DE102021212157A1 - Process for improving the statistical description of measured values - Google Patents
Process for improving the statistical description of measured values Download PDFInfo
- Publication number
- DE102021212157A1 DE102021212157A1 DE102021212157.8A DE102021212157A DE102021212157A1 DE 102021212157 A1 DE102021212157 A1 DE 102021212157A1 DE 102021212157 A DE102021212157 A DE 102021212157A DE 102021212157 A1 DE102021212157 A1 DE 102021212157A1
- Authority
- DE
- Germany
- Prior art keywords
- measured values
- density function
- expectation maximization
- maximization algorithm
- iterative
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
Vorgeschlagen wird ein Verfahren zur Verbesserung der statistischen Beschreibung von Messwerten von Teilen oder Vorrichtungen mit einem gleichen Merkmal, aufweisend:- Bereitstellen von Messwerten von einer Mehrzahl der Teile oder Vorrichtungen, wobei sich die Messwerte auf das gleiche Merkmal beziehen;- Aufstellen einer Dichtefunktion einer Gaußschen Mischverteilung auf Basis der Messwerte;- Anpassung der Dichtefunktion der Gaußschen Mischverteilung mithilfe einer iterativen Anwendung des Expectation-Maximization-Algorithmus; wobeidie Dichtefunktion derart verändert wird, dass eine Komponente der Dichtefunktion entfernt wird, sobald bei der iterativen Anwendung des Expectation-Maximization-Algorithmus die Varianz dieser Komponente unter einen vordefinierten Schwellwert fällt.Weiterhin wird eine Recheneinrichtung, ausgestaltet zur Durchführung des Verfahrens, vorgeschlagen.A method is proposed for improving the statistical description of measured values of parts or devices with the same characteristic, comprising:- providing measured values from a plurality of the parts or devices, the measured values relating to the same characteristic;- establishing a density function of a Gaussian Mixture distribution based on the measured values;- Fitting the density function of the Gaussian mixture distribution using an iterative application of the Expectation Maximization algorithm; wherein the density function is changed in such a way that a component of the density function is removed as soon as the variance of this component falls below a predefined threshold value during the iterative application of the expectation maximization algorithm.
Description
Bei der statistischen Beschreibung von Messwerten - insbesondere bei der statistischen Prozesskontrolle und der Vorhersage von zu erwartenden Messwertverteilungen mit statistischen Mitteln - ist das Anpassen von statistischen Verteilungen an die Messwerte ein grundlegender Schritt. Messwerte können zum Beispiel Abmessungen, Radien oder andere geometrische oder konstruktive oder physikalische Eigenschaften von Teilen oder Vorrichtungen sein. Teile können hierbei zum Beispiel Bauteile oder Halbzeuge sein. Wenn von „Teilen“ gesprochen wird, können baugleiche Teile gemeint sein oder Teile, die zumindest ein baugleiches Merkmal aufweisen.In the statistical description of measured values - especially in statistical process control and the prediction of expected measured value distributions with statistical means - the adaptation of statistical distributions to the measured values is a fundamental step. Measured values can be, for example, dimensions, radii or other geometric or structural or physical properties of parts or devices. Parts can be, for example, components or semi-finished products. When “parts” are spoken of, they can mean structurally identical parts or parts that have at least one structurally identical feature.
Im einfachsten Fall folgen Messwerte eines bestimmten (baugleichen) Merkmals der Teile einer eingipfligen Verteilung und sind typischerweise durch eine Gauß-Verteilung (Normalverteilung) darstellbar. In der Praxis ist es jedoch häufig der Fall, dass die Messwerte Verteilungen folgen, die mehrere Gipfel aufweisen. Eine Mehrgipfligkeit kann zum Beispiel darin begründet liegen, dass Teile, an denen die Messwerte gemessen worden sind, Unterschieden in der Fertigung unterliegen. Unterschiede können sich zum Beispiel zwischen Fertigungen während Frühschichten und Spätschichten oder aufgrund verschiedener Chargen von Grundmaterialien oder Grundbestandteilen der Teile ergeben. Teile, die insoweit gleiche Eigenschaften aufweisen, zum Beispiel also Teile aus der Frühschicht oder Teile, die auf derselben Charge eines Grundbestandteils basieren, können jeweils einer eingipfligen Verteilung folgen. Werden jedoch nun Teile aus unterschiedlichen Schichten oder Teile, die Grundbestandteile verschiedener Chargen aufweisen, zusammen betrachtet, können sich komplexere, insbesondere mehrgipflige Verteilungen ergeben, da sich Überlagerungen der eingipfligen Verteilungen bilden.In the simplest case, measured values of a certain (structurally identical) feature of the parts follow a unimodal distribution and can typically be represented by a Gaussian distribution (normal distribution). In practice, however, it is often the case that the measured values follow distributions that have multiple peaks. A multi-peak can, for example, be due to the fact that parts on which the measured values have been measured are subject to differences in production. Differences can arise, for example, between production during early shifts and late shifts or due to different batches of basic materials or basic components of the parts. Parts that have the same properties, for example parts from the early shift or parts that are based on the same batch of a basic ingredient, can each follow a unicodal distribution. If, however, parts from different layers or parts that have basic components from different batches are considered together, more complex, in particular multi-peak distributions can result, since the unimodal distributions are superimposed.
Ein häufig verwendetes Modell für solche mehrgipfligen Verteilungen ist die Gaußsche Mischverteilung. Sie besteht aus einer Anzahl n von Normalverteilungen, die überlagert werden und jeweils Gewichtungen aufweisen. Hierzu wird im Folgenden zur Veranschaulichung ein Beispiel gegeben:
- • Messwerte von Teilen aus Frühschichten folgen einer Normalverteilung
- • Messwerte von Teilen aus Spätschichten folgen einer Normalverteilung
- • Measured values from parts from early shifts follow a normal distribution
- • Measured values from parts from late shifts follow a normal distribution
Allgemein lautet die Formel einer Dichtefunktion einer Gaußschen Mischverteilung:
Für ein bestimmtes, fixes N, also für eine bestimmte Anzahl an Komponenten, kann ein Parameter Θ aufgestellt werden mit
Die Dichtefunktion der Gaußschen Mischverteilung kann nun besonders einfach formuliert werden als ƒ(x; Θ).The density function of the Gaussian mixed distribution can now be formulated particularly simply as ƒ (x; Θ).
