4、常见概率分布：正态分布、指数分布、伯努利分布、多项分布及其在故障建模中的应用

在贝叶斯推理与多源故障诊断中，概率分布是描述系统状态、传感器观测和故障演化规律的核心数学语言。不同的物理过程对应不同的分布形态：连续型测量值往往服从正态分布，设备寿命与故障间隔常服从指数分布，开关量或二元状态适合伯努利分布，而多类别状态（如故障模式分类）则依赖多项分布。本章将逐一剖析这四种分布的定义、参数含义、贝叶斯推断中的共轭性质，并结合故障建模场景说明如何选择与使用它们。

上图展示了四种分布与故障诊断建模之间的映射关系。正态分布和指数分布主要处理连续型随机变量，伯努利分布和多项分布处理离散型随机变量。在贝叶斯框架下，这些分布不仅用于描述似然函数，还通过共轭先验的选择简化后验计算，使得在线故障诊断中的实时更新成为可能。

4.1 正态分布：连续测量的基础噪声模型

4.1.1 核心原理

正态分布（Gaussian Distribution）由均值 μ 和方差 σ² 两个参数决定，概率密度函数为：

f(x|μ,σ²) = (1/√(2πσ²)) · exp(-(x-μ)²/(2σ²))

在故障诊断中，正态分布通常用于描述传感器测量噪声、加工误差、振动幅值等连续量的随机波动。中心极限定理保证了大量独立随机因素叠加后趋于正态分布，因此即使底层物理机制复杂，测量误差也常近似服从正态分布。其关键性质包括：约68%的数据落在 μ±σ 区间，95%落在 μ±2σ，99.7%落在 μ±3σ，这为异常检测提供了阈值依据。

4.1.2 判断方法与操作流程

在实际故障建模中，判断数据是否服从正态分布可采用以下步骤：

1. 数据采集：在系统稳定运行状态下，连续采集传感器信号（如振动加速度、温度、压力），采样频率应覆盖设备特征频率的5-10倍。
2. 正态性检验：使用Shapiro-Wilk检验（样本量<5000）或Kolmogorov-Smirnov检验（大样本），同时绘制Q-Q图辅助判断。若p值>0.05，则不能拒绝正态性假设。
3. 参数估计：采用极大似然估计，样本均值 x̄ 作为 μ 的估计，样本方差 s² 作为 σ² 的估计。
4. 建立基线模型：将估计的 μ₀ 和 σ₀² 作为健康状态下的基准分布，后续实时数据通过计算马氏距离或z-score进行异常评分。

4.1.3 案例拆解：离心泵轴承磨损检测

某化工厂离心泵配备加速度传感器，采样频率12.8kHz，每次采集1秒数据。在健康状态下采集50组样本，计算振动加速度有效值（RMS）作为特征量。经检验，RMS值服从正态分布，μ₀=2.1 mm/s²，σ₀=0.3 mm/s²。设定报警阈值为 μ₀+3σ₀=3.0 mm/s²。运行3个月后，某次在线监测RMS值达到3.4 mm/s²，持续超过阈值。进一步分析频谱发现1倍频（29.5Hz）幅值显著增大，且出现0.43倍频的边带，判断为轴承外圈磨损。停机检修后更换轴承，RMS恢复至2.0 mm/s²。此案例中，正态分布基线模型提供了快速报警能力，但需注意单一特征可能产生误报，应结合频谱特征进行二次确认。

4.1.4 常见误区与总结

• 误区一：忽视数据预处理。原始信号中的趋势项、瞬态冲击会破坏正态性，应先进行高通滤波或去趋势处理。
• 误区二：固定阈值不更新。设备老化会导致 μ 和 σ 缓慢漂移，应定期（如每季度）重新估计基线参数。
• 误区三：混淆正态分布与t分布。当样本量小于30时，应使用t分布描述均值的不确定性，而非直接使用正态分布。

正态分布是连续量故障建模的基石，但必须结合工程背景判断适用性，必要时可对特征进行变换（如对数变换、Box-Cox变换）以改善正态性。

4.2 指数分布：寿命与故障间隔的建模利器

4.2.1 核心原理

指数分布的概率密度函数为 f(t|λ) = λ·e^(-λt)（t≥0），其中 λ 为失效率（单位时间内的故障次数），期望 E[T]=1/λ。其核心性质是无记忆性：P(T>s+t|T>s)=P(T>t)，即设备在已运行s小时后，剩余寿命的分布与全新时相同。这一性质使得指数分布成为恒定失效率（浴盆曲线底部）阶段的理想模型，适用于电子元件、机械密封等随机失效场景。

