质量与可靠性 / 系统课时
小样本失效率如何给出置信区间
小样本失效率如何给出置信区间
仅发生几次失效时,单报点估计会让风险显得过于确定。本课在恒定失效率、独立失效和泊松计数假设下,把失效次数与累计有效运行时间换成双侧 95% 置信区间,并说明零失效、观察量和右删失的解释边界。
学习目标
- 正确统计失效次数与累计设备小时,判断计数模型是否适用。
- 利用卡方分位数计算失效率的双侧置信区间。
- 解释零失效、观察量和置信水平对区间宽度的影响。
先确定失效数和暴露时间
设 20 个试验工位各累计运行 1000 小时,失效时立即换上同规格、同寿命分布的新件,维修停机不计入有效运行时间。共记录 3 次失效,因此总暴露量 设备小时,失效数 。
假定每个新件的寿命独立且服从失效率为 的指数分布,立即更换后重新计时。此时各工位的失效事件可按齐次泊松过程计数;固定暴露量下,。累计运行时间是分母,不是试验品数量,也不包括停机时间。
用卡方分位数求双侧区间
失效率的极大似然点估计为 。对于置信水平 ,设 表示自由度为 的卡方分布在累计概率 处的分位数,则泊松计数的 Garwood 区间为:
当 时直接取下限 ,上限为 。这里的“精确”针对固定暴露量下的泊松计数模型,表示长期重复抽样的覆盖率不低于标称水平,并非本次区间有 95% 的概率包含固定参数。
运行代码并核对结果
在 Python 3 环境中先执行 python -m pip install scipy 安装依赖,再运行以下完整示例。计算单位统一为“每万设备小时的失效次数”。
from scipy.stats import chi2
r = 3
hours = 20_000
alpha = 0.05
# 用卡方分位数求双侧泊松置信限,兼容零失效
rate = r / hours
low = 0.0 if r == 0 else chi2.ppf(alpha / 2, 2 * r) / (2 * hours)
high = chi2.ppf(1 - alpha / 2, 2 * (r + 1)) / (2 * hours)
# 同一单位下比较点估计与区间端点
factor = 10_000
print(f"点估计:{rate * factor:.3f} 次/万设备小时")
print(f"95%区间:[{low * factor:.3f}, {high * factor:.3f}] 次/万设备小时")预期输出:
点估计:1.500 次/万设备小时
95%区间:[0.309, 4.384] 次/万设备小时点估计虽为每万设备小时 1.5 次,但 95% 区间从 0.309 到 4.384,跨度较大;在只有 3 次失效时,不能把 1.5 当成已知的真实失效率。
对比零失效、观察量与置信水平
下表均按双侧 95% 区间计算,数值单位都是“次/万设备小时”。
| 失效数 | 暴露量 (小时) | 点估计 | 95% 置信区间 |
|---|---|---|---|
| 0 | 20000 | 0.000 | 0.000~1.844 |
| 3 | 20000 | 1.500 | 0.309~4.384 |
| 30 | 200000 | 1.500 | 1.012~2.141 |
零失效只意味着点估计为零,不代表风险上限为零。第三行与第二行的点估计相同,但失效数和暴露量都扩大 10 倍,区间明显收窄。若对第二行改用双侧 90% 区间,结果为 0.409~3.877;提高到 95% 时区间反而更宽,不能只报告较好看的端点。
右删失样本什么时候要换方法
如果 10 个不可修复元件只统计首次失效,其中 3 个分别在 200、500、800 小时失效,其余 7 个在 1000 小时仍未失效而右删失,则指数寿命模型的总在险时间为 小时,点估计为 次/万小时。不能用 代替失效率,也不能忽略 7 个删失件贡献的 7000 小时。
这一固定截止时间的首次失效试验中, 随失效时间改变,失效数也不是固定暴露量下的泊松计数。因此,虽然 仍是指数模型的极大似然估计,前面的 Garwood 公式却不能未经校验就称作该删失方案的精确区间;应采用与删失机制匹配的指数寿命区间或似然区间。若失效率随老化变化,先核查恒定失效率假设,再报告参数区间。