3. 寿命数据探索性分析
拿到一组寿命数据后，最忌讳的做法是立刻套一个分布模型去拟合。寿命数据往往带有删失、样本量小、批次混杂等特点，直接拟合很容易被少数异常点或错误的分布假设带偏。探索性分析的目的，是在建模之前先用图形把数据的“形状”看清楚：失效是集中在早期、均匀地随机发生，还是随着时间推移越来越频繁。这三类模式分别对应早期失效、随机失效和耗损失效，它们的工程含义和后续处理策略完全不同。
本节围绕六类图形展开：直方图、经验分布函数（ECDF）、概率图、风险函数图、累积风险图、箱线图与分组比较。它们不是并列的六个工具，而是从不同角度逼近同一个问题——失效强度随时间如何变化。
直方图与经验分布函数：先看整体形状
直方图是最直观的起点。把寿命数据按时间分箱，统计每个区间的失效频数，就能看出分布是单峰、双峰还是明显偏斜。例如某批轴承的失效时间（单位：小时）为 120、180、210、260、300、340、420、520、680、900，分箱宽度取 200 小时，前几个箱频数较高、尾部稀疏，说明分布右偏，符合多数机械件寿命的典型特征。直方图的缺点是分箱宽度和起点会显著影响外观，因此它只适合做初步判断，不宜作为定量依据。
经验分布函数 F(t) 弥补了这一缺陷。它把失效时间排序后，用阶梯函数表示“到时刻 t 为止的累积失效比例”。对完全数据，第 i 个失效点处的 F 值约为 i/n；若存在右删失，则需改用 Kaplan-Meier 估计，每个失效点处的跳跃高度为 d_i/n_i，其中 d_i 是该时刻失效数，n_i 是该时刻之前的风险集人数。ECDF 的斜率直接反映失效密度：斜率陡说明该时段失效集中，斜率平说明失效稀少。把 ECDF 与 1 相减就得到可靠度函数 R(t) 的经验估计，这是后续所有分析的基准。
概率图：用直线检验分布假设
概率图的核心思想是坐标变换。以 Weibull 分布为例，其累积分布函数为 F(t)=1-exp[-(t/η)^β]，两边变形后可得 ln[-ln(1-F(t))]=β·ln t - β·ln η。若以 ln t 为横轴、ln[-ln(1-F(t))] 为纵轴，Weibull 数据应落在一条直线上，斜率就是形状参数 β。同理，对数正态概率图用正态分位数作纵轴，指数概率图用 ln[-ln(1-F)] 对 t 作图应为直线。
实际操作时，把排序后的失效时间 t_(i) 配上中位秩 F_i=(i-0.3)/(n+0.4)，在相应概率纸上描点。若点近似成直线，说明该分布假设成立；若明显弯曲，则需换分布或考虑混合分布。β 的估计值还能直接提示失效模式：β<1 对应递减风险（早期失效），β≈1 对应恒定风险（随机失效），β>1 对应递增风险（耗损失效）。这是概率图最有价值的副产品。
风险函数图与累积风险图：直接看失效强度
风险函数 h(t) 表示“存活到 t 的条件下，下一瞬间发生失效的速率”，它比密度函数更贴近工程直觉。经验风险函数的估计通常用核平滑或分段常数方法：把时间轴切成若干区间，每个区间的风险估计为（该区间失效数）/（区间内平均风险集人数 × 区间宽度）。若 h(t) 曲线前高后低，是典型的早期失效（浴盆曲线左段）；若近似水平，是随机失效；若持续上升，则是耗损失效。
累积风险函数 H(t)=∫₀ᵗ h(u)du 是风险函数的积分，它的经验估计为各失效点处跳跃高度之和。H(t) 的斜率就是 h(t)。对指数分布，H(t)=λt 是一条过原点的直线；对 Weibull 分布，H(t)=(t/η)^β，在双对数坐标下是直线，斜率即 β。因此累积风险图在双对数坐标下既能判断分布类型，又能读出形状参数，是探索性分析中信息量最大的图形之一。
箱线图与分组比较：识别批次差异
当数据来自多个批次、多个工况或多个供应商时，箱线图能快速暴露组间差异。把每组寿命数据画成箱线图，中位数、四分位距、须长和离群点一目了然。若某组中位数明显偏低且箱体窄，说明该批次寿命短且一致；若某组须很长、离群点多，说明工艺不稳定。分组比较时要注意删失数据不能直接画普通箱线图，应改用基于 Kaplan-Meier 分位数的箱线图，否则会低估寿命。
下面这张图把六类图形与三类失效模式的判断逻辑组织在一起，帮助你在实际分析中快速定位该看哪张图、得出什么结论。
实操中的关键细节
第一，删失处理不能省。若数据中有大量未失效样本（如试验结束时仍正常的样品），直接丢弃会严重高估失效速度。ECDF、H(t) 和分位数都必须用 Kaplan-Meier 或 Nelson-Aalen 估计。第二，样本量决定图形可信度。n<15 时概率图上的点会明显跳动，β 的估计不确定度很大，此时图形只用于定性判断，不宜直接给出参数点估计。第三，混合模式要警惕。若直方图出现双峰、概率图明显弯曲、H(t) 在双对数下分段呈不同斜率，说明数据可能来自两个不同失效机理的混合，应分组分析或使用混合 Weibull 模型。
第四，分组比较要控制变量。不同批次、不同工况、不同供应商的数据混在一起画箱线图，容易把工况差异误判为批次差异。正确做法是先按工况分层，再在层内比较批次。第五，图形结论要与工程背景交叉验证。若风险函数图显示早期失效，但工艺记录显示该批次来料检验全部合格，就需要进一步排查装配或运输环节，而不是简单归因于来料。
把上述图形结论整理成一张判断表，可以在团队评审时快速对齐认识。例如：β<0.9 且 h(t) 下降 → 早期失效，建议加强筛选；0.9≤β≤1.1 且 H(t) 近似直线 → 随机失效，可用指数模型；β>1.1 且 h(t) 上升 → 耗损失效，建议用 Weibull 并计算 B10 寿命。这张表不是替代定量分析，而是帮助工程师在建模之前先形成合理的先验判断，避免盲目拟合。