2. 寿命数据采集与预处理实战

寿命数据分析的质量上限，在数据采集与预处理阶段就已经被决定了。无论后续选用威布尔、对数正态还是指数分布，如果输入的是单位混乱、删失标记丢失、批次混杂的时间数据，拟合结果再漂亮也没有工程意义。本节围绕三类典型数据源——试验台、现场维修记录、传感器日志——说明如何把它们整理成一张可分析、可追溯的寿命数据表。

三类数据源的特征与提取要点

试验台数据通常来自加速寿命试验或可靠性增长试验，特点是失效判据明确、时间精度高、删失信息完整。提取时要关注：失效时刻是相对试验开始还是相对该样本上电；试验结束时未失效样本必须标记为右删失，其时间为该样本的累计运行时间而非试验总时长；中途因非失效原因（如设备故障、人为停机）退出的样本属于随机删失，不能简单当作失效。

现场维修记录来自售后工单或维修系统，字段往往包括设备编号、故障日期、故障现象、更换部件、维修方式。它的核心难点是：记录的是"维修事件"而非"失效事件"，存在同一设备多次维修、预防性更换被误记为故障、以及大量设备从未报修（右删失）的情况。提取时需要按设备编号聚合，区分首次失效与重复维修，并把"截至统计日仍未失效"的设备补成右删失记录。

传感器日志提供连续监测数据，如温度、振动、电流。它本身不直接给出失效时间，而是通过阈值穿越或退化轨迹来定义失效。例如轴承振动烈度超过 4.5 mm/s 持续 30 分钟即判为功能失效，则首次满足该条件的时刻就是失效时间。传感器日志的价值在于能捕捉"软失效"和退化过程，但也带来采样间隔、丢包、时钟漂移等问题。

时间单位统一：从日历时间到运行时间

不同来源的时间口径必须归一到同一物理量。工程上推荐统一为累计运行小时，因为它与磨损、疲劳等退化机理直接相关。若原始记录是日历日期，需要乘以该设备的日均运行时长；若记录的是"月"，要明确是自然月还是 30 天，并在数据字典中固定换算系数。例如某现场记录"运行 14 个月"，按日均 8 小时折算为 14×30×8 = 3360 小时，这个折算系数必须写入元数据，否则不同分析人员会得到不同结果。

删失时间同样要统一口径。右删失样本的时间应为其实际累计运行时间，而不是从出厂到统计日的日历跨度。若某设备中途停机 3 个月，这 3 个月不应计入运行时间，否则会系统性高估删失样本的寿命，导致分布参数偏大。

异常值识别与缺失数据补全

异常值识别不能只看数值分布，必须结合物理合理性。常用做法是先用四分位距（IQR）筛出统计离群点，再逐条核对原始记录。例如某批轴承失效时间中出现 12 小时和 48000 小时两个极端值：12 小时可能是装配损伤导致的早期失效，属于真实数据应保留；48000 小时若远超设计寿命且无维修记录支撑，则可能是录入错误或单位误用，应标记待核。

缺失数据的处理取决于缺失机制。若失效时间缺失但删失状态已知，可保留该样本的删失信息，仅损失部分精度；若关键分层字段（如批次）缺失，建议单独归入"未知批次"组，而不是随意填补，以免污染分层分析。对于传感器日志中的短时丢包，若丢包时长小于采样间隔的 3 倍，可用线性插值补全；若长时间中断，应将该区间标记为数据缺口，在定义失效时间时避开该区间。

数据分层与可追溯性管理

寿命数据往往来自多个批次、多种工况、多个地域，直接混合拟合会掩盖真实的分布差异。分层的目的不是把数据切碎，而是让每一层内部尽量同质。建议至少保留三个分层维度：批次（原材料、工艺变更）、工况（负载、温度、启停频次）、地域（气候、电网质量、维护水平）。分层后若某层样本量不足 5 个，可考虑与相邻层合并，但合并规则要事先定义并记录。

可追溯性要求每一行分析数据都能回溯到原始记录。推荐在数据表中保留原始记录ID字段，并建立一份变更日志，记录每次清洗操作的时间、操作人、规则和影响行数。这样当后续发现某批数据异常时，可以快速定位是采集问题还是清洗引入的问题。

可直接使用的数据表模板

下表给出一个最小可用的寿命数据表结构，字段可根据实际项目增减，但删失类型和原始记录ID不建议省略。

完成上述步骤后，得到的就是一张"干净"的寿命数据表：时间口径一致、删失标记明确、异常值已复核、分层字段完整、每行可追溯。后续的分布拟合、参数估计和模型选择，都应基于这张表进行，而不是直接使用原始台账。