Um die Messwerte statistisch zutreffend zu beschreiben - zum Beispiel zum Zwecke der Prozesskontrolle oder der Vorhersage von Prozessen und zu erwartenden Messwerten - ist ein passender Wert des Metaparameters N (Anzahl der Komponenten) zu finden und ein passender Parameter Θ zu bestimmen. „Passend“ heißt insoweit, dass die Dichtefunktion der Gaußschen Mischverteilung ƒ(x; Θ) die realen Messwerte möglichst realitätsgetreu wiederspiegelt, die Dichtefunktion der Gaußschen Mischverteilung ƒ(x; Θ) also gut an die realen Messwerte und deren Häufigkeiten angepasst ist.In order to describe the measured values in a statistically accurate way - for example for the purpose of process control or the prediction of processes and expected measured values - a suitable value of the metaparameter N (number of components) must be found and a suitable parameter Θ must be determined. "Suitable" means that the density function of the Gaussian mixed distribution ƒ (x; Θ) reflects the real measured values as realistically as possible, the density function of the Gaussian mixed distribution ƒ (x; Θ) is therefore well adapted to the real measured values and their frequencies.
Im Folgenden seien S = {s1,...,sK} eine Menge von Messwerten (insgesamt K Messwerte), an die eine Dichtefunktion der Gaußschen Mischverteilung angepasst werden soll. Zunächst wird ein Kriterium definiert, um zu quantifizieren wie gut eine ermittelte Dichtefunktion der Gaußschen Mischverteilung zu der Menge von Messwerten passt. Hierzu wird üblicherweise eine sogenannte Likelihood-Funktion (teilweise auch Plausibilitätsfunktion genannt) verwendet. Sie lautet:
Ein höherer Wert der Likelihood-Funktion wird als bessere Anpassung interpretiert. Aus numerischen Gründen wird in der Praxis häufig die Log-Likelihood verwendet. Sie hat dieselbe Eigenschaft, dass ein höherer Wert der Log-Likelihood-Funktion mit einer besseren Anpassung einhergeht.A higher value of the likelihood function is interpreted as a better fit. For numerical reasons, the log-likelihood is often used in practice. It has the same property that a higher value of the log-likelihood function is associated with a better fit.
Eine übliche Vorgehensweise zur Anpassung einer Dichtefunktion einer Gaußschen Mischverteilung an eine Menge von Messwerten (die Menge von Messwerten kann z. B. auch als „Stichprobe“ bezeichnet werden, sofern zutreffend) ist ein iteratives Verfahren. Der Ausgangspunkt ist ein Parameter zum Iterationsschritt P:
Es sei angemerkt, dass zur Ermittlung eines Startwerts des Parameters - als Basis eines ersten iterativen Schritts - eine Schätzung und/oder eine Anwendung bekannter Heuristiken verwendet werden kann.It should be noted that an estimate and / or an application of known heuristics can be used to determine a starting value of the parameter - as the basis of a first iterative step.
Zunächst werden aus dem aktuellen Parameter Informationen über die erwarteten Häufigkeiten der Messwerte berechnet. Sie berechnen sich aus:
Mithilfe der Formel (6) werden die Bestandteile des Parameters im Folgenden so angepasst, dass der Wert der Likelihood-Funktion steigt. So ergibt sich im Iterationsschritt P + 1, basierend auf den erwarteten Häufigkeiten in Bezug auf den Iterationsschritt P:
Zusammengefasst also wird zunächst die Anzahl N der Komponenten gewählt. Hierzu kann eine Vorgabe oder ein Schätzwert genutzt werden. Dann wird ein Startwert für den Parameter Θ nach bekannten Verfahren (Schätzung, Heuristik) initialisiert. Dann wird Θ iterativ geändert, um den Wert der zugehörigen Likelihood-Funktion zu verbessern, also zu erhöhen.In summary, the number N of components is selected first. A specification or an estimated value can be used for this purpose. A start value for the parameter Θ is then initialized according to known methods (estimation, heuristics). Then Θ is changed iteratively in order to improve the value of the associated likelihood function, i.e. to increase it.
Diese beschriebene und hier verkürzt dargestellte Vorgehensweise wird Expectation-Maximization-Algorithmus („EM-Algorithmus“) genannt. Die gezeigten Iterationsvorschriften bewirken allgemein, dass der Wert der zugehörigen Likelihood-Funktion in jeder Iteration besser wird oder zumindest gleichbleibt.This procedure described and shown here in abbreviated form is called the expectation maximization algorithm (“EM algorithm”). The iteration rules shown generally have the effect that the value of the associated likelihood function becomes better or at least remains the same in each iteration.
Eine Voraussetzung für eine korrekte Funktion des EM-Algorithmus ist allerdings, dass die Anzahl der Komponenten N der Dichtefunktion der Gaußschen Mischverteilung passend zu den (realen) Messwerten gewählt wurde. Dies kann insbesondere bedeuten, dass die Anzahl der Komponenten N der Anzahl an Gipfeln der realen Verteilung entspricht, die Gipfel also durch die Dichtefunktion der Gaußschen Mischverteilung korrekt dargestellt werden können. Wurden zu wenige Komponenten angesetzt, so besitzt die Dichtefunktion der Gaußschen Mischverteilung nicht die notwendige Flexibilität, um eine Verteilung der Messwerte gut und realitätsgetreu darstellen zu können.A prerequisite for the correct functioning of the EM algorithm is, however, that the number of components N of the density function of the Gaussian mixed distribution has been selected to match the (real) measured values. This can mean in particular that the number of components N corresponds to the number of peaks of the real distribution, that is to say that the peaks can be correctly represented by the density function of the Gaussian mixed distribution. If too few components were used, the density function of the Gaussian mixed distribution does not have the necessary flexibility to be able to represent a distribution of the measured values well and realistically.
