4. 概率图原理:概率纸的构造、线性化变换与坐标轴设计
概率图(Probability Plot)是可靠性工程中最直观的分布检验工具。其核心思想是:通过坐标轴的数学变换,将原本非线性的累积分布函数(CDF)曲线“拉直”为一条直线。如果样本数据在变换后的坐标系中大致沿直线排列,则表明该分布假设成立。
4.1 概率纸的构造原理
传统概率纸(Probability Paper)是一种特制的坐标纸,其纵轴或横轴按特定分布的累积概率刻度进行非线性缩放。以 Weibull 概率纸为例,其构造基于以下数学逻辑:
- 原始 CDF 非线性:Weibull 分布的 CDF 为 \( F(t) = 1 - e^{-(t/\eta)^\beta} \),呈 S 形曲线。
- 双对数线性化:对 CDF 进行两次对数变换,将 S 形曲线映射为一条直线。
- 刻度重标:概率纸的纵轴按 \(\ln(-\ln(1-F))\) 等距刻度,横轴按 \(\ln(t)\) 等距刻度,从而在纸上形成线性网格。
关键洞察:概率纸本质上是一个“模拟计算器”,它通过物理坐标轴的变形,让用户无需计算即可直接评估数据与理论分布的拟合程度。
4.2 线性化变换:从曲线到直线
Weibull 概率图的线性化变换是整章的技术核心。我们从 Weibull CDF 出发,推导出直线方程:
原始 CDF: F(t) = 1 - exp[-(t/η)^β]
移项: 1 - F(t) = exp[-(t/η)^β]
取自然对数: ln[1 - F(t)] = -(t/η)^β
取负对数: -ln[1 - F(t)] = (t/η)^β
再次取对数: ln{-ln[1 - F(t)]} = β·ln(t) - β·ln(η)
令:
- 纵轴 Y = \(\ln(-\ln(1 - F(t)))\)
- 横轴 X = \(\ln(t)\)
- 斜率 = \(\beta\)(形状参数)
- 截距 = \(-\beta \ln(\eta)\)
得到直线方程:Y = β·X − β·ln(η)
| 变换步骤 | 数学操作 | 作用 |
|---|---|---|
| 第 1 步 | \(1 - F(t)\) | 将累积概率转为可靠度 |
| 第 2 步 | \(\ln[1 - F(t)]\) | 消除指数函数 |
| 第 3 步 | \(-\ln[1 - F(t)]\) | 取正,得到幂函数形式 |
| 第 4 步 | \(\ln(-\ln[1 - F(t)])\) | 最终线性化,得到 Y |
工程记忆口诀:“一减取反,两次对数”——先算可靠度,再取两次自然对数,即可得到线性坐标。
4.3 Weibull 概率图的坐标轴设计
现代 Weibull 概率图不再使用纸质坐标纸,而是通过软件绘制。但坐标轴的设计原理完全继承自概率纸:
- 横轴(X 轴):对数刻度,标注 \(\ln(t)\) 或直接标注原始时间 \(t\)(刻度间距按对数增长)。
- 纵轴(Y 轴):双对数刻度,标注 \(\ln(-\ln(1-F))\) 或直接标注累积失效百分比 \(F\%\)(0.1% 到 99.9%)。
- 参考线:通常添加一条拟合直线,用于目视评估数据点的线性趋势。
下表总结了坐标轴的关键设计参数:
| 轴 | 刻度类型 | 标注内容 | 典型范围 |
|---|---|---|---|
| 横轴 X | 对数(ln) | 失效时间 \(t\) | 1 ~ 10000(视数据而定) |
| 纵轴 Y | 双对数(ln(-ln)) | 累积失效百分比 \(F\%\) | 0.1% ~ 99.9% |
| 辅助网格 | 对数等距 | — | 帮助读取数据点坐标 |
4.4 概率图的实际构造步骤
在软件中构造 Weibull 概率图时,遵循以下步骤:
- 排序与秩计算:将失效时间从小到大排序,使用中位秩公式 \(F_i = (i - 0.3)/(n + 0.4)\) 估计累积失效概率。
- 坐标变换:计算 \(X_i = \ln(t_i)\) 和 \(Y_i = \ln(-\ln(1 - F_i))\)。
- 散点绘制:在变换后的坐标系中绘制 \((X_i, Y_i)\) 散点。
- 拟合直线:通过最小二乘法或极大似然法拟合直线,得到斜率 \(\hat{\beta}\) 和截距。
- 目视检验:观察散点是否围绕直线随机分布,无明显弯曲或离群模式。
常见陷阱:当样本量较小(n < 10)时,中位秩估计的方差较大,概率图可能出现假阳性或假阴性弯曲。此时应结合假设检验(如 Anderson-Darling 检验)综合判断。
4.5 概率图的优势与局限
| 维度 | 优势 | 局限 |
|---|---|---|
| 直观性 | 无需复杂计算,目视即可判断拟合质量 | 主观性强,不同观察者可能得出不同结论 |
| 信息量 | 可同时识别离群点、弯曲模式、混合分布 | 对尾部数据敏感,样本量不足时尾部波动大 |
| 参数估计 | 从图中可直接读取形状参数 β 和尺度参数 η | 目视读取精度有限,不如数值方法准确 |
| 适用性 | 适用于完整数据、删失数据、多失效模式 | 对完全随机删失数据的处理需要修正秩 |
最佳实践:在工程应用中,概率图应作为初步诊断工具,与数值拟合优度检验(如 Anderson-Darling、Kolmogorov-Smirnov)配合使用,形成“目视 + 定量”的双重验证流程。