2. 系统可靠性基础：MTBF、MTTR、可用性计算、故障模式与影响分析（FMEA）入门
各位同学，咱们今天聊点实在的。
做ATO系统，说白了就是在跟「故障」打交道。你设计得再漂亮，一旦跑起来三天两头出问题，那谁还敢用？我入行那会儿，带我的老师傅说过一句话，我一直记着：「信号系统不是比谁功能多，是比谁不出事。」
所以，在咱们开始画架构图、选冗余方案之前，得先把可靠性这杆秤立起来。今天这堂课，就是教你怎么给系统的「健康程度」打分。
2.1 三个核心指标：MTBF、MTTR、可用性
这三个词，你以后每天都会见到。我建议你像记自己生日一样记住它们。
2.1.1 MTBF（平均无故障时间）
全称是 Mean Time Between Failures。说白了，就是系统平均能撑多久才出一次故障。
举个例子：你买了个路由器，用了3年没坏，第4年坏了。那它的MTBF就是3年？不对。MTBF是统计出来的，不是单个设备的寿命。它是「所有设备总运行时间 ÷ 故障次数」。
我在项目中遇到过一件事：某线路的ATP设备，厂家标称MTBF是10万小时。结果上线第一个月就坏了三块板卡。后来一查，是散热设计有问题。你看，纸面数据和实际表现，有时候差得远。
2.1.2 MTTR（平均修复时间）
全称是 Mean Time To Repair。就是系统坏了之后，你花多长时间能把它修好。
这个指标，我个人的经验是：它比MTBF更影响用户体验。为什么？你想想看，MTBF是10万小时，但MTTR是8小时。那用户每次遇到故障，都得等8小时才能恢复。这谁受得了？
所以，冗余设计的核心目标之一，就是降低MTTR。热备切换能做到秒级，冷备切换可能要几分钟。这就是差距。
2.1.3 可用性（Availability）
可用性 = MTBF / (MTBF + MTTR)。
这个公式，你闭着眼睛都得会算。它衡量的是系统「真正能用」的时间比例。
举个例子：
- MTBF = 1000小时
- MTTR = 1小时
- 可用性 = 1000 / (1000+1) ≈ 99.9%
99.9% 听起来很高了对吧？但一年365天，99.9% 意味着每年有8.76小时的停机时间。对于ATO系统来说，这8小时可能就意味着全线晚点。
2.2 故障模式与影响分析（FMEA）入门
FMEA，全称 Failure Mode and Effects Analysis。翻译过来就是「故障模式与影响分析」。
这东西听起来高大上，其实说白了就是：提前想好「如果这里坏了，会怎样？」
2.2.1 为什么要做FMEA？
我刚开始做系统设计时，犯过一个错：只考虑了「正常情况」，没想过「坏了怎么办」。结果有一次，一个电源模块短路，导致整条线的ATO系统全部掉线。那叫一个惨。
从那以后，我养成了一个习惯：每设计一个模块，先问自己三个问题：
- 这个模块可能怎么坏？
- 坏了之后，对系统有什么影响？
- 我们有没有办法提前预防？
这就是FMEA的核心思路。
2.2.2 FMEA的基本步骤
咱们用一个简单的例子来说明。假设你设计了一个「车门控制单元」：
| 故障模式 | 故障原因 | 影响 | 严重度 | 预防措施 |
|---|---|---|---|---|
| 车门无法关闭 | 电机卡死 | 列车无法发车 | 高 | 增加手动应急操作 |
| 车门误开 | 控制信号错误 | 乘客跌落风险 | 极高 | 增加双通道校验 |
| 车门关闭速度异常 | 传感器漂移 | 夹伤乘客 | 中 | 定期校准传感器 |
你看，通过这张表，你就能清楚地知道：哪些故障是致命的，哪些是可以容忍的。然后，你就可以针对性地设计冗余方案。
2.2.3 严重度与优先级
在FMEA中，我们通常用三个维度来评估故障：
- 严重度（S）：故障发生后，后果有多严重？1-10分，10分最严重。
- 发生度（O）：这个故障发生的概率有多大？1-10分，10分最常见。
- 探测度（D）：我们能不能在故障发生前发现它？1-10分，10分最难发现。
然后，计算风险优先级数（RPN）：RPN = S × O × D。
RPN越高，越需要优先处理。我个人的经验是：RPN超过100的，必须设计冗余或防护措施。超过200的，基本就是设计缺陷，得重新考虑方案。
2.3 小结
今天咱们讲了三个核心指标和一个分析方法：
- MTBF：系统能撑多久才坏。
- MTTR：坏了之后多久能修好。
- 可用性：系统真正能用的时间比例。
- FMEA：提前想好「如果这里坏了，会怎样？」
这些概念，是咱们后续设计冗余架构的基础。你想想看，如果你连系统哪里容易坏、坏了有什么后果都不知道，那你怎么设计冗余？
下一节课，咱们会深入讲「冗余架构的几种常见模式」。到时候，你会发现，今天学的这些指标，就是用来衡量冗余方案好坏的尺子。
好，今天就到这儿。有问题随时问我。