Weibull可靠性(寿命分布)

所属分类：质量控制

这个方法是做什么的

给一批寿命数据拟合双参数 Weibull 分布 R(t)=exp(−(t/η)^β)，用极大似然估计（含右删失处理）求出两个参数：形状参数 β 决定失效率随时间怎么走，尺度参数 η（特征寿命）决定寿命的量级。β<1 是失效率递减的早期失效期（浴盆曲线左段，早夭/工艺缺陷主导），β≈1 是失效率恒定的偶然失效期（此时 Weibull 退化为指数分布），β>1 是失效率递增的耗损失效期（老化、磨损、疲劳）。η 有一个与 β 无关的固定性质：运行到 η 时恒有约 63.2% 的单元已失效。

报告把“β 到底是不是 1”做成了正式检验而不是只看点估计：卡②用似然比检验对比 Weibull 与指数分布（演示 LR=42.762、df=1、p<0.001，β=1.823 的 95%CI [1.563, 2.127] 也不含 1）。分布族选得对不对同样有检验：卡①以 Kaplan-Meier 经验分布为参照给 KS 距离与概率图相关系数 PPCC，因为参数由同一批数据估计、渐近临界值不再适用，p 值由条件参数自助法（B=299 次重抽）重标定。卡④给 B1/B5/B10/B50/B90 各分位寿命、MTTF 与 η 及其 95% 置信区间（Delta 法在对数尺度上算完再反变换，故区间恒为正且不对称），并逐时间点给 R(t)、F(t)、h(t)，超出观测寿命范围的行会被明确标注为“外推”。

需要准备什么数据

• 放入[定量]失效时间/寿命：1 个，定量变量（数值）
• 放入[删失标志](可选)（可选）：不限

数据要求

• 数据表至少 20 行。
• 单列缺失率不超过 20%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 产品寿命试验、现场失效记录，要估算 B10 寿命作为保修期或预防性更换周期
• 试验到期还有一批样品没坏（右删失），需要把这部分“活过某时刻”的信息一并用上
• 需要判断失效属于早期、偶然还是耗损，据此决定该做老化筛选还是定期更换
• 要给出任意时刻的可靠度 R(t) 与瞬时失效率 h(t) 及其置信带

前提：寿命必须严格大于 0（双参数 Weibull 的位置参数固定为 0，零值负值会被剔除）；删失标志列只能取 0 或 1（1=失效，0=右删失），且至少要有 2 个失效观测才能识别 β。数据要求把行数下限定在 20，少于 20 条会被前置校验拦下；失效点建议不少于 15~20 个，否则 β 的区间会很宽、B10 与 MTTF 的外推不可靠。还有一条报告明确标为“未做该检验”的前提：删失必须独立于寿命（无信息删失），它在数学上不可由观测数据识别，只能由试验方案保证。

什么时候不要用它

• 要比较两组或多组的生存曲线（新旧工艺、不同供应商）：本模块只拟合一条曲线，用「Kaplan-Meier生存分析」做非参数比较。
• 要看若干协变量各自对失效风险的贡献：用「Cox比例风险回归」，它不需要指定寿命分布族。
• 数据是按时间区间汇总的（区间删失/分组寿命表），不是逐个体的失效时刻：用「寿命表」。
• 存在多种互相排斥的失效原因，单一失效模式假定不成立：用「竞争风险模型」。
• 寿命是在加严应力下测出来的、要外推到正常使用条件：本模块不做应力外推，用「加速寿命试验」。
• 质量特性不是寿命而是尺寸等测量值且有工程规格限：用「过程能力分析」；只想看寿命的分布形态与集中趋势、不做参数拟合与外推，用「描述性统计」。

容易误读的地方

• MTTF 不是“平均无故障间隔”，把它当 1/失效率用是最常见的错。 报告给的 MTTF=η·Γ(1+1/β) 是分布的期望值，只有在 β≈1（失效率恒定）时才等于 1/失效率；卡④的表注逐字点名了这个误用。演示数据 β=1.823 已被似然比检验证实显著大于 1，此时失效率随时间递增，用一个常数失效率去做备件测算会在后期严重低估失效量。
• β<1 时预防性更换不但无益，反而有害。 失效率递减意味着用得越久越可靠，换上一个新件等于把设备退回失效率最高的阶段。演示数据是 β=1.823 的耗损型，卡⑤据此给出“按 B10 或 B5 设定更换周期”的建议；若你的数据算出 β 显著小于 1，正确动作是加强老化筛选与来料把关，而不是照搬定期更换。所以 β 的方向必须先看似然比检验和 β 的置信区间是否跨过 1，不能只看点估计。
• 单一 β 假定只有一种失效模式；两种机理混在一起会把 B10 系统性抬高。 卡⑤的局限一栏写明：产品若同时存在早期缺陷与耗损两种机制，概率图会出现折点，此时拟合出的单一 β 是两种机制的加权折中，B10 会被高估——也就是保修期被定得过长。判断依据是卡③的 Weibull 概率图：点列应当沿一条直线，出现明显弯曲或折点就要怀疑混合模式，不能只看 KS 检验的 p 值。
• “未拒绝 Weibull”不等于“数据服从 Weibull”。 演示数据 KS 的 D=0.0587、p=0.993，PPCC 的 r=0.9956、p=0.973，看着漂亮，但拟合优度检验的逻辑与所有分布检验一样：只能拒绝，不能证明。样本量不大时几乎什么分布都不会被拒绝。真正有说服力的旁证是报告给的两条：概率图的线性度，以及非参数 KM 中位寿命（演示 738.100）与参数法 B50（704.705）是否接近。
• 标了“外推”的行，数值完全由分布假设决定。 卡④的 R(t)/h(t) 表把超出观测寿命范围 39.800~2195.000 的行明确标注了出来（演示是 t=2341.333 与 2634.000 两行）。同样的道理适用于极端下尾：B1=69.108 远在最小观测值 39.800 之上，看似安全，但它靠的是 Weibull 左尾的形状假设，而这个区域几乎没有数据支撑。卡④的结论文案写明各指标的置信区间只反映参数的抽样误差，不包含“分布族是否选对”这一层不确定性。
• 删失记录的信息量低于失效记录，删失率高时 β 会很不稳。 右删失只告诉你“活过了这个时刻”，不提供失效时刻。演示数据删失率 22.50%（93 失效 / 27 删失），卡①的样本构成表在“删失率”这一行的说明列里把这层关系写了出来。删失率越高，同样的样本量对应的有效信息越少、β 的置信区间越宽，而 B10 与 MTTF 都是 β 的非线性函数，区间会被进一步放大。看到 β 的区间跨度很大时，先看的应该是失效点数而不是急着解释点估计。

报告里有什么

1. 输出结果一：数据与删失结构、分布拟合优度
2. 输出结果二：Weibull 参数估计与形状检验（主结果）
3. 输出结果三：概率图、可靠度曲线与失效率曲线
4. 输出结果四：可靠性指标、R(t)/h(t) 与拟合逐点对照
5. 输出结果五：结论与解读