Розглянуто особливості процесу оцінки та нормування випадкової складової похибки вимірювання гоніометричної системи з елементами штучного інтелекту. Сформовано загальну методику нормування випадкової складової похибки вимірювання, яка надасть можливість обгрунтовано визначати необхідну та достатню кількість повторів вимірювань для досягнення заданої точності. Використання даної методики надає можливість зменшити трудомісткість і тривалість проведення експерименту та забезпечує досягнення заданої точності вимірювання. Запропоновано стратегію реалізації методики, яка складається з чотирьох основних етапів.

Розроблено штучну нейронну мережу (ШНМ) для визначення складових похибок вимірювання кутів автоматизованими гоніометричними системами, зміна яких у часі є нестаціонарним випадковим процесом. Процедури обробки результатів вимірювань та нормування систематичних і випадкових складових похибок вимірювання відомі, мають багаторічну практику застосування, добре обгрунтовані, максимально формалізовані, є принципово різними та регламентуються відповідними нормативними документами. Проте досить складною та трудомісткою залишається аналітично-розрахункова процедура з застосуванням дисперсійного критерію Фішера для визначення яка саме складова похибки вимірювання є наявною. З метою автоматизації процедури визначення складових похибок вимірювання та підвищення продуктивності виконуваних робіт розроблено ШНМ і досліджено її роботу. Визначено, що запропонована ШНМ може бути успішно використана замість відомої аналітично-розрахункової процедури з застосуванням дисперсійного критерію Фішера. Застосування ШНМ надає можливість суттєво зменшити трудомісткість і підвищити продуктивність визначення систематичних і випадкових складових похибок вимірювання. Це обумовлюється можливістю ШНМ здійснювати паралельну обробку вимірювальної інформації в режимі реального часу. Практичну реалізацію ШНМ здійснено з використанням нейроімітатора Neural Analyzer, аналітичного пакета Deductor Professional компанії BaseGroupLabs. Навчання ШНМ і перевірку її працездатності проведено на множині результатів імітаційного моделювання та реальних багаторазових спостережень за вимірювання плоского кута 24-гранної призми. Можливість ШНМ швидкого та правильного визначення складових похибок вимірювання на етапі аналізу вимірювальної інформації, надає можливість у наступному визначати методи її подальшої обробки у відповідності до нормативних вимог. Це в перспективі забезпечить підвищення точності та достовірності результатів вимірювання тому, що надасть можливість уникнути некоректних і неточних обчислень під час нормування похибок вимірювання.

Досліджено актуальну проблему - визначення хімічного складу металовмісних речовин. На основі аналізу методу спектроскопії, нейромережевих технологій і фізичних принципів роботи фотоелементів запропоновано нову прецизійну інтелектуальну гоніометричну систему на основі лазерного гоніометра, CMOS-матриці та штучної нейронної мережі. Система уможливлює проведення аналізу інтенсивностей спектрального розподілу. Вона поєднує такі переваги, як безпечність для здоров'я людей і навколишнього середовища, висока продуктивність, простота використання, універсальність, можливість автоматизованого оброблення вимірювальної інформації.

Запропоновано штучну нейронну мережу (ШНМ), яка надає змогу здійснювати експрес-аналіз хімічного складу металовмісних матеріалів об'єктів виробництва в автоматичному режимі з високою точністю та швидкодією у реальному часі. Пропонована ШНМ автоматичного розпізнавання хімічних речовин (ШНМ АРХР) є альтернативою традиційним високовартісним і трудомістким фізико-хімічним методам та маркувальному аналізу, які значно ускладнюють та сповільнюють технологічні процеси, а також є екологічно небезпечними для здоров'я людей та навколишнього середовища. Середня квадратична похибка роботи запропонованої ШНМ АРХР не перевищує 5 %, час визначення хімічного складу металовмісних матеріалів об'єктів виробництва не перевищує 2,5 с. ШНМ АРХР побудовано за принципом багатошарового перцептрону з налагоджуваною структурою нейронів і практично реалізовано у вигляді відповідного програмного продукту. Останнє забезпечує її універсальність щодо можливості перенавчання та переналагодження у разі виникнення нових задач відповідно до швидко змінюваних умов сучасного динамічного виробництва.