4.2.2 判断方法与操作流程

判断故障间隔时间是否服从指数分布，可采用以下流程：

1. 收集故障数据：记录设备从投入运行到发生故障的时间间隔，至少需要20个以上完整故障数据。
2. 失效率估计：λ̂ = 故障次数 / 累计运行时间。若设备在观察期内未发生故障，则采用截尾数据处理。
3. 拟合优度检验：使用K-S检验或卡方检验。绘制经验生存函数与理论生存函数 S(t)=e^(-λt) 的对比图，若两条曲线接近则支持指数分布假设。
4. 无记忆性验证：将数据按运行时间分段（如每1000小时），计算各段的条件失效率，若近似恒定则符合指数分布。

4.2.3 案例拆解：变频器功率模块寿命预测

某风电场20台变频器，记录功率模块IGBT的故障时间（单位：千小时）：3.2, 5.1, 7.8, 9.4, 11.2, 13.5, 15.0, 17.3, 19.8, 22.1, 24.6, 27.0, 29.5, 31.2, 33.8, 36.4, 38.9, 41.3, 43.7, 46.2。累计运行时间约500千小时，故障20次，λ̂=20/500=0.04次/千小时，平均寿命25千小时。K-S检验p值=0.32，接受指数分布假设。据此制定预防性更换策略：在平均寿命的70%（17.5千小时）进行首次检查，若状态监测指标正常则延长至25千小时更换。实际运行中，有3台在20千小时左右出现结温异常，提前更换避免了突发停机。该策略将非计划停机率从15%降至3%。

4.2.4 常见误区与总结

• 误区一：将指数分布用于所有故障类型。对于轴承磨损、齿轮点蚀等退化型故障，应使用威布尔分布。
• 误区二：忽略截尾数据。在观察期内未发生故障的设备提供了“至少运行了t小时”的信息，应在似然函数中作为右截尾项处理。
• 误区三：混淆失效率λ与故障率。λ是瞬时失效率，而故障率是累积概率，两者在非指数分布下不相等。

指数分布以其简洁性和无记忆性在可靠性工程中占据重要地位，但必须严格验证失效率恒定性假设，否则将导致系统性偏差。

4.3 伯努利分布：二元状态与报警信号建模

4.3.1 核心原理

伯努利分布描述单次试验中事件发生（X=1）或不发生（X=0）的概率，参数 p 表示事件发生的概率，概率质量函数为 P(X=x)=p^x(1-p)^(1-x)。在故障诊断中，伯努利分布常用于建模：限位开关状态、继电器触点、报警信号、二分类故障检测结果（正常/异常）。其贝叶斯共轭先验为Beta分布，后验仍为Beta分布，便于在线更新。

4.3.2 判断方法与操作流程

应用伯努利分布建模的步骤：

1. 定义事件：明确“成功”事件的含义，如“振动超限”“温度越界”“压力低报警”。
2. 数据收集：在系统运行中记录每次检测的结果（0或1），至少收集100个样本以稳定估计p。
3. 参数估计：p̂ = 成功次数/总试验次数。若采用贝叶斯方法，先验可设为Beta(α₀,β₀)，后验为Beta(α₀+成功次数, β₀+失败次数)。
4. 阈值决策：根据后验分布计算p的置信区间，若p的下界超过设定阈值（如0.05），则触发维护动作。

4.3.3 案例拆解：液压系统泄漏检测

某注塑机液压系统安装压力开关，正常工作时压力保持12-14MPa。设定报警阈值：压力低于10MPa持续2秒触发报警。收集历史数据：正常运行1000小时，共发生报警15次，其中12次确认为泄漏，3次为误报（传感器抖动）。以“报警”为事件，p̂=15/1000=0.015次/小时。采用Beta(2,100)作为先验（表示先验认为泄漏率约2%），后验为Beta(2+15, 100+985)=Beta(17,1085)，后验均值p=17/(17+1085)=0.0154，95%置信区间为[0.009, 0.023]。由于区间上界低于0.03的维护阈值，决定继续监控。两周后，报警频率增至0.04次/小时，后验更新为Beta(17+8, 1085+192)=Beta(25,1277)，均值0.0192，但置信区间上界升至0.028，接近阈值。结合油液颗粒度检测（ISO 4406等级从18/16/13升至21/19/16），判断密封圈磨损加剧，安排停机更换，避免了液压泵损坏。

4.3.4 常见误区与总结

• 误区一：将伯努利分布用于多级状态。若设备存在“正常/预警/故障”三态，应使用多项分布或序贯概率比检验。
• 误区二：忽略时间相关性。伯努利试验要求独立性，但故障报警往往存在时间聚集性，需先进行独立性检验（如游程检验）。
• 误区三：先验选择不当。Beta(1,1)均匀先验在小样本时后验受数据主导，但若先验信息可靠（如厂家MTBF数据），应使用信息先验。

