ライフテストのサンプルサイズ最適化で評価コストを抑える統計設計

ライフテストのサンプルサイズ問題：なぜ「とりあえず30個」が続くのか

製造現場で信頼性評価の打ち合わせをすると、「前回も30個だったから今回も30個で」という判断が驚くほど多い。この数字に統計的根拠はなく、ほとんどが「それで客先を通ったことがある」という成功体験の踏襲だ。

当社では累計200社以上のサプライヤー視察・評価を通じて、試験サンプルにかかるコストが製品原価の5〜15%に達しているケースを複数確認している。特に多品種少量の機械部品・電気電子部品では、サンプル製作コストそのものが高く、「試験のために試作コストが製品代より高くなる」という逆転現象が起きる。

問題の本質は「サンプル数と信頼性の関係を定量的に説明できないまま、安全側に余裕を取り続ける」ことにある。統計的根拠があれば削減できるはずの試験個数が、組織的な合意形成の難しさから削れずにいる。これは調達コストの構造問題だ。

ライフテスト設計の統計的基盤：LTPD・信頼水準・二項分布の三角形

サンプルサイズ最適化の出発点は、「何を保証したいか」を数値で定義することだ。信頼性試験の試験個数算出で国際的に広く使われるのがLTPD（Lot Tolerance Percent Defective：ロット許容不良率）基準である。

信頼水準90%（β=0.1）の条件下では、LTPD10%で22個、LTPD7%で32個の試験個数が必要になる。
^[1]　これは「不良率がLTPD以上であるロットを、90%の確率で不合格にするために必要な最小サンプル数」を意味する。

さらにJIS C5003に基づく電子部品の故障率試験では、
LTPD=10%・信頼水準90%・合格判定数C=0の場合、サンプル数は2.30÷0.1＝23個と算出される。
^[2]　この公式は「どの水準を保証するかを先に決めれば、サンプル数が数式で出る」という構造を示している。つまり「なんとなく多めに」ではなく、目標スペックから逆算してサンプル数を決定できる。

二項分布モデルによる最も単純な算出式は次の通りだ。故障ゼロ（C=0）を達成した場合、信頼水準（1－β）のもとで保証できる不良率上限pは以下で計算される。

p ≤ 1 − β^1/n

たとえばn=22・C=0・β=0.1（信頼水準90%）なら、p ≤ 1 − 0.1^1/22 ≒ 10%となる。n=50まで増やせばp ≤ 約4.5%まで保証できるが、試験コストは2倍以上になる。「10%保証と4.5%保証、どちらが製品仕様として必要か」を先に決めれば、無用なサンプル数の膨張を防げる。

ワイブル解析がサンプルサイズ設計を変える

二項分布モデルが「不良/良品の二値」で考えるのに対し、ワイブル分布を使えば故障が発生するまでの時間データを直接モデル化でき、より少ない故障データから寿命分布を推定できる。これがライフテストのサンプルサイズ削減に直結する。

ワイブル分布の形状パラメータmは故障の性質を示す。
m＞1のとき時間とともに故障率が大きくなる摩耗的な故障を表し
、m＜1では初期故障、m＝1では偶発故障（指数分布）となる。このmの値が製品の故障メカニズムを教えてくれるため、サンプル設計の段階でmを事前推定できれば必要サンプル数の計算精度が上がる。^[3]

具体的には、過去試験データからワイブル確率紙プロットでmを推定しておき、目標信頼度（例：R=0.99）と目標確信率（例：90%）に対して必要な試験個数をモンテカルロシミュレーションまたは解析的に算出する手法が実務で定着してきている。
寿命分布へのパラメータ推定を行う方法には、グラフィック解析法と数値解析法があり、ワイブル確率紙法が基本的な手法として使われる。
^[4]

加速寿命試験でサンプル数と試験期間を同時に削減する

ライフテストで最もコストを押し上げるのは「試験期間の長さ」だ。10年保証の製品をリアルタイムで評価すれば、文字通り10年かかる。加速寿命試験はこの問題を解決する最も実用的な手段だ。

温度加速では一般にアレニウスモデルが使われる。
多くの電子部品や化学材料では「温度が10℃上がると寿命が半分になる」という10℃法則として知られる経験則があり、これもアレニウスの式から導出される近似値の一つだ。
ただし
温度を上げすぎると実際の使用環境では起こり得ない別の故障モードが発生してしまい、寿命予測としての妥当性を失う
ため、加速条件の設定には故障メカニズムの事前把握が欠かせない。

HALTはその延長上にある手法だ。
HALTは短時間にストレスを増大させていき、強制的にサンプルの破壊領域に到達させ、故障を発生させることを目的とする試験で、エレクトロ業界で多発するリコール対策など市場における工業製品の信頼性を短時間で向上させる新しいアプローチとして注目されている。
^[5]

HALTは設計限界を探ることが目的であり、従来の統計的な合否判定試験とは性格が異なる。少数サンプル（3〜5個程度）で製品の弱点を抽出し、設計改善後に統計的検証試験を行う、という二段構えが費用対効果の高いアプローチだ。当社の調達購買経験から言えば、ハードウェアの開発段階でHALTを数個のサンプルで実施し、量産承認のLTPD試験を絞ったサンプル数で通す、という流れを採用しているサプライヤーは試験総コストを30〜50%削減できているケースが多い。

サンプルサイズ最適化の具体的判断フレーム：5つのステップ

試験設計の実務では、以下の5ステップを順番に踏むことでサンプル数の根拠を作ることができる。

1. 保証目標の定義：LTPD（許容不良率）と信頼水準（通常90%）を顧客仕様から読み取る
2. 故障モードの特定：FMEAや過去データからワイブルmを推定し、摩耗型か初期故障型かを確認する
3. 加速因子の設定：アレニウスモデルで加速係数を計算し、短縮できる試験時間を見積もる
4. サンプル数の算出：LTPD式またはワイブル信頼区間から最小サンプル数を計算する
5. 逐次検証の設計：段階的に試験し、中間判定で打ち切り基準を設定して無駄な試験継続を防ぐ

