可靠性增长试验是通过逐步暴露和纠正产品故障、提升可靠性水平的关键手段，而试验样品的代表性直接决定了试验结果能否真实反映批量产品的可靠性特征。若样品选取偏离实际生产或使用状态，试验得出的改进措施可能无法有效解决批量产品问题，甚至误导决策。因此，明确试验样品的代表性选取原则，是确保可靠性增长试验有效性的基础环节。

与目标种群的全面一致性原则

可靠性增长试验的目标是提升批量产品的可靠性，因此试验样品需首先与“目标种群”保持全面一致。这里的“目标种群”指试验最终要覆盖的批量生产产品，包括设计方案、材料规格、生产工艺、关键零部件供应商及装配流程等核心要素。例如，若目标种群采用A供应商的集成电路，试验样品就不能改用B供应商的同类部件，否则试验中暴露的故障可能仅与B供应商部件相关，无法反映A供应商部件的实际问题。

需注意的是，这种一致性不仅限于“硬件”，还包括软件版本（如嵌入式软件的固件版本）、校准状态（如传感器的初始校准参数）等“软要素”。例如，某工业机器人的可靠性增长试验中，若样品使用的软件版本比目标种群落后1个迭代，试验中发现的软件逻辑故障可能已在目标种群的新版本中修复，导致试验结果失去参考价值。

此外，对于有多个配置的产品（如同一型号手机的不同存储容量版本），需明确目标种群的配置范围，确保样品覆盖所有需改进的配置类型。若仅选取某一配置的样品，试验结果无法推广至其他配置，可能遗漏不同配置下的特有故障。

覆盖产品关键特性的原则

产品的可靠性往往由少数关键特性决定，因此试验样品需重点覆盖这些关键特性。关键特性通常包括：直接影响产品主要功能的部件（如航空发动机的涡轮叶片）、易发生故障的高风险部件（如汽车的刹车助力泵）、对环境应力敏感的部件（如户外设备的防水密封件）及客户关注的核心性能指标（如智能手机的电池续航时间）。

例如，某无人机的可靠性增长试验中，飞控系统、电池管理系统和电机是关键特性部件。若试验样品仅选取了飞控系统正常的样品，而未覆盖电池管理系统存在批次性差异的样品，就无法暴露电池过充保护失效这一关键故障，导致试验改进不彻底。

选取覆盖关键特性的样品时，需结合FMEA（故障模式及影响分析）或类似工具的结果。通过FMEA识别出的高严重度、高发生度的故障模式，对应的部件或特性需优先纳入样品的选取范围。例如，某医疗设备的FMEA显示，“传感器信号漂移”故障的严重度为9（最高10）、发生度为7，那么试验样品需包含该传感器的不同生产批次，以充分暴露信号漂移的问题。

此外，对于复杂系统，需覆盖“系统级关键特性”，如各子系统间的接口兼容性。例如，某卫星的姿控系统与通信系统的接口若存在兼容性问题，仅测试单个子系统的样品无法发现该故障，需选取包含完整接口的系统级样品。

考虑生产过程变异的原则

实际生产中，即使采用相同的工艺参数，不同批次的产品仍会因原材料批次差异、设备磨损、工人操作细微不同等因素产生变异。这些变异可能导致批量产品中出现“偶发但批量存在”的故障，因此试验样品需覆盖生产过程的主要变异来源。

例如，某家电企业的空调压缩机生产中，不同批次的钢材硬度存在±5%的差异，若试验样品仅选取硬度处于均值的批次，可能无法暴露“钢材硬度偏低导致压缩机叶轮过早磨损”的故障——这种故障仅在硬度下限的批次中容易发生。因此，样品需包含硬度上限、均值、下限三个批次的压缩机，以覆盖钢材硬度的变异。

生产过程的变异还包括“工艺窗口边缘”的情况，即工艺参数处于允许范围的上限或下限的产品。例如，某电路板的焊接工艺中，回流焊温度的允许范围是240℃±10℃，若试验样品仅选取温度为240℃的“标准工艺”产品，可能无法发现“温度250℃时焊点虚焊”的故障——这种故障仅在工艺窗口上限的产品中出现，而实际生产中难免有部分产品处于工艺窗口边缘。

需注意的是，覆盖生产变异并非要求“覆盖所有可能的变异”，而是覆盖“对可靠性有显著影响的主要变异”。可通过统计过程控制（SPC）数据识别主要变异源，如某部件的尺寸变异中，80%的变异来自原材料批次，那么样品需覆盖不同原材料批次即可，无需覆盖所有可能的工人操作差异。

匹配试验条件的适应性原则

可靠性增长试验通常会施加加速应力（如高温、高湿、振动）或实际使用负载，以快速暴露故障。因此，试验样品需能适应试验条件的要求，否则可能因样品本身无法承受试验应力而导致“假故障”，或因样品不匹配试验负载而无法暴露真实故障。

