1. 课程导论：Weibull分布的定义、三参数与两参数形式、在可靠性工程中的应用场景
1.1 Weibull分布的定义与起源
Weibull分布由瑞典工程师Waloddi Weibull于1939年提出，最初用于描述材料的断裂强度。1951年，Weibull发表了著名论文《A Statistical Distribution Function of Wide Applicability》，系统阐述了该分布能够拟合多种类型的数据，尤其在可靠性工程和寿命数据分析领域具有核心地位。
Weibull分布是一种连续概率分布，其核心优势在于通过调整形状参数，可以灵活地模拟产品寿命周期中早期失效、偶然失效和耗损失效三种基本失效模式。
核心思想： Weibull分布通过一个简单的数学形式，将“失效时间”与“累积失效概率”关联起来，是可靠性工程中描述产品寿命最常用的统计工具。
1.2 三参数Weibull分布
三参数Weibull分布的概率密度函数（PDF）和累积分布函数（CDF）如下：
| 函数类型 | 数学表达式 | 参数说明 |
|---|---|---|
| 概率密度函数 (PDF) | \( f(t) = \frac{\beta}{\eta} \left( \frac{t - \gamma}{\eta} \right)^{\beta - 1} e^{-\left( \frac{t - \gamma}{\eta} \right)^{\beta}} \) |
|
| 累积分布函数 (CDF) | \( F(t) = 1 - e^{-\left( \frac{t - \gamma}{\eta} \right)^{\beta}} \) |
其中，t ≥ γ，β > 0，η > 0。位置参数 γ 表示产品在时间 γ 之前不会发生失效，即存在一个“无失效期”。
1.3 两参数Weibull分布
当位置参数 γ = 0 时，三参数退化为两参数Weibull分布，这是工程应用中最常见的形式：
| 函数类型 | 数学表达式 |
|---|---|
| 概率密度函数 (PDF) | \( f(t) = \frac{\beta}{\eta} \left( \frac{t}{\eta} \right)^{\beta - 1} e^{-\left( \frac{t}{\eta} \right)^{\beta}} \) |
| 累积分布函数 (CDF) | \( F(t) = 1 - e^{-\left( \frac{t}{\eta} \right)^{\beta}} \) |
| 可靠度函数 | \( R(t) = e^{-\left( \frac{t}{\eta} \right)^{\beta}} \) |
| 失效率函数 | \( \lambda(t) = \frac{\beta}{\eta} \left( \frac{t}{\eta} \right)^{\beta - 1} \) |
工程提示： 大多数可靠性试验数据默认 t ≥ 0，因此两参数Weibull分布是首选。只有当数据明显存在“延迟失效”特征时，才考虑引入位置参数 γ。
1.4 形状参数β的物理意义
形状参数 β 是Weibull分布最关键的参数，它直接决定了失效率的变化趋势：
| β 取值范围 | 失效率趋势 | 对应失效阶段 | 典型应用场景 |
|---|---|---|---|
| β < 1 | 递减 (DFR) | 早期失效期 | 电子元器件老化筛选、软件缺陷发现 |
| β = 1 | 恒定 (CFR) | 偶然失效期 | 指数分布特例，随机失效场景 |
| β > 1 | 递增 (IFR) | 耗损失效期 | 机械磨损、疲劳断裂、绝缘老化 |
| β = 3~4 | 近似正态分布 | 集中失效期 | 疲劳寿命、材料强度分析 |
1.5 在可靠性工程中的应用场景
Weibull分布广泛应用于以下可靠性工程领域：
- 寿命数据分析： 对产品失效时间数据进行建模，估计特征寿命（B10寿命、中位寿命）
- 可靠性评估： 计算不同时间点的可靠度、失效率，制定维修策略
- 加速寿命试验： 利用Weibull分布拟合高应力下的失效数据，外推正常使用条件下的寿命
- 保修期分析： 根据历史失效数据确定最优保修期限
- 材料强度分析： 描述脆性材料（如陶瓷、玻璃）的断裂强度分布
- 电子元器件可靠性： 半导体器件、电容、电阻的寿命评估
- 机械系统可靠性： 轴承、齿轮、弹簧等机械部件的疲劳寿命分析
注意事项： Weibull分布虽然灵活，但并非万能。当数据呈现多峰分布或存在竞争失效模式时，可能需要使用混合Weibull分布或其他更复杂的模型。
1.6 两参数与三参数的选择策略
| 判断条件 | 推荐形式 | 理由 |
|---|---|---|
| 数据从 t=0 开始记录，无延迟失效 | 两参数 | 参数更少，拟合更稳定，工程解释直观 |
| 数据明显存在“无失效期” | 三参数 | 位置参数 γ 可捕捉延迟失效特征 |
| 样本量较小（n < 20） | 两参数 | 三参数估计不稳定，易出现参数不收敛 |
| Weibull概率图呈现明显弯曲 | 三参数 | 弯曲表明存在非零位置参数 |
| 需要与指数分布对比 | 两参数 | β=1 时直接退化为指数分布 |
1.7 课程学习路径
本课程将按照以下逻辑逐步深入：
- 理论基础： Weibull分布数学性质与参数含义（本章）
- 概率图绘制： 手工与编程实现Weibull概率纸
- 参数估计： 图估计法、极大似然估计、最小二乘估计
- 拟合优度检验： 相关系数检验、K-S检验、A-D检验
- 工程实战： 完整案例分析与Python代码实现
学习建议： 建议在学习过程中同步准备Python环境（numpy, scipy, matplotlib, reliability库），以便随时验证理论结果。