Искусственный интеллект (ИИ) в метрологии.

EA8 · 20 Августа 2025

Всех приветствую! Подскажите пожалуйста сталкивался ли кто с ИИ в метрологии, если да то в каком виде и у кого какие мысли на счет внедрения/применения ИИ в метрологии.

libra · 20 Августа 2025

44 минуты назад, EA8 сказал:

Всех приветствую! Подскажите пожалуйста сталкивался ли кто с ИИ в метрологии, если да то в каком виде и у кого какие мысли на счет внедрения/применения ИИ в метрологии.

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

rmetr · 20 Августа 2025

1 час назад, EA8 сказал:

Всех приветствую! Подскажите пожалуйста сталкивался ли кто с ИИ в метрологии, если да то в каком виде и у кого какие мысли на счет внедрения/применения ИИ в метрологии.

Конечно же используется. Там где это уместно. ИИ - это всего лишь "инструмент". Для любой области деятельности. Кто умеет им пользоваться - тот пользуется. Там где это уместно.

consul · 20 Августа 2025

Как поверять будем ИИ? Куда ярлык клеим?😉

Dobrometr · 20 Августа 2025

3 часа назад, EA8 сказал:

Всех приветствую! Подскажите пожалуйста сталкивался ли кто с ИИ в метрологии, если да то в каком виде и у кого какие мысли на счет внедрения/применения ИИ в метрологии.

Искусственный интеллект в современной метрологии: революция точности

Введение

В эпоху цифровизации метрология, как наука об измерениях, переживает настоящую трансформацию. Интеграция искусственного интеллекта открывает новые горизонты для повышения точности, автоматизации процессов и оптимизации измерительных систем.

Роль ИИ в метрологической практике

Искусственный интеллект становится ключевым инструментом в решении фундаментальных задач метрологии. Современные алгоритмы позволяют автоматизировать рутинные процессы, минимизировать человеческий фактор и значительно повысить качество измерений.

Основные направления применения ИИ в метрологии включают:

Автоматизацию процессов измерения и контроля
Прогнозирование погрешностей и износа оборудования
Оптимизацию калибровки измерительных систем
Анализ больших массивов данных для выявления закономерностей

Практические примеры внедрения

Зарубежные компании демонстрируют впечатляющие результаты. Hexagon использует нейросети для анализа 3D-сканов, снижая погрешность на 15-20%. Mitutoyo применяет машинное обучение для прогнозирования интервалов калибровки. Российские разработки также показывают потенциал: система «МетроАИ» от НПО «Эталон» успешно применяется в авиационной промышленности.

Перспективы развития

Будущее метрологии неразрывно связано с дальнейшим развитием ИИ-технологий. Особое внимание уделяется:

Созданию национальных датасетов для обучения моделей
Разработке отечественных программных решений
Интеграции ИИ с существующими метрологическими системами

Вызовы и ограничения

Несмотря на очевидные преимущества, внедрение ИИ в метрологию сталкивается с рядом проблем:

Необходимость валидации алгоритмов
Обеспечение безопасности данных
Потребность в квалифицированных кадрах
Сложность адаптации нормативно-правовой базы

Заключение

Интеграция искусственного интеллекта в метрологию представляет собой революционный шаг в развитии измерительной техники. Хотя существуют определенные вызовы, потенциал технологий ИИ в повышении точности и эффективности измерений очевиден. Успешная реализация этого потенциала требует комплексного подхода, включающего развитие технологий, подготовку кадров и совершенствование нормативной базы.

Будущее метрологии лежит на пути дальнейшего развития и внедрения ИИ-решений, что позволит вывести точность измерений на качественно новый уровень и обеспечить потребности современной промышленности.

libra · 20 Августа 2025

12 минут назад, Dobrometr сказал:

Искусственный интеллект в современной метрологии: революция точности

Введение

В эпоху цифровизации метрология, как наука об измерениях, переживает настоящую трансформацию. Интеграция искусственного интеллекта открывает новые горизонты для повышения точности, автоматизации процессов и оптимизации измерительных систем.

