CN113424191A

CN113424191A - 分析来自对对象的测量的测量数据的计算机实现方法

Info

Publication number: CN113424191A
Application number: CN201980091903.6A
Authority: CN
Inventors: M·弗莱斯纳; C·莱因哈特; T·京特
Original assignee: Volume Graphics GmbH
Current assignee: Volume Graphics GmbH
Priority date: 2018-12-20
Filing date: 2019-10-14
Publication date: 2021-09-21
Also published as: EP3899863A1; US20220074874A1; WO2020126150A1; DE102018133092B3

Abstract

分析来自对象测量的测量数据的计算机实现方法，其中该分析评估对象是否对应于理论状态，其中方法(100)包括以下步骤：确定(102)多个对象的测量数据；从对象的测量数据确定(104)分析数据组，其中，一个分析数据组被对应配属于其中一个对象并具有关于所配属的对象与理论状态相符度的至少一个分析结果；由用户检查(106)分析数据组的至少一部分的分析结果；当由用户进行的检查表明关于所配属的对象与理论状态相符度的异常分析结果时，调整(108)被检查的分析数据组的分析结果；将至少经调整的分析数据组传送(110)至自学习算法，其中自学习算法本身基于经调整的分析数据组而改变，以借助经改变的自学习算法从对象的其它测量数据确定分析数据组；其中这些步骤接连执行或至少时间上部分重叠地执行。因此本发明提供一种改进的分析来自对象测量的测量数据的计算机实现方法(100)，其中方法(100)对于用户减少用时、具有更低的易出错性并节约成本。

Description

分析来自对对象的测量的测量数据的计算机实现方法

本发明涉及一种分析来自对对象的测量的测量数据的计算机实现方法，其中，所述分析评估对象是否对应于理论状态。

为了对象质检，可以进行无损测量来检测无法从外面可见的对象结构。所述对象例如可以是组合成更大对象的部件。当无损测量表明部件中存在缺陷如孔、空腔、夹杂、孔隙率更高的区域或结构松动等时，必须评估对象功能是否受到所述缺陷的影响。在此将做出相符判断，其评估对象是否正常或不正常以及它是否符合在技术图纸、产品说明或在其它地方所规定的要求。这种质检对以下对象尤其相关，该对象借助增材制造或铸造如注塑、压铸或模铸来制造。但这种质检的基本必要性与对象的生产方法无关。

存在如下的可自动化的算法，其根据由用户预定的标准目录来评估对象是否正常。所预定的标准目录通常从对象的几何形状特性推断出该对象的功能。但这只能以一定的模糊性实现，因为关于缺陷的其它信息通常与评估对象功能性相关，而算法不考虑这些信息。

因此缘故，如果这些算法不能清楚评估是否存在相关缺陷和/或如果所发现的各个缺陷出于安全性而应由专家来检查，则将自动算法的评估提交给专家以便进行人工检查。如果专家的检查表明该算法的判断应该是不正确的，则专家对其进行修正。同样，专家可能面对如下情况，此时自动算法未得出明确结果。但这两种做法都是耗时的并需要人员全情投入。

鉴于此背景，本发明基于以下的客观技术任务，即，提供一种改进的分析来自对对象的测量的测量数据的方法。

在权利要求1和权利要求15中指明了本发明的主要特征。设计方案是从属权利要求2至14的主题。

在第一方面，本发明涉及一种分析来自对对象的测量的测量数据的计算机实现方法，其中，所述分析评估该对象是否对应于理论状态，其中，该方法包括以下步骤：确定多个对象的测量数据；从针对所述对象的测量数据确定分析数据组，其中，一个分析数据组被对应配属于其中一个对象并具有关于所配属的对象与理论状态相符度的至少一个分析结果；由用户检查该分析数据组的至少一部分的分析结果；当由用户进行的所述检查表明关于所配属的对象与理论状态相符度的异常分析结果时，调整被检查的分析数据组的分析结果；将至少经调整的分析数据组传送给自学习算法，其中，该自学习算法本身依据经调整的分析数据组而改变，以便借助经改变的自学习算法从对象的其它测量数据确定该分析数据组；其中，这些步骤接连执行或至少部分在时间上重叠地执行。

该分析来自对对象的测量的测量数据的计算机实现方法自动确定来自多个对象的测量数据。在此，测量数据可以基于相同的测量任务来确定，即，例如在相似的位置、以相似的方式或为了寻找相似的偏差对这些对象进行测量或分析。测量数据的确定例如可以借助成像方法如计算机X线体层摄影来进行，但不应借此排除其它的测量方法。在此情况下，测量数据的确定可以“在线”或“线上”且因此伴随生产地进行。此外，测量数据的确定可以包含使用测量数据、如来自已执行的系列测量的测量数据。已执行的系列测量的测量数据例如可以从数据载体或其它存储介质或存储位置来加载。

