非标装配过程的几何偏差控制长期受困于小批量、多品种的生产特性，传统极值法与统计公差法分别陷于“过于保守”与“样本不足”的双重困境。本文系统梳理了非标装配公差分析从确定性模型向概率性推理的范式演进，提出基于贝叶斯网络的几何偏差累积建模框架，并重点探讨该框架在公差分配中的反向传播应用机制。研究表明，贝叶斯网络凭借其处理小样本、融合先验信息及双向推理的能力，为非标装配的精度控制提供了从“被动容差”到“主动分配”的方法论跃迁。
一、引言：非标装配公差分析的方法论困境
非标装配（non-standard assembly）是指面向单件、小批量或高度定制化产品的装配过程，广泛应用于航空航天、精密仪器、高端装备等领域。与大规模流水线装配不同，非标装配缺乏成熟的工艺验证周期和充分的样本数据积累，其几何偏差控制面临独特的挑战：一方面，产品种类繁多、装配构型各异，难以建立统一的偏差传递模型；另一方面，每批次产量有限，传统统计公差分析所需的大样本前提难以满足-。
传统装配公差分析方法主要有两条路径。其一是极值法（Worst-Case Tolerance Analysis），以各组成环公差极限值的代数叠加作为封闭环公差的估计依据。该方法虽能确保100%的装配合格率，但假设所有偏差同时取极值且方向一致，导致公差分配过于保守，在非标件加工中往往造成不必要的精度浪费和成本攀升-。其二是统计公差法（Statistical Tolerance Analysis），基于各组成环尺寸分布的统计特征（如均值和方差）推算封闭环的分布参数。然而，该方法要求各组成环的分布类型已知且样本量充足——这在非标装配场景中几乎无法满足。
上述困境的本质在于：非标装配的偏差累积是一个典型的不确定性问题，而传统方法却试图以确定性逻辑或大数定律来应对。范式转换势在必行——从“最坏情况假设”和“大样本统计”转向“概率性推理”，即在有限信息条件下对偏差的传播与累积进行不确定性的量化表达与推理。
二、贝叶斯网络：不确定性知识表达与推理的数学框架
贝叶斯网络（Bayesian Network）是一种基于概率图模型的不确定性知识表达与推理工具，由有向无环图（DAG）和条件概率表（CPT）两部分构成-。其核心思想在于：将复杂系统中的变量表示为网络节点，变量间的因果关系表示为有向边，而因果关系的强度则以条件概率定量刻画。
贝叶斯网络之所以契合非标装配的偏差分析，源于三个独特的理论优势。
其一，小样本下的参数学习能力。 传统统计方法依赖大样本估计总体分布，而贝叶斯网络允许将工程经验、设计知识等先验信息以先验概率的形式注入模型，再通过少量实测数据进行后验更新-。刘银华等针对装配过程尺寸偏差的小样本检测条件，提出了基于条件独立性检验的结构学习算法，结合柔性装配偏差关系模型推导子节点的先验条件概率，将小数据集与先验概率融合获得贝叶斯网络参数，实现了装配偏差影响因素的贝叶斯网络建模-7-1。这一方法在汽车侧围装配的偏差源诊断中得到了验证-。
其二，多源信息融合的表达能力。 贝叶斯网络能够将工程经验、设计知识等定性信息与检测数据等定量信息进行统一表达与融合-。对于非标装配而言，工艺人员积累的经验知识（如某类装配中哪道工序最容易引入偏差）往往比有限的数据更具信息量，贝叶斯网络为此类先验知识的系统化利用提供了数学工具。
其三，双向推理的灵活性。 贝叶斯网络支持“由因到果”的预测推理（前向）和“由果到因”的诊断推理（后向）-。这一特性对于公差分配的反向传播尤为关键——当封闭环（装配结果）的偏差超限时，可以反向推理各组成环（零件尺寸）的偏差概率，为公差调整提供依据-。
三、非标装配几何偏差累积的贝叶斯网络建模
将贝叶斯网络引入非标装配的几何偏差累积建模，需要完成从物理装配关系到概率图模型的映射。