Werden hingegen zu viele Komponenten angesetzt, so kann der EM-Algorithmus zu sogenannten degenerierten Komponenten führen. Bei der Anpassung der Dichtefunktion der Gaußschen Mischverteilung kann es so zum Beispiel passieren, dass, wenn die realen Messwerte einer Verteilung entsprechen, die durch zwei Komponenten gut darstellbar wäre, zwei Komponenten der Dichtefunktion der Gaußschen Mischverteilung die (reale) Verteilung gut nachempfinden, eine dritte Komponente jedoch „frei“ ist. Wenn der EM-Algorithmus einen Wert der Likelihood-Funktion (bzw. die Log-Likelihood-Funktion) maximiert, wird eine solche freie Komponente auf einen einzelnen Messwert oder eine Menge von sehr wenigen Messwerten angepasst. Dies führt konkret dazu, dass die Varianz der freien Komponente bei jedem Iterationsschritt weiter gegen 0 läuft. So läuft eine zugewiesene Wahrscheinlichkeit für einen Bereich um den Messwert herum gegen unendlich. Dies führt einerseits zu einem unrealistischen Verlauf der Dichtefunktion der Gaußschen Mischverteilung und andererseits zu numerischen Problemen und zu letztendlich einer Nicht-Auswertbarkeit und somit Nicht-Nutzbarkeit der Dichtefunktion der Gaußschen Mischverteilung.If, on the other hand, too many components are used, the EM algorithm can lead to so-called degenerate components. When adapting the density function of the Gaussian mixed distribution, it can happen, for example, that if the real measured values correspond to a distribution that could be easily represented by two components, two components of the density function of the Gaussian mixed distribution emulate the (real) distribution well, and a third one Component is "free". If the EM algorithm maximizes a value of the likelihood function (or the log-likelihood function), such a free component is adapted to a single measured value or to a set of very few measured values. Specifically, this means that the variance of the free component continues to approach 0 with each iteration step. Thus, an assigned probability for a range around the measured value approaches infinity. This leads, on the one hand, to an unrealistic course of the density function of the Gaussian mixed distribution and, on the other hand, to numerical problems and ultimately to a non-evaluability and thus non-usability of the density function of the Gaussian mixed distribution.
Es ist eine Aufgabe der vorliegenden Erfindung, das beschriebene Problem degenerierender Komponenten zu vermeiden, sodass die beschriebenen Konsequenzen - ein unrealistischer Verlauf und eine Nicht-Auswertbarkeit und eine Nicht-Nutzbarkeit der Dichtefunktion der Gaußschen Mischverteilung - vermieden werden können.It is an object of the present invention to avoid the described problem of degenerating components so that the described consequences - an unrealistic course and non-evaluability and non-usability of the density function of the Gaussian mixed distribution - can be avoided.
Vorgeschlagen wird ein Verfahren zur Verbesserung der statistischen Beschreibung von Messwerten von Teilen oder Vorrichtungen mit einem gleichen Merkmal, aufweisend:
- - Bereitstellen von Messwerten von einer Mehrzahl der Teile oder Vorrichtungen, wobei sich die Messwerte auf das gleiche Merkmal beziehen;
- - Aufstellen einer Dichtefunktion einer Gaußschen Mischverteilung auf Basis der Messwerte;
- - Anpassung der Dichtefunktion der Gaußschen Mischverteilung mithilfe einer iterativen Anwendung des Expectation-Maximization-Algorithmus;
die Dichtefunktion derart verändert wird, dass eine Komponente der Dichtefunktion entfernt wird, sobald bei der iterativen Anwendung des Expectation-Maximization-Algorithmus die Varianz dieser Komponente unter einen vordefinierten Schwellwert fällt.A method is proposed for improving the statistical description of measured values of parts or devices with the same characteristic, having:
- Providing measured values from a plurality of the parts or devices, the measured values relating to the same feature;
- - Establishing a density function of a Gaussian mixed distribution on the basis of the measured values;
- - Adaptation of the density function of the Gaussian mixed distribution with the aid of an iterative application of the expectation maximization algorithm;
the density function is changed in such a way that a component of the density function is removed as soon as the variance of this component falls below a predefined threshold value during the iterative application of the expectation maximization algorithm.
Die Messwerte können insbesondere Abmessungen (z. B. in m, cm, mm, µm oder nm) oder Radien (z. B. in m, cm, mm) oder Winkel (z. B. in Grad oder rad) sein. Die Messwerte können im Vorfeld messtechnisch ermittelt worden sein. Die Messwerte können auch Temperaturen (z. B. in ° Celsius oder Kelvin), chemische und/oder werkstofftechnische Zusammensetzungen der Teile (z. B. einen Metallgehalt innerhalb einer Legierung) oder weitere konstruktive Eigenschaften (z. B. eine Oberflächenrauheit), weitere physikalische Eigenschaften (z. B. Dichte; elektrische oder magnetische Eigenschaften, beispielsweise Widerstand, Leitfähigkeit, Induktivität, Kapazität; thermodynamische Eigenschaften, beispielsweise Wärmekapazität; Geschwindigkeiten; Beschleunigungen; optische Eigenschaften) sein.The measured values can in particular be dimensions (for example in m, cm, mm, μm or nm) or radii (for example in m, cm, mm) or angles (for example in degrees or rad). The measured values can have been determined in advance using measurement technology. The measured values can also include temperatures (e.g. in ° Celsius or Kelvin), chemical and / or material composition of the parts (e.g. a metal content within an alloy) or other structural properties (e.g. a surface roughness), others physical properties (e.g. density; electrical or magnetic properties, e.g. resistance, conductivity, inductance, capacitance; thermodynamic properties, e.g. heat capacity; speeds; accelerations; optical properties).
Die Teile können zum Beispiel Werkstücke, Bauteile oder Halbzeuge sein. Die Teile weisen ein gleiches (z. B. baugleiches) Merkmal auf, also zum Beispiel eine Abmessung, einen Radius oder einen Winkel. Es kann sich alternativ oder zusätzlich um gleiche oder baugleiche Teile handeln. Die Messwerte beziehen sich auf das baugleiche Merkmal. Dies kann zum Beispiel heißen, dass die Messwerte jeweils an der gleichen Stelle der einzelnen Teile oder an dem gleichen konstruktiven und/oder geometrischen Merkmal ermittelt werden, sodass sich - wären die Teile exakt übereinstimmend - ein identischer Wert ergäben würde.The parts can be, for example, workpieces, components or semi-finished products. The parts have the same (e.g. structurally identical) feature, for example a dimension, a radius or an angle. As an alternative or in addition, identical or structurally identical parts can be involved. The measured values refer to the structurally identical feature. This can mean, for example, that the measured values are determined at the same point of the individual parts or at the same structural and / or geometric feature, so that - if the parts were exactly the same - an identical value would result.
