小服AI 前言
零失效试验给出的不是平均寿命，而是一个置信下限。样本 3 台全过，和 30 台全过，在同样置信度下能支撑的结论差一个量级。判读时必须先钉死三件事：
1、置信度是多少（常用 60% / 90%）；
2、这是下限，不是点估计；
3、样本量与试验时长可以互换，但前提是失效率模型成立。
在谈加速之前，先得把环境剖面写出来：温度范围与循环次数、湿度、振动谱、电压波动、负载占空比、每天启停几次。剖面写不出来，试验条件就是空中楼阁。
加速倍数必须由物理模型（阿伦尼斯、逆幂律、Coffin-Manson 等）或独立试验支撑。最常见的循环论证是：用样品数据反推一个加速倍数，再用这个倍数去预测量产寿命。
三个高频错误：
1、只统计失效样本，把未失效（删失）样本直接删掉 → 寿命被严重低估；
2、不同批次、不同工况混在一起算一条曲线 → 得到一条没有物理意义的曲线；
3、把定量问题做成”合格 / 不合格”结论 → 丢掉了全部定量信息。
MTBF 不是”能用这么久”MTBF 是分布参数推导出的期望寿命，不等于”这台机器保证跑 10 万小时”。客户提”MTBF 十万小时”，先问清楚要的是哪一件：
1、期望寿命 10 万小时；
2、10 万小时时可靠度不低于某个值；
3、寿命分布的某个分位点（如 B10）。
这三件事差很远，报价和设计余量也跟着差很远。
样品全过、量产全崩，通常不是产品变了，而是这轮试验从一开始就没设计好。
