第4章：失效率与可靠性模型
各位工程师，咱们今天聊聊可靠性模型。说实话，这章内容在功能安全里属于「地基」级别的知识。你设计的硬件到底有多可靠？能不能跑够10年？这些问题的答案，都藏在失效率λ和那几个分布模型里。
我个人习惯把这一章叫做「算命的科学」——因为我们在用数学预测硬件什么时候会坏。听起来玄乎，但做功能安全，这步绕不开。
4.1 失效率λ：可靠性的基本度量
先说说失效率λ。它的单位是 FIT（Failures In Time），1 FIT = 10⁻⁹ /小时。什么意思？就是每10亿小时发生一次失效。
举个例子：一个电阻的失效率是10 FIT，意味着10万个这样的电阻，工作1小时，大概会坏1个。嗯，这个数字很小，但累积起来就吓人了。
R(t) = e^(-λt)
其中R(t)是可靠度，λ是失效率，t是时间。
我在项目中遇到过一件事：某款电源芯片的datasheet上写着λ=50 FIT，但实际测试下来只有20 FIT。后来发现，他们给的λ是「典型值」，不是「最大值」。所以各位，看datasheet时一定要确认是哪个值，别被坑了。
4.2 浴盆曲线：硬件寿命的三段式
浴盆曲线，这名字很形象。你想想看，一个浴盆的侧面是什么形状？两头高、中间低。硬件的失效率随时间变化，也是这个形状。
它分三个阶段：
- 早期失效期（婴儿期）：失效率高，但快速下降。原因是制造缺陷、焊接不良、材料瑕疵。
- 偶然失效期（青壮年）：失效率低且稳定。这是硬件的最佳工作阶段。
- 耗损失效期（老年期）：失效率逐渐上升。磨损、老化、疲劳开始显现。
我曾经在项目里吃过亏——新设计的板卡直接上量产，结果前三个月故障率奇高。后来才意识到，应该先做「老化筛选」（burn-in test），把早期失效的器件提前淘汰掉。现在我的习惯是：所有关键产品，出厂前必须跑48小时高温老化。
浴盆曲线告诉我们一个道理：硬件不是越新越好，也不是越老越好。真正可靠的是「稳定期」的硬件。所以功能安全里，我们通常假设设备工作在偶然失效期，λ是常数。
4.3 指数分布：最常用的可靠性模型
指数分布，说白了就是「无记忆性」。什么意思？一个器件已经工作了1000小时，它未来1小时内失效的概率，和一个全新的器件未来1小时内失效的概率，是一样的。
这听起来有点反直觉，对吧？但这就是指数分布的特点。它只适用于偶然失效期，也就是浴盆曲线的中间那段。
数学表达式很简单：
可靠度函数：R(t) = e^(-λt)
失效密度函数：f(t) = λe^(-λt)
累积失效函数：F(t) = 1 - e^(-λt)
假设一个传感器的λ=100 FIT，要求工作10年（87600小时）后的可靠度不低于0.9。
R(87600) = e^(-100×10⁻⁹ × 87600) = e^(-0.00876) ≈ 0.9913
嗯，满足要求。但如果λ变成500 FIT，R(87600) ≈ 0.957，也还行。但再大就不行了。
我个人习惯用Excel或者Python快速算一下，心里有个数。别等到评审时才发现可靠度不够，那就尴尬了。
4.4 威布尔分布：更灵活的模型
指数分布虽然好用，但有个硬伤——它假设λ是常数。现实中呢？早期失效期λ在下降，耗损失效期λ在上升。这时候，威布尔分布就派上用场了。
威布尔分布有三个参数：
- 形状参数β：决定曲线的形状。β<1时，失效率下降（早期失效）；β=1时，失效率恒定（指数分布）；β>1时，失效率上升（耗损失效）。
- 尺度参数η：也叫特征寿命，63.2%的器件会在η时刻前失效。
- 位置参数γ：表示最早可能发生失效的时间，通常设为0。
公式长这样：
R(t) = exp[-(t/η)^β]
威布尔分布虽然灵活，但参数估计需要足够多的失效数据。我见过有人只测了3个样品就拟合威布尔参数，结果预测的寿命偏差了10倍。数据量不够时，宁可用指数分布保守估计。
我在项目中用过威布尔分布分析继电器寿命。继电器是典型的机械磨损器件，β值通常在2~3之间。通过加速寿命试验，我们拟合出β=2.5，η=500万次。然后算出了10年内的失效概率，用来做安全完整性等级（SIL）的验证。
4.5 MTBF与MTTF：两个容易混淆的概念
这两个概念，我敢说80%的工程师都搞混过。包括我自己，刚入行时也犯过傻。
MTBF（Mean Time Between Failures）：平均故障间隔时间。适用于可修复系统。比如一台设备坏了，修好继续用，两次故障之间的平均时间就是MTBF。
MTTF（Mean Time To Failure）：平均失效时间。适用于不可修复系统。比如一个电阻，坏了就换新的，它的平均寿命就是MTTF。
对于指数分布，它们和λ的关系很简单：
MTBF = MTTF = 1/λ
注意：这个等式只在指数分布下成立。如果是威布尔分布，MTTF = η × Γ(1 + 1/β)，其中Γ是伽马函数。
一个传感器的λ=100 FIT，那么MTBF = 1/(100×10⁻⁹) = 10⁷小时 ≈ 1141年。
等等，1141年？这数字是不是太大了？
是的，因为FIT单位本身就很小。但注意，这是「平均」值。实际上，100个这样的传感器，1年内可能坏1个。所以MTBF长，不代表不会坏。
我曾经在项目报告里写「MTBF=100年」，结果客户问：「那是不是保修期可以定100年？」
我赶紧解释：MTBF是统计值，不是单个产品的寿命。单个产品可能第1年就坏，也可能200年不坏。保修期还是要根据实际使用条件和安全要求来定。
4.6 实际应用中的选择策略
讲了这么多模型，到底该用哪个？我个人的经验是：
| 场景 | 推荐模型 | 原因 |
|---|---|---|
| 半导体器件（数字芯片、MOSFET） | 指数分布 | 偶然失效期长，λ稳定 |
| 机电元件（继电器、开关） | 威布尔分布 | 机械磨损明显，β>1 |
| 早期失效分析 | 威布尔分布（β<1） | 能捕捉失效率下降趋势 |
| 功能安全定量分析 | 指数分布 | 标准推荐，计算简单 |
| 加速寿命试验 | 威布尔分布 | 能外推正常使用条件下的寿命 |
嗯，这里要注意：功能安全标准（比如IEC 61508）通常默认使用指数分布。因为安全分析需要保守估计，而指数分布假设λ恒定，计算起来也方便。但如果你做的是可靠性增长试验或者寿命预测，威布尔分布更合适。
最后说一句：模型只是工具，不是真理。再漂亮的数学模型，也替代不了实际的测试数据和工程判断。我见过太多人沉迷于拟合曲线，却忽略了最基本的失效物理分析。记住，数据+物理+经验，三者缺一不可。