Die Vorrichtungen können zum Beispiel Geräte sein, zum Beispiel medizintechnische Geräte, optische Geräte (Mikroskope, Kameras, Ferngläser), optoelektronische Geräte, messtechnische Geräte (z. B. Koordinatenmessgeräte), halbleitertechnische Geräte (z. B. in der Halbleiterproduktion verwendete Geräte).The devices can be, for example, devices, for example medical devices, optical devices (microscopes, cameras, binoculars), optoelectronic devices, metrological devices (e.g. coordinate measuring devices), semiconductor devices (e.g. devices used in semiconductor production).
Es sei erwähnt, dass das beschriebene Verfahren auch bei anderen Anwendungen des Expectation-Maximization-Algorithmus anwendbar ist. Andere Anwendungen müssen sich nicht auf Messwerte von Teilen oder Vorrichtungen beziehen. Andere Anwendungen können sich auch auf Messwerte von Teilen oder Vorrichtungen beziehen, die jedoch nicht baugleich sind.It should be mentioned that the method described can also be used in other applications of the expectation maximization algorithm. Other applications need not relate to measurements from parts or devices. Other applications can also relate to measured values from parts or devices that are, however, not structurally identical.
Das beschriebene Verfahren kann automatisiert, insbesondere mithilfe einer Recheneinrichtung, zum Beispiel einem Computer (insbesondere aufweisend einen Prozessor, eine Stromversorgung, einen Arbeitsspeicher, ein Eingabe- und ein Ausgabegerät und ein Speichermedium) ausgeführt werden. Die beanspruchten Schritte können in der Reihenfolge „Bereitstellen der Messwerte...“; „Aufstellen der Dichtefunktion...“; „Anpassung der Dichtefunktion...“ ausgeführt werden, insbesondere nacheinander ausgeführt werden, sodass der jeweils nächste Schritt nach dem Ende des vorherigen Schritts beginnt.The described method can be carried out in an automated manner, in particular with the aid of a computing device, for example a computer (in particular having a processor, a power supply, a main memory, an input and an output device and a storage medium). The claimed steps can be carried out in the order: "Providing the measured values ..."; "Setting up the density function ..."; "Adaptation of the density function ..." are carried out, in particular carried out one after the other, so that the next step begins after the end of the previous step.
Das Verändern der Dichtefunktion durch Entfernen einer Komponente bedeutet praktisch, dass in der Formel (2) eine Dichtefunktion einer Gauß-Verteilung (Normalverteilung), also ein Summand, entfernt wird.Changing the density function by removing a component means in practice that a density function of a Gaussian distribution (normal distribution), i.e. a summand, is removed from formula (2).
Vergleichbar ist eine Dichtefunktion mit zu vielen Komponenten mit einem mechanischen System, das einen Freiheitsgrad zu viel aufweist - also einen freien Freiheitsgrad, der zum Beispiel eine unkontrollierte Bewegung oder Verschiebung eines Teils des mechanischen Systems ermöglicht.A density function with too many components can be compared to a mechanical system that has one degree of freedom too much - that is, a free degree of freedom that, for example, enables uncontrolled movement or displacement of a part of the mechanical system.
Der vordefinierte Schwellwert kann insbesondere ein Erfahrungswert sein. Er kann zum Beispiel einer Varianz entsprechen, die ein zu starkes Ansteigen einer Wahrscheinlichkeit, zum Beispiel ein Ansteigen auf mehr als das Anderthalbfache oder mehr als das Doppelte eines Gipfelwerts der Messwerte, verursachen würde. Andere Verfahren sind denkbar. Für die vorliegende Erfindung ist es hauptsächlich und im Wesentlichen relevant, dass eine Komponente der Dichtefunktion überhaupt entfernt wird. Das Entfernen kann insbesondere vorgenommen werden, sobald sich erste Anzeichen einer Degenerierung der Komponente ergeben, die Degenerierung aber noch nicht so weit fortgeschritten ist, dass sich numerische Probleme und/oder ein völlig unrealistischer Verlauf der Dichtefunktion ergibt/ergeben.The predefined threshold value can in particular be an empirical value. For example, it can correspond to a variance that would cause a probability to increase too sharply, for example an increase to more than one and a half times or more than double a peak value of the measured values. Other methods are conceivable. For the present invention it is mainly and essentially relevant that a component of the density function is removed at all. In particular, the removal can be carried out as soon as the first signs of degeneration of the component appear, but the degeneration has not yet progressed so far that numerical problems and / or a completely unrealistic course of the density function results.
Ein Überprüfen der Varianzen kann in Bezug auf alle Komponenten vor oder nach jeder Anwendung (also vor oder nach jedem Iterationsschritt) des EM-Algorithmus erfolgen.The variances can be checked for all components before or after each application (that is, before or after each iteration step) of the EM algorithm.
Das vorgestellte Verfahren stellt eine einfache Möglichkeit dar, das Problem der degenerierenden Komponenten bei Anwendungen des Expectation-Maximization-Algorithmus zu vermeiden. So kann die Zuverlässigkeit, Güte und Realitätstreue von statistischen Beschreibungen der Messwerte, insbesondere mithilfe einer Dichtefunktion einer Gaußschen Mischverteilung, verbessert werden. Der Rechenaufwand und der programmiertechnische Aufwand sind gering. Vorhersagen über Eigenschaften der Messwerte können verbessert werden, eine statistische Prozesskontrolle wird verbessert.The method presented represents a simple way of avoiding the problem of degenerating components in applications of the expectation maximization algorithm. In this way, the reliability, quality and realism of statistical descriptions of the measured values can be improved, in particular with the aid of a density function of a Gaussian mixed distribution. The computing effort and the programming effort are low. Predictions about the properties of the measured values can be improved, statistical process control is improved.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens wird nach dem Entfernen der Komponente die iterative Anwendung des Expectation-Maximization-Algorithmus auf die veränderte Dichtefunktion fortgeführt oder erneut durchgeführt.In one embodiment of the method according to the invention, after the component has been removed, the iterative application of the expectation maximization algorithm to the changed density function is continued or carried out again.
