（1）传统经典的统计模型法[ ]
传统经典的统计模型方法数据分析主要是单元产品可靠性数据分析，把研究对象作为一个单元整体来讨论。工程上，武器装备的成败型试验可以使用二项分布描述，通常认为电子产品寿命服从指数分布，机械、机电产品寿命服从威布尔分布，而轴承疲劳寿命等服从对数正态分布。因此，单元产品的可靠性数据分析主要集中在二项分布、指数分布、威布尔分布和对数正态分布等常见分布，运用数理统计方法，给出分布参数的估计，进而得出所关注可靠性指标的估计。加拿大统计学家Lawless把相关的寿命数据分析方法进行归纳总结，于1981年出版了《寿命数据中的统计模型的方法》，该书中所列方法至今仍是寿命数据分析的主要方法。
（2）马尔可夫随机过程模型[ ， ]
马尔可夫随机过程模型在可靠性工程中主要应用于对可修复系统的可靠性分析。它的原始模型马尔可夫链，由俄国数学家Α.Α.马尔可夫于1907年提出。人们在实际中常遇到具有下述特性的随机过程：在已知它目前的状态（现在）的条件下，它未来的演变（将来）不依赖于它以往的演变（过去）。这种已知“现在”的条件下，“将来”与“过去”独立的特性称为马尔可夫性，具有这种性质的随机过程叫做马尔可夫过程。在研究中主要采用状态空间法来描述可修复系统的各个阶段的状态及彼此的变迁过程，状态间的彼此转移的概率与系统的历史状态无关，即无记忆性。例如，系统从正常运行状态到失效状态的变迁概率为常数，也就是故障函数服从指数分布。因此，马尔可夫随机过程适用于失效规律对应“浴盆曲线”中随机失效阶段的设备或系统。
（3）贝叶斯(Bayes)方法[ ， ， ]
随着制造行业的飞速发展，许多制造精良的高可靠性贵重设备、关键零部件，在可靠性评估中由于造价昂贵、试验费用高，根本无法投入大量试验样品，出现了大量小样本问题。因此，充分利用产品的先验信息，运用贝叶斯方法进行可靠性数据分析是一条有效的途径。Bayes方法的基本思想如下：它使用一个所谓的验前分布（反映以往经验）去表达关于未知分布参数θ的主观信息，将先验分布与现场样本按Bayes公式组合成一个验后分布。该分布综合了总体信息、样本信息及验前信息，达到了扩充子样容量的效果。进行贝叶斯可靠性数据分析，首先要明确产品寿命分布类型；随后根据收集到的历史资料等相关信息，合理确定产品寿命分布的先验信息，这是最重要的一步，因为先验信息的有效利用是贝叶斯方法优势所在，也是在工程中存在争议的焦点；再次，按照贝叶斯理论方法计算产品寿命的后验分布，对于复杂后验分布的计算，可采用Gibbs抽样等MCMC方法来实现；最后，根据工程需要，从后验分布中提取工程上所关注的可靠性指标的评估结果。
（4）模糊理论[ ， ， ]
随着科技发展，研究对象越来越复杂，复杂结构系统受多种因素影响，难以用数学或力学方法精确表达系统的状态。所以在实际可靠性分析中，总会遇到一些不确定性因素，若将这些不确定性因素作为确定性信息处理，有时会得到矛盾的或不合理的结果。这时就需要用模糊理论对系统做出研究。模糊理论是以模糊集合为基础，其基本精神是接受模糊性现象存在的事实，而以处理概念模糊不确定的事物为其研究目标，并积极的将其严密的量化成计算机可以处理的讯息，不主张用繁杂的数学分析即模型来解决问题。一般依赖专家经验或者集值统计来得到模糊事件的隶属函数，再采用一定的方法将隶属函数转换为其他可计算的概率密度函数、区间数等，或者采用模糊计算理论直接利用隶属函数干涉模型计算可靠度。 BP神经网络地铁牵引/电制动系统可靠性分析(5):http://www.youerw.com/zidonghua/lunwen_8741.html