1. 课程导入

传感器校准不确定度评估，是连接“校准证书上的数据”与“工程决策可信度”的关键桥梁。很多工程师会做校准，却说不清校准结果到底有多可靠；会写不确定度报告，却不理解每一个分量从何而来。本课程的目标，就是把这套看似复杂的评估体系，拆解成可理解、可计算、可复用的方法链条。

一、学习目标

完成本课程后，你应当能够独立完成一台典型传感器校准的不确定度评估，并给出符合规范的结果表达。具体目标包括：

• 理解测量不确定度、误差、准确度、精密度之间的区别与联系；
• 掌握不确定度来源识别方法，能对传感器校准过程建立完整的数学模型；
• 熟练运用A类与B类评定方法，计算标准不确定度分量；
• 掌握合成标准不确定度与扩展不确定度的计算流程，正确选取包含因子；
• 能够编写结构完整、逻辑清晰的不确定度评估报告，并进行结果合理性复盘。

二、核心概念

在进入具体计算之前，需要先厘清几个容易混淆的基础概念。

测量误差是测量结果与被测量真值之差，它是一个客观存在但通常无法精确获知的量。而测量不确定度则是对测量结果分散性的定量描述，它回答的是“这个结果有多可信”，而不是“这个结果错了多少”。这是初学者最容易混淆的一点。

标准不确定度以标准偏差形式表示单个不确定度分量，记为 u。当多个分量合成后，得到合成标准不确定度 u_c。再乘以包含因子 k，得到扩展不确定度 U，通常取 k=2，对应约95%的置信水平。

另一个关键概念是自由度。它反映不确定度评定中所用信息的可靠程度。A类评定通过重复测量次数获得自由度，B类评定则依据经验或分布假设估计自由度。自由度越小，说明评定依据越薄弱，在最终结果中应予以关注。

三、整体框架

本课程按照“概念—识别—评定—合成—表达—复盘”的逻辑展开，整体框架可以用下面的关系图表示。图中展示了从校准场景出发，经过不确定度来源识别、A/B类评定、合成与扩展，最终形成报告并反馈修正的完整路径。

从图中可以看出，整个评估过程不是单向的流水线，而是一个带有反馈回路的闭环。当合成结果偏大或偏小时，需要回到来源识别阶段，检查是否遗漏了重要分量，或者是否对某个分量估计过于保守。

四、方法流程与关键参数

不确定度评估的标准流程可以概括为以下步骤：

1. 明确被测量与测量模型，写出输出量 Y 与输入量 X_i 的函数关系；
2. 逐一识别不确定度来源，列出所有可能影响结果的因素；
3. 对每个来源进行A类或B类评定，得到标准不确定度 u_i；
4. 计算灵敏度系数 c_i = ∂Y/∂X_i，将各分量统一到输出量量纲；
5. 按方和根法合成，得到 u_c(Y)；
6. 确定包含因子 k，计算扩展不确定度 U = k·u_c；
7. 编写报告，说明各分量来源、分布、数值及最终结果。

其中，灵敏度系数是连接输入量与输出量的关键参数。对于简单的线性模型，灵敏度系数往往为1或-1；但对于非线性模型，必须通过偏导数或数值方法求得。下表列出了常见不确定度来源及其典型评定方式：

五、案例场景：压力传感器校准

假设使用一台0.05级标准压力计校准一只0～1 MPa的压力传感器。在20℃环境下，对满量程点重复测量10次，得到输出值。此时不确定度来源至少包括：标准压力计自身不确定度、重复性、传感器分辨力、环境温度偏离20℃的影响、安装位置高度差引起的液柱压力、以及标准器与传感器之间的连接泄漏。

如果只计算重复性而忽略标准器不确定度，最终结果会明显偏小；如果对所有B类分量都取均匀分布且包含因子√3，又可能过于保守。合理的做法是：对证书给出的扩展不确定度按正态分布处理，对分辨力和温度影响按均匀分布处理，对安装误差根据实际几何尺寸估算半宽。

六、常见误区与复盘要点

初学者在不确定度评估中经常出现以下几类问题：

• 把误差当不确定度：误差是单次测量结果与真值之差，不确定度是分散性描述，两者不能混为一谈；
• 重复计算同一来源：例如标准器证书中已包含重复性，又在A类评定中再次计入；
• 包含因子选取随意：对均匀分布误用k=2，导致结果偏小；
• 忽略灵敏度系数：当输入量与输出量量纲不同时，直接相加各分量会造成量纲错误；
• 报告只给结果不给过程：无法追溯，审核时难以通过。

复盘时，建议重点检查三件事：第一，测量模型是否完整；第二，每个分量的分布假设是否有依据；第三，合成结果与经验判断是否一致。如果合成不确定度远小于标准器自身不确定度，说明一定有分量被遗漏或低估。