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:
- 是否容易发生故障?
- 故障通常以什么形式出现?
- 故障会对其他部件和整个系统造成什么后果?
- 能否在故障造成严重后果之前发现它?
- 故障发生后能否限制影响范围?
- 能否快速维修和恢复?
- 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:
- 采样探头。
- 伴热管线。
- 样气预处理系统。
- 污染物分析仪。
- 温度、压力、流量等辅助测量设备。
- PLC 或工控机。
- 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。
- 定义系统功能和使用条件。
- 明确可靠性、可用度及安全性要求。
- 划分系统结构和功能模块。
- 使用 FMEA 识别潜在失效模式。
- 使用 FTA 分析系统级失效路径。
- 根据风险采取降额、冗余、隔离和保护措施。
- 建立故障检测、诊断和恢复机制。
- 通过试验验证设计。
- 收集现场运行数据。
- 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:
- 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。
- 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。
- 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。
- 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。
- 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。
- 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。
- 可靠性、稳定性、鲁棒性和安全性之间有什么区别?
- 如何对一套 CEMS 系统开展完整的 FMEA?
- 如何判断两个冗余传感器是否真正独立?
- 为什么有些设备的 MTBF 很高,但实际使用体验仍然不好?
- 如何通过传感器状态监测判断测量值是否可信?
- 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?
- 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。