从针对对象的测量数据自动确定分析数据组。例如，分析数据组可以利用应被训练的自学习算法来确定。在另一个示例中，另一个不可自学习的、即常规的算法可以确定该分析数据组。在此，一个分析数据组被对应配属给一个对象。此外，分析数据组包括关于所配属的测量对象的实际状态与对象的理论状态相符度的至少一个分析结果。在此，一个分析数据组可以包含来自关于一个对象的不同分析的大量分析结果。在此，通过所用算法例如得出对一个部件就其几何形状和材料特性而言处于由建设者设定的公差内并进而能完成其预期功能的评估。此外，分析结果例如可以包含关于在哪个位置识别出危险缺陷和/或以何种方式分析哪些区域的信息。此外，分析结果可以包含测量数据的(元)数据的一部分或缺陷的可视化，其允许或简化用户检查。

分析数据组的至少一部分由用户检查。在此，用户检查分析数据组中的若干分析结果。只有以下的分析数据可被指定用于用户检查，其分析结果表明对象与理论状态不符。或者，可以规定仅对以下分析数据组进行检查，其中无法从分析结果确定对对象的相符度的明确评估。这例如可能意味着所用算法无法从分析结果清楚评估该对象是否能发挥功能。在另一个替代方案中，用户可以检查所有的分析数据组。对象与理论状态不符是指与理论状态存在偏差，例如缺陷。

如果若干分析结果被用户评估为与在被检查的分析数据组中存储的不同，则在被检查的相应的分析数据组中的相应的被评估为不同的分析结果被改变。

至少来自用户检查的经调整的分析数据组被传送给自学习算法。自学习算法使用所传送的这些经调整的分析数据组来训练自己。在此，自学习算法本身依据所传送的这些经调整的分析数据组来改变。为此，借助被检查的分析数据组，自学习算法结合测量数据学习而确定对象功能、即对象与理论状态的相符度，并且提供相应的分析结果。自学习算法因此可从其它测量数据中独立创建具有比在学习过程之前更低的用户检查率的分析数据组。

根据一个实施方式，前面的步骤可以接连执行，其中，在发生分析之前首先确定针对所有对象的测量数据，并且仅在分析结束之后才执行检查。在一个替代示例中，如果存在逻辑先决条件，则可以规定所述步骤的至少部分在时间上重叠，从而例如在测量数据的确定期间已经开始针对已执行的测量确定分析数据组。此外，例如当存在相应前提条件时，可以在执行前述步骤时执行其它步骤，也就是说，当在确定分析数据组时存在相应的待检查分析数据组时可以开始进行检查，并且一旦开始传送经调整的分析数据组，就可以执行自学习算法的改变。另外，也可以想到若干步骤或步骤序列的迭代重复。

因此，本发明提供一种分析测量数据的计算机实现方法，该方法产生用于执行分析任务的自学习算法的真实训练数据。通过利用来自连续测量的真实训练数据训练自学习算法，与传统分析算法的人工监控相比，经训练的自学习算法长远来看能节省时间，因为给用户呈现较少的不清楚情况。此外，用户不太费事，这降低了易出错性。

从对象的测量数据确定分析数据组可以借助不同于自学习算法的评估算法来执行，其中，该方法还可以包括以下步骤：在预定最少数量的经调整的分析数据组被传送给自学习算法和/或在确定了预定最少数量的分析数据组之后，由自学习算法取代该评估算法。

因此实现评估算法首先确定分析数据组。自学习算法通过评估算法的由用户检查的分析数据组获得训练数据以改变自身。此外，自学习算法只在它获得预定最少数量的经调整的分析数据组作为其自身改变的基础时才被用于确定分析数据组。在此，所述预定最少数量可以通过估算来选择，使得自学习算法在训练之后以预定最少数量的分析数据组产生少量分析结果，其比评估算法需要更少的用户检查或更正。或者，一旦确定了预定最少数量的分析数据组，则自学习算法就可取代评估算法。分析数据组的预定最少数量在此可以基于对与之并行的用户检查数量的估计。两者都提高了自学习算法的训练效率并在自学习算法训练期间减少了通过用户进行的大量检查。

根据另一示例，从对象的测量数据确定分析数据组可以借助不同于自学习算法的评估算法来执行，并且该方法可以在由用户检查分析数据组之后包括以下步骤：借助自学习算法从对象的测量数据确定训练-分析数据组；在将经调整的分析数据组传送给自学习算法之前将经调整的分析数据组与相应的训练-分析数据组相比较；其中，如果至少一部分经调整的分析数据组与相应的训练-分析数据组一致，则由自学习算法取代评估算法。

因此，在通过经检查和调整的分析数据组来训练自学习算法之前或之时，通过自学习算法从测量数据确定训练-分析数据组。训练-分析数据组在此仅用于与经调整的分析数据组相比较，并且未被用于对象与理论状态的相符度的评估。当训练-分析数据组与评估算法的分析数据组之间的比较表明在自学习算法的训练-分析数据组与评估算法的分析数据组之间有足够高的一性时，自学习算法才在确定分析数据组时取代常规的评估算法。在此情况下，也可以考虑常规的评估算法和训练数据组之间的一致性或将其用作参考，以便能够确定自学习算法取代常规评估算法的合适时刻。

