本文详细介绍了威布尔分布如何在设备可靠性分析中应用，包括两参数和三参数模型的定义，以及最小二乘法在参数估计中的关键步骤。通过实例展示了如何通过计算得到参数β和η，并解释了最小二乘法拟合原理和损失函数的优化过程。
什么是威布尔分布
在对设备的故障进行分析时，如果能够找到故障的规律，并将这些规律用数学模型表述出来，从而便于人们对设备的运行趋势有足够判断，这样的过程称为可靠性分析。通常情况下，这些数学模型为某些故障概率，带有一些未知参数，通过对参数的估计得到准确的参数。威布尔分布函数模型就是这样典型的可靠性模型，常用于设备的研究中。威布尔分布分为两参数和三参数。
本质上而言，威布尔分布就是设计出来的一种符合设备故障率的分布，其中两参数威布尔分布为：
h
(
t
)
=
β
η
(
t
η
)
β
−
1
e
x
p
[
−
(
t
η
β
)
]
h(t)=\frac{\beta }{\eta }\left ( \frac{t}{\eta } \right )^{\beta -1}exp\left [ -\left ( \frac{t}{\eta }^{\beta } \right ) \right ]
h(t)=ηβ(ηt)β−1exp[−(ηtβ)]
F
(
t
)
=
1
−
e
x
p
[
−
(
t
η
)
β
]
F(t)=1-exp\left [ -\left ( \frac{t}{\eta } \right )^{\beta } \right ]
F(t)=1−exp[−(ηt)β]
威布尔分布的参数估计方法
常用最小二乘法用于求得威布尔分布的参数
β
\beta
β和
η
\eta
η
上式整理后两边取两次自然对数得
l
n
l
n
1
1
−
F
(
t
)
=
β
l
n
(
t
)
−
β
l
n
(
η
)
lnln\frac{1}{1-F(t)}=\beta ln(t)-\beta ln(\eta )
lnln1−F(t)1=βln(t)−βln(η)
令
{
y
=
l
n
l
n
[
1
1
−
F
(
t
)
]
x
=
l
n
(
t
)
b
=
−
β
l
n
(
η
)
w
=
β
\left\{\begin{matrix} y=ln ln\left [ \frac{1}{1-F(t)} \right ] \\x=ln(t) \\b=-\beta ln(\eta ) \\w=\beta \end{matrix}\right.
⎩⎪⎪⎪⎨⎪⎪⎪⎧y=lnln[1−F(t)1]x=ln(t)b=−βln(η)w=β
即可得到如下形式
y
=
b
+
w
x
y=b+wx
y=b+wx
利用得到的样本数据
(
x
1
,
y
1
)
⋯
(
x
n
,
y
n
)
(x_1,y_1) \cdots (x_n,y_n)
(x1,y1)⋯(xn,yn)
来估计得到
w
^
\hat{w}
w^和
b
^
\hat{b}
b^即可代替
w
w
w和
b
b
b作为参数：
y
i
=
b
^
+
w
^
x
i
y_i=\hat{b}+\hat{w}x_i
yi=b^+w^xi
那么估计值和真实值之间的距离为
y
i
−
y
i
^
=
y
i
−
b
^
−
w
^
x
i
y_i-\hat{y_i}=y_i-\hat{b}-\hat{w}x_i
yi−yi^=yi−b^−w^xi
而最小二乘法拟合直线的本质是找到到所有样本点距离最小的直线
因此拟合的损失函数为
Q
(
w
,
b
)
=
∑
i
=
1
n
(
y
i
−
b
−
w
x
i
)
2
Q(w,b)=\sum_{i=1}^{n}(y_i-b-wx_i)^2
Q(w,b)=i=1∑n(yi−b−wxi)2
最终的目标为
Q
(
w
^
,
b
^
)
=
m
i
n
Q
(
w
,
b
)
Q(\hat{w},\hat{b})=min Q(w,b)
Q(w^,b^)=minQ(w,b)
因此通过求偏导数，如下：
{
∂
Q
∂
w
=
−
2
∑
i
=
1
n
(
y
i
−
b
−
w
x
i
)
x
i
=
0
∂
Q
∂
b
=
−
2
∑
i
=
1
n
(
y
i
−
b
−
w
x
i
)
=
0
\left\{\begin{matrix} \frac{\partial Q}{\partial w}=-2\sum_{i=1}^{n}(y_i-b-wx_i)x_i=0 \\ \frac{\partial Q}{\partial b}=-2\sum_{i=1}^{n}(y_i-b-wx_i)=0 \end{matrix}\right.
{∂w∂Q=−2∑i=1n(yi−b−wxi)xi=0∂b∂Q=−2∑i=1n(yi−b−wxi)=0
解之得
{
w
^
=
∑
i
=
1
n
x
i
y
i
−
n
x
ˉ
y
ˉ
∑
i
=
1
n
x
i
2
−
n
x
ˉ
2
b
^
=
y
ˉ
−
x
ˉ
w
^
\left\{\begin{matrix} \hat{w}=\frac{\sum_{i=1}^{n}x_iy_i-n\bar{x}\bar{y}}{\sum_{i=1}^{n}x_i^2-n\bar{x}^2} \\ \hat{b}=\bar{y}-\bar{x}\hat{w} \end{matrix}\right.
{w^=∑i=1nxi2−nxˉ2∑i=1nxiyi−nxˉyˉb^=yˉ−xˉw^
其中
x
ˉ
=
1
n
∑
i
=
1
n
x
i
\bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i
xˉ=n1∑i=1nxi，
y
ˉ
=
1
n
∑
i
=
1
n
y
i
\bar{y}=\frac{1}{n}\sum_{i=1}^{n}y_i
yˉ=n1∑i=1nyi，更进一步得
{
β
^
=
∑
i
=
1
n
x
i
y
i
−
n
x
ˉ
y
ˉ
∑
i
=
1
n
x
i
2
−
n
x
ˉ
2
η
^
=
e
x
ˉ
−
y
ˉ
β
\left\{\begin{matrix} \hat{\beta }=\frac{\sum_{i=1}^{n}x_iy_i-n\bar{x}\bar{y}}{\sum_{i=1}^{n}x_i^2-n\bar{x}^2} \\ \hat{\eta }=e^{\bar{x}-\frac{\bar{y}}{\beta }} \end{matrix}\right.
{β^=∑i=1nxi2−nxˉ2∑i=1nxiyi−nxˉyˉη^=exˉ−βyˉ
扫一扫
3万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
