📚 课程目录第4章可靠性数据收集与统计分析

4. 可靠性数据收集与统计分析

可靠性约束设计与优化不是凭经验“拍脑袋”定指标，而是以数据为依据的定量工程活动。可靠性数据收集与统计分析承担两个任务：一是把现场、试验、售后中产生的原始记录整理成可分析的数据集；二是用统计方法从数据中估计寿命分布参数、验证分布假设，从而为可靠性指标分配、验证与改进提供依据。本节围绕数据类型与来源、完全数据与截尾数据处理、参数估计方法、拟合优度检验四个环节展开。

一、数据类型与来源

可靠性数据按取值性质可分为失效时间数据（连续型，如某轴承失效前运行小时数）、失效计数数据（离散型，如某批次产品在保修期内的返修台数）、成败型数据（二值型，如发射试验成功/失败）以及性能退化数据（如某电源模块输出电压随时间的漂移量）。按来源可分为：

试验室寿命试验：数据质量高、条件可控，但样本量与试验时间受限，常出现截尾；
现场使用与售后数据：最贴近真实工况，但记录不完整、失效判定标准不统一，需清洗；
加速寿命试验：通过提高应力（温度、电压、振动）缩短试验周期，需借助加速模型外推；
研制与生产数据：包括元器件筛选、环境应力筛选、老炼记录，可用于早期故障分析。

收集时应明确失效判据（什么算失效）、时间基准（工作小时、日历时间还是循环次数）和记录粒度。例如某型工业电源规定“输出电压偏离额定值超过±5%且持续10 s即判失效”，若判据不统一，后续统计结果将不可比。工程上常用“三源合一”原则：试验数据、现场数据、同类产品数据相互印证，避免单一来源偏差。

二、完全数据与截尾数据处理

完全数据指每个样本的失效时间都被完整观测到，即所有样本均失效且失效时刻已知。它信息最完整，但代价高——要等全部样本失效，试验时间可能极长。

截尾数据指只观测到部分样本的失效时间，其余样本在观测结束时尚未失效或中途退出。常见类型：

右截尾：样本在观测截止时仍正常，只知道寿命大于观测时间，最常见；
左截尾：只知道失效发生在某时刻之前；
区间截尾：只知道失效发生在两次检查之间（如定期巡检）；
定数截尾：试验进行到第 r 个样本失效即停止；定时截尾：试验进行到预定时间 T 停止。

截尾数据不能简单丢弃，否则会系统性低估寿命。正确做法是把“未失效”作为“寿命大于 t”的信息纳入似然函数。以右截尾为例，若 n 个样本中 r 个失效、n−r 个在时间 t_i 截尾，指数分布参数 λ 的似然函数为

L(λ) = Π_{失效} λ·exp(−λ·t_i) × Π_{截尾} exp(−λ·t_i)
      = λ^r · exp(−λ · Σ t_i)
λ̂ = r / Σ t_i        （总试验时间含截尾样本的观测时间）

可见截尾样本的观测时间仍进入分母，这正是“不丢弃”的体现。实操中应建立数据表，至少包含：样本编号、投入时间、失效/截尾标志、失效时间或截尾时间、失效模式、应力条件。标志位（如 1=失效，0=截尾）是后续软件分析的关键字段。

三、参数估计方法

可靠性工程中最常用的寿命分布是指数分布（恒定失效率，适合偶然失效期）、威布尔分布（形状参数 β 可描述递减、恒定、递增失效率）和对数正态分布（适合疲劳、磨损等累积损伤型失效）。参数估计有三类方法：

极大似然估计（MLE）是首选。它天然支持截尾数据，只需写出含截尾项的似然函数并求极值。以威布尔分布为例，n 个样本中 r 个失效、其余右截尾，似然函数为

L(β, η) = Π_{失效} (β/η)(t_i/η)^{β−1} exp(−(t_i/η)^β)
        × Π_{截尾} exp(−(t_i/η)^β)

对 β、η 求偏导并令其为零，通常无解析解，需用数值迭代（如 Newton-Raphson）求解。工程软件（Minitab、ReliaSoft、Python 的 reliability 库、R 的 MASS::fitdistr）均内置该算法。

最小二乘估计常配合概率图使用：对失效时间排序，计算中位秩 F_i≈(i−0.3)/(n+0.4)，在威布尔概率纸上作线性化变换 ln[−ln(1−F_i)] 对 ln t_i 回归，斜率即 β，截距可反推 η。该方法直观、便于目视检查，但对截尾数据需用修正秩，精度略低于 MLE。

矩估计用样本均值与方差反解参数，计算简单但信息利用不充分，多用于初步估算。实际工程中推荐“MLE 为主、概率图辅助验证”的组合策略。

四、拟合优度检验

估计出参数后必须回答：所选分布是否真的拟合数据？常用手段有：

概率图目视检查：数据点应大致沿直线分布，两端偏离提示尾部拟合差；
Anderson-Darling（AD）检验：对小样本和尾部敏感，是可靠性领域最常用的检验，统计量越小越好，p 值大于显著性水平（常取 0.05）则不拒绝分布假设；
卡方检验：将数据分组比较观测频数与期望频数，要求样本量较大；
K-S 检验：适用于完全数据，对截尾数据需修正。

需要注意：不拒绝原假设不等于“分布正确”，只说明当前数据不足以否定它；样本量很小时检验功效低，应结合工程判断与物理失效机理选择分布。例如机械疲劳失效优先考虑对数正态或威布尔，电子元器件偶然失效优先考虑指数分布。

实操建议：先用概率图快速判断分布族，再用 MLE 精估参数，最后用 AD 检验给出 p 值；若 p 值偏小，先排查是否混入了不同失效模式或不同批次的数据，而不是急于更换分布。

综上，可靠性数据分析是一条“采集—结构化—截尾处理—参数估计—拟合检验—结论输出”的闭环。数据表字段设计、截尾标志位的正确记录、MLE 似然函数的完整构造，以及 AD 检验结果的合理解读，是保证结论可信的四个关键控制点。只有把这条链走通，后续的可靠性指标分配、验证试验方案设计与优化才有可靠的数据基础。