尺寸公差一定服从正态分布吗？很多人从Cpk这一步就算错了

做尺寸链分析时，一般是先拿到几个零件的尺寸公差，再把公差换算成标准差，用RSS平方和开根号计算累计波动，最后根据“±3σ覆盖99.73%”推算装配合格率。

公式没有算错，装配时却可能频繁出现干涉、间隙不足和返工。

问题往往不是RSS公式，而是计算之前少问了一句：这些尺寸数据真的可以用正态分布描述吗？

一、先纠正一个概念：公差本身没有分布

图纸上标注的20±0.05 mm，只定义了两个规格边界：

上规格限是20.05 mm，下规格限是19.95 mm。

它告诉制造和检验人员什么尺寸可以接收，却没有告诉我们实际加工尺寸会集中在哪里、向哪边偏、尾部有多长。

因此，更准确的说法不是“尺寸公差是不是正态分布”，而是：

某个具体过程生产出来的尺寸数据，是否近似服从正态分布。

同一个尺寸，由不同设备、模具、刀具、班次和工艺参数生产，完全可能形成不同的分布。

二、为什么很多尺寸看起来接近正态？

一个零件的最终尺寸，通常会受到很多微小因素影响，例如机床振动、材料差异、温度变化、装夹波动、测量误差和切削状态变化。

当大量影响较小、近似独立的随机因素共同作用时，最终结果可能呈现近似对称的钟形分布。这也是正态分布经常被用于工程分析的重要原因。

但中心极限定理并不等于“所有制造尺寸天然服从正态分布”。它描述的是在一定条件下，多个随机变量的和或均值趋近正态的规律，而不是给所有过程数据发了一张“正态通行证”。

只要过程里出现了明显的主导因素，分布就可能发生变化，例如：

这时看到的可能是偏态、平顶、截断、双峰或者多峰分布，而不是标准钟形曲线。

三、不能只凭加工方式判断分布

有人习惯直接分类：

机加工是正态分布，注塑是偏态分布，冲压是肥尾分布。

这种说法可以帮助理解不同工艺的风险，却不能直接作为统计分析依据。

稳定的机加工过程可能接近正态，但如果把一把新刀从开始使用到严重磨损的全部数据放在一起，尺寸就可能呈现趋势或偏态。

注塑件可能受收缩、保压、冷却和模穴差异影响，但如果模具、材料和参数控制稳定，某个尺寸同样可能近似正态。反过来，如果把多个模穴混在一起，即使每个模穴内部都接近正态，合并后也可能形成双峰或多峰。

所以真正应该判断的不是“这是什么工艺”，而是：

数据是不是来自稳定的同一个过程总体。

四、Cpk能算出来，不代表结果就能直接相信

经典Cpk公式为：

Cpk＝min［（USL－均值）÷3σ，（均值－LSL）÷3σ］

从数学上看，只要有均值和标准差就可以计算出一个数值。但当我们使用Cpk进一步预测超差率、PPM或者长期质量水平时，通常需要满足两个重要条件：

第一，过程处于统计稳定状态； 第二，过程数据能够被正态分布合理描述。

Minitab和NIST都强调，能力分析应建立在稳定过程之上。如果过程均值和波动持续变化，当前计算出的能力指数就不能可靠预测后续表现。对于经典正态能力分析，非正态数据也可能导致能力和超差比例估计失真。

因此，正确顺序不是拿到数据马上算Cpk，而是：

先判断稳定性，再判断分布，最后分析过程能力。

另外，Cpk大于1.67也不能简单解释为“公差太松，可以降低成本”。公差是否可以调整，还要结合产品功能、装配关系、可靠性、测量能力和客户要求评估，不能只凭一个能力指数修改设计要求。

五、P值大于0.05，不等于已经证明正态

Anderson-Darling正态性检验常见的判断方法是：

注意，第二句话不能改写成“数据已经证明服从正态分布”。

样本较少时，一些偏态、肥尾或混合分布可能无法被检验识别。因此，不能只看一个P值，还要同时查看：

Minitab同样建议结合分布拟合结果和图形进行判断，而不是只机械读取P值。

30件左右的数据可以用于初步观察，但如果要评估过程尾部和过程能力，需要收集覆盖足够生产周期的代表性数据。NIST指出，能力指数通常至少需要约50个独立数据，正式能力研究往往还需要更多数据。

六、RSS法真正需要检查什么？

RSS的核心是对各个尺寸贡献的方差进行组合。

当各尺寸变量不相关时，总方差可以按照平方和相加；如果尺寸之间存在相关性，就必须考虑协方差，不能继续直接平方和开根号。

因此，使用RSS做尺寸链分析之前，至少要确认：

RSS不是不能用，而是不能脱离这些前提单独使用。

七、非正态数据应该怎么处理？

可以按照数据特征选择方法：

Minitab提供正态变换、非正态能力分析和非参数能力分析等方法。关键不是一定要把所有数据“变成正态”，而是选用能够反映真实过程和尾部风险的分析模型。

八、应该记住的分析顺序

面对一组尺寸数据，可以按照下面的顺序分析：

第一步：确认数据来源。明确设备、模穴、班次、刀具、批次和测量系统。

第二步：检查过程稳定性。按照生产时间顺序画控制图，判断是否存在漂移、突变和周期波动。

第三步：观察分布形态。结合直方图、概率图和正态性检验，不只看P值。

第四步：选择能力分析方法。正态数据使用正态能力分析；非正态数据选择变换、分布拟合或非参数方法。

第五步：再做公差累积。确认独立性、相关性、均值偏移和尾部风险后，再选择RSS或Monte Carlo。

第六步：用实际装配验证。统计模型是预测工具，最终还要通过试装和量产数据验证。

尺寸数据是否接近正态，不能靠工艺名称判断，更不能因为软件输出了一个Cpk，就默认前提已经成立。

正态分布是一种工程模型，不是制造过程的天然规律。

真正可靠的公差分析，不是把公式算得更复杂，而是先确认数据来自哪里、过程是否稳定、样本是否有代表性，以及所选分布能不能反映真实的装配尾部风险。