做可靠性的朋友应该都对这两种分布不陌生。上一篇讲的是Weibull和Lognormal的基础定义、概率密度函数形态，以及各自参数的名字和数学含义。这一篇我想换个角度，直接聊工程里更头疼的事情：手里拿到一批失效数据，到底该用哪个分布去拟合？拟合完之后，怎么把参数换算成工程师真正关心的B10寿命、平均寿命、可靠度曲线？以及那些软件不会明说、但实操中一定会踩的坑。

内容会偏向“怎么选、怎么算、怎么判断”，适合刚接触寿命数据分析的可靠性工程师、质量工程师，也适合做产品设计验证时被要求“给个MTTF/B10”但不太确定该用哪种分布的朋友。我会尽量用实际项目里的数字举例，一步一步算给你看。

1. 两种分布的本质差异与选型逻辑

1.1 从失效机理反推分布形态

选分布之前，先想清楚你的产品是怎么坏的。这句话听起来像废话，但实际项目里80%的选型错误都出在“手里有什么软件就用什么分布”上。

Weibull分布最核心的武器是形状参数β。β<1时失效率随时间下降，对应早期失效，比如制造缺陷、混入不良品、装配应力释放；β=1时失效率恒定，对应随机失效，比如外部过载、偶然撞击、环境突变；β>1时失效率随时间上升，对应磨损老化，比如机械磨损、材料疲劳、绝缘退化。可以说Weibull是浴盆曲线三个阶段的“通用翻译器”，这也是它在工业界用得最广的原因——你不需要事先精确知道失效机理，β会告诉你答案。

Lognormal分布则对应另一类物理过程：产品寿命取对数后服从正态分布，本质上失效时间是多个独立小因素相乘（而不是相加）的结果。典型场景包括金属疲劳裂纹扩展、电化学腐蚀、半导体电迁移、化学反应老化。这类失效的特征是“绝大多数个体在某个典型寿命附近失效，但少数个体寿命特别短或特别长”，右尾很长。

我的习惯是：先问失效模式是什么。如果是机械磨损、绝缘劣化、轴承疲劳这类“缓慢恶化到极限”的过程，优先试Weibull；如果是疲劳裂纹、腐蚀穿透这类“随机损伤累积、某个小缺陷被放大”的过程，优先试Lognormal。如果机理不明确，就同时拟合两个分布，对比拟合优度。

1.2 数学特性带来的工程后果

Weibull的数学特点是存在“最小寿命”的概念。两参数Weibull从t=0开始，三参数Weibull则引入位置参数γ，表示在此之前产品一定不会失效。这对很多机械产品很有吸引力——轴承、齿轮、密封件确实存在一个“安全期”。但用三参数Weibull要谨慎，样本量小的时候γ的估计很不稳定，容易出现过拟合。

Lognormal没有“绝对安全期”这个概念，它的累积分布从t=0开始就大于0，也就是说理论上任何时刻都有失效概率。但它的σ参数有很直观的物理意义：σ小说明个体间的寿命差异小，产品一致性高；σ大说明个体差异大，少数产品可能远早于中位寿命失效。这对应着一句话：如果你的产品主要问题不是“平均寿命低”，而是“有些人用三年没事，有些人三个月就坏”，Lognormal往往拟合得比Weibull好。

另一个差别在尾部行为。Weibull的右尾厚度由β决定，β小则尾部厚；Lognormal的右尾通常比常见β范围下的Weibull更厚。也就是说，如果你特别关心“极少数产品能用特别久”——比如保修期外还在使用的产品比例——Lognormal给出的长尾预测往往更接近实际情况。反之，如果你关心的是“最早一批失效何时出现”，Weibull的左尾行为（尤其是β>1时）往往更贴合工程直觉。

1.3 选型不是“一次定终身”