根据另一实施方式可以规定，该方法还包括以下步骤：通过输出单元提供经调整的分析数据组以用于所配属的对象。

因此，由用户调整的分析数据组通过输出单元直接作为最终分析结果被输出。经调整的分析数据组为此一方面被用于自学习算法的改进，另一方面被用作质量保证的最终结果。

也可能有利的是，该方法在用户检查分析数据组之前包括以下步骤：当关于所配属的对象与理论状态相符度的至少一个分析结果并不明确无疑时，标记分析数据组；在用户检查分析数据组时仅使用所标记的分析数据组。

为此，仅将不可靠的分析结果呈现给用户以供检查，即，提供被方法归类为不明确正常或不明确异常的分析结果。因此，用户不检查被归类为可靠的分析结果。这减少了成本并提高了方法过程的速度。归类为不可靠的分析结果例如可以实现三部分公差范围。每个公差范围包括被归类为正常或异常的分析结果。在这两个公差范围之间设置第三公差范围，在第三公差范围中该方法不能进行明确评估。这些包含被归入第三公差范围的分析结果的分析数据组由用户人工检查。或者可以规定，该方法指明一个输出变量，借此来检查所配属的对象的相符度。该输出变量在此可以指明被检查的结构与正在搜寻的可能是有问题的缺陷的样式的相似度。因此，根据定义，如果它肯定是一个有问题的缺陷，则该输出变量可以例如为1。在0值时肯定不是有问题的缺陷。因此在0.5值时，所述判断将是极其不可靠的。通过这种方式，可与之相应地隐含推导出不可靠性程度。此外，为了归类而替代地规定输出独立专属的不可靠性程度。在这种情况下，不可靠性程度例如可以自常规算法或另一个自学习算法输出。一个简单示例是信噪比的说明。数据越嘈杂，分析结果就越不可靠。在此，另一个自学习算法可以是与真正分析结果的计算独立的自学习算法，但或者也可以是不仅确定分析结果、也确定所属的不可靠性的组合式自学习算法。

测量数据能提供布置在对象内的体积的至少部分表示。

因此可以对对象的内部进行分析。借此可识别对象的内部与理论状态的偏差，该偏差影响对象功能。所述分析可依据体积测量数据或体积数据进行。在另一示例中，可以分析描绘对象内部的其它数据，例如二维透视照片或射线照片。

确定多个对象的测量数据还可以包括以下步骤：借助计算机X线体层摄影测量来提供体积数据。

借助计算机X线体层摄影测量，可以通过有效方式提供高分辨率的极具说服力的体积数据。所提供的体积数据完整地记录了对象结构，因而可以检测出对象体积内以及对象表面上的偏差。

还可能有利的是，确定多个对象的测量数据包括以下步骤：借助在对象增材制造期间的测量的过程数据来提供作为测量数据的体积数据。

因此，可以在对象制造期间直接从结构测量的过程数据确定对象内部结构。该过程数据在此可以是关于物理参数的空间分辨信息，例如在制造对象体元时由对象所反射的激光功率的部分。紧接在对象制造之后或甚至在制造期间，该数据可被供给与理论状态的偏差的分析，即，可立即确定分析数据组。由于这些数据中的缺陷表现得比较复杂，因此迄今仅存在少数适用于这种自动分析的算法，而其中必须由用户定期检查大量的分析数据组。通过学习和使用该自学习算法，可以减少要由用户检查的分析数据组的数量。

从对象的测量数据确定分析数据组可以包括以下步骤：评估对象内部的偏差。

如果测量数据可推断出对象内部存在偏差，则可以在关于对象功能的分析结果确定范围内评估所述偏差。不影响对象功能的偏差或缺陷例如可被评估为不相关，并且分析结果表现为正面，即表明该对象就分析而言是正常的。否则，该缺陷可被评估为相关并且分析结果表示对象不正常。

所述偏差或与对象理论状态的偏差例如可以是空气夹杂，其可能具有各种各样的形状、尺寸、位置和其它特性并且可能不利地影响对象功能。

此外，从对象的测量数据确定分析数据组可以在对象内部偏差的评估之前包括以下步骤：基于测量数据确定分割数据，其中，该分割数据描述对象的内部组成，其中，对象内部偏差的评估通过自学习算法依据该分割数据来进行。

因此，可以测量若干缺陷或偏差的几何形状。因此，并非仅检查是否存在缺陷，也还要确定其形状。这不仅可以基于体素、也可以在亚体素精度下执行。自学习算法因此获得具有关于偏差的附加参数的训练数据，可以基于此来执行分析结果和自学习算法的相应改变。例如可通过单独的分割算法确定的分割数据在此情况下可以如此描绘对象的组成，即，提供在区域或体积元素内是否存在材料、空气或缺陷的空间分辨信息。例如该分割算法在此情况下也可以是已借助模拟被训练的自学习算法。

