可靠性工程

可靠性工程(Reliability Engineering)

[!abstract] 核心思想 可靠性工程研究如何让系统在规定条件和规定时间内,持续完成规定功能。

它不只是追求设备不发生故障,而是通过合理设计、故障分析、状态监测、保护机制和维护策略,使系统能够预防故障、发现故障、控制故障,并在故障发生后尽可能快速恢复。

1. 为什么需要可靠性工程?

传统的设备设计往往首先关注功能实现:

  • 这个传感器能否测量?
  • 这个电路能否正常工作?
  • 这个机械机构能否完成运动?
  • 这个软件能否实现预定功能?

但是,一个系统能够正常工作,并不意味着它能够长期稳定地工作。

例如,一套 CEMS 分析系统:

  • 刚投入运行时,测量结果正常。
  • 运行一段时间后,光源逐渐衰减。
  • 分析仪仍然能够正常输出数据。
  • Modbus 通信正常,PLC 也能成功读取。
  • 但测量误差已经逐渐超出允许范围。

从设备运行和通信的角度看,系统似乎没有故障;但从测量功能的角度看,它已经无法满足规定要求。

这引出了可靠性工程最重要的认识:

系统是否正常运行,与系统是否持续正确地完成规定功能,并不是同一件事。

可靠性工程关注的不仅是设备能否工作,还包括:

  1. 是否容易发生故障?
  2. 故障通常以什么形式出现?
  3. 故障会对其他部件和整个系统造成什么后果?
  4. 能否在故障造成严重后果之前发现它?
  5. 故障发生后能否限制影响范围?
  6. 能否快速维修和恢复?
  7. 如何通过设计和运行数据持续改进?

因此,可靠性应该从系统设计阶段就开始考虑,而不是等设备投入使用后再通过维修解决。

2. 可靠性工程的基本概念

2.1 可靠性(Reliability)

可靠性通常使用 $R(t)$ 表示。

它描述系统或产品在规定条件下,从规定初始状态开始,在规定时间内不发生规定功能失效的概率。

对于恒定失效率的指数分布模型:

$$
R(t)=e^{-\lambda t}
$$

其中:

  • $R(t)$:时间 $t$ 内的可靠度。
  • $\lambda$:恒定失效率。
  • $t$:运行时间。

例如,某设备的恒定失效率为:

$$
\lambda=0.0001/h
$$

运行 1000 小时后的可靠度:

$$
R(1000)=e^{-0.0001\times1000}
\approx90.48%
$$

这表示在模型假设成立的情况下,同类设备从规定初始状态开始运行 1000 小时,约有 90.48% 的概率在这段时间内不发生规定的功能失效。

注意:可靠度是概率,不是单台设备的寿命保证。

2.2 故障率(Failure Rate)

故障率描述设备在某一时刻发生故障的瞬时倾向。

在恒定失效率模型中:

$$
\lambda=\frac{1}{MTBF}
$$

单位通常为次/小时或 $h^{-1}$。

实际设备的失效率可能随时间变化,因此不能把恒定失效率假设应用于所有生命周期阶段。

2.3 MTBF(平均故障间隔时间)

MTBF = Mean Time Between Failures。

它通常用于可修复设备,表示相邻故障之间平均运行时间。

例如:

某设备累计运行 20000 小时,发生 4 次故障:

$$
MTBF=\frac{20000}{4}=5000h
$$

MTBF 越大,通常表示设备发生故障的频率越低。

重要:MTBF = 5000 小时,不意味着设备一定能够连续运行 5000 小时不发生故障。

它是统计意义上的平均指标,不是设备寿命、保修期或单次无故障运行保证。

2.4 MTTR(平均修复时间)

MTTR = Mean Time To Repair。

它描述设备发生故障后,平均需要多长时间恢复。

$$
MTTR=\frac{\sum t_i}{n}
$$

例如,三次故障的修复时间分别为 2、4、3 小时:

$$
MTTR=\frac{2+4+3}{3}=3h
$$

MTTR 越短,通常意味着维修和恢复能力越强。

实际统计时,需要明确是否包含故障诊断、等待备件、维修和重新调试时间。

2.5 可用度(Availability)

可用度描述系统在需要时处于可用状态的比例。

对于简单的稳态可修复系统:

$$
A=\frac{MTBF}{MTBF+MTTR}
$$

例如:

  • MTBF = 5000 小时。
  • MTTR = 5 小时。

则:

$$
A=\frac{5000}{5005}\approx99.90%
$$

这说明即使设备会发生故障,只要维修恢复足够快,仍然可能保持较高的可用度。

需要区分:

