libra

Горе нам! Вот закинешь ИИ табличку, а он тебе раз: Отлично! Вы предоставили данные калибровки гирь и обратную матрицу. Давайте разберем, что это значит и как это интерпретировать. ### Краткое объяснение сути процесса Это результаты **калибровки набора гирь методом наименьших квадратов**. Суть метода в том, что мы не просто поочередно взвешиваем каждую гирю, а составляем комбинации гирь и сравниваем их друг с другом. Это позволяет найти поправки к массе каждой гири с очень высокой точностью, учитывая их взаимное влияние. Строка с номиналами (`500, 200, 200*...`) — это номинальные значения масс гирь в наборе. Звездочка (`*`) и крышечка (`^`) скорее всего обозначают гири одинакового номинала (например, две гири по 200 г, две по 20 г, две по 2 г и две по 1 г). ### Расшифровка таблиц **1. Первая таблица: Исходные данные и невязки** Первая строка — это номиналы гирь. Вторая строка (`1000, 1, 1, 1, 1, 0, 0...`) — это **уравнение калибровки**. Оно читается так: > Комбинация из одной гири 500г, одной 200г, одной 200*г и одной 100г (500+200+200+100=1000) была сравнена с эталонной гирей в 1000г. * `1` в столбце гири означает, что она была использована в этом уравнении. * `0` означает, что гиря не использовалась. * Столбец `невязка` показывает разницу между массой эталона и суммой масс гирь в комбинации с учетом знака. Например, для первого уравнения: `1000,0354`. Это значит, что сумма масс гирь в комбинации оказалась на **0.0354 г** тяжелее, чем эталонная гиря в 1000 г. Аналогично читаются остальные строки. Например, третья строка: `200 -1 1 1 1 1 0 0 0 0 0 0 0 -0,00305` Это уравнение сравнения: гиря 200г (`-1`, стоит на левой чаше) сравнивалась с комбинацией гирь 200*г, 100г, 50г, 20г, 20*г, 10г (все `+1`, стоят на правой чаше). Невязка `-0.00305` означает, что гиря 200г оказалась чуть легче, чем эта комбинация. **2. Вторая таблица: Обратная матрица** Это результат математической обработки (решения системы уравнений методом наименьших квадратов). Эта матрица позволяет рассчитать **поправку** к массе каждой гири на основе всех проведенных измерений (невязок). Каждая ячейка показывает, как сильно каждое измерение влияет на расчет массы каждой гири. **3. Третья таблица: Условная масса гирь (Результат!)** Это итог всей работы. Рассчитывается по формуле: **Условная масса = Номинал + Поправка** Поправка вычисляется путем умножения обратной матрицы на вектор невязок. * **Пример для гири 500г:** * Номинал: 500 г * Условная масса: `500,0153125` г * **Поправка:** `+0.0153125` г * **Вывод:** Данная гиря 500 г тяжелее своего номинала на approximately 15.3 мг. * **Пример для гири 20г:** * Номинал: 20 г * Условная масса: `19,9981331` г * **Поправка:** `-0.0018669` г (approximately -1.87 мг) * **Вывод:** Данная гиря 20 г легче своего номинала на approximately 1.87 мг. ### Итоговый вывод по результатам калибровки: Набор гирь был откалиброван. Фактическая масса каждой гири отличается от ее номинального значения. Для получения точного результата взвешивания необходимо использовать не номинал, а **условную массу** из последней таблицы. | Номинал гири | Условная масса (г) | Поправка (г) | Интерпретация | | :----------- | :----------------- | :----------- | :----------------------------------------------------------- | | 500 г | 500.01531 | +0.01531 | Тяжелее номинала на 15.3 мг | | 200 г | 200.00740 | +0.00740 | Тяжелее номинала на 7.4 мг | | 200* г | 200.00990 | +0.00990 | Тяжелее номинала на 9.9 мг | | 100 г | 100.00279 | +0.00279 | Тяжелее номинала на 2.8 мг | | 50 г | 50.00653 | +0.00653 | Тяжелее номинала на 6.5 мг | | 20 г | 19.99813 | -0.00187 | Легче номинала на 1.9 мг | | 20* г | 19.99633 | -0.00367 | Легче номинала на 3.7 мг | | 10 г | 10.00057 | +0.00057 | Тяжелее номинала на 0.57 мг | | 5 г | 5.00293 | +0.00293 | Тяжелее номинала на 2.93 мг | | 2 г | 2.00409 | +0.00409 | Тяжелее номинала на 4.09 мг | | 2* г | 2.00199 | +0.00199 | Тяжелее номинала на 1.99 мг | | 1 г | 1.00665 | +0.00665 | Тяжелее номинала на 6.65 мг | | 1^ г | 1.00235 | +0.00235 | Тяжелее номинала на 2.35 мг | Эти значения (поправки или условные массы) используются для корректировки результатов высокоточных взвешиваний.

Мне одному кажется, что я это все читал в программах развития отечественной метрологии?