我见过不少同事把分布拟合当成“一次性操作”：跑一次软件，选R²最高的分布，然后就再也不看了。这是有风险的。正确的做法是：先根据失效机理选一个候选分布，拟合后看概率图上的点是否呈线性；如果不呈线性，再换另一种分布试。两种分布都拟合之后，除了对比相关系数R²或调整R²，还要看残差是否有系统性弯曲——如果有，说明你的数据里可能混着两种失效模式，而不是分布选错了。

举个例子。某机电产品做寿命试验，失效数据既有早期装配不良导致的早夭，又有正常磨损失效。这种混合数据用单一Weibull拟合，概率图会呈现典型的“S形”弯曲，β估计值落在1.2左右，看起来“还行”，但B10寿命预测会明显偏保守。这时候不该纠结Weibull和Lognormal哪个更好，而应该做混合分布分析，或者按失效模式分层、分别拟合。记住一句话：分布是工具，失效机理才是老板。

2. 参数估计：从概率图手算到软件拟合

2.1 图估计法的完整手算流程

虽然现在都用软件，但理解图估计法的手算逻辑，对判断软件输出是否合理非常重要。以两参数Weibull为例，核心思路是把累积分布函数做两次对数变换，变成线性关系。

Weibull的累积分布函数是：

F(t) = 1 - exp(-(t/η)^β)

变形后得到：

ln(-ln(1-F(t))) = β·ln(t) - β·ln(η)

所以如果以x = ln(t)为横轴，y = ln(-ln(1-F(t)))为纵轴画散点，然后拟合一条直线，斜率就是β，截距a = -β·ln(η)，于是η = exp(-a/β)。

问题在于F(t)是未知的，只能用经验估计。工程上常用中位秩公式：

F_i ≈ (i - 0.3) / (n + 0.4)

其中i是失效时间从小到大排列的序号，n是样本量。我拿一组实际数据演示一下。假设6个样品全部失效，失效时间（小时）为：1500、2350、2900、4100、5200、6900。

先算秩和变换：

对这6个点做普通最小二乘回归。x的均值是8.127，y的均值是-0.600，计算斜率：

β = Σ(x_i - x̄)(y_i - ȳ) / Σ(x_i - x̄)² ≈ 1.895

截距a = ȳ - β·x̄ = -0.600 - 1.895×8.127 = -16.001

特征寿命η = exp(-a/β) = exp(16.001/1.895) ≈ 4660小时。

这个结果意味着什么呢？η=4660小时对应63.2%失效的时间点，也就是说这6个样品中，预计有约63%会在4660小时前失效。虽然样本小，但这个估算逻辑和软件完全一致，只是软件用极大似然估计替代了最小二乘，结果会略有差异。

2.2 Lognormal分布的拟合逻辑

Lognormal的拟合更直白：对失效时间取自然对数，然后假设ln(t)服从正态分布。累积分布函数写成：

F(t) = Φ((ln(t) - μ) / σ)

其中Φ是标准正态分布的累积分布函数。因此图估计法就是以ln(t)为横轴，以Φ⁻¹(F_i)（标准正态分位数）为纵轴做散点，拟合直线。斜率的倒数就是σ，截距对应μ和σ的组合。

还是用上面那6个数据，直接做矩估计：ln(t)的均值μ = 8.127，ln(t)的样本标准差s = 0.557（用n-1为分母）。于是σ≈0.557。这个拟合的R²通常也很高，和Weibull比不出明显优劣——这就是为什么要结合失效机理来选。

手工计算Lognormal的公式很简单：

• 中位寿命 = exp(μ)
• 平均寿命MTTF = exp(μ + σ²/2)
• B10寿命 = exp(μ - 1.2816×σ)，其中1.2816是标准正态分布的10%分位数绝对值。

代入本例：中位寿命 = exp(8.127) ≈ 3380小时；MTTF = exp(8.127 + 0.557²/2) ≈ 3960小时；B10 = exp(8.127 - 1.2816×0.557) ≈ 1660小时。