此外，在对象内部偏差的评估之前，从对象的测量数据确定分析数据组可以包括以下步骤：确定在偏差的位置处的局部壁厚，其中对象内部偏差的评估基于该局部壁厚进行。

对象内部的偏差或缺陷一般会削弱对象的内部结构。在缺陷尺寸相同的情况下，缺陷在其位于较小壁厚区域中时与缺陷位于较大壁厚区域中时相比对对象功能有更大的影响。基于此，缺陷对对象功能等的影响可以依据壁厚来进行。

有利地，将至少经调整的分析数据组传送至自学习算法，其中该自学习算法本身依据经调整的分析数据组而改变，包括以下步骤：将基于模拟的测量数据的模拟分析数据组传送至自学习算法，其中，该自学习算法本身依据该模拟分析数据组而改变。

借助模拟，可以仿真地例如在计算机X线体层摄影中再现整个测量过程，计算机X线体层摄影包括对象透视、重建和测量数据评估。因此，借助分析数据组的模拟，可以给自学习算法提供大量的分析数据组，基于此，自学习算法可以进行自适应调整。此时有利的是，模拟的输入参数和进而对象的几何形状是已知的，由此可以自动推导出用于相符度判断的基本事实而无需额外的用户输入。除了由实际测量所生成的分析数据组外，还可以使用模拟分析数据组。因此，不必在对象生产的连续工作期间等待大量测量以训练自学习算法。特别是在制造过程中与理论状态有少量偏差的情况下，自学习算法可随之改变的合适的分析数据组的积累可能需要稍许时间。为此，借助模拟分析数据组，自学习算法可以更快速地达到如下状态，在这种状态下它能比常规的非自学习算法更可靠地识别出与理论状态的偏差。

在一个实施方式中，该方法可以在从对象的测量数据确定分析数据组之前包括以下步骤：借助缺陷识别算法从对象的测量数据确定初步分析数据组，其中，一个初步分析数据组被对应配属给其中一个对象并且具有关于所配属的对象与理论状态相符度的至少一个分析结果；借助缺陷识别算法来确定该分析结果是否显示所配属的对象与理论状态的相符度在预定范围内的偏差；将对象的测量数据传送至自学习算法以从对象的测量数据确定分析数据组，该对象的初步分析数据组所具有的分析结果显示所配属的对象与理论状态的相符度在预定范围内的偏差。

在此示例中，借助自学习算法来执行从对象的测量数据确定分析数据组，其中，一个分析数据组被对应配属给其中一个所述对象并且具有关于所配属的对象与理论状态的相符度的至少一个分析结果。借助在此示例中不对应于自学习算法而是常规算法的缺陷识别算法，在测量数据检查之前通过自学习算法来过滤明确表示存在与理论状态的偏差或明确表明没有所述偏差的测量数据，从而自学习算法仅分析如下对象的测量数据，其无法借助缺陷识别算法获得明确分析结果。因为自学习算法在运行时一般比常规的非自学习算法需要更多的计算能力，即比缺陷识别算法缓慢，故在有明确的分析结果的情况下放弃借助自学习算法的分析可以加快整个过程。

在一个替代例或附加例中，可以再次执行已执行的分析，这些分析在自学习算法本身依据经调整的分析数据组而改变后产生正面的结果，并因此在有疑问的情况下随后可被归类为异常或不明确。通过这种方式，被错误归类为正常的对象仍可被识别为异常或提交给用户以做判断。因此，只要自学习算法尚未自身改变至其判断具有可接受的低错误率的程度，则已执行的第一次分析被视为是临时的。可接受的错误率或出错率可由用户预先限定。只要分析被视为是临时的，就不会继续使用例如交货或进一步处理相应的对象。由自学习算法新执行的第二次分析被分配给相应的分析数据组或相应的测量数据。类似地，通过这种方式，被错误归类为异常的对象也可以随后被识别为正常或被视为不明确，并且被提交给用户以做判断。通过这种方式可以将报废减至最低程度。

此外，替代地或附加地可以规定，所有分析都被视为是临时的。在此，测量数据被保存，直到自学习算法达到可接受的低错误率。然后，就其相符度来重新分析所有测量数据，并且根据结果随后才对相应对象进行分类，并或许进一步使用。

在另一个示例中，如此产生分析数据组，即，关于几何形状特性如尺寸、形状、取向、部件中的位置以及与其它缺陷的接近程度来检查测量数据中的缺陷，并由此推导出关于对象相符度的说明。

该方法也可被用于关于相符度来分析更复杂的几何形状，例如泡沫结构。此外，也可通过这种方式检查对象的图像数据是否存在结构或几何形状。其示例可能是是否存在所需焊点，或者给例如印刷电路板装备元器件或给插头装备相应的插接机构是否正确或者是否与期望的理论状态对应地执行。

此外，在另一个示例中，可以向用户呈现由自学习算法确定的分析数据组的抽样以供评估。抽样可以随机选取，也可以有针对性地具有包含比较清晰的评估的分析数据组。由用户检查的分析数据组可以被呈现给自学习算法，以使自学习算法基于该分析数据组来改变。通过这种方式，自学习算法就某些特征而言被错误训练的风险被降至最低。

