Modellbildung mittels Symbolischer Regression zur Messunsicherheitsbestimmung komplexer Messprozesse

Bei der Bestimmung der Messunsicherheit stellt die Modellbildung komplexer Messprozesse eine Herausforderung dar. In der Forschungsarbeit wird basierend auf einer Relevanzbewertung mittels Feature Selection Algorithmen ein Modellbildungsverfahren entwickelt. Für die Modellbildung wird die Symbolische Regression untersucht. Über ein Regressions-basiertes Verfahren wird eine messbereichsspezifische Angabe der Validierung ermöglicht. Ergebnis ist ein aufwandsreduziertes Verfahren zur Modellbildung.

Die Kenntnis und 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 quantifiziert 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 der 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. Für die Modellbildung selbst, wird die Symbolische Regression betrachtet. Untersuchungsgegenstände sind die Integration von Erfahrungswissen, die Reduzierung des Bloating-Effekts sowie die Optimierung der Hyperparameter. Um die Validität des Modells zu bewerten, wird ein Verfahren entwickelt, welches die Validität des Modells in Teilbereichen des untersuchten Wertebereichs ermöglicht. Es 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 oder nicht valide ist. Das Ergebnis ist ein Verfahren zur 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.