质量与可靠性 / 系统课时
用概率图检查寿命模型拟合偏差
用概率图检查寿命模型拟合偏差
拿到 Weibull 的形状参数和尺度参数后,还要确认模型是否能解释实际失效时间。本篇用 16 个已失效样本绘制 Weibull 概率图和模型分位数对照图,识别系统性弯曲、可能的混合总体和尾部异常,再决定是否接受拟合。
学习目标
- 会把完整失效数据变换为 Weibull 概率图,识别接近直线与系统性偏离。
- 能绘制模型分位数与观测寿命的 Q–Q 图,定位偏差发生在哪些分位。
- 能区分异常记录、失效机理混合与模型不适用,并正确处理删失边界。
为什么概率图应接近直线
两参数 Weibull 模型假设位置参数为 0、寿命 ,其累计失效概率为 ,其中 是形状参数, 是尺度参数。两边做变换,得到:
因此以 、 作图,单一 Weibull 总体的样本点应大致沿直线分布,理论斜率为 。本例全是完整失效时间,排序后给第 个样本分配近似中位秩 ;当 时,首末两点的概率约为 0.0427 和 0.9573。首尾点本来波动较大,不能凭一个点偏离就否定模型。
绘制概率图与分位数图
在安装了 NumPy、SciPy 和 Matplotlib 的 Python 环境中运行下面的完整示例。失效时间单位为小时,使用 floc=0 固定 Weibull 的位置参数,避免把两参数模型无意中拟合成三参数模型;拟合参数采用最大似然估计,图中参考线不是概率图散点的最小二乘直线。
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import weibull_min
# 16 条完整失效记录;单位为小时,没有右删失样本
times = np.array([150, 168, 190, 205, 225, 245, 265, 285,
590, 620, 670, 715, 760, 810, 860, 1750], dtype=float)
times.sort()
n = len(times)
p = (np.arange(1, n + 1) - 0.3) / (n + 0.4)
beta, _, eta = weibull_min.fit(times, floc=0)
model_q = weibull_min.ppf(p, beta, loc=0, scale=eta)
# 左图:经验概率线性化后,与拟合模型的理论直线比较
x = np.log(times)
y = np.log(-np.log1p(-p))
fig, ax = plt.subplots(1, 2, figsize=(11, 4))
ax[0].scatter(x, y, label='Observed ranks')
xx = np.linspace(x.min(), x.max(), 100)
ax[0].plot(xx, beta * (xx - np.log(eta)), label='Fitted Weibull')
ax[0].set(xlabel='ln(lifetime / h)', ylabel='ln[-ln(1-F)]', title='Weibull probability plot')
ax[0].legend()
# 右图:同一绘图概率下,模型分位数与真实寿命逐点比较
ax[1].scatter(model_q, times)
limit = max(model_q.max(), times.max()) * 1.05
ax[1].plot([0, limit], [0, limit], '--')
ax[1].set(xlim=(0, limit), ylim=(0, limit), xlabel='Model quantile (h)',
ylabel='Observed lifetime (h)', title='Quantile comparison')
plt.tight_layout()
plt.savefig('weibull-diagnostics.png', dpi=160)
plt.close(fig)
print(f'n={n}, beta={beta:.2f}, eta={eta:.1f} h')
print(f'Largest: observed {times[-1]:.0f} h, model {model_q[-1]:.0f} h')预期输出(数值按示例环境四舍五入):
n=16, beta=1.44, eta=590.9 h
Largest: observed 1750 h, model 1312 h运行后生成 weibull-diagnostics.png。左图看散点是否持续偏离模型直线;右图的虚线表示“模型分位数=观测寿命”,点越远离它,该分位的寿命差异越明显。

从图形定位偏差
本例第 8 个失效时间为 285 小时,第 9 个跃至 590 小时,中段出现明显间隔;这提示需要核查不同批次、负载或失效机理是否被合并,但不能仅凭图形宣布存在两个总体。概率图若长期呈弯曲或 S 形,应比较对数正态等候选分布,而不是只调整 Weibull 参数直到看起来顺眼。
右图最末点对应相同绘图概率 :观测为 1750 小时,模型分位数约为 1312 小时,相差约 438 小时。先核对原始记录和失效判据;若 1750 小时真实有效,就要保留它,并检查包含与不包含该点时参数和关键寿命分位数的敏感程度,不能为提高拟合分数直接删点。
接受模型前还要核对什么
- 检查数据口径:确认 16 条记录是相同任务条件下的完整失效时间。仍在运行、试验结束未失效的样本属于右删失,不能作为失效点参与上述中位秩计算;应使用删失似然拟合与适合删失数据的绘图位置。
- 检查偏差位置:区分首尾少数点的随机波动与多个连续分位的同向偏离。若工程决策关心 B10 寿命,即累计失效概率达到 10% 的时间,应重点验证低分位端,而不只看中位区。
- 交叉验证结论:在同一数据口径下比较候选模型的概率图、Q–Q 图、尾部分位数预测和 AIC。若对拟合参数后的模型做 KS 检验,不应直接套用“参数已知”的标准 p 值;可用重新拟合的参数自助法校准。
概率图接近直线说明 Weibull 模型与数据相容,并非证明其正确。只要中段分群或决策关键分位存在稳定偏差,就应先排查数据来源与失效机理,再决定分组建模或更换分布。