4. 统计法（RSS）分析：用概率说话
各位工程师，前面我们聊了极值法（WC），那种“最坏情况叠加”的思路，确实让人安心。但做久了你会发现，所有零件同时跑到极限公差的情况，现实中几乎不会发生。你想想看，一个装配体里有十几个尺寸，每个都恰好是最大实体或最小实体，这概率比中彩票还低。
所以，我们得换个思路——用统计的眼光看公差。这就是统计法，也叫RSS（Root Sum Square，平方和根法）。我个人习惯在量产阶段、零件数多的时候，优先用RSS。它不追求“绝对不失效”，而是追求“大概率合格”。
核心思想： 公差不是简单相加，而是按“方差”的方式叠加。因为尺寸波动是随机的，正负偏差会相互抵消一部分。
4.1 统计法的原理：为什么不是直接相加？
我们先回忆一下，为什么极值法要直接加？因为它假设所有偏差都朝最坏方向走。但实际生产中，每个尺寸的偏差是独立的、随机的。比如轴径和孔径，一个偏大、一个偏小，反而可能装配更顺。
统计法的理论基础是：独立随机变量的方差具有可加性。也就是说，总偏差的方差，等于各零件偏差方差之和。然后开方，得到总偏差的标准差。
用公式表达就是：
总公差 T_total = √(T₁² + T₂² + T₃² + ... + Tn²)其中 T₁、T₂ 等是各零件的公差带宽度（通常是 ±3σ 对应的范围）。
我在项目中遇到过一件事：一个手机中框的装配，用极值法算出来总公差 0.5mm，但实际量产良率一直很高。后来改用RSS一算，总公差只有 0.28mm。嗯，这才是真实情况。极值法太保守了。
4.2 正态分布与3σ原则：统计法的基石
RSS 能成立，前提是每个零件的尺寸波动服从正态分布。正态分布长什么样？中间高、两边低，像个钟。大部分零件尺寸集中在平均值附近，越往两边跑，概率越低。
这里有个关键概念——3σ原则：
- ±1σ 范围内，包含约 68.27% 的零件
- ±2σ 范围内，包含约 95.45% 的零件
- ±3σ 范围内，包含约 99.73% 的零件
换句话说，如果你把公差带设定为 ±3σ，那么只有 0.27% 的零件会超出公差。这就是为什么我们常说“3σ 水平”对应 99.73% 的合格率。
我的习惯： 在做RSS分析前，先确认供应商的过程能力。如果 CpK 低于 1.33，那正态分布假设可能不成立，RSS 结果会偏乐观。这时候我会适当放大安全系数。
为什么会这样？因为如果过程不受控，尺寸分布可能偏态、双峰，甚至平顶。那方差叠加的公式就不准了。所以，统计法不是万能的，它要求过程稳定。
4.3 RSS计算公式：一步步来
好，我们直接上公式。假设一个装配尺寸链有 n 个独立零件，每个零件的公差为 Tᵢ（通常取 ±3σ 范围），那么：
总公差 T_rss = √(T₁² + T₂² + ... + Tn²)
总标准差 σ_total = T_rss / 6 （因为 ±3σ 对应 6σ 宽度）举个例子：
| 零件 | 名义尺寸 (mm) | 公差 (±mm) | 公差平方 (mm²) |
|---|---|---|---|
| 零件A | 10.0 | 0.10 | 0.01 |
| 零件B | 15.0 | 0.15 | 0.0225 |
| 零件C | 20.0 | 0.20 | 0.04 |
| 零件D | 5.0 | 0.05 | 0.0025 |
| 合计 | 50.0 | — | 0.075 |
计算：
T_rss = √0.075 ≈ 0.274 mm对比一下极值法：T_wc = 0.10 + 0.15 + 0.20 + 0.05 = 0.50 mm
你看，RSS 算出来只有极值法的一半多一点。这意味着，如果按极值法设计，你可能会把公差收得很紧，成本飙升。而按 RSS，你可以适当放宽，同时保证 99.73% 的良率。
注意： 我曾经吃过一次亏。一个项目用了 RSS，但没检查零件之间的相关性。结果两个尺寸由同一台机床加工，偏差正相关，实际总偏差比 RSS 算的大。从那以后，我每次都会问：这些尺寸真的独立吗？
4.4 统计法的应用场景：什么时候用？
不是所有场合都适合 RSS。我总结了几条经验：
- 量产阶段：零件数多（比如 5 个以上），且过程能力稳定（CpK ≥ 1.33）。这时候 RSS 能帮你省钱。
- 非关键功能：装配间隙不是安全相关，偶尔超差不会导致功能失效。比如外壳缝隙、装饰件配合。
- 多零件串联：尺寸链中零件越多，RSS 的优势越明显。因为极值法会线性累加，而 RSS 增长慢（平方和开方）。
- 设计优化：在概念设计阶段，用 RSS 快速评估方案可行性，比极值法更贴近实际。
但以下情况，我建议慎用 RSS：
- 安全件（刹车、转向等），必须用极值法保证零失效。
- 零件数很少（≤3 个），RSS 和极值法差别不大，不如直接用极值法省事。
- 过程能力差（CpK < 1.0），分布可能严重偏离正态。
一句话总结： 统计法是用概率换成本。你接受 0.27% 的失效风险，就能换来更宽松的公差、更低的加工成本。但前提是——过程稳定、尺寸独立、分布正态。缺一个，结果就可能翻车。
4.5 知识体系图：统计法RSS全景
下面这张图，帮你把本章的核心逻辑串起来：
好了，统计法RSS的内容就这些。记住，它是个好工具，但别迷信。下次做公差分析时，先问问自己：我的数据靠谱吗？过程稳定吗？如果答案是肯定的，那RSS会帮你省下不少成本。