质量与可靠性 / 系统课时

指数分布何时适合描述失效过程

指数分布何时适合描述失效过程

同样运行 500 小时,只有当失效率随服役时间近似不变时,才能用指数分布直接计算任务可靠度。本文从条件失效率推导可靠度公式,完成带数字的寿命计算,并通过磨损模型与实际观测数据判断指数分布的适用边界。

学习目标

  • 理解恒定失效率假设,推导指数分布的可靠度、累计失效概率和平均寿命。
  • 根据给定失效率计算任务可靠度与满足目标可靠度的最长任务时间。
  • 识别磨损导致的失效率上升,判断何时应改用其他寿命模型。

从条件失效率推导可靠度

设随机变量 TT 表示设备从任务起点到首次失效的时间。可靠度 R(t)=P(T>t)R(t)=P(T>t) 表示设备在 tt 时刻仍未失效的概率。条件失效率 λ(t)\lambda(t) 描述设备已经存活到 tt 时,接下来极短时间内发生失效的条件速率。

其数学定义为:

λ(t)=lim⁡Δt→0+P(t<T≤t+Δt∣T>t)Δt\lambda(t)=\lim_{\Delta t\to 0^+}\frac{P(t<T\le t+\Delta t\mid T>t)}{\Delta t}

由于寿命概率密度 f(t)=−R′(t)f(t)=-R'(t),失效率与可靠度满足:

λ(t)=f(t)R(t)=−1R(t)dR(t)dt\lambda(t)=\frac{f(t)}{R(t)}=-\frac{1}{R(t)}\frac{\mathrm dR(t)}{\mathrm dt}

指数寿命模型假设研究时段内的失效率为常数,即 λ(t)=λ\lambda(t)=\lambda。代入上式,并使用初始条件 R(0)=1R(0)=1,得到微分方程:

dR(t)dt=−λR(t)\frac{\mathrm dR(t)}{\mathrm dt}=-\lambda R(t)

两边积分即可得到指数可靠度函数:

R(t)=e−λtR(t)=e^{-\lambda t}

相应的累计失效概率、寿命概率密度和平均首次失效时间分别为:

F(t)=1−e−λtF(t)=1-e^{-\lambda t}
f(t)=λe−λt,E[T]=1λf(t)=\lambda e^{-\lambda t},\qquad E[T]=\frac{1}{\lambda}

若时间单位为小时,λ\lambda 的单位就是 h−1\mathrm{h}^{-1},而 R(t)R(t) 与 F(t)F(t) 都是没有单位的概率。使用公式前必须统一时间单位,例如不能把以小时为单位的失效率直接乘以分钟数。

这里讨论的是首次失效寿命。设备维修后再次运行形成的多次故障记录,不能不加区分地当作相互独立的首次失效寿命样本。

计算500小时任务的可靠度

假设一批设备在稳定运行阶段的条件失效率为 λ=0.0002 h−1\lambda=0.0002\ \mathrm{h}^{-1},现在要求连续执行 500 小时任务且期间不能发生首次失效。

将参数代入指数模型:

R(500)=e−0.0002×500=e−0.1≈0.9048R(500)=e^{-0.0002\times500}=e^{-0.1}\approx0.9048

因此,设备完成整个任务且不发生首次失效的概率约为 90.48%,任务内至少发生一次失效的概率为:

F(500)=1−R(500)≈0.0952=9.52%F(500)=1-R(500)\approx0.0952=9.52\%

如果任务要求可靠度至少为 90%,则可以反求允许的最长任务时间:

t90=−ln⁡(0.90)0.0002≈526.8 ht_{90}=\frac{-\ln(0.90)}{0.0002}\approx526.8\ \mathrm h

下面使用 Python 标准库复核计算,不需要安装第三方依赖。

python
import math

# 失效率单位为每小时,假设整个任务期间保持恒定
hazard = 2e-4
mission_hours = 500

reliability = math.exp(-hazard * mission_hours)
failure_probability = 1 - reliability

# 反求可靠度不低于 90% 时的任务时长上限
limit_hours = -math.log(0.90) / hazard

print(f"500 h 可靠度: {reliability:.4f}")
print(f"500 h 累计失效概率: {failure_probability:.2%}")
print(f"90% 可靠度任务上限: {limit_hours:.1f} h")

预期输出:

text
500 h 可靠度: 0.9048
500 h 累计失效概率: 9.52%
90% 可靠度任务上限: 526.8 h

该模型的平均首次失效时间为 1/λ=5000 h1/\lambda=5000\ \mathrm h。但这不表示设备可以保证运行 5000 小时。实际上,在指数模型下运行到平均寿命对应时刻的可靠度只有 e−1≈36.8%e^{-1}\approx36.8\%。

