# موثوقية ويبل: كيف تقرأ B10 والادعاءات المتعلقة بعمر مداخل الكابلات

> Source: https://chinacableglands.com/ar/blog/weibull-cable-entry-reliability/
> Language: ar
> Publisher: بيبتو لجلاندات الكابلات
> Author: Victor Huang
> Published: 2026-10-22
> Updated: 2026-10-29

اقرأ موثوقية ويبل وB10 والعمر المميز باستخدام أمثلة محلولة ومشاهدات خاضعة للرقابة وحدود الثقة وظروف اختبار مداخل الكابلات.

<p><strong>تصف موثوقية ويبل كيفية تغير احتمال الإخفاق مع زمن التعرض. ويمثل B10 الزمن الذي يبلغ فيه النموذج 10% من الإخفاقات التراكمية؛ أما العمر المميز فيقع عند نحو 63.2%.</strong> أقارن مقياس العمر المذكور وظروف الاختبار وحد الثقة قبل الاستناد إلى ادعاء عن عمر مدخل كابل لاتخاذ قرار.</p>
<p>هذا التمييز مهم. فقد يكون للنموذجين الإحصائيين العمر المميز نفسه، مع اختلاف كبير في قيم B10. كما أن الاختبار الطويل الذي يسجل عددًا قليلًا من الإخفاقات يقدم معلومات مختلفة عن قائمة طويلة من الأجزاء المرتجعة. اقرأ المنحنى مع مراعاة المجتمع والسجلات التي استُخدمت لملاءمته.</p>
<blockquote>
<p><strong>أهم النقاط</strong></p>
<ul>
<li>يصف B10 المئين المبكر للنموذج؛ وهو يختلف عن متوسط العمر أو العمر المميز.</li>
<li>يغير الشكل اتجاه معدل الإخفاق، بينما يحدد المقياس الزمن المميز.</li>
<li>أدرج العينات التي لم تتعرض للإخفاق، مع أوقات الرقابة وحالتها.</li>
<li>قارن التقدير النقطي بحد الثقة المطلوب لاتخاذ القرار.</li>
<li>اربط زمن الاختبار المعجل بظروف الاستخدام من خلال الآلية المعنية ونموذج التسريع.</li>
</ul>
</blockquote>
<h2 id="what-do-weibull-shape-scale-and-b10-mean">ما معنى الشكل والمقياس وB10 في توزيع ويبل؟</h2>
<p><strong>نموذج ويبل</strong> هو توزيع احتمالي يُستخدم لوصف كميات مثل الزمن أو عدد الدورات حتى الإخفاق. وتوفر <a href="https://webstore.iec.ch/en/publication/5698">IEC 61649:2008</a> طرقًا تحليلية ورسومية لتحليل ويبل للعناصر المأخوذة عيناتٍ منها أثناء الاختبار أو الخدمة. وبالنسبة إلى مدخل الكابل، حدد المجموعة والتعرض وحدث الإخفاق الذي ينطبق عليه النموذج.</p>
<p>يستخدم الشكل ذو المعلمتين أصلًا زمنيًا يساوي صفرًا، ومعامل شكل موجبًا <span class="article-math article-math-inline" data-latex="\beta"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>β</mi></mrow><annotation encoding="application/x-tex">\beta</annotation></semantics></math></span></span> ومعامل مقياس موجبًا <span class="article-math article-math-inline" data-latex="\eta"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>η</mi></mrow><annotation encoding="application/x-tex">\eta</annotation></semantics></math></span></span>. وعند زمن تعرض <span class="article-math article-math-inline" data-latex="t\geq0"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>t</mi><mo>≥</mo><mn>0</mn></mrow><annotation encoding="application/x-tex">t\geq0</annotation></semantics></math></span></span>، يكون احتمال الإخفاق التراكمي:</p>
<div class="article-math article-math-display" data-latex="F(t)=1-\exp\left[-\left(\frac{t}{\eta}\right)^\beta\right]"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><mi>F</mi><mo stretchy="false">(</mo><mi>t</mi><mo stretchy="false">)</mo><mo>=</mo><mn>1</mn><mo>−</mo><mi>exp</mi><mo>⁡</mo><mrow><mo fence="true">[</mo><mo>−</mo><msup><mrow><mo fence="true">(</mo><mfrac><mi>t</mi><mi>η</mi></mfrac><mo fence="true">)</mo></mrow><mi>β</mi></msup><mo fence="true">]</mo></mrow></mrow><annotation encoding="application/x-tex">F(t)=1-\exp\left[-\left(\frac{t}{\eta}\right)^\beta\right]</annotation></semantics></math></span></div>
<p><strong>احتمال البقاء</strong> هو احتمال أن تظل الوحدة خالية من الإخفاق المحدد حتى الزمن <span class="article-math article-math-inline" data-latex="t"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>t</mi></mrow><annotation encoding="application/x-tex">t</annotation></semantics></math></span></span>. وهو <span class="article-math article-math-inline" data-latex="R(t)=1-F(t)"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>R</mi><mo stretchy="false">(</mo><mi>t</mi><mo stretchy="false">)</mo><mo>=</mo><mn>1</mn><mo>−</mo><mi>F</mi><mo stretchy="false">(</mo><mi>t</mi><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">R(t)=1-F(t)</annotation></semantics></math></span></span>. يجب التعبير عن الزمن والمقياس بالوحدات نفسها؛ أما الشكل فبلا أبعاد. هذه هي الصيغة الواردة في <a href="https://www.itl.nist.gov/div898/handbook/apr/section1/apr162.htm">نموذج ويبل للعمر لدى NIST</a>، مع اختلاف الرموز في بعض البرمجيات.</p>
