4. 校准程序核心算法
自动校准程序之所以能够把一组离散的“标准值—示值”数据转化为可写入证书的修正结果，核心在于算法对数据的建模方式。校准的本质是寻找输入量（标准器给出的约定真值）与输出量（被校仪表示值）之间的映射关系，并用该关系预测未测点的修正值。线性回归、多项式拟合、最小二乘法、插值法与误差补偿分别承担“建模、求解、局部估计、系统修正”四类任务，理解它们的适用边界，比记住公式更重要。
一、核心原理：从散点到映射函数
设标准器在若干校准点给出标准值 x_i，被校仪表对应示值为 y_i，则误差可写为 e_i = y_i − x_i，修正值通常取 c_i = −e_i。校准算法的目标是构造一个函数 f(x)，使 f(x_i) 尽可能逼近 y_i 或 e_i，从而在任意工作点给出修正量。
- 线性回归：假设
y = a·x + b，适合传感器在量程内线性度较好、仅存在增益误差与零点误差的场景。 - 多项式拟合：假设
y = a₀ + a₁x + a₂x² + …，用于补偿非线性弯曲，如热电偶、压力变送器的非线性段。 - 最小二乘法：不是独立模型，而是求解回归/拟合系数的准则，使残差平方和
Σ(y_i − f(x_i))²最小。 - 插值法：要求曲线严格穿过每个校准点，适合校准点密集、要求局部保真的场合，如分段线性插值、样条插值。
- 误差补偿：把拟合得到的误差模型反向叠加到仪表输出或校准程序中，实现实时修正。
二、方法流程：从数据到修正模型
自动校准程序通常按以下步骤执行，每一步都影响最终证书数据的可信度：
- 数据采集与预处理：记录各校准点的标准值、示值、环境条件；剔除明显粗大误差，检查重复性。
- 模型选择：根据仪表原理与历史数据判断线性或非线性。线性度优于 0.1% 时可优先线性回归；非线性明显时选二次或三次多项式。
- 系数求解：用最小二乘法建立正规方程，求解回归系数；多项式阶数不宜超过 3～4 阶，避免过拟合。
- 拟合优度检验：计算残差、决定系数 R²、最大残差，判断模型是否可接受。
- 误差补偿与输出：将误差模型写入仪表补偿表或生成证书中的修正值表，并给出扩展不确定度。
关键判断：插值法要求曲线穿过每个校准点，适合“点对点”修正；最小二乘回归允许残差存在，适合“趋势修正”。若校准点本身带有较大随机误差，强行插值会把噪声也固化进证书，反而降低可靠性。
三、案例场景：压力变送器三点校准
某压力变送器量程 0～1.0 MPa，在 0.0、0.5、1.0 MPa 三点校准，标准值与示值如下：
标准值 x (MPa): 0.000 0.500 1.000
示值 y (MPa): 0.002 0.503 1.008
误差 e (MPa): 0.002 0.003 0.008
修正值 c (MPa): -0.002 -0.003 -0.008
若采用线性回归，得到 y ≈ 1.006x + 0.0013，可同时修正零点与增益；若采用二次多项式，可进一步拟合轻微上翘；若采用分段线性插值，则每个校准点修正值严格等于 −e_i，但 0.25 MPa 等中间点只能按线性内插估计。实际自动校准程序常把“线性回归 + 分段插值”结合：先用回归判断整体趋势，再用插值表处理局部非线性。
四、误区与复盘
| 常见误区 | 后果 | 改进做法 |
|---|---|---|
| 校准点过少却用高阶多项式 | 曲线振荡，中间点误差反而增大 | 阶数 ≤ 3，增加校准点或改用分段插值 |
| 未剔除粗大误差直接最小二乘 | 回归线被异常点拉偏 | 先用格拉布斯准则或残差图剔除异常点 |
| 把插值结果外推到量程外 | 外推区误差不可控 | 证书中明确外推区不作修正或单独说明 |
| 只给修正值不给不确定度 | 证书数据不完整，无法判定合格性 | 同步计算残差标准偏差与扩展不确定度 |
| 忽略温度、湿度等影响量 | 补偿模型在工况变化时失效 | 引入多变量回归或分段补偿表 |
复盘要点：算法选择不是越复杂越好。线性回归与最小二乘组合能解决大多数常规仪表校准；多项式拟合用于明确非线性；插值法用于高密度校准点；误差补偿则是把模型落到仪表或证书中的最后一步。每次校准后应回看残差分布，若残差呈现明显规律，说明模型阶数或形式仍需调整。
注意：最小二乘法对异常值非常敏感，一个偏离较大的校准点就可能显著改变回归系数。自动校准程序应在拟合前设置残差阈值和重复性检查，避免“带病拟合”直接生成证书。
掌握这五类算法的分工，就能在自动校准程序中做出合理选择：线性回归负责快速建模，多项式拟合负责非线性补偿，最小二乘负责稳健求解，插值法负责局部保真，误差补偿负责把数学结果转化为可用的修正量。它们共同构成校准证书数据可信度的算法基础。