基于 Monte Carlo 方法的尺寸链分析与超差风险评估

最新推荐文章于 2025-05-07 10:39:57 发布

赛卡

最新推荐文章于 2025-05-07 10:39:57 发布

阅读量952

点赞数 33

分类专栏：蒙特卡洛(Monte Carlo) 文章标签：人工智能前端 python numpy matplotlib

本文链接：https://blog.csdn.net/SiArch/article/details/147639611

版权

蒙特卡洛(Monte Carlo) 专栏收录该内容

3 篇文章

订阅专栏

基于 Monte Carlo 方法的尺寸链分析与超差风险评估

在工程设计和制造过程中，尺寸链分析是确保产品装配精度和质量的关键步骤。尺寸链是指多个零件的尺寸相互关联，形成一个整体的尺寸系统。对尺寸链的分析有助于预测关键尺寸的分布情况，以及评估尺寸超差的风险，从而优化生产流程和提高产品质量。本文将介绍如何利用 Monte Carlo 方法进行尺寸链分析，并通过一个实例详细阐述其应用过程和结果。

背景知识

尺寸链分析的基本原理

尺寸链分析是通过数学方法研究零件尺寸之间的相互关系，以确定关键尺寸的分布和超差概率。在实际生产中，零件尺寸往往受到加工精度、材料特性等因素的影响，呈现出一定的随机性。因此，尺寸链分析需要考虑尺寸的统计分布特性。

Monte Carlo 方法简介

Monte Carlo 方法是一种基于随机抽样的数值计算方法，广泛应用于工程、物理、金融等领域。其基本思想是通过大量随机样本的模拟，近似求解复杂的数学问题。在尺寸链分析中，Monte Carlo 方法可以有效地模拟零件尺寸的随机变化，从而得到关键尺寸的分布和超差风险。

问题描述

假设有一个简单的尺寸链，由三个零件 A、B、C 组成，总长度 L = A + B + C。已知各零件的尺寸分布如下：

零件 A 符合均值为 10mm、标准差为 0.1mm 的正态分布。
零件 B 符合均值为 20mm、标准差为 0.2mm 的正态分布。
零件 C 符合均值为 30mm、标准差为 0.3mm 的正态分布。

要求分析总长度 L 的分布情况，并评估其超差风险，假设 L 的公差范围为 59.5mm-60.5mm。

解决方案

Monte Carlo 模拟步骤

设置随机种子：为了保证结果的可重复性，设置随机种子。
定义零件尺寸分布参数：根据已知条件，设定各零件的均值和标准差。
生成随机样本：使用正态分布随机数生成器，生成大量零件尺寸样本。
计算总长度 L：将各零件尺寸样本相加，得到总长度 L 的样本。
绘制直方图：可视化总长度 L 的分布情况。
评估超差风险：计算超出公差范围的样本比例。

代码实现

import numpy as np
import matplotlib.pyplot as plt

# 设置随机种子，保证结果可重复
np.random.seed(42)

# 定义零件尺寸的分布参数
mean_A, std_A = 10, 0.1
mean_B, std_B = 20, 0.2
mean_C, std_C = 30, 0.3

# 进行 Monte Carlo 模拟
num_samples = 100000  # 模拟次数
A_samples = np.random.normal(mean_A, std_A, num_samples)
B_samples = np.random.normal(mean_B, std_B, num_samples)
C_samples = np.random.normal(mean_C, std_C, num_samples)

# 计算总长度 L
L_samples = A_samples + B_samples + C_samples

# 绘制 L 的直方图
plt.hist(L_samples, bins=100, density=True, alpha=0.7)
plt.title('Distribution of Total Length L')
plt.xlabel('Length (mm)')
plt.ylabel('Probability Density')
plt.grid(True)
plt.show()

# 计算超差风险
tolerance_min, tolerance_max = 59.5, 60.5
out_of_tolerance = np.logical_or(L_samples < tolerance_min, L_samples > tolerance_max)
out_of_tolerance_rate = np.mean(out_of_tolerance)

print(f"超差风险：{out_of_tolerance_rate:.6f}（{out_of_tolerance_rate*100:.4f}%）")

代码解释

导入库 ：导入 numpy 用于数值计算和随机数生成，导入 matplotlib.pyplot 用于绘制尺寸分布的直方图。
设置随机种子 ：通过设置随机种子，保证每次运行代码时生成的随机数相同，从而使结果具有可重复性。
定义零件尺寸分布参数 ：根据已知条件，分别设定零件 A、B、C 的尺寸分布参数，即均值和标准差。
Monte Carlo 模拟 ：设置模拟次数为 100000 次，根据各零件的尺寸分布参数，使用 numpy 的 random.normal 函数生成相应次数的随机样本，分别模拟零件 A、B、C 的尺寸。
计算总长度 L ：将模拟得到的零件 A、B、C 的尺寸样本相加，得到总长度 L 的样本。
绘制直方图 ：使用 matplotlib 的 hist 函数绘制总长度 L 的直方图，设置 bins 参数为 100，使直方图更加平滑细致，density 参数为 True 表示绘制概率密度直方图，alpha 参数设置填充颜色的透明度。
计算超差风险 ：确定总长度 L 的公差范围后，使用 numpy 的 logical_or 函数找出所有超出公差范围的样本，计算超差样本占总样本的比例，即为超差风险。