3. 容差分析基础与工程意义
在结构优化中，我们通常假设尺寸、材料、载荷都是确定值。但真实产品从制造到装配，每一步都会引入偏差。容差分析要回答的核心问题是：当这些偏差同时存在时，结构性能还能不能稳定满足要求？本节从偏差来源讲起，逐步建立最坏情况分析与统计公差分析的判断框架，并说明它们在 OptiStruct 中的实现方式。
一、制造与装配偏差从哪里来
偏差不是单一来源，而是沿产品形成链条逐级累积的。理解来源，才能决定哪些参数该设为容差变量、哪些可以当作确定量。
- 材料与工艺波动：板厚公差（如 1.0 mm 板实际 0.95～1.05 mm）、弹性模量批次差异（±3%～±5%）、屈服强度分散。
- 成形与加工偏差：冲压回弹、焊接热变形、机加尺寸公差（如孔径 φ10H8）、注塑收缩率波动。
- 装配偏差：定位孔间隙、螺栓预紧力分散、多层板件叠装后的累计厚度偏差、焊点位置偏移。
- 使用与环境偏差：载荷幅值不确定、温度变化引起的热应力、磨损导致的间隙增大。
工程上把这些量分为两类：可控设计变量（优化时主动调整，如筋板厚度）和噪声变量（无法在设计阶段精确控制，如板厚公差、材料分散）。容差分析关注的是后者对性能的扰动。
二、容差如何影响性能
偏差对性能的影响并非总是线性的，也不总是同向叠加。以某支架一阶固有频率为例：设计名义值为 82 Hz，要求不低于 78 Hz。若板厚公差 ±5%、弹性模量分散 ±4%，频率大致按刚度与质量的平方根关系变化，单因素影响约为 ±2.5% 和 ±2%。
关键在于叠加方式：如果两个偏差同向最不利，频率可能下降约 4.5%，即约 78.3 Hz，已逼近下限；如果按统计规律随机组合，多数样本的下降幅度会明显小于最坏叠加。这正是最坏情况分析与统计公差分析的分水岭。
三、最坏情况分析与统计公差分析
两种方法对应两种工程态度，适用场景不同。
| 对比项 | 最坏情况分析（WCA） | 统计公差分析（STA） |
|---|---|---|
| 基本假设 | 所有偏差同时取最不利极值 | 偏差按分布随机组合（常设正态） |
| 计算方式 | Δy = Σ |∂y/∂xi|·Δxi | σy = √(Σ (∂y/∂xi·σi)²) |
| 结果含义 | 性能的绝对边界，100% 保守 | 给定合格率下的性能分布 |
| 适用场景 | 安全件、失效后果严重、样本少 | 大批量生产、成本敏感、可接受小比例超差 |
| 典型代价 | 过度保守，可能误判设计不可行 | 需要分布与相关性假设，尾部风险需校核 |
以频率问题为例：WCA 得到 78.3 Hz，判定“勉强合格”；STA 若设各偏差服从正态、3σ 对应公差，则频率标准差约为 0.9 Hz，均值约 81 Hz，低于 78 Hz 的概率极小。可见同一组公差，两种方法给出的结论和设计余量完全不同。
四、在 OptiStruct 中的实现方式
OptiStruct 本身以确定性优化为核心，容差分析通常通过以下三条路径落地。
路径一：参数化 + 灵敏度分析。用 DESVAR 定义板厚、模量等设计变量，用 DVPREL1 建立变量与单元属性的关系，通过 SOL 200 的灵敏度输出（DESGLB、DRESP1）获得 ∂f/∂xi。把灵敏度乘以公差幅值，即可手工完成 WCA 估算。
DESVAR, 1, t_plate, 0.95, 1.00, 1.05
DVPREL1, 10, PSHELL, 1, 4, , 1.0, 1
DRESP1, 20, FREQ1, FREQ, , , , 1
DESGLB, 1
路径二：多工况/多模型批处理。把公差极值组合成若干确定性模型（如 t=0.95/1.05、E=0.96E0/1.04E0），批量提交 OptiStruct 求解，收集性能响应后按 WCA 或 STA 公式汇总。这是工程上最直接、最易验证的做法。
路径三：与 HyperStudy 联合。在 HyperStudy 中把 OptiStruct 作为求解器，定义输入变量及其分布（正态、均匀），运行 DOE 或蒙特卡洛抽样，直接得到性能分布、均值和标准差，并识别关键公差贡献。这是实现统计公差分析最规范的方式。
五、工程意义与判断准则
容差分析的产出不是一张漂亮的分布图，而是三个可执行判断：
- 性能是否越界：WCA 下界是否仍满足要求？若否，设计余量不足，需调整结构或收紧关键公差。
- 谁在主导分散：按 |∂f/∂xi|·Δxi 排序，找出贡献最大的 2～3 个参数，优先控制它们，而不是平均收紧所有公差。
- 合格率是否可接受：STA 给出低于限值的概率，与批量规模和失效后果对照，决定是否放行或加严。