常见寿命分布（上）：指数分布、威布尔分布、正态分布与对数正态分布

各位工程师朋友，咱们今天聊聊可靠性建模里最基础、也最常用的几个寿命分布。说实话，我刚入行那会儿，面对一堆分布函数也是一头雾水。后来做项目做多了，才慢慢摸清它们的脾气。今天我就把这几位的「性格特点」和「适用场景」掰开揉碎了讲给你听。

一、指数分布：简单但「无记忆」的怪脾气

指数分布是可靠性工程里最简单的分布。它的概率密度函数长这样：

f(t) = λe^(-λt), t ≥ 0

其中λ是失效率，是个常数。嗯，这里要注意——失效率恒定，这是指数分布最核心的特点。

为什么说它「无记忆」？

我举个例子你就明白了。假设一个电子元件的寿命服从指数分布，它已经工作了1000小时没坏。你猜它还能再工作多久？答案是：跟一个新元件一样！过去的工作时间对剩余寿命没有任何影响。说白了，它「不记得」自己已经工作了多久。

数学上表达就是：

P(T > t + s | T > s) = P(T > t)

这个性质在现实中其实挺反直觉的。我在做电源模块可靠性评估时遇到过这种情况：客户说「这批电源已经跑了5000小时没出问题，后面应该更可靠了吧？」我告诉他，如果寿命服从指数分布，那后面的失效率跟新的一样，不会变好也不会变差。

二、威布尔分布：形状参数决定一切

威布尔分布是我个人最喜欢用的分布，没有之一。为什么？因为它太灵活了。它的概率密度函数是：

f(t) = (β/η) * (t/η)^(β-1) * e^(-(t/η)^β)

这里β是形状参数，η是尺度参数。β这个参数，说白了就是决定分布「长什么样」的开关。

形状参数β的意义：

β值	失效率变化	物理含义
β < 1	递减	早期失效期，比如制造缺陷
β = 1	恒定	就是指数分布，偶然失效期
β > 1	递增	耗损失效期，比如磨损、老化

你想想看，一个分布能同时描述浴盆曲线的三个区域，这得多方便！我在做轴承寿命分析时，用威布尔分布拟合出来的β=2.3，说明失效率在加速上升，跟实际观察到的磨损规律完全吻合。

三、正态分布与对数正态分布

这两个分布放在一起讲，因为它们关系密切——对数正态分布就是取对数后的正态分布。

正态分布：

f(t) = (1/(σ√(2π))) * e^(-(t-μ)²/(2σ²))

正态分布的特点是左右对称，均值μ处概率最大。但用在寿命分析上有个问题——它允许t取负值！寿命怎么能是负的呢？所以正态分布更适合描述那些「有明确中心值」的退化过程，比如某个尺寸的磨损量。

对数正态分布：

f(t) = (1/(tσ√(2π))) * e^(-(ln t - μ)²/(2σ²))

这个就好多了，t只取正值。而且它的右尾很长，能描述「大部分产品寿命集中在某个范围，但少数产品寿命特别长」的情况。我在做LED灯具寿命测试时就发现，光衰数据用对数正态分布拟合效果特别好。

四、知识体系总览

下面这张图是我自己整理的，帮你理清这四种分布的关系和选择逻辑：

五、实战中的选择建议

说了这么多理论，最后给你几条我踩坑踩出来的经验：

1. 先画图，再建模。拿到寿命数据，第一件事不是套公式，而是画直方图和概率图。看看数据是左偏还是右偏，有没有明显的拖尾。
2. 威布尔是万金油。如果你不确定用哪个分布，先用威布尔试试。它的形状参数β能告诉你失效率的变化趋势，这本身就是很有价值的信息。
3. 别迷信拟合优度。有一次我用三个分布拟合同一组数据，R²都超过0.95。但选错了分布，预测的B10寿命差了30%。一定要结合物理机理去判断。
4. 对数正态分布适合「乘积型」失效。比如裂纹扩展、腐蚀深度，这些过程是多个随机因素相乘的结果，取对数后往往呈现正态分布。

好了，今天这四种分布就聊到这儿。记住一句话：分布只是工具，理解背后的物理过程才是关键。下次你拿到一组寿命数据，不妨先问问自己——这玩意儿是怎么坏的？想清楚了，选分布就是水到渠成的事。