<p><strong>العمر المميز</strong> هو المقياس <span class="article-math article-math-inline" data-latex="\eta"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>η</mi></mrow><annotation encoding="application/x-tex">\eta</annotation></semantics></math></span></span>، حيث يبلغ النموذج <span class="article-math article-math-inline" data-latex="F(\eta)=1-e^{-1}"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>F</mi><mo stretchy="false">(</mo><mi>η</mi><mo stretchy="false">)</mo><mo>=</mo><mn>1</mn><mo>−</mo><msup><mi>e</mi><mrow><mo>−</mo><mn>1</mn></mrow></msup></mrow><annotation encoding="application/x-tex">F(\eta)=1-e^{-1}</annotation></semantics></math></span></span>، أي نحو 63.2%. ويتحكم <strong>الشكل</strong> في اتجاه معدل الإخفاق اللحظي بين الوحدات التي ما زالت باقية. فالقيمة الأقل من 1 تعطي معدلًا متناقصًا، والقيمة 1 تعطي معدلًا ثابتًا، والقيمة الأكبر من 1 تعطي معدلًا متزايدًا.</p>
<p>أستخدم اتجاه الشكل لتوجيه التحقيق. فارتفاع المعدل يجعل التدهور المرتبط بالعمر أمرًا يستحق الفحص، بينما قد تدعو الإخفاقات المبكرة إلى تدقيق أكبر في تفاوتات التركيب أو التصنيع. ومع ذلك، يستند الاستنتاج الفيزيائي إلى العينات وسجل التعرض: فقد ينشأ الشكل الإحصائي نفسه عن آليات مختلفة.</p>
<p><strong>عمر B10</strong> هو المئين العاشر لتوزيع الإخفاقات. وفي النموذج نفسه، يبقى 90% من المجتمع حتى ذلك التعرض. وبحسب <a href="https://www.itl.nist.gov/div898/handbook/eda/section3/eda3668.htm">علاقة المئينات لدى NIST</a>:</p>
<div class="article-math article-math-display" data-latex="t_{B10}=\eta[-\ln(0.9)]^{1/\beta}"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML" display="block"><semantics><mrow><msub><mi>t</mi><mrow><mi>B</mi><mn>10</mn></mrow></msub><mo>=</mo><mi>η</mi><mo stretchy="false">[</mo><mo>−</mo><mi>ln</mi><mo>⁡</mo><mo stretchy="false">(</mo><mn>0.9</mn><mo stretchy="false">)</mo><msup><mo stretchy="false">]</mo><mrow><mn>1</mn><mi mathvariant="normal">/</mi><mi>β</mi></mrow></msup></mrow><annotation encoding="application/x-tex">t_{B10}=\eta[-\ln(0.9)]^{1/\beta}</annotation></semantics></math></span></div>
<p>اللوغاريتم طبيعي، والنتيجة لها الوحدات نفسها التي للمقياس <span class="article-math article-math-inline" data-latex="\eta"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mi>η</mi></mrow><annotation encoding="application/x-tex">\eta</annotation></semantics></math></span></span>. ومتوسط العمر متوسط منفصل يعتمد على كلا المعلمتين. ويضيف توزيع ويبل ذو المعلمات الثلاثة معلمة موضع أو إزاحة، لذا تحقق من صيغة النموذج قبل تطبيق هذه المعادلة ذات الموضع الصفري.</p>
<h2 id="worked-example-the-same-characteristic-life-gives-different-b10">مثال محلول: العمر المميز نفسه يعطي قيم B10 مختلفة</h2>
<p>لننظر في ثلاثة نماذج توضيحية ذات معلمات مختارة عمدًا. هذه أمثلة رياضية، وهي منفصلة عن مجموعة البيانات ذات العينات الست الواردة لاحقًا في المقالة.</p>
<table>
<thead>
<tr>
<th>النموذج</th>
<th style="text-align: right">الشكل</th>
<th style="text-align: right">العمر المميز</th>
<th style="text-align: right">قيمة B10 المحسوبة</th>
<th style="text-align: right">احتمال الإخفاق عند 500 h</th>
</tr>
</thead>
<tbody>
<tr>
<td>A</td>
<td style="text-align: right">1</td>
<td style="text-align: right">1,000 h</td>
<td style="text-align: right">105.4 h</td>
<td style="text-align: right">39.35%</td>
</tr>
<tr>
<td>B</td>
<td style="text-align: right">2</td>
<td style="text-align: right">1,000 h</td>
<td style="text-align: right">324.6 h</td>
<td style="text-align: right">22.12%</td>
</tr>
<tr>
<td>C</td>
<td style="text-align: right">2</td>
<td style="text-align: right">1,500 h</td>
<td style="text-align: right">486.9 h</td>
<td style="text-align: right">10.52%</td>
</tr>
</tbody>
</table>
<p>بالنسبة إلى النموذج B، أدخل المقياس المفترض 1,000 h والشكل 2 في معادلة B10. الجذر التربيعي لـ <span class="article-math article-math-inline" data-latex="-\ln(0.9)"><span class="katex"><math xmlns="http://www.w3.org/1998/Math/MathML"><semantics><mrow><mo>−</mo><mi>ln</mi><mo>⁡</mo><mo stretchy="false">(</mo><mn>0.9</mn><mo stretchy="false">)</mo></mrow><annotation encoding="application/x-tex">-\ln(0.9)</annotation></semantics></math></span></span> يساوي نحو 0.32459، ما يعطي 324.6 h. أما النموذج A فله المقياس نفسه لكن شكلًا مختلفًا، ولذلك تكون قيمة B10 لديه أبكر بكثير.</p>
<p>كنت سأقارن B10 أو احتمال الإخفاق عند التعرض المطلوب عندما تكون الإخفاقات المبكرة موضع اهتمام. فالمقياس وحده يخفي هذا الاختلاف. عند 500 h، يكون احتمال الإخفاق التراكمي للنموذج B أقل منه للنموذج A. وعند 2,000 h ينعكس الترتيب: إذ تبلغ القيمة 86.47% للنموذج A و98.17% للنموذج B. ويلتقي المنحنيان عند عمرهما المميز المشترك البالغ 1,000 h.</p>
<figure class="blog-chart">
<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 520 710" role="img" aria-labelledby="weibull-curves-title weibull-curves-desc" style="font-family:var(--font-body)">
<title id="weibull-curves-title">كيف يغيّر الشكل والمقياس منحنيات الإخفاق التراكمي لويبل</title>