Deepseek ,более красноречив: Отличный и очень актуальный вопрос! Роль искусственного интеллекта (ИИ) в метрологии трансформирует эту фундаментальную науку об измерениях, переводя ее из сферы рутинного контроля в область интеллектуального анализа данных, прогнозирования и принятия оптимальных решений. Если кратко, ИИ выступает как мощный инструмент, который расширяет возможности метролога, автоматизирует сложные процессы, повышает точность и позволяет извлекать скрытые знания из измерительной информации. Рассмотрим ключевые направления влияния ИИ на метрологию более подробно. 1. Интеллектуальная обработка данных и анализ измерений Это самое очевидное и распространенное применение. Автоматическая калибровка и поверка: ИИ-алгоритмы могут анализировать данные с эталонов и поверяемых приборов, автоматически определять поправки, составлять протоколы и даже принимать решения о соответствии средства измерения (СИ) установленным требованиям. Это значительно ускоряет процесс и снижает влияние человеческого фактора. Компенсация систематических погрешностей: Сложные погрешности, зависящие от множества факторов (температура, влажность, время), часто нелинейны и трудно поддаются описанию традиционными математическими моделями. Нейронные сети могут быть обучены на больших массивах данных, чтобы с высокой точностью предсказывать и компенсировать эти погрешности в реальном времени, повышая точность измерений. Прогнозная метрология (Predictive Metrology): ИИ анализирует исторические данные о "здоровье" и дрейфе характеристик эталонов и измерительных приборов. Это позволяет предсказать, когда прибор выйдет за допустимые границы погрешности, и назначить его поверку или калибровку именно тогда, когда это необходимо (а не по жесткому календарному графику). Это основа концепции «калибровка по требованию» и переход от профилактического обслуживания к прогнозному. 2. Разработка и совершенствование методов измерений Оптимизация измерительных процедур: ИИ может использоваться для симуляции и моделирования сложных измерительных экспериментов (например, в нанометрологии или при измерении квантовых величин). Алгоритмы могут найти оптимальные параметры настройки измерительной системы, которые человеку было бы трудно или невозможно подобрать вручную. Создание "виртуальных датчиков" (Soft Sensors): ИИ позволяет оценивать величину, которую трудно или дорого измерить напрямую, на основе косвенных измерений других, более простых параметров. Например, нейросеть может прогнозировать состав вещества на основе данных с спектрометра или виброакустических характеристик оборудования. 3. Управление сложными измерительными системами и установками Современные метрологические комплексы (например, установки для поверки счетчиков воды или газа, комплексы для испытаний материалов) представляют собой сложные киберфизические системы. ИИ координирует работу таких систем: Автоматически выбирает диапазоны измерений. Распределяет нагрузки между эталонами. Контролирует состояние всех компонентов в реальном времени. Адаптирует работу установки под изменяющиеся условия. 4. Компьютерное зрение в метрологии Это одно из самых быстрорастущих направлений. Автоматический контроль геометрических параметров: ИИ-алгоритмы анализируют изображения с камер, чтобы с высочайшей точностью и скоростью измерять размеры деталей, обнаруживать дефекты (царапины, сколы, отклонения формы), классифицировать продукцию. Это неотъемлемая часть автоматизированных производственных линий. Считывание показаний: Распознавание образов (OCR) позволяет автоматически считывать и записывать показания с analogовых и цифровых индикаторов приборов, исключая ошибки оператора. 5. Обеспечение единства измерений в условиях цифровых двойников и Industry 4.0 В концепции "Цифрового двойника" виртуальная копия физического объекта постоянно обновляется данными с датчиков. Для его адекватной работы критически важна достоверность этих данных. ИИ помогает: Валидировать данные от датчиков, отсеивая аномалии и шумы. Отслеживать метрологическую прослеживаемость каждого потока данных в режиме реального времени. Обеспечивать взаимозаменяемость данных от разных измерительных систем в глобальных цепочках создания стоимости. Вызовы и ограничения Внедрение ИИ в метрологию сталкивается с серьезными challenges: "Черный ящик": Сложные нейросетевые модели часто неинтерпретируемы. В метрологии же, особенно в области законодательной метрологии, требуется понятная и прослеживаемая цепочка вычислений. Недостаточно просто получить правильный ответ; нужно объяснить, как он был получен. Это стимулирует развитие объяснимого ИИ (Explainable AI — XAI). Доверие и валидация: Как подтвердить, что ИИ-алгоритм всегда выдает достоверный и метрологически значимый результат? Требуются новые протоколы и методики для аттестации и валидации самих алгоритмов ИИ. Качество данных: ИИ обучается на данных. Если данные низкого качества, смещены или нерепрезентативны, то и выводы алгоритма будут ненадежными. Принцип "мусор на входе — мусор на выходе" как никогда актуален. Квалификация кадров: Возникает потребность в новых специалистах — метрологах-датасайентистах, которые сочетают глубокое понимание метрологических принципов с навыками работы с ИИ и big data. Заключение Искусственный интеллект не заменяет фундаментальные основы метрологии (такие как прослеживаемость к эталонам SI), а становится их мощным усилителем. Он превращает метрологию из преимущественно "реактивной" дисциплины (контроль и констатация фактов) в "проактивную" и прогнозную науку, интегрированную в самые передовые технологические процессы. Будущее метрологии — за симбиозом традиционных точных методов измерений и интеллектуальной силы алгоритмов ИИ.

