第1章：寿命数据分析——从数据到决策的必修课
大家好，我是老张。在风电行业摸爬滚打了十几年，今天咱们来聊聊寿命数据分析。说实话，我刚入行那会儿，觉得这玩意儿就是算算数，没啥大不了的。直到有一次，一个风场的主轴轴承批量失效，我才意识到——数据不会骗人，但前提是你得会处理数据。
这一章，我带你从零开始，把寿命数据分析的底子打牢。你想想看，风机设计寿命20年，可实际运行中，齿轮箱、发电机、叶片这些关键部件，到底能撑多久？答案就藏在数据里。
核心知识点速览
- 数据收集与清洗——垃圾进，垃圾出
- 右删失数据与左删失数据——别被“不完整”的数据坑了
- Kaplan-Meier估计法——非参数生存分析的利器
- 威布尔分布参数估计——风电行业最常用的寿命模型
1.1 数据收集与清洗——别让脏数据毁了你的分析
我个人习惯，拿到任何项目的第一件事，不是建模，而是先看数据。风电场的SCADA系统每天产生海量数据，但真正能用的，往往不到一半。
数据收集要注意几个关键点：
- 故障时间记录：精确到小时，最好到分钟。我见过不少风场，故障时间只记录到“某月某日”，这种数据做寿命分析，误差大得离谱。
- 运行状态标记：风机是正常运行、限功率运行、还是停机检修？这些状态直接影响寿命数据的有效性。
- 环境参数：风速、温度、湿度、湍流强度——这些协变量对寿命的影响，有时候比部件本身还大。
我的经验之谈：清洗数据时，别急着删异常值。有一次我发现某个齿轮箱的温度数据异常高，差点当成传感器故障删掉。后来一查，原来是润滑油管路堵塞——这恰恰是故障的前兆。所以，异常值可能是宝贝，也可能是垃圾，得结合现场情况判断。
清洗步骤我一般这么走：
- 去重——SCADA系统偶尔会重复记录
- 缺失值处理——连续缺失超过1小时的，直接剔除该段
- 异常值检测——用3σ原则或箱线图，但一定要人工复核
- 时间对齐——不同数据源的时间戳要统一到同一基准
1.2 右删失数据与左删失数据——不完整的真相
做寿命分析，最头疼的就是数据不完整。你想想看，一台风机运行了5年还没坏，那它的寿命是多少？我们只知道它至少活了5年，但不知道具体能活多久——这就是右删失数据。
反过来，如果一台风机在第一次巡检时就已经坏了，我们只知道它坏在某个时间点之前，但不知道具体什么时候坏的——这就是左删失数据。
| 删失类型 | 定义 | 风电场景举例 |
|---|---|---|
| 右删失 | 事件在观测结束时未发生 | 风机运行5年未失效，仍在运行 |
| 左删失 | 事件在观测开始前已发生 | 首次巡检发现轴承已损坏 |
| 区间删失 | 事件发生在某时间区间内 | 两次巡检之间发生故障 |
注意：千万别把删失数据当成失效数据直接处理！我曾经见过一个团队，把右删失数据当作“未失效”直接剔除，结果估计出的寿命偏短了30%——这要是用来制定维护计划，得浪费多少资源？
处理删失数据，最常用的方法就是接下来要讲的Kaplan-Meier估计法。它能充分利用删失数据的信息，给出无偏的生存函数估计。
1.3 Kaplan-Meier估计法——非参数生存分析的基石
Kaplan-Meier估计，说白了就是算一个“存活比例”随时间的变化曲线。它的核心思想是：在每个失效时间点，计算“到该时刻还存活的比例”。
公式其实不复杂：
S(t) = ∏ (1 - dᵢ / nᵢ) 对所有 tᵢ ≤ t其中，dᵢ是时刻tᵢ的失效数，nᵢ是时刻tᵢ之前还存活的风险集大小。
举个例子，假设我们有10台齿轮箱的数据：
| 时间（年） | 失效数 | 删失数 | 风险集 | 生存概率 |
|---|---|---|---|---|
| 0 | 0 | 0 | 10 | 1.00 |
| 2 | 1 | 0 | 10 | 0.90 |
| 3.5 | 2 | 1 | 9 | 0.70 |
| 5 | 1 | 2 | 6 | 0.58 |
你看，第3.5年时，虽然有1台删失了，但Kaplan-Meier方法仍然能正确估计生存概率。这就是它的厉害之处——不浪费任何数据。
实操建议：用Python的lifelines库或者R的survival包，几行代码就能算出KM估计。但我建议你至少手算一次，理解每一步的含义。嗯，我当年就是这么过来的。
1.4 威布尔分布参数估计——风电行业的“标准语言”
KM估计虽然好，但它只能给出离散的生存概率。实际工程中，我们需要一个连续的寿命分布模型，方便做预测和优化。威布尔分布就是风电行业最常用的模型。
为什么是威布尔？说白了，它够灵活。形状参数β可以描述不同的失效模式：
- β < 1：早期失效（磨合期）
- β = 1：随机失效（浴盆曲线底部）
- β > 1：耗损失效（老化阶段）
参数估计最常用的方法是最大似然估计（MLE）。代码实现也不难：
import numpy as np
from scipy.stats import weibull_min
# 假设失效时间数据（年）
failure_times = np.array([2.1, 3.5, 4.8, 5.2, 6.7, 8.3, 9.1])
# 右删失数据
censored_times = np.array([10.0, 10.0, 10.0])
# 用MLE拟合威布尔分布
params = weibull_min.fit(failure_times, floc=0, f0=1)
beta, eta = params[0], params[2]
print(f"形状参数 β = {beta:.2f}")
print(f"尺度参数 η = {eta:.2f} 年")
print(f"中位寿命 = {eta * np.log(2)**(1/beta):.2f} 年")关键解读：如果β > 1，说明部件正在进入耗损期，这时候就要考虑预防性更换了。我见过一个风场，齿轮箱的β值从1.2涨到2.3只用了两年，结果第二年就批量失效——教训深刻啊。
参数估计的精度取决于数据量。一般来说，至少需要10个以上的失效数据，才能得到比较可靠的估计。如果失效数据太少，可以考虑用贝叶斯方法引入先验信息——这个我们后面章节再细聊。
好了，这一章的内容就到这里。数据收集与清洗是基础，删失数据处理是门槛，KM估计和威布尔拟合是核心工具。把这几个点吃透了，寿命数据分析就算入门了。