3. 公差与误差基础

各位好，我是老张。做光机系统这么多年，我最大的体会就是：公差分析不是算账，是赌命。你设计得再漂亮，公差一摊开，可能连焦都对不上。今天咱们就把这四种最核心的分析方法掰开揉碎了讲清楚。

3.1 误差传递公式——老祖宗留下的规矩

先说误差传递公式。说白了，就是告诉你每个零件的误差，最后会怎么叠加到系统性能上。

假设系统性能 y 是多个参数 x₁, x₂, …, xₙ 的函数：

y = f(x₁, x₂, …, xₙ)

那么 y 的方差可以近似为：

σ²_y ≈ Σ (∂f/∂x_i)² · σ²_x_i

这里 ∂f/∂x_i 就是敏感度系数，σ²_x_i 是每个参数的方差。

举个例子，一个简单的透镜系统，焦距 f 受曲率半径 R 和折射率 n 影响：

f = R / (n - 1)

σ²_f ≈ (1/(n-1))² · σ²_R + (R/(n-1)²)² · σ²_n

你看，敏感度系数一目了然。哪个参数对结果影响大，一算就知道。

3.2 蒙特卡洛方法——用随机数砸出真相

蒙特卡洛方法，说白了就是模拟生产。你给每个参数一个分布（正态、均匀、三角都行），然后随机抽样，算一万次、十万次，看看最终性能的分布长什么样。

我习惯用 Python 做这事，代码不长：

import numpy as np

def monte_carlo_simulation(n_sim=10000):
    results = []
    for _ in range(n_sim):
        R = np.random.normal(100, 0.1)  # 曲率半径，均值100mm，公差0.1mm
        n = np.random.normal(1.5, 0.001)  # 折射率，均值1.5，公差0.001
        f = R / (n - 1)
        results.append(f)
    return np.mean(results), np.std(results)

我在项目中遇到过一件事：一个客户坚持用均匀分布，说“反正公差范围内概率一样”。结果算出来良率只有60%，实际生产更惨。后来改成正态分布，良率预测才准了。你想想看，加工厂的设备是有系统误差的，正态分布才更接近真实情况。

3.3 敏感度分析——找出那个“要命”的参数

敏感度分析，就是回答一个问题：哪个参数动一动，系统性能就崩了？

常用的方法有两种：

1. 局部敏感度：固定其他参数，只变一个，看性能变化斜率。就是上面误差传递公式里的 ∂f/∂x_i。
2. 全局敏感度：所有参数一起变，看每个参数对总方差的贡献比例。常用 Sobol 方法。

我一般先做局部敏感度，快速筛选出“高危参数”。然后对高危参数做全局敏感度，确认它们之间的交互效应。

3.4 最坏情况分析——给老板看的“安全牌”

最坏情况分析，就是假设所有参数都往最差的方向偏，然后算系统性能。公式很简单：

Δy_max = Σ |∂f/∂x_i| · Δx_i_max

这里 Δx_i_max 是每个参数的最大允许偏差。

说实话，最坏情况分析太保守了。所有参数同时坏到极值的概率极低，按这个去定公差，成本会高得离谱。但为什么还要做？

• 给客户看：“你看，最坏情况都能满足，放心了吧？”
• 给自己兜底：万一出了问题，至少证明你考虑过极端情况。
• 筛选关键参数：最坏情况分析能快速告诉你，哪些参数绝对不能放。

3.5 四种方法怎么选？一张图说清楚

下面这张图，是我自己总结的公差分析方法选择流程。每次做新项目，我都会先过一遍这个决策树。

3.6 实战中的组合拳

说了这么多，到底怎么用？我分享一个实际项目的流程：

1. 第一步：用误差传递公式快速估算，看看系统大概的敏感度分布。这一步半小时搞定。
2. 第二步：对敏感度高的参数，做蒙特卡洛模拟，跑1万次，看良率。这一步可能需要半天。
3. 第三步：用全局敏感度分析，确认参数间的交互效应。这一步最花时间，但最值。
4. 第四步：用最坏情况分析做个红线检查，确保极端情况也能接受。

嗯，这四种方法，说白了就是一套组合拳。你单独用哪一个都可能偏，但组合起来，就能把风险控得死死的。下次做项目，不妨试试这个流程。