4、寿命数据分析：完全数据与删失数据、Kaplan-Meier估计法、指数分布与威布尔分布的参数估计
各位工程师朋友，咱们今天聊寿命数据分析。这玩意儿说白了，就是回答一个问题：这东西到底能用多久？
我做了十几年可靠性，见过太多人一上来就套公式。结果呢？数据不对，模型选错，最后算出来的MTBF（平均无故障时间）根本没法用。今天咱们就把这块硬骨头啃下来。
4.1 完全数据与删失数据
先说说数据。你手头拿到的寿命数据，其实分两种。
完全数据，就是每个样品都测到了失效。比如我测10个灯泡，一直等到它们全烧坏。每个灯泡的寿命我都知道。这种数据最完美，但现实中很少见。
为什么？因为没那么多时间等。你想想看，一个产品设计寿命10年，你等得起吗？
所以就有了删失数据。我遇到过最典型的情况：项目周期到了，产品还没坏。这时候你只知道它「至少活了这么久」，但不知道具体能活多久。这就是右删失数据。
还有左删失和区间删失。左删失是「不知道什么时候开始坏的」，区间删失是「只知道在某个时间段内坏了」。嗯，这里要注意，删失数据不是坏数据，它同样包含有价值的信息。
4.2 Kaplan-Meier估计法
好，数据有了，怎么估计生存率？我个人习惯用Kaplan-Meier法，简称K-M法。它是个非参数方法，说白了就是不假设数据服从什么分布，直接算。
K-M法的核心思想很简单：在每个失效时间点，计算「活到这一刻的概率」。公式长这样：
S(t) = ∏ (1 - dᵢ / nᵢ)其中dᵢ是tᵢ时刻的失效数，nᵢ是tᵢ时刻之前还存活的数量。
我举个例子。假设我们测了10个样品，失效时间分别是：2, 3, 5, 7, 8, 10（月）。还有4个在12个月时被截尾（项目结束，没坏）。
| 时间t（月） | 存活数nᵢ | 失效数dᵢ | 生存率S(t) |
|---|---|---|---|
| 0 | 10 | 0 | 1.000 |
| 2 | 10 | 1 | 0.900 |
| 3 | 9 | 1 | 0.800 |
| 5 | 8 | 1 | 0.700 |
| 7 | 7 | 1 | 0.600 |
| 8 | 6 | 1 | 0.500 |
| 10 | 5 | 1 | 0.400 |
| 12（截尾） | 4 | 0 | 0.400 |
你看，到第10个月，生存率是40%。那4个截尾的样品，虽然没坏，但它们的贡献在于：让前面的生存率计算更准确。
4.3 指数分布的参数估计
K-M法虽然好，但它只能给出经验生存率。有时候我们需要一个数学模型来预测更长时间的表现。这时候就要请出指数分布了。
指数分布的特点是失效率恒定。说白了，就是产品不会「老化」——它在第1年坏的概率和第10年坏的概率一样。这听起来有点反直觉，但确实适用于某些电子元器件。
它的概率密度函数是：
f(t) = λ · e^(-λt)其中λ是失效率，MTBF = 1/λ。
参数估计用最大似然法。对于完全数据，λ的估计值就是：
λ̂ = 总失效数 / 总试验时间举个例子。测了5个产品，失效时间分别是100, 200, 300, 400, 500小时。总试验时间就是100+200+300+400+500=1500小时。λ̂ = 5/1500 = 0.00333。MTBF = 300小时。
如果有删失数据呢？总试验时间要加上删失样品的存活时间。比如上面那个例子，如果第5个产品在500小时时还没坏（删失），那总试验时间就是100+200+300+400+500=1500小时，但失效数只有4。λ̂ = 4/1500 = 0.00267。
4.4 威布尔分布的参数估计
指数分布太理想化了。现实中，大多数产品都会老化。这时候威布尔分布就派上用场了。
威布尔分布有两个关键参数：
- 形状参数β：决定失效率的变化趋势。β<1表示早期失效（失效率递减），β=1就是指数分布，β>1表示耗损失效（失效率递增）。
- 尺度参数η：也叫特征寿命，表示63.2%的产品失效的时间点。
它的概率密度函数是：
f(t) = (β/η) · (t/η)^(β-1) · e^(-(t/η)^β)参数估计通常用最小二乘法或最大似然法。我个人习惯用最大似然法，因为它能很好地处理删失数据。
举个实际案例。我测了一批轴承的寿命（小时）：150, 200, 225, 275, 300, 350, 400, 450, 500, 600。用最大似然法算出来：
- β̂ = 2.8（说明是耗损失效，β>1）
- η̂ = 380小时（特征寿命）
这意味着什么？到380小时，大约63%的轴承会坏。如果你想保证90%的存活率，可以算一下：
t₀.₉ = η · (-ln(0.9))^(1/β) = 380 · (-ln(0.9))^(1/2.8) ≈ 180小时也就是说，如果要求90%的轴承在180小时内不坏，这个设计是合格的。
4.5 知识体系总览
下面这张图，是我自己总结的寿命数据分析流程。你照着走，基本不会跑偏。
这张图展示了整个分析流程：先采集数据，然后判断是完全数据还是删失数据。接着用K-M法做非参数估计，看看生存率的大致形状。最后根据数据特征，选择指数分布或威布尔分布做参数估计，得到具体的数学模型。
好了，寿命数据分析这块，核心就是这些。数据分类要搞清，K-M法要会用，参数估计要选对模型。你想想看，掌握了这些，是不是对产品的寿命心里就有底了？
公众号:蓝海资料掘金营，微信deep3321