威布尔分布——寿命数据的参数估计与拟合优度检验
2026/08/15 13:39:22
威布尔分布（Weibull Distribution）是寿命数据分析中应用最广的概率分布，由瑞典工程师 Waloddi Weibull 于二十世纪中叶提出。它之所以成为可靠性寿命建模的首选，关键在于形状参数 β 的灵活调节能力——同一族分布即可描述早期失效、随机失效与耗损失效三种截然不同的失效率模式，覆盖了产品全寿命周期浴盆曲线的各个阶段。
三参数威布尔分布的概率密度函数为 f(t)=(β/η)·((t-γ)/η)^(β-1)·exp(-((t-γ)/η)^β)，其中 t≥γ。三个参数各有明确物理意义：β 为形状参数，决定失效率随时间的变化趋势；η 为尺度参数，又称特征寿命，当 t=η 时可靠度 R(η)=e^(-1)≈36.8%，是寿命分布的典型度量；γ 为位置参数，代表起始失效时间即最小寿命。当 γ=0 时退化为最常用的二参数威布尔分布。
形状参数 β 是威布尔分布最重要的参数。β<1 时失效率递减，对应早期失效阶段，产品在磨合期内缺陷逐步暴露；β=1 时失效率恒定，威布尔分布退化为指数分布，描述随机失效；β>1 时失效率递增，对应耗损、疲劳与老化阶段。β≈2 时近似瑞利分布，β≈3.5 时近似正态分布。通过估计 β 值可以判断主导失效机理，当 β>1 提示存在耗损型失效时，就应据此制定预防性维修或定期更换周期。
威布尔概率图（Weibull Plot）是直观分析寿命数据的经典工具。将累积失效概率 F(t) 置于 ln ln(1/(1-F(t))) 对 ln t 的坐标系中，若数据服从威布尔分布，各点应近似排成一条直线，其斜率即为 β，由截距可求得 η。概率图不仅能快速判断数据是否服从威布尔分布，还能为后续参数估计提供良好的初值。
威布尔参数估计主要有三类方法。极大似然估计（MLE）统计性质最优，但需要数值迭代求解超越方程，计算量大；中位秩回归（MRR）是图形法，用 Benard 近似中位秩 (i-0.3)/(n+0.4) 估计 F(t)，再经最小二乘拟合直线求得 β 和 η；矩估计法利用样本矩与总体矩相等建立方程，计算简单但精度略低。工程经验是小样本优先用 MRR，大样本优先用 MLE。
实际寿命试验常存在截尾数据，必须正确处理。完整数据指所有样本均观测到失效；右截尾是产品在试验结束时尚未失效，又分为定时截尾与定数截尾；左截尾是只知道失效发生在某时刻之前；区间截尾是只知道失效发生在某个时间区间内。MLE 能自然处理各类截尾数据，MRR 则需用 Kaplan-Meier 法或 Johnson 秩法调整中位秩。若忽略截尾样本而只用失效数据，会系统性低估产品寿命。
拟合优度检验用于回答数据是否真的服从威布尔分布。常用方法包括：相关系数检验，计算概率图线性相关系数 r，越接近 1 拟合越好；Anderson-Darling 统计量与 Cramer-von Mises 统计量，对分布尾部更敏感；似然比检验，将威布尔分布与指数、对数正态、伽马分布对比，结合 AIC/BIC 信息准则选择最优模型。拟合优度只能说明统计上的吻合程度，不能替代失效机理的工程判断。
以某轴承疲劳寿命试验为例，取 20 个样本进行加速寿命试验，对失效数据用 MRR 估计得 β=1.8（呈耗损失效特征）、η=5200h，则 2000h 时的可靠度 R(2000)=exp(-(2000/5200)^1.8)≈0.88。据此制定 3000h 的预防性更换周期，兼顾可靠性与维护成本。随后用 MLE 复核得 β=1.75、η=5100h，两种方法结果一致，且概率图相关系数 r=0.98 通过拟合优度检验，说明威布尔模型选择合理。
威布尔分布与其他寿命分布存在清晰的包含与并列关系。指数分布是 β=1 的特例，瑞利分布是 β=2 的特例；正态分布与对数正态分布常用于描述退化型失效，伽马分布则在某些可靠性模型中使用。选择寿命分布时应结合失效机理，例如疲劳磨损失效首选威布尔，随机突发失效首选指数，切不可仅凭拟合优度高低机械选型。
