Вплив порогових значень на стандартну невизначеність типу А при вимірюваннях масової витрати рідини

Автор(и)

  • Валерій Ащепков Національний науковий центр “Інститут метрології”, вул. Мироносицька, 42, 61002, Харків, Україна
  • Дмитро Бяллович Національний науковий центр “Інститут метрології”, вул. Мироносицька, 42, 61002, Харків, Україна
  • Володимир Скляров Національний науковий центр “Інститут метрології”, вул. Мироносицька, 42, 61002, Харків, Україна

DOI:

https://doi.org/10.24027/2306-7039.3.2024.312469

Ключові слова:

метрологічні дослідження; вимірювання; викиди; аномалії; невизначеність; похибка; порогові значення; метод ізольованого лісу; робастні методи

Анотація

У метрологічних дослідженнях одним із ключових завдань є точне виявлення та усунення викидів у вимірювальних даних, оскільки їх наявність негативно вплине на точність результатів. Раніше проведені нами дослідження були спрямовані на виявлення та усунення викидів за допомогою різних статистичних методів, таких як метод міжквартильного розмаху (IQR) і метод медіанного абсолютного відхилення (MAD), а також методу машинного навчання ізольованого лісу (Isolation Forest). Ці методи показали свою ефективність за певних умов, дозволяючи значно знизити невизначеність типу А та покращити точність вимірювань.

Однак, попри досягнутий прогрес, залишається невирішеним питання визначення оптимальних порогових значень, при яких невизначеність вимірювань стає мінімальною. Це особливо важливо в контексті завдань, де навіть незначне збільшення невизначеності може суттєво вплинути на результати.

Основна увага приділяється вивченню взаємозв’язку між пороговими значеннями та змінами в невизначеності, а також аналізу можливих причин цих змін. Дослідження спрямоване на виявлення оптимальних умов обробки даних, за яких досягається мінімальна невизначеність вимірювань, що є важливим для підвищення точності метрологічних досліджень.

Посилання

Ashchepkov V.O. Vykorystannia modeli Isolation Forest dlia vyiavlennia anomalii u danykh vymiriuvan [The use of the Isolation Forest model for anomaly detection in measurement data]. Innovative technologies and scientific solutions for industries, 2024, no. 1 (27) (in Ukrainian). doi: https://doi.org/10.30837/ITSSI.2024.27.236

Aschepkov V.O. Doslidzhennia metrolohichnykh kharakterystyk derzhavnoho pervynnoho etalona odynytsi obiemnoi ta masovoi vytraty ridyny pry pidhotovtsi do uchasti u mizhnarodnykh zvirenniakh [Study of metrological characteristics of the state primary measurement standard of volume flow and mass consumption of liquid in preparation for participation in international comparisons]. Ukrainian Metrological Journal, 2024, no. 1, pp. 31–37 (in Ukrainian). doi: https://doi.org/10.24027/2306-7039.1.2024.300937

Rostron P.D., Fearn T., Ramsey M.H. Comparing uncertainties – Are they really different? Accred Qual Assur, 2022, vol. 27, pp. 133–142. doi: https://doi.org/10.1007/s00769-022-01501-2

Zakharov I., Serhiienko M., Chunikhina T. Measurement uncertainty evaluation by kurtosis method at calibration of a household water meter. XXX International Scientific Symposium “Metrology and Metrology Assurance” (MMA), 2020, pp. 83–86. doi: https://doi.org/10.1109/MMA49863.2020.9254260

Wan X., Wang W., Liu J. et al. Estimating the sample mean and standard deviation from the sample size, median, range and/or interquartile range. BMC Med Res Methodol, 2014, no. 14 (135). doi: 10.1186/1471-2288-14-135

Hozo S.P., Djulbegovic B., Hozo I. Estimating the mean and variance from the median, range, and the size of a sample. BMC Med Res Methodol, 2005, no. 5 (13). doi: https://doi.org/10.1186/1471-2288-5-13

Blom G. Statistical Estimates and Transformed Beta Variables. New York, John Wiley and Sons, 1958. 176 p.

Potanina T.V., Mykhaylenko I.V. Doslidzhennia vybirok eksperymentalnykh danykh na naiavnist vykydiv: porivniannia metodiv [Examination of Experimental Data Samples for the Presence of Outliers: Comparison of Methods]. Integrated Technologies and Energy Saving, 2023, no. 3 (in Ukrainian). doi: https://doi.org/10.20998/2078-5364.2023.3.07

Wada K. Outliers in official statistics. Japanese Journal of Statistics and Data Science, 2020, vol. 3, pp. 669–691. doi:10.1007/s42081-020-00091-y

Orellana M., Cedillo P. Outlier Detection with Data Mining Techniques and Statistical Methods. Proceedings of 2019 International Conference on Information Systems and Computer Science (INCISCOS). Quito, Ecuador, 2019, pp. 51–56. doi: https://doi.org/10.1109/INCISCOS49368.2019.00017

##submission.downloads##

Опубліковано

2024-09-30

Номер

Розділ

Статті