Das heißt, die nun in ihrer Komponentenanzahl reduzierte Dichtefunktion bildet die Basis für weitere Anwendungen des Expectation-Maximization-Algorithmus. Diese Ausgestaltung erlaubt eine einfache Nutzung der Vorteile des erfindungsgemäßen Verfahrens. Ein Programmcode, der eine iterativen Anwendung des EM-Algorithmus mit der ursprünglichen Anzahl an Komponenten erlaubt, ist leicht änderbar oder bedarf keiner Änderung, um eine Anwendung EM-Algorithmus für die reduzierte Komponentenanzahl umzusetzen.This means that the density function, which has now been reduced in its number of components, forms the basis for further applications of the expectation maximization algorithm. This refinement allows the advantages of the method according to the invention to be used easily. A program code that allows an iterative application of the EM algorithm with the original number of components can be easily changed or does not require any change in order to implement an application of the EM algorithm for the reduced number of components.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens wird die iterative Anwendung des Expectation-Maximization-Algorithmus derart fortgeführt, dass eine Zählung der Iterationsschritte der iterativen Anwendung des Expectation-Maximization-Algorithmus fortgesetzt wird, wobei eine vordefinierte maximale Anzahl an Iterationsschritten beibehalten wird.In one embodiment of the method according to the invention, the iterative application of the expectation maximization algorithm is continued in such a way that a counting of the iterative steps of the iterative application of the expectation maximization algorithm is continued, a predefined maximum number of iteration steps being maintained.
Zur Begrenzung von rechentechnischem Aufwand und Komplexität des Verfahrens kann eine vordefinierte maximale Anzahl an erlaubten Iterationsschritten vorgesehen sein. Die vordefinierte maximale Anzahl kann beibehalten werden, wenn der EM-Algorithmus mit der veränderten Dichtefunktion fortgesetzt wird. Das Fortsetzen kann dann derart vorgenommen werden, dass nur noch die nach dem Verändern der Dichtefunktion verbleibende Anzahl an erlaubten Iterationsschritten verbleibt. Wenn beispielsweise die vordefinierte maximale Anzahl an Iterationsschritten 15 beträgt und das Verändern der Dichtefunktion (also das Entfernen einer Komponente) nach dem 7. Iterationsschritt erfolgt, verbleiben noch 8 Iterationsschritte, um eine Anpassung der nunmehr veränderten Dichtefunktion mithilfe des EM-Algorithmus zu erreichen.To limit the computational effort and complexity of the method, a predefined maximum number of allowed iteration steps can be provided. The predefined maximum number can be retained if the EM algorithm is continued with the modified density function. The continuation can then be carried out in such a way that only the number of allowed iteration steps remaining after the change in the density function remains. If, for example, the predefined maximum number of iteration steps is 15 and the change in the density function (i.e. the removal of a component) takes place after the 7th iteration step, there are still 8 iteration steps left in order to adapt the now changed density function using the EM algorithm.
Die veränderte Dichtefunktion basiert bei dieser Ausgestaltung auf der Dichtefunktion in dem Zustand vor dem Entfernen der einen Komponente. Das heißt insbesondere, dass die nicht von dem Entfernen betroffenen Teilparameter in Formel (3) (µ, σ, α) mindestens teilweise beibehalten werden können.In this embodiment, the changed density function is based on the density function in the state before the removal of the one component. This means in particular that the partial parameters in formula (3) (μ, σ, α) that are not affected by the removal can be at least partially retained.
Die vorgestellte Ausgestaltung ist vom programmiertechnischen Aufwand schnell umsetzbar und vom Rechenaufwand her gering.The design presented can be implemented quickly in terms of programming effort and is low in terms of computing effort.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens wird die iterative Anwendung des Expectation-Maximization-Algorithmus derart fortgeführt, dass eine Zählung der Iterationsschritte der iterativen Anwendung des Expectation-Maximization-Algorithmus neu begonnen wird, wobei eine vordefinierte maximale Anzahl an Iterationsschritten beibehalten wird.In one embodiment of the method according to the invention, the iterative application of the expectation maximization algorithm is continued in such a way that a count of the iterative steps of the iterative application of the expectation maximization algorithm is restarted, a predefined maximum number of iteration steps being maintained.
Ein Fortsetzen kann bei dieser Ausgestaltung derart vorgenommen werden, dass die nach dem Verändern der Dichtefunktion verbleibende Anzahl an erlaubten Iterationsschritten wieder auf die vordefinierte maximale Anzahl an Iterationsschritten gesetzt wird. Wenn beispielsweise die vordefinierte maximale Anzahl an Iterationsschritten 15 beträgt und das Verändern der Dichtefunktion (also das Entfernen einer Komponente) nach dem 9. In this embodiment, a continuation can be undertaken in such a way that the number of allowed iteration steps remaining after the change in the density function is set again to the predefined maximum number of iteration steps. If, for example, the predefined maximum number of iteration steps is 15 and changing the density function (i.e. removing a component) after the 9th
Iterationsschritt erfolgt, verbleiben dann wieder 15 Iterationsschritte, um eine Anpassung der nunmehr veränderten Dichtefunktion mithilfe des EM-Algorithmus zu erreichen.Iteration step takes place, there are then again 15 iteration steps in order to achieve an adaptation of the now changed density function with the aid of the EM algorithm.
Die veränderte Dichtefunktion basiert bei dieser Ausgestaltung auf der Dichtefunktion in dem Zustand vor dem Entfernen der einen Komponente. Das heißt insbesondere, dass die nicht von dem Entfernen betroffenen Teilparameter in Formel (3) (µ, σ, α) mindestens teilweise beibehalten werden können.In this embodiment, the changed density function is based on the density function in the state before the removal of the one component. This means in particular that the partial parameters in formula (3) (μ, σ, α) that are not affected by the removal can be at least partially retained.
