📚 课程目录第2章可靠性分析基础

2、可靠性分析基础：可靠度、失效率、平均无故障时间（MTBF）、寿命分布等核心概念与常用术语

可靠性工程的核心在于回答三个问题：产品在给定时间内不失效的概率是多少？失效发生的速率有多快？平均而言，产品能正常工作多长时间？这三个问题分别对应可靠度函数 R(t)、失效率函数 λ(t) 和平均无故障时间 MTBF。在蒙特卡洛仿真中，这些概念不仅是输入参数的来源，更是仿真结果输出的评价基准。理解这些术语的数学定义、工程含义与相互推导关系，是构建有效仿真模型的前提。

2.1 可靠度与不可靠度：时间维度上的生存概率

核心原理：可靠度 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。数学上，若 T 表示产品失效时间（随机变量），则 R(t) = P(T > t)。与之对应，不可靠度 F(t) = P(T ≤ t) = 1 - R(t)，即累积失效概率。F(t) 的导数即为失效概率密度函数 f(t) = dF(t)/dt，它描述了失效时间在某个时刻附近的集中程度。

工程理解：可靠度是一个随时间递减的函数，R(0) = 1（初始时刻全部正常），R(∞) = 0（最终全部失效）。在工程实践中，我们更关心特定时间点的可靠度，例如"设计寿命 10 年时可靠度不低于 0.95"。蒙特卡洛仿真中，可靠度通常作为仿真输出的统计量——通过大量随机抽样模拟产品寿命，统计在目标时刻 t 时仍未失效的样本比例，即为 R(t) 的仿真估计值。

  关键公式：

  R(t) = 1 - F(t) = ∫t∞ f(τ) dτ

  当寿命服从指数分布时：R(t) = e-λt，其中 λ 为恒定失效率。

2.2 失效率函数：瞬时失效风险的量化

核心原理：失效率 λ(t) 表示产品工作到 t 时刻尚未失效的条件下，在 t 时刻后的单位时间内发生失效的条件概率密度。数学定义为：λ(t) = f(t) / R(t)。失效率与可靠度的关系为：R(t) = exp[-∫₀ᵗ λ(τ) dτ]。当 λ(t) 为常数 λ 时，退化为指数分布。

浴盆曲线：大多数电子和机械产品的失效率随时间呈现"浴盆"形状：早期失效期（λ 递减，由制造缺陷、装配不良引起）、随机失效期（λ 近似恒定，由偶然过应力引起）、耗损失效期（λ 递增，由磨损、老化、腐蚀引起）。这一曲线对蒙特卡洛仿真的参数设定至关重要——不同生命周期阶段应采用不同的失效率模型。

阶段	失效率趋势	主要成因	仿真建模建议
早期失效期	递减	制造缺陷、焊接不良、筛选不充分	采用威布尔分布（形状参数 β < 1）
随机失效期	近似恒定	随机过应力、环境突变	采用指数分布（λ 恒定）
耗损失效期	递增	磨损、疲劳、材料老化	采用正态分布或威布尔分布（β > 1）

2.3 MTBF 与 MTTF：平均寿命的两种度量

核心原理：MTBF（Mean Time Between Failures）指可修复产品相邻两次故障之间的平均工作时间；MTTF（Mean Time To Failure）指不可修复产品从开始工作到发生失效的平均时间。对于指数分布，MTBF = MTTF = 1/λ。一般地，MTBF = ∫₀^∞ R(t) dt。需要注意的是，MTBF 并不等于"寿命保证期"，它只是一个统计平均值，实际寿命可能远小于或远大于 MTBF。

工程误区：许多工程师将 MTBF 误解为"产品至少能工作这么长时间"。实际上，对于指数分布，产品工作到 MTBF 时刻的可靠度仅为 e⁻¹ ≈ 0.368，即约 63.2% 的产品会在 MTBF 之前失效。这一反直觉结论在可靠性教学中反复强调，但在工程实践中仍频繁被误用。

重要提醒：MTBF 是统计期望值，不是保证寿命。在制定维修策略或质保期时，应基于可靠度目标（如 R(5年) ≥ 0.95）而非 MTBF 值。蒙特卡洛仿真可以直观展示寿命分布的全貌，帮助纠正这一认知偏差。

2.4 常用寿命分布及其适用场景

指数分布：唯一具有"无记忆性"的连续分布，适用于随机失效期。其失效率恒定，数学处理简便，是可靠性工程中最基础的分布。但实际产品往往存在耗损机理，因此指数分布的使用范围有限。