<desc id="weibull-curves-desc">تُظهر ثلاثة منحنيات محسوبة الاحتمال التراكمي للإخفاق على امتداد صفر إلى ألفَي ساعة. ويبلغ كل من الشكل 1 والشكل 2 ذوي مقياس ألف ساعة نسبة 63.2% عند ألف ساعة. أما المنحنى الثالث، ذو الشكل 2 ومقياس ألف وخمسمئة ساعة، فيبلغ 63.2% عند ألف وخمسمئة ساعة.</desc>
<text x="260" y="42" text-anchor="middle" fill="var(--color-carbon)" font-size="30" font-weight="700">الشكل والمقياس</text>
<text x="260" y="78" text-anchor="middle" fill="var(--color-carbon)" font-size="30" font-weight="700">يغيّران المنحنى</text>
<text x="260" y="119" text-anchor="middle" fill="var(--color-graphite)" font-size="22">الإخفاقات التراكمية بحسب زمن الاختبار</text>
<path d="M95 160H470M95 315H470M95 274.043H470" fill="none" stroke="var(--color-cloud)" stroke-width="1.5"/>
<path d="M282.5 470V274.043M376.25 470V274.043" fill="none" stroke="var(--color-cloud)" stroke-width="1.5" stroke-dasharray="5 6"/>
<path d="M95 160V470H470" fill="none" stroke="var(--color-graphite)" stroke-width="2.5"/>
<text x="80" y="168" text-anchor="end" fill="var(--color-graphite)" font-size="22">100%</text>
<text x="80" y="282" text-anchor="end" fill="var(--color-graphite)" font-size="22">63.2%</text>
<text x="80" y="323" text-anchor="end" fill="var(--color-graphite)" font-size="22">50%</text>
<text x="80" y="478" text-anchor="end" fill="var(--color-graphite)" font-size="22">0%</text>
<path d="M95.000 470.000L96.875 466.915L98.750 463.862L100.625 460.838L102.500 457.845L104.375 454.881L106.250 451.947L108.125 449.042L110.000 446.166L111.875 443.319L113.750 440.500L115.625 437.709L117.500 434.945L119.375 432.210L121.250 429.501L123.125 426.819L125.000 424.165L126.875 421.536L128.750 418.934L130.625 416.357L132.500 413.807L134.375 411.281L136.250 408.781L138.125 406.305L140.000 403.855L141.875 401.428L143.750 399.026L145.625 396.648L147.500 394.293L149.375 391.962L151.250 389.654L153.125 387.369L155.000 385.106L156.875 382.866L158.750 380.649L160.625 378.453L162.500 376.280L164.375 374.128L166.250 371.997L168.125 369.888L170.000 367.799L171.875 365.732L173.750 363.685L175.625 361.658L177.500 359.651L179.375 357.665L181.250 355.698L183.125 353.751L185.000 351.823L186.875 349.914L188.750 348.025L190.625 346.154L192.500 344.301L194.375 342.468L196.250 340.652L198.125 338.854L200.000 337.075L201.875 335.313L203.750 333.568L205.625 331.841L207.500 330.132L209.375 328.439L211.250 326.763L213.125 325.103L215.000 323.461L216.875 321.834L218.750 320.224L220.625 318.630L222.500 317.051L224.375 315.489L226.250 313.941L228.125 312.410L230.000 310.893L231.875 309.392L233.750 307.905L235.625 306.434L237.500 304.977L239.375 303.534L241.250 302.106L243.125 300.692L245.000 299.292L246.875 297.906L248.750 296.534L250.625 295.175L252.500 293.830L254.375 292.499L256.250 291.180L258.125 289.875L260.000 288.583L261.875 287.303L263.750 286.037L265.625 284.783L267.500 283.541L269.375 282.312L271.250 281.095L273.125 279.890L275.000 278.697L276.875 277.516L278.750 276.346L280.625 275.189L282.500 274.043L284.375 272.908L286.250 271.784L288.125 270.672L290.000 269.571L291.875 268.481L293.750 267.401L295.625 266.333L297.500 265.275L299.375 264.227L301.250 263.190L303.125 262.163L305.000 261.147L306.875 260.140L308.750 259.144L310.625 258.157L312.500 257.181L314.375 256.214L316.250 255.256L318.125 254.309L320.000 253.370L321.875 252.441L323.750 251.521L325.625 250.611L327.500 249.709L329.375 248.816L331.250 247.933L333.125 247.058L335.000 246.192L336.875 245.334L338.750 244.485L340.625 243.644L342.500 242.812L344.375 241.988L346.250 241.172L348.125 240.364L350.000 239.565L351.875 238.773L353.750 237.989L355.625 237.213L357.500 236.445L359.375 235.684L361.250 234.931L363.125 234.186L365.000 233.448L366.875 232.717L368.750 231.993L370.625 231.277L372.500 230.568L374.375 229.866L376.250 229.170L378.125 228.482L380.000 227.801L381.875 227.126L383.750 226.458L385.625 225.797L387.500 225.142L389.375 224.494L391.250 223.852L393.125 223.217L395.000 222.588L396.875 221.965L398.750 221.349L400.625 220.738L402.500 220.134L404.375 219.535L406.250 218.943L408.125 218.357L410.000 217.776L411.875 217.201L413.750 216.632L415.625 216.068L417.500 215.511L419.375 214.958L421.250 214.411L423.125 213.870L425.000 213.334L426.875 212.803L428.750 212.278L430.625 211.758L432.500 211.243L434.375 210.733L436.250 210.228L438.125 209.728L440.000 209.233L441.875 208.744L443.750 208.259L445.625 207.778L447.500 207.303L449.375 206.832L451.250 206.366L453.125 205.905L455.000 205.448L456.875 204.996L458.750 204.548L460.625 204.105L462.500 203.666L464.375 203.232L466.250 202.801L468.125 202.376L470.000 201.954" fill="none" stroke="var(--color-carbon)" stroke-width="3.5" stroke-dasharray="9 6"/>