Die vorgestellte Ausgestaltung ist vom programmiertechnischen Aufwand schnell umsetzbar und vom Rechenaufwand her aufgrund der Beschränkung auf die vordefinierte maximale Anzahl von Iterationsschritten noch gering und bietet eine gute Anpassung der veränderten Dichtefunktion.The presented embodiment can be implemented quickly in terms of programming effort and is still low in terms of computing effort due to the restriction to the predefined maximum number of iteration steps and offers good adaptation of the changed density function.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens wird die iterative Anwendung des Expectation-Maximization-Algorithmus derart erneut durchgeführt wird, dass eine Zählung der Iterationsschritte der iterativen Anwendung des Expectation-Maximization-Algorithmus neu begonnen wird, wobei eine vordefinierte maximale Anzahl an Iterationsschritten beibehalten wird.In one embodiment of the method according to the invention, the iterative application of the expectation maximization algorithm is carried out again in such a way that a counting of the iterative steps of the iterative application of the expectation maximization algorithm is restarted, a predefined maximum number of iteration steps being maintained.
Die veränderte Dichtefunktion basiert bei dieser Ausgestaltung nicht auf der Dichtefunktion in dem Zustand vor dem Entfernen der einen Komponente. Das heißt insbesondere, dass alle Teilparameter in Formel (3) (µ, σ, α) erneut ermittelt werden, wobei Startwerte anhand bekannter Verfahren (Schätzung, Anwendung bekannter Heuristiken) vorgegeben werden können.In this embodiment, the changed density function is not based on the density function in the state before the removal of the one component. That means in particular that all partial parameters in formula (3) (µ, σ, α) can be determined again, whereby starting values can be specified using known methods (estimation, application of known heuristics).
Die vorgestellte Ausgestaltung ist vom programmiertechnischen Aufwand schnell umsetzbar und vom Rechenaufwand her aufgrund der Beschränkung auf die vordefinierte maximale Anzahl von Iterationsschritten noch gering und bietet eine gute Anpassung der veränderten Dichtefunktion.The presented embodiment can be implemented quickly in terms of programming effort and is still low in terms of computing effort due to the restriction to the predefined maximum number of iteration steps and offers good adaptation of the changed density function.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens wird eine Standardisierung der Messwerte derart vorgenommen, dass der Mittelwert der Messwerte gleich 0 und/oder die Varianz der Messwerte gleich 1 ist/sind.In one embodiment of the method according to the invention, the measured values are standardized in such a way that the mean value of the measured values is / are equal to 0 and / or the variance of the measured values is / are equal to 1.
Eine derartige Standardisierung kann mithilfe der folgenden Formeln vorgenommen werden:
Hierbei entspricht Sstd. der Menge an Messwerten S (siehe oben), nunmehr in standardisierter Form. Die Standardisierung ist sinnvoll, damit sich die Varianzen der Komponenten der Dichtefunktion während Anwendungen des EM-Algorithmus immer auf einer übereinstimmenden Skala befinden, unabhängig von einer Skalierung oder einer Größenordnung der Messwerte. So ist eine Vergleichbarkeit der (dann standardisierten) Messwerte und auch eine Vergleichbarkeit des vordefinierten Schwellwerts bei mehreren Anwendungen des erfindungsgemäßen Verfahrens für unterschiedliche Messwerte möglich. Falls sich die Messwerte mehrerer Anwendungen des erfindungsgemäßen Verfahrens immer in derselben Größenordnung befinden, dann kann ggf. auf eine Standardisierung verzichtet werden.Here S corresponds to std. the set of measured values S (see above), now in standardized form. Standardization makes sense so that the variances of the components of the density function are always on a matching scale during applications of the EM algorithm, regardless of a scaling or an order of magnitude of the measured values. It is thus possible to compare the (then standardized) measured values and also to compare the predefined threshold value in several applications of the method according to the invention for different measured values. If the measured values of several applications of the method according to the invention are always in the same order of magnitude, then a standardization can possibly be dispensed with.
In einer Ausgestaltung des erfindungsgemäßen Verfahrens wird die Standardisierung nach der Anwendung des Expectation-Maximization-Algorithmus rückgängig gemacht.In one embodiment of the method according to the invention, the standardization is reversed after the application of the expectation maximization algorithm.
Hierzu kann insbesondere die folgende Formel genutzt werden:
Das Rückgängig-Machen erlaubt eine Nutzung der Dichtefunktion mit direktem Bezug auf die Messwerte in realer Größenordnung.Undoing allows the density function to be used with direct reference to the measured values on a real scale.
Weiterhin wird eine Recheneinrichtung vorgeschlagen, die ausgestaltet, ist, das erfindungsgemäße Verfahren (insbesondere in einer der vorgestellten Ausgestaltungen) auszuführen. Die Schritte des Verfahrens können insbesondre in Form eines Programms (z. B. Programmcodes) in einer Programmierumgebung und/oder in kompilierter Form auf der Recheneinrichtung vorliegen. Auch die Messwerte können ggf. vorliegen, zum Beispiel als Tabelle oder csv.-Datei.Furthermore, a computing device is proposed which is designed to carry out the method according to the invention (in particular in one of the embodiments presented). The steps of the method can in particular be in the form of a program (for example program code) in a programming environment and / or in compiled form on the computing device. The measured values can also be available, for example as a table or csv. File.
Die Recheneinrichtung kann insbesondere einen Computer (insbesondere aufweisend einen Prozessor, eine Stromversorgung, einen Arbeitsspeicher, ein Eingabe- und ein Ausgabegerät und ein Speichermedium) aufweisen.The computing device can in particular have a computer (in particular having a processor, a power supply, a working memory, an input and an output device and a storage medium).
In Bezug auf Ausgestaltungen der erfindungsgemäßen Recheneinrichtung wird vollinhaltlich Bezug genommen auf Ausgestaltungen des erfindungsgemäßen Verfahrens in seinen Ausgestaltungen.With regard to configurations of the computing device according to the invention, reference is made in full to configurations of the method according to the invention in its configurations.