威布尔分布：通过形状参数 β 灵活描述递增（β>1）、恒定（β=1）或递减（β<1）失效率，是工程上最通用的寿命分布。其可靠度函数为 R(t) = exp[-(t/η)^β]，其中 η 为特征寿命（R(η) = e⁻¹）。

正态分布：适用于磨损、疲劳等耗损失效，失效时间围绕均值对称分布。对数正态分布则适用于半导体迁移、裂纹扩展等乘积型失效机理。

分布类型	概率密度函数 f(t)	失效率 λ(t)	典型应用场景
指数分布	λe^-λt	λ（恒定）	电子元件随机失效期
威布尔分布	(β/η)(t/η)^β-1e^{-(t/η)^β}	(β/η)(t/η)^β-1	机械零件、轴承、绝缘材料
正态分布	(1/σ√2π)exp[-(t-μ)²/2σ²]	递增（t 接近 μ 时加速）	磨损、疲劳、老化
对数正态分布	(1/tσ√2π)exp[-(ln t-μ)²/2σ²]	先增后减	半导体失效、维修时间

2.5 案例拆解：某型工业传感器寿命数据分析

背景与目标：某工业传感器制造商收集了 200 台产品在加速老化试验中的失效时间数据（单位：小时），希望通过可靠性分析确定产品的 MTBF 和 2 年（17520 小时）可靠度，为质保策略提供依据。

初始现象：初步统计显示，样本平均失效时间为 42000 小时，但直方图呈现明显右偏，且早期失效较多。若直接按指数分布计算，MTBF = 42000 小时，R(17520) = e^-17520/42000 ≈ 0.66，即 2 年可靠度仅约 66%。

分析判断过程：通过概率图（Weibull 概率纸）拟合，发现数据更符合威布尔分布，形状参数 β = 1.8（>1，表明存在耗损机理），特征寿命 η = 47000 小时。此时 R(17520) = exp[-(17520/47000)^1.8] ≈ exp[-0.183] ≈ 0.833，即 2 年可靠度约 83.3%，明显高于指数分布假设下的估计。

实际操作步骤：

对失效时间数据进行排序，计算经验可靠度 R̂(tᵢ) = 1 - i/(n+1)；
在威布尔概率纸上绘制 ln(t) 与 ln[-ln(R)] 的关系图，拟合直线斜率即为 β；
由截距计算 η，并进行拟合优度检验（如 Anderson-Darling 检验）；
将拟合参数代入蒙特卡洛仿真模型，生成 10000 组随机寿命样本，统计目标时刻可靠度。

结果对比与复盘：指数分布假设低估了 2 年可靠度约 17 个百分点，可能导致质保策略过于保守（增加成本）或过于激进（增加风险）。威布尔分布更准确地反映了产品早期失效少、后期耗损加速的实际规律。蒙特卡洛仿真进一步揭示了寿命分布的离散程度——10% 分位数约为 18000 小时，意味着仍有 10% 的产品在 2 年内失效，这为制定分级质保策略提供了量化依据。

经验总结：在可靠性分析中，切勿盲目假设指数分布。应先通过概率图或拟合优度检验确定寿命分布类型，再计算 MTBF 和可靠度。蒙特卡洛仿真的优势在于可以灵活嵌入任意分布模型，并输出完整的寿命分布直方图、可靠度曲线和置信区间。

2.6 常见误区与复盘要点

误区一：将 MTBF 等同于使用寿命。如前所述，MTBF 是平均值，不代表保证时间。正确做法是同时给出可靠度-时间曲线，让决策者看到完整风险图景。

误区二：忽略失效率的时变性。许多简化分析假设 λ 恒定，但实际产品在耗损期失效率显著上升。蒙特卡洛仿真可以分段定义失效率模型，或直接采用威布尔等非恒定失效率分布。

误区三：混淆 MTBF 与 MTTF。对于可修复系统，MTBF 包含修复时间；对于一次性产品（如弹药、保险丝），应使用 MTTF。在仿真建模时需明确系统类型。

误区四：样本量不足时强行拟合分布。小样本下分布拟合的置信区间很宽，应结合工程经验和同类产品数据，采用贝叶斯方法或 Bootstrap 重采样技术评估不确定性。

复盘要点：可靠性分析不是一次性的计算，而是一个迭代过程。建议在蒙特卡洛仿真中同时输出 R(t) 曲线、λ(t) 曲线和寿命分布直方图，并设置灵敏度分析模块，考察分布参数变化对可靠度指标的影响。这有助于识别系统中最薄弱的环节，为设计改进提供方向。