1. 课程导入与Hexagon质量数字化全景

在智能制造语境下，尺寸公差分析早已不是“画完图后补一张公差表”的收尾工作，而是贯穿设计、工艺、制造与检测的主线。一个零件的名义几何定义了它“应该是什么样”，而公差定义了它“允许偏离多少”。当产品批量生产、多工序流转、供应链协同成为常态，真正决定装配成功率、良率与交付稳定性的，往往不是名义尺寸，而是公差链在真实制造波动下的表现。本课程围绕Hexagon质量数字化生态，系统讲解尺寸公差分析的方法、工具链与数据闭环，帮助你把“图纸上的公差”转化为“可计算、可测量、可追溯、可优化”的工程能力。

先建立三个基本认识。第一，公差分析的核心问题是累积与分配：多个零件的尺寸偏差沿装配链叠加，最终表现为间隙、干涉、偏心或功能失效；分析的目标是判断累积结果是否落在功能要求之内，并决定各环节应分配多少公差。第二，公差分析必须与测量数据闭环：没有实测数据支撑的公差分配只是假设，而Hexagon的PC-DMIS、Q-DAS等工具正是把“测量结果”变成“分析输入”的关键。第三，数字化不是把纸质表格电子化，而是让公差模型、测量程序、检测数据、质量指标在同一数据流中可追溯、可复用。

尺寸公差分析在智能制造中的定位

从产品生命周期看，公差分析处在“设计意图”与“制造现实”的交界处。设计端给出功能要求与基准体系，工艺端给出加工能力与装夹方案，检测端给出实测偏差与过程能力，而公差分析把这三者连接起来：向前约束设计（哪些尺寸必须收紧），向后指导工艺（哪些工序需要能力提升），向下定义检测（哪些特征必须测量、用什么基准、采样多少）。在智能工厂中，这一连接进一步被数据化——测量设备输出的不再是合格/不合格，而是带基准、带坐标、带不确定度的结构化数据，可直接进入统计分析、趋势监控与根因定位。

因此，本课程不把公差分析当作孤立的计算练习，而是把它放在“设计—工艺—测量—数据—改进”的链条中讲解。你会看到：同一个位置度公差，用极值法、均方根法或蒙特卡洛法计算，结论可能差异显著；同一组测量数据，用不同基准拟合，位置度结果可能从合格变为超差。理解这些差异，正是数字化质量工程师的核心价值。

Hexagon质量数字化生态概览

Hexagon的质量数字化能力由多个产品协同构成，理解它们的分工，才能在实际项目中选对工具、接对数据。

• PC-DMIS：三坐标测量机的核心测量软件，负责编写测量程序、建立零件坐标系、采集点云与特征、计算尺寸与形位公差。它是“把物理零件变成测量数据”的入口，也是公差分析所需实测值的直接来源。
• Q-DAS：面向制造过程的质量数据分析平台，接收测量数据后进行过程能力分析（Cp/Cpk）、控制图监控、趋势与分布分析。它回答的是“这个过程稳不稳定、能力够不够”，为公差分配提供统计依据。
• eMMA：质量数据管理与分析应用，侧重于测量数据的归档、查询、报告与跨部门共享，使检测结果可追溯、可对比、可审计。
• HxGN SDx：面向资产与工程数据的数字化平台，管理设计数据、工程变更与配置信息，使公差要求与最新版图纸、模型保持一致，避免“用旧版公差做分析”的典型错误。

这些工具不是彼此替代，而是形成一条数据链：设计模型与公差要求从SDx类平台获取，测量程序在PC-DMIS中执行并输出数据，数据进入Q-DAS做统计与能力评价，eMMA承担归档与共享。公差分析则在这条链上反复迭代——用分析结果决定测什么、怎么测，用测量结果修正分析假设。

学习路径与实战项目说明

本课程按“概念—方法—工具—案例—复盘”的节奏推进，但不会把每一节都写成同一种流程。你会先建立公差分析的基本语言：尺寸链、基准、闭环与开环、极值法与统计法；随后进入Hexagon工具链的具体操作与数据接口；再通过装配案例、位置度案例、过程能力案例，把方法落到可计算、可判断的层面。

实战项目贯穿课程：以一个典型的“多零件装配尺寸链”为对象，从图纸公差与基准体系出发，建立尺寸链模型，分别用极值法、均方根法和蒙特卡洛法计算累积分布，识别敏感尺寸；再基于PC-DMIS测量方案采集实测数据，导入Q-DAS评价过程能力，判断哪些公差需要收紧、哪些可以放宽；最后形成一份可追溯的公差分析报告与检测计划。项目中的参数、数据和结论均为教学示例或合理假设，用于说明方法，不代表任何真实产品的实测结果。

完成本章后，你应当能够说清三件事：尺寸公差分析在智能制造链条中解决什么问题；Hexagon各产品在数据流中各自承担什么角色；以及本课程将用什么项目、什么数据、什么判断标准来训练你的分析能力。接下来的章节会从尺寸链与基准体系开始，逐步展开。