4. 随机变量建模基础

疲劳寿命不确定性评估的第一步，是把“寿命”“应力幅”“材料强度”等物理量从确定数值转化为随机变量。随机变量建模不是简单套一个分布公式，而是完成一条从工程数据到可用概率模型的推理链：先判断数据属于哪类随机变量，再选择候选分布，接着估计参数，然后用拟合优度检验判断模型是否可接受，最后结合工程背景判断该模型是否适用于目标工况。任何一步跳过，后续可靠度计算都可能建立在错误假设上。

一、先判断随机变量的类型与数据形态

疲劳问题中常见的随机变量可分为三类。第一类是寿命型变量，如疲劳寿命 N、裂纹扩展寿命，通常取正值且右偏，对数正态分布和 Weibull 分布最常用。第二类是强度型变量，如疲劳极限、材料常数 C、门槛值，常近似正态或对数正态。第三类是载荷与环境型变量，如应力幅 S、应力比 R、温度、腐蚀速率，其分布形态取决于工况统计，可能对称也可能偏斜。

选择分布前应先看数据本身：样本量多少、是否截尾、是否含异常点、物理量是否有明确下界。例如疲劳寿命不可能为负，因此正态分布直接拟合寿命往往在低寿命尾部产生不合理概率；而取对数后拟合对数正态分布，既保证正值性，又常能改善偏态。Weibull 分布的形状参数 β 还能反映失效机理：β<1 表示早期失效，β≈1 表示随机失效，β>1 表示磨损或疲劳型耗损失效。

二、参数估计：从样本到分布参数

选定分布族后，需要估计其参数。以两参数 Weibull 分布为例，其可靠度函数为 R(t)=exp[−(t/η)^β]，其中 η 为尺度参数（特征寿命），β 为形状参数。常用估计方法有三种。

最大似然估计（MLE）是工程中最常用的方法。对完全样本，对数似然函数为：

ln L(β, η) = n·ln β − n·β·ln η + (β−1)·Σ ln t_i − Σ (t_i/η)^β

分别对 β 和 η 求偏导并令其为零，可得到估计方程。实际计算中通常用数值优化求解，例如在 Python 中调用 scipy.stats.weibull_min.fit(data, floc=0)，或使用 reliability 库的 Fit_Weibull_2P。若数据含右截尾（如未失效的试验件），似然函数需改为 L=∏f(t_i)·∏R(t_j)，不能直接删除截尾点。

矩估计利用样本均值与方差反推参数。Weibull 分布的均值 μ=η·Γ(1+1/β)，方差 σ²=η²[Γ(1+2/β)−Γ²(1+1/β)]。先由样本计算 μ̂ 和 σ̂，再数值求解 β，最后得 η。矩估计计算简单，但对异常值敏感，小样本时效率低于 MLE。

概率图回归把分布函数线性化后做最小二乘拟合。Weibull 分布两边取双重对数得 ln[−ln(1−F)] = β·ln t − β·ln η。以 ln t 为横轴、ln[−ln(1−F̂)] 为纵轴，若数据近似落在直线上，则形状参数为斜率，尺度参数可由截距反算。这种方法直观，便于现场快速判断。

三、拟合优度检验：模型能不能用

参数估计完成后，必须检验“样本是否真的来自该分布”。常用方法包括：

• Kolmogorov-Smirnov（K-S）检验：比较经验分布函数与假设分布函数的最大偏差 D。当 D 小于临界值或 p>0.05 时，不能拒绝原假设。K-S 对整体分布敏感，但对尾部差异不够灵敏。
• Anderson-Darling（A-D）检验：对尾部加权，更适合疲劳寿命这类关注低失效概率尾部的场景。A-D 统计量越小越好，通常与临界值表比较。
• χ² 检验：将数据分箱后比较观测频数与期望频数。要求每箱期望频数不小于 5，小样本时需谨慎使用。
• 概率图目视检查：观察数据点是否围绕直线随机分布。若出现明显弯曲或系统偏离，即使检验通过也应警惕。

需要强调：p>0.05 只说明“没有足够证据拒绝”，不等于“模型正确”。样本量越大，检验越容易发现微小偏差；样本量很小时，检验功效低，可能漏掉严重不匹配。因此拟合优度检验必须与工程判断结合。

四、工程数据适用性判断

统计上可接受的模型，未必在工程上适用。判断时应关注四点：

1. 工况一致性：用于建模的数据是否来自与目标构件相同或可外推的载荷谱、应力比、环境条件。若试验在 R=0.1 下完成，却用于 R=0.5 的构件，分布参数不能直接搬用。
2. 尾部风险：疲劳可靠度往往关注 10⁻³ 甚至更低失效概率。若样本量只有十几件，尾部外推不确定性极大，应给出参数置信区间，而非只给点估计。
3. 失效机理一致性：Weibull 形状参数 β 是否与已知失效模式相符。若同一批数据混合了表面失效与内部夹杂失效两种机理，单一 Weibull 分布可能不适用，应考虑混合分布或分段建模。
4. 数据质量：是否存在截尾、删失、异常点、测量误差。异常点应查明原因后再决定取舍，不能为了通过检验而随意删除。

综上，随机变量建模的核心不是“找到一条能通过检验的曲线”，而是建立一个在统计上可接受、在工程上可解释、在目标工况下可外推的概率模型。参数估计给出模型的具体形式，拟合优度检验给出统计可信度，工程适用性判断则决定这个模型能否真正用于疲劳寿命不确定性评估。