概念 核心问题
可靠性 在规定时间内不发生功能失效的能力
可维修性 发生故障后恢复功能的能力
可用度 需要时系统处于可用状态的比例

2.6 可靠性、可用性与安全性

这三个概念相互关联,但不能混为一谈。

  • 可靠性(Reliability):系统能否持续完成规定功能。
  • 可用性(Availability):系统需要时能否提供服务。
  • 安全性(Safety):系统是否能够避免不可接受的危险后果。

例如:

一台设备发生故障后自动安全停机,可能具有良好的安全性,但其可用度可能下降。

一台设备长期没有停机,却持续输出错误测量值,也不能因此认定其功能可靠。

3. 可靠性工程的核心设计思想

可靠性工程并不是简单地选择更贵的元器件,而是从系统层面降低失效概率和失效后果。

3.1 降额设计(Derating)

核心思想:

不要让元器件长期工作在额定能力的极限附近,应为实际工作条件留出合理裕量。

例如:

  • 电阻的实际功耗低于额定功率。
  • 电容的工作电压低于额定耐压。
  • 电源的长期负载不接近最大额定输出。
  • 电机的工作电流和温升留有裕量。
  • 机械轴的工作应力低于允许应力,并考虑疲劳寿命。

降额设计的本质是降低元器件承受的电气、热、机械等应力,减少由应力引起的失效风险。

但降额不是越多越好,还需要综合考虑成本、体积、效率和实际工作范围。

3.2 冗余设计(Redundancy)

核心思想:

不要让系统的正常运行过度依赖单个部件。

例如,某系统采用两个独立传感器,只要其中一个正常工作,系统就能继续完成任务。

假设:

  • 传感器 A 可靠度为 0.95。
  • 传感器 B 可靠度为 0.95。

在两个传感器失效相互独立的前提下:

$$
R=1-(1-0.95)^2=0.9975
$$

系统可靠度为 99.75%。

但是,冗余设计必须考虑共因失效(Common Cause Failure)。

例如:

  • 两个传感器共用同一个电源。
  • 两个控制器共用同一条通信链路。
  • 两套设备安装在相同的恶劣环境中。
  • 两套设备使用存在相同缺陷的软件。

这些因素可能导致两个部件同时失效。

因此,真正有效的冗余设计需要考虑供电、通信、环境、控制逻辑和物理结构的独立性。

3.3 故障隔离(Fault Isolation)

核心思想:

一个局部故障不应该轻易扩散成整个系统的故障。

例如:

  • 某一路传感器异常,不应导致其他测量通道停止工作。
  • 某个通信从站掉线,不应阻塞其他设备的正常通信。
  • 某个模块发生短路,不应导致整个控制系统断电。
  • 某个软件任务异常,不应直接拖垮整个应用程序。

模块化设计、电气隔离、独立保护和异常处理机制都可以帮助实现故障隔离。

3.4 故障安全(Fail-safe)

核心思想:

当系统发生异常时,应优先进入预先定义的安全状态,而不是继续执行可能产生危险后果的操作。

例如:

  • 温度过高时切断加热输出。
  • 压力超过安全阈值时停止相关设备。
  • 关键传感器失效时禁止自动控制继续执行。
  • 通信中断时,控制系统进入预定义的异常处理状态。

故障安全不等于简单地断电或关闭所有输出。

具体安全状态取决于设备功能和风险分析。有些设备断电反而可能引发更大的危险。

3.5 可维修性设计(Maintainability)

核心思想:

不仅要考虑设备如何正常工作,还要考虑设备发生故障后如何快速恢复。

例如:

  • 采用模块化结构,便于更换故障部件。
  • 预留测试点和诊断接口。
  • 提供明确的故障代码。
  • 将易损件设计成方便拆装的结构。
  • 保留必要的运行日志和历史故障信息。

可维修性直接影响 MTTR 和系统可用度。

4. 可靠性工程的核心分析方法

4.1 FMEA:失效模式与影响分析

FMEA = Failure Mode and Effects Analysis。

它是一种自下而上的分析方法。

核心问题:

每个部件可能以什么方式失效?为什么失效?会产生什么后果?如何预防或检测?

以 CEMS 采样系统为例:

部件 失效模式 可能原因 潜在后果
采样探头 堵塞 粉尘积聚 采样流量下降
伴热管线 加热失效 加热元件损坏 样气冷凝
过滤器 堵塞 滤芯污染 采样阻力增大
冷凝器 制冷失效 制冷系统故障 样气处理异常
分析仪 光源衰减 长期使用 测量漂移
通信模块 通信中断 接口或线路故障 数据无法上传

完整的 FMEA 还需要分析:

  • 失效原因。
  • 失效影响。
  • 严重度 S(Severity)。
  • 发生度 O(Occurrence)。
  • 探测度 D(Detection)。
  • 现有控制措施。
  • 建议采取的改进措施。

传统 FMEA 中常用风险优先数:

$$
RPN=S\times O\times D
$$

RPN 可以用于辅助风险排序,但它不是绝对风险值。现代 FMEA 还会采用行动优先级(Action Priority),避免只依赖乘积进行判断。

FMEA 的价值:在故障发生之前,提前思考系统可能如何失效。

4.2 FTA:故障树分析

FTA = Fault Tree Analysis。

它是一种自上而下的分析方法。

核心问题:

如果系统发生某个顶层故障,可能是哪些底层事件导致的?

