
退化失效建模：当产品的性能参数（如光通量、电容值）随时间线性退化并达到阈值时，失效时间近似正态分布。
热循环试验：焊点在温度循环下的疲劳寿命常用正态分布或对数正态分布描述。

3.4.3 常见误区与总结

误区一：正态分布允许失效时间为负值。当 μ/σ < 3 时，正态分布会赋予负时间非零概率，这在物理上不合理。此时应改用对数正态分布或威布尔分布。误区二：忽视截尾数据。正态分布的参数估计对删失数据敏感，若试验中有大量未失效样品，直接计算均值和标准差会严重低估 μ 和 σ。正确做法是使用适用于删失数据的 MLE 方法。

3.5 三种寿命分布的对比与选型决策

对比维度	指数分布	威布尔分布	正态分布
失效率形态	常数 λ	β<1 递减；β=1 常数；β>1 递增	递增（耗损期）
适用阶段	随机失效期（浴盆曲线底部）	全寿命周期（灵活适配）	耗损失效期
典型对象	半导体器件、电阻、电容（随机失效）	机械磨损、加速试验、复杂系统	热循环焊点、电解电容干涸、维修时间
关键参数	λ 或 MTBF=1/λ	形状参数 β、特征寿命 η	均值 μ、标准差 σ
工程输出	MTBF 验证、可靠性预计	B10 寿命、加速因子 AF	平均寿命、维修策略
局限性	无记忆性，不适用于耗损期	参数估计需足够样本	允许负时间，需 μ/σ ≥ 3

3.5.1 选型决策流程

明确失效机理：通过失效分析（FMEA、故障树）判断产品处于哪个失效阶段。
绘制概率图：分别用威布尔概率图、正态概率图、指数概率图拟合数据，观察线性度。
拟合优度检验：采用 Anderson-Darling 或 Kolmogorov-Smirnov 检验，选择 p 值最大的分布。
物理合理性验证：检查参数是否符合物理规律（如 β 是否在预期范围、激活能是否合理）。
工程决策：根据选定的分布计算 B10 寿命、MTBF、可靠度等指标，用于设计评审和试验方案制定。

风险提示：分布选型错误是可靠性评估中最常见的系统性错误。例如，将威布尔分布（β=3.5）的数据强行用指数分布拟合，会导致 MTBF 估计偏差超过 200%。务必以概率图和拟合优度检验为依据，而非凭经验“默认”使用指数分布。

3.6 本章总结与工程复盘

可靠性度量指标构成了电子产品可靠性工程的数学基础。可靠度函数与累积失效概率是描述产品生存规律的基本语言；指数分布适用于电子元器件的随机失效期，是 MTBF 验证的标准工具；威布尔分布凭借形状参数的灵活性，成为加速寿命试验和寿命预测的首选模型；正态分布则聚焦于耗损老化失效的对称建模。在实际工程中，应遵循“失效机理分析 → 概率图拟合 → 拟合优度检验 → 参数估计 → 指标计算”的完整流程，避免“一刀切”地套用指数分布。