2. 输入参数识别与不确定性来源分析

概率分布建模的第一步不是选分布，而是把“哪些量在变、为什么变、变多少”说清楚。工程对象往往有几十个输入量，但真正影响输出不确定性的通常只有少数几个。本节的任务是：针对实际工程对象梳理关键输入参数，把每个参数的不确定性归入随机性、认知不确定性、测量误差三类，形成可追溯的参数清单，并按对输出的影响程度排出优先级，为后续分布拟合与校验确定工作重点。

三类不确定性来源的判别

随机性是对象本身固有的变异性，即使测量完美、知识完备也无法消除。例如同一批次材料的屈服强度因微观组织差异而波动，同一工况下多台泵的流量存在制造分散。这类量适合用概率分布描述，其分布参数可由样本统计得到。

认知不确定性源于知识不足，理论上可通过更多数据或更深入的认识来削减。典型情形包括：新工艺尚无足够试验数据、某边界条件只能凭经验假定区间、模型形式本身存在简化。对这类量，常用区间、均匀分布或带较大变异系数的分布来保守表达，并在后续校验中重点关注其敏感性。

测量误差来自传感器、采样与数据处理环节，表现为测量值与真值的偏差。它既有系统偏差（可通过标定修正），也有随机误差（可用重复测量的标准差刻画）。工程上常把测量误差与对象随机性混在一起统计，导致方差被高估，因此需要先判断数据是“对象波动”还是“测量波动”。

参数清单的字段设计

参数清单不是简单罗列名称，而应让每个参数的不确定性来源、量纲、取值范围和数据出处都可追溯。建议至少包含以下字段：参数编号、名称与符号、单位、所属部件或工况、不确定性类型、变异来源说明、当前取值或区间、数据来源与样本量、初步优先级。下表给出一个结构件强度校核示例（数值为教学假设，非实测）。

清单中“数据来源”一栏尤为关键：样本量决定了后续分布拟合的可信度，专家判断则提示该参数需要做敏感性分析而非直接拟合。对于同一参数同时含随机性与测量误差的情况，应注明是否已扣除测量方差。

优先级排序：先筛后算

参数多时不宜平均用力。工程上常用两步筛选：第一步做定性筛选，按“影响量级×不确定性幅度”粗排，把影响小且波动小的参数降为低优先级；第二步对中高优先级参数做敏感性分析，用标准化回归系数或方差贡献率定量排序。例如对输出 Y 与输入 X_i，可计算标准化回归系数 β_i，其平方近似反映该输入对输出方差的贡献占比。若某参数贡献率低于 5%，可固定为均值处理，从而压缩后续建模维度。

需要强调的是，认知不确定性参数即使敏感性不高，也不宜简单固定，因为它可能隐藏系统性偏差；更稳妥的做法是保留区间并在校验阶段做上下界对比。下图展示了从工程对象到优先级输出的完整识别链路，以及三类不确定性在其中的分流关系。

实操要点与常见偏差

在真实项目中，参数识别最容易出问题的地方有三处。其一，把测量误差当随机性：直接对含测量噪声的现场数据拟合分布，会把仪器方差并入对象方差，导致后续可靠度评估偏保守或偏乐观。处理办法是先用重复测量或标准件比对估计测量标准差 σ_m，再从总方差中扣除，即 σ_对象² ≈ σ_总² − σ_m²，并确认结果非负。

其二，认知不确定性被“假装”成随机性：数据不足时随手给一个正态分布，看似完成了建模，实则把未知当成了已知。更合适的做法是先给区间或均匀分布，在敏感性分析中观察该参数取上下界时输出的变化幅度，若影响显著则优先补充试验数据。

其三，参数间相关性被忽略：如壁厚与重量、温度与材料性能往往同向变化，独立假设会低估或高估输出方差。识别阶段应在清单中增加“相关参数”备注，为后续相关抽样预留接口。

完成本节工作后，应得到一份字段完整、来源可查、优先级明确的参数清单，并清楚每个高优先级参数属于哪类不确定性、下一步该拟合分布还是做区间分析。这份清单是后续分布拟合、相关性建模与校验方案设计的直接输入，也是判断建模结果是否可信的第一道依据。