公差累积到底用哪种方法？极值法、RSS、Monte Carlo、3DCS 详解

共计 2803 个字符，预计需要花费 8 分钟才能阅读完成。

引子：一个零件架的教训

一个工程师设计三层支架，每层高度 20 ± 0.2 mm，总高要求 60 ± 0.5 mm。 他拍了拍脑袋：单层允差 0.4，三层 1.2，不到总公差 1.0 的一半——稳了。 结果做出来，50 套里有 12 套超差。 为什么？因为他用了极值法的思路——但算错了。公差不是简单线性叠加，关键看你怎么积。

一、极值法（WC，Worst Case）

原理

最坏情况：把所有零件都推到公差极限。 总公差 = 各零件公差的算术和

T_wc = T1 + T2 + T3 + ... + Tn

用前面的支架案例：

T_wc = 0.4 + 0.4 + 0.4 = 1.2 mm

设计总要求 60 ± 0.5 mm → 总公差 1.0 mm。 1.2 > 1.0 → 不合格。 设计师需要把单层公差压到 ± 0.167 mm 才能过——代价太大了。

什么时候用

优缺点

➕ 绝对安全——只要单个零件合格，装配一定合格 ➖ 公差会被「吃掉」得很快——5 个零件一叠就只剩 1/5

二、RSS 法（Root Sum Square）

原理

假设每个零件的偏差是独立正态的。既然不是线性叠加，那就按平方和开方。

T_rss = sqrt(T1^2 + T2^2 + T3^2 + ... + Tn^2)

还是那个案例：

T_rss = sqrt(0.4^2 + 0.4^2 + 0.4^2) = 0.693 mm

0.693 < 1.0 → 合格。 设计师不用压单层公差了，20 ± 0.2 的零件可以直接用。

数学直觉：为什么 RSS 比 WC 小？

形象化理解：两个正态变量叠加——最大偏差同时发生的概率很低。

• WC 假设的是 100% 同时发生
• RSS 假设的是独立随机叠加

三个 ±0.2 的零件，同时都偏到上端或下端（+0.2 同时发生）的概率是 0.3% × 0.3% × 0.3% ≈ 27 亿分之一——现实中基本不会发生。

前提条件——非常重要

RSS 有两个致命前提：

1. 各零件的偏差服从正态分布
   
   （看完上篇你知道这不一定成立）
2. 各零件的偏差相互独立
   
   （使用同一台机床加工的零件可能不独立！）

不满足前提，RSS 的结果就是错的。

修正版 RSS

工程上常用的修正： 考虑 CPK 和均值偏移，引入一个系数：

T_rss_adj = C_f * sqrt( T1^2 + T2^2 + ... + Tn^2 )

C_f 取值：

三、Monte Carlo 模拟

原理

不假设任何分布。你直接告诉程序：

• 零件 A：正态分布，均值 20，标准差 0.067（对应 ±0.2 @ CPK 1.0）
• 零件 B：偏态分布，左偏，用实测数据拟合
• 零件 C：均匀分布，20 ± 0.2

然后抽一万次，每次随机取一组值，算出装配后的总尺寸。 一万次之后，看总尺寸的直方图——超差比例一目了然。

工具

Python 代码示意（30 行搞定）

import numpy as np

n_samples = 10000
# 零件A：正态
A = np.random.normal(20, 0.067, n_samples)
# 零件B：偏态（用 Beta 分布模拟）
B = 20 + 0.2 * (np.random.beta(2, 5, n_samples) * 2 - 1)
# 零件C：均匀
C = np.random.uniform(19.8, 20.2, n_samples)

# 总高度
total = A + B + C

# 超差率
defect_rate = np.mean((total < 59.5) | (total > 60.5))
print(f"缺陷率: {defect_rate:.4f}")

工程经验：一般 N = 5000 ~ 10000 就够稳定了。

Monte Carlo vs RSS

四、3D 公差分析（3DCS / CETOL）

解决了什么问题

上面三种方法都是一维尺寸链——只能算线性叠加。 但现实中公差是被三维传递的：

• 孔轴配合：间隙 0.05 → 角度偏摆 0.1°
• 平面度 + 位置度：二维叠加
• 平行度 + 垂直度：方向性公差的耦合

这些一维方法算不了。

怎么做

在 CAD 模型上直接标注公差：

1. 选基准（Datum）
2. 标公差（GD&T 符号）
3. 定装配顺序（先装哪个零件，对准哪些面）
4. 运行 Monte Carlo（1000 ~ 10000 次）
5. 看结果：关键间隙的分布 + 敏感度排名

主流软件

什么时候需要上 3D 分析？

• 装配涉及角度、方向公差（垂直度、平行度、位置度）
• 有柔性件（线束、密封条）参与
• 批量大（年产量 > 10 万），省 0.1 mm 公差 = 省几十万

五、决策树：到底用哪种？

零件数量 ≤ 3 或者安全件？
├── 是 → 极值法（WC），简单安全
└── 否 → 继续

所有零件正态且独立？
├── 是 → RSS 法，快速有效
└── 否 → 继续

有实测分布数据？
├── 是 → Monte Carlo，准确灵活
└── 否 → 继续

有 3D 公差传递（角度/方向）？
├── 是 → 3DCS/CETOL
└── 否 → Monte Carlo

打样阶段没数据？
├── 是 → 先用极值法，量产后再切换
└── 否 → 按数据定

六、新手最常犯的 3 个错误

错误 1：不管分布直接用 RSS

“供应商说 CPK > 1.33，我直接套 RSS”

供应商给的 CPK 可能是全检后的截断数据算出来的——CPK 2.0 是假的。 正确做法：要原始工艺波动数据（包含超差件），自己算分布类型。

错误 2：忽略均值偏移

“公差 ±0.2，均值就应该在中间”

实际生产中，刀具的偏移、模具的磨损会让均值偏向一侧。 如果均值偏移了 0.1，RSS 算得再准也是错的。 正确做法：查一下实际均值。如果有显著偏移，用修正 RSS 或 Monte Carlo。

错误 3：零件越多，RSS 越省公差

这是一个直觉陷阱。

RSS 节约的比例确实随零件数增加而增大——但前提是所有零件真的服从独立正态。 如果一个注塑件是偏态的，另一个冲压件是肥尾的，那 RSS 的节约就是纸上谈兵。

七、总结

一句话记住：初期没数据用极值法，量产过 CPK 后用 RSS，非正态分布上 Monte Carlo，涉及方向位置做 3D 分析。