第2章：可靠性数学基础
各位工程师朋友，咱们今天聊聊可靠性数学。说实话，很多搞可靠性的人一听到数学就头疼。我刚开始也是这样，觉得搞懂那些概率分布有什么用？直到有一次，我在一个军工项目里，因为选错了失效分布模型，导致整个寿命评估偏差了30%以上。嗯，从那以后，我再也不敢小看这些数学基础了。
核心观点：可靠性数学不是纯理论，它是你判断产品寿命、制定维修策略、做风险评估的底层工具。说白了，不懂这些，你连MTBF怎么算出来的都说不清楚。
2.1 概率论基础回顾
咱们先快速过一下概率论里最常用的几个概念。你想想看，可靠性工程里，我们最关心的是啥？就是产品在某个时间点之前坏掉的概率，或者能撑到某个时间点之后的概率。
几个关键概念：
- 随机变量：在可靠性里，最常见的就是失效时间T。它是一个随机变量，因为同一批产品，每台的失效时间都不一样。
- 概率密度函数（PDF）：记作f(t)。它描述的是失效时间在某个瞬间的概率密度。我习惯把它理解为「失效的瞬时速率」。
- 累积分布函数（CDF）：记作F(t)。它表示产品在时间t之前失效的概率。F(t) = P(T ≤ t)。
- 可靠度函数：记作R(t)。它表示产品在时间t之后仍然正常工作的概率。R(t) = 1 - F(t)。
我的小习惯：每次拿到一个新产品的失效数据，我第一件事就是画它的可靠度曲线R(t)。曲线下降得越快，说明产品越「短命」。这个直觉判断，比盯着数字看有效得多。
2.2 常见失效分布
实际工程中，失效数据不会乖乖地符合某一种分布。但有三类分布，我几乎每天都在用。它们就像工具箱里的扳手、螺丝刀和锤子，各有各的用处。
2.2.1 指数分布
指数分布是可靠性里最简单的模型。它的特点是「无记忆性」——也就是说，一个产品如果已经工作了1000小时，它未来再工作1000小时的概率，和一个全新的产品工作1000小时的概率是一样的。
数学表达：
可靠度函数：R(t) = e^(-λt)
失效率函数：λ(t) = λ （常数）
其中 λ 是失效率，单位是 FIT（Failures In Time）适用场景：
- 电子元器件的随机失效期（浴盆曲线的底部）
- 系统级产品的早期失效筛选后
- 维修性分析中，修复时间的分布
我曾经踩过的坑：有一次，我把一个机械产品的寿命数据硬套指数分布，结果算出来的MTBF比实际高了3倍。后来才发现，机械产品通常有磨损期，失效率是随时间增加的，根本不能用指数分布。记住：指数分布只适用于失效率恒定的情况。
2.2.2 威布尔分布
威布尔分布是我个人最喜欢的分布。为什么？因为它太灵活了。通过调整形状参数β，它可以模拟出早期失效、随机失效、磨损失效三种不同的失效模式。
数学表达：
可靠度函数：R(t) = e^(-(t/η)^β)
失效率函数：λ(t) = (β/η) * (t/η)^(β-1)
其中 β 是形状参数，η 是尺度参数（特征寿命）β值的含义：
| β值 | 失效模式 | 典型场景 |
|---|---|---|
| β < 1 | 早期失效（失效率递减） | 制造缺陷、磨合期 |
| β = 1 | 随机失效（失效率恒定） | 等同于指数分布 |
| β > 1 | 磨损失效（失效率递增） | 机械磨损、疲劳 |
实战建议：拿到失效数据后，我建议你先用威布尔概率纸（或者软件里的威布尔拟合工具）画一下。如果数据点大致落在一条直线上，说明威布尔分布是合适的。如果明显弯曲，那就得考虑其他分布了。
2.2.3 正态分布
正态分布在可靠性里用得相对少一些，但在处理疲劳寿命、磨损类失效时，它很管用。比如轴承的疲劳寿命，往往就符合正态分布。
数学表达：
概率密度函数：f(t) = (1/(σ√(2π))) * e^(-(t-μ)²/(2σ²))
可靠度函数：R(t) = 1 - Φ((t-μ)/σ)
其中 μ 是均值，σ 是标准差，Φ 是标准正态分布的CDF特点：
- 失效时间集中在均值μ附近
- 失效率随时间递增（适合磨损类失效）
- 不适合描述早期失效
重要提醒：正态分布允许失效时间为负值（虽然概率很小），这在物理上是不可能的。所以当失效时间很短时，用正态分布要小心。我一般会用对数正态分布来替代。
2.3 可靠度函数与失效率函数
这两个函数是可靠性工程的「灵魂」。我经常跟团队里的新人说：你只要搞懂了R(t)和λ(t)的关系，可靠性分析你就入门了。
它们的关系：
λ(t) = f(t) / R(t)
R(t) = e^(-∫₀ᵗ λ(τ) dτ)说白了，失效率λ(t)是条件概率——它表示产品在已经存活到时间t的条件下，在下一个瞬间失效的概率。而可靠度R(t)是累积结果——它表示从0时刻到t时刻，产品一直没坏的概率。
直观理解：
- 如果λ(t)是常数，R(t)就是指数衰减（指数分布）
- 如果λ(t)随时间增加，R(t)下降得越来越快（磨损失效）
- 如果λ(t)随时间减少，R(t)下降得越来越慢（早期失效）
我的经验：在做FMEA（失效模式与影响分析）时，我习惯先估算每个失效模式的失效率λ(t)曲线形状。如果某个模式的λ(t)是递增的，那它一定是磨损类问题，需要定期更换。如果λ(t)是常数，那它就是随机故障，靠冗余设计来解决。
2.4 本章知识体系
下面这张图，是我自己总结的可靠性数学基础框架。每次培训新人，我都会先让他们看这张图，把整体脉络理清楚。
这张图把本章的核心内容串起来了。你从概率论出发，理解随机变量和分布函数；然后根据产品特性，从三种常见分布里选一个合适的；最后用可靠度函数和失效率函数来量化评估。每一步都有它的工程意义。
最后说一句：数学公式只是工具，别被它们吓住。我在实际项目中，90%的情况只用威布尔分布和指数分布。关键是理解每个分布背后的物理意义——它描述的是哪种失效模式？失效率是增是减？想清楚这些，比会背公式重要得多。
公众号：蓝海资料掘金营，微信 deep3321