恒定失效率究竟意味着什么

指数分布具有无记忆性。对于已经正常运行到 tt 时刻的设备,只要它仍未失效,再运行 ss 小时的条件存活概率就与此前运行了多久无关:

P(T>t+s∣T>t)=e−λsP(T>t+s\mid T>t)=e^{-\lambda s}

例如,无论设备此前已正常运行 100 小时还是 2000 小时,只要仍处于同一恒定失效率阶段,其未来 100 小时内的条件可靠度都是 e−0.0002×100≈98.02%e^{-0.0002\times100}\approx98.02\%。

这并不意味着每个小时都有完全相同的无条件失效概率。以任意已经存活到当前时刻的设备为前提,未来一小时内失效的条件概率为:

P(T≤t+1∣T>t)=1−e−0.0002≈0.019998%P(T\le t+1\mid T>t)=1-e^{-0.0002}\approx0.019998\%

对于很小的 λΔt\lambda\Delta t,可以使用 1−e−λΔt≈λΔt1-e^{-\lambda\Delta t}\approx\lambda\Delta t 近似计算短时间条件失效概率,但不能把具有时间倒数单位的失效率直接当成概率。

磨损主导时为什么不能使用恒定失效率

轴承磨损、材料疲劳、腐蚀和绝缘老化等机制可能使设备的短期失效风险随服役年龄增加。如果仍采用恒定失效率,就可能明显高估后期任务可靠度。

此时可以考虑 Weibull 寿命模型。其可靠度和条件失效率为:

R(t)=e−(t/η)βR(t)=e^{-(t/\eta)^\beta}
λ(t)=βη(tη)β−1\lambda(t)=\frac{\beta}{\eta}\left(\frac{t}{\eta}\right)^{\beta-1}

其中 η\eta 为尺度参数,β\beta 为形状参数。当 β=1\beta=1 时,Weibull 分布退化为指数分布;当 β>1\beta>1 时,失效率随时间上升,适合描述某些磨损主导的寿命过程。

例如令 η=5000 h\eta=5000\ \mathrm h、β=2\beta=2。设备在 5000 小时的条件失效率为 0.0004 h−10.0004\ \mathrm{h}^{-1},已经达到同尺度指数模型恒定失效率 0.0002 h−10.0002\ \mathrm{h}^{-1} 的两倍。

指数模型与磨损模型的失效率及可靠度曲线对比

观察下图可见,两种模型在 5000 小时的可靠度相同,但并不代表整个寿命过程等价。在 10000 小时时,指数模型预测可靠度约为 13.53%,而上述 Weibull 模型只有约 1.83%。如果磨损行为确实符合后者,继续使用指数模型就会低估长期失效风险。

用寿命观测数据检查指数假设

工程中不能仅凭模型计算方便就选择指数分布。首先应统一失效判据与寿命起点,对每台设备记录从开始观察到首次失效或观察结束的时间,并区分真实失效与右删失记录。正常完成观察但尚未失效的设备不能记作失效。

在独立、同分布的指数首次失效模型下,如果观测到 dd 次首次失效,全部设备累计贡献的有效观察时间为 HH,则恒定失效率的极大似然估计为:

λ^=dH\hat\lambda=\frac{d}{H}

例如 20 台同型号设备累计贡献 40000 设备小时,其中 8 台发生首次失效,其余设备右删失,则估计值为 8/40000=0.0002 h−18/40000=0.0002\ \mathrm{h}^{-1}。注意,这只是模型参数的估计值,并不能证明失效率确实恒定。

实际检查时,可以按以下顺序执行:

  1. 按设备服役年龄划分早期、中期和后期区间,比较各区间的失效次数及对应风险暴露时间,注意右删失和样本数量变化。
  2. 使用 Kaplan–Meier 方法绘制首次失效寿命的经验可靠度曲线,与指数模型 e−λ^te^{-\hat\lambda t} 进行比较。
  3. 观察后期经验可靠度是否持续比指数预测下降更快,并结合失效分析报告检查是否出现疲劳、磨损或腐蚀等机制。
  4. 如果失效率明显随年龄变化,应考虑 Weibull 模型、分阶段寿命模型或按工作负荷分层,而不是继续使用统一的恒定失效率。

指数模型适合在明确的稳定失效阶段内快速计算任务可靠度。计算前需要确认任务时间单位、首次失效定义和模型适用区间;一旦观测到随服役年龄持续上升的失效风险,就应重新选择寿命分布并验证预测结果。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

指数分布何时适合描述失效过程

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通