测试数据基础：数据类型与采集规范

做可靠性测试这么多年，我最大的体会就是——数据质量决定分析上限。你算法再牛，模型再花哨，喂进去的数据是垃圾，出来的结果只能是垃圾。今天咱们就聊聊测试数据的那些门道。

一、三种数据类型：你遇到的测试数据长啥样？

测试数据其实就三种：完整数据、截尾数据、无失效数据。我一个个说。

1. 完整数据

说白了就是每个样品都测到失效，记录下精确的失效时间。比如你测10个灯泡，每个都一直点亮直到烧坏，记录下每个灯泡的寿命。这种数据最理想，分析起来也最简单。

但现实哪有这么完美？我做过一个LED驱动电源的项目，按计划要测2000小时，结果第3天就有一半样品坏了——这算完整数据吗？算，但你要记录清楚失效时间点。

2. 截尾数据

这才是工程中的常态。截尾分三种：

• 右截尾（最常见）：测试结束了，样品还没坏。比如你计划测1000小时，到时间了还有3个样品在正常工作。你只知道它们寿命大于1000小时，具体多少不知道。
• 左截尾：样品在开始测试前就已经失效了。嗯，这种情况在加速老化试验里偶尔出现——样品在加载应力之前就坏了。
• 区间截尾：你知道失效发生在某个时间段内，但不知道精确时间。比如巡检发现样品坏了，但上次巡检时它还好好的。

我记得有个客户做汽车继电器测试，每24小时巡检一次。结果发现一个样品在第72小时巡检时坏了，但第48小时还好好的。这就是典型的区间截尾——失效时间在48到72小时之间。

3. 无失效数据

这个有意思。测试结束了，所有样品都没坏。你得到的数据全是「大于某个时间」。比如你测5个样品，跑了2000小时，一个都没坏。那你能说它们寿命是2000小时吗？不能。你只能说它们寿命都大于2000小时。

无失效数据在高端产品里特别常见。我之前做航天继电器，测试了12个样品，跑了5000小时，一个都没坏。老板问「寿命多少？」我说「大于5000小时」。他说「这不废话吗？」我说「这就是事实。」

二、数据采集规范：别让数据毁在第一步

数据采集看着简单，其实坑最多。我见过太多项目，测试做完了，数据没法用——因为采集不规范。

1. 记录什么？

• 样品编号：唯一标识，别用1、2、3这种，容易搞混。我习惯用「项目号-批次-序号」，比如LED-01-005。
• 失效时间：精确到秒。别只写「第3天」，要写「2024-03-15 14:32:17」。
• 失效模式：怎么坏的？开路？短路？参数漂移？这个信息对后续分析至关重要。
• 测试条件：温度、湿度、电压、电流……所有应力条件都要记录。
• 截尾类型：标记清楚是右截尾、左截尾还是区间截尾。

2. 数据格式规范

我推荐用CSV格式，结构清晰，各种工具都能读。下面是我常用的格式：

sample_id, failure_time, censored, failure_mode, temperature, voltage
LED-001, 1250.5, 0, 开路, 85, 24
LED-002, 2000.0, 1, NA, 85, 24
LED-003, 980.3, 0, 光衰超20%, 85, 24

censored列：0表示失效（完整数据），1表示右截尾，2表示左截尾，3表示区间截尾。这样一目了然。

三、常见陷阱：我踩过的坑，你别再踩

这部分我多说几句，都是真金白银换来的教训。

陷阱1：把截尾数据当完整数据用

我曾经有个同事，做电容寿命测试。100个样品，测到500小时，有80个坏了，20个没坏。他直接把20个没坏的当成「500小时失效」算进了平均寿命。结果算出来寿命只有420小时。实际上，那20个样品寿命可能远大于500小时，真实平均寿命应该在600小时以上。

正确做法：用Kaplan-Meier估计或者极大似然估计处理截尾数据。

陷阱2：忽略区间截尾的宽度

巡检间隔越大，区间截尾的不确定性越大。比如你每100小时巡检一次，那失效时间可能落在0-100、100-200、200-300……这种数据用中点法处理，误差会很大。我建议用区间删失模型，或者至少用「平均失效时间」加「区间宽度」两个参数来描述。

陷阱3：无失效数据直接算MTBF

这个坑我见过太多次了。测试结束了，所有样品都没坏，有人直接用「测试时间/样品数」算MTBF。比如10个样品测了1000小时，MTBF=10000小时？错！这完全忽略了置信区间。正确的做法是用卡方分布计算下限：

# 无失效数据，MTBF下限计算（指数分布假设）
# 测试时间 T = 1000小时，样品数 n = 10
# 置信水平 90%
import scipy.stats as stats
T = 1000 * 10  # 总测试时间
chi2 = stats.chi2.ppf(0.9, 2)  # 自由度2
MTBF_lower = 2 * T / chi2
print(f"MTBF下限（90%置信）: {MTBF_lower:.0f} 小时")

陷阱4：数据记录不完整

这个最要命。我接手过一个项目，数据表里只有失效时间，没有失效模式。结果分析时发现，有些样品是早期失效，有些是耗损失效，混在一起根本没法建模。最后只能重新做实验，浪费了三个月。

四、知识体系：一张图看懂

下面这张图是我自己整理的，把测试数据的核心逻辑串起来了。你仔细看看，应该能有个整体把握。

五、总结一下

测试数据这事，说白了就三点：

• 认清数据类型：完整、截尾、无失效，处理方法完全不同。
• 规范采集：记录要全、格式要统一、备注要写清楚。
• 避开陷阱：别把截尾当完整，别忽略区间宽度，别乱算无失效数据。

我做了十几年可靠性，最深的体会就是：数据质量决定了你能走多远。数据采集阶段多花点心思，后面分析建模会顺畅得多。嗯，今天就聊到这儿，下次咱们聊聊如何用Python处理这些数据。