Ausgestaltungen der Erfindung werden nun unter Verweis auf die beigefügte Zeichnung vorgestellt. Die einzelnen Figuren der beigefügten Zeichnung zeigen:
-
1 eine schematische Ansicht einer Ausgestaltung des erfindungsgemäßen Verfahrens; -
2a beispielartige Verteilungen zweier Komponenten (zwei Normalverteilungen) und zugehörige Messwerte; -
2b beispielartige überlagerte Verteilungen der beiden in2a dargestellten Komponenten (zwei überlagerte Normalverteilungen), die eine Dichtefunktion einer Gaußschen Mischverteilung (häufig auch einfach „Dichtefunktion“ genannt) ergeben, und zugehörige Messwerte; -
3a eine beispielartige Dichtefunktion mit geringem Wert einer zugehörigen Likelihood-Funktion (erst wenige Iterationsschritte des EM-Algorithmus sind vorgenommen worden) und zugehörige Messwerte; -
3b eine beispielartige Dichtefunktion mit höherem Wert einer zugehörigen Likelihood-Funktion, basierend auf der Dichtefunktion, die in3a dargestellt wird, und zugehörige Messwerte, die den in3a dargestellten Messwerten entsprechen; -
4a eine beispielartige Dichtefunktion zu Beginn einer Anwendung des EM-Algorithmus, und zugehörige Messwerte, die den in3a dargestellten Messwerten entsprechen; -
4b beispielartige Dichtefunktion bei einer fortgeschrittenen Anwendung des EM-Algorithmus, basierend auf der Dichtefunktion, die in4a dargestellt wird, und zugehörige Messwerte, die den in3a dargestellten Messwerten entsprechen; -
4c eine beispielartige Dichtefunktion nach einer abgeschlossenen Anwendung des EM-Algorithmus, basierend auf der Dichtefunktion, die in4b dargestellt wird, und zugehörige Messwerte, die den in3a dargestellten Messwerten entsprechen; -
5a eine beispielartige Dichtefunktion zu Beginn einer Anwendung des EM-Algorithmus, und zugehörige Messwerte, -
5b eine beispielartige Dichtefunktion bei einer fortgeschrittenen Anwendung des EM-Algorithmus, basierend auf der Dichtefunktion, die in5a dargestellt wird, und zugehörige Messwerte, die den in5a dargestellten Messwerten entsprechen; -
5c eine beispielartige Dichtefunktion nach einer abgeschlossenen Anwendung des EM-Algorithmus, basierend auf der Dichtefunktion, die in5a dargestellt wird, und zugehörige Messwerte, die den in5a dargestellten Messwerten entsprechen, wobei eine Degenerierung (siehe linker Bereich des Diagramms) einer Komponente der Dichtefunktion stattgefunden hat; -
6a eine beispielartige Dichtefunktion bei einer fortgeschrittenen Anwendung des EM-Algorithmus, wobei die Anzahl der Komponenten gegenüber den Dichtefunktionen in5a-5c erfindungsgemäß um eine Komponente reduziert worden ist, und zugehörige Messwerte, die den in5a dargestellten Messwerten entsprechen; -
6b eine beispielartige Dichtefunktion bei einer abgeschlossenen Anwendung des EM-Algorithmus, basierend auf der Dichtefunktion, die in6a dargestellt wird, wobei die Anzahl der Komponenten gegenüber den Dichtefunktionen in5a-5c erfindungsgemäß um eine Komponente reduziert worden ist, und zugehörige Messwerte, die den in5a dargestellten Messwerten entsprechen; -
7a eine beispielartige Dichtefunktion, während einer fortgeschrittenen Anwendung des EM-Algorithmus, wobei eine Komponente der Dichtefunktion sich (im linken Bereich des Diagramms) in einem Vorstadium einer Degenerierung befindet, und zugehörige Messwerte, die den in5a dargestellten Messwerten entsprechen; -
7b eine beispielartige Dichtefunktion, während einer weiter fortgeschrittenen Anwendung des EM-Algorithmus, basierend auf der Dichtefunktion, die in7a dargestellt ist, wobei die Komponente der Dichtefunktion, die sich in7a in einem Vorstadium einer Degenerierung befand, erfindungsgemäß entfernt worden ist, und zugehörige Messwerte, die den in5a dargestellten Messwerten entsprechen; -
7c eine beispielartige Dichtefunktion, während einer noch weiter fortgeschrittenen Anwendung des EM-Algorithmus, basierend auf der Dichtefunktion, die in7b dargestellt ist, wobei die Komponente der Dichtefunktion, die sich in7a in einem Vorstadium einer Degenerierung befand, nach wie vor entfernt ist, und zugehörige Messwerte, die den in5a dargestellten Messwerten entsprechen.
-
1 a schematic view of an embodiment of the method according to the invention; -
2a example distributions of two components (two normal distributions) and associated measured values; -
2 B exemplary superimposed distributions of the two in2a shown components (two superimposed normal distributions), which result in a density function of a Gaussian mixed distribution (often also simply called “density function”), and associated measured values; -
3a an exemplary density function with a low value of an associated likelihood function (only a few iteration steps of the EM algorithm have been carried out) and associated measured values; -
3b an exemplary density function with a higher value of an associated likelihood function based on the density function shown in3a is displayed, and associated measured values that correspond to the in3a correspond to the measured values shown; -
4a an exemplary density function at the beginning of an application of the EM algorithm, and associated measured values that correspond to the in3a correspond to the measured values shown; -
4b exemplary density function in an advanced application of the EM algorithm, based on the density function described in4a is displayed, and associated measured values that correspond to the in3a correspond to the measured values shown; -
4c an exemplary density function after a completed application of the EM algorithm, based on the density function described in4b is displayed, and associated measured values that correspond to the in3a correspond to the measured values shown; -
5a an exemplary density function at the beginning of an application of the EM algorithm, and associated measured values, -
5b an exemplary density function in an advanced application of the EM algorithm, based on the density function described in5a is displayed, and associated measured values that correspond to the in5a correspond to the measured values shown; -
5c an exemplary density function after a completed application of the EM algorithm, based on the density function described in5a is displayed, and associated measured values that correspond to the in5a the measured values shown correspond, with a degeneration (see left-hand area of the diagram) of a component of the density function having taken place; -
6a an exemplary density function in an advanced application of the EM algorithm, where the number of components versus the density functions in5a-5c has been reduced by one component according to the invention, and associated measured values that correspond to the in5a correspond to the measured values shown; -
6b an exemplary density function in a completed application of the EM algorithm, based on the density function described in6a is shown, with the number of components versus the density functions in5a-5c has been reduced by one component according to the invention, and associated measured values that correspond to the in5a correspond to the measured values shown; -
7a an exemplary density function, during an advanced application of the EM algorithm, with a component of the density function (in the left-hand area of the diagram) being in a preliminary stage of degeneration, and associated measured values corresponding to the in5a correspond to the measured values shown; -
7b an exemplary density function, during a more advanced application of the EM algorithm based on the density function presented in7a is shown, where the component of the density function, which is in7a was in a preliminary stage of degeneration, has been removed according to the invention, and associated measured values that correspond to the in5a correspond to the measured values shown; -
7c an exemplary density function, during an even more advanced application of the EM algorithm, based on the density function presented in7b is shown, where the component of the density function, which is in7a was in a preliminary stage of degeneration, is still removed, and associated readings that correspond to the in5a correspond to the measured values shown.
