1. 课程导入与全景认知

在工程设计与质量改进中，我们经常面对一个尴尬的现实：设计参数明明都取在“标称值”上，样机测试却时好时坏；仿真结果看起来完美，量产却频繁超差。造成这种落差的根源，往往不是设计算错了，而是波动没有被纳入设计考量。蒙特卡洛仿真与稳健设计，正是为“让设计在波动中依然可靠”而生的方法论组合。

一、两个核心概念：蒙特卡洛仿真与稳健设计

蒙特卡洛仿真（Monte Carlo Simulation）是一种基于随机抽样的数值计算方法。它的基本逻辑是：当输出 Y 是若干输入 X₁, X₂, …, Xₙ 的函数 Y = f(X₁, X₂, …, Xₙ)，而输入本身带有不确定性（公差、材料批次差异、环境波动、载荷随机性）时，我们不再只代入一组标称值算一次，而是按每个输入的分布规律抽取大量样本，逐组代入模型计算，最终得到 Y 的一个分布——均值、标准差、分位数、超差概率（PPM）等。

它的价值在于：把“点估计”升级为“分布估计”。传统计算告诉你“Y 大约等于 50”，蒙特卡洛告诉你“Y 有 99.7% 的概率落在 47.2～52.8 之间，超出规格上限 53 的概率约为 0.13%”。后者才是设计决策真正需要的信息。

稳健设计（Robust Design）由田口玄一提出，核心思想是：与其试图消除所有波动源（成本极高甚至不可能），不如让设计本身对波动不敏感。它通过合理选择可控因子（设计参数）的水平，使输出对噪声因子（不可控波动）的敏感度最低，同时把输出均值调整到目标值附近。稳健设计追求的不是“最优峰值性能”，而是“在波动下性能稳定”。

二、核心思想：从“确定性”到“概率性”的设计观

传统设计流程是确定性的：给定输入 → 计算输出 → 与规格比较 → 通过或修改。这条链路隐含一个假设——输入是精确的。但真实世界中，输入永远是一个区间或分布。稳健设计把这条链路改写为：

输入分布 → 模型传递 → 输出分布 → 超差概率 → 敏感度分析 → 参数再选择

其中“敏感度分析”是关键转折点。它回答：哪个输入对输出波动的贡献最大？如果某个参数贡献了 70% 的波动，那么控制它的公差或重新选值，收益远大于平均用力。蒙特卡洛仿真恰好能高效地给出这种贡献度排序（通过相关性分析或方差分解）。

因此，本课程贯穿始终的一条主线是：用蒙特卡洛量化波动，用敏感度定位关键，用稳健设计降低敏感度。

三、典型应用场景

• 电子电路设计：电阻容差 ±1%、运放失调电压、温度漂移共同作用下，滤波器截止频率的分布与良率。
• 机械结构设计：板厚、弹性模量、装配间隙波动对刚度、强度、疲劳寿命的影响。
• 工艺参数优化：注塑温度、压力、保压时间的波动对收缩率与尺寸超差的影响。
• 供应链与项目风险：交期、需求、汇率的不确定性对成本与进度的概率影响。
• 仿真模型可信度评估：当仿真模型本身存在标定误差时，用蒙特卡洛评估结论的置信区间。

这些场景的共同特征是：输入有波动、输出有规格、决策有风险。只要满足这三条，蒙特卡洛与稳健设计就有用武之地。

四、课程学习地图

本课程共 30 章，整体按“认知 → 工具 → 方法 → 实战 → 复盘”推进。前几章建立概念与概率基础，中段进入蒙特卡洛建模、抽样方法、收敛判断与敏感度分析，随后转入稳健设计的正交试验、信噪比、参数图与容差设计，最后通过综合案例完成从问题定义到方案交付的闭环。

五、工具准备与学习建议

本课程不绑定特定软件，但建议准备以下三类工具中的至少一类：

• 电子表格（Excel / WPS）：适合入门阶段理解抽样与分布，用 RAND()、NORM.INV() 即可完成简单蒙特卡洛。
• Python（NumPy / SciPy / Matplotlib）：适合中后段批量仿真、敏感度分析与可视化，代码可控性强。
• 专业仿真或试验设计软件：适合复杂模型与正交试验，但建议先理解原理再依赖工具。