质量与可靠性 / 系统课时

对数正态分布适合哪些寿命数据

对数正态分布适合哪些寿命数据

当一批零件的失效时间明显右偏、少数样品寿命很长时,直接用正态分布描述寿命可能得到不合理的负值。本篇用对数正态模型计算寿命分位点,再让 Weibull 模型对齐相同的早期分位点,观察远端寿命预测为何仍会分歧。

学习目标

  • 判断对数正态寿命模型的假设和适用边界。
  • 根据对数参数计算 B10、中位寿命及其他分位点。
  • 比较两种模型的尾部预测,并正确处理右删失数据。

为什么要对寿命取对数

设 TT 是同一失效模式、相近工况下产品的首次失效时间,且 T>0T>0。若以小时为单位的寿命数值满足 Y=ln⁡T∼N(μ,σ2)Y=\ln T\sim N(\mu,\sigma^2),就称 TT 服从对数正态分布。其中 μ\mu 是对数寿命的均值,σ>0\sigma>0 是对数寿命的标准差;TT 本身并不服从正态分布。

这类模型适用于正值、右偏,且对数后大致呈对称钟形的数据。例如,同种材料、载荷一致的部件,寿命受多种近似乘性因素影响时,可将其列为候选模型。可先取 30~50 个同条件的完整失效时间,查看 ln⁡T\ln T 的直方图与正态概率图,而不是只看原始寿命偏斜就确定模型。

单位必须统一:本例对“小时数值”取自然对数;若全部换成分钟,μ\mu 会增加 ln⁡60\ln 60,而 σ\sigma 不变。混合多个失效机理或不同载荷的样本,即使右偏,也不能据此认定服从一个对数正态分布。

由参数计算寿命分位点

累计失效概率 F(t)F(t) 表示截至 tt 已失效的比例,可靠度 R(t)R(t) 表示运行到 tt 仍未失效的概率:

F(t)=Φ(ln⁡t−μσ),R(t)=1−F(t)F(t)=\Phi\left(\frac{\ln t-\mu}{\sigma}\right),\qquad R(t)=1-F(t)

给定失效比例 pp,相应的寿命分位点为:

tp=exp⁡(μ+σΦ−1(p))t_p=\exp\left(\mu+\sigma\Phi^{-1}(p)\right)

这里 Φ\Phi 是标准正态累积分布函数。以假设参数 μ=ln⁡1000\mu=\ln 1000、σ=0.5\sigma=0.5 为例,B10=t0.10≈527B10=t_{0.10}\approx527 小时,B50=1000B50=1000 小时,B90≈1898B90\approx1898 小时。B10 表示约 10% 产品在此前失效、约 90% 仍能运行,不是“10% 产品仍能运行”。该模型的平均寿命为 exp⁡(μ+σ2/2)≈1133\exp(\mu+\sigma^2/2)\approx1133 小时,也不等于中位寿命。

对齐早期分位点后比较尾部

两参数 Weibull 分布可写为 FW(t)=1−exp⁡[−(t/η)β]F_W(t)=1-\exp[-(t/\eta)^\beta]。为了排除“两个模型本来就拟合了不同早期寿命”的干扰,下面选取 Weibull 的形状参数 β\beta 与尺度参数 η\eta,让两种模型的 B10、B50 完全相同,再比较 B90、B99。

Python 3.8 及以上版本可直接运行以下示例,无需第三方依赖:

python
import math
from statistics import NormalDist

normal = NormalDist()
mu, sigma = math.log(1000.0), 0.5
probabilities = (0.10, 0.50, 0.90, 0.99)

def lognormal_quantile(p):
    return math.exp(mu + sigma * normal.inv_cdf(p))

q10, q50 = lognormal_quantile(0.10), lognormal_quantile(0.50)
# 让 Weibull 与对数正态具有相同的 B10 和 B50
a10, a50 = -math.log(0.9), -math.log(0.5)
beta = math.log(a50 / a10) / math.log(q50 / q10)
eta = q50 / a50 ** (1 / beta)

def weibull_quantile(p):
    return eta * (-math.log1p(-p)) ** (1 / beta)

print(f"Weibull beta={beta:.2f}, eta={eta:.1f} h")
for p in probabilities:
    print(f"F={p:.0%}: lognormal={lognormal_quantile(p):.0f} h, Weibull={weibull_quantile(p):.0f} h")

# 直接比较运行到 2000 小时仍未失效的概率
r_ln = normal.cdf((mu - math.log(2000.0)) / sigma)
r_w = math.exp(-((2000.0 / eta) ** beta))
print(f"R(2000 h): lognormal={r_ln:.4f}, Weibull={r_w:.4f}")

预期输出:

text
Weibull beta=2.94, eta=1132.8 h
F=10%: lognormal=527 h, Weibull=527 h
F=50%: lognormal=1000 h, Weibull=1000 h
F=90%: lognormal=1898 h, Weibull=1504 h
F=99%: lognormal=3200 h, Weibull=1904 h
R(2000 h): lognormal=0.0828, Weibull=0.0049

对数正态与 Weibull 寿命模型的尾部分位点对比

在这个特定参数组合下,2000 小时的可靠度预测相差约 17 倍。对数正态分布的寿命上尾更长;对应的风险率通常先上升后下降,而本例 β>1\beta>1 的 Weibull 风险率随时间单调上升。但尾部差异并不说明某个模型天然更准确,准确性取决于真实失效机理和观测范围。

怎样判定预测可不可信

  1. 先核对样本:例如 50 台设备中 36 台已失效、14 台在试验结束时仍正常工作,后 14 台是右删失,不能把试验截止时间误当成失效时间。
  2. 用相同数据拟合:分别检查对数正态概率图、Weibull 概率图;存在右删失时用包含删失信息的极大似然估计,结合 AIC、经验生存曲线以及关键任务时间的预测误差比较。
  3. 限定外推范围:若最长跟踪仅到 1600 小时,就不能把模型算出的 B99=3200 小时说成已由试验证实;需延长跟踪、补充加速寿命试验并验证加速关系,或报告两模型构成的预测范围。

实际选型应先按失效机理和工况分组,再比较拟合与任务时长内的预测表现。分位点是模型推断值,不是产品寿命的保证值。公式与参数定义可对照 NIST 对数正态寿命模型 和 NIST Weibull 寿命模型。

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

对数正态分布适合哪些寿命数据

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