1. 课程导入与问题界定

在可靠性分析、风险评估、不确定性量化和工程仿真中，输入参数往往不是确定值，而是带有波动范围的随机变量。例如某型液压泵的出口压力标称 25 MPa，但实际运行中可能在 23.5～26.2 MPa 之间波动；某批次钢材屈服强度名义值 355 MPa，实测却服从一个均值约 372 MPa、标准差约 18 MPa 的分布。若在模型中直接把这些参数写成单一常数，后续算出的失效概率、置信区间和风险指标都会失真。本课程要解决的核心任务，就是把“参数会怎么变”这件事，用可计算、可追溯、可检验的概率分布表达出来。

这里需要先界定一个常见误区：概率分布建模不等于“给参数随便套一个正态分布”。分布类型、参数取值、相关性结构，都必须有来源、有依据、有校验。因此本课程贯穿始终的工作逻辑是：数据/信息 → 分布假设 → 参数估计 → 拟合校验 → 模型确认。缺少任何一环，分布都可能只是“看起来合理”的假设。

一、参数不确定性从哪里来

要建模，先分清不确定性的来源，因为不同来源对应不同的处理方式。工程中通常区分三类：

• 固有随机性（偶然不确定性）：对象本身固有的波动，如材料批次差异、零件尺寸公差、环境温度日波动。这类不确定性无法通过增加测量次数消除，只能刻画其分布。
• 认知不确定性：由于知识不足或数据有限造成的不确定，如某新型合金只做了 8 组疲劳试验，其 S-N 曲线参数区间尚不清楚。这类不确定性可通过补充数据、专家信息逐步收窄。
• 模型与测量不确定性：测量仪器误差、传感器漂移、经验公式简化带来的偏差。它既不是对象固有波动，也不是纯粹无知，需要在数据预处理阶段识别并尽量剥离。

区分这三类的实际意义在于：固有随机性应进入分布的形状与离散程度；认知不确定性更适合用区间、贝叶斯先验或保守假设处理；测量误差则应在拟合前通过校准、重复测量或误差传播加以修正。若把测量误差当成材料固有波动，会人为放大方差；若把认知不确定性当成确定分布，又会低估风险。

二、完整工作流框架

下图给出本节要建立的整体框架，它把“数据—分布—校验”串成一条可执行链路，并标出每一步的关键输入与判断点。

三、一个可操作的示例：螺栓预紧力分布

假设某装配线需要为 M10 螺栓的预紧力建立概率分布，用于后续连接可靠性评估。已有信息包括：工艺规范要求预紧力 18～22 kN；现场扭矩法施工记录 40 组；扭矩系数存在批次波动。可按如下方式推进：

1. 数据整理：把 40 组预紧力换算为统一单位，剔除明显记录错误（如超出量程的 31 kN），并标注测量方式（扭矩法反算，存在约 ±8% 的换算误差）。
2. 来源判断：预紧力波动主要来自施工随机性（固有随机性），扭矩系数批次差异属于认知不确定性，测量换算误差属于测量不确定性。
3. 分布假设：预紧力受多个独立小因素叠加影响，先尝试正态分布；若数据明显右偏，则考虑对数正态。
4. 参数估计：对清洗后的样本计算均值与标准差，例如得到均值 20.1 kN、标准差 1.3 kN（示例数据，仅作演示）。
5. 校验：做 K-S 检验并绘制 Q-Q 图，观察 18 kN 与 22 kN 两个规范边界附近的分位数是否吻合；若尾部偏差大，应回到第 3 步调整分布类型。

四、本节要建立的三个基本认识

第一，分布是假设，不是事实。任何分布都建立在数据、机理和简化之上，必须记录来源与适用条件。第二，校验是建模的一部分，不是事后附加步骤；校验不通过时的回退调整，恰恰是建模走向可靠的正常过程。第三，不确定性来源决定处理策略：固有随机性刻画分布，认知不确定性用区间或先验表达，测量误差在预处理阶段修正。