<path d="M95.000 470.000L96.875 469.969L98.750 469.876L100.625 469.721L102.500 469.504L104.375 469.226L106.250 468.886L108.125 468.485L110.000 468.022L111.875 467.499L113.750 466.915L115.625 466.272L117.500 465.568L119.375 464.805L121.250 463.983L123.125 463.103L125.000 462.165L126.875 461.169L128.750 460.117L130.625 459.009L132.500 457.845L134.375 456.626L136.250 455.353L138.125 454.027L140.000 452.649L141.875 451.218L143.750 449.737L145.625 448.205L147.500 446.624L149.375 444.995L151.250 443.319L153.125 441.596L155.000 439.827L156.875 438.014L158.750 436.158L160.625 434.259L162.500 432.318L164.375 430.338L166.250 428.318L168.125 426.260L170.000 424.165L171.875 422.033L173.750 419.868L175.625 417.668L177.500 415.436L179.375 413.173L181.250 410.879L183.125 408.557L185.000 406.207L186.875 403.830L188.750 401.428L190.625 399.002L192.500 396.553L194.375 394.082L196.250 391.591L198.125 389.080L200.000 386.552L201.875 384.006L203.750 381.445L205.625 378.869L207.500 376.280L209.375 373.678L211.250 371.066L213.125 368.444L215.000 365.814L216.875 363.176L218.750 360.532L220.625 357.882L222.500 355.229L224.375 352.572L226.250 349.914L228.125 347.255L230.000 344.596L231.875 341.939L233.750 339.284L235.625 336.633L237.500 333.986L239.375 331.344L241.250 328.708L243.125 326.080L245.000 323.461L246.875 320.850L248.750 318.249L250.625 315.660L252.500 313.082L254.375 310.516L256.250 307.964L258.125 305.427L260.000 302.904L261.875 300.397L263.750 297.906L265.625 295.432L267.500 292.976L269.375 290.539L271.250 288.121L273.125 285.722L275.000 283.343L276.875 280.986L278.750 278.649L280.625 276.335L282.500 274.043L284.375 271.773L286.250 269.527L288.125 267.305L290.000 265.106L291.875 262.932L293.750 260.783L295.625 258.659L297.500 256.561L299.375 254.488L301.250 252.441L303.125 250.421L305.000 248.427L306.875 246.459L308.750 244.519L310.625 242.605L312.500 240.719L314.375 238.860L316.250 237.028L318.125 235.224L320.000 233.448L321.875 231.699L323.750 229.977L325.625 228.284L327.500 226.618L329.375 224.980L331.250 223.369L333.125 221.786L335.000 220.230L336.875 218.702L338.750 217.201L340.625 215.727L342.500 214.281L344.375 212.861L346.250 211.469L348.125 210.103L350.000 208.763L351.875 207.450L353.750 206.163L355.625 204.902L357.500 203.666L359.375 202.456L361.250 201.272L363.125 200.112L365.000 198.977L366.875 197.867L368.750 196.781L370.625 195.719L372.500 194.680L374.375 193.665L376.250 192.674L378.125 191.705L380.000 190.759L381.875 189.835L383.750 188.933L385.625 188.052L387.500 187.193L389.375 186.355L391.250 185.538L393.125 184.741L395.000 183.964L396.875 183.207L398.750 182.470L400.625 181.751L402.500 181.052L404.375 180.370L406.250 179.707L408.125 179.062L410.000 178.434L411.875 177.823L413.750 177.229L415.625 176.651L417.500 176.090L419.375 175.544L421.250 175.014L423.125 174.499L425.000 173.999L426.875 173.513L428.750 173.042L430.625 172.585L432.500 172.141L434.375 171.710L436.250 171.293L438.125 170.888L440.000 170.496L441.875 170.116L443.750 169.747L445.625 169.390L447.500 169.045L449.375 168.710L451.250 168.386L453.125 168.073L455.000 167.769L456.875 167.476L458.750 167.192L460.625 166.918L462.500 166.652L464.375 166.396L466.250 166.148L468.125 165.909L470.000 165.678" fill="none" stroke="var(--color-primary)" stroke-width="4"/>
<path d="M95.000 470.000L96.875 469.986L98.750 469.945L100.625 469.876L102.500 469.780L104.375 469.656L106.250 469.504L108.125 469.326L110.000 469.119L111.875 468.886L113.750 468.625L115.625 468.337L117.500 468.022L119.375 467.680L121.250 467.311L123.125 466.915L125.000 466.493L126.875 466.044L128.750 465.568L130.625 465.066L132.500 464.538L134.375 463.983L136.250 463.403L138.125 462.797L140.000 462.165L141.875 461.507L143.750 460.825L145.625 460.117L147.500 459.384L149.375 458.627L151.250 457.845L153.125 457.038L155.000 456.208L156.875 455.353L158.750 454.475L160.625 453.573L162.500 452.649L164.375 451.701L166.250 450.730L168.125 449.737L170.000 448.721L171.875 447.684L173.750 446.624L175.625 445.544L177.500 444.442L179.375 443.319L181.250 442.175L183.125 441.011L185.000 439.827L186.875 438.623L188.750 437.400L190.625 436.158L192.500 434.896L194.375 433.617L196.250 432.318L198.125 431.002L200.000 429.669L201.875 428.318L203.750 426.950L205.625 425.565L207.500 424.165L209.375 422.748L211.250 421.315L213.125 419.868L215.000 418.405L216.875 416.928L218.750 415.436L220.625 413.931L222.500 412.412L224.375 410.879L226.250 409.334L228.125 407.777L230.000 406.207L231.875 404.625L233.750 403.032L235.625 401.428L237.500 399.813L239.375 398.188L241.250 396.553L243.125 394.908L245.000 393.254L246.875 