Weibull 分析：從失效數據預測設備壽命

情境

你的工廠換了一批新型軸承，過去 6 個月收到 15 筆失效記錄，失效時間從 300 小時到 2,800 小時不等。

主管問：「這批軸承的壽命到底是多少？什麼時候該換？」

平均壽命（MTBF）只告訴你一個數字，Weibull 分析告訴你這批軸承是「越用越容易壞」、「隨機壞」還是「到了壽命才壞」——這三種情況的維護策略完全不同。

β（Beta，形狀參數）

β 決定失效率隨時間的變化方向：

β < 1：失效率隨時間降低（早夭失效，Infant Mortality）

→ 新品剛出廠容易壞，用久了反而穩定

→ 代表：製造缺陷、安裝問題

→ 對策：Burn-in 測試（出廠前先跑一段時間篩除早夭品）

β = 1：失效率固定（指數分布，隨機失效）

→ 任何時刻失效機率相同，「沒有記憶」

→ 代表：外部衝擊、隨機應力

→ 對策：基於 MTBF 的可靠度計算

β > 1：失效率隨時間增加（耗損失效，Wear-out）

→ 越老越容易壞，有明確壽命終點

→ 代表：磨耗、疲勞、老化

→ 對策：預防性換件（在失效率急升前換掉）

η（Eta，特徵壽命）

η = 有 63.2% 的零件失效的時間點。

（為什麼是 63.2%？因為 Weibull 可靠度函數 R(η) = e^(-1) = 36.8%，故障率 = 63.2%）

B10 壽命 = 10% 的零件失效的時間點

工程上常用 B10 作為換件時間點：

在 B10 時換件，代表只有 10% 的零件已經失效

如果用 B50（50% 失效才換）= 已有一半零件壞掉，很可能已經造成大量停機

軸承產品規格常標示 L10（等同 B10）。

Weibull 圖的 X 軸是 log（時間），Y 軸是 log（log（1/R(t)））。

如果數據符合 Weibull 分布，在這個雙對數坐標上，失效數據會形成一條直線。

直線斜率 = β（形狀參數）

直線與 63.2% 失效率的交點 = η（特徵壽命）

β 值失效模式正確策略錯誤策略 β < 1早夭失效Burn-in 篩選、安裝品質控制定期 PM（沒用） β ≈ 1隨機失效提高系統冗餘、快速維修增加 PM 頻率（沒用） β > 1耗損失效在 B10 前換件等壞了才換（太晚）

「Weibull 分析最大的價值是告訴你設備在哪個生命週期階段——這決定了你該做什麼。對早夭失效做 PM 是浪費，對耗損失效做冗餘備援是浪費。先診斷，再治療。」