第二节标定基础理论：测量误差来源分析

做传感器标定这么多年，我最大的体会就是——搞懂误差，标定就成功了一半。很多人一上来就调参数、跑算法，结果数据忽大忽小，根本找不到原因。说白了，误差分析就是给传感器“看病”，你得先知道病根在哪儿。

测量误差按性质分三类：系统误差、随机误差、粗大误差。这三兄弟性格完全不同，处理方式也天差地别。我一个个拆开讲。

系统误差的特点是——有规律、可重复。你测100次，它每次都往同一个方向偏。就像裁判打分，每次都少给0.5分。

常见来源：

核心观点：系统误差可以修正，但不能通过多次测量取平均来消除。你测1000次，它还是偏那么多。

怎么处理？

我个人习惯分三步走：

避坑指南：我曾经犯过一个低级错误——用同一台万用表测标准源和被测传感器。结果万用表本身就有0.5%的系统误差，我愣是没发现，白折腾了两天。记住：标准器必须比被测设备高一个精度等级。

随机误差就调皮了。它没有固定方向，时大时小，正负不定。就像评委打分，这次给9分，下次给8.5分，再下次给9.2分——完全看心情。

为什么会有随机误差？

说白了，就是测量过程中那些不可控的微小因素。比如：

你想想看，这些因素你根本没法完全消除。但好消息是——随机误差服从统计规律。大多数情况下，它符合正态分布。

核心观点：随机误差无法消除，但可以通过多次测量取平均来减小。测量次数n每增加4倍，平均值的不确定度减半。

怎么评估？

我一般用标准差σ来衡量。假设你测了N次，得到一组数据x₁, x₂, ..., xₙ：

平均值 μ = (x₁ + x₂ + ... + xₙ) / N
标准差 σ = sqrt( Σ(xᵢ - μ)² / (N-1) )

σ越小，说明数据越集中，随机误差越小。通常我们取±3σ作为随机误差的界限——超出这个范围的概率不到0.3%。

个人经验：做压力传感器标定时，我习惯每个点测10次，剔除明显异常值后取平均。10次是个不错的平衡点——再多浪费时间，再少统计意义不够。当然，如果你做高精度计量，测20次甚至50次也不稀奇。

粗大误差，也叫异常值。它跟系统误差和随机误差完全不是一个路数——它纯粹是“意外”。就像评委喝多了，突然打了个100分，全场傻眼。

常见原因：

警告：粗大误差必须剔除！绝对不能参与数据平均或拟合。否则一个异常值就能把整个标定结果带偏。

怎么识别？

常用的方法有几种：

我个人最常用的是3σ准则，简单粗暴有效。但要注意——如果数据本身分布很宽（σ很大），3σ准则可能漏判。这时候我会结合图形法，画个散点图或箱线图，肉眼一看就知道哪些点不对劲。

避坑指南：我曾经遇到过一个案例——某温度传感器标定数据总是飘，查了三天没找到原因。最后发现是数据采集卡的通道隔离坏了，每测10个点就混入一个异常值。嗯，硬件问题有时候比算法问题更难排查。所以遇到粗大误差，别光盯着数据处理，也检查检查硬件。

这三类误差不是孤立的。实际测量中，它们往往同时存在。我画了张图，帮你理清思路：

这张图我建议你保存下来。每次做标定前看一眼，心里就有数了。

说了这么多理论，来点实际的。我一般按这个流程走：

记住：标定不是一次性的活儿。环境变了、时间久了、传感器老化了，误差特性都会变。定期复标、持续监控，才是正道。

好了，误差分析这块就讲到这里。搞懂了这三类误差，你再看标定流程，会发现很多问题其实早有答案。下一节我们聊标定设备的选择和搭建，到时候见。

第二节 标定基础理论：测量误差来源分析