第1章：可靠性数学基础——概率论与可靠性函数
各位工程师朋友，大家好。我是你们这堂课的主讲人。今天咱们聊点硬核的——可靠性数学基础。
说实话，我刚开始做自控系统那会儿，觉得数学就是个工具，能用就行。直到有一次，我负责的一个冗余系统在现场频繁误切换，查了三天三夜，最后发现是可靠性模型选错了。嗯，从那以后，我再也不敢小看这些基础概念了。
这一章，咱们就踏踏实实地把地基打牢。你想想看，没有概率论这把尺子，你怎么衡量一个系统到底有多可靠？
1.1 概率论基础：从事件到条件概率
先说说最基础的东西——事件和概率。
事件，说白了就是“可能发生的事儿”。比如“CPU 1 在运行1000小时后仍然正常工作”，这就是一个事件。在可靠性工程里，我们通常把事件分为三类：
- 必然事件：一定会发生的，比如“系统最终会失效”（别笑，这是真的）
- 不可能事件：绝对不会发生的，比如“系统永远不坏”
- 随机事件：可能发生也可能不发生的，比如“冗余切换成功”
概率呢，就是给这个“可能”打个分。0表示不可能，1表示必然。0.8表示十次里有八次会发生。
我个人习惯把概率理解成“长期频率”。你扔一万次硬币，正面朝上的次数大约5000次，那概率就是0.5。这个思路在工程上很实用。
核心公式：
P(A) = 事件A发生的次数 / 总试验次数（当试验次数足够大时）
接下来是条件概率。这个我得多说两句，因为我在项目中吃过亏。
条件概率的意思是：在已知某个事件B已经发生的前提下，事件A发生的概率。记作 P(A|B)。
公式很简单：
P(A|B) = P(A∩B) / P(B)举个例子：假设一个系统有两个冗余模块A和B。已知模块B在1000小时内失效了，问模块A也失效的概率是多少？这就是条件概率问题。
我曾经在一个核电安全系统的可靠性评估中，忽略了条件概率，结果算出来的系统失效率比实际低了两个数量级。嗯，那次被总工叫去喝茶了。
避坑指南： 我曾经以为两个冗余模块是“独立”的，结果发现它们共用同一个电源。一旦电源出问题，两个模块同时失效。这就是条件概率在作怪——事件之间并不总是独立的。
1.2 可靠性函数：R(t)、λ(t) 与 MTTF
好，有了概率论这把尺子，咱们来量一量系统的可靠性。
可靠度 R(t)：系统在时间 t 内正常工作的概率。
说白了，就是“撑到t时刻还不坏”的可能性。R(0)=1，R(∞)=0。随着时间推移，可靠度只会下降，不会上升。
我习惯用这个公式来理解：
R(t) = P(系统寿命 > t)失效率 λ(t)：这个稍微绕一点。它表示“在t时刻还活着的系统中，下一个瞬间失效的比例”。
公式是：
λ(t) = - (1/R(t)) * (dR(t)/dt)你想想看，λ(t) 其实是个“瞬时死亡率”。对于大多数电子设备，λ(t) 呈现“浴盆曲线”——早期失效高、中期平稳、晚期又升高。
个人经验： 我在做工业控制器时，发现很多工程师只关注R(t)，忽略了λ(t)的变化趋势。结果产品在早期失效期就大量返修。后来我强制要求做“老化筛选”，把早期失效的器件提前淘汰掉，效果立竿见影。
平均寿命 MTTF：Mean Time To Failure，平均失效时间。
对于不可修复的系统，MTTF 就是所有样本寿命的平均值。公式是：
MTTF = ∫₀^∞ R(t) dt注意，MTTF 不是“保证能活这么久”，而是“平均能活这么久”。有的器件可能远低于MTTF就坏了，有的可能远超。
| 指标 | 含义 | 单位 | 典型值（工业控制器） |
|---|---|---|---|
| R(t) | t时刻仍正常工作的概率 | 无量纲 | R(8760h) = 0.99 |
| λ(t) | t时刻的瞬时失效率 | 1/h 或 FIT | λ = 10⁻⁶ /h |
| MTTF | 平均失效时间 | 小时 | MTTF = 100,000 h |
1.3 典型分布：指数分布与威布尔分布
光有函数还不够，我们得知道这些函数长什么样。这就引出了概率分布。
指数分布：这是可靠性工程里最常用的分布，没有之一。
它的特点是“无记忆性”——也就是说，一个器件已经工作了1000小时，它再工作1000小时的概率，和一个新器件工作1000小时的概率是一样的。
公式：
R(t) = e^(-λt)
λ(t) = λ （常数！）
MTTF = 1/λ你看，指数分布的失效率是常数。这正好对应浴盆曲线的“中期平稳段”。
实际应用： 我在设计双机热备系统时，假设每个节点的失效服从指数分布。这样算出来的系统可用度公式特别简洁：A = 1 - (1 - e^(-λt))²。但要注意，这个假设只在“偶然失效期”成立。
威布尔分布：比指数分布更灵活，能描述“早期失效”和“老化失效”。
公式：
R(t) = e^(-(t/η)^β)
λ(t) = (β/η) * (t/η)^(β-1)这里 β 是形状参数，η 是尺度参数。
- β < 1：失效率随时间下降（早期失效期）
- β = 1：退化为指数分布（偶然失效期）
- β > 1：失效率随时间上升（老化失效期）
我个人特别喜欢威布尔分布，因为它一个分布就能覆盖整个浴盆曲线。我在做风电变流器的可靠性评估时，就用威布尔分布拟合现场数据，拟合优度比指数分布高得多。
注意： 威布尔分布的参数估计需要足够多的失效数据。如果样本量太小（比如少于10个），估计出来的β和η可能偏差很大。我曾经就因为这个，被现场数据坑过一次。
1.4 知识体系总览
说了这么多，咱们用一张图把整个知识体系串起来。我画了个SVG图，你一看就明白。
这张图把咱们这一章的核心逻辑都串起来了。从概率论出发，引出可靠性函数，再落到具体的分布模型。每一步都是下一层的基础。
好了，这一章的内容就到这里。记住，数学是工具，不是目的。下次你在设计冗余系统时，不妨先问问自己：我用的分布模型对吗？条件概率考虑了吗？MTTF算对了吗？
把这些基础打牢，后面的章节咱们才能聊得更深。