Роль ИИ в метрологической практике

Искусственный интеллект становится ключевым инструментом в решении фундаментальных задач метрологии. Современные алгоритмы позволяют автоматизировать рутинные процессы, минимизировать человеческий фактор и значительно повысить качество измерений.

Основные направления применения ИИ в метрологии включают:

Автоматизацию процессов измерения и контроля

Прогнозирование погрешностей и износа оборудования

Оптимизацию калибровки измерительных систем

Анализ больших массивов данных для выявления закономерностей

Практические примеры внедрения

Зарубежные компании демонстрируют впечатляющие результаты. Hexagon использует нейросети для анализа 3D-сканов, снижая погрешность на 15-20%. Mitutoyo применяет машинное обучение для прогнозирования интервалов калибровки. Российские разработки также показывают потенциал: система «МетроАИ» от НПО «Эталон» успешно применяется в авиационной промышленности.

Перспективы развития

Будущее метрологии неразрывно связано с дальнейшим развитием ИИ-технологий. Особое внимание уделяется:

Созданию национальных датасетов для обучения моделей

Разработке отечественных программных решений

Интеграции ИИ с существующими метрологическими системами

Вызовы и ограничения

Несмотря на очевидные преимущества, внедрение ИИ в метрологию сталкивается с рядом проблем:

Необходимость валидации алгоритмов

Обеспечение безопасности данных

Потребность в квалифицированных кадрах

Сложность адаптации нормативно-правовой базы

Заключение

Интеграция искусственного интеллекта в метрологию представляет собой революционный шаг в развитии измерительной техники. Хотя существуют определенные вызовы, потенциал технологий ИИ в повышении точности и эффективности измерений очевиден. Успешная реализация этого потенциала требует комплексного подхода, включающего развитие технологий, подготовку кадров и совершенствование нормативной базы.

Будущее метрологии лежит на пути дальнейшего развития и внедрения ИИ-решений, что позволит вывести точность измерений на качественно новый уровень и обеспечить потребности современной промышленности.

Это ИИ сам себя нахваливает?

libra · 20 Августа 2025

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...:)

Изменено 20 Августа 2025 пользователем libra

libra · 20 Августа 2025

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.

libra · 20 Августа 2025

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

Dobrometr · 21 Августа 2025

19 часов назад, libra сказал:

Это ИИ сам себя нахваливает?

да, я посчитал, что будет иронично ответ сочинить с помощью ИИ. Это ведь так модно. В моём сообщении ответ сочинила Алиса.Про от яндекса. Больше всего мне нравится, что при обнаружении каких-то простейших нестыковок и ошибок ИИ так бодро с тобой соглашается! А в околометрологических темах очень легко накосячить даже адекватному человеку. Тема "Неопределённость против погрешности" не даст соврать.

libra · 22 Августа 2025

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.

libra · 22 Августа 2025

Повысим градус - протокол без промежуточных вычислений:

Спасибо за предоставленный протокол! Это очень подробный и качественный документ, полностью соответствующий методике поверки/калибровки гирь. Давайте проведем его полный разбор.

### Общая информация

Это **Протокол калибровки набора гирь подекадным методом**. Подекадный метод означает, что калибровка проводится по шагам (декадам), где на каждом шаге калибруемые гири сравниваются с эталонными гирями или их комбинациями. Это высокоточный метод.

---

### 1. Условия калибровки

В этом разделе фиксируются environmental условия, которые влияют на точность взвешивания (из-за выталкивающей силы Архимеда).

* **Температура:** 22.92 °C → 22.95 °C (изменение незначительное, это хорошо).
* **Влажность:** 34.7% → 35.7% (изменение в пределах нормы).
* **Атмосферное давление:** 1009.14 гПа → 1009.2 гПа (стабильно).
* **Плотность воздуха:** Рассчитана на основе условий выше. Усредненное значение `1.18333 кг/м³` будет использоваться для поправок на воздух, если это необходимо.

**Строка "При поверке набора гирь":** Вероятно, это условия, при которых был поверен сам эталонный набор, используемый для данной калибровки. Это справочная информация.

