3. Weibull分布的形状参数与尺度参数

Weibull分布之所以在可靠性工程中被广泛采用，核心原因在于它用两个参数就能覆盖从早期失效到磨损失效的多种寿命行为。这两个参数分别是形状参数 β（shape parameter，也称斜率）和尺度参数 η（scale parameter，也称特征寿命）。理解它们各自的物理含义以及二者如何共同决定分布形态，是后续参数估计、寿命预测和维修决策的基础。

一、概率密度函数与两个参数的位置

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

对应的可靠度函数与累积失效函数为：

R(t) = exp[ -(t/η)^β ]
F(t) = 1 - exp[ -(t/η)^β ]

从公式结构可以看出：β 出现在指数 (t/η)^β 中，控制的是“时间被压缩或拉伸的方式”，即分布的形状；η 出现在比值 t/η 中，控制的是“时间轴的刻度”，即寿命的整体量级。二者分工明确，但影响并不完全独立。

二、形状参数 β 的物理解释

β 是决定失效机理类型的核心参数。它直接对应失效率函数 λ(t) 的走势。对Weibull分布，失效率为：

λ(t) = (β/η) · (t/η)^(β-1)

由此可得三条基本结论：

• β < 1：失效率随时间递减。 典型对应早期失效或筛选期，缺陷产品先暴露、先失效，剩余群体逐渐变“干净”。β 越小，递减越剧烈。
• β = 1：失效率为常数。 此时Weibull退化为指数分布，失效与已运行时间无关，对应随机失效，常见于电子元器件的偶然失效期。
• β > 1：失效率随时间递增。 对应磨损、老化、疲劳、腐蚀等累积损伤机理。β 越大，失效率上升越陡，寿命分布越集中。

从分布形态看，β 还控制密度曲线的偏态与峰形：β ≤ 1 时密度曲线单调下降或近似指数衰减；β 在 1～3 附近时曲线明显右偏、出现单峰；β 增大到 3.5 左右时接近正态对称；β 继续增大则曲线越来越窄、越来越尖，寿命离散性显著减小。因此 β 常被工程人员当作“失效机理指纹”：同一批产品若 β 发生明显变化，往往意味着主导失效模式发生了切换。

三、尺度参数 η 的物理解释

η 是特征寿命，其最直接的定义来自可靠度函数：当 t = η 时，R(η) = exp(-1) ≈ 0.3679，即此时约有 36.79% 的产品仍在工作，63.21% 已失效。所以 η 是“63.2% 失效寿命”，而不是平均寿命。平均寿命 MTTF 与 η 的关系为：

MTTF = η · Γ(1 + 1/β)

其中 Γ 为伽马函数。可见只有当 β = 1 时 MTTF 才等于 η；β > 1 时 MTTF 小于 η，β < 1 时 MTTF 大于 η。这一点在工程沟通中极易被误解，必须明确区分。

η 的物理意义是时间尺度：它把整条寿命分布沿时间轴平移缩放。β 不变时，η 增大意味着产品整体更耐久，密度曲线和可靠度曲线整体右移；η 减小则寿命整体缩短。η 不改变失效率的走势类型，只改变失效率变化的快慢和量级。

四、两参数的耦合关系与图形化理解

β 与 η 并非完全正交。在Weibull概率纸（Weibull plot）上，纵轴为 ln[-ln R(t)]，横轴为 ln t，此时Weibull分布表现为一条直线：

ln[-ln R(t)] = β · ln t - β · ln η

直线的斜率就是 β，截距则同时包含 β 和 η。也就是说，β 决定直线倾斜程度，η 决定直线在横轴上的位置。若两组数据拟合出的直线平行但位置不同，说明失效机理相同（β 相同）而寿命水平不同（η 不同）；若斜率不同，则机理已改变，不能简单比较 η。

五、参数对寿命特征量的影响

除了 MTTF，工程中还常用中位寿命 t₅₀ 和 B10 寿命（10% 失效寿命）来表征寿命特征。它们与两参数的关系为：

t₅₀ = η · (ln 2)^(1/β)
B10 = η · (ln(1/0.9))^(1/β) = η · (0.10536)^(1/β)

可以看出，所有寿命特征量都是 η 乘以一个只与 β 有关的系数。这意味着：η 提供寿命的“基准刻度”，β 提供不同分位寿命之间的“比例关系”。当 β 较大时，B10 与 t₅₀ 的差距缩小，寿命分布更集中；当 β 较小时，早期分位寿命远小于中位寿命，说明早期失效风险突出。

六、工程示例：从两组参数看失效机理

假设某轴承的两批产品分别拟合得到：

批次 A 的 β < 1，B10 仅约 320 小时，说明存在明显的早期失效群体，应加强出厂筛选或来料控制；批次 B 的 β > 1，B10 约 3560 小时，失效集中在寿命后期，适合按预防性更换策略管理。若只看 MTTF，两批差异不大，但失效机理和维修策略完全不同——这正是 β 不可被 η 替代的原因。

七、参数估计中的注意事项

在实际拟合中，β 和 η 的估计值存在相关性，尤其在小样本或删失数据较多时，β 的置信区间可能较宽，进而影响 η 和 MTTF 的精度。因此报告参数时应同时给出置信区间，而不是只给点估计。此外，若数据来自混合失效机理（如同时存在早期失效和磨损），单Weibull模型可能拟合不佳，此时应考虑混合Weibull或竞争风险模型，而不是强行用一组 β、η 解释全部数据。

总结来说，β 回答“为什么失效、失效风险随时间如何变化”，η 回答“寿命大概在什么量级、特征寿命是多少”。二者结合，才能把一组寿命数据转化为可解释、可决策的可靠性信息。