第二章：误差数学基础——误差传递公式、不确定度评定与最小二乘法原理
各位工程师朋友，大家好。我是老张，在机械自动化这行摸爬滚打十几年了。今天咱们聊点硬核的——误差的数学基础。说实话，刚入行那会儿，我也觉得这些公式就是纸上谈兵。直到有一次，我设计的一个精密定位平台，理论精度0.01mm，实际做出来差了快0.1mm。查了三天，最后发现是误差传递没算对。嗯，从那以后，我再也不敢小看这些数学工具了。
2.1 误差传递公式：你的误差是怎么“传染”的？
先问个问题：你测一个轴的直径，用卡尺量了三次，每次都有0.02mm的偏差。然后你用这个直径去算截面积，你觉得面积误差是多少？
这就是误差传递要解决的问题。说白了，就是多个测量值的误差，会通过函数关系“传递”到最终结果上。
2.1.1 线性误差传递公式
假设我们有函数 y = f(x₁, x₂, ..., xₙ)，每个 xᵢ 都有独立误差 Δxᵢ。那么 y 的误差 Δy 可以近似表示为：
Δy = |∂f/∂x₁|·Δx₁ + |∂f/∂x₂|·Δx₂ + ... + |∂f/∂xₙ|·Δxₙ这个公式叫“绝对值合成法”，是最保守的估计。我习惯在项目初期用这个公式，因为它能给出最坏情况下的误差上限。
实际案例： 我在做三坐标测量机时，需要计算测头半径补偿后的坐标误差。测头半径 r 有0.5μm的误差，接触点法向矢量 n 有0.1°的角度误差。最终位置误差就是这两者的线性叠加。用这个公式，我很快算出了系统能达到的极限精度。
2.1.2 方差传递公式（更精确的版本）
如果误差是随机且独立的，我们通常用方差传递公式：
σ_y² = (∂f/∂x₁)²·σ₁² + (∂f/∂x₂)²·σ₂² + ... + (∂f/∂xₙ)²·σₙ²这里 σᵢ 是每个测量值的标准差。这个公式更符合实际情况，因为大多数误差不会同时往最坏的方向跑。
我的习惯： 做公差分析时，先用绝对值合成法算上限，再用方差传递法算期望值。两个结果一对比，心里就有底了。
2.2 不确定度评定：A类评定与B类评定
说到不确定度，很多工程师觉得这是计量院的事。其实不然。你设计一个夹具，标注定位精度±0.02mm，这个±0.02是怎么来的？就是不确定度评定出来的。
不确定度评定分两类：A类评定和B类评定。我打个比方你就明白了：
- A类评定： 用统计方法算出来的。比如你重复测量10次，算标准差。
- B类评定： 用非统计方法估计的。比如看仪器说明书上的精度指标，或者凭经验估计。
2.2.1 A类评定——用数据说话
A类评定的核心就是重复测量。步骤很简单：
- 对同一个量重复测量 n 次（n≥10，我一般取20次）
- 计算算术平均值 x̄ = (1/n)Σxᵢ
- 计算实验标准差 s = √[Σ(xᵢ - x̄)² / (n-1)]
- A类标准不确定度 u_A = s / √n
举个例子：我用激光干涉仪测一个导轨的直线度，重复测量了15次，算出来 s = 0.8μm，那么 u_A = 0.8/√15 ≈ 0.21μm。
注意： 我曾经犯过一个错——把 s 直接当成了不确定度。实际上，s 是单次测量的标准差，而 u_A 是平均值的不确定度。两者差了一个 √n 倍。你想想看，测量次数越多，平均值越稳定，不确定度就越小，这个逻辑是对的。
2.2.2 B类评定——凭经验判断
B类评定没有固定的公式，主要靠信息来源。常见的有：
- 仪器说明书： 比如千分尺的示值误差为±0.004mm，通常按均匀分布处理，u_B = 0.004/√3 ≈ 0.0023mm
