4. 蒙特卡洛模拟：随机抽样原理、正态分布与均匀分布的应用、模拟次数与置信度

公差分析做到一定深度，你会发现一个尴尬的事实：

极值法太保守，方和根法又太理想。真实的光学系统装调出来，误差分布从来不是简单的加减法。这时候，蒙特卡洛模拟就该上场了。

说白了，它就是用计算机模拟“虚拟装调”。你想想看，如果我们能模拟一万次装调，看看最终性能的分布情况，是不是比拍脑袋给个公差范围靠谱得多？

4.1 随机抽样的底层逻辑

蒙特卡洛的核心就一句话：用大量随机样本逼近真实分布。

我刚开始接触这方法时，总觉得它有点“笨”——不就是瞎蒙吗？后来才明白，这种“笨办法”在复杂系统里反而是最聪明的。

具体到光谱仪公差分析，流程是这样的：

1. 定义输入参数：每个光学元件的偏心、倾斜、厚度、曲率半径等。
2. 设定概率分布：每个参数服从什么分布？正态？均匀？
3. 随机抽样：从分布中抽取一组随机数，代表一次“虚拟装调”。
4. 计算性能：把这组参数代入光学设计软件，算出像质、光谱分辨率等。
5. 重复N次：通常几千到几万次。
6. 统计分析：看性能指标的直方图，算良率。

4.2 正态分布 vs 均匀分布——什么时候用哪个？

这是新手最容易搞混的地方。我见过不少工程师，不管三七二十一，所有公差全给正态分布。结果模拟出来的良率虚高，实际装调时被打脸。

正态分布（高斯分布）：

• 适用于大量独立随机因素叠加的误差，比如机械加工误差。
• 特点：中间多，两头少。±1σ内占68.3%，±3σ内占99.7%。
• 我个人的习惯：透镜曲率半径、厚度、空气间隔，只要是大批量CNC加工，优先用正态。

均匀分布：

• 适用于有明确上下限，且区间内概率相等的情况。
• 典型场景：镜片偏心（靠工装定位）、胶合透镜的胶层厚度、手动调整的螺钉位置。
• 为什么？因为这些误差往往由“一次定位”决定，而不是大量随机因素叠加。

分布类型	适用场景	数学表达	我的经验
正态分布	曲率半径、厚度、折射率	N(μ, σ²)	加工批次稳定时首选
均匀分布	偏心、倾斜、手动调整量	U(a, b)	工装定位类误差必用
截断正态	有物理极限的正态误差	N(μ, σ²) 截断	避免抽到离谱值

4.3 模拟次数与置信度——到底要跑多少次？

这个问题，几乎每次培训都有人问。我的回答是：看你要多高的置信度。

蒙特卡洛的误差与模拟次数的平方根成反比：

误差 ∝ 1 / √N

也就是说：

• 跑100次，误差约10%
• 跑10000次，误差约1%
• 跑1000000次，误差约0.1%

但光学系统仿真一次可能几秒甚至几分钟，跑一百万次不现实。所以需要权衡。

我一般遵循这个经验法则：

目的	推荐次数	置信度
初步探索	500 ~ 1000	±5%
公差分配优化	2000 ~ 5000	±2%
最终验证	10000 ~ 50000	±1%
高可靠性要求	100000+	±0.3%

4.4 蒙特卡洛模拟流程图

下面这张图，是我每次做公差分析时脑子里都会过的流程。你可以把它当成一个检查清单：

4.5 实战中的几个坑

嗯，这里我要多说几句。蒙特卡洛看起来简单，但实际用起来，坑不少。

坑一：参数相关性被忽略

光谱仪里，镜片的偏心X和偏心Y往往是相关的，倾斜和偏心也可能耦合。但很多工程师直接当成独立参数抽样。结果模拟出来的分布比实际窄，良率虚高。

我的建议：如果两个参数强相关（比如同一个镜片的X/Y偏心），用联合分布或者协方差矩阵来抽样。

坑二：抽样次数不够，结论不可靠

我曾经见过一个报告，只跑了200次就说良率99%。我一看，性能指标刚好卡在规格线外一点点，200次里只出现了一次不合格。这能说明问题吗？显然不能。

记住：良率越接近100%，需要的模拟次数就越多。想验证99.7%的良率，至少需要跑10000次以上。

坑三：分布边界处理不当

正态分布理论上可以取到无穷大，但实际公差不可能。比如镜片厚度，±0.1mm的公差，正态分布可能会抽到+0.3mm的离谱值。

解决办法：用截断正态分布，或者把超出边界的值重新抽样。