4. 蒙特卡洛模拟：从概率角度看镜头良率

公差分析做到一定深度，你会发现一个现实：最坏情况组合几乎不会发生。把所有公差都推到极限，然后说“这镜头废了”，其实有点吓唬自己。

真正决定镜头能不能量产、良率有多高的，是统计公差。而蒙特卡洛模拟，就是做这件事最直接的工具。

我个人习惯把蒙特卡洛叫做“掷骰子模拟”。你想想看，每个镜片的厚度、曲率、偏心，在加工时都是随机波动的。蒙特卡洛就是让计算机替我们掷几万次骰子，看看最终镜头性能的分布长什么样。

4.1 蒙特卡洛方法原理

说白了，蒙特卡洛的核心思想就三步：

1. 定义输入变量的概率分布——每个公差服从什么分布？正态？均匀？
2. 随机抽样——从这些分布里抽取一组公差值，算一次镜头性能。
3. 重复统计——抽几千上万次，统计性能的分布，算出良率。

我在项目中遇到过一件事：一个变焦镜头，用最坏情况分析法算出来，MTF下降0.15，怎么看都不合格。但用蒙特卡洛跑了一万次，发现90%以上的样本MTF下降都在0.05以内。后来跟加工厂确认，他们的工艺能力确实比公差表上写的要好。所以，蒙特卡洛能帮你“挤”出设计余量。

Code V里默认假设每个公差服从正态分布，标准差通常是公差范围的1/3。你也可以改成均匀分布或自定义分布。我个人建议：对于注塑镜片，用正态分布更贴近实际；对于金属件或装配偏差，均匀分布有时更保守。

4.2 Code V中蒙特卡洛设置

在Code V里跑蒙特卡洛，主要用MONTECARLO命令。我一般这么操作：

MONTECARLO
  TRIALS 5000
  DISTRIBUTION NORMAL
  COMPENSATORS 1 2 3
  SAVE ALL
  GO

解释一下几个关键参数：

参数	说明	我的建议
TRIALS	模拟次数	至少2000次，精度要求高时用5000-10000次
DISTRIBUTION	公差分布类型	NORMAL（正态）最常用，UNIFORM用于保守评估
COMPENSATORS	装配时可调整的补偿量	比如后焦调整、镜片倾斜调整，按实际工艺填
SAVE ALL	保存每次模拟的详细结果	建议开启，方便后续分析异常样本

还有一个容易被忽略的设置——随机种子。Code V默认每次启动时种子不同，所以两次模拟结果会略有差异。如果你需要复现结果，可以手动固定种子：

MONTECARLO
  SEED 12345
  ...

嗯，这里要注意：补偿器（COMPENSATORS）的设置直接影响模拟结果。我曾经帮一个客户看项目，他们跑出来的良率只有30%，我一看，补偿器只设了后焦。实际上他们的装配工艺里还有镜片倾斜调整。加上之后，良率直接跳到85%。所以，补偿器一定要跟实际工艺对齐。

4.3 模拟结果统计与直方图解读

跑完蒙特卡洛，Code V会生成一堆数据。我最关注三个东西：

• 均值（Mean）——性能的期望值，如果均值已经低于规格线，那设计本身就有问题。
• 标准差（Sigma）——性能的波动幅度，越小说明工艺稳健性越好。
• 良率（Yield）——落在规格范围内的样本比例，这才是老板关心的数字。

Code V会输出一个直方图，我拿一个实际项目的结果举个例子：

MTF at 30 lp/mm, Field 1
  Mean: 0.452
  Sigma: 0.023
  Yield (>=0.40): 98.7%
  Worst Case: 0.381

看到这个结果，我的第一反应是：良率98.7%，不错，但最坏情况0.381低于规格0.40。这意味着有1.3%的镜头会不合格。如果年产量100万颗，那就是1.3万颗废品，成本不低。

直方图怎么看？我一般三步走：

1. 看分布形状——是不是正态？有没有双峰？双峰通常意味着某个公差项在“捣乱”。
2. 看均值位置——均值离规格线越远，余量越大。
3. 看尾部——尾部拖得越长，极端不合格品越多。

下面这张图是我自己总结的蒙特卡洛分析流程，帮你理清思路：

最后说一句：蒙特卡洛的结果不是终点，而是起点。如果良率不够，你需要回到灵敏度分析，找出贡献最大的公差项，然后收紧它，或者改设计。如果良率远超目标，可以考虑适当放松一些成本高的公差，降本增效。

我个人习惯在项目评审时，同时展示最坏情况分析和蒙特卡洛结果。最坏情况给研发看，蒙特卡洛给生产和质量看。两边都满意，项目才能顺利推进。