淺析無(wú)線(xiàn)通信產(chǎn)品的可靠性預計與實(shí)現

無(wú)線(xiàn)通信產(chǎn)品的現場(chǎng)返還故障多種多樣，以智能手機為例，有硬件的、軟件的、部件的等，故障種類(lèi)多達上百種。對于如此復雜的現場(chǎng)返還數據，為保證返還率預測的準確性，必須選擇重點(diǎn)故障進(jìn)行失效率建模。如何選擇重點(diǎn)故障，可以通過(guò)圖5的某智能機現場(chǎng)返還故障占比案例進(jìn)行說(shuō)明。

通過(guò)計算可知，該產(chǎn)品前10 名故障數量占總故障數量的62.5%.如果只對這10個(gè)故障的現場(chǎng)數據分析和建模，則預測方法的系統誤差有37.5%,這與要求的系統誤差不高于10%相差甚遠。為降低預測的系統誤差，應擴大更多的故障進(jìn)行建模，使得這些故障總占比超出90%.按前面案例中的智能機產(chǎn)品，至少有33 種故障加起來(lái)的故障數占總故障數比值超出90%,在失效率建模中要分別對這33種故障進(jìn)行建模。

確定了哪些故障要建模后，便開(kāi)始進(jìn)行失效率建模。以不識卡故障為例，其現場(chǎng)返還數據的規律如圖6所示?？梢钥闯鲈摴收显缙谑诖蠹s到第40周，最初的2周時(shí)間內主要由于開(kāi)箱損和相關(guān)法律法規影響，返還率較高，而第3周后到第40周的返還成先波峰狀，經(jīng)數學(xué)工具擬合分析后證明該分布符合威布爾分布。

40周后，該故障成線(xiàn)性分布，視作偶然失效期。

由于此類(lèi)型消費類(lèi)無(wú)線(xiàn)通信產(chǎn)品的產(chǎn)品生命周期較短，一般不超過(guò)2年，因此很難觀(guān)測到故障的耗損失效期，為此僅對故障的早期失效期和偶然失效期的失效率進(jìn)行建模。

圖7是對不識卡故障的現場(chǎng)返還數據進(jìn)行的建模，符合威布爾分布，其形狀參數為2.8,尺度參數24.7.在第40周附件的模型與實(shí)際數據略有差異，表明有故障發(fā)生但用戶(hù)因該產(chǎn)品已經(jīng)使用了較長(cháng)的時(shí)間，不愿意去維修，故返回規律在此處與模型有所差異。

可得不識卡故障的失效率模型如式(1)所示：

式中：N為總返還量。

按照以上數學(xué)工具擬合方式對其余32個(gè)故障進(jìn)行建模，便可完成產(chǎn)品的失效率模型，如式(2)所示：

開(kāi)始新產(chǎn)品的預測時(shí)，根據新產(chǎn)品可靠性測試和生產(chǎn)質(zhì)量檢驗等輸出物進(jìn)行失效率模型的因子計算，便可獲得新產(chǎn)品的失效率模型，如式(3)所示：

式中：N為總返還量;Mi為某故障在生產(chǎn)質(zhì)量檢驗中的發(fā)生概率與已有產(chǎn)品在生產(chǎn)質(zhì)量檢驗中發(fā)生概率的比值，作為該產(chǎn)品的制造因素參數;Di為某故障在研發(fā)階段可靠性測試中的失效率與已有產(chǎn)品的失效率比值，作為該產(chǎn)品的設計因素參數。最后，通過(guò)返還率的定義，按月份計算產(chǎn)品上市后各個(gè)月度的返還率。

4 結語(yǔ)

通過(guò)以相同市場(chǎng)的已有產(chǎn)品返還數據進(jìn)行產(chǎn)品失效率建模和返還率預測，規避了Bellcore-SR332可靠性預計方法上的缺陷，使得返還率的預測更加符合產(chǎn)品實(shí)際情況。并且結合無(wú)線(xiàn)通信產(chǎn)品的研發(fā)過(guò)程，相應的采用過(guò)程數據進(jìn)行預測，使得可靠性預計工作與產(chǎn)品可靠性設計結合得更加緊密，為提高無(wú)線(xiàn)通信產(chǎn)品的可靠性，提高預測的準確性等方面都得以實(shí)現。