例如:顶层事件:CEMS 无法提供有效测量数据。

可能的原因:

  • 采样系统故障。
  • 分析系统故障。
  • 控制系统故障。
  • 数据质量异常。

进一步使用逻辑门分析:

  • OR 门:任意一个输入事件发生,就可能导致上级事件。
  • AND 门:所有指定输入事件同时发生,才会导致上级事件。

例如,两个独立电源都失效才会造成系统完全断电,可以使用 AND 门描述。

FMEA 和 FTA 的区别:

方法 分析方向 核心问题
FMEA 自下而上 一个部件失效会造成什么后果?
FTA 自上而下 系统故障可能由什么原因导致?

两种方法可以配合使用,帮助工程师从部件和系统两个层面理解失效。

4.3 可靠性试验与验证

设计阶段的理论分析不能完全代替实际验证。

常见验证方法包括:

  • 环境试验:温度、湿度、振动、冲击等。
  • 寿命试验:观察产品长期运行表现。
  • 老化试验:提前暴露部分早期失效问题。
  • 故障注入:人为制造异常,验证保护和恢复机制。
  • 连续运行测试:验证系统长期运行的稳定性。
  • 维修性测试:验证故障定位和恢复所需时间。

可靠性设计必须通过合理的试验和现场数据验证。

5. 产品生命周期与浴盆曲线

浴盆曲线(Bathtub Curve)描述的是某些产品在生命周期内的典型失效率变化趋势。

通常可以划分为三个阶段。

5.1 早期失效期

特点:初期失效率较高,随后逐渐下降。

常见原因:

  • 元器件制造缺陷。
  • 焊接质量问题。
  • 装配错误。
  • 设计缺陷。
  • 安装调试问题。

对应措施:

  • 出厂检测。
  • 老化测试。
  • 装配质量控制。
  • 现场调试。
  • 设计验证。

5.2 随机失效期

特点:失效率相对稳定。

常见原因:

  • 偶发电气故障。
  • 外部环境干扰。
  • 突发机械损伤。
  • 随机元器件失效。

在这个阶段,可以使用恒定失效率模型进行近似分析:

$$
R(t)=e^{-\lambda t}
$$

5.3 磨损失效期

特点:失效率随着使用时间增加而上升。

常见原因:

  • 轴承磨损。
  • 密封件老化。
  • 电解电容性能衰退。
  • 光源老化。
  • 加热元件疲劳。
  • 机械结构疲劳。

对应措施:

  • 预防性维护。
  • 定期更换易损件。
  • 寿命监测。
  • 关键部件升级。

注意:浴盆曲线是典型生命周期模型,不代表所有设备都必然具有完整的三个阶段。

6. 将可靠性工程应用于 CEMS

以一套完整的 CEMS 测量系统为例:

系统主要组成:

  1. 采样探头。
  2. 伴热管线。
  3. 样气预处理系统。
  4. 污染物分析仪。
  5. 温度、压力、流量等辅助测量设备。
  6. PLC 或工控机。
  7. 数据采集和上传系统。

从功能设计角度,需要保证每个部件能够正常工作。

从可靠性工程角度,还需要分析整个系统可能出现的失效。

系统部分 潜在问题 可靠性设计方向
采样探头 堵塞、腐蚀 反吹、过滤、材料选型
伴热管线 温度不足、断线 温度监测、独立保护
预处理系统 冷凝器异常、过滤器堵塞 状态监测、报警、维护
分析仪 零点漂移、量程漂移 校准、诊断、性能验证
控制系统 PLC 故障、程序异常 看门狗、联锁、故障处理
通信系统 断线、超时、数据异常 超时检测、重连、数据状态管理
数据系统 无效数据被当作正常值 数据质量标识、有效性判断

6.1 一个关键案例:数据存在不等于数据可信

假设分析仪的光源逐渐衰减。

此时:

  • 串口通信正常。
  • Modbus 正常。
  • PLC 成功读取数据。
  • 数据格式正确。
  • 分析仪仍然持续输出 NOx 数值。

但由于光源衰减,测量结果可能逐渐偏离真实值。

如果控制系统仅仅通过通信是否正常来判断分析仪是否正常,就可能将错误数据作为有效测量值使用。

因此,可靠的测量系统应该区分:

  • 通信状态是否正常。
  • 设备运行状态是否正常。
  • 测量性能是否满足要求。
  • 当前测量数据是否有效。

这也是可靠性工程与数据质量管理、测量系统设计之间的重要联系。

6.2 [[稳定性优先原则]] 与可靠性工程

之前讨论的稳定性优先原则:

先保证系统处于正确、稳定、可控的状态,再允许系统向外界产生影响。

可以看作可靠性设计中的一种具体思想。

例如:

场景 稳定性设计措施
芯片上电 等待电源和时钟稳定,再使能芯片
传感器启动 等待预热和初始化完成
CEMS 分析仪 未就绪时不将测量结果作为有效数据
PLC 控制 启动前检查必要的联锁条件
软件服务 健康检查通过后才接受业务请求

这些设计共同体现了一个原则:

系统的输出应该受到自身状态和前置条件的约束。

相关笔记:

  • [[稳定性优先原则]]
  • [[系统就绪状态]]
  • [[输出许可机制]]
  • [[故障安全原则]]
  • [[测量数据有效性]]

7. 可靠性工程的完整设计流程

在设计一个新设备或系统时,可以按照以下步骤开展可靠性工作。

  1. 定义系统功能和使用条件。
  2. 明确可靠性、可用度及安全性要求。
  3. 划分系统结构和功能模块。
  4. 使用 FMEA 识别潜在失效模式。
  5. 使用 FTA 分析系统级失效路径。
  6. 根据风险采取降额、冗余、隔离和保护措施。
  7. 建立故障检测、诊断和恢复机制。
  8. 通过试验验证设计。
  9. 收集现场运行数据。
  10. 根据故障统计持续改进。

可靠性不是设备制造完成后才进行的检查,而应该贯穿需求、设计、制造、测试、运行和维护的整个生命周期。

8. 核心认知总结

可靠性工程最值得记住的不是某一个公式,而是下面几个设计思想:

  1. 不要只关注设备能否正常工作,还要关注长期运行是否持续满足规定功能。
  2. 不要等故障发生后再处理,应在设计阶段提前识别失效模式。
  3. 不要假设单个部件永远不会失效,应考虑冗余、隔离和故障保护。
  4. 不要只考虑正常状态,还要明确异常状态下系统应该如何行动。
  5. 不要只考虑如何制造设备,还要考虑如何诊断、维修和恢复设备。
  6. 不要仅凭理论判断可靠性,应通过试验和现场数据进行验证。

[!quote] 最核心的工程思想 优秀的工程系统,不是一个永远不会发生故障的系统,而是一个能够预防故障、及时发现故障、限制故障影响,并在故障发生后可靠恢复的系统。


9. 知识关联与延伸阅读

基础理论

  • [[可靠度与失效率]]
  • [[MTBF 与 MTTR]]
  • [[可用度 Availability]]
  • [[浴盆曲线]]

故障分析

  • [[FMEA 失效模式与影响分析]]
  • [[FTA 故障树分析]]
  • [[共因失效 Common Cause Failure]]
  • [[失效模式与失效机理]]

可靠性设计

  • [[降额设计 Derating]]
  • [[冗余设计 Redundancy]]
  • [[故障隔离 Fault Isolation]]
  • [[故障安全 Fail-safe]]
  • [[可维修性设计 Maintainability]]

相关工程思想

  • [[稳定性优先原则]]
  • [[系统工程]]
  • [[风险管理]]
  • [[安全工程]]
  • [[测量系统设计]]

实际应用

  • [[CEMS 采样系统可靠性分析]]
  • [[分析仪故障诊断]]
  • [[工业通信可靠性设计]]
  • [[PLC 联锁与故障保护]]

10. 值得继续探讨的问题

这些问题不必立即得出答案,可以作为后续与 GPT / Muse 讨论的入口。

  1. 可靠性、稳定性、鲁棒性和安全性之间有什么区别?
  2. 如何对一套 CEMS 系统开展完整的 FMEA?
  3. 如何判断两个冗余传感器是否真正独立?
  4. 为什么有些设备的 MTBF 很高,但实际使用体验仍然不好?
  5. 如何通过传感器状态监测判断测量值是否可信?
  6. 如何设计一套能够自动检测、隔离和恢复故障的工业控制系统?
  7. 可靠性工程与 RAMS(可靠性、可用性、可维修性和安全性)有什么关系?

笔记维护原则: 本文作为可靠性工程的总纲,后续深入研究某个概念时,应优先建立独立子笔记,再通过双向链接连接回来。避免不断向本文堆积细节,使总纲失去导航作用。

Licensed under CC BY-NC-SA 4.0