1、一般的數(shù)據(jù)類型分為哪些？
我們開展故障數(shù)據(jù)分析時，我們首先需要知道所需分析的數(shù)據(jù)集屬于什么類型的。首先需要判斷您擁有的是什么數(shù)據(jù)，或者能夠獲得什么數(shù)據(jù)，這對于后面分析有較大的影響。一般情況下可以將數(shù)據(jù)分為4類。標(biāo)準(zhǔn)類型數(shù)據(jù)、批量/混合或競爭失效模式數(shù)據(jù)、間隔/分組/或非破壞性檢測數(shù)據(jù)、有限或破環(huán)性檢測數(shù)據(jù)。
類型I: 標(biāo)準(zhǔn)類型數(shù)據(jù)
標(biāo)準(zhǔn)類型數(shù)據(jù)是指您知道所有的故障時間和所有的刪失時間。許多可控的試驗測試數(shù)據(jù)都屬于這類型。這類數(shù)據(jù)是可以知道樣本運行了多久時間以及是否失效或刪失。質(zhì)保數(shù)據(jù)也往往屬于這類型的數(shù)據(jù)，如果你知道所有的故障時間以及能夠評估刪失時間。
類型II:批量/混合或競爭失效模式數(shù)據(jù)
這類數(shù)據(jù)一般是您擁有一堆/批量數(shù)據(jù)，但是不知道具體類型，需要通過相應(yīng)的圖形或者預(yù)處理才能知道數(shù)據(jù)類型。因此，可以先按照標(biāo)準(zhǔn)數(shù)據(jù)的處理方法進行處理，然后再根據(jù)分析結(jié)果進行調(diào)整。這類數(shù)據(jù)一般是指數(shù)據(jù)存在多個失效模式，您知道故障和刪失時間，但是不知道是否屬于同一故障模式。如果您只是知道故障時間但是故障模式不知道時，這樣的質(zhì)保數(shù)據(jù)可以落在這類數(shù)據(jù)。
類型III:間隔測試/分組/或非破壞性測試數(shù)據(jù)
這類數(shù)據(jù)是進行了多個時間段的測試，并且在檢測時發(fā)現(xiàn)了故障。但是確切的故障時間不知道，只是知道這個時間段內(nèi)發(fā)生了故障。如果質(zhì)保數(shù)據(jù)是按月統(tǒng)計故障數(shù)據(jù)但沒有確切故障時間和刪失時間時，可將質(zhì)保數(shù)據(jù)歸入這個類型。
類型IV:有限或破環(huán)性測試數(shù)據(jù)
這類數(shù)據(jù)是每個樣本只檢測一次。你僅知道通過檢測發(fā)現(xiàn)是否故障，或者檢測后會發(fā)生故障。每個觀測數(shù)據(jù)要么是刪失、要么是故障。導(dǎo)彈產(chǎn)品的測試一般屬于這類型。測試時，一般結(jié)果為工作或者不工作。
2、標(biāo)準(zhǔn)型數(shù)據(jù)的威布爾分析（weibull）方法及流程
首先，判斷您的數(shù)據(jù)是否是0失效。
如果您的數(shù)據(jù)沒有故障數(shù)據(jù)，那么你需要使用Webibayes方法(也稱為單參數(shù)威布爾分析方法)（使用PosWeibull軟件進行分析時，選擇Weibayes方法，設(shè)置形狀參數(shù)β等于固定值即可）。形狀參數(shù)β可以通過前期的經(jīng)驗確定形狀參數(shù)β值，比如從威布爾數(shù)據(jù)庫或者已知知識或者失效物理。
如果有一個故障時，也就是大量/批量刪失數(shù)據(jù)時。此時要分情況進行處理。
(a)當(dāng)只有一個故障時，要判斷是否存在沒有失效的樣本運行的時間超過了失效的樣本。如果有一個樣本故障，并且沒有一個未失效的樣本的運行時間超過失效的樣本運行時間，此時，需要使用Weibayes方法（使用PosWeibull軟件，選擇Weibayes方法，設(shè)置β等于固定值即可）。
(b)如果您的樣本數(shù)據(jù)有一個故障數(shù)據(jù)并且其他未失效的樣本中有運行時間超過故障樣本的運行時間，要判斷是否知道形狀參數(shù)β。如果您對于形狀參數(shù)β不太確定，那么可以使用MLE方法。如果您對于β值滿意，那么可以選擇Weibayes方法進行分析。如果不知道，那選擇MLE方法（PosWeibull支持極大似然法MLE、中位秩方法RRX、RRY、修正極大似然法、Kaplan-Meier方法、Crow-AMSAA-Duane方法，分析時選擇對應(yīng)方法即可）。
如果故障數(shù)量超過1個，那么首先判斷是否有超過21個故障數(shù)據(jù)。如果沒有超過21個故障數(shù)據(jù)，那么是否知道威布爾分布的β參數(shù)。如果知道β，那么使用Weibayes方法進行分析。如果不知道，那么選擇兩參數(shù)威布爾分析（極大似然、RRX等）
如果選擇的中位秩和修正的MLE極大似然法模型不能滿足要求，要考慮批次問題。這里有一些因素需要考慮：1）當(dāng)前風(fēng)險/失效率的置信下限是否超過了觀察到的失效數(shù)據(jù)（失效時間）；2）是否MLE形狀參數(shù)β小于中位秩截距？3）累計風(fēng)險CDF是否表示存在批次效應(yīng)？
（待續(xù)）