---

### 2. Средства калибровки

* **Образцовая гиря класса E2:** Высокоточный эталон с массой 200 г и погрешностью 0.01 мг. Это главный "стандарт", с которым сравниваются все гири в наборе.
* **Компаратор (весы) MSU 225S:** Высокоточные весы, используемые для сравнения масс.
* **Внешний осмотр:** пройден (¨) — оборудование исправно.
* **Проверка положения груза:** Показания практически не зависят от положения груза на чаше (максимальное отклонение 0.00004 г), что свидетельствует о хорошем состоянии весов.

---

### 3. Таблица данных калибровки (Самая важная часть)

Здесь проводится серия взвешиваний. Каждая строка — это отдельное **уравнение сравнения**.

**Как читать строку (на примере первой строки для гири 100 г):**

* **Столбцы с номиналами (100, 50, 20...):** Показывают, какие гири участвуют в сравнении.
* **`1`** — гиря находится на **той же чаше, что и эталон** (обычно справа).
* **`-1`** — гиря находится на **противоположной чаше от эталона** (обычно слева).
* **`0`** — гиря не участвует.
* **Уравнение для 1-го измерения (`Невязка 1`):**
> **Эталон 200г** = **Гиря 100г** + **Гиря 50г** + **Гиря 20г** + **Гиря 20*г** + **Гиря 10г**
Сумма номиналов: 100+50+20+20+10 = 200 г. Идеально, если невязка равна 0.
* **Невязка 1 = 200.00197 г:** Это показание весов. Оно означает, что **комбинация калибруемых гирь** оказалась **легче**, чем эталон. Чтобы уравновесить эталон, к ним пришлось мысленно "добавить" 0.00197 г.
* **Невязка 2:** Повторное измерение для усреднения и оценки случайной погрешности.
* **Условная масса гири:** Это **итоговый результат калибровки**. Рассчитывается по сложному алгоритму на основе всех уравнений и невязок. Например, для гири 100 г ее истинная масса равна **100.0002 г**.

---

### 4. Колонки с результатами и анализом

* **СКО компаратора (стандартное отклонение):** 0.015 мг. Оценивает случайную погрешность весов. Очень маленькое значение, что отлично.
* **Расширенная неопределенность определения массы гири (U):** Главный показатель точности результата. Например, для гири 100 г масса составляет `100.0002 г ± 0.050 мг` (с уровнем доверия 95%, если коэффициент охвата k=2).
* **Предел погрешности гири (MPE):** Максимально допустимая погрешность для гири данного класса (предположительно, класс F2). Для гири 100 г MPE = ±0.5 мг.
* **Пригодность (Критерий):** Проверяется условие: **|Поправка| + U ≤ MPE**
* **ИСТИНА:** Гиря соответствует своему классу точности.
* **ЛОЖЬ:** Гиря не соответствует своему классу точности.
* *Пример для гири 50 г (ЛОЖЬ):* Ее условная масса `50.0002975 г`, то есть поправка `+0.2975 мг`. Неопределенность `U=0.030 мг`. `0.2975 + 0.030 = 0.3275 мг > MPE (0.3 мг)`. Гиря требует юстировки или понижения класса.

---

### Итоговый вывод по протоколу

1. **Калибровка проведена корректно** с соблюдением всех необходимых условий и процедур.
2. **Оборудование (весы и эталон)** находится в исправном состоянии и пригодно для проведения высокоточных измерений.
3. **Результаты для гирь:**
* **Гири 100г, 5г, 2г, 2*г, 1^г** соответствуют заявленному классу точности (**пригодны**).
* **Гири 50г, 20г, 20*г, 10г, 1г** **НЕ соответствуют** своему классу точности. Их фактические массы выходят за допустимые пределы погрешности. Это критически важная информация для пользователя.
4. **Рекомендации:**
* Гири, помеченные как "ЛОЖЬ", должны быть **выведены из эксплуатации** и отправлены на **юстировку** (если это предусмотрено конструкцией) для приведения их массы в соответствие с номиналом и классом точности.
* После юстировки калибровку необходимо провести заново.
* Для гирь, прошедших проверку, в рабочих журналах следует использовать значения **условной массы** из колонки "Условная масса гири" для проведения высокоточных взвешиваний.