在另一个示例中，来自不同测量系统的分析数据组可被合并，其中，自学习算法利用合并的分析数据组来自身据此改变。例如，分析数据组的合并可以由不同的用户进行，其中，分析数据组例如借助网络应用程序被传送到中心点。此时在理想情况下检查具有相同或相似的记录参数的测量任务。

例如还可以规定，自学习算法针对可能限定例如不同公差的不同对象区域(其中例如可定义不同的公差)获得单独的分析数据组，以便本身据此改变。

替代地或附加地，对于不同的区域，可利用不同的自学习算法进行分析，即，不同的自学习算法专属于某个区域。

在另一方面，本发明涉及一种计算机程序产品，其具有可在计算机上运行的指令，该指令在计算机上运行以促使计算机执行根据前面描述的方法。

在此，从前面描述中得到该计算机程序产品的优点和改进方案。

本发明的其它特征、细节和优点来自权利要求的措辞以及以下结合附图对实施方式的说明，其中：

图1是分析来自对对象的测量的测量数据的计算机实现方法的示意图，

图2是根据现有技术的算法的示意图，

图3是对象的测量数据中的偏差的示意图，

图4a和图4b是各种不同的方法实施方式的流程图，

图5是方法步骤的实施方式的流程图，以及

图6是该方法的另一实施方式的部分流程图。

图1示出了根据本发明的计算机实现方法的实施方式。以对对象30的测量为例来更详细解释该方法的流程。但该方法也可被用于对多个对象的测量和分析。

在本示例中，对象30借助成像方法来自动测量。但所述测量也可通过其它方式进行，例如人工进行。对象30的测量数据44来自成像方法。借助算法，从测量数据44自动创建配属于对象30的分析数据组。该分析数据组包含关于所配属的对象30与对象30的理论状态的相符度的分析结果46、48。即，该分析结果46、48评估在各自分析中被评估的相应测量值是否在预定公差范围之内或之外。

在此，分析结果46表明，在对象30内的某些位置处的相应分析是正常的或“OK”的，即，它们在预定的公差范围内。分析结果48用“！”来表示，其表明须检查该分析结果48。在此可以规定，分析结果在其表示在预定公差范围之外的结果时被检查，即，如果在对象30内的某个位置处的分析表明对象30在该位置处异常，则该分析结果被检查。替代地或附加地可以规定，如果分析结果被标记为不可靠的分析结果，则检查该分析结果，即如果算法不能确定或不能以所需可靠性确定该分析结果是否被评估为“正常”或“异常”，则检查该分析结果。

具有须被检查的分析结果48的那些分析数据组通过用户界面50被呈现给用户52。用户界面50在此例如可以是计算机的监视器或触摸屏，但不限于所述实施方式。

用户52检查分析结果48是否正确。如果他对分析结果48满意，则其将不被改变。如果用户得出分析结果48不正确的结论，则他还可以将分析结果48改变为经调整的分析结果54。

包含经调整的分析结果54的经调整的分析数据组被传送给自学习算法。在此，自学习算法将其状态从初始状态60改变至改变状态62。从初始状态60至改变状态62的转变在此例如可以通过将算法的初始状态60的步骤64改变到改变状态62的步骤66来进行。在改变状态62中，与初始状态60相比，自学习算法得到改进，并且在具有经调整的分析数据组所依据的类似测量任务的未来分析中以更高的概率提供无需由用户检查的分析结果54。

在用户52检查之前确定分析数据组可以借助根据现有技术的常规算法来执行。这种常规算法依据预定的判断标准来评估对象是否正常。图2示出了常规算法判断所依据的决策树的示例。

根据图2，决策树具有多个条件12至22，它们通过“和”关联或“或”关联彼此相关联。因此，条件12因此可以要求在预定公差内的壁厚。此外，条件14可以例如要求对象材料中的孔径小于0.3毫米。在此，必须同时满足条件12和条件14。或者，必须同时满足条件16和条件18，其中，条件16要求壁厚最多在公差外0.1毫米，而根据条件18，该材料中没有孔。

此外必须满足条件20，其要求与CAD模型的偏差小于0.1毫米。此外，根据条件22，所有其它测量结果必须在公差范围内。

基于该决策树，结果24表明该对象30是否正常。但是，这并不一定可以推断出对象功能，因为决策树不能理想地再现影响功能的复杂关系。为了避免不必要地报废实际能起效的对象30，因此在与对象理论状态有偏差的情况下、例如当作为结果24表明对象30异常时应由用户进行检查。此外，也可以如此构造该决策树，即，结果24表明无法清楚做出判断且迫不得已必须由用户来检查。尤其是，可以分别针对整个对象30、但也可以针对在对象30之内或之上的若干缺陷或区域来分析所述判断。

