浅析无线通信产品的可靠性预计与实现

上百种。对于如此复杂的现场返还数据，为保证返还率预测的准确性，必须选择重点故障进行失效率建模。如何选择重点故障，可以通过图5的某智能机现场返还故障占比案例进行说明。

通过计算可知，该产品前10 名故障数量占总故障数量的62.5%.如果只对这10个故障的现场数据分析和建模，则预测方法的系统误差有37.5%,这与要求的系统误差不高于10%相差甚远。为降低预测的系统误差，应扩大更多的故障进行建模，使得这些故障总占比超出90%.按前面案例中的智能机产品，至少有33 种故障加起来的故障数占总故障数比值超出90%,在失效率建模中要分别对这33种故障进行建模。

确定了哪些故障要建模后，便开始进行失效率建模。以不识卡故障为例，其现场返还数据的规律如图6所示。可以看出该故障早期失效期大约到第40周，最初的2周时间内主要由于开箱损和相关法律法规影响，返还率较高，而第3周后到第40周的返还成先波峰状，经数学工具拟合分析后证明该分布符合威布尔分布。

40周后，该故障成线性分布，视作偶然失效期。

由于此类型消费类无线通信产品的产品生命周期较短，一般不超过2年，因此很难观测到故障的耗损失效期，为此仅对故障的早期失效期和偶然失效期的失效率进行建模。

图7是对不识卡故障的现场返还数据进行的建模，符合威布尔分布，其形状参数为2.8,尺度参数24.7.在第40周附件的模型与实际数据略有差异，表明有故障发生但用户因该产品已经使用了较长的时间，不愿意去维修，故返回规律在此处与模型有所差异。

可得不识卡故障的失效率模型如式(1)所示：

式中：N为总返还量。

按照以上数学工具拟合方式对其余32个故障进行建模，便可完成产品的失效率模型，如式(2)所示：

开始新产品的预测时，根据新产品可靠性测试和生产质量检验等输出物进行失效率模型的因子计算，便可获得新产品的失效率模型，如式(3)所示：

式中：N为总返还量;Mi为某故障在生产质量检验中的发生概率与已有产品在生产质量检验中发生概率的比值，作为该产品的制造因素参数;Di为某故障在研发阶段可靠性测试中的失效率与已有产品的失效率比值，作为该产品的设计因素参数。最后，通过返还率的定义，按月份计算产品上市后各个月度的返还率。

4、结语

通过以相同市场的已有产品返还数据进行产品失效率建模和返还率预测，规避了Bellcore-SR332可靠性预计方法上的缺陷，使得返还率的预测更加符合产品实际情况。并且结合无线通信产品的研发过程，相应的采用过程数据进行预测，使得可靠性预计工作与产品可靠性设计结合得更加紧密，为提高无线通信产品的可靠性，提高预测的准确性等方面都得以实现。