4. 常用概率分布及其工程适用性
在统计公差与Monte Carlo分析中，概率分布是描述尺寸波动规律的数学语言。选择哪种分布，直接决定了随机抽样时每个尺寸变量取值的形态，也决定了最终公差分析结果是否可信。工程上常见的分布有正态分布、均匀分布、三角分布、瑞利分布、威布尔分布和对数正态分布，它们各自对应不同的制造工艺、失效机理和物理约束。理解每种分布的适用场景，比记住公式更重要。
正态分布：最常用的中心极限结果
正态分布由均值 μ 和标准差 σ 完全确定，约 99.73% 的取值落在 μ±3σ 内。它适用于受大量独立、微小、随机因素叠加影响的尺寸特征，例如车削外径、磨削平面度、注塑件壁厚。当工序稳定、刀具磨损已补偿、来料批次一致时，尺寸往往近似正态。在Monte Carlo中，正态分布是最常用的输入，但要注意：如果实际过程存在明显偏斜或截尾，直接用正态会低估超差率。
均匀分布：等概率的边界约束
均匀分布在区间 [a,b] 内取值概率相等，均值为 (a+b)/2，标准差为 (b−a)/√12。它适合描述“只知道上下限、不知道中心倾向”的变量，例如来料抽检只给出合格范围、装配间隙由两个极限尺寸决定、供应商只承诺公差带而不提供过程能力。均匀分布是一种保守假设，在缺少过程数据时常用。若实际过程偏向中心，用均匀分布会高估极端值出现的概率，导致公差分析结果偏严。
三角分布：有限信息的折中
三角分布同样定义在 [a,b] 上，但取值在中心附近概率更高，呈三角形。它适用于已知最可能值、且过程有自然中心倾向但数据不足的情况，例如手工装配、小批量试制、供应商提供了典型值但无完整SPC数据。三角分布的标准差为 (b−a)/√24，比均匀分布小，比正态分布更保守。在Monte Carlo中，当无法确认正态性时，三角分布常作为折中方案。
瑞利分布：径向误差与疲劳寿命
瑞利分布由尺度参数 σ 决定，取值非负，概率密度在 σ 附近达到峰值后衰减。它描述的是二维向量模长的分布，典型场景包括：圆度误差的径向偏差、定位孔中心偏移量、振动幅值、以及某些疲劳寿命的早期阶段。在公差分析中，如果某个尺寸偏差是由两个正交方向误差合成得到的径向量，瑞利分布比正态分布更贴切。其均值为 σ√(π/2)，方差为 (2−π/2)σ²。
威布尔分布：寿命与强度分析
威布尔分布由形状参数 k 和尺度参数 λ 决定，灵活性极高：k<1 表示早期失效，k=1 退化为指数分布，k>1 表示磨损或疲劳型失效，k≈3.5 时接近正态。它广泛用于可靠性、疲劳寿命、材料强度、断裂韧性等分析。在公差分析中，当尺寸退化与时间或载荷循环相关时，威布尔分布可以描述“寿命到超差”的分布。例如某弹簧经过 10 万次循环后自由长度衰减量服从 k=2.2、λ=0.15 mm 的威布尔分布，可用于评估长期尺寸稳定性。
对数正态分布：右偏的尺寸与缺陷
对数正态分布的特点是变量取对数后服从正态分布，取值恒为正，且右尾较长。它适合描述本身不能为负、且大值出现概率虽小但不可忽略的量，例如表面粗糙度 Ra、圆角半径、孔隙率、某些化学腐蚀深度、以及由乘性误差累积形成的尺寸偏差。在公差分析中，如果某个尺寸的波动是多个比例因子相乘的结果，对数正态分布比正态分布更合理。其均值和中位数不相等，中位数为 e^μ，均值要乘 e^(σ²/2)。
分布选择对公差分析的影响
分布选择不是数学游戏，而是直接改变分析结论。假设某装配间隙由三个尺寸变量叠加而成，每个变量公差带宽度均为 0.10 mm。若三个变量都按正态分布处理，且过程能力充足，Monte Carlo 抽样 10 万次后超差率可能只有 0.1% 左右；若把其中两个变量改为均匀分布，由于均匀分布标准差为 (b−a)/√12≈0.0289 mm，而正态分布若取 ±3σ 对应 0.10 mm，则 σ≈0.0167 mm，均匀分布的标准差反而更大，叠加后总标准差上升，超差率可能升至 1%～3%。若进一步把某个变量改为对数正态分布，右尾拉长，超差率还会继续增加。这说明：在缺少过程数据时，选择更保守的分布（均匀、三角）会得到更安全的公差分配；而在过程稳定、数据充分时，使用正态分布可以避免过度保守导致成本浪费。
实操示例：同一装配的分布敏感性对比
以某轴孔间隙装配为例，间隙 G = 孔直径 D − 轴直径 d，目标间隙 0.05～0.15 mm。已知 D 的公差为 20.00±0.05 mm，d 的公差为 19.95±0.04 mm。分别按以下三种方案做 10 万次 Monte Carlo 抽样（示例参数为合理假设，非实测结果）：
| 方案 | D 分布 | d 分布 | 总标准差估计 | 超差率估计 |
|---|---|---|---|---|
| A | 正态，±3σ=0.05 | 正态，±3σ=0.04 | 0.0213 mm | 约 0.3% |
| B | 均匀，±0.05 | 均匀，±0.04 | 0.0256 mm | 约 1.2% |
| C | 三角，±0.05 | 对数正态，右偏 | 0.0290 mm | 约 2.5% |
从方案A到方案C，超差率估计从 0.3% 升至 2.5%，相差约 8 倍。若产线实际过程能力充足，方案A更接近真实；若来料波动大、供应商只保证公差带，方案B或C更安全。工程上建议先用保守分布做 worst-case 评估，再根据实际SPC数据逐步收紧分布假设，而不是一开始就默认正态。
总结来说，六种分布各有其物理背景和工程语义。正态分布描述中心极限叠加，均匀分布描述边界约束，三角分布描述有限信息的折中，瑞利分布描述径向合成，威布尔分布描述寿命与退化，对数正态分布描述右偏正量。在统计公差分析中，先判断变量的物理来源和可获取的数据层级，再选择分布，最后通过Monte Carlo抽样观察超差率和贡献度排序，才能让公差分配既安全又经济。