与对象理论状态的偏差的一个示例是如图3所示的复合纤维材料中的缺陷。在此示出了对象30体积的截面图32，其例如可依据计算机X线体层摄影测量来确定。因此，在区域34中示出了纤维断裂，在这里，纤维在该区域中已断开。在区域36中示出了一根纤维的瑕疵。原先有纤维的区域现在是嵌入在纤维的基体材料中的空白空隙。该空白空隙可能是气体夹杂。在区域38中，在纤维和基体材料之间的连接已缺失，因此在基体材料中也已形成空隙。区域40表明基体材料结构的断层。

区域34、36、38、40通过随后出现的且横向延伸经过截面图32的断层42相连。断层42可能是区域34、36、38、40中的缺陷的结果。单独来看，区域34、36、38、40中的每个缺陷都不会不利地影响对象30的可用性。但总体来看，断层42在该示例中导致对象30功能缺失。因为可能出现断层而利用具有常规算法的预定决策树来描绘对象30的缺失功能可能在被分析区域中的缺陷略有偏差时导致误判。

在此，在替代例或附加例中，可只分析材料中的空隙或空气夹杂是否不利地影响对象30的功能。这简化并加快了分析。在此，对象30的材料不一定必须包含复合纤维材料，而是例如可以具有空气夹杂的塑料、金属或陶瓷等。

图4a和图4b示出了根据本发明的计算机实现方法100，其将由用户调整的与现实相符的分析数据组提供给自学习算法以改善自学习算法，图4a和图4b示出了该方法100的各不同实施方式。

根据图4a，方法100在第一步骤102中包括确定多个对象的测量数据。测量数据的确定在此可以基于相似的测量任务。在此，大量对象被接连或同时借助相同或相似的分析和/或相同或相似的分析目标被测量。在此情况下，测量数据的确定也可意味着从存储器加载已执行的测量。例如复合材料的测量任务在此可以例如包含搜寻基体材料中的由于断裂、纤维损失或纤维自基体材料脱离而产生的空隙。在铸造对象或用增材制造工艺制造的对象的情况下，测量任务例如可以包括寻找空隙或异物夹杂。但测量任务也可以进一步改变并可以根据对象或对象的制造方法来个别定制。

测量数据例如可以是借助计算机X线体层摄影测量所确定的体积数据。在此，计算机X线体层摄影测量在对象制造之后在步骤124中的步骤102期间进行。

替代地或附加地，在步骤102的对象的增材制造方法的情况下，在步骤126中，可以提供在制造期间所确定的过程数据作为体积数据。过程数据可在本地解析，因此在对象制造过程中已经可供使用。因此，这意味着可以对在制造对象时已经完成的对象部分进行分析。

在确定体积数据的未示出的其它示例中，也可以使用来自超声方法、磁共振断层扫描法和其它成像方法的测量数据。

但是，可能的分析并不限于体积数据。因此，对象与理论状态的相符度的偏差也可以通过如借助射线照相法所提供的二维透视照片或者通过借助射线相片的对象光学检查来确定。

在步骤104中，从对象的测量数据确定分析数据组。分析数据组在此被对应分配给其中一个所述对象。此外，每个分析数据组具有关于所对应配属的对象与对象理论状态的相符度的至少一个分析结果。分析数据组的确定借助计算机实现算法来自动进行。在此，在第一实施方式中该计算机实现算法可以是在另外的步骤中被训练和改进的自学习算法。在另一实施方式中，可以通过根据现有技术的常规算法来执行分析数据组的确定。

根据图5，在步骤104中可以规定步骤128，通过该步骤128来评估对象内部与理论状态的偏差。例如这些偏差可能是缺陷。在这种情况下，测量数据还表示对象的内部，而不仅仅是其表面。

此外，可选地，根据图5，还可以在步骤104期间的另一步骤130中提供基于测量数据确定分割数据。该分割数据描述对象的内部空间组成。此外，借助自学习算法依据该分割数据来执行对对象内部偏差的评估。基于该分割数据，所述偏差可被置入几何形状。即，可以确定偏差所处区域的几何形状。

此外，根据图5，可以可选地在步骤104中规定步骤132。在此，在该偏差的位置处确定局部壁厚。对象内部偏差的评估依据所确定的局部壁厚来进行。在此，所述评估可以关于对象功能进行。

图4a还示出了步骤120，在该步骤中，当该分析数据组具有关于所配属的对象与理论状态的相符度的至少一个并非明确无疑的分析结果时，则该分析数据组被标记。在进一步的步骤122中仅使用所标记的分析数据组，以在步骤106中将它们呈现给用户进行检查。在此，该分析数据组可以借助已知的数据处理技术被标记。通过标记待检查的分析数据组，分别仅给用户呈现不可靠的或不明确的分析结果进行检查。因此，可靠的分析结果不必由用户检查。但步骤120和步骤122是可选的。

此外，在步骤106中，由用户检查至少一部分分析数据组的分析结果。用户有机会检查自动确定的分析结果。在此，用户可以查看测量数据并相应评估分析结果。根据实施方式的不同，仅给用户呈现所标记的分析数据组或还有其它分析数据组例如具有表现为负面的分析结果的所有分析数据组，即明确无疑的分析结果。