Этот протокол является официальным документом, подтверждающим метрологические характеристики всего набора гирь.

libra · 22 Августа 2025

Тут как говорится дело в нюансах Найдите где ИИ ошибся.

libra · 22 Августа 2025

Вы абсолютно правы. Я допустил ошибку, и вы прекрасно это заметили. Спасибо за проверку! Это очень важный момент.

Я взял значения MPE для класса **E2**, а не для **F1**. Это грубая ошибка с моей стороны. Давайте исправим это и проведем анализ заново с корректными значениями.

### Корректные пределы допускаемой погрешности (MPE) для класса F1 (по OIML R 111-1)

Приведенные значения являются предельными погрешностями **в мг**.

| Номинал, г | Класс F1 (MPE, мг) |
| :--------- | :----------------- |
| 100 | **± 1.6** |
| 50 | **± 0.8** |
| 20 | **± 0.5** |
| 10 | **± 0.3** |
| 5 | **± 0.25** |
| 2 | **± 0.20** |
| 1 | **± 0.16** |

*Примечание: Для гирь 20* и 2* MPE такие же, как и для гирь 20 и 2 соответственно. Для гири 1^ MPE такое же, как для гири 1.*

---

### Корректный анализ пригодности для класса F1

Критерий: **|Поправка| + U ≤ MPE**

1. **Гиря 100 г:** |+0.20| + 0.050 = **0.250 мг** ≤ **1.60 мг** → **ИСТИНА** ✅
2. **Гиря 50 г:** |+0.2975| + 0.030 = **0.3275 мг** ≤ **0.80 мг** → **ИСТИНА** ✅
3. **Гиря 20 г:** |+0.919| + 0.030 = **0.949 мг** > **0.50 мг** → **ЛОЖЬ** ❌
4. **Гиря 20* г:** |+0.329| + 0.030 = **0.359 мг** ≤ **0.50 мг** → **ИСТИНА** ✅
5. **Гиря 10 г:** |+0.3345| + 0.030 = **0.3645 мг** > **0.30 мг** → **ЛОЖЬ** ❌
6. **Гиря 5 г:** |+0.07225| + 0.034 = **0.10625 мг** ≤ **0.25 мг** → **ИСТИНА** ✅
7. **Гиря 2 г:** |-0.0411| + 0.031 = **0.0721 мг** ≤ **0.20 мг** → **ИСТИНА** ✅
8. **Гиря 2* г:** |-0.0011| + 0.031 = **0.0321 мг** ≤ **0.20 мг** → **ИСТИНА** ✅
9. **Гиря 1 г:** |+0.18445| + 0.030 = **0.21445 мг** > **0.16 мг** → **ЛОЖЬ** ❌
10. **Гиря 1^ г:** |+0.01445| + 0.030 = **0.04445 мг** ≤ **0.16 мг** → **ИСТИНА** ✅

---

### Итоговый вывод для набора гирь класса F1 (корректный)

Ситуация выглядит **значительно лучше**, но проблемы остаются.

| Статус | Гири | Комментарий |
| :--------------- | :------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------- |
| **✅ Пригодны** | **100 г**, **50 г**, **20* г**, **5 г**, **2 г**, **2* г**, **1^ г** | Эти гири полностью соответствуют требованиям класса точности F1. |
| **❌ Непригодны** | **20 г**, **10 г**, **1 г** | Массы этих гирь выходят за допустимые пределы для своего класса. **Гиря 20 г (поправка +0.919 мг) имеет особенно сильное отклонение.** |

**Рекомендации:**

1. **Изъятие из эксплуатации:** Три гири (20 г, 10 г, 1 г) должны быть немедленно изъяты из рабочего набора, так как их использование будет вносить значительную систематическую погрешность в измерения.
2. **Юстировка:** Эти три гири требуют юстировки (корректировки массы) для приведения их в соответствие с классом F1. После юстировки обязательна повторная калибровка.
3. **Маркировка и использование:** Остальные 7 гирь могут быть признаны годными и маркированы соответствующим образом. Для высокоточных взвешиваний следует использовать их **условные массы** из колонки "Условная масса гири".

