Datenfusion multisensoriell ausgeführter Koordinatenmessungen

Drittmittelfinanzierte Einzelförderung


Details zum Projekt

Projektleiter/in:
Prof. Dr.-Ing. Albert Weckenmann
Prof. Dr.-Ing. Tino Hausotte

Projektbeteiligte:
Elmar Garcia

Beteiligte FAU-Organisationseinheiten:
Lehrstuhl für Fertigungsmesstechnik
Lehrstuhl für Qualitätsmanagement und Fertigungsmeßtechnik

Mittelgeber: DFG-Einzelförderung / Sachbeihilfe (EIN-SBH)
Akronym: BayesMultiKo
Projektstart: 01.01.2010
Projektende: 31.08.2013


Abstract (fachliche Beschreibung):


Die ganzheitliche Prüfung mikrotechnischer Bauteile mit hohen Anforderungen an Messgenauigkeit und -geschwindigkeit, der zunehmende Fokus auf Vielpunktmessungen komplexer Objektmerkmale und Freiformflächen sowie oberflächenstrukturbedingt nicht unisensoriell erfassbare Gestalteigenschaften erfordern den Einsatz von multisensoriellen Koordinatenmessgeräten (KMGs). Sie integrieren mehrere verschiedene Messprinzipien in Form von taktilen, optischen oder bildverarbeitenden Sensoren in einem Messgerät. Die Vorteile der einzelnen Sensoren können kombiniert und messaufgabenspezifisch optimale Messabläufe und genaue Messergebnisse erreicht werden. Zur Nutzung der vielfältigen Vorteile der Zusammenführung multisensoriell erfasster Formelementinformationen, fehlt gegenwärtig ein universeller Ansatz für eine emergente Datenfusion. Die für einzelne Sensoren nachgewiesene ausgezeichnete Messgenauigkeit von Multisensor-KMGs ist bisher nicht für fusionierte Messergebnisse bestätigt. Ziel des Forschungsvorhabens ist die Bereitstellung eines allgemeingültigen (d.h. sensorunabhängigen) Verfahrens zur beständigen sich iterativ selbst optimierenden Datenfusion mittels verteilungsfreier Bayes’scher Statistik für die multisensorielle Koordinatenmesstechnik angewandt auf Bauteile der Mikrosystemtechnik. Dazu werden die in einem Messprozess generierten Beobachtungen eines gemessenen Geometriemerkmals durch zeitdiskrete, nichtlineare, nicht-gauß’sche Differentialgleichungen eines stochastischen Systemmodells mit beliebigen Rauschprozessen beschrieben1. Die Messaufgabe wird hierdurch in ein Schätzproblem für die Modellparameter transformiert, welche auf Basis von Wiederholmessungen ermittelt werden können. Der Einsatz der auch der GUM-konformen Messunsicherheitsermittlung zugrundeliegenden Bayes’schen Schätztheorie lässt erwarten, dass dieses Problem in iterativer, adaptiver Vorgehensweise optimal gelöst werden kann. Nach Abschluss des Forschungsvorhabens wird ein allgemeingültiges, konsistentes, rechnergestütztes Verfahren zur Datenfusion multisensoriell ausgeführter Koordinatenmessungen verfügbar sein, welches für Sensoren unterschiedlicher Wirkprinzipien und Auflösungen das Messergebnis (bestehend aus bestem Schätzwert und Unsicherheit) unter den gegebenen Randbedingungen optimal bestimmt. Das Verfahren erfordert vom Anwender weder das Aufstellen einer Modellgleichung des Messprozesses noch a priori Verteilungsannahmen. Es ermöglicht optimale, momentenbasierte Fusionsstrategien, bei denen Abweichungen sowie die Dynamik des Messprozesses erfasst werden und Vorwissen integriert werden kann.


Publikationen

Hausotte, T., & Garcia, E. (2014). Bayes-Filter für dynamische Koordinatenmessungen. In XXVIII. Messtechnisches Symposium des Arbeitskreises der Hochschullehrer für Messtechnik e.V. 18.-20. September 2014 in Saarbrücken (pp. 187-196). Saarbrücken: Aachen: Shaker Verlag.
Garcia, E., Hausotte, T., & Amthor, A. (2013). Bayes filter for dynamic coordinate measurements - Accuracy improvment, data fusion and measurement uncertainty evaluation. Measurement, 46(9), 3737-3744. https://dx.doi.org/10.1016/j.measurement.2013.04.001
Garcia, E., & Hausotte, T. (2013). Parallel high-performance computing of Bayes estimation for dynamic coordinate measurements. In Proceedings of the 11th International Symposium Of Measurement Technology And Intelligent Instruments (pp. CD ROM). Aachen.
Garcia, E., Zschiegner, N., & Hausotte, T. (2013). Parallel high-performance computing of Bayes estimation for signal processing and metrology. In Proceedings of the IEEE International Conference on Computing, Management & Telecommunications (pp. 212-218). Ho Chi Minh City, Vietnam, VN: IEEE SERVICE CENTER, 445 HOES LANE, PO BOX 1331, PISCATAWAY, NJ 08855-1331 USA.
Garcia, E., & Hausotte, T. (2013). The Parallel Bayesian Toolbox for High-performance Bayesian Filtering in Metrology. Measurement Science Review, 13(6), 315–321. https://dx.doi.org/10.2478/msr-2013-0047
Garcia, E., & Hausotte, T. (2012). Bayes filter for improving and fusing dynamic coordinate measurements. In Proceedings of the XX IMEKO World Congress (pp. CD ROM). Busan, Korea.

Zuletzt aktualisiert 2019-06-06 um 11:53

Link teilen