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 小时、目标可靠度 、置信水平 。对应的显著性水平为 。
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 | 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 内成功的概率为 ,且 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:
对于零失效结果,精确二项模型给出的单侧置信下限为:
其中 是可靠度置信下限, 是完成整个规定任务的独立样品数, 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:
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:
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:
将 、 代入,得到 。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 ,量纲为每小时,累计设备试验时间为 ,则零失效事件的概率为:
由此得到单侧置信水平 下的失效率上限:
对于目标任务时间 ,可以将失效率上限换算为可靠度下限:
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 设备小时。单侧 95% 置信上限为:
将该失效率上限换算为 1000 小时任务可靠度:
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 。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 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。
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:
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。
- 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 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。
- 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。
- 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。