このフレームを使うことで「なぜその個数か」を数値で説明できるようになり、バイヤーとの合意形成が格段に速くなる。

試験方式別コスト・信頼性比較表

※相対コスト指数は「慣例試験＝100」を基準とした試験直接費の目安。実際の削減幅は製品・試験環境によって異なる。

工程能力指数（Cpk）とサンプルサイズの連動設計

ライフテストのサンプル数を合理的に減らすもう一つの有力な切り口が、工程能力との連動だ。Cpk≧1.67を維持している安定工程では、統計的に不良発生リスクが極めて低い。この事実を試験設計に取り込めば、LTPD基準の試験個数をさらに絞る余地が生まれる。

製造業の調達購買10年以上の経験から言えば、サプライヤーが「Cpk実績とSPC管理チャートを開示できる」状態であれば、バイヤー側もサンプル数の合理的削減を受け入れやすくなる。問題は「開示できる工程データが存在しない」ケースで、この場合はサンプル数交渉の土台そのものがない。データ基盤の整備が試験コスト削減の前提条件だ。

具体的には以下の組み合わせが有効だ。

• Cpk≧1.67かつ直近50ロット以上でノートラブル → 試験個数をLTPD基準の70%に削減
• Cpk≧1.33かつ類似品の過去ライフテスト実績あり → 逐次サンプリングで段階的評価
• Cpkデータなし・新材料・新工法 → フル試験個数＋HALT追加を推奨

サプライヤー視点：バイヤーへの提案型試験設計の作り方

中国・東南アジアのサプライヤー網で典型的に見られるのは、「バイヤーから指定されたサンプル数をただこなすだけ」というパターンだ。試験の目的・保証の根拠・コストの内訳を説明できるサプライヤーは少数派で、この説明力の差が調達単価の交渉力を左右する。

提案型試験設計は以下の要素で構成する。

1. 試験根拠書の作成：LTPD・信頼水準・故障モードの定義を1枚のシートで可視化する
2. 加速因子の説明：アレニウスモデルによる加速倍率と実使用換算を図示する
3. コスト内訳の明示：サンプル製作費・試験費・分析費を分解してバイヤーに提示する
4. 代替案の提示：「通常案（個数多・期間長）」と「最適化案（個数少・加速）」を比較表で見せる

この4点を揃えて提案できるサプライヤーは、バイヤーから見て「対話できるパートナー」として扱われる。「数を出すだけ」の受け身型から脱却するための武器が試験設計の統計的根拠だ。

ライフテストの落とし穴：サンプル数削減で絶対に外してはいけない3つの判断

サンプル数の削減には合理性があるが、やってはいけない削減パターンも存在する。現場の失敗事例から抽出した三つの禁則を示す。

① 故障モードが変わる可能性を無視した加速条件の設定

アレニウスモデルは「同一の故障メカニズムが加速されること」を前提とする。
温度を上げすぎると実際の使用環境では起こり得ない別の故障モードが発生してしまい、寿命予測としての妥当性を失う。
材料が変わったのに過去の加速因子をそのまま流用するのは特に危険だ。

② 打ち切りデータを「無故障」と同一視する

時間打ち切り（タイムセンサード）データは「故障しなかった」ではなく「その時点まで生存していた」情報だ。ワイブル解析ではこれを正しく打ち切り観測として扱う必要がある。打ち切りデータを分析から除外したり、逆に全数故障データとして扱うと信頼性推定値が大きく歪む。

③ 試験サンプルが量産品を代表していない

試作品・手作り品・特別管理ロットでライフテストを行い、その結果で量産品を保証するケースがある。工程変動・材料ロット変動・工具摩耗の影響を受けない試作品は、量産の代表サンプルにはなれない。試験サンプルの選定方法それ自体を試験設計の一部として文書化する必要がある。

試験設計と調達コスト削減を統合するDX活用の現在地

試験設計の最適化を組織的に進めるには、試験記録・工程データ・故障モード情報の一元管理が不可欠だ。これがデジタル化されていれば、「過去の類似製品のワイブルパラメータ」を試験設計の事前情報として使えるようになり、ベイズ的なサンプル数削減が現実的になる。

現在、製造業向けDXツールの一部では信頼性データの蓄積と解析機能が標準実装されつつあり、サプライヤー評価の場でも「デジタルで試験根拠を共有できるか」が選定基準の一つになってきている。試験コストの削減は、単なる数字合わせではなく「データで語れる品質保証体制の構築」とセットで進めるべき課題だ。

出典

1. サンプル個数・合格判定基準の算出と加速寿命試験（日本信頼性学会誌）
2. JISC5003:1974 電子部品の故障率試験方法通則
3. ワイブル分布と故障メカニズム（日本信頼性学会誌）
4. 生存時間解析・信頼性解析のための統計モデル（日本統計学会誌）
5. 製品信頼性評価における高加速試験の現状（精密工学会誌）
6. 効率的な加速寿命試験の考え方（日本信頼性学会誌）
7. 半導体LSIの信頼性試験と統計的手法による信頼性予測（日本信頼性学会誌）
8. 信頼性とコストと製品寿命と（日本信頼性学会誌）
9. サンプル数未知時のワイブル解析による故障分布推定法（日本信頼性学会シンポジウム）
10. サンプルサイズの設計；臨床研究のための実践的ガイド（日本統計学会誌）

※ 出典リンクは2026年6月10日時点でリンク到達性を確認しています。