Die Diagramme, die in den
In einem zweiten Schritt
In einem dritten Schritt
Beispielsweise nach dem 13. Iterationsschritt (die maximale Anzahl an Iterationsschritten beträgt beispielsweise 30) unterschreitet eine Varianz einer Komponente den Schwellwert ε In diesem Fall wird die Komponente entfernt (angedeutet durch ein „X“ in
Hiernach wird die Standardisierung rückgängig gemacht, z. B. mithilfe von Formel 14, in
Als Algorithmus dargestellt könnte eine Ausgestaltung des erfindungsgemäßen Verfahrens lauten wie folgt:Represented as an algorithm, an embodiment of the method according to the invention could be as follows:
Erforderlich:
for j = 1, ..., N do:
Hj = [hj(1; Θ), ..., hj(K; Θ)]
for j = 1, ..., N do:
if
Entferne Komponente
end for
end while
return ΘNecessary:
for j = 1, ..., N do:
H j = [h j (1; Θ), ..., h j (K; Θ)]
for j = 1, ..., N do:
if
Remove component
end for
end while
return Θ
Eine erfindungsgemäße Recheneinrichtung, die zur Durchführung des erfindungsgemäßen Verfahrens ausgestaltet ist, kann in einem Speicher einen Programmcode aufweisen, der einen derartigen Algorithmus aufweist.A computing device according to the invention which is designed to carry out the method according to the invention can have a program code in a memory which has such an algorithm.
In
In
In
In den
In
Wird hingegen, wie in den
BezugszeichenlisteList of reference symbols
- S1S1
- erster Schrittfirst step
- S2S2
- zweiter Schrittsecond step
- S3S3
- dritter SchrittThird step
- S4S4
- vierter Schrittfourth step
Claims (8)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021212157.8A DE102021212157A1 (en) | 2021-10-27 | 2021-10-27 | Process for improving the statistical description of measured values |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021212157.8A DE102021212157A1 (en) | 2021-10-27 | 2021-10-27 | Process for improving the statistical description of measured values |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021212157A1 true DE102021212157A1 (en) | 2021-12-30 |
Family
ID=78827330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021212157.8A Pending DE102021212157A1 (en) | 2021-10-27 | 2021-10-27 | Process for improving the statistical description of measured values |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102021212157A1 (en) |
-
2021
- 2021-10-27 DE DE102021212157.8A patent/DE102021212157A1/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1623287B1 (en) | Configuration of tools and processes for metal forming | |
DE102017124477B4 (en) | TOOL PATH GENERATION DEVICE, TOOL PATH GENERATION METHOD, AND TOOL PATH GENERATION PROGRAM | |
DE102018128890A1 (en) | Method and test device for testing a driver assistance system for a motor vehicle | |
DE102016108991A1 (en) | Method and device for characterizing a component | |
WO2012104406A1 (en) | Method for optimizing the shape of components without using parameters | |
EP2433185B1 (en) | Apparatus and method for editing a process simulation database for a process | |
EP2088486A1 (en) | Method for measuring a non-linear dynamic real system using design of experiment | |
DE102021212157A1 (en) | Process for improving the statistical description of measured values | |
DE10222700B4 (en) | Computer-aided method for mass and / or function optimization of vehicle components and structures | |
DE102020205962B3 (en) | Device and method for operating a test bench | |
DE102013206274A1 (en) | Method and apparatus for adapting a non-parametric function model | |
DE102016216950A1 (en) | Model calculation unit and control unit for calculating a multilayer perceptron model with feedforward and feedback | |
DE102020215136A1 (en) | Procedure for the automated evaluation of a simulation model | |
DE102019215268A1 (en) | Method and device for operating an electrochemical machining system | |
WO2002092248A1 (en) | Method for automatic selection of sheet metal, especially sheet metal for forming components | |
EP4130656B1 (en) | Preparation of the evaluation of samples of measured values from a measurement of a plurality of workpieces by one or more coordinate measuring devices | |
DE102020133654B3 (en) | Computer-implemented method for modifying a component of a computer-generated model of a motor vehicle | |
WO2018046427A1 (en) | Model calculation unit and control device for calculation of a partial derivation of an rbf model | |
EP3916495A1 (en) | Method and arrangement for evaluating or preparing an evaluation of a sample of measurement data from a measurement of a plurality of workpieces | |
DE102020213238A1 (en) | GENERATION OF SIMPLIFIED COMPUTER-IMPLEMENTED NEURAL NETWORKS | |
DE102020006071A1 (en) | Process for the improved determination of material or material models | |
DE102023106705A1 (en) | Method for aligning measuring systems and measuring system arrangement | |
DE102022204009A1 (en) | Method and device for determining the 6D gesture of an object | |
DE102022202693A1 (en) | Testing technical systems for complete describability using sensor data and an associated differential equation | |
DE102021210774A1 (en) | System, device and method for controlling a physical or chemical process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R230 | Request for early publication |