您当前的位置:检测资讯 > 科研开发

威布尔在早期失效分析中的应用

嘉峪检测网        2022-04-25 01:22

1、浴盆曲线与威布尔分布的概率解释

 

威布尔在早期失效分析中的应用

 

● 对于一个早期失效,可以用一个形状参数小于1的威布尔分布来描述;

 

● 反之,如果某个失效模式可以用一个形状参数小于1的威布尔来描述,那么它将属于一个早期失效;

 

● 因此可以对某个失效模式的数据进行威布尔分布拟合,根据形状参数的数值,大概可以评估出失效类型。

 

威布尔在早期失效分析中的应用

 

2、威布尔分析的几个应用场景

 

● 应力筛选(以及Burn-in)数据分析

 

● 历史失效数据分析

 

● 失效类型确认

 

● 失效模式的区分

 

● 风险评估与决策

 

● 寿命计算

 

3、应力筛选(以及Burn-in)数据分析

 

3.1 Burn-in失效数据特点

 

3.1.1 劣势

 

● 删失数据

 

● 数量少

 

3.1.2 优势

 

● 失效模式不多

 

3.2 估计方法

 

● MLE

● 最小二乘法(LSXY)

● RRX/RRY秩回归

 

威布尔在早期失效分析中的应用

 

3.3 估计方法的对比方法

 

生成一组符合特定形状参数的威布尔分布的数据,整理为特定的删失数据数据,用不同方法进行拟合,观察形状参数的拟合精度。

 

3.4 删失数据-精确失效时间vs区间数据

 

威布尔在早期失效分析中的应用

 

● 测试数据为2000个随机数据,服从β=0.8,η=10000的威布尔分布。

 

● 实线表示每24小时检查一次,统计的失效数量,进而进行的估计;虚线表示根据此时的每个失效的具体时间来进行的估计。

 

● 绿线表示此时的累计失效。

 

● 大约有1%的具体失效信息就可以得到比较准确的估计;如果只有区间数据,需要更多的时间,也无法得到比较高水平的数据。

 

3.5 数据量对拟合精度的影响

 

威布尔在早期失效分析中的应用

 

● 如果因为某些原因限制,只能采用区间累计失效来计算,对比几种方式,采用RRX(或RRY)来计算的效果似乎更好一些。大概有4~5个数据点就能得到比较靠谱的结果。

 

● 额外的,如果仅是对比MIL和LSXY,当数据点比较少时,MIL更好一些;当数据较多,LSXY会更好。这和一般的理解,在处理删失数据用MIL,处理全数据使用LSXY的一致的。实际上,当数据点超过10个以后,LSXY的优势会表现出来。

 

3.6 数据不足时的处理方法

 

案例:某款触摸显示器,Burn-in条件为高温2小时;某个工单共计生产1540台,生产后Burn-in失效49台,失效现象均为划线中断,初步分析发现有一个或数个通道Open。

 

威布尔在早期失效分析中的应用

 

3.6.1 确认是否为早期失效

 

● 安排第二轮Burn-in测试,测试条件相同。投入通过第一轮的1491台,失效17台,失效现象相同。

 

● 基于现有数据,仍然没有办法确认是否为早期失效。

 

威布尔在早期失效分析中的应用

 

● 原计划再做一轮Burn-in,但此时产线表示后续排程已经确定,没有时间再安排一次BURN-IN。

 

● 作为妥协,选择从经过第二轮的产品中随机抽取200台,进行第三轮Burn-in,条件相同,时间为6小时。没有发现不良。

 

● 对于这200台,在90%置信度下,4~10小时的失效概率置信上限为1.14%。即假设1491台再Burn-in6小时,失效数量小于等于17台。

 

威布尔在早期失效分析中的应用

 

● 此时已基本能确认这个失效属于早期失效。

 

3.6.1 小结

 

● 当由于各种原因限制无法继续进行完整的筛选试验时,可以采用抽样方法对于下一阶段的失效率进行估计,进而达到增加数据的目的。

 

● 可以定义一个预期的β值,计算预期的失效率,然后设计这个抽样试验。

 

4、总结

 

● 威布尔分布在处理失效数据方面有很大的用处,正确合理的使用,可以对失效进行很好的整理、归纳和预测。

 

● 在处理筛选数据时,更多的有效数据对于计算精度有明显的提升,不是必须一定要很长的试验。

 

● 选择合理的计算方法可以提高威布尔拟合的计算精度,需要根据实际情况灵活调整。

 

● 对于失效数据偏少的情况,可以使用抽样的方法来在小花费的前提下完成一些风险评估。

 

分享到:

来源:可靠性的边界