根据步骤108，如果其与分析结果不一致，即如果用户确定了与最初分析结果不同的关于所配属的对象与理论状态的相符度的分析结果，则用户可以基于测量数据来调整分析数据组中的分析结果。这于是产生一个经调整的分析数据组。

根据步骤118，可以通过输出单元提供经调整的分析数据组，因此直接作为分析最终结果来输出。经调整的分析数据组因此被用作质量保证的最终结果。

在此，在步骤110中将经调整的分析数据组传送至自学习算法。自学习算法本身根据经调整的分析数据组而改变。即，自学习算法依据经调整的分析数据组而改进。改进后的自学习算法可以从进一步的对象的测量数据确定分析数据组，其与改进前相比不怎么需要用户检查。

如果在步骤104中已使用自学习算法从对象的测量数据确定分析数据组，则通过步骤106至步骤110的组合来实现自学习算法的分析结果的直接改善。

如果在一个替代实施方式中利用常规算法在步骤104中从对象的测量数据确定分析数据组，则该自学习算法通过步骤110与常规算法相比有所改进。在这种情况下，常规算法可以是评估算法。根据步骤112，当预定最少数量的经调整的分析数据组已被传送给自学习算法和/或在预定最少数量的分析数据组已通过常规算法被确定之后，常规算法被自学习算法取代。

图4b示出了该方法100的另一个替代实施方式。代替步骤110之后的步骤112，可以在步骤110之前或之后规定步骤114和步骤116。在此，图4b仅示出了在步骤110之前执行步骤114和步骤116，但未借此排除在步骤110之后的替代方式。以上所做的解释适用于在两个步骤114和步骤116之前执行的其它步骤。

在步骤114中，通过自学习算法依据测量数据来确定训练-分析数据组。这种训练-分析数据组的确定与根据步骤104的分析数据组的确定相同。但是，训练-分析数据组未被用户检查并且也未被用于对对象功能的判断。

经调整的分析数据组、即由用户检查和改变的分析数据组在步骤116中在将经调整的分析数据组传送给自学习算法之前与分别对应配属于相同对象的相应的训练-分析数据组进行比较。一旦自学习算法确定了至少一些具有与经调整的分析数据组相同的结果的训练-分析数据组，就取代步骤104中的评估算法。即，一旦自学习算法产生了比常规算法更少的需要用户检查的分析结果，则常规算法根据步骤116被自学习算法替代。

可选地，在所有实施方式中，步骤110还可以包括步骤134，其中，模拟的分析数据组被传送至自学习算法。在此，自学习算法本身根据模拟的分析数据组而改变。模拟的分析数据组在此基于源自仿真模拟的模拟测量数据。

在图6中描述另一个实施方式，在此，在步骤102和步骤104之间执行步骤136、步骤138和步骤140。

根据步骤136，在确定了测量数据之后，借助缺陷识别算法从对象的测量数据确定初步分析数据组。该缺陷识别算法可以是常规算法。初步分析数据组被分配给其中一个所述对象并且具有关于所分配的对象与理论状态的相符度的至少一个分析结果。

在步骤138中，通过缺陷识别算法来检查当前分析结果是否具有在预定范围内的、所配属的对象与理论状态相符的偏差。该预定范围此时可被分配分析结果，这些分析结果无法对所配属的被测对象的功能做出清晰评估。

未对应配属于该预定范围的目前分析结果作为质检的最终分析结果被输出。当目前分析结果对应配属于该预定范围时，分析结果所基于的测量数据根据步骤140被传送到自学习算法，该算法重复步骤102而不是缺陷识别算法。如果不需要用户检查，则来自该自学习算法的分析数据组作为质检结果被输出。

此外，在任一实施方式中，上述的计算机实现方法100都可通过计算机来执行，该计算机在计算机程序产品控制下运行指令，所述指令促使计算机执行计算机实现方法100。

先前的步骤可以接连执行或以至少部分时间重叠的方式执行，只要给出执行这些步骤的相应逻辑先决条件即可。

本发明不限于任一前述实施方式，而是能以各种各样的方式来改动。

所有来自权利要求、说明书和附图的特征和优点包括结构细节、空间布置和方法步骤在内都既能单独地、也能在各种组合中对本发明来说是必不可少的。

附图标记列表

30 对象

32 截面图

34 区域

36 区域

38 区域

40 区域

42 断层

44 测量数据

46 分析结果

48 分析结果

50 用户界面

52 用户

54 经调整的分析结果

60 初始状态

62 改变状态

64 算法步骤

66 经改变的算法步骤

Claims

1.一种分析来自对对象的测量的测量数据的计算机实现方法，其中，所述分析评估所述对象是否对应于理论状态，其中，所述方法(100)包括以下步骤：

·确定(102)多个对象的测量数据；

·从所述对象的所述测量数据确定(104)分析数据组，其中，一个分析数据组被对应配属于其中一个所述对象并且包括关于所配属的对象与理论状态的相符度的至少一个分析结果；