391.591L248.750 389.919L250.625 388.239L252.500 386.552L254.375 384.856L256.250 383.154L258.125 381.445L260.000 379.729L261.875 378.007L263.750 376.280L265.625 374.547L267.500 372.809L269.375 371.066L271.250 369.319L273.125 367.568L275.000 365.814L276.875 364.056L278.750 362.295L280.625 360.532L282.500 358.766L284.375 356.998L286.250 355.229L288.125 353.458L290.000 351.686L291.875 349.914L293.750 348.142L295.625 346.369L297.500 344.596L299.375 342.825L301.250 341.054L303.125 339.284L305.000 337.516L306.875 335.750L308.750 333.986L310.625 332.224L312.500 330.465L314.375 328.708L316.250 326.956L318.125 325.206L320.000 323.461L321.875 321.719L323.750 319.982L325.625 318.249L327.500 316.522L329.375 314.799L331.250 313.082L333.125 311.370L335.000 309.664L336.875 307.964L338.750 306.271L340.625 304.584L342.500 302.904L344.375 301.231L346.250 299.565L348.125 297.906L350.000 296.255L351.875 294.612L353.750 292.976L355.625 291.349L357.500 289.731L359.375 288.121L361.250 286.519L363.125 284.927L365.000 283.343L366.875 281.769L368.750 280.205L370.625 278.649L372.500 277.104L374.375 275.568L376.250 274.043L378.125 272.527L380.000 271.022L381.875 269.527L383.750 268.043L385.625 266.569L387.500 265.106L389.375 263.654L391.250 262.213L393.125 260.783L395.000 259.364L396.875 257.957L398.750 256.561L400.625 255.176L402.500 253.803L404.375 252.441L406.250 251.091L408.125 249.753L410.000 248.427L411.875 247.112L413.750 245.809L415.625 244.519L417.500 243.240L419.375 241.973L421.250 240.719L423.125 239.476L425.000 238.246L426.875 237.028L428.750 235.822L430.625 234.629L432.500 233.448L434.375 232.279L436.250 231.122L438.125 229.977L440.000 228.845L441.875 227.725L443.750 226.618L445.625 225.523L447.500 224.440L449.375 223.369L451.250 222.310L453.125 221.264L455.000 220.230L456.875 219.208L458.750 218.199L460.625 217.201L462.500 216.216L464.375 215.242L466.250 214.281L468.125 213.332L470.000 212.394" fill="none" stroke="var(--color-graphite)" stroke-width="3.5" stroke-dasharray="2 6" stroke-linecap="round"/>
<circle cx="282.5" cy="274.043" r="5" fill="var(--color-primary)"/>
<circle cx="376.25" cy="274.043" r="5" fill="var(--color-graphite)"/>
<text x="95" y="507" text-anchor="middle" fill="var(--color-graphite)" font-size="22">0</text>
<text x="282.5" y="507" text-anchor="middle" fill="var(--color-graphite)" font-size="22">1,000</text>
<text x="470" y="507" text-anchor="middle" fill="var(--color-graphite)" font-size="22">2,000</text>
<text x="282.5" y="548" text-anchor="middle" fill="var(--color-carbon)" font-size="22">زمن الاختبار (ساعات)</text>
<path d="M55 589H110" stroke="var(--color-carbon)" stroke-width="3.5" stroke-dasharray="9 6"/>
<text x="130" y="596" fill="var(--color-carbon)" font-size="22">الشكل 1 · المقياس 1,000 h</text>
<path d="M55 631H110" stroke="var(--color-primary)" stroke-width="4"/>
<text x="130" y="638" fill="var(--color-carbon)" font-size="22">الشكل 2 · المقياس 1,000 h</text>
<path d="M55 673H110" stroke="var(--color-graphite)" stroke-width="3.5" stroke-dasharray="2 6" stroke-linecap="round"/>
<text x="130" y="680" fill="var(--color-carbon)" font-size="22">الشكل 2 · المقياس 1,500 h</text>
</svg>
<figcaption>توضح المنحنيات المحسوبة كيف يغيّر الشكل التوزيع، بينما ينقل المقياس زمنه المميز. ويبلغ كل منحنى 63.2 بالمئة من الإخفاقات التراكمية عند قيمة مقياسه الخاصة.</figcaption>
</figure>
<p>يوضح النموذج C أثر زيادة المقياس مع تثبيت الشكل. فقيمة B10 لديه تبلغ 1.5 ضعف قيمة B، بما يطابق نسبة المقياس. وحُسبت المنحنيات الثلاثة كلها من المعلمات المذكورة؛ أما المقارنات الفعلية لمداخل الكابلات فتتطلب نماذج ملائمة لمشاهدات ذات صلة ومقيمة مع مراعاة عدم اليقين.</p>
<p>إذا لم يذكر التقرير سوى مدة، فحدد هل المقصود B10 أو المتوسط أو العمر المميز أو نهاية الاختبار أو مدة تشغيل مخططة. ويوضح <a href="/ar/blog/long-term-value-the-durability-of-nickel-plated-brass-cable-glands-why-15-year-service-life-makes-initial-investment-worth-every-penny/">دليل المتانة على المدى الطويل</a> كيف ترتبط ظروف الخدمة والصيانة بهذا القرار المتعلق بالمدى الأبعد.</p>
<h2 id="define-the-cable-entry-population-and-failure-event">حدد مجتمع مداخل الكابلات وحدث الإخفاق</h2>
<p><strong>المجتمع</strong> هو مجموعة التجميعات التي يُراد للنتيجة أن تصفها. ثبّت تصميم الجلاند ومركّب الإحكام وغلاف الكابل وقطره وترتيب التثبيت وظروف التركيب. وإذا اختلفت الدفعات أو المتغيرات، فاحتفظ بهويتها كي يمكن فحص آثارها بدلًا من إخفائها بدمج البيانات.</p>
<p>اختر نقطة نهاية وظيفية قبل بدء التعرض. فالتسرب الذي يتجاوز حدًا محددًا، وفقدان التثبيت، وتلف الطلاء المرئي أحداث مختلفة، وقد تؤدي إلى توزيعات أعمار مختلفة. أختار الحدث الذي يطابق القرار الهندسي، ثم أحدد طريقة القياس والحد بحيث تُقيَّم كل عينة على نحو متسق.</p>
