质量与可靠性 / 系统课时

零失效试验如何计算置信下限

零失效试验如何计算置信下限

寿命试验中没有出现失效,并不意味着产品可靠度为 100%。本课通过二项模型和恒定失效率模型,计算零失效数据能够支持的可靠度置信下限,并用具体样本量判断一项可靠性目标是否通过验证。

学习目标

  • 使用二项模型计算零失效试验的单侧可靠度置信下限和最低样本量。
  • 使用恒定失效率模型,根据累计设备小时计算失效率置信上限。
  • 根据目标可靠度、任务时间和置信水平,判断试验结论是否足以支持可靠性声明。

先确定试验目标和统计口径

假设某控制模块需要满足以下要求:在规定环境和负载下,连续运行 1000 小时不发生功能失效的概率至少为 95%,并要求使用单侧 95% 置信水平进行验证。

这里有三个必须事先固定的参数:任务时间 t0=1000t_0=1000 小时、目标可靠度 R0=0.95R_0=0.95、置信水平 C=0.95C=0.95。对应的显著性水平为 α=1−C=0.05\alpha=1-C=0.05。

零失效结果可以采用两种不同的统计模型,选择依据是试验设计和允许的失效时间分布假设,而不是哪一种计算结果更好看。

比较项 二项模型 恒定失效率模型
试验数据 nn 台产品均完成规定任务且零失效 各产品实际累计的无失效运行时间
主要假设 样品独立、同分布,任务成功或失败可明确判定 样品独立,寿命符合恒定失效率的指数模型
主要结果 任务可靠度的单侧置信下限 失效率的单侧置信上限
典型用途 验证规定任务内的成功概率 根据总试验时间验证失效率,并推算指定任务可靠度

例如,60 台产品每台完成 1000 小时且全部零失效,两种模型都可以计算。如果各台试验时间不同,二项模型不能直接把未完成规定任务的产品都算作一次完整成功,而指数模型可以在假设成立时利用实际累计试验时间。

用二项模型计算可靠度置信下限

假设每台产品在任务时间 t0t_0 内成功的概率为 R(t0)R(t_0),且 nn 台产品的任务结果相互独立。全部样品成功,也就是零失效,其概率为:

P(0 次失效∣R)=R(t0)nP(0\text{ 次失效}\mid R)=R(t_0)^n

对于零失效结果,精确二项模型给出的单侧置信下限为:

RL(t0)=α1/nR_L(t_0)=\alpha^{1/n}

其中 RLR_L 是可靠度置信下限,nn 是完成整个规定任务的独立样品数,α\alpha 是单侧检验的显著性水平。

例如,60 台产品均完整运行 1000 小时且零失效,在单侧 95% 置信水平下:

RL(1000)=0.051/60≈0.9513R_L(1000)=0.05^{1/60}\approx0.9513

因此,这批试验支持的结论是:1000 小时任务可靠度的单侧 95% 置信下限约为 95.13%。由于 95.13% 高于目标 95%,在约定模型和试验条件成立时,可以通过该可靠性验证。

如果只有 30 台产品完成相同任务且零失效,下限则为:

RL(1000)=0.051/30≈0.9050R_L(1000)=0.05^{1/30}\approx0.9050

这时不能宣称已经以单侧 95% 置信水平验证了 95% 的任务可靠度,即使实际观察到的成功比例仍然是 100%。

设计试验时,还可以反过来计算所需的最低零失效样本数:

nmin⁡=⌈ln⁡(α)ln⁡(R0)⌉n_{\min}=\left\lceil\frac{\ln(\alpha)}{\ln(R_0)}\right\rceil

将 α=0.05\alpha=0.05、R0=0.95R_0=0.95 代入,得到 nmin⁡=59n_{\min}=59。也就是说,至少需要 59 台独立样品各自完成规定的 1000 小时任务且全部零失效,才能达到这项预先确定的验证要求。

用恒定失效率模型计算失效率上限

如果产品的失效率在考察时间内近似恒定,可以采用指数寿命模型。设失效率为 λ\lambda,量纲为每小时,累计设备试验时间为 TT,则零失效事件的概率为:

P(0∣λ,T)=e−λTP(0\mid\lambda,T)=e^{-\lambda T}

由此得到单侧置信水平 C=1−αC=1-\alpha 下的失效率上限:

λU=−ln⁡(α)T\lambda_U=\frac{-\ln(\alpha)}{T}

对于目标任务时间 t0t_0,可以将失效率上限换算为可靠度下限:

RL(t0)=e−λUt0R_L(t_0)=e^{-\lambda_U t_0}

继续使用前面的 60 台控制模块,每台无失效运行 1000 小时,总设备试验时间为 T=60×1000=60000T=60\times1000=60000 设备小时。单侧 95% 置信上限为:

λU=−ln⁡(0.05)60000≈4.993×10−5 h−1\lambda_U=\frac{-\ln(0.05)}{60000}\approx4.993\times10^{-5}\ \text{h}^{-1}

将该失效率上限换算为 1000 小时任务可靠度:

RL(1000)=e−λU×1000≈0.9513R_L(1000)=e^{-\lambda_U\times1000}\approx0.9513

两种模型在这个案例中得到相同的可靠度下限,是因为每台样品都完整运行相同的任务时间,并且指数模型满足 R(t)=e−λtR(t)=e^{-\lambda t}。这种数值一致并不说明所有零失效试验都可以无条件采用指数模型。

若希望进一步声明 2000 小时任务可靠度,在恒定失效率假设下,同一批数据只能给出约 90.50% 的单侧 95% 置信下限,不能支持 95% 的目标。二项模型本身更不能把只完成 1000 小时的试验结果直接视作 2000 小时任务成功。

对于各台运行时间不同的零失效数据,指数模型可以使用 T=∑itiT=\sum_i t_i 汇总实际设备小时;非信息性右删失样本可以贡献其已经观察到的运行时间。但如果产品明显存在磨损失效、批次差异或应力条件不一致,就需要重新评估恒定失效率和同质性假设。

用 Python 复核样本量与置信边界

下面使用 Python 3 标准库的 math 模块计算最低样本量、二项可靠度下限、指数模型失效率上限和对应任务可靠度。所有参数集中放在代码开头,便于替换成实际试验条件。

python
import math

confidence = 0.95
alpha = 1.0 - confidence
target_reliability = 0.95
mission_hours = 1000
units = 60
hours_per_unit = 1000

# 二项模型:全部独立样品均完成规定任务且零失效
required_units = math.ceil(math.log(alpha) / math.log(target_reliability))
binomial_lower = alpha ** (1.0 / units)

# 指数模型:累计无失效设备小时用于计算失效率上限
total_device_hours = units * hours_per_unit
failure_rate_upper = -math.log(alpha) / total_device_hours
exponential_lower = math.exp(-failure_rate_upper * mission_hours)

print(f"最少样本数: {required_units}")
print(f"二项可靠度下限: {binomial_lower:.4f}")
print(f"累计设备小时: {total_device_hours}")
print(f"失效率上限: {failure_rate_upper:.6e} 次/小时")
print(f"指数模型可靠度下限: {exponential_lower:.4f}")
print(f"达到目标: {binomial_lower >= target_reliability}")

预期输出:

text
最少样本数: 59
二项可靠度下限: 0.9513
累计设备小时: 60000
失效率上限: 4.992887e-05 次/小时
指数模型可靠度下限: 0.9513
达到目标: True

这里的 True 仅表示在指定的样本数量、零失效观测、二项模型假设及置信水平下,通过了数值判定,不代表产品以后不会发生故障。

实际试验中,如果不同样品的有效运行时间不同,应在指数模型计算中把 total_device_hours 改为实际累计值,而不能继续简单使用 units * hours_per_unit。二项模型则必须重新核对有多少样品真正完成了完整任务。

怎样形成可信的验证结论

对于本例,可以在试验报告中写明:60 台独立控制模块在规定环境与负载下,各完成 1000 小时运行,合计 60000 设备小时,记录失效数为 0;采用精确二项模型,1000 小时任务可靠度的单侧 95% 置信下限为 95.13%,高于预设目标 95%,因此该项可靠性验证通过。

正式验收前,还要核对三个容易使结论失效的问题。

  1. 把未完成任务的产品算作成功。 例如 60 台中有 10 台因外部原因在 500 小时退出,二项模型不能继续使用 n=60n=60 代表 60 次完整的 1000 小时任务成功。应根据实际完成数量重新计算,或在符合假设时使用适当的删失数据模型。
  2. 把累计设备小时当作无条件等效寿命。 60 台各运行 1000 小时与 1 台运行 60000 小时并不能在所有寿命模型下互换;只有在符合独立性及恒定失效率等条件时,累计设备小时才能支持相应的指数模型推断。
  3. 把置信下限解释为产品真实可靠度。 95.13% 是从样本构造出的单侧置信下限,并不是实际可靠度的精确估计,也不意味着真实可靠度有 95% 的后验概率超过该数值。95% 置信水平描述的是统计方法在重复试验中的覆盖性质。

如果验收目标包含多个任务时间或不同环境,应分别明确各自的可靠度要求和统计模型,不能用一次常温、固定时长的零失效结果覆盖所有工况。零失效试验能支持多强的声明,最终由样本量、有效暴露时间、模型假设和预先确定的置信水平共同决定。

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

零失效试验如何计算置信下限

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