质量与可靠性 / 系统课时

Weibull 参数如何识别失效趋势

Weibull 参数如何识别失效趋势

同样都是可靠度随运行时间下降,设备的条件失效率却可能递减、恒定或递增。用二参数 Weibull 模型的形状参数 β 和尺度参数 η,可以识别风险趋势,并通过曲线与数值判断指定任务时间的失效风险。

学习目标

  • 区分 β 小于、等于和大于 1 时的条件失效率走势。
  • 解释尺度参数 η 的含义,计算任务可靠度与失效概率。
  • 绘制寿命曲线,并识别 Weibull 模型的适用边界。

形状与尺度怎样决定寿命分布

以非修复件的首次失效时间为研究对象,令 tt 表示从统一起点开始的运行时间(小时)。二参数 Weibull 模型要求 t≥0t\geq0、形状参数 β>0\beta>0、尺度参数 η>0\eta>0,其可靠度、累计失效概率及条件失效率分别为:

R(t)=exp⁡[−(t/η)β]R(t)=\exp[-(t/\eta)^\beta],F(t)=1−R(t)F(t)=1-R(t),λ(t)=(β/η)(t/η)β−1\lambda(t)=(\beta/\eta)(t/\eta)^{\beta-1}(t>0t>0)。

β\beta 控制曲线形态;η\eta 决定时间尺度。无论 β\beta 取多少,只要 t=ηt=\eta,都有 R(t)=e−1≈0.368R(t)=e^{-1}\approx0.368、F(t)≈0.632F(t)\approx0.632。例如 η=1000\eta=1000 小时,意味着模型预测到 1000 小时已有约 63.2% 的个体发生首次失效,并不意味着平均寿命必为 1000 小时。

条件失效率 λ(t)\lambda(t) 的单位是每小时,描述“已经存活到 tt 的个体在随后极短时间内失效的瞬时风险强度”;它不是 F(t)F(t),不能把数值直接当作累计故障比例。

不同形状参数对应什么趋势

形状参数 条件失效率 λ(t)\lambda(t) 常见工程解释与核查方向
β=0.6<1\beta=0.6<1 随时间递减 早期失效占比较高;排查制造缺陷、装配和筛选过程
β=1\beta=1 恒定 退化为指数寿命分布;排查随机应力与偶发失效
β=2.5>1\beta=2.5>1 随时间递增 磨损或老化特征;检查磨耗、疲劳及预防更换周期

固定 η=1000\eta=1000 小时,在 t=1000t=1000 小时处,三个模型的条件失效率依次为 0.0006、0.0010、0.0025 /小时。虽然此时可靠度都为 0.368,后续风险趋势并不相同。

固定尺度后怎样读曲线

保持 η=1000\eta=1000 小时,只改变 β\beta,各时刻可靠度如下(由模型直接计算,保留三位小数):

β\beta R(500)R(500) R(1000)R(1000) R(1500)R(1500)
0.6 0.517 0.368 0.279
1.0 0.607 0.368 0.223
2.5 0.838 0.368 0.064

三条可靠度曲线都持续下降,且在 t=ηt=\eta 处相交;不能因为 β<1\beta<1 就误以为“可靠度随时间上升”。若固定 β=2.5\beta=2.5,将 η\eta 从 1000 小时增至 1500 小时,R(1000)R(1000) 则从 0.368 增至约 0.696,说明时间尺度变大,而曲线形态保持不变。

Weibull 形状参数与尺度参数的可靠度和失效率曲线

使用 Python 3 与 Matplotlib 可复现这张对照图。先执行 python -m pip install matplotlib 安装依赖,再将以下程序保存为 weibull_curves.py,执行 python weibull_curves.py:

python
import math
import matplotlib.pyplot as plt

eta = 1000.0
betas = (0.6, 1.0, 2.5)
# 避开 t=0:beta<1 时条件失效率在端点发散
times = range(10, 2001, 10)
fig, (ax_r, ax_h) = plt.subplots(1, 2, figsize=(12, 4.5))

for beta in betas:
    reliability = [math.exp(-(t / eta) ** beta) for t in times]
    hazard = [beta / eta * (t / eta) ** (beta - 1) for t in times]
    ax_r.plot(times, reliability, label=f"beta={beta}")
    ax_h.plot(times, hazard, label=f"beta={beta}")

# 仅改变尺度参数,观察可靠度曲线的水平伸缩
ax_r.plot(times, [math.exp(-(t / 1500) ** 2.5) for t in times],
          "--", label="beta=2.5, eta=1500")
for ax in (ax_r, ax_h):
    ax.axvline(eta, color="gray", linestyle=":", linewidth=1)
    ax.set_xlabel("Time (h)")
    ax.grid(alpha=0.3)
    ax.legend(fontsize=8)

ax_r.set_ylabel("Reliability R(t)")
ax_h.set_ylabel("Hazard (1/h)")
fig.tight_layout()
fig.savefig("weibull_curves.png", dpi=160)
plt.close(fig)

for beta in betas:
    print(f"beta={beta:.1f}: R(1000h)={math.exp(-1):.4f}, hazard={beta / eta:.6f}/h")
print("Saved weibull_curves.png")

预期输出:

text
beta=0.6: R(1000h)=0.3679, hazard=0.000600/h
beta=1.0: R(1000h)=0.3679, hazard=0.001000/h
beta=2.5: R(1000h)=0.3679, hazard=0.002500/h
Saved weibull_curves.png

打开生成的 weibull_curves.png,检查左图曲线在 1000 小时附近相交,右图三种失效率分别递减、水平、递增。图中坐标轴使用英文以减少运行环境缺失中文字体造成的乱码。

用试验数据判断时怎样避免误判

实际试验应逐台记录运行时长,以及结局是“失效”还是“试验结束仍正常”。例如 20 台设备各测至 1000 小时,其中 8 台提前失效、12 台运行至截止时刻,则后者属于右删失数据,不能将其当成“在 1000 小时失效”,也不能直接据 8/20 推断出完整的失效趋势。

可执行的判断顺序是:先按失效模式分组并统一计时起点,再使用包含右删失信息的极大似然方法拟合 β\beta、η\eta;然后将 Weibull 预测曲线与 Kaplan–Meier 经验生存曲线比较,并检查参数置信区间及异常点。仅凭少量失效时间拟合出 β>1\beta>1,不足以证明磨损就是根因。

若任务要求“运行 500 小时的可靠度至少 0.90”,而估计参数为 β=2.5\beta=2.5、η=1000\eta=1000 小时,则模型给出 R(500)=0.838R(500)=0.838,点估计不达标,还需要报告估计不确定性。单一二参数 Weibull 的条件失效率只能单调变化或恒定,不能用一条曲线同时表示先下降、再平稳、最后上升的完整浴盆曲线。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

Weibull 参数如何识别失效趋势

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通