一、机械设计时，怎样确定公差，怎样确定偏差大小？

首先你的设计有基本尺寸吧?如果是普通的孔轴配合,国标规定一般取孔为八级也就是IT8,轴比孔高一级,取IT7.就根据基本尺寸的大小查公差等级表中与这两个等级对应的公差.这样公差就确定了. 偏差也有相应的基本偏差表,也可通过类似的方法查表得出或者算出. 我只是举个通用的例子,当然还有特殊规定,表中都会给列出,只要对应就可以. 学的时间久了就不用查表了,因为一般用的也就那几个,记着就行了.

二、我用雕刻机2.3年后Y轴出现误差，他们说是系统设置的事，谁能帮我看一下应该怎么改。或者有什么计算公式？

不管雕刻机什么系统，都有回零，或者回机械原点功能，你可以回下机械原点，然后再雕刻看下，如果警报还不解除了。可能是行程限位失灵了。

三、伺服电来回行程有误差是什么原因？

可能的原因1：脉冲当量不对

问题分析：无论是同步轮结构还是齿轮齿条结构，都存在加工精度误差。运动控制卡（PLC）并没有设置准确的脉冲当量。例如上一批同步轮电机旋转一圈设备前进10mm，这批同步轮大一点电机转一圈前进了10.1mm，就会导致该批机器每次运行比以前的设备多走1%的距离。

解决方法：出机前用机器画一个尽可能大幅面的正方形，然后用尺去量实际尺寸，对比实际尺寸和控制卡设置尺寸之间的比例，然后将其加入控制卡运算，反复进行三次之后就会得到一个比较准确的值。

可能原因2：脉冲指令的触发沿与方向指令的电平变换时序冲突

问题分析：驱动器要求上位机发出的脉冲指令的沿与方向指令电平变换有一定时序要求。而部分PLC或运动控制卡编程时没满足这种要求（或者其自身的规则不符合驱动器的要求），导致脉冲和方向时序并不能满足要求而偏位。

解决方法：控制卡（PLC）软件工程师将方向信号提前。或者驱动器应用技术人员更改脉冲沿计数方式。

四、为什么关注贝叶斯误差？

贝爷斯误差是机器学习中概念，也成最优误差，其是现有技术下人和机器能做到最好的情况下，出现的误差，举个例子，医生通过片子看病，普通的医生的准确诊断率为92%，有经验的专家为95%，多个专家组成的专家组的为98%，机器学习给出的预测的准确率为99%，则贝叶斯误差为1%。

五、伺服电机重复定位有误差？

1、首先确认控制器实际发出的脉冲当前值是否和预想的一致，如不一致则检查并修正程序；

2、监视伺服驱动器接收到的脉冲指令个数是否和控制器发出的一致，如不一致则检查控制线电缆；

3、检查伺服指令脉冲模式的设置是否和控制器设置得一致，如CW/CCW 还是脉冲＋方向；

4、伺服增益设置太大，尝试重新用手动或自动方式调整伺服增益；

5、伺服电机在进行往复运动时易产生累积误差，建议在工艺允许的条件下设置一个机械原点信号，在误差超出允许范围之前进行原点搜索操作；

六、电子式电表和机械电表有多少误差？

主要目前有三种表，机械表、石英表、电子表。

七、误差函数值表怎么查？

一般都是已知erf让你求β的，就先确定已知数在哪一行，然后根据二分法具体确定数值。

比如erf是0.78，在表上可以看出，是在0.8那行，6和7列的中间某个数，然后用二分法具体确定一下列是多少，将得到的数除以100(因为它表示的是小数点后第二位的数)，得到0.068，然后读数就是0.8（行）＋0.068（列）＝0.868。误差函数erf(β)的应用：高斯函数的不定积分是误差函数。在自然科学、社会科学、数学以及工程学等领域都有高斯函数的身影，这方面的例子包括：在统计学与机率论中，高斯函数是常态分布的密度函数，根据中心极限定理它是复杂总和的有限机率分布。

高斯函数是量子谐振子基态的波函数。计算化学中所用的分子轨道是名为高斯轨道的高斯函数的线性组合（参见量子化学中的基组）。

在数学领域，高斯函数在厄尔米特多项式的定义中起著重要作用。高斯函数与量子场论中的真空态相关。

在光学以及微波系统中有高斯波束的应用。

高斯函数在图像处理中用作预平滑核。

八、偏差和离差的区别？

1.定义上的区别：

离差：

离差，又称“偏差”，是观测值或估计量的平均值与真实值之间的差，是反映数据分布离散程度的量度之一，或说是反映统计总体中各单位标志值差别大小的程度或离差情况的指标

方差：

方差是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。

统计中的方差（样本方差）是每个样本值与全体样本值的平均数之差的平方值的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。

2.公式上的区别：

离差：

用的表示数据离散趋势的统计指标有全距、四分位区间距、平均差、方差和标准差。

全距

全距是说明数据离散程度的最简单的统计量。把一组数据按从小到大的顺序排列，用最高分减去最低分，所得的值就是全距，即最高分和最低分之问的距离。

上面A组数据的全距为81-79=2；B组数据的全距为100-50=50。全距小，说明数据的分布相对集中；全距大，说明数据的分布较为分散。

全距的优点是计算方法简单，而且也容易理解。缺点是由于它只考虑到两端的数值，没有考虑中间数值的差异情况，描述数据时不太稳定。

四分位区间距

中位数可以用来表示一组数据分布的集中趋势。中位数正好把一组数据一分为二。如果把中位数左侧和右侧的分布再各分成两个部分，得到的是四个相等的分位。

这组数据的第一个四分位(即25%的位置)的值正好处于数据分布的四分之一处，中位数正好是第二个四分位的值，第三个四分位的值刚好位于该组数据分布的四分之三处。

把第三个四分位的值减去第一个四分位的值，所得到的值叫做四分位区间距，统计学上也用这种方法来表示数据的离散情况。

如上面A组数据的四分位区间距为81-79=2；B组数据的四分位区间距为100-60=40。除了四分位区间距，统计学上还有十分位区间距和百分位区间距。

九、伪差度和驱动值的区别？

伪差度（pseudo-range）和驱动值（drive value）是两个不同的概念，它们在测量和数据处理中有着不同的应用。伪差度是指在GPS测量中，由于卫星信号传播路径上的大气层折射、地球曲率、多路径效应等影响，使得卫星信号到达接收机的实际距离与几何距离存在误差。这种误差通常以厘米为单位表示，称为伪距误差。伪距误差随时间变化，而且与卫星位置、接收机位置、卫星信号传播时间等因素有关。因此，在GPS测量中，需要利用伪距误差修正观测值，以提高定位精度。驱动值是指在机器学习领域中，用于驱动模型训练过程的参数。它通常是一个标量值，用于控制模型的学习速度和收敛速度。在模型训练过程中，驱动值可以是一个固定的值，也可以是一个可学习的参数。通过调整驱动值，可以控制模型训练的速度和稳定性，以获得更好的模型性能。因此，伪差度和驱动值是两个不同的概念，它们在测量和数据处理中有着不同的应用。在GPS测量中，伪差度用于修正观测值以提高定位精度；而在机器学习领域中，驱动值用于控制模型训练过程以提高模型性能。