3、数据类型与来源：可靠性测试数据统计分析的基础
可靠性测试数据统计分析的首要任务，是明确“我们在分析什么数据”以及“这些数据从何而来”。数据类型决定了统计模型的适用边界，数据来源与采集方式决定了数据的可信度与完整性，而测试设计则直接决定了数据中信息的含量与结构。本章将系统梳理可靠性测试数据的三大类型（寿命数据、退化数据、截尾数据），阐述数据采集的方法论，并深入解析定时截尾与定数截尾两种最常用的试验设计，为后续的分布拟合、参数估计与可靠性评估奠定坚实的数据基础。
3.1 可靠性测试数据的三大类型
可靠性数据从信息形态上可分为寿命数据、退化数据和截尾数据三大类。理解这三类数据的本质区别，是选择统计分析方法的第一步。
3.1.1 寿命数据（失效时间数据）
核心原理：寿命数据记录的是产品从开始工作到发生失效所经历的时间（或循环次数、里程等度量）。这是最经典、最直接的可靠性数据形式。例如，某型号轴承在额定载荷下运转至疲劳剥落的时间，某电源模块在高温老化箱中工作至输出超差的时间。寿命数据通常呈现右偏分布特征，常用对数正态分布、Weibull分布或指数分布进行拟合。
判断方法：判断一组数据是否为寿命数据，需满足两个条件：① 每个样本都有明确的失效时刻；② 该时刻是连续型或离散型随机变量。若样本在观测窗口内未失效，则属于截尾数据而非完整寿命数据。
3.1.2 退化数据（性能劣化数据）
核心原理：退化数据描述产品性能特征量随时间或应力的变化过程，如LED光通量衰减、电池容量下降、绝缘电阻降低、磨损量增加等。退化数据的关键在于：产品尚未“失效”，但性能已偏离初始值。通过建立退化轨迹模型（线性、指数、幂律等），可以外推产品达到失效阈值的时间，从而估计寿命分布。
操作流程：① 确定关键性能参数（如光通量、容量、磨损深度）；② 设定失效阈值（如光通量衰减至初始值的70%）；③ 在多个时间点测量性能值；④ 对每个样本拟合退化轨迹；⑤ 外推穿越阈值的时间作为伪寿命数据。
| 数据类型 | 信息载体 | 统计模型 | 适用场景 |
|---|---|---|---|
| 寿命数据 | 失效时刻 | Weibull、指数、对数正态 | 电子元件、机械部件 |
| 退化数据 | 性能随时间变化 | 退化轨迹+外推 | LED、电池、润滑剂 |
| 截尾数据 | 部分失效+部分未失效 | 极大似然估计（MLE） | 高可靠长寿命产品 |
3.1.3 截尾数据（删失数据）
核心原理：截尾数据是可靠性试验中最常见的数据形态，指样本的精确失效时间未知，仅知道其在某个时间点之前未失效（右截尾）、在某个时间点之前已失效（左截尾）或落在某个区间内（区间截尾）。右截尾是最普遍的形式，例如定时截尾试验中试验结束时仍未失效的样本。
常见误区：初学者常将截尾数据视为“无效数据”而剔除，这是严重错误。截尾数据包含了“该样本在t时刻仍然存活”的重要信息，若剔除将导致寿命分布被低估（平均寿命偏短）。正确的做法是将截尾数据纳入似然函数，通过MLE方法充分利用其信息。
3.2 数据采集方法与工程约束
数据采集不是简单的“记录数据”，而是涉及传感器选型、采样频率设定、环境监测、数据清洗的系统工程。采集质量直接决定统计分析的可靠性。
3.2.1 受控试验数据采集
操作流程：① 明确试验目的与应力水平（如温度85°C、湿度85%RH）；② 确定样本量（一般不少于10个，截尾试验建议20~30个）；③ 布置传感器（热电偶、应变片、电流探头等）；④ 设定采样频率（退化数据建议高频采样，寿命数据可低频巡检）；⑤ 同步记录环境应力（温度、湿度、振动）与响应信号；⑥ 数据存储与备份（建议原始数据+处理数据双备份）。
3.2.2 现场/外场数据采集
现场数据来自产品实际使用环境，具有真实性强、样本量大但噪声高的特点。采集方式包括：售后维修记录、远程监控系统（IoT）、定期巡检数据、用户反馈等。现场数据需特别注意使用环境记录（温度、湿度、负载谱）和失效定义的一致性（不同维修人员对“失效”的判断标准可能不同）。
3.3 常见测试设计：定时截尾与定数截尾
截尾试验设计是在试验时间与信息量之间寻求平衡的艺术。两种最经典的方案是定时截尾（Type I）和定数截尾（Type II）。
3.3.1 定时截尾试验（Type I Censoring）
核心原理：预先设定试验截止时间T，试验进行到T时无论失效多少都停止。此时失效数r是一个随机变量，可能为0（全部未失效）也可能为n（全部失效）。定时截尾的优点是试验时间可控，便于资源调度；缺点是若产品可靠性极高，可能到T时失效数极少，导致统计推断精度不足。
