2. 寿命数据与删失机制

在可靠性工程中，我们真正关心的往往不是“产品已经坏了多久”，而是“它还能撑多久”。但现实中的寿命试验很少能等到所有样本都失效：有的样本在试验结束时仍然正常，有的样本在安装前就已失效，有的只知道失效发生在两次检查之间。这类“没有观测到确切失效时刻”的数据，就是删失数据（censored data）。理解删失机制，是后续做可靠性区间估计的前提——因为不同的删失类型，对应着完全不同的似然函数和估计方法。

一、寿命数据的三种基本形态

从观测完整程度看，寿命数据可分为三类：

• 完全数据（complete data）：每个样本的确切失效时间都被记录，例如 10 只轴承全部跑到失效，得到 10 个精确寿命值。
• 删失数据（censored data）：只知道失效时间落在某个范围内，而非精确值。
• 截断数据（truncated data）：样本本身被筛选过，例如只统计已失效的产品，未失效者根本不进入数据集。截断与删失常被混淆，但截断改变的是“样本能否被观测到”，删失改变的是“观测到多少信息”。

本节聚焦删失。删失的核心特征是：我们仍然知道该样本“存活到了某个时刻”，这份信息必须被利用，而不能简单丢弃。

二、右删失、左删失与区间删失

按失效时刻相对于观测窗口的位置，删失分为三种方向：

右删失（right censoring）是最常见的形式。样本在观测结束时仍未失效，我们只知道其寿命 T 大于某个时间 t，即 T > t。例如对 20 个继电器做 1000 小时寿命试验，结束时 14 个已失效、6 个仍正常，这 6 个就是右删失样本，其寿命大于 1000 小时。

左删失（left censoring）指失效发生在观测开始之前，只知道 T < t。典型场景是：一批元器件在入库前已失效，但具体何时失效无从得知，只能确认“在首次检查前就坏了”。

区间删失（interval censoring）指失效发生在两次检查之间，只知道 t₁ < T < t₂。这在定期巡检的设备中极为普遍：每月检查一次，某台设备在 3 月末正常、4 月末失效，则其寿命落在 (3, 4] 月区间内。

三、I 型与 II 型删失：两种试验设计

右删失在实践中又常按“停止试验的规则”分为两类：

• I 型删失（时间截尾）：预先设定试验截止时间 t₀，到点即停。失效数 r 是随机的。优点是试验周期可控，缺点是若产品可靠性高，可能失效样本太少，估计精度差。
• II 型删失（失效数截尾）：预先设定失效样本数 r，达到 r 个失效就停止。试验时间随机。优点是保证有足够失效数据用于估计，缺点是若产品寿命很长，试验可能拖很久。

两者在似然函数中的表达不同：I 型删失的停止时间是固定的，II 型删失的停止失效数是固定的，后者在构造置信区间时需考虑“第 r 个次序统计量”的分布特性。

四、随机删失

当每个样本的删失时刻本身也是随机变量时，称为随机删失（random censoring）。例如在多中心临床或现场可靠性跟踪中，不同设备因检修、搬迁、人为停用等原因在不同时间退出观测，退出时刻 C_i 与寿命 T_i 相互独立。此时观测数据为 (Y_i, δ_i)，其中 Y_i = min(T_i, C_i)，δ_i = 1 表示失效、0 表示删失。随机删失是生存分析中最一般的框架，I 型、II 型删失都可视为其特例。

五、删失机制的可视化与识别

下面这张图用时间轴对比了四种典型删失情形，帮助快速识别数据属于哪一类。图中横轴为时间，每个样本用一条线段表示其被观测到的存活区间，实心点表示确切失效，空心点表示删失边界。

识别删失类型时，建议按以下顺序检查：第一，失效时刻是否精确记录？若是，为完全数据。第二，若只知道“活过了某时刻”，是右删失；若只知道“没活到某时刻”，是左删失；若知道落在两时刻之间，是区间删失。第三，若右删失，再看停止规则：固定时间停止为 I 型，固定失效数停止为 II 型。第四，若每个样本的退出时刻各不相同且随机，则归入随机删失框架。

六、删失对估计的影响

删失数据不能简单当作“未失效”或“已失效”处理。若把右删失样本直接剔除，会系统性高估失效率；若把它们当作在删失时刻失效，又会低估寿命。正确做法是在似然函数中分别贡献：失效样本贡献概率密度 f(t)，右删失样本贡献可靠度 R(t)，左删失样本贡献分布函数 F(t)，区间删失样本贡献 F(t₂) − F(t₁)。这也是后续章节构造置信区间的基础。

掌握删失机制后，面对一份寿命数据，应先画出类似上面的时间轴图，标注每个样本的观测区间与失效状态，再据此选择对应的似然函数和估计方法。这一步做对，后续的区间估计才有可靠基础。