那天良率掉到哭爸，老闆問我「預期壽命」是多久
還記得兩年前，我們那批新製程的產品剛量產，一開始良率還行，Cpk 也有個 1.08 左右。結果過沒多久，客戶那邊就開始抱怨了，說產品常常用到一半就掛掉。更慘的是，那個失效模式不是一開始就能抓到的，而是要累積一定的時間才會爆。當時老闆氣到臉都綠了，直接把我叫過去，劈頭就問：「你告訴我，這批貨的『預期壽命』到底還有多久？我們能撐到下次改版嗎？」媽的，那時候我哪知道啊，心裡只覺得涼了半截。
問題出在哪？不是單一事件，是連環爆啊！
說穿了，你遇到的問題跟我那天一樣，就是系統可靠度。很多人會想說，我每個零件都驗證過啊，Cpk 都有到，怎麼組合起來就出事？坦白講，這就像你買一堆零件回家組電腦，電源供應器很穩、記憶體很穩、主機板也很穩，但全部兜在一起，就可能因為某個零件跟其他零件的「互動」出問題，或是環境條件沒考慮到，結果就是不定時當機。
我們產線上的產品，通常不只一個失效模式。可能是高溫加速老化，也可能是濕氣入侵，或是震動導致焊點疲勞。每個失效模式都有自己的「壽命分佈」。當這些失效模式同時存在，而且它們之間又不是完全獨立的時候，你只看單一零件的 Cpk 根本不夠。你需要一個方法，去模擬這些「不確定性」疊加起來，會對整個產品的壽命造成什麼影響。這時候，蒙地卡羅法就派上用場了。
實際上怎麼做？用亂數模擬搞清楚人生
所以重點是，蒙地卡羅法就是一種「亂數模擬」的方法。它不是在算一個精確值，而是在模擬成千上萬次不同的情境，然後從這些情境中去觀察結果的分佈。
舉個例子，假設我們的產品有兩個主要的失效模式：
- 模式 A：平均壽命 1000 小時，標準差 100 小時（假設是常態分佈）
- 模式 B：平均壽命 1200 小時，標準差 150 小時（也假設是常態分佈）
用蒙地卡羅法，我們會這樣做：
- 設定模擬次數： 比如說，我們模擬 10,000 次。
- 每次模擬：
* 從模式 B 的分佈中，隨機抽取一個壽命值（比如 1100 小時）。
* 由於產品的壽命是由「最先失效的模式」決定，所以這次模擬的產品壽命就是 950 小時（取兩者最小值）。
- 重複 10,000 次： 這樣你就得到 10,000 個模擬出來的產品壽命。
- 分析結果： 你可以畫出這些壽命的分佈圖，計算平均壽命、標準差，甚至找出產品在 500 小時內失效的機率是多少。
你看，這樣是不是就能比較客觀地評估你的產品「預期壽命」了？我們那次就是用這個方法，模擬了十幾種失效模式，結果發現產品在一年內失效的機率高達 15%！DPMO 換算下來大概是 150,000，嚇死人。
最常見的坑：數據來源不對，模擬出來都是垃圾
說實話，蒙地卡羅法最常見的坑，就是你輸入的數據根本是錯的。如果你一開始對每個失效模式的壽命分佈、參數（平均值、標準差、甚至分佈類型，是常態分佈還是 Weibull 分佈）估計不準，那模擬出來的結果就跟垃圾沒兩樣。
我曾經看過一個菜鳥，直接拿實驗室「加速壽命測試」的結果，套用在真實環境的產品上，結果參數完全跑掉。加速測試的壽命分佈跟實際產品的衰退曲線根本不同，他還傻傻地以為套個 Arrhenius 方程式就能搞定。所以重點是，你必須要有可靠的歷史數據，或是嚴謹的實驗設計去取得這些分佈參數，否則就是在盲人摸象。
今天能做的一件事
找出你產品最關鍵的兩個失效模式，估計它們的壽命分佈，然後用 Excel 跑 1000 次蒙地卡羅模擬。