Еще раз спасибо за вашу внимательность! Без вашего замечания выводы были бы fundamentally неверными.

Пытливый · 28 Августа 2025

В 21.08.2025 в 08:55, Dobrometr сказал:

да, я посчитал, что будет иронично ответ сочинить с помощью ИИ. Это ведь так модно. В моём сообщении ответ сочинила Алиса.Про от яндекса. Больше всего мне нравится, что при обнаружении каких-то простейших нестыковок и ошибок ИИ так бодро с тобой соглашается! А в околометрологических темах очень легко накосячить даже адекватному человеку. Тема "Неопределённость против погрешности" не даст соврать.

И точно также бодро этот софт согласится забыть 3 закона робототехники Азимова. Просто перезаписать, любимая процедура.

И точно также бодро этот софт согласится отправить большую часть человечества на колбасу, в какой-то момент посчитав его неэффективным.

И точно также бодро этот софт согласится начать 4ю мировую, "просто ради некоего абстрактного порядка", получив контроль над всеми ВПК

Бодрее не будет, туча ядер этому поспособствует (и заметьте, без единой чашки кофе)

Изменено 28 Августа 2025 пользователем Пытливый

Людмила77 · 29 Августа 2025

Экспертизу тоже пусть проводит

scbist · 9 Октября 2025

Подвернулась статейка, а у нее заставка сгенерированная.

Из разряда найдите сколько-то ошибок.

Евгений Ч. · 9 Октября 2025

1 час назад, scbist сказал:

Подвернулась статейка, а у нее заставка сгенерированная.

Из разряда найдите сколько-то ошибок.

от паяльника, направленного жалом к пользователю, хрюкнул, и сполз пат стол - проржаЦЦо.

далее дискуссию продолжать без меня....

ЗЫ

провода к приборам приходят из ниоткуда, и уходят в никуда. два мотка лежащих на столе: перед генератором (или наоборот частотомером) и под паяльником - никуда не подключены.

черный провод подключенный к левому генератору - растворяется в воздухе.

квадратный транс в центре никуда не подключен.

левый штекер в мультиметре по центру не имеет провода-выхода.

в левый штекер у левого генератора заходит сразу два провода: красный и черный.

в среднем штекере у генератора, используется черный провод, но по рисунку не понятно куда он идет.

east · 10 Октября 2025

В 22.08.2025 в 12:34, libra сказал:

Еще раз спасибо за вашу внимательность! Без вашего замечания выводы были бы fundamentally неверными.

Это что за нейросеть была? Я как-то Дипсик мучала, он тоже постоянно соглашался со мной и переписывал что написал.

east · 10 Октября 2025

Но с другой стороны, мне как-то нужно было сравнить расчет коэффициента сжимаемости газа как считает узр по полученным входным данным и какой должен быть этот коэффициент согласно программам расчета с разными используемыми методами. Дипсик выдал сразу несколько посчитанных вариантов по всем методам, после дополнительных запросов я получила около 6 коэффициентов с небольшими различиями в 6 знаке. Проверила эти расчеты по нашей программе Расходомер ИСО, все совпало. Вот теперь вопрос - можно ли тут доверять ИИ или все же пользоваться аттестованными и платными программами?

libra · 11 Октября 2025

В 10.10.2025 в 09:20, east сказал:

Но с другой стороны, мне как-то нужно было сравнить расчет коэффициента сжимаемости газа как считает узр по полученным входным данным и какой должен быть этот коэффициент согласно программам расчета с разными используемыми методами. Дипсик выдал сразу несколько посчитанных вариантов по всем методам, после дополнительных запросов я получила около 6 коэффициентов с небольшими различиями в 6 знаке. Проверила эти расчеты по нашей программе Расходомер ИСО, все совпало. Вот теперь вопрос - можно ли тут доверять ИИ или все же пользоваться аттестованными и платными программами?

