1. 不确定性认知与工程建模

鲁棒设计与不确定性优化的起点，不是算法，而是对"不确定性"本身的清醒认知。一个设计在仿真中表现优异，却在实物测试中失效，往往并非优化算法不够强，而是建模阶段对不确定性的来源、性质和量级判断失准。本章围绕不确定性的来源分类、随机与认知不确定性的本质区别，以及工程案例中如何识别与量化不确定性展开，为后续的鲁棒建模与优化奠定概念基础。

一、不确定性的四类来源

工程系统中的不确定性通常可归入四类来源，它们进入模型的位置和方式各不相同，处理手段也随之不同。

参数不确定性指模型中数值本身存在波动或未知。例如某悬臂梁的弹性模量 E 名义值为 210 GPa，但批次间材料波动可能使其落在 200～220 GPa；又如载荷 F 名义值 5 kN，实际受工况影响在 4～6 kN 之间。这类不确定性直接作用于方程中的系数或输入量。

模型不确定性指模型结构本身与真实物理之间存在偏差。例如用线性弹簧近似非线性接触、忽略阻尼随频率变化、用简化梁理论处理厚壁结构。即使所有参数都精确已知，模型形式误差依然存在，它无法通过增加样本量消除。

测量不确定性来自传感器精度、标定误差、采样噪声与安装偏差。例如应变片灵敏度误差 ±1%、位移传感器分辨率 0.01 mm、温度漂移引入的零点偏移。测量不确定性既影响参数辨识结果，也影响验证阶段的对比判断。

环境不确定性指外部工况与使用条件的随机变化，如温度、湿度、振动谱、载荷谱、供电电压波动、装配预紧力分散等。它常以边界条件或载荷形式进入模型，且往往具有时间相关性。

二、随机不确定性与认知不确定性

按可认知程度，不确定性又可分为随机不确定性（aleatory）与认知不确定性（epistemic）。二者的区别不在于大小，而在于"能否通过更多信息减少"。

随机不确定性源于系统固有的随机性，即使掌握全部知识也无法消除。例如同批次零件的尺寸分散、载荷的随机波动、材料微观结构的统计分布。它通常用概率分布描述，如正态分布 N(μ, σ)、均匀分布 U(a, b)、威布尔分布等，其参数由统计数据估计。

认知不确定性源于知识不足，理论上可通过更多实验、更高精度测量或更完善模型来减小。例如某新型合金的疲劳极限只做了 5 组试验，均值可信但方差估计不可靠；又如某边界条件的真实刚度范围未知，只能给出区间 [k_min, k_max]。它常用区间、模糊集、证据理论或概率盒（p-box）描述。

需要强调的是，同一物理量在不同阶段可能呈现不同性质。例如某载荷在长期统计充分时可按随机不确定性处理，但在新工况、样本稀少时，其分布参数本身带有认知不确定性，此时更稳妥的做法是采用概率盒或区间—概率混合模型。

三、工程案例中的不确定性识别与量化

以一个简化的支架结构设计为例：目标是在满足强度与刚度要求下减重。名义模型为线弹性有限元，材料 Q345，载荷 10 kN，许用应力 235 MPa。若直接按名义值优化，得到的最优设计往往处于约束边界，实际中极易失效。下面按步骤识别与量化不确定性。

第一步，列出不确定量清单。参数类：弹性模量 E、板厚 t、载荷 F；模型类：焊缝简化为刚性连接、忽略残余应力；测量类：载荷传感器精度 ±2%、厚度测量 ±0.05 mm；环境类：温度 20～60 ℃、装配预紧力分散 ±15%。

第二步，判断性质并选择描述方式。E 与 t 有批次统计，按正态分布处理，例如 E ~ N(206, 6) GPa，t ~ N(8.0, 0.15) mm；F 的分布参数样本有限，采用 p-box 或区间 [9, 11] kN；焊缝模型偏差按认知不确定性处理，用区间系数 [0.9, 1.0] 折减连接刚度。

第三步，量化并传播。对随机量采用蒙特卡洛抽样（如 10⁴ 次），对认知量采用区间扫描或顶点组合。示例中若仅考虑 E、t、F 的随机性，计算得到最大应力均值约 210 MPa、标准差约 12 MPa；再叠加模型折减系数区间后，最坏情况应力可达 245 MPa，超过许用值。这说明名义最优设计在不确定性下不可行。

示例量化流程（伪代码）
输入: E~N(206,6) GPa, t~N(8.0,0.15) mm, F~U(9,11) kN
      model_factor ∈ [0.9, 1.0]
for i in 1..10000:
    E_i, t_i, F_i = sample()
    for mf in {0.9, 0.95, 1.0}:
        sigma_i = FE(E_i, t_i, F_i) / mf
        record(sigma_i)
输出: sigma_mean, sigma_std, sigma_worst
判断: sigma_worst <= 235 MPa ? 可行 : 需鲁棒优化

第四步，形成量化需求。根据结果决定：哪些量需要补充试验以降低认知不确定性（如焊缝刚度试验），哪些量需在优化中作为随机变量处理（E、t、F），哪些量需转为鲁棒约束（最坏情况应力）。这一判断直接决定后续建模路线。

从案例可以看出，不确定性识别与量化不是一次性动作，而是贯穿"清单—性质判断—传播计算—需求形成"的闭环。只有先明确每个不确定量属于哪一类、能否减少、以何种形式进入模型，才能选择恰当的概率建模或鲁棒建模路线，避免把认知不确定性误当随机性处理，也避免把固有随机性当作可通过试验消除的误差。这正是鲁棒设计与不确定性优化区别于传统确定性优化的根本前提。