Measurement model: the real starting point of uncertainty evaluation

A uncertaintyi costvetés nem egy táblázattal kezdődik. Először azt kell egyértelműen leírni, hogy pontosan mely quantityet, milyen feltételek között, milyen módszerrel és milyen kiassessmenti összefüggéssel határozunk meg.

A measurand egyértelmű meghatározása

A VIM szerint a measurand az a quantity, amelyet mérni szándékozunk. Ez rövid definíciónak tűnik, de in practice often ez a legnehezebb lépés. A „temperature”, a „illuminance” vagy a „voltage” önmagában többnyire is not sufficient specifikáció. Meg kell adni többek között a helyet, időpontot, measurement geometriát, spektrális tartományt, sávszélességet, terhelési állapotot és minden olyan feltételt, amely a quantity értelmezését befolyásolja.

Explicit és implicit measurement modellek

Az explicit modell a kimenő quantityet a bemenő quantityek függvényeként adja meg: Y=f(X₁,…,Xₙ). Implicit modellnél egy összefüggés nullára rendezett alakja írja le a kapcsolatot. A JCGM GUM-6 hangsúlyozza, hogy a modell nem pusztán képlet: magában foglalhat algoritmust, numerikus proceduret, adatkorrekciót és measurement procedureból származó logikai lépéseket is.

Dimenzióhelyesség

A modell minden tagjának dimenzióhelyesnek kell lennie. Ez az egyik legegyszerűbb, mégis legerősebb ellenőrzés. Ha különböző mvalueunitű összetevőket sensitivity coefficient nélkül kombinálunk, a costvetés matematikailag értelmezhetetlenné válik.

Korrekciók és ismert hatások

A GUM alapelve szerint az ismert szisztematikus hatást lehetőség szerint korrigálni kell. A korrekció applyása után however a korrekció valueének uncertaintya továbbra is a modell része. A „nem korrigáljuk, inkább uncertaintyként felvesszük” megoldás csak akkor védhető, ha a modell ezt helyesen reprezentálja, és a közölt result definíciója nem válik félrevezetővé.

Érvényességi tartomány és validálás

Egy modell csak abban a tartományban tekinthető validnek, amelyben a feltételezései teljesülnek. A linearizálás, a konstans sensitivity coefficient vagy a normális distribution feltételezése nem univerzális. A validálás része lehet a maradékok vizsgálata, független módszerrel történő összehasonlítás, szélsővalue-próba, numerikus stabilityvizsgálat vagy Monte Carlo eredménnyel történő ellenőrzés.

Gyakorlati modellépítési példa

Egy illuminance meter calibrationánál az egyszerű indicationkülönbség helyett a kalibrálandó eszköz korrekciója felírható a vizsgált műszer indicatione, a referenciavalue, a referencia korrekciója, a térbeli homogenitás, a rövid idejű stability, a linearity és a spektrális eltérés függvényeként. Nem minden komponens minden measurement pontban azonos súlyú: spektrális eltérés for example szélessávú, eltérő spektrumú sourcesnál dominánssá válhat.

Tipikus modellhibák

• a measurand feltételeinek elhagyása;
• ugyanazon fizikai hatás kétszeri felvétele;
• ismert korrekció figyelmen kívül hagyása;
• sensitivity coefficientk nélküli kombinálás;
• a modell tartományán kívüli extrapoláció;
• algoritmikus feldolgozás „fekete dobozként” kezelése.