注意Lognormal的MTTF大于中位寿命，这是右偏分布的典型特征。很多新手直接拿失效时间的算术平均值当MTTF，在这个例子里均值是3492小时，和3960差了不少——错就错在忽略了取对数这一步的偏差修正。后面我会专门讲这个坑。

2.3 软件拟合怎么做更靠谱

用Minitab、JMP或者R的survival包拟合时，有几个设定直接影响结果，需要盯紧。

首先是删失数据（Censored Data）的标注。寿命试验里大量样品在试验截止时还没失效，只能记为右删失。如果不标注删失，软件会把这些“还没坏”当成“已坏”，β会被严重低估，B10寿命也会偏小。正确的做法是把每个样品的最后工作时间标为右删失。极大似然估计（MLE）天然支持删失数据，而最小二乘图估计法基本处理不了删失——这就是为什么正规项目里MLE是标准做法，图估计更多用于快速初步判断。

其次是样本量。少于5个失效样本时，MLE估计的β偏差很大，甚至可能算不出来。这时候建议用中位秩加最小二乘做一个“参考值”，同时用置信区间来框定不确定度，不要拿单点估计去拍板。经验上，要稳定估计两参数Weibull，至少需要10-15个失效样本；要稳定估计三参数Weibull，建议30个以上失效样本。

第三是拟合优度输出。软件会给出Anderson-Darling统计量、相关系数和似然值。我的习惯是同时看两个指标：概率图上的点是否围绕斜线随机散布，以及AD值相对大小。AD值越小越好，但不同分布之间的AD值只差一点时，不要纠结，选物理机理上合理的那一个。

3. 概率图读图技巧与多组数据对比

3.1 横纵轴刻度暗藏的信息

概率图最大的价值不是“拟合完看个R²”，而是快速读出工程关心的寿命指标。以Weibull概率纸为例，纵轴是累积失效概率F(t)，通常用百分比刻度（1%、5%、10%、50%、63.2%、90%、99%），横轴是时间，通常用对数刻度。

几个关键读数点要形成肌肉记忆：

• 63.2%刻度线与拟合线的交点，对应η（特征寿命）。
• 50%刻度线与拟合线的交点，对应中位寿命。
• 10%刻度线对应的横坐标，就是B10寿命。
• 90%刻度线对应的横坐标，对应B90/B10的比值，这个比值越大说明个体寿命越分散。

如果拟合线较陡（β大），B10和B50之间距离很近，说明产品“要么不出事，一出事就集中在某个时间段”；如果拟合线平缓（β小），说明失效时间拉得很开，早期失效风险高。这个直观感受对管理层解释非常有用——不用讲公式，画两条线就能说清楚。

3.2 用同一张图对比不同方案

概率图另一个实用场景是横向对比。比如设计变更前后、两个供应商、不同应力水平下的同款产品，把各自的失效点（或拟合线）画在同一张Weibull概率图上，一眼就能看出谁优谁劣。

注意对比时有两个前提：一是样本量不能差太多，否则抽样波动会干扰判断；二是删失比例要相近，否则失效分布会被删失结构扭曲。有一次我在项目里对比两家供应商的电容寿命，A供应商样本20个全失效，B供应商样本20个只有5个失效，其余右删失。直接画概率图，B供应商的线看起来“特别好”，寿命特别长。但细看发现B的5个失效全是早期坏掉的样品，大批没失效的产品被试验截断了信息，真实寿命分布根本看不全。后来用MLE重新估计、并画出置信区间，才发现两家并没有显著差异。概率图对比只适合“快看”，拍板还是要靠定量分析。

3.3 读图时最容易犯的三个错

第一个错是把Lognormal概率图上的截距直接当中位寿命。Lognormal概率图的纵轴是标准正态分位数，横轴是ln(t)，读中位寿命时要在纵轴50%分位（即Φ⁻¹(0.5)=0）处读横坐标，然后取指数。很多人忘了最后一步exp，读出来比真实值小两个数量级。