判断方法：当试验时间受项目周期或成本严格限制时，优先选择定时截尾。例如，某通信设备要求MTBF≥10万小时，但项目只有3个月验证时间，则只能采用定时截尾（如T=2000小时）并外推。
# 定时截尾试验数据示例（n=10, T=1000h）
失效时间(h): 312, 458, 679, 892
截尾时间(h): 1000, 1000, 1000, 1000, 1000, 1000
# 失效数 r=4, 截尾数 n-r=63.3.2 定数截尾试验（Type II Censoring）
核心原理：预先设定失效数r，当观察到第r个失效时立即停止试验。此时试验截止时间T是一个随机变量。定数截尾的优点是保证了失效样本数量，统计推断精度稳定；缺点是试验时间不可控，若产品可靠性极高，可能需要极长时间才能达到预定失效数。
操作流程：① 根据估计的MTBF和期望的置信水平，计算所需失效数r（通常r≥5，推荐r≥10）；② 持续试验直至出现第r个失效；③ 记录所有失效时间及试验总时长。
| 对比维度 | 定时截尾（Type I） | 定数截尾（Type II） |
|---|---|---|
| 固定参数 | 时间 T 固定 | 失效数 r 固定 |
| 随机参数 | 失效数 r 随机 | 截止时间 T 随机 |
| 时间可控性 | 完全可控 | 不可控 |
| 信息量稳定性 | 可能信息不足 | 信息量稳定 |
| 适用场景 | 项目周期紧、预算有限 | 需保证统计精度 |
3.3.3 案例拆解：某工业机器人减速器寿命试验设计
背景与约束：某机器人厂商需验证减速器在额定负载下的B10寿命（可靠度为90%时的寿命）是否达到20000小时。项目周期仅6个月（约4320小时），试验台位只有5个，每个台位可同时测试2个样品（共10个样品）。
初始现象与目标：初步摸底试验显示，该减速器在额定负载下运行3000小时左右开始出现磨损，但无早期失效。目标是在有限时间内，以90%置信度验证B10≥20000小时。
关键输入数据与参数：根据历史数据，减速器寿命服从Weibull分布，形状参数β≈2.5。采用定时截尾方案，设定T=4320小时（6个月连续运行）。
分析判断过程：若10个样品全部通过4320小时无失效，则根据Weibull分布可靠性置信下限公式，可计算在90%置信度下B10的下限。经计算，当n=10、r=0时，B10下限约为T×(ln(1/0.9)/ln(1/0.1))^(1/β) ≈ 4320×(0.105/2.303)^(0.4) ≈ 4320×0.105^0.4 ≈ 4320×0.398 ≈ 1719小时，远低于20000小时目标。因此，零失效方案无法验证目标。
实际操作步骤：① 改用加速寿命试验，将转速提高至额定值的1.5倍（对应应力加速系数AF≈8）；② 等效试验时间T_eff = 4320×8 = 34560小时；③ 在加速条件下进行定时截尾试验，设定T_acc = 4320小时；④ 若10个样品在加速条件下无失效，则B10下限 ≈ 34560×0.398 ≈ 13755小时，仍不足20000小时；⑤ 增加样本量至20个（利用其他项目空闲台位），则B10下限 ≈ 34560×(0.105/2.303)^(0.4)×(20/10)^(1/2.5) ≈ 13755×1.32 ≈ 18157小时，接近目标；⑥ 最终采用“20个样品+加速应力+定时截尾”方案，并接受B10下限约1.8万小时的结果，同时建议客户在6个月后追加现场数据验证。
结果对比与复盘：该方案在6个月内完成了验证，虽然B10下限未完全达到20000小时，但已覆盖90%置信度下的工程可接受范围。复盘经验：① 定时截尾试验在样本量不足时，可通过加速应力补偿；② 样本量从10增至20，B10下限提升约32%，但台位成本增加一倍，需权衡；③ 若采用定数截尾（设定r=5），预计需要更长时间，不适合本项目周期。
3.4 常见误区与总结复盘
误区一：混淆截尾类型。将定时截尾数据当作定数截尾处理，会导致似然函数错误，参数估计偏差。务必在数据记录中明确标注截尾类型。
误区二：忽略截尾数据的价值。截尾样本并非“废数据”，它们提供了“存活时间≥T”的信息。在MLE中，截尾样本的似然贡献为S(T)=1-F(T)，对估计形状参数和尺度参数均有影响。
误区三：退化数据与寿命数据混用。退化数据需先外推为伪寿命数据，再进行寿命分布拟合。若直接将退化量当作寿命数据，会引入系统性偏差。
误区四：试验设计未考虑失效模式。若产品存在多种失效模式，应分别记录并分析，或采用竞争失效模型。混合失效模式会导致Weibull图出现明显拐点，拟合优度极差。