目前主流的可靠性分析工具均支持威布尔分析。商业软件如 Minitab、ReliaSoft Weibull++、JMP 提供了从概率图、参数估计到拟合优度检验的完整流程；开源生态中 Python 的 reliability 库与 SciPy 统计模块也能方便地完成威布尔拟合与可靠度计算，为工程人员提供了低成本、可复现的分析方案。
三参数威布尔分布的概率密度函数为 f(t)=(β/η)·((t-γ)/η)^(β-1)·exp(-((t-γ)/η)^β)，其中 t≥γ。三个参数各有明确物理意义：β 为形状参数，决定失效率随时间的变化趋势；η 为尺度参数，又称特征寿命，当 t=η 时可靠度 R(η)=e^(-1)≈36.8%，是寿命分布的典型度量；γ 为位置参数，代表起始失效时间即最小寿命。当 γ=0 时退化为最常用的二参数威布尔分布。
形状参数 β 是威布尔分布最重要的参数。β<1 时失效率递减，对应早期失效阶段，产品在磨合期内缺陷逐步暴露；β=1 时失效率恒定，威布尔分布退化为指数分布，描述随机失效；β>1 时失效率递增，对应耗损、疲劳与老化阶段。β≈2 时近似瑞利分布，β≈3.5 时近似正态分布。通过估计 β 值可以判断主导失效机理，当 β>1 提示存在耗损型失效时，就应据此制定预防性维修或定期更换周期。
威布尔概率图（Weibull Plot）是直观分析寿命数据的经典工具。将累积失效概率 F(t) 置于 ln ln(1/(1-F(t))) 对 ln t 的坐标系中，若数据服从威布尔分布，各点应近似排成一条直线，其斜率即为 β，由截距可求得 η。概率图不仅能快速判断数据是否服从威布尔分布，还能为后续参数估计提供良好的初值。
威布尔参数估计主要有三类方法。极大似然估计（MLE）统计性质最优，但需要数值迭代求解超越方程，计算量大；中位秩回归（MRR）是图形法，用 Benard 近似中位秩 (i-0.3)/(n+0.4) 估计 F(t)，再经最小二乘拟合直线求得 β 和 η；矩估计法利用样本矩与总体矩相等建立方程，计算简单但精度略低。工程经验是小样本优先用 MRR，大样本优先用 MLE。
实际寿命试验常存在截尾数据，必须正确处理。完整数据指所有样本均观测到失效；右截尾是产品在试验结束时尚未失效，又分为定时截尾与定数截尾；左截尾是只知道失效发生在某时刻之前；区间截尾是只知道失效发生在某个时间区间内。MLE 能自然处理各类截尾数据，MRR 则需用 Kaplan-Meier 法或 Johnson 秩法调整中位秩。若忽略截尾样本而只用失效数据，会系统性低估产品寿命。
拟合优度检验用于回答数据是否真的服从威布尔分布。常用方法包括：相关系数检验，计算概率图线性相关系数 r，越接近 1 拟合越好；Anderson-Darling 统计量与 Cramer-von Mises 统计量，对分布尾部更敏感；似然比检验，将威布尔分布与指数、对数正态、伽马分布对比，结合 AIC/BIC 信息准则选择最优模型。拟合优度只能说明统计上的吻合程度，不能替代失效机理的工程判断。
以某轴承疲劳寿命试验为例，取 20 个样本进行加速寿命试验，对失效数据用 MRR 估计得 β=1.8（呈耗损失效特征）、η=5200h，则 2000h 时的可靠度 R(2000)=exp(-(2000/5200)^1.8)≈0.88。据此制定 3000h 的预防性更换周期，兼顾可靠性与维护成本。随后用 MLE 复核得 β=1.75、η=5100h，两种方法结果一致，且概率图相关系数 r=0.98 通过拟合优度检验，说明威布尔模型选择合理。
威布尔分布与其他寿命分布存在清晰的包含与并列关系。指数分布是 β=1 的特例，瑞利分布是 β=2 的特例；正态分布与对数正态分布常用于描述退化型失效，伽马分布则在某些可靠性模型中使用。选择寿命分布时应结合失效机理，例如疲劳磨损失效首选威布尔，随机突发失效首选指数，切不可仅凭拟合优度高低机械选型。
目前主流的可靠性分析工具均支持威布尔分析。商业软件如 Minitab、ReliaSoft Weibull++、JMP 提供了从概率图、参数估计到拟合优度检验的完整流程；开源生态中 Python 的 reliability 库与 SciPy 统计模块也能方便地完成威布尔拟合与可靠度计算，为工程人员提供了低成本、可复现的分析方案。