第二个错是忽略样本大小对尾部读数的影响。样本量只有8个时，概率图上90%以上的区域几乎没有数据支撑，拟合线外推到99%完全是“信仰之线”。B10等低分位数有实际数据支撑，可以放心用；B01这种极小概率指标，不要说“软件算出来就是准的”，一定要标注置信区间。

第三个错是混合失效数据直接拟合。概率图上数据点呈“S形”或者折线形，大概率是两种失效模式混在一起，比如电子产品的早期焊接不良+后期电解电容老化。正确做法是先做失效物理分析（FMA），按失效模式分组后分别拟合，或者用混合Weibull模型。直接硬拟合成一条线，B10会漂移到毫无工程意义的位置。

4. 完整案例拆解：从失效数据到寿命结论

4.1 试验条件与原始数据

我用一个典型的户外电源控制器寿命评估项目来走完整流程。背景：某款户外电源控制器，设计目标是B10寿命不低于2000小时，现需要验证。试验方案：25台样品在额定负载、高温环境应力下连续运行，定时巡检记录失效时间，试验截尾时间设为2400小时。

试验结束时，记录到12台失效，13台未失效（右删失）。失效时间（小时）为：180、420、780、1150、1520、1880、2100、2250、2330、2380、2400截尾前最后记录到2400、2400。为了方便说明，我把失效时间整理如下（已排序）：180、420、780、1150、1520、1880、2100、2250、2330、2380、2400、2400。另有13台删失样品统一记为2400小时（截尾时间）。

注意一个细节：有两台失效时间恰好是2400，怎么判断是不是“删失”？规则很简单——巡检时发现已失效，记为失效；试验结束时仍未失效，记为删失。如果台架到2400小时停机检查时发现已经坏了，但具体坏的时间未知，这属于“区间删失”，纯软件默认处理不了，需要近似处理。本例为简化，假定2400小时前巡检发现失效，2400小时是精确观测。

4.2 分别拟合两种分布并对比

用MLE拟合两参数Weibull，得到β≈1.86，η≈2180小时。对同一个数据集拟合Lognormal，得到μ≈7.71，σ≈0.94。

先看拟合优度：Weibull的AD统计量约0.32，Lognormal约0.61，两者都能接受，但Weibull拟合明显更好。再看概率图，Weibull概率图上所有点都落在置信带内，无明显弯曲；Lognormal概率图在低失效概率段有个别点偏离。

从失效机理角度判断：电源控制器的失效模式主要是功率器件老化和电解电容损耗，这两者属于典型的“磨损累积”过程，Weibull的β>1正好对应这个物理图景。所以最终选择Weibull分布作为该产品的寿命模型。

4.3 关键指标换算与工程结论

选定Weibull之后，计算工程关心的几个指标：

• 特征寿命η = 2180小时
• B10寿命 = η·(-ln(0.9))^(1/β) = 2180×(0.10536)^(1/1.86)

指数部分算一下：1/1.86≈0.5376，0.10536^0.5376 = exp(0.5376×ln(0.10536)) = exp(0.5376×(-2.2504)) = exp(-1.2098) ≈ 0.298，所以B10 ≈ 2180×0.298 ≈ 650小时。

• 中位寿命 = η·(ln2)^(1/β) = 2180×(0.6931)^(0.5376) = 2180×exp(0.5376×(-0.3665)) = 2180×exp(-0.1970) ≈ 2180×0.821 ≈ 1790小时。
• MTTF = η·Γ(1+1/β) = 2180×Γ(1.538)。查Γ函数表，Γ(1.538)≈0.887，所以MTTF≈1934小时。

重要结论：B10寿命约650小时，远低于设计目标的2000小时，产品不合格。虽然MTTF接近2000、中位寿命也有1790，看起来“还行”，但B10是用户最关心的——最差的那10%产品什么时候开始坏？650小时意味着产品在质保期内会有一批失效，必须改进设计或物料。

