测量不确定度评定，是 CNAS 认可对检测校准实验室的硬性技术要求，也是衡量实验室数据可靠性的关键指标。在实际工作中，很多实验室开展评定时容易出现两大难题：不确定度来源梳理不全，遗漏关键影响因素;同一影响因素重复计算，直接造成评定结果失真。鱼骨图(因果图)分析法，就是解决该问题简单高效的实用工具。

　　鱼骨图又称石川图，原本用于质量根因分析，移植到不确定度评定工作中，以测量结果作为 “鱼头”，各类影响因素作为 “鱼骨”，能够把零散的影响因素分层梳理，输出条理清晰的来源清单。按照 JJF 1059.1 规范，不确定度评定包含建立数学模型、识别来源、量化分量、合成扩展四大环节，鱼骨图主要服务于**来源识别**，它不负责计算，核心价值就是保证来源清单不遗漏、不重复，这一步工作的质量，直接决定后续不确定度评定是否可靠。

　　整套方法可分为五个实操步骤。第一步定义被测量，建立数学模型，数学模型就是鱼骨图的骨架，模型输入量对应主骨，也可结合 5M1E(人、机、料、法、测、环境)开展因素排查，做到双向互补。第二步绘制鱼骨图，鱼头代表测量结果，主骨划分大类，不断向下拆解子因素，直到末端因素可以量化，或是能够明确判断是否剔除。

　　第三步筛查归并，对每一项影响因素进行甄别。一方面严防重复计算，若重复性已经通过多次实验的标准差表征，读数、定容等随机效应不再重复列项，其他位置标注 “已含于重复性”;另一方面剔除次要因素，对量级远小于最大分量十分之一的因素可剔除，但必须记录剔除理由，保证全程可追溯。

　　第四步开展分量量化，随机波动类因素采用 A 类评定，通过多次重复实验，用实验标准差表征;设备证书、技术规范等外部信息，则使用 B 类评定，结合不同分布完成换算。第五步按照不确定度传播律合成各分量，取包含因子 k=2(约 95% 置信概率)计算扩展不确定度，规范出具测量结果。

　　在实操过程中也有不少需要规避的误区。鱼骨图只是分析起点，不能只画图不下结论，每一项末端因素，都要有量化或剔除的明确结论;遇到输入量强相关场景，不能简单方和根合成，需要引入协方差处理。同时鱼骨图、筛查记录要完整归档，这也是评审的重点核查项;当设备、方法、环境发生变化时，要动态复核更新来源清单。

　　不确定度评定是实验室技术能力的直接体现。鱼骨图法将复杂的来源识别转化为一套结构化、可视化流程，上手简单、落地性强。

　　方圆检测认证集团校准事业部始终坚守严谨的技术理念，夯实实验室基础技术管理，严控每一组数据质量，为广大客户提供专业、可靠的检测校准技术服务