4. 公差分析数据解读：灵敏度分析、蒙特卡洛模拟、良率预测与统计图表生成

公差分析，说白了就是回答一个问题：“我的镜头造出来，到底还能不能看？”

设计时 MTF 跑得再漂亮，到了产线上，镜片厚度偏一点、折射率差一档、装配歪个几微米，性能可能直接崩盘。我见过太多设计报告里“标称性能”美如画，结果试产良率不到 20% 的案例。嗯，这章咱们就把公差分析的数据怎么读、怎么用，彻底讲透。

4.1 灵敏度分析：找出“谁最捣蛋”

灵敏度分析，是公差分析的起点。它的逻辑很简单：每次只让一个参数动一下，看看性能掉多少。

我个人习惯，拿到灵敏度报告后，先不看具体数值，而是扫一眼“最大降幅”那一列。如果某个公差项导致的性能下降是其他项的 3 倍以上，那它就是“头号捣蛋鬼”。

举个例子，一个典型的 4 片式手机镜头，灵敏度分析表可能长这样：

看到没？镜片 S2 的厚度变化，MTF 直接掉了 0.07。这就是你要重点管控的对象。

4.2 蒙特卡洛模拟：模拟“真实生产”

灵敏度分析是单兵作战，蒙特卡洛模拟则是集团军作战。它把所有公差项按照统计分布（通常是正态分布）同时随机赋值，模拟出成百上千套“虚拟镜头”。

为什么要这么做？因为实际生产中，所有误差是同时发生的。一个镜片厚了 0.01mm，另一个薄了 0.005mm，它们的效果可能互相抵消，也可能叠加放大。蒙特卡洛模拟能告诉你：在真实的统计波动下，你的镜头到底能做成什么样。

我曾经遇到一个项目，灵敏度分析看起来一切正常，但蒙特卡洛模拟跑出来，良率只有 40%。后来发现是三个中等敏感度的公差项在统计上“共振”了。这就是蒙特卡洛模拟不可替代的原因。

4.3 良率预测：从“能不能做”到“能做多少”

良率预测，是老板最关心的数字。它通常基于蒙特卡洛模拟的结果，设定一个性能阈值（比如 MTF ≥ 0.3），然后统计模拟样本中达标比例。

良率预测报告里，你通常会看到这几个关键指标：

• 名义良率： 所有公差都在标称值时的良率（通常是 100%，但没意义）。
• 统计良率： 考虑公差波动后的良率，这才是真金白银。
• 最差情况良率： 所有公差都往坏的方向偏，理论上可能达到的最低良率（通常很悲观）。

我个人习惯，把统计良率作为决策依据。如果统计良率低于 85%，我会建议客户要么收紧关键公差，要么重新优化设计，增加公差宽容度。

4.4 统计图表生成：让数据自己说话

数据解读的最后一步，是可视化。一堆数字摆在那，没人愿意看。但一张好的图表，能让问题一目了然。

我常用的图表有三种：

1. 直方图： 展示 MTF 或波前差的分布形态。看它是不是正态分布，有没有双峰，有没有拖尾。
2. 累积概率图： 直接读出良率。比如，从图上找到 MTF=0.3 对应的累积概率，那就是良率。
3. 帕累托图： 把灵敏度分析的结果按贡献度排序，一眼看出“关键的少数”。

下面这张 SVG 图，展示了公差分析从输入到输出的完整逻辑流程，你可以把它当作本章的知识骨架：

4.5 实战案例：一个 5 片式镜头的良率诊断

最后，分享一个我实际处理过的案例。一个 5 片式车载镜头，设计 MTF 0.5，客户要求良率 90%。

第一步，跑灵敏度分析。发现第 3 片镜片的偏心公差，贡献了 60% 的性能下降。嗯，问题找到了。

第二步，收紧第 3 片镜片的偏心公差，从 ±0.05mm 收紧到 ±0.02mm。重新跑蒙特卡洛模拟。

第三步，看结果。直方图显示，MTF 分布从原来的“左偏”变成了“居中”，累积概率图显示，MTF ≥ 0.3 的良率从 72% 提升到了 94%。

公差分析的数据解读，本质上是一个从“不确定性”中寻找“确定性”的过程。灵敏度分析告诉你风险在哪，蒙特卡洛模拟告诉你风险有多大，良率预测告诉你风险能不能接受，而统计图表，则是你把这一切讲给别人听的语言。