将威布尔分析应用于复杂的、可修复的系统（如火电、采矿、化工、航空工业设备）时，必须注意确保分析是应用于分析组件级别的故障数据还是系统级别的故障数据，是应用于分析整个组件、整个系统还是分析某个故障模式的故障数据。

        这就要求可靠性工程师不断审查、分析收集的故障数据，标记好每个故障数据记录的分析对象，做好故障数据分类，避免“错误数据进，错误结果出”的情况。

        如果直接使用2参数威布尔分布进行多种故障模式的故障数据分析时，会显示出S曲线、狗腿曲线等奇怪的曲线形状，且拟合度很低。这是因为不同的故障模式都有自己独特的故障特征，因此也有自己的β值和特征寿命（η）。同样，如果直接使用2参数威布尔分布进行包含多个组件组成的系统故障数据分析时，若不按照组件进行分类分别进行分析，而是直接将这些故障数据当作整体进行分析，也会显示出S曲线、狗腿曲线等奇怪的曲线形状。

        例如，某个设备的故障数据录入到PosWeibull软件，直接使用威布尔分布（2参数）进行拟合，可以得到如下图的结果。从拟合图形可以看出，呈现分段的曲线形状。这种情况通常是所收集的故障数据里面包含了不同的故障模式数据。

        如果改成使用混合威布尔分布进行分析，得到的拟合结果如下图所示。

        一个工程师根据收集的泵的故障数据进行威布尔分析，并确定泵的更换时间时，计算得到的泵更换时间为2000小时，并且得到的奇怪的威布尔分析结果。结果显示，泵的威布尔分布的β值略高于1，近似等于1。这表明该泵存在轻微的磨损特征，但是最终使用威布尔分布计算确定出来的更换周期结果为2000小时，是一个相当不合理的值。深入分析这位工程师的分析数据、分析过程，主要问题出在了所收集的泵故障数据分类上。

        该工程师从SAP系统收集的寿命数据，只是简单的登记零件在上次更换后仍然工作的时间，没有区分不同故障模式。现场维护人员在泵发生故障时，使用新的泵替换完整的泵，并在工单中注明了各种故障模式。这些故障模式包括轴承故障、壳体磨损和气蚀导致的叶轮损坏。但是，在收集数据和分析过程中，没有根据工单的故障模式分别进行单独的威布尔分析，而是将这些故障模式对应的故障数据混合在一起分析，从而导致出现形状参数β近似1，但是计算得到的更换周期不合理的情况。

        在单个威布尔分析中混合了具有不同形状参数的故障模式的数据时，通常会返回约1的形状参数，从而导致出现随机失效分布（指数分布）的假设。

        了解更多，可联系我们。