威布尔可靠性分析实务：形状参数、寿命指标与失效模式

可靠性数据与一般质量数据最大的不同，是许多样品在观察期结束时尚未失效，形成右删失数据。简单计算“失效寿命平均值”会丢弃仍在运行的样品，并系统性低估寿命。威布尔分析能同时利用失效与删失信息，描述失效率随时间的变化，因此广泛用于设备、轴承、电子元件和耐久性验证。

一、二参数威布尔模型

累积分布函数为：

F(t)=1−exp[−(t/η)^β]

可靠度函数为R(t)=exp[−(t/η)^β]。其中β是形状参数，η是尺度参数；当t=η时，累计失效概率约为63.2%，所以η也称特征寿命。第p分位寿命可写为：

t_p=η[−ln(1−p)]^1/β

例如B10寿命指累计10%产品失效时的时间，常比平均寿命更适合表达保修或安全设计要求。

二、形状参数β的工程含义

β小于1通常表示失效率随时间下降，常见于早期失效、装配缺陷或筛选不足；β约等于1时接近指数分布，失效率近似恒定，常对应随机失效；β大于1表示磨损型失效，失效率随时间上升。需要注意，β不是失效原因的直接证明，它只是数据形态的线索，必须与拆解、材料分析和失效机理相互验证。

三、删失数据为何必须保留

假设10件样品测试1000小时，其中3件分别在400、650、900小时失效，其余7件仍正常。那7件不是“没有数据”，而是证明其寿命至少超过1000小时。最大似然估计可以把这些右删失信息纳入参数估计。若只平均三次失效时间，将得到650小时，显然无法代表总体寿命。

四、威布尔概率图与参数估计

概率图将数据转换后观察点是否近似线性，斜率与β相关，位置与η相关。图形能直观发现混合失效模式、离群点和阈值效应。正式估计通常采用最大似然法；小样本时应报告参数与B寿命的置信区间，而不是只给点估计。比较设计方案时，也应关注区间是否重叠和试验功效。

五、案例：输送设备轴承寿命

工厂收集40个轴承的运行数据，观察截止时有17个失效、23个删失。总体拟合得到β明显大于1，表现为磨损失效。但按润滑批次分层后，一组β接近1且早期失效较多。拆解发现其润滑脂污染，而另一组主要为正常疲劳剥落。如果仅拟合一个总体模型，早期污染与后期磨损会被混为一个宽分布，既误判更换周期，也错过供应链问题。

六、三参数模型应谨慎

三参数威布尔增加位置参数γ，表示在t≤γ前理论上不会失效。它可描述起始阈值，但小样本下γ、β、η高度相关，容易得到不稳定结果。除非存在明确物理依据并有足够数据，否则二参数模型往往更稳健。不能为了让概率图更直就任意增加参数。

七、可靠性分析的标准流程

1. 明确时间起点、失效定义、使用载荷和删失规则。
2. 保留每个样品的状态、寿命、批次、工况和失效模式。
3. 先做失效模式分类，避免把不同机理强行合并。
4. 绘制概率图，采用合适估计方法并报告置信区间。
5. 计算与决策直接相关的B10、B50、保修失效率或可靠度。
6. 将统计结论与失效分析、材料证据和现场工况闭环。

八、常见误区

不要把MTBF当成所有产品的通用寿命指标；不要删除尚未失效样品；不要把返修记录中的“未发现故障”当成明确删失；不要混合不同载荷与失效模式；也不要依据极少失效点承诺极低失效率。可靠性结论必须附带样本规模、观察时间和不确定性。

结语

威布尔分析把“多久会坏”转化为可以检验、比较和决策的概率模型。真正成熟的应用并非只输出β和η，而是让寿命试验、失效机理、维修策略与保修风险形成闭环。延伸阅读可参考Abernethy的《The New Weibull Handbook》及Meeker与Escobar的《Statistical Methods for Reliability Data》。