3. 可靠性增长测试的数学基础
可靠性增长测试的核心任务，是用试验中不断累积的失效数据去回答两个问题：产品的失效规律服从什么分布，以及这种规律是否随时间在改善。前者依赖寿命模型，后者依赖趋势检验与拟合优度检验，最终通过参数估计把数据压缩成可比较、可外推的指标。本节围绕指数分布、威布尔分布、伽马分布三类常用模型，说明它们的适用边界、检验方法和参数估计过程。
一、三类寿命模型的分工
指数分布是最简单的寿命模型，其失效率为常数 λ，可靠度 R(t)=e^(−λt)，平均寿命 θ=1/λ。它适用于失效由随机偶然因素主导、且经过早期筛选后失效率趋于稳定的阶段。在增长测试中，指数分布常作为“无增长”的基准假设：若数据能用单一指数分布很好拟合，说明试验期间没有明显的可靠性增长。
威布尔分布引入形状参数 β 和尺度参数 η，可靠度 R(t)=e^(−(t/η)^β)。β<1 对应早期失效（失效率下降），β=1 退化为指数分布，β>1 对应耗损失效（失效率上升）。增长测试中更常用的是非齐次泊松过程（NHPP）的幂律模型，其累积失效数期望为 m(t)=λt^β，瞬时失效强度 ρ(t)=λβt^(β−1)。当 β<1 时失效强度递减，即可靠性在增长；β=1 时退化为指数分布；β>1 则说明产品在退化。因此 β 是否显著小于 1，本身就是增长趋势的量化判据。
伽马分布由形状参数 α 和尺度参数 β 描述，常用来刻画“到第 r 次失效的累积时间”或具有累积损伤特征的寿命。在增长测试中，伽马分布更多用于贝叶斯框架下作为失效率的先验/后验分布，或用于描述多失效模式叠加后的寿命。它的灵活性介于指数与威布尔之间，但参数解释不如威布尔直观，工程上通常作为补充模型而非首选。
二、增长趋势检验：先判断“有没有增长”
在拟合任何模型之前，必须先确认数据中存在增长趋势，否则参数估计没有意义。工程上最常用的是Laplace 中心检验。设 n 个失效时刻为 t₁≤t₂≤…≤tₙ，构造统计量：
U = [ Σ(i=1..n-1) t_i / (n-1) − t_n / 2 ] / [ t_n · sqrt( 1 / (12(n-1)) ) ]其含义是：把前 n−1 个失效时刻的平均值与总试验时间的一半作比较。若失效越来越稀疏（后期失效少），前段平均时刻偏小，U 为负，说明可靠性在增长；U 接近 0 表示失效强度恒定；U 为正则表示退化。在显著性水平 α=0.05 下，|U|>1.96 即认为趋势显著。
例如某机载电源模块累计试验 500 小时，记录到 8 次失效，时刻（小时）为 12、35、68、110、165、240、330、470。计算前 7 个时刻均值约 137.1，t₈/2=235，t₈·sqrt(1/84)≈51.3，得 U≈(137.1−235)/51.3≈−1.91。|U|略小于 1.96，处于临界，说明有增长迹象但样本量偏小，需继续累积数据。这个例子说明：趋势检验的结论对样本量敏感，不能仅凭一次检验就下结论。
当失效数据呈分组（区间）形式时，可用图检验：以累积试验时间为横轴、累积失效数为纵轴，若曲线向下凹（斜率递减），则支持增长；也可在对数坐标下观察是否近似直线，以判断幂律模型是否合适。
三、拟合优度检验：模型选得对不对
趋势确认后，需要判断数据是否真的服从所选的寿命模型。常用方法有三类：
- 卡方检验：把时间轴分成 k 个区间，比较各区间观测频数与理论频数，统计量 χ²=Σ(Oᵢ−Eᵢ)²/Eᵢ，自由度 k−1−参数个数。适合大样本。
- Kolmogorov–Smirnov 检验：比较经验分布函数与理论分布函数的最大偏差 Dₙ，适合连续数据，但对尾部差异不敏感。
- Cramér–von Mises 检验：对整体偏差加权，在可靠性增长分析中常与 NHPP 幂律模型配合使用，对中小样本较稳健。
判断原则是：p 值大于显著性水平（如 0.05）时不拒绝该模型；若多个模型都不被拒绝，则优先选择参数更少、物理意义更清晰的模型。需要强调的是，拟合优度检验只能说明“数据与模型不矛盾”，不能证明模型正确，因此必须结合失效机理分析。
四、参数估计：从数据到指标
最常用的是极大似然估计（MLE）。以 NHPP 幂律模型为例，给定失效时刻 t₁,…,tₙ，对数似然函数为：
ln L(λ,β) = n·ln λ + n·ln β + (β−1)·Σ ln t_i − λ·t_n^β对 λ 和 β 求偏导并令其为零，可得 β 的估计满足：
n/β + Σ ln t_i − n·(Σ t_i^β · ln t_i) / (Σ t_i^β) = 0该方程无解析解，需用牛顿迭代或二分法数值求解；求得 β̂ 后，λ̂ = n / t_n^β̂。若 β̂<1 且置信区间上限小于 1，则增长趋势在统计上成立。对于威布尔分布，形状参数 β 与尺度参数 η 同样通过 MLE 或最小二乘拟合（在威布尔概率纸上作直线回归）获得；后者计算简单，适合现场快速评估，但精度略低于 MLE。
当样本量很小（如 n<5）时，MLE 偏差较大，此时可采用贝叶斯估计：为 λ 或 β 选取共轭先验（伽马分布常作为指数分布失效率的先验），结合试验数据得到后验分布，再取后验均值或中位数作为估计值。这种方法能把历史型号数据或工程经验纳入，适合航空航天小样本增长试验。
五、应用边界与注意事项
三类模型各有边界。指数分布不能描述失效强度变化，若数据明显增长却强行用指数分布，会低估后期可靠性；威布尔/NHPP 幂律模型假设失效强度单调变化，若产品经历“先降后升”的浴盆曲线，单一 β 无法拟合，需分段建模；伽马分布参数物理意义不直观，工程沟通成本高。此外，趋势检验和拟合优度检验都要求失效数据独立、试验条件一致，若中途更改设计或测试剖面，数据必须分段处理，否则检验结论会被污染。参数估计给出的置信区间宽度直接反映样本量是否充足，区间过宽时不宜直接用于外推。