Modellbildung mittels symbolischer Regression zur Messunsicherheitsbestimmung komplexer Messprozesse

• Modelling complex measurement processes using symbolic regression for the determination of measurement uncertainty

Müller, Tobias; Schmitt, Robert H. (Thesis advisor); Overmeyer, Ludger (Thesis advisor)

Aachen : Apprimus Verlag (2023)
Buch, Doktorarbeit

In: Ergebnisse aus der Produktionstechnik 7/2023
Seite(n)/Artikel-Nr.: 1 Online-Ressource : Illustrationen, Diagramme

Dissertation, RWTH Aachen University, 2022

Kurzfassung

Die Kenntnis und die Bestimmung der Messunsicherheit eines Messprozesses stellt einen elementaren Bestandteil der Fertigungsmesstechnik dar. Nur mittels quantifizierter Messunsicherheit kann die Eignung von Messsystemen bestimmt und das Risiko von Fehlentscheidungen (bspw. in der Konformitätsprüfung von Produkten) angegeben werden. Grobe Abschätzungen der Messunsicherheit zur sicheren Seite führen dazu, dass Spezifikationsgrenzen häufig unnötig stark eingeschränkt werden und so steigende Produktionskosten verursachen. Gleichzeitig steigt aufgrund gestiegener Qualitätsanforderungen und wachsender Variantenvielfalt die Komplexität von Messsystemen und damit auch die Bestimmung der Messunsicherheit. Bei der Bestimmung der Messunsicherheit stellt insbesondere die Modellbildung komplexer Messprozesse eine Herausforderung dar. Ziel ist daher die Erforschung der Erstellung eines validen Modells der Messung zur Messunsicherheitsbestimmung komplexer Messprozesse. In der Forschungsarbeit werden zunächst die Einflussgrößen eines Messprozesses als Grundlage der Modellbildung untersucht. Über eine Relevanzbewertung mittels Feature Selection Algorithmen wird sicherhergestellt, dass die ausgewählten Einflussgrößen einen signifikanten Beitrag am funktionellen Zusammenhang haben. Die Integration der Relevanzbewertung ist deshalb von Bedeutung, weil die Integration von irrelevanten Einflussgrößen zu einem Mehraufwand in der Modellbildung als auch in der späteren Quantifizierung der Unsicherheitsbeiträge zur Bestimmung der kombinierten Messunsicherheit führt. Für die Modellbildung selbst, wird die Symbolische Regression näher betrachtet. Untersuchungsgegenstände sind die Integration von Erfahrungswissen, die Reduzierung des Bloating-Effekts sowie die Optimierung der Hyperparameter der Symbolischen Regression. Um die Validität des Modells zu bewerten, ist ein weiteres Verfahren notwendig. Hierbei stellt sich die Herausforderung, dass Versuchsreihen und Modellbildungen bei komplexen Messprozessen sehr aufwändig sind. Dementsprechend kann es vorteilhaft sein, detaillierte Informationen über die Validität des Modells in Teilbereichen des untersuchten Wertebereichs zu erhalten. In der Forschungsarbeit wird ein Regressions-basiertes Verfahren entwickelt, welches die Modellergebnisse mit realen Versuchsergebnissen gegenüberstellt. Über den Abgleich von Konfidenzintervallen kann anschließend eine Aussage darüber getroffen werden, ob das Modell valide, teilweise valide (= valide auf einem bestimmten Teilbereich des Wertebereichs) oder nicht valide ist. Das Ergebnis der Forschungsarbeit ist ein Verfahren zur White Box Modellbildung mittels Symbolischer Regression, welches insbesondere auf die Herausforderungen der Messunsicherheitsbestimmung komplexer Messprozesse ausgelegt ist. Über eine Relevanzbewertung mittels Kombination aus zwei Wrapper-Methoden, können irrelevante Einflussgrößen gefiltert und der Aufwand von Modellbildung und Messunsicherheitsbestimmung reduziert werden. Weiterhin kann die Validität des Modells messbereichsspezifisch über eine Gegenüberstellung von Modell- und Realdaten und einen Abgleich der Konfidenzintervalle ermittelt werden.