<p>يساعد <a href="/ar/blog/the-physics-of-water-ingress-how-seals-fail-and-how-to-prevent-it/">دليل إخفاق تسرّب المياه</a> على التمييز بين مسارات التسرب عبر إحكام الكابل وواجهة التثبيت. وقد يتطلب هذان المساران فحوصًا مختلفة حتى عندما يؤدي كلاهما إلى دخول الماء إلى العلبة.</p>
<p>استخدم ساعة تعرض واحدة للتحليل: ساعات التشغيل أو مدة التعرض البيئي أو عدد الدورات. حدد نقطة بدايتها وكيفية التعامل مع فترات التوقف. والعمر المقصود هنا هو زمن أول إخفاق في تجميعة لم تُصلح. أما الإخفاقات المتكررة بعد الإصلاح فتتطلب نموذجًا وبنية بيانات يصفان الإصلاح وتكرار الحدث.</p>
<figure>
<img alt="عينات اختبار منفصلة لمداخل الكابلات موضوعة بوضع قائم، مع أطراف كابلات سوداء منفردة موزعة على رف داخل حجرة بيئية مفتوحة" src="/images/blog/weibull-cable-entry-reliability/weibull-cable-entry-reliability-scene-01.png" width="1672" height="941" loading="lazy" decoding="async">
<figcaption>تشغل عينات منفصلة لمداخل الكابلات مواضع متباعدة على رف الحجرة، ولكل منها جلاندها وأطراف كابلها الخاصة.</figcaption>
</figure>
<p>ينبغي أن تمثل العينة العشوائية أو المبررة بطريقة أخرى المجتمع الذي يجري الحديث عنه. وقد تكون المكونات المرتجعة مفيدة للتشخيص، لكن قائمة المرتجعات وحدها لا تشمل الوحدات المثبتة التي نجت من الإخفاق المحدد. اربط سجلات الإخفاق بالوحدات التي ما زالت قيد الملاحظة وسجلات تعرضها. ويوضح <a href="/ar/blog/cable-gland-durability-testing-a-head-to-head-comparison-simulating-10-years-of-industrial-use/">دليل اختبار المتانة</a> كيف يتكامل تحديد التجميعة مع تخطيط التعرض.</p>
<h2 id="keep-exact-failures-and-censored-records-distinct">ميّز بين الإخفاقات الدقيقة والسجلات الخاضعة للرقابة</h2>
<p><strong>الرقابة اليمنى</strong> تعني أن الوحدة ظلت خالية من الإخفاق المحدد حتى آخر مشاهدة لها، مع بقاء وقت إخفاقها اللاحق مجهولًا. أما <strong>الرقابة الفترية</strong> فتعني أن الحدث وقع بين وقتي مشاهدة. وتوضح <a href="https://www.itl.nist.gov/div898/handbook/apr/section1/apr131.htm">إرشادات NIST بشأن الرقابة على البيانات</a> هذه الأنواع من البيانات وسبب وجوب إدراج كل منها في التحليل.</p>
<p>استخدم مجموعة البيانات الافتراضية التالية المكونة من ست عينات. افترض أن أعمار العينات مستقلة ومن المجتمع نفسه، وأن ظروف التعرض مشتركة، وأن نقطة النهاية تُراقب باستمرار، وأن التوقف مخطط له عند 300 h.</p>
<table>
<thead>
<tr>
<th>العينة</th>
<th style="text-align: right">وقت المشاهدة</th>
<th>الحالة</th>
<th>المعنى</th>
</tr>
</thead>
<tbody>
<tr>
<td>A</td>
<td style="text-align: right">100 h</td>
<td>إخفاق</td>
<td>وقع أول إخفاق محدد عند 100 h</td>
</tr>
<tr>
<td>B</td>
<td style="text-align: right">180 h</td>
<td>إخفاق</td>
<td>وقع أول إخفاق محدد عند 180 h</td>
</tr>
<tr>
<td>C</td>
<td style="text-align: right">260 h</td>
<td>إخفاق</td>
<td>وقع أول إخفاق محدد عند 260 h</td>
</tr>
<tr>
<td>D</td>
<td style="text-align: right">300 h</td>
<td>خاضعة للرقابة من اليمين</td>
<td>استمرت العينة دون إخفاق حتى نهاية الاختبار</td>
</tr>
<tr>
<td>E</td>
<td style="text-align: right">300 h</td>
<td>خاضعة للرقابة من اليمين</td>
<td>استمرت العينة دون إخفاق حتى نهاية الاختبار</td>
</tr>
<tr>
<td>F</td>
<td style="text-align: right">300 h</td>
<td>خاضعة للرقابة من اليمين</td>
<td>استمرت العينة دون إخفاق حتى نهاية الاختبار</td>
</tr>
</tbody>
</table>
<p>احتفظ بحقل حالة منفصل. فالسجلات الثلاثة عند 300 h هي مشاهدات بقاء، ولذلك تختلف مساهمتها عن مساهمة إخفاق مسجل عند 300 h. إسقاطها يفقد نصف العينة الذي لم يفشل؛ وإعادة ترميزها كإخفاقات تغيّر ما حدث.</p>
<p>إذا كانت نقطة النهاية تُفحص دوريًا، فسجّل آخر اجتياز وأول إخفاق. فالاجتياز عند 200 h ثم الإخفاق عند 250 h يحددان تلك الفترة. استخدم طريقة ملاءمة تقبل الفترات بدلًا من تعيين منتصف الفترة أو وقت الفحص كوقت حدث دقيق.</p>
<p>أحتفظ أيضًا بسبب انتهاء كل مشاهدة. فالتوقف المخطط له يدعم افتراضًا مختلفًا للرقابة عن إزالة عينة لأنها تبدو على وشك الإخفاق. افحص هذه الإزالات وعلاقتها بالعمر قبل اختيار طريقة التحليل.</p>
<h2 id="fit-the-observations-and-check-the-model">لاءم المشاهدات وافحص النموذج</h2>
<p><strong>تقدير الاحتمال الأعظم</strong>، أو MLE، يختار المعلمات التي تجعل المشاهدات المسجلة أكثر اتساقًا مع التوزيع المختار. وتساهم الإخفاقات الدقيقة بكثافة الاحتمال عند أوقات إخفاقها؛ أما الوحدات الخاضعة للرقابة اليمنى فتساهم باحتمال البقاء حتى أوقات مشاهدتها. وتساهم المشاهدات الفترية باحتمال وقوع الإخفاق بين قراءتي القياس. ويعرض <a href="https://www.itl.nist.gov/div898/handbook/apr/section4/apr412.htm">دليل NIST لتقدير الاحتمال الأعظم</a> حدود الاحتمال المختلفة هذه.</p>
<h3 id="worked-example-changing-the-status-changes-the-result">مثال محلول: تغيير الحالة يغيّر النتيجة</h3>
<p>بالنسبة إلى السجلات الافتراضية الستة أعلاه، يعطي تقدير الاحتمال الأعظم لتوزيع ويبل ذي معلمتين، مع تثبيت موضعه عند الصفر، شكلًا يقارب 2.047 ومقياسًا قدره 353.7 h وB10 قدره 117.8 h. ويقارن الجدول هذا الحساب بطريقتين خاطئتين عمدًا لمعالجة السجلات نفسها.</p>