Наш смотрит ширше и глубже: Искусственный интеллект уже сейчас оказывает серьёзное влияние на метрологию, улучшая точность измерений и эффективность процессов. Например, нейронные сети могут анализировать огромные массивы данных от датчиков и оборудования, чтобы обнаруживать малейшие колебания и прогнозировать результаты измерений. Это помогает вовремя калибровать приборы и предотвращать ошибки, повышая качество и надёжность измерений. Кроме того, методы машинного обучения позволяют более точно оценивать неопределённость, выявлять аномалии, быстрее находить причины сбоя калибровочного оборудования. В результате метрологи могут заранее получать предупреждения о возможных проблемах, а значит, экономить время и ресурсы. Так что роль искусственного интеллекта в метрологии всё заметнее и важнее – он помогает создавать более точные и надёжные измерительные системы, ускоряя научные и промышленные процессы. ⚙️✅🤖 С прогнозом результатов измерений он канешна загнул...:)

Это ИИ сам себя нахваливает?

Уже смешно. Завели у нас телеграмм бота ****GPT. Очень "мило" поговорили об отличии веса и массы. Одно радует- он быстро признавал свои ошибки.

ГОСТ в целом хороший, но под каждую работу должна быть своя специализация. "Щас как заверну про Адама Смита и разделение труда." Скажу больше - методика поверки (Приложение ДА) хорошо проработана. Но эта методика поверки хороша для весов среднего класса точности. "Хотели как лучше, а получилось как всегда."

Дык в последнем письме "все сказано". А между строк читаем, что у пользователей проблемы совместимости OIML R76 c рядом ГПС, МИ и другими стандартами.

Про результаты испытаний вас и не спрашивали. Уже не говорю, о том, что требование по соответствию ГОСТу сами по себе странные. Ведь не требуют соответствие классу точности? Чем проводить верификацию и испытания дешевле купить новые весы.

Откройте описание типа. Второй абзац.

Если по воздуху, то 1,05* 20 , если по азоту 1,07*20 (подавать 21,4 л). Соотношение расхода калиброванного по воздуху на азот 1,02.

По последним проще https://fgis.gost.ru/fundmetrology/cm/mits/1e7eb462-fe2b-b4d4-d0ca-fa37d51636da

Зайдите в Аршин. Найдите ваше описание типа. Откройте вкладку и посмотрите методику поверки. Скорее всего там приложение ДА OIML R 76.

у меня в базе тоже нет.

Так пор ГОСТ 5072-79 планировались. А смогли - не смогли не знаю.

Первого класса точности

Тогда ГОСТ Р 8.879— 2014 Государственная система обеспечения единства измерений МЕТОДИКИ КАЛИБРОВКИ СРЕДСТВ ИЗМЕРЕНИЙ Общие требования к содержанию и изложению

В этом стандарте указанно как считать неопределенность измерений для термометров сопротивления. Насколько помню один из первых стандартов с расчетом неопределенности. Вы хотите создать методику калибровки с нуля?

ГОСТ 8.461-2009 "Государственная система обеспечения единства измерений. Термопреобразователи сопротивления из платины, меди и никеля. Методика поверки" п. 11? https://temperatures.ru/pages/poverka_termometrov_soprotivleniya

Ошибки от туда- что качество (лучше-хуже), понятие относительное и не содержит количественной информации. С чего вы взяли , что в КП определение единицы ФВ сделано не качественно, а в КН качественно? Я же говорю -словоблудие.

Не элегантно получилось. Каждый день смотреть на выпуклость и "страдать" от внутреннего дискомфорта. Опять же в договоре дизайнерские изыски не оговоренны. На рабочие свойства не влияет, а "страдать " приходится. Вот другое дело если с точки зрения метрологии появится возможность наехать на поставщика.

По вашему качественно определённая единица не содержит ошибки? Иначе ваш пост сплошное словоблудие.

Скорее доля СКО в погрешности СИ. ТО есть 2/3 именно систематика. Ну енто к принципу Парето. Условные 20/80 только частный случай. А если вернуться к руководящим документам, например, п 4.4 Р 50.2.038-2004 ИЗМЕРЕНИЯ ПРЯМЫЕ ОДНОКРАТНЫЕ , то принцип Парето в чистом виде.

У НСП несколько другое определение. А по сути вашего вопроса- непредсказуемо и случайная погрешность не изменяется. Просто ваша математическая модель не соответствует процессу.

" Правдоподобие — не то же самое, что истина."