4. 寿命数据分析：完全数据与删失数据、Kaplan-Meier估计、寿命分布拟合、概率图分析
各位工程师，欢迎来到第四讲。今天聊的话题，是可靠性工程里最“硬核”的一块——寿命数据分析。
说白了，我们做可靠性，最终要回答一个问题：这东西到底能用多久？ 但现实很骨感。你不可能等所有产品都坏了再出报告，那黄花菜都凉了。所以，我们得学会跟“不完整”的数据打交道。
我个人习惯把这一章看作“从数据中榨取信息”的艺术。咱们一步步来。
4.1 完全数据与删失数据：你看到的不一定是全部
先搞清楚我们手里的数据长什么样。
- 完全数据：每个样品都测到了失效。比如你测了10个电阻，直到它们全部烧毁，记录下每个的准确寿命。这是最理想的情况，但现实中很少见。
- 删失数据：由于时间、成本或条件限制，我们没等到所有样品失效就结束了试验。这是常态。
删失数据又分几种，我列个表，大家一目了然：
| 类型 | 定义 | 举个栗子 |
|---|---|---|
| 右删失 | 试验结束时样品仍未失效，只知道它“至少活了这么久”。 | 测试1000小时，还有5个没坏。它们的寿命是“>1000h”。 |
| 左删失 | 失效发生在某个时间点之前，但具体时间未知。 | 巡检发现一个设备坏了，但上次巡检时它还好好的。只知道它在两次巡检之间失效。 |
| 区间删失 | 失效发生在某个时间区间内，具体时间未知。 | 左删失的升级版，比如两次巡检之间坏了，但不知道具体哪天。 |
4.2 Kaplan-Meier估计：不完整数据的生存曲线
好，数据里有删失，怎么估计可靠性？最经典的方法就是 Kaplan-Meier (K-M) 估计，也叫乘积极限法。
它的核心思想很简单：在每个失效时间点，计算“幸存”下来的比例。 删失数据在它被删失的那个时间点，不贡献“死亡”，只从“风险集”里移除。
公式长这样：
R(t) = ∏ (1 - dᵢ / nᵢ) 对所有 tᵢ ≤ t其中：
tᵢ是第 i 个失效时间点dᵢ是在 tᵢ 时刻失效的样品数nᵢ是在 tᵢ 时刻之前还“活着”的样品数（风险集）
举个例子，假设我们测试了10个产品，记录如下（+表示右删失）：
失效时间：100h, 200h, 300h+, 400h, 500h+, 600h, 700h+, 800h+, 900h, 1000h+
我们来手动算一下K-M估计：
| 时间 t | 风险集 n | 失效 d | 幸存比例 (1-d/n) | 累计可靠度 R(t) |
|---|---|---|---|---|
| 0 | 10 | 0 | 1 | 1.000 |
| 100 | 10 | 1 | 0.900 | 0.900 |
| 200 | 9 | 1 | 0.889 | 0.800 |
| 300+ | 8 | 0 (删失) | 1.000 | 0.800 |
| 400 | 7 | 1 | 0.857 | 0.686 |
| 500+ | 6 | 0 (删失) | 1.000 | 0.686 |
| 600 | 5 | 1 | 0.800 | 0.549 |
| 700+ | 4 | 0 (删失) | 1.000 | 0.549 |
| 800+ | 3 | 0 (删失) | 1.000 | 0.549 |
| 900 | 2 | 1 | 0.500 | 0.274 |
| 1000+ | 1 | 0 (删失) | 1.000 | 0.274 |
你看，删失点（300h, 500h...）只是让风险集变小，但没让曲线往下掉。K-M估计画出来的是一条阶梯状曲线，每个失效点往下跳一级。
4.3 寿命分布拟合：给数据找个“数学模型”
K-M曲线虽然好，但它只是描述性的。我们做工程，需要预测、需要外推。这就需要给数据找个合适的 寿命分布。
常用的分布就那几种，我总结一下：
| 分布 | 适用场景 | 关键参数 |
|---|---|---|
| 指数分布 | 失效率恒定，比如电子元件的随机失效期。 | λ (失效率) |
| 威布尔分布 | 最常用！可以模拟早期失效、随机失效、磨损失效。 | β (形状参数), η (尺度参数) |
| 对数正态分布 | 失效由疲劳、裂纹扩展等累积损伤引起。 | μ (对数均值), σ (对数标准差) |
| 正态分布 | 磨损或老化类失效，但寿命数据很少用，因为寿命不能为负。 | μ (均值), σ (标准差) |
拟合方法有很多，最大似然估计（MLE）是最常用的。你想想看，MLE就是找一组参数，让“出现当前这组数据”的可能性最大。现在统计软件（Minitab, JMP, R）都内置了，不用手算。
4.4 概率图分析：一眼看出数据“像谁”
拟合分布之前，怎么判断数据适合哪种分布？靠猜吗？不，靠 概率图。
概率图的原理是：如果数据服从某个分布，那么在特定的坐标纸上（比如威布尔概率纸），这些数据点应该大致落在一条直线上。
具体做法：
- 将失效时间从小到大排序。
- 计算每个点的累积失效概率（中位秩是一个常用估计）。
- 在概率图纸（或软件生成的图）上描点。
- 看这些点是否近似直线。
举个例子，威布尔概率图的横轴是 ln(t)，纵轴是 ln(-ln(1-F(t)))。如果数据服从威布尔分布，点就会聚在一条直线附近。斜率就是形状参数 β，截距跟尺度参数 η 有关。
4.5 本章知识体系：一张图理清逻辑
说了这么多，我画张图帮你把整个流程串起来。从原始数据到最终结论，每一步都有讲究。
这张图就是咱们这一章的核心逻辑。从原始数据出发，先分类，再用K-M曲线做非参数估计，然后选分布做参数拟合，最后用概率图验证。每一步都不可或缺。
嗯，这一章内容不少，但都是硬通货。下次你在项目里看到一堆失效时间，别再头疼了。先画K-M曲线，再试威布尔分布，最后用概率图验证。这套流程走下来，你的分析报告会专业很多。