3. 不确定性来源识别

疲劳寿命评估之所以带有不确定性，根本原因在于寿命并不是由单一确定量算出来的，而是由一条从材料到检测的链条共同决定的。链条上任何一个环节存在分散或认识不足，都会传递到最终的寿命预测中。因此，识别不确定性来源的第一步，不是急着套概率模型，而是把整条链条拆开，逐环节判断：这里的分散是客观存在的随机性，还是我们暂时不知道的认知不足？

先明确两类不确定性的判别标准。随机性（aleatory）指对象本身固有的、无法通过增加信息消除的分散，例如同批材料不同试样的疲劳极限天然存在差异；认知不确定性（epistemic）指由于知识、数据或模型不足造成的未知，例如某新材料只做了 8 根试样，S-N 曲线中值本身就不确定，但增加试验可以缩小它。实际工程中两者常混在一起，识别时要问一句：“如果给我无限数据和完美测量，这个分散会消失吗？”会消失的是认知不确定性，不会消失的是随机性。

材料环节

材料是疲劳寿命分散的最大来源之一。同一炉批的金属，其疲劳极限、裂纹扩展门槛值 ΔK_th、Paris 公式系数 C 与 m 都呈统计分布。以某铝合金 2024-T3 为例，若 8 根试样在 R=0.1 下的条件疲劳极限（10⁷ 循环）分别为 138、145、132、150、141、136、148、143 MPa，则均值约 141.6 MPa，标准差约 6.1 MPa，变异系数约 4.3%。这个 4.3% 属于随机性，无法靠多做试验消除，只能通过分布描述。但若这批数据来自单一炉批，而设计对象可能来自多个供应商，那么“炉批间差异有多大”就是认知不确定性——数据不足，需要补充或按经验放大。

此外，缺陷分布（夹杂、气孔、表面划伤）往往服从极值统计，属于随机性；而“缺陷如何影响短裂纹扩展”的物理机制若不清楚，则属于认知不确定性。识别时应把材料参数分为“有分布可查”和“仅有单点值”两类，后者必须标记为认知不确定性。

几何环节

几何不确定性来自加工公差、装配偏差和磨损。例如某轴类零件过渡圆角半径设计为 r=2.0 mm，图纸公差 ±0.2 mm，实际加工后可能落在 1.8～2.2 mm。圆角半径直接改变应力集中系数 K_t，r 从 2.0 降到 1.8 mm 时 K_t 可能上升 5%～8%，进而使局部应力幅上升，寿命下降。这类公差是随机性，可用正态或均匀分布描述。

但几何环节也常含认知不确定性：有限元网格在圆角处的离散误差、实际圆角并非理想圆弧而是有加工纹路、装配后是否存在微小偏心——这些若未被建模，就属于认知不确定性。识别方法是把几何量分为“图纸可查”“实测可得”“无法测量只能假设”三档，第三档必须作为认知不确定性处理。

载荷与环境环节

载荷不确定性通常比材料更显著。实测载荷谱往往只覆盖有限工况，而实际使用中会出现偶发超载、路面/海况变化、操作者差异。例如某悬架部件实测 200 小时载荷谱，最大幅值 12 kN，但若用户偶尔满载过坑，可能达到 18 kN。这 18 kN 是否会出现、出现多少次，属于认知不确定性；而同一工况下每次循环幅值的自然波动，属于随机性。

环境环节包括温度、湿度、腐蚀介质和频率。温度升高会降低疲劳极限，腐蚀会显著缩短裂纹萌生寿命。若设计温度 25℃，实际可能到 80℃，而 80℃ 下的 S-N 曲线没有数据，这就是典型的认知不确定性。识别时应列出环境参数的设计值、可能范围和数据来源，缺数据的参数单独标注。

制造与检测环节

制造引入的不确定性包括热处理批次差异、表面粗糙度、残余应力、焊接质量等。喷丸引入的残余压应力若控制不好，可能从 −400 MPa 变到 −200 MPa，寿命差异可达数倍。这类分散部分可归为随机性，但“残余应力在服役中如何松弛”若缺乏数据，则是认知不确定性。

检测环节的不确定性常被忽视。无损检测（NDT）的检出概率 POD 随缺陷尺寸变化：小缺陷可能漏检。若把“未检出”当作“无缺陷”，就会低估初始裂纹尺寸，带来认知不确定性。此外，尺寸测量、载荷标定、应变片粘贴位置都有误差，这些误差会直接进入寿命计算。

把六个环节放在一起看，可以得到一条清晰的传递链：材料参数 → 几何应力集中 → 载荷谱 → 环境修正 → 制造残余应力 → 检测初始状态 → 寿命预测。每个环节都同时可能贡献随机性和认知不确定性。识别时建议逐环节填写一张“来源—类型—数据现状—影响量级”的对照表，而不是笼统地说“寿命有不确定性”。

最后要强调：不确定性来源识别不是一次性工作。随着试验数据增加、检测手段改进、服役反馈积累，原本的认知不确定性可能转化为随机性，甚至被消除。因此识别结果应作为活文档维护，在每次寿命评估前重新审视六个环节的数据现状，才能保证后续的量化与决策建立在真实、可追溯的来源清单之上。