3. 常见寿命分布及其竞争失效含义

在竞争失效建模中，寿命分布不是一条“拟合曲线”那么简单，它决定了各失效机理在时间轴上的风险形状，也决定了外推寿命时的可信边界。指数分布、威布尔分布、对数正态分布、伽马分布和极值分布，是工程可靠性中最常用的五类寿命模型。理解它们的适用条件与参数含义，是正确建立竞争失效模型的前提。

指数分布：恒定风险的基准模型

指数分布的失效密度为 f(t)=λe^−λt，可靠度 R(t)=e^−λt，失效率 h(t)=λ 为常数。参数 λ 是单位时间的失效速率，MTTF=1/λ。它适用于失效由随机外部冲击主导、且没有明显磨损或老化趋势的阶段，例如电子元器件的偶然失效期、某些软件缺陷触发、随机过应力事件。在竞争失效中，指数分布常作为“无记忆”基准：若多个独立失效机理都近似恒定风险，则系统总失效率为各机理失效率之和，MTTF 为各机理 MTTF 的并联倒数关系。但要注意，指数分布不能描述早期失效下降或磨损上升，若误用于老化阶段，会严重高估长寿命可靠性。

威布尔分布：形状参数决定失效机理

威布尔分布是竞争失效建模中最灵活的分布。其可靠度为 R(t)=exp[−(t/η)^β]，其中 η 为尺度参数（特征寿命，t=η 时 R≈0.368），β 为形状参数。β<1 对应早期失效（失效率递减），β=1 退化为指数分布（恒定风险），β>1 对应磨损或老化（失效率递增）。在竞争失效中，不同失效机理往往对应不同 β：例如焊点热疲劳 β 常在 2～4，而随机过电应力 β 接近 1。若把多个机理混在一起拟合，得到的 β 可能是“平均形状”，掩盖真实机理。因此工程上常按机理分组，分别估计 β 和 η，再合成竞争风险。

对数正态分布：退化与裂纹扩展的常用模型

对数正态分布假设寿命的对数服从正态分布，其密度为 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，适合描述疲劳裂纹扩展、某些腐蚀和磨损类退化过程，也常用于半导体器件和机械零件的寿命分析。在竞争失效中，对数正态分布适合那些“损伤累积到阈值才失效”的机理，其寿命分散性由 σ 控制：σ 越大，寿命分布越宽，早期失效与长寿命尾部同时存在。与威布尔相比，对数正态对尾部外推更敏感，需谨慎使用。

伽马分布：累积损伤过程的自然描述

伽马分布常被用作“到达失效前需累积若干次损伤”的模型。其密度含形状参数 k 和尺度参数 θ，均值 kθ，方差 kθ²。当 k 为整数时，伽马分布可理解为 k 个独立指数事件之和，因此特别适合描述多阶段退化、累积冲击损伤和维修次数驱动的失效。在竞争失效中，若某机理的失效由多次随机冲击累积触发，伽马过程是自然选择；其失效率随 k 增大而逐渐趋于恒定，介于指数与威布尔之间。参数 k 反映损伤累积的“阶段数”，θ 反映单次损伤的平均时间尺度。

极值分布：最弱环节与极端载荷

极值分布描述一组随机变量中最大值或最小值的分布。在可靠性中，最弱环节模型（串联系统）的寿命往往由最小值决定，其渐近分布为 Weibull 型极值分布；而极端载荷、最大应力导致的失效则可能服从 Gumbel 型极值分布。极值分布的价值在于：当失效由“最薄弱点”或“最大一次冲击”控制时，它比普通寿命分布更准确地刻画尾部行为。在竞争失效中，极值分布常用于解释为什么某些系统在极短或极长时间内失效概率异常高——这正是尾部竞争的直接体现。