4. 截尾与删失数据可视化

在可靠性工程中，我们很少能完整观测到每一个样本的失效时刻。试验结束时仍未失效的产品、只知在某个时间点之前已经失效但不知确切时刻的产品、以及只在定期检查中知道失效发生在两次检查之间的产品，构成了可靠性数据中最常见的三类信息不完整情形。若把这些数据当作完整失效时间处理，寿命分布参数会被系统性高估，可靠性评估结果将严重偏乐观。因此，理解删失机制并选择正确的可视化方法，是可靠性数据分析的第一道关口。

一、三种删失机制的定义与判别

先统一时间参照约定：本文所有时间轴均以“从试验或使用起点开始计时”为正方向，失效事件发生在观测窗口内的某个时刻。

右删失（right censoring）：只知道样本的寿命大于某个观测时间。典型场景是定时截尾试验——投入 20 个继电器，试验进行到 1000 小时停止，其中 12 个已失效，8 个仍正常。这 8 个样本的真实寿命都大于 1000 小时，记为右删失观测。右删失是最常见、也是生存分析工具最直接支持的类型。

左删失（left censoring）：只知道失效发生在某个时间点之前，但不知道确切时刻。例如某批电容器在出厂前抽检时发现部分已经失效，只能确认失效发生在抽检时刻之前。左删失在可靠性中相对少见，但在退化型产品（如电池容量衰减）的早期检测中会出现。

区间删失（interval censoring）：只知道失效发生在两个检查时刻之间。定期巡检的设备最典型：每月检查一次，某台泵在第 3 次检查时正常、第 4 次检查时已失效，则真实失效时间落在第 3 次与第 4 次检查之间。区间删失可以看作左删失与右删失的组合，信息量介于两者之间。

二、删失数据的图形化表达：从时间轴到生存曲线

最直观的删失数据图示是时间轴事件图。把每个样本画成一条水平线段，起点为 0，终点为观测结束时刻；失效样本用实心圆点标记在真实失效时刻，右删失样本用空心圆点标记在观测截止时刻，区间删失样本用一段加粗的区间条表示。这种图能一眼看出删失比例、删失发生的时间分布，以及是否存在大量样本集中在同一时刻删失（提示试验设计可能不合理）。

但时间轴事件图不能直接给出寿命分布。要估计可靠度 R(t) 或失效概率 F(t)，需要转向生存曲线（survival curve）。生存曲线的基本形式是阶梯函数：每当有样本失效，曲线下降一个台阶；右删失样本不引起下降，只减少后续风险集人数。Kaplan-Meier 估计是最常用的非参数方法，其核心思想是：在每一个失效时刻，用“该时刻失效数 / 该时刻之前仍在观察的样本数”作为条件失效概率，再连乘得到生存概率。

对于区间删失数据，Kaplan-Meier 不能直接使用，因为失效时刻不精确。此时常用Turnbull 估计或区间删失生存曲线：在每个检查区间内，生存概率只能确定一个范围，图形上表现为阶梯之间的“不确定带”。如果区间较宽，不确定带会明显变宽，提示需要加密检查频次或改用连续监测。

三、累积风险图：把“风险”从概率中分离出来

生存曲线回答“还剩多少可靠”，累积风险图回答“风险累积了多少”。累积风险函数 H(t) = -ln R(t)，在右删失数据下可由 Nelson-Aalen 估计得到。它的图形特征是单调递增的阶梯曲线，斜率越大表示该时段风险越高。与生存曲线相比，累积风险图对尾部风险更敏感：当生存曲线在尾部趋于平缓、肉眼难以分辨差异时，累积风险图仍能显示风险是否在持续累积。

在实际诊断中，一个常用技巧是：如果累积风险图近似为一条直线，说明失效过程接近指数分布（风险率恒定）；如果曲线向上弯曲，说明风险率随时间增大（磨损型失效）；如果向下弯曲，说明风险率随时间减小（早期筛选型失效）。这为后续选择 Weibull、指数或对数正态模型提供了直观依据。

四、一个可复现的示例：继电器定时截尾试验

假设对 20 个继电器进行 1000 小时定时截尾试验，记录到 12 个失效时刻（单位：小时）：120, 185, 240, 310, 365, 420, 510, 590, 660, 740, 850, 930；其余 8 个在 1000 小时时仍正常，记为右删失。用 Kaplan-Meier 估计生存曲线，关键计算如下：

# 伪代码：Kaplan-Meier 生存概率递推
# 风险集 n_i，失效数 d_i，生存概率 S(t)
S(0) = 1.0
在 t=120: n=20, d=1, S = 1.0 * (1 - 1/20) = 0.950
在 t=185: n=19, d=1, S = 0.950 * (1 - 1/19) = 0.900
在 t=240: n=18, d=1, S = 0.900 * (1 - 1/18) = 0.850
...
在 t=930: n=9,  d=1, S = 0.850 * ... * (1 - 1/9) ≈ 0.283
# 1000h 处 8 个样本右删失，S 不再下降，但风险集归零

把上述结果画成阶梯曲线，并在 1000 小时处标注 8 个删失标记，就得到该试验的生存曲线。若进一步计算 H(t) = -ln S(t)，可得到累积风险图。观察累积风险图在 600 小时之后的斜率是否明显增大，即可判断是否存在磨损型失效特征。

五、常见错误与判断依据

• 把删失样本直接剔除：会高估失效速度，生存曲线偏低。正确做法是保留在风险集中，直到删失时刻。
• 把区间删失当作右删失：用区间右端点代替真实失效时刻，会系统性高估寿命。应使用 Turnbull 或区间删失专用方法。
• 忽略删失标记：生存曲线尾部若没有删失标记，读者无法判断尾部估计的可靠性。建议始终标注。
• 用累积风险图判断分布时未看置信带：直线性判断应结合置信区间，避免过度解读尾部少数样本造成的波动。

总结来说，右删失、左删失和区间删失对应三种不同的观测窗口结构，图示方法也各有侧重：时间轴事件图用于展示删失模式，Kaplan-Meier 生存曲线用于右删失下的可靠度估计，Turnbull 方法用于区间删失，Nelson-Aalen 累积风险图则用于观察风险累积趋势并辅助分布判断。把这四类图配合使用，才能在数据不完整的条件下仍然得到可信的可靠性结论。