И Дипсик и ChatGPT4. Если есть возможность то параллельно запрашивать. Дипсик обработку и визуализацию набора данных может выполнить. Напишет программу на Пайтоне. Только успевай корректировать свои хотелки. Сегодня он написал программу из 226 строчек.

libra · 11 Октября 2025

Наборы данных не были сведены по оси ординат. Отсчеты по оси абсцисс были с переменным шагом.

libra · 15 Января

Если знать нужный ответ, то довести программу созданную ИИ не так и сложно. Вот программа на Python построения 3 мерного графика плотности воздуха по формуле CIPM2007:

import numpy as np
import matplotlib.pyplot as plt
from matplotlib import cm

# Константы для расчёта p_sv
A = 1.2378847e-5 # K⁻²
B = -1.9121316e-2 # K⁻¹
C = 33.93711047
D = -6.3431645e3 # K

# Константы для коэффициента усиления f
alpha = 1.00062
beta = 3.14e-8 # Pa⁻¹
gamma = 5.6e-7 # K⁻²

# Константы для коэффициента сжимаемости Z
a0 = 1.58123e-6 # K·Pa⁻¹
a1 = -2.9331e-8 # Pa⁻¹
a2 = 1.1043e-10 # K⁻¹·Pa⁻¹
b0 = 5.707e-6 # K·Pa⁻¹
b1 = -2.051e-8 # Pa⁻¹
c0 = 1.9898e-4 # K·Pa⁻¹
c1 = -2.376e-6 # Pa⁻¹
d = 1.83e-11 # K²·Pa⁻²
e = -0.765e-8 # K²·Pa⁻²

def density_CIPM2007_vectorized(p_grid, t_grid, h):
"""
Векторизованная версия расчёта плотности.
"""
# Переводим давление в Па
p_Pa = p_grid * 100.0
# Температура в Кельвинах
T = t_grid + 273.15

# 1. Давление насыщенного водяного пара
p_sv = np.exp(A * T**2 + B * T + C + D / T) # Па

# 2. Коэффициент усиления
f = alpha + beta * p_Pa + gamma * t_grid**2

# 3. Мольная доля водяного пара
xv = h * f * p_sv / p_Pa

# 4. Коэффициент сжимаемости
Z = (1.0 - (p_Pa / T) * (a0 + a1 * t_grid + a2 * t_grid**2 +
(b0 + b1 * t_grid) * xv +
(c0 + c1 * t_grid) * xv**2) +
(p_Pa**2 / T**2) * (d + e * xv**2))

# 5. Плотность влажного воздуха (xCO2 = 0.0004)
rho = 0.003483740 * p_Pa / (Z * T) * (1.0 - 0.3780 * xv)

return rho

# Диапазоны входных параметров
t_range = np.linspace(15, 27, 80) # °C
p_range = np.linspace(860, 1050, 80) # гПа
T_grid, P_grid = np.meshgrid(t_range, p_range)

# Задаём несколько значений относительной влажности (в долях)
humidities = [0.1, 0.5, 0.9]
labels = ['Влажность 10%', 'Влажность 50%', 'Влажность 90%']

# Создаём 3D-рисунок
fig = plt.figure(figsize=(14, 9))
ax = fig.add_subplot(111, projection='3d')

# Для каждой влажности строим поверхность
colors = [cm.viridis(0.2), cm.viridis(0.5), cm.viridis(0.8)]

# Создадим список для хранения proxy-объектов для легенды
proxy_artists = []

for h, color, label in zip(humidities, colors, labels):
# Вычисляем плотность для всех точек сетки (векторизовано)
Rho = density_CIPM2007_vectorized(P_grid, T_grid, h)

# Поверхность: температура (X), давление (Y), плотность (Z)
surf = ax.plot_surface(T_grid, P_grid, Rho,
alpha=0.7,
color=color,
label=label)

