📚 课程目录第4章 Duane模型的参数估计

4. Duane模型的参数估计

Duane模型的核心形式为累积故障率随累积试验时间呈幂律下降：

λ_c(t) = K · t^−m， 0 < m < 1

其中 λ_c(t) 是到累积时间 t 为止的累积故障率（累积故障数除以累积时间），K 是尺度参数，m 是增长率。工程上更常用其对数线性形式：

ln λ_c(t) = ln K − m · ln t

这条直线关系是全部参数估计方法的共同基础。本节围绕“如何从一组试验数据中把 K 和 m 估出来、估得准不准、能不能信”展开，依次讨论最小二乘拟合、图形法估计、参数置信区间与拟合优度检验。

一、数据准备与坐标变换

假设某产品进行可靠性增长试验，记录到 6 个故障时刻（单位：小时）：120、260、450、700、1050、1500。对每个故障时刻 t_i，累积故障数 N(t_i) = i，累积故障率 λ_c(t_i) = i / t_i。取自然对数后得到拟合用的数据对 (x_i, y_i) = (ln t_i, ln λ_c(t_i))。

i	t_i (h)	N(t_i)	λ_c×10⁻³	x_i=ln t_i	y_i=ln λ_c
1	120	1	8.333	4.787	−4.787
2	260	2	7.692	5.561	−4.868
3	450	3	6.667	6.109	−5.011
4	700	4	5.714	6.551	−5.165
5	1050	5	4.762	6.957	−5.347
6	1500	6	4.000	7.313	−5.521

注意：λ_c 随 t 单调下降，说明产品确实在增长；y_i 随 x_i 近似线性下降，斜率为负，符合 Duane 模型预期。

二、最小二乘法拟合

设回归直线为 y = a + b x，其中 b = −m，a = ln K。最小二乘估计公式为：

b = Σ(x_i − x̄)(y_i − ȳ) / Σ(x_i − x̄)²
a = ȳ − b · x̄

代入上表数据（n = 6）：

x̄ = (4.787+5.561+6.109+6.551+6.957+7.313)/6 = 6.213
ȳ = (−4.787−4.868−5.011−5.165−5.347−5.521)/6 = −5.117

计算离差平方和与交叉积：

Σ(x_i − x̄)² = 4.121
Σ(x_i − x̄)(y_i − ȳ) = −1.972

于是：

b = −1.972 / 4.121 = −0.4785
a = −5.117 − (−0.4785)(6.213) = −2.144

因此：

m̂ = −b = 0.4785， K̂ = e^a = e^−2.144 = 0.1173

拟合方程为 ln λ_c = −2.144 − 0.4785 ln t，即 λ_c(t) = 0.1173 · t^−0.4785。m̂ ≈ 0.48 表示每将累积试验时间翻倍，累积故障率约下降 2^−0.48 ≈ 0.72，即下降约 28%，属于中等强度的增长。

三、图形法估计

图形法是在双对数坐标纸上直接描点、目测画直线，再读取斜率和截距。它与最小二乘法的差别在于：图形法依赖人工判断，对异常点更敏感，但能直观暴露数据是否偏离直线；最小二乘法给出唯一解，便于复现和统计推断。

图形法的操作要点：

横轴取 ln t，纵轴取 ln λ_c，两轴刻度必须等距（即双对数纸）。
用透明直尺使直线尽量穿过点群中心，两端点尽量落在数据范围内，避免外推。
在直线上取两个相距较远的点 (x₁, y₁)、(x₂, y₂)，则 m = −(y₂−y₁)/(x₂−x₁)，K = e^{y₁+m x₁}。
若点群明显弯曲，说明 Duane 模型不适用，应改用 AMSAA 或其他增长模型。

对本例数据，图形法读出的 m 通常在 0.45～0.52 之间，与最小二乘结果 0.4785 接近，说明数据线性良好。

四、参数置信区间

最小二乘估计的精度可用残差标准差衡量。残差平方和 SSE = Σ(y_i − ŷ_i)²，自由度 ν = n − 2 = 4。本例 SSE ≈ 0.0031，故：

s = √(SSE / (n−2)) = √(0.0031/4) = 0.0278
SE(b) = s / √Σ(x_i − x̄)² = 0.0278 / √4.121 = 0.0137

取置信水平 1−α = 0.95，查 t 分布表得 t_0.025,4 = 2.776。则 m 的置信区间为：

m̂ ± t · SE(b) = 0.4785 ± 2.776 × 0.0137
              = 0.4785 ± 0.0380
              = [0.4405, 0.5165]

K 的置信区间可由 a 的区间取指数得到。SE(a) = s·√(1/n + x̄²/Σ(x_i−x̄)²) = 0.0278 × √(1/6 + 38.60/4.121) = 0.0853，故 a 的 95% 区间为 −2.144 ± 2.776×0.0853 = [−2.381, −1.907]，取指数得 K ∈ [0.0924, 0.1485]。

解读：m 的区间下限 0.4405 仍显著大于 0，说明增长趋势在统计上成立；区间宽度约 0.076，反映 6 个数据点的样本量偏小，估计精度有限。若希望把 m 的区间压缩到 ±0.02 以内，需要增加故障样本数或延长试验时间。

五、拟合优度检验

拟合优度用决定系数 R² 和 F 检验共同判断：

R² = 1 − SSE / SST
SST = Σ(y_i − ȳ)² = 0.3725
R² = 1 − 0.0031 / 0.3725 = 0.9917

R² ≈ 0.992，说明 ln λ_c 的变异有 99.2% 可由 ln t 解释，线性关系很强。进一步做 F 检验：

F = (SST − SSE) / 1 ÷ (SSE / (n−2))
  = (0.3725 − 0.0031) / (0.0031/4)
  = 0.3694 / 0.000775
  = 476.6

查 F 分布表，F_0.05(1,4) = 7.71。计算值 476.6 远大于临界值，拒绝“斜率等于零”的原假设，回归关系高度显著。

判断顺序建议：先看 R² 是否接近 1，再看 F 是否超过临界值，最后检查残差图是否有弯曲或喇叭形。三者都通过，才可认为 Duane 模型对该组数据适用。

常见误区：R² 高不等于模型正确。若数据本身来自其他增长过程，强行用 Duane 拟合也可能得到高 R²。必须结合残差形态和工程背景判断，不能只看一个数字。

六、结果汇总与工程判断

把上述计算整理成一张可直接对照的估计结果表：

项目	数值	含义
m̂	0.4785	增长率，越大增长越快
K̂	0.1173	尺度参数，反映初始故障水平
m 的 95% 区间	[0.4405, 0.5165]	下限 > 0，增长显著
K 的 95% 区间	[0.0924, 0.1485]	初始故障率范围
R²	0.9917	线性拟合优度高
F 值	476.6	远大于临界值 7.71

工程上，若 m 的置信下限小于 0.3，通常认为增长动力不足，需要加强纠正措施；若 R² 低于 0.9 或残差图出现明显弯曲，则应怀疑 Duane 模型不适用，改用 AMSAA 模型或分段拟合。本例 m 的下限 0.4405、R² 0.9917，两个条件都满足，可以放心用该模型外推后续试验的故障率，但外推时间不宜超过已观测最大时间的 2～3 倍，否则置信区间会迅速变宽。

最后强调一点：最小二乘与图形法不是互斥的。实际工作中常用图形法先看趋势、剔除明显异常点，再用最小二乘法给出可复现的数值结果和统计区间，两者配合使用，既保留直观判断，又保证结论可检验。