<table>
<thead>
<tr>
<th>المعالجة</th>
<th style="text-align: right">تقدير الشكل</th>
<th style="text-align: right">تقدير المقياس</th>
<th style="text-align: right">تقدير B10</th>
<th>أثر ذلك على البيانات</th>
</tr>
</thead>
<tbody>
<tr>
<td>ثلاثة إخفاقات وثلاث عينات ناجية خاضعة للرقابة اليمنى</td>
<td style="text-align: right">2.047</td>
<td style="text-align: right">353.7 h</td>
<td style="text-align: right">117.8 h</td>
<td>يحافظ على المشاهدات المذكورة</td>
</tr>
<tr>
<td>حذف العينات الناجية الثلاث كلها</td>
<td style="text-align: right">3.121</td>
<td style="text-align: right">202.2 h</td>
<td style="text-align: right">98.3 h</td>
<td>يلائم البيانات لمجموعة العينات التي أخفقت فقط</td>
</tr>
<tr>
<td>اعتبار العينات الثلاث الناجية عند 300 h حالات إخفاق</td>
<td style="text-align: right">4.016</td>
<td style="text-align: right">266.0 h</td>
<td style="text-align: right">151.9 h</td>
<td>يضيف أحداثًا غير موجودة في المثال</td>
</tr>
</tbody>
</table>
<p>وجدت أن إعادة ترميز العينات الناجية كإخفاقات ترفع B10 في مجموعة البيانات الافتراضية هذه إلى 151.9 h بدلًا من 117.8 h. أما حذف العينات الناجية نفسها فيخفضها إلى 98.3 h. ويجعل هذان الأثران المتعاكسان حقل الحالة أولوية عند التحقق من تقرير مستورد؛ فقد يغير خطأ الترميز النتيجة في أي من الاتجاهين. استخدم الحالات الصحيحة أولًا، ثم قيّم الملاءمة وعدم اليقين. ومع وجود ثلاثة إخفاقات مرصودة فقط، تكون تقديرات الشكل والطرف الأدنى حساسة. ويلزم تعرض أكثر إفادة وتحليل للثقة لإجراء مقارنة هندسية قوية.</p>
<p>يقارن <strong>مخطط الاحتمال</strong> المشاهدات بالنموذج على محاور محوّلة. وهو يختلف عن المنحنيات التراكمية العادية المعروضة سابقًا. وفي <a href="https://www.itl.nist.gov/div898/handbook/apr/section2/apr221.htm">طريقة NIST لرسم مخطط الاحتمال</a>، تراعي مواضع الرسم الرقابة على البيانات. ويدعم النمط الخطي عمومًا الاتساق مع النموذج المختار.</p>
<p>تحقق من الانحناء وتجمعات الدفعات والقيم الشاذة المبكرة وآثار مواضع العينات. لا تستبعد نقطة إلا لوجود سبب موثق يتعلق بالقياس أو المجتمع يبرر التعامل معها بطريقة مختلفة. قارن توزيعات محتملة باستخدام المشاهدات نفسها. ويقارن <a href="https://www.itl.nist.gov/div898/handbook/apr/section4/apr413.htm">مثال ويبل المحلول لدى NIST</a> ملاءمة توزيع ويبل وملاءمة التوزيع اللوغاريتمي الطبيعي بإحصاءات ملاءمة متشابهة، موضحًا أن المنحنى المنتظم بصريًا وحده لا يحسم اختيار النموذج.</p>
<p>قد تتنافس آليات الإخفاق أيضًا. فإذا أنهى التآكل المشاهدة قبل وقوع إخفاق التسرب، فسجّل الحدث الذي أنهى المشاهدة وزمن التسرب الخاضع للرقابة كليهما. ويجمع <a href="https://www.itl.nist.gov/div898/handbook/apr/section1/apr181.htm">نموذج NIST للمخاطر المتنافسة</a> الآليات بافتراض استقلالها ووقوع الإخفاق الأول. وإذا عزز تحرك الوصلة التآكل والتسرب معًا، فتحقق من هذا السبب المشترك عند اختيار النموذج.</p>
<h2 id="read-the-confidence-bound-beside-the-life-estimate">اقرأ حد الثقة بجوار تقدير العمر</h2>
<p><strong>حد الثقة</strong> يعبّر عن عدم اليقين في كمية مقدرة للمجتمع في ظل افتراضات التحليل. ويجيب حد الثقة الأدنى لـB10 عن سؤال مختلف عن التقدير النقطي لـB10. أدرج مستوى الثقة وصيغته أحادية الطرف أو ثنائية الطرف وطريقة حسابه بجوار القيمة.</p>
<p>لنفترض مثلًا أن أحد المتطلبات يشترط حد ثقة أدنى أحادي الطرف عند 95% لـB10 لا يقل عن 1,000 h. إذا أظهر تقرير افتراضي تقديرًا نقطيًا لـB10 مقداره 1,300 h وهذا الحد الأدنى مقداره 900 h، فهو لا يفي بالمتطلب. ولا يعوض الفائض البالغ 300 h في التقدير النقطي عن النقص البالغ 100 h في الحد المطلوب.</p>
<p>أقرأ حجم العينة وعدد الإخفاقات مع هذه المقارنة. ففاصل الثقة يتعلق بعدم اليقين في المئين أو المعلمة المقدرة؛ وهو يختلف عن فترة زمنية تحتوي تلك النسبة من أعمار الوحدات الفردية. عند مقارنة التقارير، استخدم مقياس العمر واصطلاح الثقة ونقطة النهاية وأساس التعرض نفسه.</p>
<p>عند عدم وقوع أي إخفاق، اذكر عدد الوحدات التي بقيت ومدة بقائها. ففي ملاءمة غير مقيدة لتوزيع ويبل ذي معلمتين، يمكن أن تستمر زيادة المقياس في رفع الاحتمال الكلي لبيانات الوحدات الناجية كلها، ولذلك لا تحدد المشاهدات وحدها تقديرًا محدودًا للشكل والمقياس. ويمكن لطريقة منفصلة ومحددة لإثبات الموثوقية أن تستخدم نتائج البقاء هذه وفق افتراضاتها المعلنة.</p>
<p>تسلسل قراءة مفيد هو تحديد مقياس العمر، وفحص البيانات المرصودة والخاضعة للرقابة، والتحقق من ملاءمة النموذج، ثم مقارنة حد الثقة المطلوب. تابع العنصر الذي يحكم القرار: مدة التعرض أو عدد الإخفاقات أو اختلاط المجتمعات أو عدم اليقين في الآلية.</p>
<h2 id="connect-accelerated-test-life-to-service-conditions">اربط عمر الاختبار المعجل بظروف الخدمة</h2>
<p>يصف منحنى ويبل الملائم عند إجهاد مرتفع تلك الظروف. ولإسقاط النتائج على الاستخدام العادي، اجمع توزيع العمر بعلاقة تسريع تخص آلية الإخفاق المعنية. وتوضح <a href="https://www.itl.nist.gov/div898/handbook/apr/section4/apr43.htm">إرشادات NIST لإسقاط الموثوقية عند ظروف الاستخدام</a> أهمية كلا النموذجين، ولا سيما عندما يقع تنبؤ الخدمة في الطرف المبكر قليل المشاهدات.</p>