这就是为什么要强调“不要只看MTTF”。MTTF是平均值，掩盖了个体差异；在可靠性工程里，低分位数寿命往往是决策的关键指标。如果你的产品客户最怕“早期失效”，B10甚至B01才是你的北极星指标。

4.4 风险提示：小样本下的不确定性

25台样品、12个失效，这个样本量在工程中算是“勉强可用”。MLE给出的点估计是β=1.86、B10=650小时，但置信区间很宽。用似然比法大致估算，B10的90%置信区间可能从400小时到1100小时。如果你的决策点是2000小时，无论怎么算都不合格，结论倒是稳的；但如果你的产品刚好在边界上，就一定要报告置信区间，并且建议补充试验样品。

我在实际项目里见过最典型的失败案例：某公司做新产品验证，20个样品全数试验，12个失效，MLE算出B10=850小时，看起来不错，于是放行量产。结果上市后早期失效率很高，客户投诉一大批。复盘时发现，那12个失效样品里混着5台装配不良导致的早期失效，属于另一条失效模式。用单一Weibull拟合时，β被早期失效拉低，B10被系统的“偶然失效”掩盖了。后来按失效模式分组重新拟合，装配不良组的β≈0.7，正常磨损组的β≈2.5，B10降到300小时，问题才暴露。这个教训让我养成了一个习惯：拟合之前，先做失效物理分析，至少把失效样品拆解分类，再决定数据怎么分组。

5. 可靠性指标换算的实战陷阱

5.1 B10、MTTF、中位寿命的计算公式汇总

很多工程师记不清换算公式，要么靠软件，要么临时翻书。我把常用的公式整理成表，建议存在手边：

注意Weibull的MTTF中的Γ函数，1+1/β的值介于1到2之间，Γ(1)=1、Γ(2)=1，所以当β在1到∞之间时，Γ(1+1/β)先降到约0.885（β≈1.4-1.5附近）再回升到1。很多Excel工程模板里直接写“MTTF=η”那是默认β=1的情况，如果β=2还用这个，MTTF高估了大约12%。

Lognormal的MTTF公式里的exp(σ²/2)是很多人的盲区。σ=1时，exp(0.5)=1.65，MTTF比中位寿命高65%。产品一致性越差，这个差距越大。也就是说，Lognormal的平均寿命和典型寿命根本不是一回事，给管理层汇报时别混着说。

5.2 特征寿命不等于平均寿命

这个坑我在不同公司见了不下五次。有人把Weibull的η直接当作“平均寿命”写在报告里，理由是“63.2%失效的时间点嘛，差不多就是平均寿命”。差远了。当β=1时，η等于MTTF，属于巧合；当β=2时，MTTF≈0.886η，差11%；当β=3时，Γ(1.333)≈0.893，MTTF≈0.893η，差10%左右。虽然差距不算夸张，但在严谨的工程报告里，把η写成MTTF会被审阅专家问住的。

5.3 “用算术平均当MTTF”为什么总是偏低

直接用失效时间的算术平均值估计MTTF，在小样本且存在右删失的情况下，几乎必然严重低估真实平均寿命。因为删失样品“还没坏”本质上提供了“它至少活到了那个时间”的信息，简单算术平均等于把这些信息丢掉了。

用前文的案例说明：25台样品、12台失效、13台截尾。失效时间的算术平均值=（180+420+780+1150+1520+1880+2100+2250+2330+2380+2400+2400)/12≈1600小时。但正确做法是用MLE考虑13台2400小时的删失数据，算出的MTTF≈1934小时，两者相差约20%。如果删失比例更高，差距会成倍放大——极端情况下一个失效都没有，算术平均值是“除以零”，而MLE能给出“MTTF至少大于某个值”的合理结论。

5.4 置信区间比点估计更重要

很多项目评审只关注B10是多少，却不问这个数字有多稳。样本量小的时候，点估计完全是“猜”，置信区间才是科学的结论。一般建议至少报告B10的90%置信区间，可以用软件自带的似然比区间，也可以用Bootstrap抽样近似。