·由用户检查(106)所述分析数据组的至少一部分的分析结果；

·当由所述用户进行的所述检查表明关于所配属的对象与所述理论状态的相符度的异常分析结果时，调整(108)被检查的分析数据组的分析结果；以及

·将至少经调整的分析数据组传送(110)至自学习算法，其中，所述自学习算法本身基于所述经调整的分析数据组而改变，以便借助经改变的自学习算法从对象的其它测量数据确定分析数据组；

其中，这些步骤接连执行或者至少在时间上部分重叠地执行。

2.根据权利要求1所述的计算机实现方法，其特征在于，从所述对象的所述测量数据确定分析数据组借助不同于所述自学习算法的评估算法来进行，并且，所述方法还包括以下步骤：

·在已将预定最少数量的经调整的分析数据组传送至所述自学习算法之后和/或在已确定预定最少数量的分析数据组之后，用所述自学习算法替换(112)所述评估算法。

3.根据权利要求1所述的计算机实现方法，其特征在于，从所述对象的所述测量数据确定分析数据组借助不同于所述自学习算法的评估算法来进行，并且，所述方法在由所述用户检查所述分析数据组之后包括以下步骤：

·借助所述自学习算法从所述对象的所述测量数据确定(114)训练-分析数据组；以及

·在将所述经调整的分析数据组传送至所述自学习算法之前，将所述经调整的分析数据组与相应的所述训练-分析数据组相比较(116)；

其中，当所述经调整的分析数据组的至少一部分与相应的所述训练-分析数据组一致时，用所述自学习算法替换所述评估算法。

4.根据权利要求1至3中任一项所述的计算机实现方法，其特征在于，所述方法还包括以下步骤：

·通过输出单元提供(118)所述经调整的分析数据组用于所配属的对象。

5.根据权利要求1至4中任一项所述的计算机实现方法，其特征在于，所述方法在由用户检查所述分析数据组之前包括以下步骤：

·当关于所配属的对象与所述理论状态的相符度的至少一个分析结果并非明确无疑时，标记(120)分析数据组；以及

·在所述用户检查所述分析数据组时仅使用(122)所标记的分析数据组。

6.根据权利要求1至5中任一项所述的计算机实现方法，其特征在于，所述测量数据提供布置在对象内的体积的至少局部表示。

7.根据权利要求1至6中任一项所述的计算机实现方法，其特征在于，确定多个对象的测量数据包括以下步骤：

·借助计算机X线体层摄影测量提供(124)体积数据作为测量数据。

8.根据权利要求1至6中任一项所述的计算机实现方法，其特征在于，确定多个对象的测量数据包括以下步骤：

·借助在对象的增材制造期间的测量的过程数据提供(126)体积数据作为测量数据。

9.根据权利要求1至8中任一项所述的计算机实现方法，其特征在于，从所述对象的所述测量数据确定分析数据组包括以下步骤：

·评估(128)所述对象内部与所述理论状态的偏差。

10.根据权利要求9所述的计算机实现方法，其特征在于，所述偏差是空气夹杂。

11.根据权利要求9或10所述的计算机实现方法，其特征在于，在评估所述对象内部与所述理论状态的偏差之前，从所述对象的所述测量数据确定分析数据组包括以下步骤：

·基于所述测量数据确定(130)分割数据，其中，所述分割数据描述所述对象的内部组成；

其中，对所述对象内部的偏差的评估基于所述分割数据借助所述自学习算法来进行。

12.根据权利要求9至11中任一项所述的计算机实现方法，其特征在于，在评估所述对象内部与所述理论状态的偏差之前，从所述对象的所述测量数据确定分析数据组包括以下步骤：

·在偏差的位置处确定(132)局部壁厚，其中，对所述对象内部偏差的评估基于所述局部壁厚来进行。

13.根据权利要求1至12中任一项所述的计算机实现方法，其特征在于，将至少所述经调整的分析数据组传送至所述自学习算法，其中，所述自学习算法本身基于所述经调整的分析数据组而改变，包括以下步骤：

·将基于模拟的测量数据的模拟分析数据组传送(134)至所述自学习算法，其中，所述自学习算法本身基于所述模拟分析数据组而改变。

14.根据权利要求1至13中任一项所述的计算机实现方法，其特征在于，所述方法在从所述对象的所述测量数据确定分析数据组之前包括以下步骤：

·借助缺陷识别算法从所述对象的所述测量数据确定(136)初步分析数据组，其中，一个初步分析数据组被对应配属给其中一个所述对象并且包括关于所配属的对象与所述理论状态的相符度的至少一个分析结果；

·借助所述缺陷识别算法确定(138)所述分析结果是否具有所配属的对象与所述理论状态的相符度的在预定范围内的偏差；

·将如下对象的测量数据传送(140)至所述自学习算法以从所述对象的所述测量数据确定分析数据组，所述对象的初步分析数据组所具有的分析结果具有所配属的对象与所述理论状态的相符度的在所述预定范围内的偏差。

15.一种计算机程序产品，该计算机程序产品具有能在计算机上运行的指令，所述指令在计算机上运行而使得所述计算机执行根据前述权利要求中任一项所述的方法。