1、一般的数据类型分为哪些？
我们开展故障数据分析时，我们首先需要知道所需分析的数据集属于什么类型的。首先需要判断您拥有的是什么数据，或者能够获得什么数据，这对于后面分析有较大的影响。一般情况下可以将数据分为4类。标准类型数据、批量/混合或竞争失效模式数据、间隔/分组/或非破坏性检测数据、有限或破环性检测数据。
类型I: 标准类型数据
标准类型数据是指您知道所有的故障时间和所有的删失时间。许多可控的试验测试数据都属于这类型。这类数据是可以知道样本运行了多久时间以及是否失效或删失。质保数据也往往属于这类型的数据，如果你知道所有的故障时间以及能够评估删失时间。
类型II:批量/混合或竞争失效模式数据
这类数据一般是您拥有一堆/批量数据，但是不知道具体类型，需要通过相应的图形或者预处理才能知道数据类型。因此，可以先按照标准数据的处理方法进行处理，然后再根据分析结果进行调整。这类数据一般是指数据存在多个失效模式，您知道故障和删失时间，但是不知道是否属于同一故障模式。如果您只是知道故障时间但是故障模式不知道时，这样的质保数据可以落在这类数据。
类型III:间隔测试/分组/或非破坏性测试数据
这类数据是进行了多个时间段的测试，并且在检测时发现了故障。但是确切的故障时间不知道，只是知道这个时间段内发生了故障。如果质保数据是按月统计故障数据但没有确切故障时间和删失时间时，可将质保数据归入这个类型。
类型IV:有限或破环性测试数据
这类数据是每个样本只检测一次。你仅知道通过检测发现是否故障，或者检测后会发生故障。每个观测数据要么是删失、要么是故障。导弹产品的测试一般属于这类型。测试时，一般结果为工作或者不工作。
2、标准型数据的威布尔分析（weibull）方法及流程
首先，判断您的数据是否是0失效。
如果您的数据没有故障数据，那么你需要使用Webibayes方法(也称为单参数威布尔分析方法)（使用PosWeibull软件进行分析时，选择Weibayes方法，设置形状参数β等于固定值即可）。形状参数β可以通过前期的经验确定形状参数β值，比如从威布尔数据库或者已知知识或者失效物理。
如果有一个故障时，也就是大量/批量删失数据时。此时要分情况进行处理。
(a)当只有一个故障时，要判断是否存在没有失效的样本运行的时间超过了失效的样本。如果有一个样本故障，并且没有一个未失效的样本的运行时间超过失效的样本运行时间，此时，需要使用Weibayes方法（使用PosWeibull软件，选择Weibayes方法，设置β等于固定值即可）。
(b)如果您的样本数据有一个故障数据并且其他未失效的样本中有运行时间超过故障样本的运行时间，要判断是否知道形状参数β。如果您对于形状参数β不太确定，那么可以使用MLE方法。如果您对于β值满意，那么可以选择Weibayes方法进行分析。如果不知道，那选择MLE方法（PosWeibull支持极大似然法MLE、中位秩方法RRX、RRY、修正极大似然法、Kaplan-Meier方法、Crow-AMSAA-Duane方法，分析时选择对应方法即可）。
如果故障数量超过1个，那么首先判断是否有超过21个故障数据。如果没有超过21个故障数据，那么是否知道威布尔分布的β参数。如果知道β，那么使用Weibayes方法进行分析。如果不知道，那么选择两参数威布尔分析（极大似然、RRX等）
如果选择的中位秩和修正的MLE极大似然法模型不能满足要求，要考虑批次问题。这里有一些因素需要考虑：1）当前风险/失效率的置信下限是否超过了观察到的失效数据（失效时间）；2）是否MLE形状参数β小于中位秩截距？3）累计风险CDF是否表示存在批次效应？
（待续）