Метрология в цифровую эру

Философия метрологического обеспечения меняется с появлением гибридных, киберфизических и умных измерительных систем. Фокус смещается со статического контроля на динамическое управление качеством данных. В классическом подходе мы гарантировали точность средства измерений в момент поверки, но для  киберфизических систем  этого недостаточно. Алгоритм обработки теперь не вспомогательный инструмент. Это полноценный элемент измерительной цепи, вносящий свой вклад в неопределенность. Мы переходим к концепции метрологии данных, где важен не только первичный сигнал сенсора, но и то, как он был оцифрован, отфильтрован и интерпретирован нейросетью. Метрологическое обеспечение должно охватывать весь жизненный цикл данных. Для этого внедряют встроенные системы самодиагностики и самокалибровки, которые оценивают достоверность измерений в реальном времени.

С учетом взаимовлияния компонентов корректно оценивать суммарную неопределенность интегрированной системы становится сложнее. Простое геометрическое суммирование погрешностей уже не работает корректно из-за наличия корреляционных связей между компонентами. Необходим переход к модельно-ориентированному подходу. Оценка неопределенности должна базироваться на математической модели всей измерительной системы, учитывающей влияющие величины, взаимное влияние каналов и динамические характеристики. Для этого все чаще применяются методы имитационного моделирования, такие как  метод Монте-Карло . Они позволяют проиграть миллионы сценариев работы системы и построить плотность распределения вероятностей выходной величины, давая реалистичную оценку расширенной неопределенности.

Трансформация подходов к поверке

Мы наблюдаем переход от поэлементной поверки к системной валидации и контролю измерительных каналов. Интеллектуальный комплекс должен рассматриваться как черный ящик с нормируемыми метрологическими характеристиками на выходе. Подходы трансформируются в сторону комплексных методов, когда калибруется вся измерительная цепь целиком на месте эксплуатации. Если физическая калибровка всей системы невозможна, используются валидированные цифровые двойники системы, на которых проверяется корректность алгоритмов слияния данных и работы программного обеспечения. 

Новое направление в метрологии

Метрологическое обеспечение алгоритмов и цифровых моделей это уже, безусловно, критически важная новая дисциплина. Проблема искусственного интеллекта в том, что нейросети часто являются непрозрачными для пользователя, что создает вызов для метрологии. Необходимые методики включают аттестацию обучающих наборов данных, так как их качество напрямую влияет на результат, а также оценку устойчивости модели к зашумленным данным. Валидация моделей должна проводиться на эталонных наборах данных, где истинные значения известны с высокой точностью. Кроме того, алгоритмы должны выдавать не просто прогноз, а результат с доверительным интервалом. Иными словами, система должна показывать не только результат, но и степень своей уверенности в нем.

Отдельной задачей становится обеспечение единства измерений и прослеживаемости до эталонов в сложных распределенных системах и интернете вещей. В таких системах классическая иерархическая схема передачи единицы величины затруднена, поэтому решением становится цифровая прослеживаемость. Каждый умный датчик должен передавать не только значение величины, но и свой цифровой паспорт качества, содержащий метаданные о дате последней калибровки, статусе самодиагностики и идентификаторе эталона. Перспективным инструментом здесь являются  технологии распределенных реестров , которые позволяют фиксировать неизменяемую историю калибровки каждого узла сети, гарантируя доверие к данным даже от сторонних устройств. 

Оценка рисков

Контроль метрологических рисков, связанных с преобразованием и передачей данных на стыках интерфейсов, – это зона ответственности метрологии коммуникаций. Ошибки синхронизации времени,  квантования  и потери пакетов часто игнорируются, хотя могут превышать инструментальную погрешность датчика. В динамических измерениях рассинхронизация даже на миллисекунды может полностью исказить картину процесса. Поэтому параметры целостности данных и задержек передачи должны включаться в бюджет неопределенности как отдельные составляющие наравне с физическими погрешностями сенсоров.

Нормативные документы vs технологическое развитие

Существует заметное нормативное отставание. Базовые международные руководства универсальны, но отраслевые стандарты часто ориентированы на аналоговую эру. 

Регуляторика в данный момент часто выступает сдерживающим фактором, требуя консервативных методов подтверждения соответствия там, где технологии уже ушли вперед. 

На этом фоне расширяется и перечень видов неопределенности измерений, которые необходимо учитывать. В концепции движения данных от датчика до решения появляются специфические составляющие. Это неопределенность модели, возникающая из-за того, что математическое описание не идеально отражает физику процесса, а также алгоритмическая неопределенность, связанная с ошибками вычислений и аппроксимации. Также учитывается временная неопределенность, вызванная задержками в сетях передачи данных. Все чаще рассматривается и неопределенность кибербезопасности, то есть риск умышленного искажения данных, который теперь считается фактором достоверности измерений.

Новые компетенции 

Метролог перестает быть узким специалистом по поверке и становится системным архитектором качества данных. Ключевыми компетенциями становятся глубокое понимание методов обработки больших данных и машинного обучения, навыки программирования и знание архитектуры промышленных сетей. Также необходимы знания в области системной инженерии и основ кибербезопасности. Метрология становится междисциплинарной наукой, связывающей физический мир с цифровым пространством.