汽车功能安全领域有个长期悬而未决的问题：工程师算出来的故障覆盖率，到底准不准？博世（Robert Bosch GmbH）3月发布的一篇技术论文给出了新思路——把误差传播理论（Error Propagation Theory）塞进FMEDA框架，让SPFM（单点故障度量）和LFM（潜伏故障度量）这两个关键指标终于有了"误差范围"。
这相当于给安全分析结果加了一个"置信区间"，工程师能直接看到：我的计算偏差最大可能有多少，以及该优先优化哪个输入参数。
传统FMEDA的痛点：算得精，但不知道准不准
FMEDA（失效模式、影响及诊断分析）是ISO 26262功能安全标准的核心工具。芯片厂商靠它计算SPFM和LFM，证明产品满足ASIL等级要求。但这两个指标的计算依赖两个关键输入：失效模式分布（FMD）和诊断覆盖率（DC）。
问题就出在这里。FMD来自手册数据或专家估计，DC来自测试或分析，两者都有不确定性。传统做法是给个单点数值，比如"SPFM=99.2%"，但这个数字背后藏了多少误差？没人知道。
论文作者Armato、Kehl和Fischer指出，这种"未量化的不确定性"导致两个后果：一是分析质量无法客观评估，二是优化方向只能靠经验猜测。用他们的话说，这"损害了安全分析的质量"。
误差传播理论的引入：从单点值到区间估计
博世团队的做法是借用数学中的误差传播方法。核心思想很简单：如果输入参数有误差，输出结果必然也有误差，而且可以通过公式把误差"传递"过去。
具体实现分三步。第一步，为FMD和DC的每个分量定义最大可能偏差。第二步，用误差传播公式计算SPFM和LFM的对应偏差区间。第三步，引入一个叫EII（Error Importance Identifier，误差重要性标识符）的指标，量化每个输入对最终误差的贡献度。
EII是这套方法的关键创新。它告诉工程师：与其盲目优化所有参数，不如先搞定那个对结果影响最大的"短板"。
论文给出的案例显示，某些FMD分量的误差对SPFM的影响被放大数倍，而另一些分量几乎无影响。这种"敏感度排序"让资源投入有了明确优先级。
对行业的实际意义：合规审计有了新抓手
ISO 26262要求安全分析具备"可追溯性"和"可验证性"，但对"不确定性如何处理"一直语焉不详。博世的论文直接回应了这个灰色地带。
对芯片厂商来说，带置信区间的FMEDA报告能在第三方审计时提供更强说服力——不是"我们相信这个数字"，而是"这个数字的偏差不超过X%，且主要来源是Y"。
对主机厂和Tier 1来说，这套方法提供了评估供应商分析质量的客观标准。比较两家供应商的SPFM时，单看数值高低可能误导，结合置信区间宽度才能判断谁更可靠。
论文提到，该方法已在博世内部ASIC验证流程中试点应用。作者没有披露具体产品案例，但强调这"显著提升了FMEDA的透明度和可信度"。
技术边界：不是万能药，但补上了关键缺口
需要明确的是，误差传播方法有其前提假设。它要求输入误差的分布特性已知或可归一化，对高度非线性的故障耦合场景可能失效。论文也承认，EII的计算复杂度随参数数量增加而上升，超大规模ASIC需要配合采样简化。
另一个局限是数据来源。FMD的误差范围从哪来？手册数据的置信度如何量化？论文建议结合实测统计和专家区间估计，但这部分仍依赖工程判断。换句话说，误差传播解决了"已知不确定性的传递"问题，但没解决"不确定性从哪来"的根本难题。
尽管如此，把数学工具系统性地引入功能安全量化分析，仍是该领域的一次方法论进步。此前行业更多关注"算得更准"，博世这篇工作提醒从业者：先搞清楚"算得有多不准"，可能比追求小数点后几位更有价值。
论文已于2026年3月发布在arXiv，编号arXiv:2603.21770。三位作者均来自博世集团，研究方向覆盖功能安全、ASIC验证和可靠性工程。这是博世近年在汽车电子安全方法论上的又一篇公开技术输出。
功能安全社区对这个"老问题的新解法"反应如何？论文结尾没有给出第三方评价，但留下了一个开放的技术问题：当置信区间本身也带有估计误差时，是否需要第二层误差分析——也就是"误差的误差"？
热门跟贴