Modellbildung mittels Symbolischer Regression zur Messunsicherheitsbestimmung komplexer Messprozesse

Více o knize

Die Kenntnis und Bestimmung der Messunsicherheit ist ein zentraler Bestandteil der Fertigungsmesstechnik. Quantifizierte Messunsicherheit ermöglicht die Beurteilung der Eignung von Messsystemen und die Quantifizierung des Risikos von Fehlentscheidungen. Grobe Schätzungen führen oft zu unnötig strengen Spezifikationsgrenzen und damit zu höheren Produktionskosten. Angesichts steigender Qualitätsanforderungen und wachsender Variantenvielfalt wird die Komplexität von Messsystemen und der Bestimmung der Messunsicherheit erhöht. Besonders die Modellbildung komplexer Messprozesse stellt eine Herausforderung dar. Die Forschungsarbeit untersucht zunächst die Einflussgrößen eines Messprozesses zur Modellbildung. Eine Relevanzbewertung mittels Feature Selection Algorithmen stellt sicher, dass die ausgewählten Einflussgrößen signifikant sind. Für die Modellbildung wird die Symbolische Regression betrachtet, wobei Aspekte wie die Integration von Erfahrungswissen und die Optimierung der Hyperparameter eine Rolle spielen. Zur Bewertung der Modellvalidität wird ein Verfahren entwickelt, das die Ergebnisse mit realen Versuchsdaten vergleicht. Durch den Abgleich von Konfidenzintervallen kann die Validität des Modells bestimmt werden. Das Ergebnis ist ein Verfahren zur Modellbildung, das speziell auf die Herausforderungen der Messunsicherheitsbestimmung komplexer Prozesse ausgerichtet ist. Die Kombination von Wrapper-Methoden filtert irrelevante