质量与可靠性 / 系统课时
怎样整理包含删失值的寿命样本
怎样整理包含删失值的寿命样本
试验结束时仍正常工作的设备,并不等于在截止时刻失效。本篇以 8 台水泵、400 小时观察窗口为例,统一寿命起点、失效标志和退出原因,整理出可用于寿命建模的数据,并识别可能产生偏差的提前退出记录。
学习目标
- 区分确切失效时间与右删失时间,正确填写事件标志。
- 将原始运行记录整理成一台设备一行的寿命样本。
- 核对提前退出的原因,识别不能直接假设为非信息性删失的记录。
定义时间与事件
先约定分析对象是每台水泵的首次失效,观察窗口为投入连续运行后的 400 小时。示例失效判据为“流量低于额定值的 80%,且持续 5 分钟”。每台设备从同一起始状态计时,记录累计有效运行小时,而不是直接使用日历日期差;停机是否计入寿命必须在试验方案中预先统一。
一行数据至少保留四个字段:
| 字段 | 含义 | 示例 |
|---|---|---|
unit_id |
唯一设备编号 | A04 |
time_h |
失效时刻,或最后确认未失效的运行时长 | 310 |
event |
1=观察到失效;0=右删失 | 0 |
exit_reason |
失效、到期存活或提前退出的具体原因 | 排程调整 |
当 event=1,time_h 是已观测到的失效时间;当 event=0,它只是观察终止时间。后者只说明真实寿命 (假设终止时确认仍正常),不能把删失时间当作失效时间。
整理同一批设备的结局
按上述口径将原始试验日志整理为下表。A04 因排程调整在 310 小时退出,其他存活至 400 小时的设备在截止时统一右删失。
| 设备 | time_h |
event |
exit_reason |
|---|---|---|---|
| A01 | 120 | 1 | 失效 |
| A02 | 190 | 1 | 失效 |
| A03 | 205 | 1 | 失效 |
| A04 | 310 | 0 | 排程调整 |
| A05 | 365 | 1 | 失效 |
| A06 | 400 | 0 | 到期存活 |
| A07 | 400 | 0 | 到期存活 |
| A08 | 400 | 0 | 到期存活 |

这批样本包含 4 次确切失效和 4 次右删失。对 A06 而言,400 小时是“至少已正常运行至此”的下界,不能写成“第 400 小时发生故障”。如果恰好在 400 小时触发失效判据,则应按预先定义的闭合观察窗口记为 event=1。
用脚本核对字段
使用 Python 3 的标准库即可完成最小校验。脚本检查编号、时间范围、事件标志与退出原因的一致性,并输出样本构成;数据仍保留所有删失行,后续才能使用 Kaplan–Meier 或删失似然进行估计。
rows = [
("A01", 120, 1, "失效"),
("A02", 190, 1, "失效"),
("A03", 205, 1, "失效"),
("A04", 310, 0, "排程调整"),
("A05", 365, 1, "失效"),
("A06", 400, 0, "到期存活"),
("A07", 400, 0, "到期存活"),
("A08", 400, 0, "到期存活"),
]
# 每台设备只保留一条首次失效或观察终止记录
assert len({row[0] for row in rows}) == len(rows)
for unit_id, time_h, event, reason in rows:
assert 0 < time_h <= 400, unit_id
assert event in (0, 1), unit_id
assert reason in {"失效", "排程调整", "到期存活"}, unit_id
assert (reason == "失效") == (event == 1), unit_id
if reason == "到期存活":
assert time_h == 400, unit_id
failures = sum(row[2] for row in rows)
print(f"样本数:{len(rows)}")
print(f"失效:{failures},右删失:{len(rows) - failures}")
print(f"累计观察:{sum(row[1] for row in rows)} 小时")预期输出:
样本数:8
失效:4,右删失:4
累计观察:2390 小时2390 小时是各设备的实际累计观察时长之和,不是总寿命之和。只取 4 台已失效设备求平均(220 小时),也不能将该值直接称为整批设备的平均失效寿命,因为另外 4 台的最终失效时间未知。
审查删失是否可能带来偏差
常见的 400 小时统一截止属于行政性右删失。A04 的 310 小时提前退出则需要查原始记录:若退出由事先安排的随机排程决定,且与设备潜在失效风险无关,才有理由采用非信息性删失假设。
如果 A04 是因振动突然增大、即将故障而被撤下,退出便可能与失效风险相关。此时即使尚未达到既定失效判据,event 仍可为 0,但必须单独标记疑似信息性删失,不能不加说明就当成普通随机退出。应保留振动记录,分析排除该样本与纳入该样本时估计结果的敏感性;若振动已满足失效判据,则应纠正事件标志。
还要排查两类不属于上述右删失格式的情形:只知道失效发生在两次巡检之间(如 240~300 小时)是区间删失;设备入组前已运行 100 小时且仍正常,则涉及延迟入组。两者都需要另外记录时间边界,不能简单填入单一的 time_h 并照常拟合。
交付分析数据前,逐台回查首次失效判据、最后确认正常的时刻和退出原因。只有事件定义与删失机制足够清楚,后续可靠度曲线和寿命参数才有可解释的基础。