ワイブル分析とは？|信頼性解析の方法・故障率・寿命予測を初心者向けに解説

製品や設備の寿命を評価するとき、平均故障時間だけでは「使い始めに故障しやすいのか」「時間の経過とともに故障が増えるのか」まで十分に説明できません。

そこで利用される代表的な方法がワイブル分析です。故障時間を確率分布として捉え、故障率の時間変化、寿命時間のスケール、一定期間後の累積故障確率や信頼度を評価します。

本記事では、2パラメータワイブル分布を中心に、形状パラメータmと尺度パラメータηの意味、ワイブル確率プロットによる推定、Excelでの計算、実務での使い分けを初心者向けに解説します。故障率・MTBF・MTTFなどの基本指標から確認したい方はこちらをご覧ください。

▼この記事のポイント

・ワイブル分布は、製品や設備の故障時間・寿命を表現する代表的な確率分布です。

・形状パラメータmから、故障率が減少・一定・増加する傾向を読み取れます。

・尺度パラメータηは、累積故障確率が約63.2％となる時間を表します。

・累積故障確率F(t)と信頼度R(t)から、一定期間後の故障・稼働確率を推定できます。

・実際の寿命試験では、未故障の右打切りデータも適切に扱うことが重要です。

この記事の目次

ワイブル分布とは？

ワイブル分布は、製品や設備の故障時間や寿命を表現する確率分布です。実際の製品はすべて同じ時間で故障するわけではないため、寿命を1つの値だけでなく分布として捉えます。

ワイブル分布は、形状パラメータによって、故障率が時間とともに減少・一定・増加するさまざまな寿命特性を表現できます。そのため、ベアリング、モーター、電子部品、LED、ポンプなどの寿命予測や保全計画に利用されます。

本記事では、形状パラメータmと尺度パラメータηで表す2パラメータワイブル分布を扱います。故障が始まる位置を表す位置パラメータγを加えた3パラメータワイブル分布もありますが、ここでは詳しく扱いません。

ワイブル分布の2つのパラメータ

2パラメータワイブル分布は、次の2つの値によって形が決まります。

・形状パラメータm：故障率が時間とともにどう変化するか

・尺度パラメータη：寿命時間のスケール

形状パラメータはβと表記される場合もありますが、本記事ではmに統一します。

形状パラメータm

m	故障率の傾向	信頼性工学での代表的な解釈
m < 1	時間とともに低下	初期故障型
m = 1	一定	偶発故障型
m > 1	時間とともに増加	摩耗故障型

mは故障率の傾向を表します。信頼性工学では、この傾向を初期故障型・偶発故障型・摩耗故障型に対応づけて解釈することがあります。ただし、mだけで物理的な故障原因を断定することはできません。故障品の解析や使用条件の確認も必要です。

m＝1のとき、ワイブル分布は指数分布となり、故障率は一定です。この条件では、MTBFと故障率λの逆数関係を利用できます。詳しくは故障率・MTBF・MTTFの記事で解説しています。

尺度パラメータη

尺度パラメータηは特性寿命とも呼ばれ、寿命時間のスケールを表します。同じmで比較する場合、ηが大きいほど分布が長時間側へ広がります。

F(η) = 1 − e⁻¹ ≈ 0.632

ηは累積故障確率が約63.2％となる時間

t＝ηの時点では、累積故障確率F(t)が約63.2％、信頼度R(t)が約36.8％となります。ηは一般に平均寿命そのものではありません。

MTTF = η Γ(1 + 1/m)

2パラメータワイブル分布における平均故障時間

Γはガンマ関数です。初心者の段階では、平均故障時間MTTFはmとηの両方で決まり、ηとは別の値になることを押さえておけば十分です。

ワイブル分布の基本式

累積故障確率F(t)

F(t) = 1 − e^{−(t/η)^m}

時刻tまでに故障する累積確率

・F(t)：時刻tまでの累積故障確率

・t：使用時間

・m：形状パラメータ

・η：尺度パラメータ

F(t)は0～1、または0～100％で表します。たとえばF(365)＝0.05であれば、モデル上は365日までに故障する累積確率が5％と推定されます。

信頼度R(t)

R(t) = 1 − F(t) = e^{−(t/η)^m}

時刻tまで故障せずに稼働する確率

F(t)とR(t)の合計は1です。たとえばF(t)＝10％なら、同じ時点の信頼度R(t)は90％です。

故障率h(t)

h(t) = (m/η)(t/η)^m−1

時間とともに変化するワイブル分布の故障率

この式からも、m<1では故障率が低下し、m＝1では一定、m>1では増加することが分かります。この3つの領域は、信頼性工学のバスタブ曲線で使われる初期故障・偶発故障・摩耗故障の考え方とも関係します。

ワイブル分析ではどうやってmとηを求める？

実際の解析では、1つの故障時間だけからパラメータを逆算するのではなく、複数の故障時間データ全体を使ってmとηを推定します。本記事では、仕組みを理解しやすいワイブル確率プロットを使用します。

① 故障時間を昇順に並べる

各製品の故障時間を小さい順に並べ、1、2、3……と故障順位iを付けます。

② 累積故障確率を求める

F_i ≈ (i − 0.3) / (n + 0.4)

故障順位から累積故障確率を求める代表的なメディアンランク近似

・i：故障順位

・n：故障データ数

メディアンランクには複数の近似式があります。ここでは代表的なBernard近似を使用します。

③ ワイブルプロット用に変換する

ln[−ln(1−F(t))] = m ln(t) − m ln(η)

