2. Weibull分布的概率基础

Weibull分布之所以成为寿命数据分析中最常用的分布之一，根本原因在于它用两个参数（形状参数β和尺度参数η）就能刻画从早期失效、随机失效到磨损失效的完整寿命行为。要真正用好Weibull分析，必须先理解四个函数之间的数学关系和图形特征：概率密度函数f(t)、累积分布函数F(t)、可靠度函数R(t)和失效率函数λ(t)。这四个函数不是四个独立工具，而是同一概率模型的四种观察角度。

四个函数的定义与相互关系

设产品寿命T为连续随机变量，Weibull分布的概率密度函数为：

f(t) = (β/η) · (t/η)^(β-1) · exp[-(t/η)^β],  t ≥ 0, β > 0, η > 0

其中β为形状参数，决定分布曲线的形态；η为尺度参数，也称特征寿命，决定时间轴的缩放。累积分布函数F(t)表示寿命不超过t的概率，即不可靠度：

F(t) = 1 - exp[-(t/η)^β]

可靠度函数R(t)与F(t)互补，表示产品工作到t时刻仍正常的概率：

R(t) = 1 - F(t) = exp[-(t/η)^β]

失效率函数λ(t)是条件失效概率密度，表示在t时刻仍正常的产品在下一瞬间发生失效的速率：

λ(t) = f(t) / R(t) = (β/η) · (t/η)^(β-1)

这四个函数的核心关系可以概括为：f(t)是“瞬时失效密度”，F(t)是f(t)的积分，R(t)是F(t)的补集，λ(t)是f(t)与R(t)的比值。理解这层关系，就能在已知任意一个函数时推导出其余三个。

形状参数β对失效率曲线的影响

失效率函数λ(t)的图形特征完全由形状参数β决定，这是Weibull分布最核心的工程价值所在。当β<1时，λ(t)随时间单调递减，对应产品的早期失效阶段，典型场景是来料缺陷、装配损伤或工艺不稳定导致的“婴儿死亡率”期；当β=1时，λ(t)退化为常数η的倒数，Weibull分布退化为指数分布，对应随机失效阶段，失效由外部偶然冲击引起，与产品已工作时间无关；当β>1时，λ(t)随时间单调递增，对应磨损失效阶段，失效由累积损伤、材料老化或疲劳引起。β=2时λ(t)为线性递增，β=3.5左右时接近正态分布的失效率行为。

理解这一点对工程判断至关重要：如果现场失效数据的Weibull拟合得到β<1，说明问题出在制造或筛选环节，应加强来料检验和出厂老化；如果β≈1，说明需要从使用环境和随机应力入手；如果β>1，则说明产品已进入耗损期，应考虑预防性更换或延寿措施。

特征寿命η的图形意义

尺度参数η在四个函数图中都有明确的几何意义。在R(t)曲线上，t=η时R(η)=exp(-1)≈0.368，即无论β取何值，产品工作到特征寿命时可靠度恒为36.8%；在F(t)曲线上，t=η时F(η)=63.2%，即约63.2%的产品已在特征寿命前失效。这个“63.2%”是Weibull分析中一个非常实用的基准点：如果某批产品的特征寿命估计为1000小时，意味着大约63.2%的产品会在1000小时内失效，而36.8%能超过1000小时。

在f(t)曲线上，η并不一定是峰值位置。当β>1时峰值出现在t=η·(1-1/β)^(1/β)处，略小于η；当β=1时峰值在t=0处；当β<1时f(t)在t→0时趋于无穷。因此不能简单地把η当作“平均寿命”或“最可能寿命”，它只是时间轴的缩放基准。

图形特征的工程读图方法

在实际分析中，工程师通常先看λ(t)的形状判断失效模式，再看R(t)曲线读取特定时间点的可靠度，最后用F(t)曲线确定失效比例。例如，某轴承的Weibull拟合结果为β=2.8、η=8000小时，则λ(t)呈明显递增趋势，说明轴承处于磨损期；若要求可靠度不低于0.90，则需解R(t)=exp[-(t/8000)^2.8]=0.90，得到t≈8000×(-ln0.90)^(1/2.8)≈8000×0.105^(0.357)≈8000×0.448≈3584小时，即建议在约3600小时前更换轴承。这个计算过程正是四个函数协同使用的典型场景。

小结

Weibull分布的四个函数构成一个完整的概率描述体系：f(t)给出瞬时失效密度，F(t)给出累积失效概率，R(t)给出存活概率，λ(t)给出条件失效速率。它们之间的积分、互补和比值关系使得任意一个函数都可以推导出其余三个。β控制失效模式（早期/随机/磨损），η控制时间尺度，两者结合就能用简洁的数学形式描述复杂的寿命行为。掌握这四个函数的图形特征和相互关系，是后续参数估计、可靠性预测和维修决策的基础。