举个例子，某样品量只有8个、失效5个的验证试验，MLE算出B10=420小时。Bootstrap 1000次之后，B10的90%区间是180到950小时——跨度5倍以上。如果有人拿420小时这个点估计去拍板“达标”，就是给自己挖坑。正确表述是：“基于当前数据，B10的90%置信区间为180-950小时，无法证实B10≥600小时的目标。”这比任何花哨的分析都更有说服力。

6. 实操中常见的坑与经验速查表

6.1 现象-原因-处理对照表

我在多个项目里积累了一些典型问题的排查经验，整理成速查表分享出来。

6.2 零失效数据的处理思路

最尴尬的情况是试验结束时一个样品都没坏。有人拿着“0失效”的报告说产品完美，这不是科学，是运气。零失效数据能提供的结论是“在试验时间t0内，可靠度下限是多少”，用Wilks公式或者贝叶斯方法可以估计。最简单的工程做法是：如果25台样品跑到t0全部未失效，且假定失效时间服从指数分布（β=1），则可靠度R(t0)的50%置信下限约为1-1/n≈96%。如果你想声明“B10大于t0”，需要更多的统计支撑，而不是拍脑袋。

我的建议是：设计试验时定一个“可接受失效数”，比如最多允许2台失效，如果超出就判定不合格；如果没超出，报告置信区间结论，不要试图证明“0失效=永远不失效”。

6.3 小样本项目怎么减少决策风险

样本量不够是工程常态，产品开发节奏快，谁也没时间等几千小时。我的经验是三个组合拳：

第一，用历史数据做先验。老产品、上一代产品的失效分布参数可以作为先验信息，用贝叶斯方法更新当前的试验数据，而不是从零开始估计。比如上一代Weibull的β长期稳定在2.0左右，当前的12个失效样本就不要浪费信息，可以把β的先验分布设为中心2.0的窄分布，B10的估计会比纯MLE稳定得多。

第二，做加速寿命试验。提高应力水平换算正常应力下的寿命，这需要知道加速模型（Arrhenius、逆幂律等）。但要注意，加速试验得到的失效模式必须和正常使用一致，否则整个外推全错。

第三，固定β，只估计η。在已知失效机理不变的前提下，用历史数据锁定β，试验数据只用来估计特征寿命，这样小样本下的不确定性会显著降低。比如已知该类电源控制器的β稳定在1.8-2.2之间，固定β=2做拟合，B10的置信区间会比同时估计两个参数窄得多。这个方法在IEC标准中也很常见，属于工程界的常规做法。

6.4 我自己坚持的几条习惯

文章最后分享几个我用血泪换来的工作习惯。

第一，每次拟合完都画概率图，哪怕数据已经整理成表格。概率图能看到表格看不出的模式：弯曲、离群点、阶梯状分布。我接手过别人“拟合完美”的项目，打开概率图一眼就看到三个孤零零的点飘在95%置信带外面，那是某一批来料异常导致的早期失效——如果只信软件输出，这批问题就会被埋掉。

第二，所有计算必须能手工复算一遍。不是说要徒手算回归，而是至少要会用公式核验关键数字的数量级。比如软件给出的B10是650小时，你心算框架是“η=2180、β=1.86，0.3倍左右，B10大约650”，如果软件给出6500，那一定是哪里标错了单位。

第三，报告里永远写清楚样本量、失效数、删失数、置信水平。这四个数字决定了结论的可靠性，很多人只看B10单点值，但对真正懂行的人来说，这些背景数字比B10本身更值得关注。数据不足时，明确写出不确定性，比给一个“精确到个位小时”的假数字专业得多。

可靠性分析不是数学考试，没有人会因为你的B10报得“漂亮”而奖励你，但一定会因为你的结论“经得起推敲”而信任你。分布只是工具，理解产品、理解数据、诚实面对不确定性，才是真正的功力所在。