质量与可靠性 / 系统课时
如何从寿命分布求出 B10 寿命
如何从寿命分布求出 B10 寿命
当产品要求“B10 寿命至少 300 小时”时,需要找到累计失效概率达到 10% 的时间,而不是取平均寿命的 10%。下面用指数分布与双参数 Weibull 分布各算一次,再用代码核对结果并判断是否满足要求。
学习目标
- 用累计失效概率和可靠度准确解释 B10。
- 根据指数分布或 Weibull 分布参数求出 B10 并复核。
- 区分 B10、平均寿命以及带置信度的寿命要求。
把 B10 还原成概率条件
设 是产品从投入运行到首次失效的时间。累计失效概率为 ,可靠度为 。因此 B10 满足 ,也等价于 :总体中预计有 10% 在此时间之前或此时失效,90% 可运行到此时。
例如某模型算得 ,则到 200 小时的累计失效概率为 7%,其 B10 应大于 200 小时。注意这是同一批、同一工况下寿命分布的时间分位点,并不是单台设备的保证寿命,也不是观测到第一台故障的时间。
从两种寿命模型求出分位点
指数分布假设失效率 恒定,可靠度为 。令 ,可得 。当 次/小时时, 小时,而平均寿命 小时。
双参数 Weibull 分布假设位置参数为 0,可靠度为 ,其中 为尺度参数(与时间同单位), 为无量纲形状参数。整理得 。取 小时、,得到 小时,平均寿命 小时。

两组模型虽然尺度或平均寿命都接近 1000 小时,B10 却相差约 219 小时。平均寿命较长不代表 B10 必然较长:早期失效尾部的形状也会改变低分位寿命。
用 Python 复核结果
以下示例只用 Python 3 标准库 math,时间一律使用小时。除了直接求 B10,还计算 300 小时的累计失效概率,检验是否满足 小时的要求。
import math
rate = 0.001
scale = 1000.0
shape = 2.0
q = -math.log(0.9)
# 从 R(t)=0.9 反求两种分布的 B10
b10_exp = q / rate
b10_weibull = scale * q ** (1.0 / shape)
# 用均值及 300 小时累计失效概率交叉检查
mean_exp = 1.0 / rate
mean_weibull = scale * math.gamma(1.0 + 1.0 / shape)
f_exp_300 = 1.0 - math.exp(-rate * 300)
f_weibull_300 = 1.0 - math.exp(-(300 / scale) ** shape)
print(f"指数: B10={b10_exp:.2f} h, 均值={mean_exp:.2f} h")
print(f"Weibull: B10={b10_weibull:.2f} h, 均值={mean_weibull:.2f} h")
print(f"300h 失效概率: 指数={f_exp_300:.2%}, Weibull={f_weibull_300:.2%}")预期输出:
指数: B10=105.36 h, 均值=1000.00 h
Weibull: B10=324.59 h, 均值=886.23 h
300h 失效概率: 指数=25.92%, Weibull=8.61%以“B10 不低于 300 小时”为点估计验收线,指数模型不满足,Weibull 模型满足。也可以从另一侧验证:300 小时累计失效概率须不高于 10%;上面的 25.92% 与 8.61% 给出相同结论。
使用计算结果前检查适用边界
- 核对模型假设。 指数分布的失效率不随服役时间变化;Weibull 的 描述随时间上升的失效风险。不能为了得到更高的 B10 而任意选择分布,应使用故障时间与右删失记录进行参数拟合和拟合诊断。
- 核对参数与单位。 以“每小时”计时,得到的 B10 才是小时; 的单位也必须与任务时间一致。若采用带位置参数的三参数 Weibull,不能直接套用这里的双参数公式。
- 区分点估计与置信保证。 算出 小时只说明当前参数估计对应的分位点。若合同写明“以 90% 置信度保证 B10 不低于 300 小时”,必须评估参数不确定性,并检查 B10 的单侧置信下限是否达到 300 小时。
对实际寿命数据,应先确定工况、失效判据和删失处理方式,再拟合分布并反求 的时间;只有模型与统计证据都满足要求,B10 才能用于可靠性验收。