Л.С. Звягин¹

¹Финансовый университет при Правительстве Российской Федерации (Москва, Россия)

¹lszvyagin@fa.ru

Постановка проблемы. Традиционные подходы к метрологическому обеспечению, ориентированные на средства измерения с фиксированными и детерминированными алгоритмами преобразования сигнала, оказываются неспособными в полной мере оценить и гарантировать точностные характеристики интеллектуальных информационно-измерительных систем (ИИИС).

Цель. Разработать научно-методологические основы метрологического обеспечения ИИИС, базирующихся на синергии классических процедур верификации и валидации измерительных данных и современных методов искусственного интеллекта.

Результаты. Проанализированы существующие подходы к метрологическому обеспечению, выявлены их ограничения применительно к системам с элементами искусственного интеллекта. Предложена комплексная методология, основанная на процессах верификации и валидации измерительных данных с использованием методов искусственного интеллекта. Разработана концептуальная модель процесса верификации и валидации, интегрирующая алгоритмы машинного и глубокого обучения для повышения достоверности и точности измерений. Описана практическая реализация предложенной методологии на примере алгоритма для обнаружения аномалий и самодиагностики интеллектуальных информационно-измерительных систем. Показано, что традиционные методы метрологического обеспечения недостаточны для интеллектуальных информационно-измерительных систем, поскольку не способны учитывать адаптивность и зависимость результатов от обучающих данных.

Практическая значимость. Предложенная методология, основанная на непрерывной верификации и валидации измерительных данных с помощью методов искусственного интеллекта, доказала свою высокую эффективность. Результаты экспериментального моделирования на примере алгоритма с автоэнкодером показывают, что интеллектуальные методы значительно превосходят классические статистические подходы, особенно в обнаружении сложных, «ползучих» аномалий, таких как дрейф нуля и увеличение шума. Предложенная концептуальная модель и разработанные подходы закладывают научно-методологическую основу для создания надежных и достоверных информационно-измерительных систем, обеспечивая метрологическую прослеживаемость не только аппаратного, но и интеллектуального компонента системы, а также открывает новые возможности для интеграции искусственного интеллекта в критически важные области, повышая безопасность и эффективность в условиях цифровой экономики и концепции «Индустрия 4.0».

Звягин Л.С. Метрологическое обеспечение интеллектуальных информационно-измерительных систем на основе верификации и валидации данных с применением методов искусственного интеллекта // Информационно-измерительные и управляющие системы. 2026. Т. 24. № 1. С. 23−33. DOI: https://doi.org/10.18127/j20700814-202601-03

1. Acko B., Weber H., Hutzschenreuter D., Smith I. Communication and validation of metrological smart data in IoT‐networks // Advances in Production Engineering & Management. 2020; 15(1): 107-117. DOI: https://doi.org/10.14743/apem2020.1.353.
2. Григорьев В.В., Митюрев А.К., Погонышев А.О., Савкин К.Б., Тихомиров С.В. Метрологическое обеспечение информационно-измерительных систем на основе волоконно-оптических датчиков // Фотон-экспресс. 2019; ВКВО: 36−37. DOI: 10.24411/2308-6920-2019-16013.
3. Данилов А.А. Направления совершенствования измерительных систем и их метрологического обеспечения // Измерительная Техника (Izmeritelʹnaya Tekhnika). 2023; (8): 24−29. DOI: https://doi.org/10.32446/0368-1025it.2023-8-24-29.
4. Селиванова З.М., Скоморохов К.В. Интеллектуальная информационно-измерительная система с реконфигурируемой структурой для определения теплопроводности материалов // Приборостроение. 2025; 68(8): 680-688. DOI: https://doi.org/10.17586/0021-3454-2025-68-8-680-688.
5. Barbosa C.R.H., et al. Smart Manufacturing and Digitalization of Metrology: A Systematic Literature Review and a Research Agenda // Sensors. 2022; 22(16): 6114. DOI: 10.3390/s22166114.
6. Eichstädt S., Keidel A., Tesch J. Metrology for the digital age // Measurement: Sensors. 2021; 18: 100232. DOI: 10.1016/j.measen. 2021. 100232.
7. Kucharski D. Machine Learning-Based Selection of Measurement Technique for Surface Metrology: A pilot study. https://www.researchgate. net/publication/379909386_Machine_Learning-ased_Selection_of_Measurement_Technique_for_Surface_Metrology_A_pilot_study (08.09.2025).
8. Obajemu O., et al. An interpretable machine learning based approach for process to areal surface metrology informatics // Surface Topography: Metrology and Properties. 2021; 9(4). DOI: 10.1088/2051-672X/ac28a7.
9. Peter H. Application of AI and Machine Learning in the Automated Metrological Verification of Precision Shunts. https://www.researchgate.net/publication/389598515_Application_of_AI_and_Machine_Learning_in_the_Automated_Metrological_Verification_of_Precision_Shunts (08.09.2025).
10. Sobolev V., Aumala O. Metrological automatic support of measurement results in intelligent measurement systems // Measurement. 1996;17(3):151−159. DOI: 10.1016/0263-2241(96)00016-4.
11. Taymanov R., Sapozhnikova K. A New View on Metrological Maintenance of AI-based Systems // 2022 IEEE International Conference on Metrology for AeroSpace (MetroAeroSpace). XXXII International Scientific Symposium Metrology and Metrology Assurance (MMA). 07−11 September 2022. Sozopol, Bulgaria. 2022:1−6. DOI: 10.1109/MMA55579.2022.9992561.
12. Wieczorowski M., et al. A novel approach to using artificial intelligence in coordinate metrology including nano scale // Measurement. 2023; 217: 113051. DOI: 10.1016/j.measurement.2023.113051.
13. Zuo C., Qian J., Feng S., Yin W., Li Y., Fan P., Han J., Qian K., Chen Q. Deep learning in optical metrology: A review // Light: Science & Applications. 2022; 11(1): 39. DOI: 10.1038/s41377-022-00714-x.
14. Yu, Meng, Liu, Jianmin, Li, Xiaowen, Wang, Nana, Wang, Fan. Research on Intelligent Metrological Verification Technology Based on Internet of Things // Journal of Physics: Conference Series. 2021; 2108: 012058. DOI: 10.1088/1742-6596/2108/1/012058.
15. Zhu Y., Liu J. Design and Implementation of Intelligent Measurement Testing and Calibration Management Information System based on Big Data // Journal of Physics: Conference Series. IOP Publishing. 2019; 1237(4): 042038. DOI: 10.1088/1742-6596/1237/4/042038.