1. 可靠性数据全景与可视化诊断导论
可靠性工程的核心任务，是回答三个问题：产品在什么条件下会失效、失效的概率有多大、以及如何通过设计或维护降低这种概率。而这三个问题的答案，全部藏在数据里。可靠性数据可视化与模型诊断，本质上就是一套"从数据到判断"的方法体系——把分散在试验台、现场、传感器和维修记录中的原始信息，转化为可观察的图形结构，再借助图形暴露出的模式去检验、修正和选择可靠性模型。
本节先建立全局视角：可靠性数据从哪里来、有哪些类型、可视化在模型诊断中扮演什么角色，以及本课程将使用的项目场景与工具链。
一、可靠性数据的四类来源
可靠性数据并非单一来源，不同来源的数据在精度、样本量、成本和偏差特性上差异极大，理解这些差异是后续建模的前提。
- 寿命试验数据：在实验室对样本施加规定应力（温度、电压、振动、循环次数等），记录失效时间或失效时的累积应力。特点是条件可控、可重复，但样本量有限、试验周期长，且加速试验需要外推。
- 现场失效与维修数据：产品交付用户后的实际失效时间、失效模式、维修更换记录。样本量大、贴近真实使用，但存在删失严重、记录不规范、使用条件不可控等问题。
- 退化监测数据：对性能参数（如电池容量、轴承振动幅值、接触电阻）进行周期性测量，得到随时间变化的退化轨迹。它不依赖"是否失效"这一事件，能在失效发生前给出预警。
- 制造与筛选数据：来料检验、工艺参数、老化筛选、出厂测试结果。这类数据本身不是寿命数据，但常作为协变量解释批次间可靠性差异。
这四类数据在时间轴上的位置不同：制造与筛选数据在最前端，寿命试验和退化监测在中间，现场数据在末端。它们共同构成一条"可靠性数据链"，任何一环缺失都会削弱诊断结论的可信度。
二、数据类型与结构特征
从统计结构看，可靠性数据可分为三类，它们决定了后续能画什么图、能拟合什么模型。
| 数据类型 | 典型形式 | 关键特征 | 常用可视化 |
|---|---|---|---|
| 失效时间数据 | 精确失效时间、区间删失、右删失 | 存在删失，需用生存分析方法 | 经验分布函数图、概率图 |
| 退化数据 | 个体退化轨迹、多测点序列 | 重复测量，个体间存在随机效应 | 轨迹图、增量图、残差图 |
| 计数与属性数据 | 失效次数、缺陷数、合格/不合格 | 离散、常服从泊松或二项分布 | 累积失效数图、缺陷率控制图 |
需要特别强调的是删失。右删失指在观察期结束时样本仍未失效，只知道寿命大于某个值；区间删失指只知道失效发生在两个检查时刻之间。忽略删失会系统性低估寿命，这是可靠性数据分析中最常见的错误之一。可视化时，删失点必须用区别于失效点的符号标出，否则图形会误导判断。
三、可视化在模型诊断中的角色
很多人把可视化理解为"画图汇报"，但在可靠性建模中，图形首先是诊断工具。它的作用可以归纳为四个层次：
- 数据质量诊断：通过散点图、箱线图、时间序列图发现异常值、记录错误、批次跳变和测量漂移。
- 分布与模型选择：概率图（如威布尔概率图）把数据点变换到特定坐标系中，若近似成直线，则支持该分布假设；弯曲则提示分布不适用或存在混合总体。
- 模型拟合优度检验：残差图、QQ 图用于判断拟合残差是否随机分布，是否存在系统性偏差。
- 失效机理推断：威布尔形状参数 β 的取值直接对应失效模式——β<1 提示早期失效，β≈1 提示随机失效，β>1 提示磨损或老化失效。图形斜率的变化往往比数值更早暴露机理转变。
四、从数据到诊断的完整链路
下面这张图给出本节的核心结构：四类数据源经过清洗与结构化后，进入可视化诊断层，再分别支撑分布选择、参数估计和机理判断，最终回到工程决策。
图中左侧是四类数据源，它们经过清洗与结构化后汇入可视化诊断层。诊断层不是终点，而是分岔点：概率图用于判断分布假设是否成立，退化轨迹图用于观察退化速率是否稳定，残差图用于检验拟合质量。这些图形输出分别支撑分布选择、参数估计和失效机理判断，最终服务于寿命预测、维护策略和设计改进等工程决策。图中红色虚线表示反馈回路——当诊断发现模型与数据不符时，需要回到数据或模型层面修正，而不是强行接受一个拟合结果。
五、课程项目与工具链概览
本课程以一个贯穿始终的教学项目为载体：某型工业电源模块的可靠性评估。项目数据为合理构造的示例数据，包含三部分：
- 加速寿命试验数据：40 只样本，在 85℃、105℃、125℃ 三个温度水平下试验，记录失效时间与右删失样本；
- 现场返回数据：约 300 条维修记录，含安装日期、失效日期、失效模式代码；
- 退化监测数据：12 只样本的每月输出纹波电压测量值，共 24 个月。
工具链以 Python 为主：pandas 负责数据整理与删失标记，numpy 完成数值计算，matplotlib 与 seaborn 承担绘图，lifelines 和 reliability 库用于生存分析与分布拟合。所有图形均以可复现的脚本生成，参数和随机种子固定，便于对照学习。
# 示例：读取寿命试验数据并标记删失
import pandas as pd
df = pd.read_csv("alt_life_test.csv")
# time: 失效或删失时间; event: 1=失效, 0=右删失
df["event"] = df["status"].map({"failed": 1, "censored": 0})
print(df.groupby("temp")["event"].agg(["count", "sum"]))