质量与可靠性 / 系统课时

用设备运行小时数计算 FIT

用设备运行小时数计算 FIT

用一批设备的运行日志计算 FIT 时,不能将观察期的日历小时直接乘以设备数量。本文以 100 台设备的故障与停机记录为例,先求真实设备运行小时,再计算恒定失效率假设下的点估计,并识别提前失效、停机和使用强度差异造成的统计偏差。

学习目标

  • 正确汇总实际设备运行小时,处理提前失效、停机和未失效设备的观察时间。
  • 根据失效数量和总运行小时计算每小时失效率及 FIT。
  • 判断不同运行强度和维修记录是否适合合并统计。

将运行记录整理成设备小时

FIT(Failures In Time)表示每 10910^9 设备运行小时对应的失效次数。计算之前,必须确定统一的设备范围、失效判据、观察窗口和运行小时口径。

这里采用不可维修设备的首次失效寿命模型,并假设每运行一小时面临相同的失效风险,即失效率 λ\lambda 为常数。设备没有失效就结束观察,属于右删失;虽然不知道它将来何时失效,但已经运行的小时仍然贡献统计暴露量。

假设对 100 台同型号设备开展最长 1000 小时的现场观察,记录如下:

设备状态 台数 每台实际运行小时 贡献设备小时
未失效,全程运行 88 1000 88000
未失效,各停机 100 小时 10 900 9000
首次失效后退出观察 1 300 300
首次失效后退出观察 1 700 700
合计 100 — 98000

两台失效设备分别在累计运行 300 小时和 700 小时时发生首次失效,此后未再投入运行。10 台未失效设备的停机时间不包含在运行小时内。

因此,总暴露量是 98000 设备小时,首次失效数量为 2,而不是简单使用 100×1000=100000100\times1000=100000 设备小时。

设备小时的通用计算方式为:

T=∑i=1NtiT=\sum_{i=1}^{N}t_i

其中 tit_i 是第 ii 台设备在观察窗口内、首次失效或退出观察前的累计有效运行小时。对于这种寿命分析,一台设备最多贡献一次首次失效。

从失效数量换算为 FIT

在独立、同质且失效率恒定的指数寿命模型下,每小时失效率的最大似然点估计为:

λ^=DT\hat{\lambda}=\frac{D}{T}

其中 DD 为确认的首次失效数量,TT 为全部设备贡献的有效运行小时,λ^\hat{\lambda} 的单位为每小时。

换算 FIT 时乘以十亿:

FIT=λ^×109\mathrm{FIT}=\hat{\lambda}\times10^9

代入案例数据:

λ^=298000≈2.040816×10−5 h−1\hat{\lambda}=\frac{2}{98000}\approx2.040816\times10^{-5}\ \mathrm{h}^{-1}
FIT=298000×109≈20408.16\mathrm{FIT}=\frac{2}{98000}\times10^9\approx20408.16

下面用 Python 3 标准库完成同一计算,不需要额外安装依赖。将代码保存为 fit_calculation.py,执行 python fit_calculation.py。

python
full_run_units = 88
partial_run_units = 10
observation_hours = 1000
planned_downtime_hours = 100
failed_unit_hours = (300, 700)

# 停机小时不计入暴露量,失效设备只累计到首次失效
exposure_hours = (
    full_run_units * observation_hours
    + partial_run_units * (observation_hours - planned_downtime_hours)
    + sum(failed_unit_hours)
)

failures = len(failed_unit_hours)
failure_rate_per_hour = failures / exposure_hours
fit = failure_rate_per_hour * 1_000_000_000

# FIT 的分母是十亿设备运行小时,而非十亿台设备
print(f"设备小时: {exposure_hours}")
print(f"失效率: {failure_rate_per_hour:.8f} /h")
print(f"FIT: {fit:.2f}")

预期输出:

text
设备小时: 98000
失效率: 0.00002041 /h
FIT: 20408.16

这个结果表示:在所采用的恒定失效率模型和观察条件下,估计每十亿设备运行小时对应约 20408 次失效。它是根据有限样本计算的点估计,并不意味着现实中已经观察到如此多的故障,也不能直接视为产品寿命保证。

这一计算方法与 NIST 指数寿命模型的最大似然估计一致。

检查停机与不同使用强度的影响

如果直接按设备数量乘以日历观察时间计算,案例中的分母会变成 100000 设备小时,得到 20000 FIT,比正确结果约低 2%。这类偏差来自没有扣除停机和首次失效后的非运行时间。

更明显的问题出现在设备使用强度不同的场景。假设另一批同型号设备分为两组,实际累计运行情况如下:

分组 累计设备运行小时 首次失效数 FIT 点估计
A 组 40000 1 25000
B 组 10000 1 100000
合并 50000 2 40000

两组虽然各有一次失效,但因为运行暴露量不同,不能使用失效台数直接比较可靠性。合并计算必须以总失效数除以总设备小时,而不能把两组 FIT 直接求算术平均数;否则会得到 62500 FIT,与汇总数据不符。

还需要区分两种不同的使用强度:

  • 运行占空比不同:例如每天运行 8 小时与每天运行 20 小时。若每个运行小时的失效风险相同,可以通过累计真实运行小时统一统计口径。
  • 运行应力不同:例如一组长期处于高温满载,另一组处于常温轻载。即使都累计运行 1000 小时,每小时失效风险也可能不同,应先按负载、温度或工作模式分组,再判断能否合并。

确认统计口径与适用边界

将 FIT 写入可靠性报告前,至少检查以下事项:

  1. 失效判据一致:例如统一定义为水泵无法达到额定流量,而不是把一般报警、误报和实际功能失效混在一起。
  2. 重复事件已去重:同一次故障产生两张维修工单,不能作为两次独立的首次失效。
  3. 运行小时可以追溯:每台设备都有设备标识、累计运行小时、失效状态和观察截止时间;提前失效设备必须记录失效时的累计运行小时。
  4. 设备总体具有可比性:型号、使用环境和主要失效机理应尽量一致。存在明显的早期失效或磨损失效阶段时,恒定失效率模型可能不适用。
  5. 统计对象没有混淆:如果设备修复后继续运行,并且重复故障都计数,计算的是单位运行小时的故障事件发生强度,不能不加区分地将其解释为不可维修设备的首次失效危险率。

当失效数量为零而运行小时大于零时,按上述公式得到的 FIT 点估计为零,但这并不证明真实失效率为零;当运行小时为零时,公式无法计算。

本例最终可登记为:样本 100 台、累计有效暴露 98000 设备小时、首次失效 2 次、恒定失效率模型下的点估计 20408.16 FIT。报告应同时保留观察期限、失效定义、运行条件和样本数量,使后续人员能够复核这一结果,而不是只留下一个孤立的 FIT 数字。

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

用设备运行小时数计算 FIT

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