1. 课程导入与不确定度评定总览
在ZEISS精密测量领域，测量结果的价值不仅取决于坐标测量机（CMM）本身的精度指标，更取决于我们能否对“这个结果到底有多可信”给出量化回答。一台ZEISS CONTURA配合VAST XT扫描测头，在恒温实验室中测量一个φ20 mm的轴颈，软件可能给出直径19.9987 mm。但若被问及“这个值的不确定度是多少”，仅凭设备规格书上的MPEE = 1.8 + L/350 μm是远远不够的。不确定度评定要回答的，正是测量结果附近一个合理区间——真值以约定概率落入其中，而这个区间必须由可追溯的输入量、明确的数学模型和可验证的统计假设推导出来。
本课程围绕ZEISS精密测量场景，系统讲解不确定度评定的完整方法链。第一章作为总览，先建立三个基本认识：不确定度评定的意义、GUM与ISO 14253等标准框架、以及从任务定义到报告结果的整体流程。
为什么精密测量必须做不确定度评定
在工业计量中，测量结果若没有不确定度，就无法与公差限进行有意义的比较。ISO 14253-1确立了“判定规则”：只有当测量结果与公差限之间的距离大于测量不确定度时，才能判定工件合格或不合格；落在不确定度带内的区域属于“不确定区”，不能简单判废或判收。这意味着，不确定度直接决定了一个测量结果能否作为验收依据。
对ZEISS测量而言，不确定度来源远比“机器精度”复杂。以CALYPSO软件测量一个孔的位置度为例，至少涉及以下输入：CMM的示值误差、探测系统的形状误差、探针针尖的有效直径、工件温度与参考温度20 ℃的偏差、工件材料的热膨胀系数、装夹变形、基准建立策略、采样点数量与分布、滤波与拟合算法等。这些量有的以校准证书给出，有的需要实验估计，有的来自经验假设。不确定度评定的任务，就是把这些分散的信息统一到同一个数学模型下，合成一个可比较的标准不确定度。
GUM与ISO 14253：两套互补的标准框架
GUM（《测量不确定度表示指南》）提供了不确定度评定的通用方法论，其核心是“不确定度传播律”：先建立被测量Y与输入量Xi之间的函数关系Y = f(X1, X2, …, Xn)，再分别评定各输入量的标准不确定度u(xi)，通过灵敏度系数ci = ∂f/∂xi合成得到uc(y)，最后乘以包含因子k得到扩展不确定度U = k·uc。GUM将评定方法分为A类（对观测列做统计分析）和B类（基于证书、规格、经验等非统计信息）。
ISO 14253则从“判定”角度补充了GUM：它规定了如何用不确定度处理合格与不合格的判定，并引入了“测量不确定度对符合性判定的影响”这一工程视角。在ZEISS的实际检测报告中，通常需要同时满足GUM的评定要求和ISO 14253的判定规则。此外，ISO 15530系列针对坐标测量机给出了不确定度评定的具体实施指南，包括使用校准工件、使用误差映射、以及基于仿真（如虚拟CMM）的方法，这些将在后续章节展开。
从任务到报告：不确定度评定的整体流程
一个完整的不确定度评定流程可以概括为六个环节，但它们并非线性单向，而是需要反复迭代：
- 定义被测量与测量任务：明确要测什么、用什么基准、在什么条件下测。例如“在20 ℃±0.5 ℃下，测量轴颈直径，取截面圆拟合直径”。
- 建立数学模型：写出Y = f(X1, X2, …)，识别所有显著输入量。这一步决定了后续评定的边界。
- 评定各输入量的标准不确定度：对每个Xi，判断用A类还是B类方法，得到u(xi)。
- 计算灵敏度系数与合成标准不确定度：求ci，按方差合成公式计算uc(y)。
- 确定扩展不确定度与报告：选择包含因子k（通常k=2，对应约95%置信水平），计算U = k·uc，并按规范格式报告。
- 验证与迭代：用校准工件或重复测量检验评定结果的合理性，必要时修正模型或补充输入量。
需要强调的是，数学模型不是越复杂越好。在ZEISS测量中，很多输入量的影响可以通过实验设计分离，例如用同一工件重复装夹测量来评估装夹重复性，用不同探针配置测量来评估探测系统差异。关键是让每一个进入模型的量都有明确的物理意义和可追溯的来源。
下图展示了从测量任务到不确定度报告的完整信息流，以及GUM与ISO 14253在其中的作用位置。图中左侧为输入层，中间为评定层，右侧为判定与报告层，箭头表示数据与信息的流向。
从图中可以看出，不确定度评定不是一次性的计算，而是一个“建模—评定—合成—判定—验证”的闭环。输入层的每一项信息都可能影响最终结果，而验证环节的反馈会促使我们回头修正数学模型或补充实验数据。在后续章节中，我们将逐一展开每个环节的具体操作：如何用ZEISS CALYPSO的测量策略配置来减少探测误差的影响，如何用校准证书中的MPE值做B类评定，如何设计重复性实验做A类评定，以及如何用ISO 15530-3的校准工件法快速获得任务相关的不确定度。
最后需要建立的一个观念是：不确定度评定不是“给测量结果加一个保险系数”，而是对测量过程认知程度的量化表达。评定结果越合理，说明我们对测量过程中各影响量的认识越清晰。对于ZEISS精密测量而言，这意味着不仅要会操作设备，更要理解设备、工件、环境、算法之间的相互作用，并用数学语言把这种理解转化为可比较、可传递的不确定度数值。