無線通信產品的現場返還故障多種多樣，以智能手機為例，有硬件的、軟件的、部件的等，故障種類多達上百種。對于如此復雜的現場返還數據，為保證返還率預測的準確性，必須選擇重點故障進行失效率建模。如何選擇重點故障，可以通過圖5的某智能機現場返還故障占比案例進行說明。

通過計算可知，該產品前10 名故障數量占總故障數量的62.5%.如果只對這10個故障的現場數據分析和建模，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品，至少有33 種故障加起來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種故障進行建模。

確定了哪些故障要建模后，便開始進行失效率建模。以不識卡故障為例，其現場返還數據的規律如圖6所示。可以看出該故障早期失效期大約到第40周，最初的2周時間內主要由于開箱損和相關法律法規影響，返還率較高，而第3周后到第40周的返還成先波峰狀，經數學工具擬合分析后證明該分布符合威布爾分布。

40周后，該故障成線性分布，視作偶然失效期。

由于此類型消費類無線通信產品的產品生命周期較短，一般不超過2年，因此很難觀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行建模。

圖7是對不識卡故障的現場返還數據進行的建模，符合威布爾分布，其形狀參數為2.8,尺度參數24.7.在第40周附件的模型與實際數據略有差異，表明有故障發生但用戶因該產品已經使用了較長的時間，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。

按照以上數學工具擬合方式對其余32個故障進行建模，便可完成產品的失效率模型，如式(2)所示：

開始新產品的預測時，根據新產品可靠性測試和生產質量檢驗等輸出物進行失效率模型的因子計算，便可獲得新產品的失效率模型，如式(3)所示：

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

4 結語

通過以相同市場的已有產品返還數據進行產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品實際情況。并且結合無線通信產品的研發過程，相應的采用過程數據進行預測，使得可靠性預計工作與產品可靠性設計結合得更加緊密，為提高無線通信產品的可靠性，提高預測的準確性等方面都得以實現。