误差传播理论：从源头算清你的不确定度

说实话，做传感器标定这么多年，我见过太多人卡在最后一步——明明每个传感器都标好了，组合起来一测，结果却对不上。问题出在哪？

说白了，就是没搞懂误差是怎么在传感器链里“滚雪球”的。今天咱们就聊聊误差传播定律，看看怎么从源头一步步算出最终输出的不确定度。

误差传播定律的本质

误差传播定律，核心就一句话：输入端的微小误差，经过函数关系传递后，会在输出端被放大或缩小。

我习惯用一个简单例子来理解：假设你有一个压力传感器，输出是电压U，关系是U = k·P + b。如果k有1%的误差，P有0.5%的误差，那最终U的误差是多少？

嗯，这里要注意，不是简单相加。误差传播定律告诉我们，要用方差合成的方式。

σ_y² = Σ (∂f/∂x_i)² · σ_xi² + 2Σ Σ (∂f/∂x_i)(∂f/∂x_j) · cov(x_i, x_j)

我在项目中遇到过，很多人只取第一项，忽略了协方差。结果算出来的不确定度偏小，实际测试时发现误差比预期大了一倍。所以，千万别偷懒。

传感器链中的误差传播模型

一个典型的传感器链，通常包含：敏感元件 → 信号调理 → ADC → 数字滤波 → 校准算法。每个环节都会引入误差。

我画了一张图，帮你理清这个传播路径：

你看，每个环节的误差都在累积。但好消息是，误差传播定律给了我们一套数学工具，可以精确计算最终的不确定度。

如何从源头计算？—— 三步法

我个人习惯用三步法，简单粗暴，但很有效：

1. 建立传递函数：写出输出Y与各输入X_i之间的数学关系
2. 求偏导数：计算每个输入对输出的敏感度系数
3. 方差合成：按公式合成，别忘了协方差项

一个完整的计算示例

咱们来算一个实际的。假设一个压力测量链：

计算过程：

σ_D² = (∂D/∂P)² · σ_P² + (∂D/∂U₁)² · σ_U₁² + (∂D/∂U₂)² · σ_U₂²

∂D/∂P = (∂D/∂U₂)·(∂U₂/∂U₁)·(∂U₁/∂P) = 1000 × 100 × 0.1 = 10000

σ_D² = (10000)² × (0.005)² + (1000)² × (0.002)² + (1)² × (0.001)²
     = 2500 + 4 + 0.000001
     ≈ 2504

σ_D ≈ 50.04 个码值

你看，压力传感器的误差被放大了10000倍，成为主导因素。这就是为什么我常说，标定时要优先控制源头误差。

避坑指南

• 不要盲目平方和：只有独立误差才能直接平方和。相关误差必须用协方差。
• 敏感度系数别算错：我见过有人直接把各环节的不确定度加起来，结果算出来大得离谱。记住，要乘以敏感度系数。
• 单位要统一：所有不确定度要换算到同一个物理量纲下再合成。
• 高阶项别忽略：如果传递函数非线性强，一阶近似可能不够，要用蒙特卡洛法验证。

我曾经在一个项目中，就因为忽略了ADC的非线性项，导致计算的不确定度比实际小了一半。后来用蒙特卡洛模拟跑了10000次，才发现问题出在哪。

小结

误差传播理论，说白了就是帮你回答一个问题：“我的测量结果到底有多可信？”

从源头开始，一步步算清楚每个环节的贡献，你就能知道该把精力花在哪个环节上。是换一个更精密的传感器？还是优化放大器的温漂？还是提高ADC的分辨率？

嗯，有了误差传播定律，这些决策就不再是拍脑袋了。