为什么Python中的Weibull可靠性分析β公式与回归线的正态斜率不匹配？

我不熟悉可靠性分析，发现python中的Weibull包对我的分析很有用。尽我所能理解威布尔包中使用的公式

业务问题： 有故障时间和故障类型的发动机零件很少，在根据故障类型过滤出故障时间后，我对不同的零件时间进行了weibull分析。 我的Python代码

import weibull
analysis = weibull.Analysis(Part_Time, unit='hour')

以下是基于过滤数据的8β和相应的特征寿命η值

我有三个问题。 问题1）我需要了解可以考虑哪种组合进行进一步分析，以及为什么

β | 1     | 1.01 | 1.73 | 0.94  | 1.49  | 1.54 | 1.74 | 1.31
η | 11364 | 8968 | 6009 | 17273 | 10374 | 9482 | 6009 | 13539

Q2）上述组合是在过去5年中获得的，现在我想预测未来2年的故障时间，假设：一个部件每天工作6小时。有没有办法预测这一点

Q3）我参考了，发现斜率参数为β=线性回归线的斜率，其中在威布尔包中，其编码如下。哪一个是正确的

β=1.0/斜率\n'

---

非常感谢您在这方面提供的任何帮助我建议您查看我的Python可靠性库“可靠性”，它是为以下分析而设计的：

回答你的问题

Q1）进行进一步分析的决定取决于您希望从分析中回答哪些问题。beta参数（通常称为shape参数）是确定失败原因的有用方法。β<1是磨损（也称为婴儿死亡率），这通常是由不良的制造工艺引起的。β=1是随机失效（与指数分布相同），失效与维护无关。在这些情况下，由于维护导致的故障，维护往往会使情况变得更糟。Beta>1已磨损。在这种情况下，您可能希望确定一种维护制度，将项目修复为与新的一样好，或至少与旧的一样好。您需要先确定需要回答哪些问题，然后才能确定要进一步分析的部分

eta（或alpha）参数是特征寿命。它告诉你63.2%的人口要多久才会失败

此外，请注意不要在分析中将不同的项目放在一起，因为您将无法很容易地解决各个故障模式

Q2）通过查看累积分布函数（CDF），您可以预测未来故障的数量。使用python可靠性库，您可以创建一个发行版，然后在一段时间后只需一行代码就可以找到CDF的值。这将为您提供到那时预计失败的总人数的一部分。例如：

打印（威布尔分布（α=11364，β=1）.CDF（xVAL=[2*365*6]））

这将告诉您，如果每天运行6小时，您的31.984%的设备将在未来两年内出现故障

如果您想知道分数失败之前的时间（反向计算），则使用威布尔分布的分位数函数

Q3）参数化完全取决于作者。两者在某种意义上都是“正确的”，但你需要知道如何使用它们。我大部分时间都会使用reliawiki方法，因为这是大多数行业使用的方法

此外，我强烈建议您拟合多个分布，而不仅仅是威布尔分布。这是一个非常通用的发行版，但并不总是最好的。试一试装配工。所有功能都可靠

---

如果您有更具体的可靠性问题，请在我的python软件包的“关于作者”部分找到我的电子邮件，您可以在那里问我。

我想建议您看看我的python可靠性库“可靠性”，它专为以下分析而设计：

回答你的问题

Q1）进行进一步分析的决定取决于您希望从分析中回答哪些问题。beta参数（通常称为shape参数）是确定失败原因的有用方法。β<1是磨损（也称为婴儿死亡率），这通常是由不良的制造工艺引起的。β=1是随机失效（与指数分布相同），失效与维护无关。在这些情况下，由于维护导致的故障，维护往往会使情况变得更糟。Beta>1已磨损。在这种情况下，您可能希望确定一种维护制度，将项目修复为与新的一样好，或至少与旧的一样好。您需要先确定需要回答哪些问题，然后才能确定要进一步分析的部分

eta（或alpha）参数是特征寿命。它告诉你63.2%的人口要多久才会失败

此外，请注意不要在分析中将不同的项目放在一起，因为您将无法很容易地解决各个故障模式

Q2）通过查看累积分布函数（CDF），您可以预测未来故障的数量。使用python可靠性库，您可以创建一个发行版，然后在一段时间后只需一行代码就可以找到CDF的值。这将为您提供到那时预计失败的总人数的一部分。例如：

打印（威布尔分布（α=11364，β=1）.CDF（xVAL=[2*365*6]））

这将告诉您，如果每天运行6小时，您的31.984%的设备将在未来两年内出现故障

如果您想知道分数失败之前的时间（反向计算），则使用威布尔分布的分位数函数

Q3）参数化完全取决于作者。两者在某种意义上都是“正确的”，但你需要知道如何使用它们。我会和你一起去的