ワイブル分布を直線化した式

横軸をln(t)、縦軸をln[−ln(1−F(t))]とすると、データはおおむね直線上に並びます。

④ 回帰直線からmとηを求める

回帰式をy＝mx＋bとすると、傾きが形状パラメータmです。切片bからは次の式で尺度パラメータηを求めます。

η = e^−b/m

回帰直線の切片bから尺度パラメータηを求める

例題1：製品の故障時間からワイブル分析を実施する

10製品の寿命試験で、次の故障日データが得られました。ここでは、すべての製品が故障するまで観測された完全データとして扱います。

故障順位i	故障時間t（日）	メディアンランクF_i	ln(t)	ln[−ln(1−F_i)]
1	58	0.0673	4.0604	−2.6638
2	72	0.1635	4.2767	−1.7233
3	81	0.2596	4.3944	−1.2020
4	90	0.3558	4.4998	−0.8217
5	98	0.4519	4.5850	−0.5086
6	107	0.5481	4.6728	−0.2304
7	118	0.6442	4.7707	0.0329
8	132	0.7404	4.8828	0.2990
9	148	0.8365	4.9972	0.5940
10	167	0.9327	5.1180	0.9927

10点を直線回帰すると、傾きと切片は次のようになります。

y = 3.3501x − 16.0201

10製品の故障時間を使った回帰直線（R²＝0.9850）

したがって、m＝3.350、η＝119.335日と推定されます。m>1なので、故障率が時間とともに増加する傾向が示されています。摩耗・劣化型の故障傾向が示唆されるため、故障原因、使用条件、材料、負荷などをさらに調査します。

ワイブル分析だけで「経年劣化が原因」と断定することはできません。R²が高く直線性が良好であることも確認材料ですが、サンプル数やデータ取得条件も合わせて評価します。

Excelでワイブル分析を実施する

Excelでは、故障時間を入力すると、故障順位、メディアンランク、変換値、回帰直線、m、ηを自動計算できます。今回のテンプレートは、旧版の「1点からmを逆算する方法」から、すべての故障時間を使うワイブル確率プロット方式へ更新しました。

・黄色のセルへ故障時間を昇順で入力します。

・メディアンランクF_i、ln(t)、ln[−ln(1−F_i)]が自動計算されます。

・散布図と回帰直線からmとηが自動推定されます。

ワイブル解析Excelテンプレート

メディアンランク・変換値・回帰直線・m・ηを数式で確認できます。

Excelテンプレートをダウンロード

Excelワイブルプロットの限界
メディアンランク＋回帰は仕組みを理解しやすい方法です。一方、打切りデータが多い場合、サンプル数が少ない場合、精密な推定や信頼区間が必要な場合は、最尤法（MLE）を扱える信頼性解析ソフトを検討します。

例題2：出荷後1年時点の累積故障確率を求める

部品Aについて、形状パラメータm＝3.0、尺度パラメータη＝1,000日と推定されているとします。出荷後365日までに故障する累積確率F(365)を求めます。

F(365) = 1 − e^{−(365/1000)³} ≈ 0.04746

出荷後365日までの累積故障確率は約4.75％

R(365) = 1 − F(365) ≈ 0.95254

出荷後365日時点の信頼度は約95.25％

このモデルとパラメータが妥当であると仮定すると、出荷後365日までに故障する累積確率は約4.7～4.8％、365日時点で故障せず使用できている確率は約95.3％と推定されます。実際に必ず同じ割合が故障するという意味ではありません。

打切りデータがある場合の注意点

寿命試験では、試験終了時点でも故障していない製品が存在します。このような観測を右打切りデータと呼びます。

たとえば100個を1,000時間試験し、20個だけが故障、80個が1,000時間時点でも正常だったとします。この80個には「少なくとも1,000時間は故障しなかった」という重要な情報があります。80個を除外し、故障した20個だけで寿命分布を推定すると、寿命を短く見積もる可能性があります。

打切りを含む解析では、その情報を利用できる最尤法などを使用します。本記事のExcelテンプレートは、すべて故障まで観測された完全データを対象としています。

ワイブル分析が活用される場面

目的	具体例
寿命予測	ベアリング、モーター、電子部品の故障時間を評価する
保全計画	交換周期や予防保全のタイミングを検討する
保証設計	保証期間内の累積故障確率を推定する
故障傾向の把握	故障率が低下・一定・増加する傾向を確認する

実務では、mやηだけを見るのではなく、ワイブルプロットの直線性、サンプルサイズ、打切りの割合、使用環境、故障モードの定義、故障品の物理解析を組み合わせて判断します。

まとめ

ワイブル分析では、故障時間を単なる平均値だけで評価するのではなく、寿命を確率分布として捉えます。形状パラメータmを見ることで、故障率が時間とともに低下・一定・増加する傾向を把握でき、尺度パラメータηから寿命時間のスケールを確認できます。ただし、ηは平均寿命そのものではなく、累積故障確率が約63.2％となる特性寿命です。

累積故障確率F(t)と信頼度R(t)を用いると、「1年後までに何％が故障するか」「一定期間、故障せず使用できる確率はどの程度か」といった実務的な評価が可能です。今回の例題では、10製品すべての故障時間をメディアンランクで処理し、ワイブル確率プロットの回帰直線からm＝3.350、η＝119.335日と推定しました。

実際の寿命試験では、すべての製品が試験中に故障するとは限らないため、右打切りデータの扱いが重要です。より精密な推定が必要な場合は最尤法などを利用しますが、まずワイブルプロットを通じてm、η、F(t)、R(t)の関係を理解することが、信頼性解析を実務で活用する第一歩です。

故障時間データから、ワイブル解析を実践してみよう。

故障時間を入力するだけでワイブル解析を実行。
形状パラメータや尺度パラメータ、信頼度を確認できます。

登録不要
無料
ブラウザで利用可能

StatLAでワイブル解析を試してみる → ワイブル解析の操作方法を先に見る →