用最坏情况法、RSS法、蒙特卡洛仿真对比分析零件尺寸公差堆叠后的装配间隙。龙卷风图可视化各零件贡献度。
| 零件名 | 公称值 [mm] |
+公差 | −公差 | 灵敏度 a |
|---|
最坏情况法 (Worst-Case, WC)：这是最保守的公差累积计算模型。它假设装配链中每一个零件的尺寸都同时处于其公差带的最不利极限位置。该模型保证100%的装配成功率，但得出的总公差要求往往过于苛刻。
$$T_{\text{WC}}=\sum_{i=1}^{n}|a_i\cdot t_i|$$其中，$T_{\text{WC}}$ 是最坏情况下的总公差，$a_i$ 是第 $i$ 个零件的敏感系数（通常为1或-1，表示尺寸增减对总间隙的影响方向），$t_i$ 是该零件的尺寸公差，$n$ 是零件总数。
统计平方和根法 (Root Sum Squares, RSS)：这是一个基于概率统计的模型。它假设各零件的尺寸是相互独立的随机变量，通常服从正态分布，且落在其公差带内。通过方差的可加性来计算总变差，结果比最坏情况法宽松，更符合大批量生产的实际情况。
$$T_{\text{RSS}}=k\sqrt{\sum_{i=1}^{n}(a_i t_i)^2}$$其中，$T_{\text{RSS}}$ 是在给定置信水平下的统计总公差，$k$ 是西格玛水平（例如 $k=3$ 对应99.73%的置信度）。$a_i$ 和 $t_i$ 的含义同上。根号下的求和体现了方差相加的原理。
汽车发动机装配：活塞、连杆、曲轴等部件有严格的间隙要求。使用RSS法进行公差分析，可以在保证极高Pass率（如99.73%）的同时，放宽单个零件的加工精度，从而大幅降低发动机制造成本。
智能手机结构设计：手机中框、屏幕、电池盖之间的间隙和段差直接影响手感和美观。设计初期常用最坏情况法进行校核，确保极端情况下也不会发生干涉；量产前则会采用蒙特卡洛仿真，预测实际生产中的不良率，并优化公差分配。
航空航天精密机构：卫星太阳能帆板的展开机构、航天器的对接机构对间隙极为敏感。由于零件成本极高且失效后果严重，通常会综合使用最坏情况法（用于安全关键尺寸）和蒙特卡洛仿真（用于分析复杂公差链和非正态分布误差源）进行多重验证。
批量生产的机械轴承装配：轴承、轴和轴承座的配合公差直接影响设备寿命和噪音。工程师利用RSS法计算配合间隙的分布，并据此选择标准公差等级的零件，在保证性能的前提下实现供应链的标准化和成本最优化。
首先，你是否误以为“RSS法总是比最坏情况法更好（能得出更窄的公差范围）”？ 实际上，当零件数量极少时（例如2-3个零项），RSS法的结果可能与最坏情况法几乎相同，甚至可能误判安全系数。例如，仅有两个零件的公差为±0.1mm时，最坏情况法结果为±0.2mm，RSS法结果约为±0.14mm。如果此时盲目信赖RSS法进行设计，就可能面临不良率高于预期的风险。请记住，零件数量越多，统计平均化的效果越显著，RSS法的真正价值才能得以发挥。
其次，“灵敏度系数a_i不都是+1或-1吗？”这种误解。在简单的线性尺寸链中确实如此，但一旦涉及几何关系或角度，情况就不同了。例如，计算连杆机构间隙时，零件长度公差会通过角度的正弦或余弦函数产生影响。此时，灵敏度系数会变成与1完全不同的值。如果工具允许调整“灵敏度系数”，建议尝试输入1以外的值（如0.5或-0.707等），观察结果如何变化。
最后，蒙特卡洛法的“分布设定”陷阱。工具为简化常默认假设正态分布，但实际工程中往往并非如此。例如，切削加工中刀具磨损会导致尺寸单向偏移，筛选装配后的零件分布会被截断。如果忽略这些实际分布而使用默认的正态分布进行计算，会对实际不良率产生严重误判。蒙特卡洛法的最大优势正在于这种“分布的自由度”，因此应尽可能养成根据实际测量数据推定分布的习惯。