3. 测量模型建立实战

测量不确定度评定的第一步，也是最容易被轻视的一步，就是建立测量模型。所谓测量模型，就是把一个真实的物理测量问题，翻译成可计算的数学函数关系：输出量 Y 是被测量，输入量 X₁、X₂、…、X_N 是影响 Y 的所有量，模型写成 Y = f(X₁, X₂, …, X_N)。后续所有 A 类、B 类评定、合成标准不确定度、扩展不确定度，全部建立在这个函数关系之上。模型错了，后面的计算再精确也没有意义。

一、从物理问题到函数关系：先写“测量原理”，再写“修正项”

建立模型不要一上来就写公式，而应先回答三个问题：被测量到底是什么？它是通过什么物理原理得到的？还有哪些量会系统性地影响这个结果？

以“用游标卡尺测量圆柱体直径”为例。被测量是直径 d，测量原理是卡尺两爪直接接触圆柱面读数。若只考虑读数，模型可写成 d = d_读。但真实测量中，卡尺存在零位误差 δ_零，测量时温度偏离参考温度 20 ℃ 会带来热膨胀影响，圆柱体与卡尺线膨胀系数不同，修正量约为 d·(α_件 − α_尺)·(t − 20)。于是更完整的模型为：

d = d读 + δ零 + d·(α件 − α尺)·(t − 20)

注意这里 d 同时出现在等式两边，严格说这是一个隐式模型。工程上常把修正项中的 d 用 d_读 近似，得到显式模型：

d = d读 + δ零 + d读·(α件 − α尺)·(t − 20)

这一步“近似”本身要记录在模型说明中，因为它决定了后续灵敏度系数怎么求。

二、输入量识别：把“影响量”与“被测量”分开

输入量识别最容易犯的错误，是把“被测量的重复读数”当成多个输入量。实际上，重复测量得到的一组读数，属于同一个输入量 d_读 的多次观测，其分散性用 A 类评定处理，而不是拆成 d_读1、d_读2。

识别输入量时，建议按“直接测量量—修正量—影响量—常数”四类逐一排查：

• 直接测量量：卡尺读数 d_读，由多次测量取平均得到；
• 修正量：零位误差 δ_零，由校准证书给出，属于 B 类；
• 影响量：温度 t、线膨胀系数 α_件、α_尺，它们不直接等于被测量，但通过物理规律影响结果；
• 常数：参考温度 20 ℃，按定义取固定值，不引入不确定度。

对于本例，若温度控制在 (20 ± 2) ℃，α_件 = 11.5×10⁻⁶ ℃⁻¹，α_尺 = 16.5×10⁻⁶ ℃⁻¹，直径约 25 mm，则温度修正项最大约为 25 × (−5×10⁻⁶) × 2 = −0.00025 mm，即 0.25 μm。这个量级是否可忽略，取决于被测直径的公差要求。若公差为 ±0.01 mm，则 0.25 μm 约占 2.5%，通常不能忽略；若公差为 ±0.1 mm，则可考虑忽略并说明理由。

三、输出量定义：明确“测的是什么”和“结果给谁用”

输出量定义要落到具体物理量和具体位置。例如“测量圆柱体直径”应明确：是测量某一横截面的直径，还是沿轴向多个截面直径的平均值？如果是后者，输出量应定义为 d = (1/n)Σd_i，输入量包括每个截面的直径，模型结构随之改变。

再如“测量电阻”时，若用伏安法，输出量是 R = U/I；若用四线制开尔文测量，输出量仍是 R，但输入量中引线电阻的影响被大幅削弱，模型可简化为 R = U/I 加上接触电势修正。输出量定义不同，输入量清单和模型形式都会不同。

四、模型结构可视化：输入量如何汇入输出量

下面这张图把本例的测量模型画成“输入量—函数关系—输出量”的结构关系图。图中每个输入量都标注了类型和典型来源，便于后续逐项评定。

五、实战检查清单：模型是否可用

模型写完后，用下面几个问题自检：

以本例为例，若最终模型为 d = d_读 + δ_零 + d_读·(α_件 − α_尺)·(t − 20)，输入量共 5 个：d_读、δ_零、t、α_件、α_尺。其中 d_读 用 10 次重复测量平均，A 类标准不确定度按实验标准差除以 √10 计算；其余 4 个按 B 类评定，依据校准证书、温度计精度和材料手册数据。这样，一个物理测量问题就完整地转化成了可继续评定的数学模型。

建立测量模型不是一次性的形式工作，而是贯穿整个评定过程的“骨架”。后续每引入一项新的不确定度来源，都应先问：它对应哪个输入量？是否已经出现在模型中？如果不在，是补充进模型，还是证明它可以忽略。保持模型与评定过程一致，才能保证最终给出的扩展不确定度真实可信。