质量与可靠性 / 系统课时

如何由目标可靠度反推试验规模

如何由目标可靠度反推试验规模

给定“100 小时任务可靠度至少 90%、单侧置信水平 95%”,独立样品定时试验与恒定失效率累计工时试验应分别计算规模。下面以允许 0 次或 1 次失效为例,给出可执行的台数、小时数和通过判据。

学习目标

  • 用二项分布反推独立样品完成规定任务时间所需的最少台数。
  • 在指数寿命与更换假设下,用泊松分布反推累计有效运行时间。
  • 分清“失效样品数”和“失效事件数”,写出可核查的验收条件。

先固定统计口径

假设试验对象是同批次电子模块,任务时间 tm=100t_m=100 小时。模块在任务窗口内首次不能满足规定输出即判定失效,失效判据和环境载荷必须在开试前冻结。输入条件如下:

参数 本例取值 含义
R0R_0 0.90 100 小时任务可靠度下限
CLCL 0.95 单侧置信水平
α=1−CL\alpha=1-CL 0.05 不合格产品被错误接受的概率上限
cc 0 或 1 预先允许的失效数量

判定采用单侧检验:在真实可靠度恰为 R0R_0 的边界上,按计划“通过”的概率不超过 α\alpha;当真实可靠度更低时,这一概率更小。这里的“95% 置信”不是说通过后有 95% 的主观概率证明产品合格。

独立样品反推台数

取 nn 件独立、同分布的样品,每件各执行一次完整的 100 小时任务;提前失效的样品记为失败,未失效者完成观察。记 XX 为失效样品数,则在边界可靠度 R0R_0 下,XX 服从二项分布。以“X≤cX\le c 才通过”作为事前确定的规则,求满足下式的最小整数 nn:

P(X≤c∣R0)=∑k=0c(nk)(1−R0)kR0n−k≤αP(X\le c\mid R_0)=\sum_{k=0}^{c}\binom{n}{k}(1-R_0)^kR_0^{n-k}\le\alpha

零失效方案有直接公式:

n≥⌈ln⁡(α)ln⁡(R0)⌉=⌈ln⁡(0.05)ln⁡(0.90)⌉=29n\ge\left\lceil\frac{\ln(\alpha)}{\ln(R_0)}\right\rceil =\left\lceil\frac{\ln(0.05)}{\ln(0.90)}\right\rceil=29

因此 29 台各完成 100 小时且全部无失效 才通过;28 台时边界通过概率约 5.23%,不满足 5% 限制。

若允许 1 台失效,则须用二项分布累积概率求解:n=45n=45 时约为 5.24%,n=46n=46 时约为 4.80%,所以至少 46 台,每台最多计一次失败,总失效样品不超过 1 台。不能将同一台设备的多次故障当作多台独立样品,也不能把未经完成任务的正常样品计为通过。

指数模型反推累计时间

另一种方案先明确假设:模块寿命服从指数分布,失效率 λ\lambda 在测试期间恒定;每次失效后立即用独立、同型且“如新”的模块接续运行,记录所有模块的有效运行时间。此时累计暴露时间 TT 内的失效事件数 N(T)N(T) 服从均值为 λT\lambda T 的泊松分布。

把 100 小时可靠度目标转换为可接受的失效率上限:

R(tm)=e−λtm,λ0=−ln⁡(0.90)100≈0.001053605 h−1R(t_m)=e^{-\lambda t_m},\qquad \lambda_0=\frac{-\ln(0.90)}{100}\approx0.001053605\ \mathrm{h}^{-1}

当规则为“累计时间达到 TT 且事件数不超过 cc 才通过”,边界条件是:

P(N(T)≤c∣λ0)=e−λ0T∑k=0c(λ0T)kk!≤0.05P(N(T)\le c\mid\lambda_0) =e^{-\lambda_0T}\sum_{k=0}^{c}\frac{(\lambda_0T)^k}{k!}\le0.05
  • 允许 0 次失效:T≥−ln⁡(0.05)/λ0≈2843.32T\ge-\ln(0.05)/\lambda_0\approx2843.32 小时,按整小时安排至少 2844 台·小时。
  • 允许 1 次失效:解 e−λ0T(1+λ0T)≤0.05e^{-\lambda_0T}(1+\lambda_0T)\le0.05,得到 T≥4502.51T\ge4502.51 小时,安排至少 4503 台·小时。

台·小时是各设备实际有效运行时长之和,可以由多台并行积累;更换停机时间不计入。若采用不可更换样品、所有设备在 100 小时时统一截尾,就不能把计划台数乘以 100 后直接套用这个泊松判据,应使用独立任务的二项模型,或另行建立适合删失数据的寿命模型。

用 Python 复核门槛

以下示例适用于 Python 3.8 及以上版本,只使用标准库。对每个允许失效数,分别找出首次满足 5% 边界概率的台数和整数累计小时数:

python
import math

R0 = 0.90
mission_h = 100.0
alpha = 0.05
lambda0 = -math.log(R0) / mission_h

def binomial_pass_prob(n, c):
    return sum(
        math.comb(n, k) * (1 - R0) ** k * R0 ** (n - k)
        for k in range(c + 1)
    )

def poisson_pass_prob(hours, c):
    mu = lambda0 * hours
    return math.exp(-mu) * sum(mu ** k / math.factorial(k) for k in range(c + 1))

for c in (0, 1):
    # 定时试验按独立样品数逐一搜索
    n = c + 1
    while binomial_pass_prob(n, c) > alpha:
        n += 1

    # 累计时间先扩张上界,再二分逼近接受门槛
    left, right = 0.0, 1.0
    while poisson_pass_prob(right, c) > alpha:
        right *= 2
    for _ in range(70):
        mid = (left + right) / 2
        if poisson_pass_prob(mid, c) > alpha:
            left = mid
        else:
            right = mid
    print(f"c={c}:样本≥{n}台,累计时间≥{math.ceil(right)}小时")

预期输出:

text
c=0:样本≥29台,累计时间≥2844小时
c=1:样本≥46台,累计时间≥4503小时

将 R0R_0、mission_h、alpha 和允许失效数替换为实际设计值后,应重新计算,不能照搬本例门槛。

写入可执行的试验验收表

试验口径 允许失效 0 允许失效 1
独立样品、每台任务 100 小时 至少 29 台,失败 0 台 至少 46 台,失败不超过 1 台
恒定失效率、即时更换累计工时 至少 2844 台·小时,事件 0 次 至少 4503 台·小时,事件不超过 1 次

实际方案还需写明样品抽样方法、温湿度和负载、计时起止点、失效判据、替换规则和原始事件记录。失效数一旦超过 cc 即判为不通过;即使失效数合格,在规定样本或累计时间尚未达到前也不能提前宣称通过。

两种方案不可无条件互换:独立样本试验检验每台能否完成一次规定任务;累计时间试验用恒定失效率模型检验单位运行时间内的失效事件。指数分布、独立性或“如新更换”假设不成立时,应重新选择模型和规模。

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

如何由目标可靠度反推试验规模

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