1. 可靠性寿命数据工程导论
可靠性工程的核心问题可以概括为一句话：在给定使用与环境条件下，产品能维持规定功能多久，以及这个“多久”的不确定性有多大。要回答这个问题，第一步不是选分布、也不是套软件，而是把工程现场发生的失效事件，转化为可被统计模型处理的寿命变量。这一步做错，后续所有拟合、外推和寿命预测都会失去意义。
一、寿命变量的定义：从“时间”到“事件刻度”
寿命变量通常记为 T，表示从规定起点到失效（或规定退化阈值）发生所经历的度量值。工程中 T 不一定以小时计，常见刻度包括：
- 日历时间：如运行小时、飞行小时，适用于连续工作的设备；
- 循环次数：如疲劳载荷循环、开关动作次数，适用于机械与继电器类产品；
- 里程：如汽车、轮胎、轴承的公里数；
- 冲击/应力累积量：如振动累积损伤、腐蚀深度达到阈值。
定义寿命变量时必须同时明确三件事：起点（出厂、开始使用、维修后重新计时）、终点判据（完全失效、性能退化到阈值、预防性更换）、度量刻度。三者任一含糊，数据就不可比。例如同一批轴承，若一部分以“出现异响”为失效、另一部分以“振动超限”为失效，则 T 的定义不一致，不能直接合并建模。
二、四类数据类型：完全数据与三种删失
实际收集到的寿命数据很少全部是“精确失效时刻”。按观测完整程度，可分为四类：
| 类型 | 观测信息 | 典型场景 |
|---|---|---|
| 完全数据 | 精确知道失效时刻 T=t | 试验中持续监测到失效发生 |
| 右删失 | 知道 T>t，失效尚未发生 | 试验结束时仍存活的样品；现场仍在运行的产品 |
| 左删失 | 知道 T<t，失效发生在观测之前 | 首次检查时已失效，但不知具体何时失效 |
| 区间删失 | 知道 t₁<T<t₂ | 定期巡检，两次检查之间发生失效 |
右删失在可靠性中最常见，也最容易被误处理。若把“试验结束时仍存活”的样品直接丢弃，会系统性高估失效率、低估寿命；正确做法是将其作为右删失样本纳入似然函数。左删失常见于售后返修数据：产品退回时已失效，但用户无法说明何时开始失效。区间删失则普遍存在于按周、按月巡检的现场数据中。
三、截尾试验数据与现场失效数据的区别
两类数据都含删失，但工程含义与建模处理差异很大：
- 截尾试验数据：在受控条件下主动停止试验（定时截尾或定数截尾），样本量、应力水平、失效判据明确，删失机制“人为可控”，适合估计分布参数与验证指标。
- 现场失效数据：来自真实使用，应力谱复杂、失效判据不统一、存在漏报与误报，删失机制“不可控”，更适合校核模型、修正设计假设与制定维护策略。
工程上常见的做法是：用截尾试验数据建立初始寿命分布模型，再用现场数据做贝叶斯更新或拟合优度校核。两者不能简单拼接，因为使用条件与失效定义往往不同。
四、寿命分布与模型选择在工程中的定位
寿命分布（如指数、威布尔、对数正态、伽马）是对失效随机性的数学描述；模型选择则是判断哪一类分布能较好解释当前数据。它们在可靠性设计、验证与运维中承担不同角色：
- 设计阶段：用分布假设做寿命预测与可靠度分配，例如以威布尔形状参数判断失效模式是早期、随机还是耗损型；
- 验证阶段：用截尾试验数据估计 B10 寿命、MTTF，并检验是否满足指标；
- 运维阶段：用现场数据更新分布参数，支撑预防性更换周期与备件策略。
下图给出从“工程事件”到“寿命模型”的完整数据链路，重点标出四类数据在链路中的位置与删失方向，帮助建立整体认知。
五、一个可操作的数据登记示例
为避免“数据到手才发现不可用”，建议在收集阶段就按统一字段登记。以下为某型工业泵轴承的寿命数据登记表示例（数据为教学假设，非实测）：
样品编号 起点 终点判据 观测值(小时) 数据类型 备注
B-01 出厂 振动超限 3120 完全数据 精确记录
B-02 出厂 试验结束未失效 4000 右删失 定时截尾
B-03 出厂 首次巡检已失效 未知(<500) 左删失 返修件
B-04 出厂 巡检间隔内失效 500~1000 区间删失 周检
B-05 维修后 振动超限 1850 完全数据 重新计时
登记完成后，先检查起点与终点判据是否一致，再按删失类型分别标记。只有完成这一步，才能进入分布拟合与模型选择。若把 B-02 当作“4000 小时失效”处理，或把 B-03 直接删除，都会使后续 B10 寿命估计产生明显偏差。