 以下内容为可靠性知识共享学习会的会员朋友（王进）的经验分享，非常感谢其支持与共享，谢谢！一、引言 近年，国内可靠性领域的蓬勃发展，最近“祝融登火” （一系列各种功能的分子系统，经历了发射阶段的高加速度、高强振动，太空飞行阶段的超高低温、强辐射等极端恶劣环境后登陆火星）成功，就是可靠性发展最好的诠释，其中凝聚了可靠性人的辛劳与汗水，这些可靠性人都是可靠性工作者中的佼佼者，值得大家仰慕。 然而，不可否认的事实是，可靠性工作但仍集中于军工，研究所，少部分大企业。绝大部分中小企业因可靠性的较大投入而却步；另一些大企业会因可靠性效果的不确定性与见效慢，而认为可靠性是鸡肋。从宏观讲，以上种种导致国内可靠性的发展不温不火；在可靠性工作实施过程中，尤其是在企业推行可靠性时，一些对可靠性的误解，让可靠性变得“不可靠”，让可靠性人哭笑不得，极为尴尬。本文主要从以下几个方面来进行介绍浅谈。 二、缺少时间参数的可靠度 说起可靠性，会经常被谈论“可靠度”指标。比如“听说XX公司XX产品的可靠度是0.9，那我们公司的产品的可靠度是多少”之类。相信大多数可靠性人不会正面回答该问题，而是从可靠度的定义“产品在规定的条件下和规定的时间内，完成规定功能的概率”来解释可靠度函数R(t)是一个时间参数的函数。脱离时间参数讲可靠度，就是拿不同的量具量测不同的事物，量测出的结果也就毫无意义，即便时间参数相同，不同的产品类型，可靠度值的大小也不应被拿出来对比。 三、让人抓狂的寿命指标 介绍以下几个寿命指标的简要定义： a.平均寿命Mean Life：产品寿命的平均值； b.中位寿命Median Life：产品寿命排序后的中位值； c. MTBF：平均故障间隔时间； d. MTTF：平均失效前时间； e.特征寿命：Weibull函数的尺寸参数η f. Bx寿命：累积达到x%的产品失效的时间点。 相信刚接触这些寿命概念的人，一定会混淆，一旦被人追问，就会抓狂。 在此简单总结以下这几个寿命指标的差异分别见表一：  表一 某案例分析中出现的几种寿命指标，见图一：  综上，不同的方式计算出的寿命指标不具备比较性，即如果衡量某产品不同阶段的寿命，必须采用相同的计算方式，相同的寿命指标才能横纵向对比。 四、条件可靠度R(T,t)预估返修数的漂移 条件可靠度R(T,t)：工作到某时刻T时尚未失效的产品，在该时刻T之后的某段时间t内不发生失效的概率。 相信很多企业领导在接触条件可靠度后，会要求可靠性人对企业产品的返修数进行预估。于是乎，可靠性人经过返修数据收集，统计分析，失效概率分布，条件可靠度推算后，得出一串的预估的返修数，甚至都加上90%的正态置信区间，而且还反推出最近一次的实际返修数在预估返修数的置信区间内。到此，本以为干了一件很“漂亮”的活，可是随着t的增大，多数人会发现实际返修数在逐步从置信区间内漂移到置信区间外，可靠性人的心开始变得“哇凉哇凉”。这是为什么呢？ 梳理一下R(T,t)的计算公式：  从统计学角度，在此公式中，已知返修数据的失效分布函数需服从weibull概率密度函数，那么问题来了，如何判定失效分布服从weibull分布？而实际返修数据为右删失数据，无法采用检定的方式进行判定，通常有两种处理方式： 一是直接假定服从weibull分布。该方式可以保证每次都用相同的计算方式和相同的寿命指标。示例见图二：  图二 二是采用分布ID图极大似然估计进行分布评估，通常选择AD值较小的分布函数。该方式可以保证已有的数据拟合度较高，但当数据更新后，每次选择的分布函数不一定相同。示例见图三、图四：  图三  图四 综上，无论选择哪一种方式，都无法保证失效分布严格服从weibull（或其它）分布，就会导致出现预估“失败”。如图四中，正态分布已是AD值最小的分布函数，但可以看出，随着时间轴向右推移，曲线必然漂移出置信区间。 为什么会出现失效分布不符合分布函数呢？其实对于单一失效模式，且数据是全数据时，通常都服从某种分布函数。而实际产品，通常有多种失效模式，当无法有效将多种失效模式识别区分开，多个分布函数的数据叠加后，就不再服从任何分布函数了。也就是，产品系统越复杂，条件可靠度漂移越严重。 五、可靠性预计工作的尴尬 以下内容摘录自北航康锐教授的文章《标准陈旧|从[祝融]成功登陆火星，看可靠性预计工作的尴尬》。 现行的常规做法，选用20世纪90年代发布的美国军用标准217F和2006年发布的中国军用标准299C。按照这些标准中的预计模型，计算[祝融]的失效率的步骤是：先从标准中查到每一类元器件的失效率，根据制造和使用条件，选择对应的修正因子，得到每个元器件的失效率，再将所有元器件的失效率进行相加，得到整机的失效率。然而组成[祝融]的零件应该数以百万计，经过相加后，[祝融]的失效率必定高到让自己都怀疑人生，无法回应领导和客户的质疑。 这种令人难以置信的预计结果几乎没人会相信，丧失专业权威性，被决策者直接跳过或者忽略，这也是可靠性人的噩梦。 造成这个结果的原因： 一是标准陈旧，很多元器件的技术不断进步，标准中的失效率和修正因子已不适用；而且还有很多新元器件在标准中找不到预计模型； 二是标准中采用元器件失效率直接相加的算法不科学。这样的算法的底层数学逻辑是概率乘积定理，而该定理使用的前提：是独立事件的发生概率相乘。工程实践中，这样的假设是不存在的，各种元器件相互关联，也是失效相联，这种联系对产品整体失效率的影响，直接被元器件失效率的“加和”算法无视了。 以上林林总总，有的需要可靠性人耐心的讲解可靠性词汇的定义和差异；有的是因为信息的不明确及模型适用性受限，导致无法得出“有效”的结果；还有的是可靠性技术发展受限，导致可靠性结论失真，导致工作成果遭到忽略。 国内企业的发展，首先考虑的是生存问题，其次是盈利问题，再其次才是质量可靠性造成的品牌问题，加之可靠性的“不可靠”，导致可靠性工作大多被边缘化，生存土壤劣化，严重制约国内可靠性的发展。 随着国内经济、技术不断发展，越来越多的企业已经进入行业前沿，基本无需考虑生存问题和盈利问题，此时可靠性问题逐步浮出水面。但可靠性的发展并不可一蹴而就，需要积累深耕。越来越多的前沿企业已经意识到这种趋势，开始开展可靠性活动，也希望他们能了解可靠性的“不可靠”，能在工作中给予更多的支持和包容，让可靠性人能更充分，更安心的开展工作，让企业可靠性更上一层楼，跻身为行业领跑者。 |
