重审浴盆曲线：将随机失效转化为可预测可靠性
“浴盆曲线”长期被引为理解机器随时间失效的基准。虽基本前提合理，但若视为字面生命周期模型，常规描绘易误导。更清晰掌握失效率实际演变，能制定更有效的可靠性策略。
核心上，浴盆曲线是概念工具，按时间、循环或里程将失效行为分三阶段——早期失效、稳定期、磨损期。经典平坦段常忽视许多机械系统呈现的线性上升，可替代所谓恒定率区。
关键在于，曲线不应被解读为对特定机器或系统的精确预测。它提供框架，预判不同生命阶段可能出现的失效模式类型。
可靠性专家常断言：大多数设备在大部分有效寿命内经历稳定、“随机”失效率。此期典型跟随早期失效阶段（失效更频繁）。但对机械资产，失效率可随时间线性上升。
常被误解的是：恒定失效率不代表失效真随机或不可控。随机表象源于两因素：某些失效模式真有随机成分，以及许多无关失效模式叠加，共同掩盖了潜在时间关系（见图1）。
通过按模式解聚失效，可揭示清晰时间依赖性——有的上升、有的下降、许多恒定。当存在明确时间趋势，主动干预——无论设计变更、操作调整、计划维护——能移动曲线、改善可靠性。
若某模式失效时间呈紧分布且无法通过设计或操作变更改变，硬性时基维护任务可能是最高效途径。虽状态基维护（CBM）是现代最佳实践，但当失效模式时间依赖明确可预测时，硬性时基行动仍具价值。
超越简化维护，识别时依赖失效模式开启诸多可靠性改进路径：
1) 针对性设计改进。 按模式分解的失效数据为设计工程师提供可行洞见。替代笼统可靠性目标，设计师获得弱点具体证据，能精准修改以减少未来失效。
2) 早期失效削减。 早期失效常源于安装不准或启动程序不足。模式级数据帮助定位这些问题，让你优化调试实践、减少昂贵早期缺陷。
3) 优化监测间隔。 若失效模式显示中等时间趋势、不足以证明硬性时基更换合理，可调整CBM间隔匹配上升风险，从而在失效显现前捕获问题。
按模式收集分析失效数据需纪律，但有成熟标准支撑。IEC 300-3-2提供稳健现场数据收集框架，IEC 812供标准化失效模式分类。将数据输入失效模式与影响分析（FMEA），获得结构化行动路线图。
抛弃“浴盆曲线注定不可避免的随机失效期”迷思，你可将其作为概念指南，主动识别、预测、缓释失效。
Drew Troyer，CRE与CMRP，Noria公司联合创始人兼全球服务运营高级副总裁，在机器可靠性领域拥有数十年专长。职业生涯跨Entek/Rockwell Automation产品经理、Diagnetics Inc.技术应用总监，并为国际纸业、Cargill、固特异、德州公用事业、Reliant Energy、Southern Companies等客户提供广泛咨询。
设备保养维修