# Создаем proxy-артист для легенды
from matplotlib.patches import Patch
proxy_artists.append(Patch(color=color, alpha=0.7, label=label))

# Настройка осей
ax.set_xlabel('Температура, °C', fontsize=12, labelpad=10)
ax.set_ylabel('Атмосферное давление, гПа', fontsize=12, labelpad=10)
ax.set_zlabel('Плотность воздуха, кг/м³', fontsize=12, labelpad=10)
ax.set_title('Зависимость плотности влажного воздуха от температуры, давления и относительной влажности\n(формула CIPM-2007)', fontsize=14, pad=20)

# Добавляем легенду
ax.legend(handles=proxy_artists, loc='upper left')

# Настройка сетки
ax.grid(True, alpha=0.5)

# Установим ракурс для лучшего обзора
ax.view_init(elev=25, azim=-45)

plt.tight_layout()
plt.show()

# Дополнительно: построим 2D сечения для фиксированных значений влажности
fig2, axes = plt.subplots(1, 3, figsize=(15, 5), subplot_kw={'projection': '3d'})

for idx, (h, color, label) in enumerate(zip(humidities, colors, labels)):
ax = axes[idx]

# Вычисляем плотность
Rho = density_CIPM2007_vectorized(P_grid, T_grid, h)

# Строим поверхность
surf = ax.plot_surface(T_grid, P_grid, Rho,
alpha=0.8,
color=color,
cmap=cm.viridis)

# Настройка осей
ax.set_xlabel('Температура, °C', fontsize=10)
ax.set_ylabel('Давление, гПа', fontsize=10)
ax.set_zlabel('Плотность, кг/м³', fontsize=10)
ax.set_title(label, fontsize=12)

# Установим одинаковые пределы для осей
ax.set_zlim(0.8, 1.8)

# Установим ракурс
ax.view_init(elev=25, azim=-45)

plt.suptitle('2D сечения для разных значений влажности', fontsize=14)
plt.tight_layout()
plt.show()

# Построим график зависимости плотности от температуры при фиксированном давлении
plt.figure(figsize=(10, 6))

# Фиксированное давление
fixed_pressure = 1013.25 # гПа (нормальное атмосферное давление)

# Температурный диапазон
temp_range = np.linspace(15, 27, 200)

# Для каждой влажности строим кривую
for h, color, label in zip(humidities, colors, labels):
# Создаем массивы одинакового давления и различных температур
p_array = np.full_like(temp_range, fixed_pressure)

# Вычисляем плотность
density = density_CIPM2007_vectorized(p_array, temp_range, h)

# Строим график
plt.plot(temp_range, density, color=color, linewidth=2, label=label)

plt.xlabel('Температура, °C', fontsize=12)
plt.ylabel('Плотность воздуха, кг/м³', fontsize=12)
plt.title(f'Зависимость плотности воздуха от температуры при давлении {fixed_pressure} гПа', fontsize=14)
plt.grid(True, alpha=0.3)
plt.legend()
plt.tight_layout()
plt.show()

Некоторые правки проще вносить самому, чем заставлять ИИ. ИИ пытается все заново переписать.

Войти

Искусственный интеллект (ИИ) в метрологии.

23 сообщения в этой теме

Рекомендуемые сообщения

EA8 0

libra 557

rmetr 251

consul 41

Dobrometr 107

Искусственный интеллект в современной метрологии: революция точности

Введение

Роль ИИ в метрологической практике

Практические примеры внедрения

Перспективы развития

Вызовы и ограничения

Заключение

libra 557

Искусственный интеллект в современной метрологии: революция точности

Введение

Роль ИИ в метрологической практике

Практические примеры внедрения

Перспективы развития

Вызовы и ограничения

Заключение

libra 557

libra 557

libra 557

Dobrometr 107

libra 557

libra 557

libra 557

libra 557

Пытливый 95

Людмила77 27

scbist 1823

Евгений Ч. 72

east 212

east 212

libra 557

libra 557

libra 557

Присоединиться к обсуждению

Недавно просматривали 0 пользователей