例如，某电动汽车的电池包可靠性增长试验中，若试验条件是“循环充放电至80%容量衰减”，而选取的样品是“已循环使用100次的旧电池包”，那么试验中可能提前出现容量衰减，导致误判为“新电池包的故障”；若选取的样品是“未经过初始老化的新电池包”，可能无法暴露“循环500次后内阻增大”的故障——这种故障仅在经过一定循环次数的电池包中出现。

对于环境应力试验，样品需具备“承受试验应力的基本能力”。例如，某户外灯具的防水试验中，若选取的样品未按要求安装防水密封圈（即样品本身不符合设计要求），试验中出现的漏水故障并非“产品设计或工艺问题”，而是“样品制备错误”，这种故障无改进价值，会浪费试验资源。

此外，试验负载的匹配也很重要。例如，某工程机械的可靠性增长试验中，若试验负载是“连续作业8小时”，而样品的设计负载是“连续作业4小时”，那么试验中出现的“液压油过热”故障可能是因负载超过设计要求导致的，并非产品本身的可靠性问题，无法指导批量产品的改进。

兼顾已知与潜在故障模式的原则

可靠性增长试验的目的不仅是解决已知故障，更是发现潜在故障。因此，试验样品需兼顾“已知故障模式的覆盖”和“潜在故障模式的探索”。

对于已知故障模式，样品需选取“易发生该故障的产品”。例如，某手机的历史故障数据显示，“屏幕触控失灵”主要发生在使用X型号触控芯片的批次，那么试验样品需包含该批次的手机，以验证改进措施是否有效解决了触控失灵问题。

对于潜在故障模式，样品需选取“可能触发潜在故障的状态”。例如，某智能手表的潜在故障是“低电量时蓝牙连接中断”，这种故障仅在电量低于10%时出现，因此试验样品需包含“电量从100%放电至0%”的状态，以触发该潜在故障。

此外，可通过“故障注入”或“极限条件测试”选取样品，但需注意故障注入不能改变样品的基本特性。例如，为了测试某服务器的“内存容错能力”，可选取“插入了1条故障内存”的样品，但故障内存的类型需与目标种群一致，否则注入的故障不具有代表性。

动态调整的迭代原则

可靠性增长试验是一个“试验-改进-再试验”的迭代过程，因此样品的选取也需动态调整。初始选取的样品可能无法覆盖所有故障模式，需根据前一轮试验的结果调整下一轮的样品选取策略。

例如，某打印机的第一轮可靠性增长试验中，样品选取了“标准纸张类型”的产品，暴露了“卡纸”故障；第二轮试验需调整样品，选取“厚纸、光面纸”等非标准纸张类型的产品，以暴露“不同纸张类型下的卡纸”故障——这些故障在第一轮标准纸张的样品中未出现。

动态调整还包括“补充未覆盖的变异源”。例如，第一轮试验中发现“某部件的故障仅在冬季生产的批次中出现”，那么第二轮试验需补充冬季生产的批次样品，以进一步分析故障原因。

需注意的是，动态调整并非“随意改变样品选取规则”，而是基于前一轮试验数据的“有针对性调整”。每一轮调整都需记录调整的原因（如“补充冬季批次样品以覆盖温度对工艺的影响”）和预期目标（如“验证改进措施是否解决冬季批次的故障”），以确保调整的科学性。

可追溯性与验证原则

为确保样品的代表性，需建立样品的可追溯体系，记录样品的关键信息：包括生产批次、原材料来源、工艺参数、装配工人、校准记录等。这些信息可用于后续分析——当试验中出现故障时，可通过追溯样品的生产信息，快速定位故障是否与某一批次的原材料或某一工艺参数相关。

例如，某汽车零部件的可靠性增长试验中，某样品出现“断裂”故障，通过追溯发现该样品的原材料批次为“Lot123”，而Lot123的钢材硫含量超标，从而快速定位故障原因是原材料问题，而非设计或工艺问题。

可追溯性还包括“样品与目标种群的差异记录”。若因客观原因（如供应商缺货）无法选取完全一致的样品，需记录差异点（如“样品使用B供应商部件替代A供应商，差异原因：A供应商缺货”），并在试验结果分析中注明“该故障仅与B供应商部件相关，需进一步验证A供应商部件是否存在类似问题”。

此外，需对样品的代表性进行验证。可通过统计分析（如对比样品与目标种群的关键特性分布）验证样品是否具有代表性。例如，某产品的目标种群中，关键尺寸的均值为10mm，标准差为0.1mm，若试验样品的尺寸均值为10.02mm，标准差为0.11mm，说明样品的尺寸分布与目标种群一致，具有代表性；若样品的尺寸均值为10.5mm，标准差为0.5mm，则说明样品不具有代表性，需重新选取。