伯努利分布是离散状态建模的最小单元，在贝叶斯框架下与Beta分布构成完美共轭对，适合在线实时更新报警概率。

4.4 多项分布：多类别故障模式识别

4.4.1 核心原理

多项分布是伯努利分布在多类别情形下的推广，描述n次独立试验中，k个类别各自出现次数 (x₁,x₂,...,xₖ) 的概率，参数为各类别概率 (p₁,p₂,...,pₖ)，满足 Σpᵢ=1。概率质量函数为：

P(X₁=x₁,...,Xₖ=xₖ) = n!/(x₁!...xₖ!) · Π(pᵢ^xᵢ)

在故障诊断中，多项分布用于：设备状态分类（正常、不平衡、不对中、轴承故障、齿轮故障等）、多传感器投票融合、工况识别。其共轭先验为Dirichlet分布，后验仍为Dirichlet分布，参数更新规则为 αᵢ_new = αᵢ_old + xᵢ。

4.4.2 判断方法与操作流程

应用多项分布进行故障模式识别的流程：

1. 定义类别：根据历史故障记录和专家经验，确定k种互斥的故障模式，如正常、转子不平衡、轴弯曲、轴承内圈故障、轴承外圈故障。
2. 特征提取：从振动信号中提取频域特征（1倍频幅值、2倍频幅值、边带能量等），每个样本得到一个特征向量。
3. 分类器训练：使用标注数据训练分类器（如朴素贝叶斯、随机森林），输出每个类别的概率估计 p̂ᵢ。
4. 贝叶斯更新：将分类器输出的概率作为观测证据，结合先验Dirichlet参数，更新后验概率。例如，先验 α₀=(1,1,1,1,1)（均匀），观测到10个样本中类别分布为(6,2,1,1,0)，则后验 α=(7,3,2,2,1)，归一化后各类别概率为(0.467, 0.2, 0.133, 0.133, 0.067)。

4.4.3 案例拆解：齿轮箱多故障模式诊断

某轧机齿轮箱配置加速度传感器，采集振动信号。定义5类状态：正常(N)、齿面磨损(W)、齿根裂纹(C)、轴承内圈故障(IR)、轴承外圈故障(OR)。从历史数据中提取特征：啮合频率幅值、边带能量比、高频振动能量。使用随机森林分类器，在验证集上准确率92%。混淆矩阵显示：N与W易混淆（8%的W被误判为N），IR与OR易混淆（10%的IR被误判为OR）。

在实际在线监测中，每10分钟采集一个样本，分类器输出概率向量。采用Dirichlet先验 α₀=(5,2,2,2,2)（反映先验认为正常概率较高）。连续采集20个样本后，分类结果计数为(14,3,1,1,1)，后验 α=(19,5,3,3,3)，归一化后P(N)=0.576, P(W)=0.152, P(C)=0.091, P(IR)=0.091, P(OR)=0.091。由于P(W)超过0.1且呈上升趋势，结合油液分析发现铁谱中异常磨损颗粒增多，判定为齿面磨损初期，安排计划检修。检修发现齿面点蚀面积约15%，更换润滑油并调整啮合间隙后，后续监测P(W)降至0.05以下。

4.4.4 常见误区与总结

• 误区一：忽略类别不平衡。当某类故障样本极少时，分类器倾向预测多数类，应使用加权损失或合成少数类过采样技术。
• 误区二：将多项分布与多元正态分布混淆。多项分布处理计数数据，多元正态处理连续向量，两者不能互换。
• 误区三：后验更新时未考虑样本相关性。若连续样本来自同一工况，应进行时间聚合（如每小时聚合一次）以保持独立性。

多项分布与Dirichlet先验的组合为多类别故障识别提供了优雅的贝叶斯更新框架，尤其适合在线学习场景，能够随着数据积累不断精化诊断结论。

4.5 四种分布的选择策略与综合对比

分布类型	数据类型	参数	共轭先验	典型故障场景	局限性
正态分布	连续量	μ, σ²	正态-逆伽马	振动幅值、温度、压力偏差	对重尾、偏态数据拟合差
指数分布	正连续量	λ	伽马	电子元件寿命、故障间隔	要求恒定失效率
伯努利分布	二元离散	p	贝塔	报警信号、开关状态	仅能表达两种状态
多项分布	多类别计数	p₁...pₖ	狄利克雷	故障模式分类、多传感器投票	类别间需互斥

选择分布时，应遵循以下原则：首先判断数据类型是连续还是离散；其次分析物理过程是否满足分布假设（如无记忆性、独立性）；最后考虑贝叶斯推断的计算便利性。在实际工程中，往往需要组合使用多种分布——例如，用正态分布描述连续测量值，用伯努利分布描述阈值报警，用多项分布融合多个诊断子系统的结论，形成层次化的贝叶斯诊断网络。

掌握这四种基本分布及其贝叶斯推断方法，是构建多源故障诊断系统的基础。下一阶段，我们将探讨如何将这些分布组合成贝叶斯网络，实现多传感器信息的深度融合与不确定性传播。