Bayes‘sche Modellmigration für die aufwandsreduzierte Modellbildung zur Messunsicherheitsbestimmung bei initialer Modellbildung mittels künstlicher neuronaler Netze

Huber, Meike; Schmitt, Robert H.; Trimpe, Johann Sebastian

doi:44645

Bayes‘sche Modellmigration für die aufwandsreduzierte Modellbildung zur Messunsicherheitsbestimmung bei initialer Modellbildung mittels künstlicher neuronaler Netze = Bayesian model migration for low-effort modelling for measurement uncertainty determination with initial modelling using artificial neural networks

Huber, Meike^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Meike Huber

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Schmitt, Robert H. (Thesis advisor)^RWTH* ; Trimpe, Johann Sebastian (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-07-11

Online
DOI: 10.18154/RWTH-2025-07850
URL: https://publications.rwth-aachen.de/record/1018450/files/1018450.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
Bayes'sche Modellmigration (frei) ; Messunsicherheitsbestimmung (frei) ; Modellbildung (frei) ; künstliche neuronale Netze (frei) ; Ähnlichkeitsbewertung (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Messprozesse unterliegen inhärenten Unsicherheiten. Ist die Messunsicherheit bei der Prüfung eines Merkmals zu hoch und liegt das Merkmal nahe an den Spezifikationsgrenzen, ist die Entscheidung, ob das Merkmal innerhalb oder außerhalb der Spezifikation liegt, risikobehaftet. Da ohne Kenntnis der Messunsicherheit das Risiko von Fehlentscheidungen nicht bestimmt und damit nicht kontrolliert werden kann, sind Messwerte ohne Messunsicherheitsangabe wertlos. Zur Messunsicherheitsbestimmung wird ein Modell der Messung benötigt, dessen Ermittlung oft mit einem hohen Aufwand verbunden ist. Bestehende Verfahren aus dem Bereich der Künstlichen Intelligenz bieten zwar das Potential zur Verringerung des Aufwands bei der Modellbildung für die Messunsicherheitsbestimmung, beziehen aber Vorwissen aus anderen Mess-prozessen, für die ggf. schon ein Modell der Messung besteht, nicht mit ein. Das im Rahmen dieser Arbeit entwickelte Verfahren der Bayes’schen Modellmigration liefert eine Möglichkeit zur Verringerung des für die Modellbildung benötigten Auf-wands. Startpunkt ist die initiale Modellbildung mittels eines künstlichen neuronalen Netzes, da diese aufgrund der Approximationsfähigkeit zur Beschreibung von Mess-prozessen geeignet sind. Die Auswahl der Topologie und Hyperparameter ist jedoch nicht trivial. Im Rahmen dieser Arbeit wurde daher ein Framework entwickelt, welches eine praxisgerechte, automatische Auswahl der Topologie und Hyperparameter zur Bestimmung eines validen Modells der Messung erlaubt. Um den für die Modellbildung benötigten Aufwand weiter zu reduzieren, wird in dieser Arbeit die Übertragung von Modellen fokussiert. Eine Übertragung eines Modells der Messung ist jedoch nur sinnvoll, wenn die betrachteten Messprozesse eine Ähnlichkeit aufweisen. Daher wurde ein Framework zur ganzheitlichen Ähnlichkeitsbewertung von Messprozessen entwickelt. Die Übertragung des Modells der Messung erfolgt mit der Methode der Bayes’schen Modellmigration, unter Einbeziehung der Ähnlichkeitsbewertung der bei-den Modelle und dem initial gebildeten Modell. Das Ergebnis der Forschungsarbeit ist ein Verfahren der Bayes’schen Modellmigration, welches die Erstellung eines validen Modells der Messung bei gleichzeitiger Reduzierung des Aufwands ermöglicht. Um die Validität des Verfahrens zu belegen, wurde das Verfahren auf ein industrienahes Praxisbeispiel aus dem Gebiet der Produktprüfung mittels Computertomographie (CT) angewandt. Es konnte gezeigt werden, dass mit Hilfe des entwickelten Verfahrens der Modellmigration ein valides Modell der Messung (R² von 0,9993) bei deutlicher Verringerung der benötigten Datengrundlage (33 statt 231 Datenpunkte im Ver-gleich zur herkömmlichen Modellbildung) gebildet werden kann. Der Nutzen in der Anwendung der Ergebnisse dieser Arbeit auf die Messung mittels CT liegt darin, die komplexe, zeitaufwendige CT-Messung mittels KNN beschreiben zu können, und den Aufwand für die Bestimmung der Messunsicherheit ähnlicher Bauteile unter ähnlichen Bedingungen zu reduzieren. Die Aufwandsreduzierung definiert sich hier durch eine deutlich kürzere Messdauer, wodurch neben Zeit und Kapazität auch energetische Ressourcen bei dem sehr energieaufwändigen Messprozess eingespart werden.

Measurement processes are subject to inherent uncertainty. If the measurement uncertainty when testing a quality characteristic is too high and the quality characteristic is close to the specification limits, the decision as to whether the quality characteristic is within or outside the specification is fraught with risk. As the risk of incorrect decisions cannot be determined and therefore cannot be controlled without knowledge of the measurement uncertainty, measured values without a measurement uncertainty specification are worthless. To determine the measurement uncertainty, a model of the measurement is required, the determination of which often involves a great deal of effort. Existing methods for determining the model of the measurement with the help of methods from the field of artificial intelligence offer the potential to reduce the effort, but do not include prior knowledge from other measurement processes for which a model of the measurement may already exist. The Bayesian model migration method developed in this thesis provides a way to reduce the effort required for modelling. The starting point is the initial modelling using an artificial neural network, as these are suitable for describing measurement processes due to their approximation capability. However, the actual selection of the topology and hyperparameters is not trivial. To meet the requirements of practical application, a framework was developed as part of this work that allows a practical, automatic selection of the topology and hyperparameters to determine a valid model of the measurement. In order to further reduce the effort required for modelling, this thesis focuses on the transfer of models. However, transferring a model of the measurement only makes sense if the measurement processes under consideration have a certain similarity. Therefore, a framework for the holistic similarity assessment of measurement processes was developed. The transfer of the measurement model is carried out using the Bayesian model migration method, taking into account the similarity assessment of the two models and the initially built model. The result of this research is a Bayesian model migration method that reduces the effort required for modelling in the determination of measurement uncertainty. In order to prove the validity of the method, it was applied to an industrial practical example from the field of product testing using computer tomography (CT). It was shown that a valid model of the measurement (R² of 0.9993) can be formed with the help of the developed model migration procedure with a significant reduction in the required data basis (33 instead of 231 data points compared to conventional modelling). The benefit of applying the results of this work to CT measurement lies in being able to describe the complex, time-consuming CT measurement using KNN and to reduce the effort required to determine the measurement uncertainty of similar com-ponents under similar conditions. The reduction in effort is defined here by a significantly shorter measurement duration, which saves not only time and capacity but also energy resources in the very energy-intensive measurement process.

OpenAccess:
PDF
(zusätzliche Dateien)