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设计的数学根基。说实话，我刚入行那会儿，觉得数学公式离工程实践挺远的。直到有一次，我负责的一个电源模块在高温老化测试中接连失效，翻遍测试数据却找不到规律。后来老前辈提醒我：「你试试用威布尔分布拟合一下？」——嗯，从那以后，我再也不敢小看这些数学工具了。
2.1 概率论基础回顾
可靠性分析，说白了就是跟「不确定性」打交道。你设计一个产品，它什么时候会坏？这没法精确预测。但我们可以用概率论来描述这种不确定性。
几个核心概念，我建议你牢牢记住：
- 随机事件：比如「某器件在1000小时内失效」，这就是一个随机事件。
- 概率：事件发生的可能性大小，取值0到1之间。
- 概率密度函数（PDF）：描述随机变量在某个取值附近的概率密度。记作 f(t)。
- 累积分布函数（CDF）：随机变量小于等于某个值的概率。记作 F(t)。
这里有个关键关系：F(t) = ∫₀ᵗ f(τ) dτ。简单说，CDF就是PDF的积分。我在项目中经常用这个关系来互相转换数据——比如测试得到了失效时间直方图（近似PDF），积分一下就能得到累积失效率。
重要概念：在可靠性工程中，我们更关心的是「生存概率」，也就是产品活过时间t的概率。这个就是可靠度 R(t) = 1 - F(t)。
2.2 常见分布
实际工程中，失效数据往往符合某些特定的分布规律。我个人最常用的就三种：指数分布、威布尔分布、正态分布。它们各有各的脾气。
2.2.1 指数分布
指数分布是可靠性工程里最基础的分布。它的概率密度函数是：
f(t) = λ · e^(-λt), t ≥ 0其中 λ 是失效率，是个常数。你想想看，这意味着什么？——产品在任何时刻失效的概率都一样，没有「老化」一说。
适用场景：电子元器件、系统偶然失效期。比如我做过的一个通信模块，在稳定工作阶段（浴盆曲线底部）的失效间隔时间，就很好地服从指数分布。
我的经验：指数分布计算最简单，但千万别滥用。我曾经见过有人把机械磨损件的寿命也用指数分布去拟合，结果偏差大得离谱。记住：指数分布只适用于「无记忆性」的失效过程。
2.2.2 威布尔分布
威布尔分布是我个人最喜欢的分布，没有之一。它灵活，能模拟各种失效模式。其概率密度函数为：
f(t) = (β/η) · (t/η)^(β-1) · e^(-(t/η)^β), t ≥ 0两个关键参数：
- β（形状参数）：决定分布的形状。β < 1 时，失效率递减（早期失效）；β = 1 时，退化为指数分布；β > 1 时，失效率递增（耗损失效）。
- η（尺度参数）：特征寿命，63.2%的产品会在这个时间之前失效。
我在项目中遇到过这样一个案例：一批继电器在测试中，早期失效很多，但过了某个时间点后反而稳定了。用威布尔分布一拟合，β = 0.6，典型的早期失效特征。后来排查发现是生产工艺中的焊接缺陷导致的。
避坑指南：我曾经因为样本量不足（只有5个样品）就强行拟合威布尔参数，结果β值忽大忽小，完全没参考价值。建议至少要有15-20个失效数据点，拟合结果才可信。
2.2.3 正态分布
正态分布大家都很熟悉了，概率密度函数：
f(t) = (1/(σ√(2π))) · e^(-(t-μ)²/(2σ²))μ是均值，σ是标准差。正态分布描述的是「对称的、集中在均值附近」的失效模式。
适用场景：磨损、疲劳、老化等退化型失效。比如轴承的疲劳寿命、灯泡的烧毁时间，往往服从正态分布。
但要注意：正态分布允许t取负值，而实际寿命不可能为负。所以当均值μ远大于标准差σ（比如μ > 3σ）时，负值概率可以忽略，这时用正态分布才合理。
2.3 可靠性函数
有了分布基础，咱们来看看三个最核心的可靠性函数。这些是我做可靠性设计时天天打交道的工具。
2.3.1 可靠度 R(t)
可靠度就是产品在时间t内正常工作的概率。数学上：
R(t) = P(T > t) = 1 - F(t) = ∫ₜ^∞ f(τ) dτ举个例子：某电源模块的寿命服从指数分布，λ = 0.0001/小时。那么它在1000小时内的可靠度是多少？
R(1000) = e^(-0.0001 × 1000) = e^(-0.1) ≈ 0.9048也就是说，大约90.5%的模块能正常工作到1000小时。
设计要点：我习惯在项目初期就设定一个「目标可靠度」，比如「5年内可靠度不低于0.95」。然后反推需要的失效率或设计裕量。这比事后补测试要高效得多。
2.3.2 失效率 λ(t)
失效率是「瞬时」的概念。它表示：产品工作到t时刻后，在下一个单位时间内失效的概率。数学定义：
λ(t) = f(t) / R(t)对于指数分布，λ(t) = λ，是个常数。对于威布尔分布：
λ(t) = (β/η) · (t/η)^(β-1)你看，β决定了失效率随时间的变化趋势。这就是为什么威布尔分布能描述浴盆曲线的各个阶段。
我记得有一次做可靠性预计，供应商给的器件失效率是「0.5 FIT」（1 FIT = 10⁻⁹/小时）。我一开始没在意，后来算系统失效率时发现这个值偏大。仔细一问，原来那是早期失效率，不是稳定期的。嗯，这里要注意：失效率必须注明是哪个阶段的，否则会误导设计。
2.3.3 平均寿命 MTTF / MTBF
这两个概念经常被混淆，我简单说清楚：
- MTTF（平均失效前时间）：用于不可修复产品。比如一个电容，坏了就换新的。
- MTBF（平均故障间隔时间）：用于可修复产品。比如一台服务器，修好后又继续运行。
数学上，平均寿命就是寿命分布的期望值：
MTTF = ∫₀^∞ t · f(t) dt = ∫₀^∞ R(t) dt对于指数分布，MTTF = 1/λ。这个关系非常简洁，也是指数分布受欢迎的原因之一。
| 分布类型 | 可靠度 R(t) | 失效率 λ(t) | 平均寿命 |
|---|---|---|---|
| 指数分布 | e^(-λt) | λ（常数） | 1/λ |
| 威布尔分布 | e^(-(t/η)^β) | (β/η)·(t/η)^(β-1) | η·Γ(1+1/β) |
| 正态分布 | 1 - Φ((t-μ)/σ) | f(t)/R(t) | μ |
实用技巧：我经常用MTTF来快速估算。比如客户要求「10年寿命」，如果产品是连续工作（87600小时），那么MTTF至少需要10倍以上，也就是约87.6万小时。为什么？因为MTTF是平均值，实际产品寿命散布很大，留足余量才保险。
好了，这一章的内容就到这里。数学基础虽然枯燥，但它是后续所有可靠性工作的根基。下一章咱们会聊可靠性设计的具体方法，到时候这些分布和函数会反复出现。建议你把这张表保存下来，做项目时随时查阅。