网络结构的构建。 装配偏差传递网络本质上是将装配过程中的尺寸链关系抽象为有向图：以各零件特征尺寸、夹具定位误差、热变形等因素为节点，以偏差的传递方向为有向边。结构学习可采用两种策略：一是基于装配机理模型的先验结构设计——根据CAD装配约束和工艺流程人工构建网络骨架；二是基于条件独立性检验的数据驱动结构学习——从检测数据中自动发掘变量间的依赖关系-。对于非标装配，更现实的路径是两者的结合：以机理模型确定基本骨架，以有限数据对局部结构进行校验和修正。
参数学习与先验融合。 网络参数即各节点的条件概率分布。在非标装配的小样本条件下，参数学习的关键在于先验信息的有效利用。具体而言，可通过装配偏差仿真模型（如蒙特卡洛模拟）生成大量虚拟样本，据此估计先验条件概率；再将实测小样本数据通过贝叶斯更新公式融入，得到后验参数估计-7。这种“仿真先验+实测更新”的策略有效缓解了小样本导致的参数估计不稳定性。
偏差累积的概率推理。 网络构建完成后，给定各组成环偏差的先验分布（或实测值），即可通过前向推理计算封闭环偏差的概率分布——这是公差分析的“正问题”。更重要的是，当封闭环偏差超限时，可通过后向推理（即贝叶斯网络的信念传播算法）计算各组成环偏差的后验概率——这是公差分配的“逆问题”基础。
四、公差分配中的反向传播：从“给定公差”到“分配公差”
公差分配的本质是一个逆向决策问题：已知封闭环的公差要求，如何确定各组成环的公差？传统方法（如等公差法、等精度法）本质上是在不确定性信息缺失条件下的经验规则。贝叶斯网络为这一问题提供了全新的求解范式。
反向传播的数学机制。 在贝叶斯网络中，反向传播通过信念传播算法（Belief Propagation）实现。当观测到封闭环节点处于某一状态（如“超差”）时，算法沿有向边反向传播证据，更新各组成环节点的后验边际概率。这一过程本质上是贝叶斯定理在图模型上的分布式计算——从“结果”的不确定性反向推断“原因”的不确定性。
公差分配的概率化表达。 传统公差分配输出的是确定性的公差值（如“Φ50±0.05”），而贝叶斯框架输出的则是各组成环偏差的概率分布。决策者可根据后验概率分布，识别出对封闭环偏差贡献最大的“关键组成环”——即那些后验方差大或与封闭环条件依赖强的节点——从而将精度资源集中分配给这些环节。这与非标装配“按重要性分配公差”的工程直觉高度吻合，但赋予了其严格的概率论基础。
反向传播的迭代优化。 公差分配并非一次性决策。在非标装配中，往往采用“加工首件→测量封闭环→反向计算各组成环误差→调整后续零件加工参数”的闭环策略-。贝叶斯网络天然支持这种迭代优化：每获得一次新的测量数据，即可更新网络参数并重新进行反向传播，使公差分配策略随着装配进程不断精化。这种“边装配、边学习、边调整”的动态公差分配模式，正是非标装配区别于批量装配的独特优势所在。
五、结论与展望
从极值法的“最坏情况假设”到统计公差的“大数定律依赖”，再到贝叶斯网络的“概率性推理”，非标装配公差分析正经历着深刻的方法论范式演进。贝叶斯网络以其处理小样本、融合先验信息、支持双向推理的独特优势，为非标装配的几何偏差累积建模与公差分配提供了理论框架与计算工具-。
然而，当前研究仍面临若干挑战。其一，非标装配的偏差源往往具有时变性和不确定性（如热变形、装夹力波动），如何在贝叶斯网络中引入动态演化机制仍需探索-。其二，高维装配的贝叶斯网络推理存在计算复杂度问题，亟需高效的近似推理算法。其三，从偏差诊断到公差分配的完整闭环尚需更多的工程验证。展望未来，贝叶斯网络与数字孪生技术的融合——以实时传感数据驱动网络的在线更新与推理——或将成为非标装配精度控制的下一个突破方向-。
中研高科教育