- 历史数据： 以前做类似项目时积累的误差数据
- 经验估计： 比如我凭手感知道，这个气浮导轨的重复定位精度大概在0.1μm左右
B类评定的关键是要知道误差的分布类型。常见的分布及其包含因子 k 如下：
| 分布类型 | 包含因子 k | 适用场景 |
|---|---|---|
| 正态分布 | 2（95%置信概率） | 大多数随机误差 |
| 均匀分布 | √3 | 仪器示值误差、量化误差 |
| 三角分布 | √6 | 两个均匀分布的合成 |
| 反正弦分布 | √2 | 周期性误差（如丝杠螺距误差） |
避坑指南： 我曾经在评定一个旋转台的角定位误差时，想当然地用了均匀分布。后来发现实际误差更接近正态分布，导致不确定度低估了约15%。所以，分布类型一定要根据实际情况选，别偷懒。
2.3 最小二乘法原理：从一堆乱数据里找规律
最小二乘法，说白了就是找一条线（或一个曲面），让它到所有数据点的距离的平方和最小。为什么是平方和？因为平方可以避免正负抵消，而且数学上容易处理。
2.3.1 线性最小二乘法
假设我们有 n 个数据点 (xᵢ, yᵢ)，想拟合一条直线 y = ax + b。最小二乘法要做的就是找到 a 和 b，使得：
S = Σ(yᵢ - a·xᵢ - b)² → 最小对 a 和 b 分别求偏导并令其为零，得到正规方程组：
a·Σxᵢ² + b·Σxᵢ = Σxᵢ·yᵢ
a·Σxᵢ + n·b = Σyᵢ解这个方程组，就得到了 a 和 b 的估计值。
我在实际项目中，经常用最小二乘法来做传感器标定。比如一个位移传感器，输出是电压，输入是位移。我测了10组数据，用最小二乘法拟合出电压-位移曲线，然后反过来用电压算位移，精度能到0.1%以内。
2.3.2 加权最小二乘法
有时候，不同数据点的精度不一样。比如靠近量程两端的传感器，噪声可能更大。这时候就要用加权最小二乘法：
S = Σwᵢ·(yᵢ - a·xᵢ - b)² → 最小其中 wᵢ 是权重，通常取 wᵢ = 1/σᵢ²，σᵢ 是第 i 个点的测量不确定度。
我的经验： 做圆度误差评定时，我遇到过一个问题——测头在工件表面滑动时，粗糙度大的区域数据波动也大。如果不用加权最小二乘法，拟合出来的圆会偏向粗糙度大的区域，导致圆度误差被高估。后来我根据每个点的局部粗糙度来设置权重，结果就合理多了。
2.3.3 最小二乘法的几何意义
你想想看，最小二乘法其实是在做一件事：把高维空间中的一个点（所有数据点组成的向量），投影到一个低维子空间（模型空间）上。这个投影点就是拟合结果，而投影距离就是残差。
这个几何视角很有用。比如在做平面度评定时，我习惯先看残差分布——如果残差有明显的规律性（比如呈波浪形），说明模型选错了，可能需要用二次曲面而不是平面来拟合。
注意： 最小二乘法对异常值非常敏感。一个离群点就能把拟合结果拉偏。我建议在拟合之前，先用箱线图或3σ准则剔除异常值。如果数据量少，也可以用稳健回归（如RANSAC）来替代普通最小二乘法。
2.4 本章知识体系
下面这张图总结了本章的核心逻辑，你可以把它当作一个思维导图来看：
这张图把本章的三个核心内容串起来了。你看，误差传递公式解决的是“误差怎么传播”的问题，不确定度评定解决的是“误差有多大”的问题，而最小二乘法解决的是“从数据中提取最佳估计”的问题。三者环环相扣，构成了误差分析的完整工具箱。
好了，这一章的内容就到这里。记住，数学工具是死的，但应用场景是活的。多在实践中琢磨，你自然就能用好它们。