Measurement accuracy

In the modern world of scientific and technological progress, the requirements for the accuracy and reliability of measurements are becoming increasingly stringent. The rapid development of machine learning (ML) methods opens up perspectives for improving metrological processes and enhancing the quality of measurements. This article explores the potential application of ML methods in metrology, outlining the main types of ML models in automatic instrument calibration, analysis, and prediction of data.

Розглядається запропонований метод підвищення точності вимірювання темпера- тури мікропроцесорним терморезистивним термометром, в якому завдяки використан- ню структурно-аналітичної надлишковості одержується функція вимірювального перетворення з інваріантністю щодо нелінійності статичної характеристики напів- провідникового первинного перетворювача, прогресуючого дрейфу градуювальної характеристики термометра та дії на нього різних дестабілізуючих факторів.

Object  temperature  diagnostics  by means  of  infrared  temperature measurements  as well  as measurements  of temperature gradients are considered. Values of the surface temperature carry information about the internal structure, defects and their  location  of measured  object. This  information  becomes  quite  important  for  preventive measures  and  repairs  of  technical objects.

The major error of temperature measurements of different objects is due to uncertainty of their emissivity factor value. And vice versa, for correct determination of a true temperature, using conventional temperature means (pyrometers, thermal image cameras), one has to know in advance the emissivity factor of the studied object’s surface or better to set its value in place immediately  before  a  measurement.  The  latter  is  proposed  by  authors  to  significantly  increase  the  accuracy  of  temperature measurement.