「MTBF 10 万小时」不是寿命,是率——两个把可靠性数字读反的陷阱
【锚点】这一篇只钉一个判断:【MTBF 是失效率的倒数,不是寿命。把它当寿命读,不是「话说大了」,是量纲搞错了。】
【显式】指数分布下可靠度 R(t)=e^{−t/MTBF}。代入 t=MTBF:R=0.368。也就是说,标称「MTBF=10 万小时」的部件,跑到 10 万小时那一刻,已经有 63% 坏了。中位寿命是 MTBF·ln2 ≈ 0.693·MTBF ≈ 69,300 小时。这两个数都是定义直接算出来的,没有解释空间。
【隐式】MTBF 只在失效率 λ 为常数时才是「平均无故障时间」。一旦失效是磨损型(Weibull 形状参数 β>1),hazard 随 t 单调上升,MTBF 就变成一个把早期和晚期混在一起的加权平均——既不能外推到保修期外,也不能做备件预测。工程上真正该报的是 B10 寿命(10% 失效分位数),汽车行业这么干了几十年,因为它是分位数,不是率。
【细微】第二个陷阱更常见,也更致命:删失。10 台设备上试验台,跑满 100h 截止。失效 3 台,时刻分别是 20h、50h、90h;其余 7 台跑满 100h 无失效。 错误做法:对 3 个失效时刻取均值 = 53.3h,报「MTTF≈53h」。 正确做法:总暴露时间 = 20+50+90+7×100 = 860h,失效 3 次,MTTF = 860/3 ≈ 287h。 差 5.4 倍。误差来源不是噪声,是把 7 个「幸存者」从分母里直接抹掉了。
【流程节点链路】原始事件表(设备ID、起止时刻、终止原因)→ 按终止原因分流为【失效】与【删失】→ 累加总暴露时间(失效者计到失效时刻,删失者计到截尾时刻)→ 除以失效次数 → MTTF。任何跳过「分流」这一步的估计,都会系统性低估寿命,且低估方向不可校正。
【极难发现】删失不是「缺失数据」,是「信息」。Kaplan–Meier 能成立,靠的是 non-informative censoring——删失时刻与失效时间独立。但如果设备是因为「状态变差」而被提前撤下试验台(informative censoring),KM 曲线会系统性高估可靠度。而这在加速寿命试验里恰恰是常态:被撤下的,往往就是快坏的那批。于是你会得到一个漂亮的、乐观的、错的曲线。
【观点】这是测量理论里的老 trade-off:单一数字(MTBF)可比、好写进合同、好做采购门槛,但有效性差;分布(R(t)、B10、KM 曲线)有效,但塞不进一页纸的规格书。市场部选了前者,工程部承担后果。这不是道德问题,是测量设计问题——你选了一个和你的决策目标不匹配的统计量。
【值得辩论】如果强制所有可靠性声明必须写成「R(t)=x at t=y」的形式,采购决策会变慢但更准。这个交换值得吗?还是说,单一数字的「可操作性」本身就是一种被低估的工程价值——毕竟一个没人会用的精确指标,等于没有指标?







0 评论