<p>تحقق من أن ظروف الاختبار المعجل والخدمة تحافظ على الآلية نفسها. فقد تغير الحرارة الأعلى عملية تدهور مادة الإحكام، بينما يمكن للرطوبة والمواد الكيميائية والحركة أن تؤثر في التجميعة بطرق مختلفة. تعامل مع سجل الإجهاد بوصفه جزءًا من النموذج بدل جمع ساعات غير مترابطة في عداد عمر واحد. ويربط <a href="/ar/blog/how-does-environmental-aging-affect-cable-gland-seal-performance-over-time/">دليل تقادم عناصر الإحكام</a> هذه الإجهادات بوظيفة عنصر الإحكام.</p>
<p>أبحث عن مشاهدات عند إجهاد أقل أو مدة أطول أو في الميدان للتحقق من الإسقاط قرب ظروف الاستخدام المقصودة. احتفظ بتقدير ظروف الاختبار بوحداته الأصلية من الساعات أو الدورات، واذكر ملف الاستخدام عند التنبؤ بالخدمة. وهكذا تظل قيمة B10 مرتبطة بمجتمع محدد وحدث إخفاق ونموذج تعرض محدد عندما تُستخدم في قرار صيانة أو تصميم.</p>
<h2 id="conclusion">الخلاصة</h2>
<p>يصف B10 والعمر المميز ومتوسط العمر أجزاء مختلفة من نموذج عمر ويبل. وقد يخفي العمر المميز نفسه سلوكًا مختلفًا جدًا للإخفاقات المبكرة؛ لذا قارن المقياس الذي يطابق التعرض والقرار المقصودين. وأبقِ العينات التي أخفقت والناجية ضمن التحليل مع حالتها الصحيحة.</p>
<p>أقرأ حد الثقة إلى جانب التقدير النقطي، ثم أتحقق من المجتمع وتعريف الإخفاق وظروف الإجهاد. وتوضح الأمثلة المحلولة سبب تغيير هذه التفاصيل للإجابة العددية. وللتنبؤ بعمر الخدمة، اربط نموذج الاختبار بالآلية الفعلية وملف الاستخدام قبل تطبيق النتيجة على قرارات الصيانة أو التصميم.</p>
<h2 id="faq-about-weibull-reliability-analysis">أسئلة شائعة عن تحليل موثوقية ويبل</h2>
<h3 id="is-weibull-characteristic-life-the-average-life">هل يمثّل العمر المميز لويبل متوسط العمر؟</h3>
<p>العمر المميز هو قيمة المقياس، وعندها يصل النموذج ذو المعلمتين إلى نحو 63.2% من الإخفاقات التراكمية. أما متوسط العمر فيعتمد على كل من الشكل والمقياس، وهو كمية مختلفة. اقرأ المقياس المذكور في التقرير قبل مقارنة المدد؛ إذ يركز B10 على التعرض المبكر للإخفاق عند المئين العاشر.</p>
<h3 id="how-should-specimens-that-survive-the-test-be-recorded">كيف ينبغي تسجيل العينات التي تجتاز الاختبار؟</h3>
<p>احتفظ بوقت آخر مشاهدة، وحالة الرقابة اليمنى، وسبب انتهاء المشاهدة. تُظهر هذه السجلات استمرار بقاء العينة حتى ذلك الوقت، كما تسهم في تحليل العمر. استخدم طريقة تحليل تقبل البيانات الخاضعة للرقابة. أما الإخفاقات التي تُكتشف بين الفحوص، فاحتفظ بفترة آخر اجتياز وأول إخفاق بدلًا من تعيين وقت حدث دقيق.</p>
<h3 id="what-does-b10-say-about-individual-cable-entries">ماذا يخبرنا B10 عن مداخل الكابلات الفردية؟</h3>
<p>يمثل B10 تعرض النموذج عند بلوغ الإخفاقات التراكمية 10%، وهو ما يعادل بقاء 90% من الوحدات في ظل الظروف المحددة. تفشل بعض الوحدات في وقت أبكر وبعضها في وقت لاحق. كما أن للتقدير قدرًا من عدم اليقين، لذا قارن حد الثقة المطلوب عند تقييم هدف الموثوقية. ويأخذ تخطيط الصيانة أيضًا في الاعتبار عواقب الإخفاق وملف الخدمة.</p>
<h3 id="how-can-an-accelerated-weibull-curve-support-a-service-life-prediction">كيف يمكن لمنحنى ويبل المعجل أن يدعم التنبؤ بعمر الخدمة؟</h3>
<p>اجمع بين توزيع العمر ونموذج تسريع للآلية المعنية وظروف الاستخدام. تحقق من استمرار انطباق الآلية، وقارن الإسقاط بمشاهدات مناسبة عند إجهاد أقل أو مدة أطول أو في الميدان. أبقِ المجتمع ومعيار الإخفاق وساعة التعرض وعدم اليقين واضحة عند تفسير العمر المتوقع.</p>
<h3 id="sources-and-technical-references">المصادر والمراجع الفنية</h3>
<ul>
<li><a href="https://webstore.iec.ch/en/publication/5698">IEC 61649:2008 — تحليل ويبل</a>، تاريخ الاطلاع 2026-10-29.</li>
<li><a href="https://www.itl.nist.gov/div898/handbook/apr/section1/apr131.htm">NIST — الرقابة على البيانات</a>، تاريخ الاطلاع 2026-10-29.</li>
<li><a href="https://www.itl.nist.gov/div898/handbook/apr/section1/apr162.htm">NIST — نموذج ويبل للعمر</a>، تاريخ الاطلاع 2026-10-29.</li>
<li><a href="https://www.itl.nist.gov/div898/handbook/eda/section3/eda3668.htm">NIST — توزيع ويبل وقيم التقسيم الاحتمالي</a>، تاريخ الاطلاع 2026-10-29.</li>
<li><a href="https://www.itl.nist.gov/div898/handbook/apr/section4/apr412.htm">NIST — تقدير الاحتمال الأعظم</a>، تاريخ الاطلاع 2026-10-29.</li>
<li><a href="https://www.itl.nist.gov/div898/handbook/apr/section2/apr221.htm">NIST — رسم مخطط الاحتمال</a>، تاريخ الاطلاع 2026-10-29.</li>
<li><a href="https://www.itl.nist.gov/div898/handbook/apr/section1/apr181.htm">NIST — نموذج المخاطر المتنافسة</a>، تاريخ الاطلاع 2026-10-29.</li>
<li><a href="https://www.itl.nist.gov/div898/handbook/apr/section4/apr413.htm">NIST — مثال تطبيقي لتقدير ويبل بالاحتمال الأعظم</a>، تاريخ الاطلاع 2026-10-29.</li>
<li><a href="https://www.itl.nist.gov/div898/handbook/apr/section4/apr43.htm">NIST — إسقاط الموثوقية عند ظروف الاستخدام</a>، تاريخ الاطلاع 2026-10-29.</li>
</ul>
