# Python实现Weibull分布建模门把手失效率的完整指南 ## 1. Weibull分布基础与门把手寿命建模原理 Weibull分布在可靠性工程和寿命数据分析中占据核心地位，特别适合描述机械部件如门把手的寿命分布[ref_1]。Weibull分布的概率密度函数为： $$f(t) = \frac{\beta}{\theta}\left(\frac{t}{\theta}\right)^{\beta-1} e^{-(t/\theta)^{\beta}}$$ 其中： - $\beta$ 为形状参数，决定失效模式 - $\theta$ 为尺度参数，表征特征寿命 - $t$ 为时间变量 对于门把手这类机械部件，形状参数 $\beta$ 具有重要的工程意义： - $\beta < 1$：早期失效期（婴儿死亡率期） - $\beta = 1$：随机失效期（使用寿命期） - $\beta > 1$：耗损失效期（磨损老化期）[ref_2] ## 2. Python环境配置与核心库导入 ```python import numpy as np import matplotlib.pyplot as plt from scipy.stats import weibull_min from scipy.optimize import curve_fit import pandas as pd # 设置中文字体显示 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False ``` ## 3. 门把手寿命数据生成与Weibull参数估计 ### 3.1 模拟门把手寿命数据生成 ```python def generate_door_handle_lifetimes(n_samples=1000, beta=2.5, theta=3650): """ 生成门把手寿命数据 n_samples: 样本数量 beta: 形状参数（假设门把手处于耗损失效期） theta: 尺度参数（特征寿命，单位：天） """ # 使用weibull_min生成符合Weibull分布的寿命数据 lifetimes = weibull_min.rvs(beta, scale=theta, size=n_samples) return lifetimes # 生成门把手寿命数据 lifetimes = generate_door_handle_lifetimes() print(f"门把手寿命统计：") print(f"平均值：{np.mean(lifetimes):.2f} 天") print(f"标准差：{np.std(lifetimes):.2f} 天") print(f"中位数：{np.median(lifetimes):.2f} 天") ``` ### 3.2 Weibull参数估计 ```python def weibull_cdf(t, beta, theta): """Weibull分布累积分布函数""" return 1 - np.exp(-(t/theta)**beta) def estimate_weibull_parameters(lifetimes): """使用最小二乘法估计Weibull参数""" # 计算经验累积分布函数 sorted_data = np.sort(lifetimes) ecdf = np.arange(1, len(sorted_data)+1) / len(sorted_data) # 使用曲线拟合估计参数 try: params, covariance = curve_fit(weibull_cdf, sorted_data, ecdf, p0=[2.0, np.median(lifetimes)]) beta_est, theta_est = params return beta_est, theta_est except: # 如果拟合失败，使用矩估计法 mean = np.mean(lifetimes) std = np.std(lifetimes) beta_est = (mean/std)**1.086 theta_est = mean / gamma(1 + 1/beta_est) return beta_est, theta_est # 估计参数 beta_est, theta_est = estimate_weibull_parameters(lifetimes) print(f"估计的形状参数 β: {beta_est:.3f}") print(f"估计的尺度参数 θ: {theta_est:.3f} 天") ``` ## 4. 失效率函数计算与可视化 ### 4.1 失效率函数定义 ```python def weibull_hazard_rate(t, beta, theta): """ 计算Weibull分布的危险函数（失效率） h(t) = (β/θ) * (t/θ)^(β-1) """ return (beta/theta) * (t/theta)**(beta-1) def weibull_reliability(t, beta, theta): """ 计算可靠性函数（生存函数） R(t) = exp(-(t/θ)^β) """ return np.exp(-(t/theta)**beta) ``` ### 4.2 失效率曲线绘制 ```python def plot_weibull_analysis(lifetimes, beta, theta): """绘制完整的Weibull分析图表""" # 创建时间序列 time_points = np.linspace(0, 2*theta, 1000) fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(15, 12)) # 1. 概率密度函数 pdf_values = weibull_min.pdf(time_points, beta, scale=theta) ax1.plot(time_points, pdf_values, 'b-', linewidth=2, label='PDF') ax1.set_xlabel('时间 (天)') ax1.set_ylabel('概率密度') ax1.set_title('门把手寿命概率密度函数') ax1.grid(True, alpha=0.3) ax1.legend() # 2. 失效率函数 hazard_values = weibull_hazard_rate(time_points, beta, theta) ax2.plot(time_points, hazard_values, 'r-', linewidth=2, label='失效率') ax2.set_xlabel('时间 (天)') ax2.set_ylabel('失效率') ax2.set_title('门把手失效率曲线') ax2.grid(True, alpha=0.3) ax2.legend() # 3. 可靠性函数 reliability_values = weibull_reliability(time_points, beta, theta) ax3.plot(time_points, reliability_values, 'g-', linewidth=2, label='可靠性') ax3.set_xlabel('时间 (天)') ax3.set_ylabel('可靠性') ax3.set_title('门把手可靠性函数') ax3.grid(True, alpha=0.3) ax3.legend() # 4. 