4. 常用寿命分布族及其工程含义

寿命分布不是数学家的玩具，而是把“失效为什么会这样发生”翻译成可计算语言的工具。选择分布族，本质上是在选择一种对失效机理的假设：失效是随机突发的，还是磨损累积的？失效率随时间恒定、递增，还是先降后升？本节围绕指数、威布尔、对数正态、正态、伽马和对数逻辑六类常用分布，说明它们的数学形式、参数意义、失效率形状与典型适用场景。

一、指数分布：恒定失效率的基准模型

指数分布的概率密度函数为 f(t)=λe^−λt，可靠度 R(t)=e^−λt，失效率 h(t)=λ 为常数。它只有一个参数 λ（失效率），均值即 MTTF=1/λ。恒定失效率意味着“已工作多久不影响下一刻的失效概率”，这正是无记忆性的工程含义。指数分布适用于早期筛选后的随机失效阶段、复杂电子系统中由大量独立元件主导的偶发失效，以及作为浴盆曲线中间段的近似。它的局限也很明确：无法描述磨损、疲劳等随时间恶化的过程。例如某电源模块经老化筛选后进入稳定期，若统计得到 λ=2×10⁻⁶/h，则 MTTF=5×10⁵ h，任意时刻的瞬时失效率都相同。

二、威布尔分布：最灵活的寿命族

威布尔分布的可靠度为 R(t)=exp[−(t/η)^β]，其中 η 为尺度参数（特征寿命，对应 R=36.8% 的时间），β 为形状参数。β 直接决定失效率形状：β<1 时失效率递减，对应早期失效；β=1 时退化为指数分布，失效率恒定；β>1 时失效率递增，对应磨损或疲劳；β≈3.4 附近接近正态分布。威布尔分布之所以成为可靠性工程的主力，是因为它用两个参数覆盖了浴盆曲线的三段，且通过威布尔概率纸或最小二乘拟合可以直观判断 β。例如某轴承寿命拟合得 β=2.1、η=8000 h，说明失效率随时间递增，属于磨损型失效，应据此确定预防性更换周期。

三、对数正态分布：右偏的维修与退化数据

若 T 的对数服从正态分布，则 T 服从对数正态分布，其密度函数为 f(t)=1/(tσ√(2π))·exp[−(ln t−μ)²/(2σ²)]。参数 μ 是对数均值，σ 是对数标准差。它的失效率先升后降，在早期上升、后期下降，适合描述维修时间、半导体器件退化失效、裂纹扩展寿命等右偏数据。对数正态的优点是取对数后可用正态方法处理，便于回归和区间估计；缺点是失效率最终下降，对纯磨损过程解释力不足。

四、正态分布：磨损与尺寸型失效

正态分布密度为 f(t)=1/(σ√(2π))·exp[−(t−μ)²/(2σ²)]，参数 μ 为均值、σ 为标准差。它的失效率单调递增，适合描述磨损、腐蚀、疲劳等由累积损伤主导的失效，也常用于以“强度—应力”干涉模型分析结构可靠性。正态分布的工程含义是：失效集中在均值附近，超过均值后失效概率迅速上升。例如某密封圈寿命服从 N(12000, 1500²) h，则约 68% 的失效发生在 10500～13500 h 之间，可据此设定更换窗口。

五、伽马分布：累积损伤与更新过程

伽马分布密度为 f(t)=λ^kt^k−1e^−λt/Γ(k)，含形状参数 k 和速率参数 λ。当 k 为整数时，伽马分布可看作 k 个独立指数失效的累积时间，因此天然适合描述“多次冲击累积导致失效”的更新过程。k>1 时失效率递增，k=1 时退化为指数分布，k<1 时失效率递减。它常用于备件需求预测、累积损伤建模和维修策略优化。例如某设备需承受 3 次冲击才失效，每次冲击间隔服从指数分布，则总寿命服从 k=3 的伽马分布。

六、对数逻辑分布：非单调失效率的补充

对数逻辑分布的可靠度为 R(t)=1/[1+(t/α)^β]，α 为尺度参数，β 为形状参数。其失效率先增后减，呈倒 U 形，适合描述某些先恶化后趋于稳定的失效过程，如部分材料老化、软件缺陷暴露等。它在生存分析和可靠性数据拟合中作为威布尔、对数正态的补充模型，当数据呈现明显非单调失效率时值得尝试。

七、分布选择与工程判断

面对一组寿命数据，选择分布不能只看拟合优度，还要结合失效机理。若失效率恒定且由随机事件主导，优先指数分布；若失效率随时间单调变化，威布尔分布通常是最先尝试的模型；若数据右偏且取对数后近似正态，对数正态更合适；若失效由累积冲击或多次损伤叠加造成，伽马分布有明确的物理背景；若失效率呈倒 U 形，对数逻辑分布值得纳入候选。实际工程中常用威布尔概率纸、AIC/BIC 准则和残差图综合判断，而不是单一指标定论。

掌握这些分布族，关键不是背公式，而是建立“失效机理—失效率形状—分布选择”的对应关系。当你能从数据中读出失效率是升、降还是恒定，分布选择就不再是盲试，而是有工程依据的判断。