4. 威布尔分布
威布尔分布（Weibull Distribution）是可靠性工程中应用最广泛的寿命分布模型之一。它通过三个参数灵活地描述产品从早期失效到耗损失效的全生命周期行为，是连接寿命试验数据与MTBF（平均故障间隔时间）估计的核心数学工具。
4.1 威布尔分布的三参数体系
威布尔分布由三个参数唯一确定，每个参数都对应着明确的物理或工程含义：
| 参数 | 符号 | 取值范围 | 工程含义 |
|---|---|---|---|
| 形状参数 | β (beta) | β > 0 | 决定失效率曲线的形状，反映失效模式 |
| 尺度参数 | η (eta) | η > 0 | 特征寿命，63.2%的产品失效的时间点 |
| 位置参数 | γ (gamma) | γ ≥ 0 | 最小保证寿命，在此之前失效概率为零 |
参数速记口诀：β 定形状（早期/偶然/耗损），η 定尺度（63.2%寿命点），γ 定起点（最小保证寿命）。
4.2 概率密度函数（PDF）与累积分布函数（CDF）
三参数威布尔分布的概率密度函数 f(t) 和累积分布函数 F(t) 的数学表达式如下：
概率密度函数（PDF）：
f(t) = (β/η) * ((t - γ)/η)^(β-1) * exp(-((t - γ)/η)^β), t ≥ γ
累积分布函数（CDF）：
F(t) = 1 - exp(-((t - γ)/η)^β), t ≥ γ
可靠度函数 R(t)：
R(t) = exp(-((t - γ)/η)^β), t ≥ γ当 γ = 0 时，三参数退化为两参数威布尔分布，这是工程中最常用的简化形式。
4.3 失效率函数与β参数的物理映射
失效率函数 λ(t) 是可靠性工程的核心指标，定义为条件失效概率密度。威布尔分布的失效率函数为：
λ(t) = f(t) / R(t) = (β/η) * ((t - γ)/η)^(β-1), t ≥ γ形状参数 β 直接决定了失效率曲线的单调性，对应产品生命周期的不同阶段：
| β 取值 | 失效率曲线特征 | 对应生命周期阶段 | 典型失效原因 |
|---|---|---|---|
| β < 1 | 递减型（DFR） | 早期失效期（浴盆曲线左段） | 制造缺陷、装配误差、材料瑕疵 |
| β = 1 | 恒定型（CFR） | 偶然失效期（浴盆曲线中段） | 随机应力、外部冲击、操作失误 |
| β > 1 | 递增型（IFR） | 耗损失效期（浴盆曲线右段） | 磨损、疲劳、腐蚀、老化 |
工程判断准则：当 β 在 0.5~0.8 之间时，产品存在明显的早期失效，建议进行筛选试验（burn-in）；当 β 在 3~4 之间时，产品进入典型的耗损失效期，适合制定预防性更换计划。
4.4 威布尔分布的概率密度与失效率曲线
下图展示了不同形状参数 β 下，威布尔分布的概率密度函数曲线和失效率曲线的对比关系（固定 η = 100, γ = 0）。
4.5 适用场景与工程选型指南
威布尔分布因其参数灵活性，在以下工程场景中具有不可替代的优势：
- 电子元器件寿命评估：半导体器件、电容器、继电器等，β 通常在 0.7~1.5 之间。
- 机械零部件疲劳分析：轴承、齿轮、弹簧等，β 通常在 2~4 之间，反映磨损累积过程。
- 汽车可靠性验证：发动机部件、制动系统、传感器，用于保修期分析和耐久性试验。
- 航空航天系统：航电设备、液压系统，通过三参数 γ 描述无失效的初始安全期。
- 医疗器械寿命预测：植入式设备、诊断仪器，用于制定更换周期和可靠性认证。
使用注意事项：当样本量小于 10 时，三参数威布尔分布的参数估计误差较大，建议优先使用两参数模型（γ=0）。位置参数 γ 的估计需要谨慎，错误设定会导致 MTBF 计算出现系统性偏差。
4.6 威布尔分布参数估计方法对比
在实际工程中，从寿命试验数据估计威布尔三参数有多种方法，下表对比了最常用的三种方法：
| 方法 | 原理 | 优点 | 缺点 | 适用样本量 |
|---|---|---|---|---|
| 最小二乘法（LS） | 对 CDF 进行双对数线性化，拟合直线 | 计算简单，可视化直观 | 对异常值敏感，γ 估计困难 | n ≥ 10 |
| 极大似然估计（MLE） | 最大化似然函数，迭代求解 | 渐近无偏，效率高 | 需要数值迭代，小样本偏差大 | n ≥ 20 |
| 贝叶斯估计 | 结合先验分布与试验数据 | 小样本稳健，可融入工程经验 | 需要先验分布假设，计算复杂 | n ≥ 5 |
4.7 威布尔概率图：工程快速诊断工具
威布尔概率图（Weibull Probability Plot）是工程现场最常用的图形化诊断工具。通过将失效数据绘制在特殊坐标纸上，可以直观判断数据是否符合威布尔分布，并粗略估计参数。
4.8 工程案例：轴承寿命试验的威布尔分析
某型滚动轴承进行寿命试验，记录 10 个样品的失效时间（小时）：120, 180, 240, 310, 400, 510, 650, 820, 1050, 1350。使用两参数威布尔分布（γ=0）进行拟合：
步骤 1：计算中位秩 F(t_i) = (i - 0.3) / (n + 0.4)
步骤 2：双对数变换 x = ln(t_i), y = ln(-ln(1 - F(t_i)))
步骤 3：最小二乘拟合得 β = 1.85, η = 620 小时
步骤 4：计算 MTBF = η · Γ(1 + 1/β) = 620 · Γ(1.54) ≈ 620 × 0.888 = 550.6 小时
步骤 5：B10 寿命（10%失效时间）= η · (-ln(0.9))^(1/β) = 620 × 0.1054^(0.541) ≈ 195 小时
工程解读：β=1.85 > 1，表明轴承处于耗损失效期，建议每 200 小时进行预防性检查。B10 寿命 195 小时可作为设计保证寿命的参考值。
4.9 威布尔分布与其他寿命分布的关系
威布尔分布是一个广义分布族，在特定参数条件下退化为其他经典分布：
| 条件 | 退化分布 | 工程意义 |
|---|---|---|
| β = 1, γ = 0 | 指数分布 | 失效率恒定，适用于电子元件随机失效 |
| β = 2, γ = 0 | 瑞利分布 | 线性递增失效率，适用于磨损初期 |
| β = 3.44, γ = 0 | 近似正态分布 | 对称失效分布，适用于疲劳寿命 |
| β → ∞ | 退化到单点分布 | 所有产品在同一时刻失效，理想化模型 |
这种统一性使得威布尔分布成为可靠性工程中首选的“通用语言”——无论面对哪种失效模式，都可以用威布尔模型进行统一建模和比较。