累积分布函数 cdf_values = weibull_min.cdf(time_points, beta, scale=theta) ax4.plot(time_points, cdf_values, 'purple', linewidth=2, label='CDF') ax4.set_xlabel('时间 (天)') ax4.set_ylabel('累积概率') ax4.set_title('门把手寿命累积分布函数') ax4.grid(True, alpha=0.3) ax4.legend() plt.tight_layout() plt.show() # 执行可视化分析 plot_weibull_analysis(lifetimes, beta_est, theta_est) ``` ## 5. 关键可靠性指标计算 ```python def calculate_reliability_metrics(beta, theta): """计算关键可靠性指标""" metrics = {} # B10寿命（10%失效的时间） metrics['B10_life'] = theta * (-np.log(0.9))**(1/beta) # 中位寿命（50%失效的时间） metrics['median_life'] = theta * (np.log(2))**(1/beta) # 平均寿命 from scipy.special import gamma metrics['mean_life'] = theta * gamma(1 + 1/beta) # 特定时间点的可靠性 one_year_reliability = weibull_reliability(365, beta, theta) metrics['one_year_reliability'] = one_year_reliability # 特定时间点的失效率 one_year_hazard = weibull_hazard_rate(365, beta, theta) metrics['one_year_hazard_rate'] = one_year_hazard return metrics # 计算可靠性指标 reliability_metrics = calculate_reliability_metrics(beta_est, theta_est) print("门把手可靠性关键指标：") for key, value in reliability_metrics.items(): print(f"{key}: {value:.4f}") ``` ## 6. 蒙特卡洛模拟与预测 ```python def monte_carlo_simulation(beta, theta, n_simulations=10000, prediction_days=3650): """ 蒙特卡洛模拟门把手群体失效情况 """ # 模拟多个门把手的寿命 simulated_lifetimes = weibull_min.rvs(beta, scale=theta, size=n_simulations) # 计算不同时间点的失效数量 time_points = np.arange(0, prediction_days + 1, 365) # 每年一个点 failures_over_time = [] survivors_over_time = [] for t in time_points: failures = np.sum(simulated_lifetimes <= t) survivors = n_simulations - failures failures_over_time.append(failures) survivors_over_time.append(survivors) return time_points, failures_over_time, survivors_over_time # 执行蒙特卡洛模拟 time_points, failures, survivors = monte_carlo_simulation(beta_est, theta_est) # 绘制蒙特卡洛模拟结果 plt.figure(figsize=(12, 6)) plt.plot(time_points/365, failures, 'r-', linewidth=2, label='累计失效数量') plt.plot(time_points/365, survivors, 'g-', linewidth=2, label='存活数量') plt.xlabel('时间 (年)') plt.ylabel('数量') plt.title('门把手群体失效情况蒙特卡洛模拟') plt.grid(True, alpha=0.3) plt.legend() plt.show() ``` ## 7. 工程应用与决策支持 基于上述分析，我们可以为门把手的设计和维护提供数据驱动的决策支持： ### 7.1 设计改进建议 ```python # 分析不同参数对可靠性的影响 def parameter_sensitivity_analysis(): """分析形状参数β对可靠性的影响""" beta_values = [1.5, 2.0, 2.5, 3.0, 3.5] theta_fixed = 3650 plt.figure(figsize=(10, 6)) for beta in beta_values: time_range = np.linspace(0, 3*365, 1000) reliability = weibull_reliability(time_range, beta, theta_fixed) plt.plot(time_range/365, reliability, label=f'β={beta}', linewidth=2) plt.xlabel('时间 (年)') plt.ylabel('可靠性') plt.title('不同形状参数β对门把手可靠性的影响') plt.grid(True, alpha=0.3) plt.legend() plt.show() parameter_sensitivity_analysis() ``` ### 7.2 预防性维护策略 根据失效率曲线的特征，可以制定科学的预防性维护计划： - 当失效率开始显著上升时安排检查 - 基于B10寿命制定更换周期 - 考虑成本效益确定最佳维护时机[ref_4] ## 8. 模型验证与优度检验 ```python def goodness_of_fit_test(lifetimes, beta, theta): """进行拟合优度检验""" from scipy.stats import kstest # KS检验 ks_statistic, ks_pvalue = kstest(lifetimes, lambda x: weibull_min.cdf(x, beta, scale=theta)) print(f"Kolmogorov-Smirnov检验结果：") print(f"统计量：{ks_statistic:.4f}") print(f"P值：{ks_pvalue:.4f}") if ks_pvalue > 0.05: print("模型拟合良好（p > 0.05）") else: print("模型拟合需要改进") # 执行拟合优度检验 goodness_of_fit_test(lifetimes, beta_est, theta_est) ``` 通过上述完整的Python实现，我们建立了一个系统的门把手失效率分析框架，涵盖了数据生成、参数估计、失效率计算、可视化分析、蒙特卡洛模拟和工程决策支持等关键环节。这种方法不仅适用于门把手，也可推广到其他机械部件的可靠性分析中[ref_1][ref_3]。