EP1763654A1 - Method for processing measured values - Google Patents

Method for processing measured values

Info

Publication number
EP1763654A1
EP1763654A1 EP05769399A EP05769399A EP1763654A1 EP 1763654 A1 EP1763654 A1 EP 1763654A1 EP 05769399 A EP05769399 A EP 05769399A EP 05769399 A EP05769399 A EP 05769399A EP 1763654 A1 EP1763654 A1 EP 1763654A1
Authority
EP
European Patent Office
Prior art keywords
measured values
model function
outliers
error
data
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.)
Withdrawn
Application number
EP05769399A
Other languages
German (de)
French (fr)
Inventor
Roland Mandl
Heidi Meyerhofer
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Micro Epsilon Messtechnik GmbH and Co KG
Original Assignee
Micro Epsilon Messtechnik GmbH and Co KG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Micro Epsilon Messtechnik GmbH and Co KG filed Critical Micro Epsilon Messtechnik GmbH and Co KG
Publication of EP1763654A1 publication Critical patent/EP1763654A1/en
Withdrawn legal-status Critical Current

Links

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

Definitions

  • the present invention relates to a method for processing measured values, wherein a detection of corrupted measured values, in particular sensorial measured values, takes place in a data record.
  • Invalid or falsified measured values can be caused by a multiplicity of causes.
  • there is an exceeding of the measuring range for example of a sensor.
  • nonlinearities or overmodulation effects lead to unreliable measured values.
  • other physical effects lead to an impairment of the reliability of measurements. These include, for example, reflective or hidden points of a test object in, for example, optical triangulation sensors or scanners or material inhomogeneities in eddy current measurements, etc.
  • errors can occur that are caused by undershooting or exceeding the measuring range. These errors can be detected by most sensors. These errors occur, for example, when an optical sensor hits a hole of the measurement object. It is then a so-called "out of range” error.
  • the present invention is therefore based on the object of specifying a method for processing measured values of the type mentioned at the outset, according to which a reliable detection of corrupted measured values is made possible.
  • the above object is achieved by a method for processing measured values with the features of patent claim 1. Thereafter, the method is configured such that the measured values are compared by means of a suitable distance measure with a predefinable or determinable model function and evaluated via a predeterminable or determinable error limit of the distance measure.
  • a comparison of the measured values with a model function is particularly suitable for the detection of falsified measured values.
  • This is a predefinable or ascertainable model function, the comparison taking place by means of a suitable distance measure.
  • the measured values are evaluated via a predefinable or determinable error limit of the distance measure.
  • Correspondingly evaluated measured values can then be further processed.
  • the comparison according to the invention and the evaluation according to the invention of the measured values on the basis of a model function and an error barrier enable a reliable detection of falsified measured values.
  • the error barrier could be determined dynamically from the statistical distribution of the measured values.
  • the error barrier could be determined via a preferably local statistics of the deviations after removal of the "out of range” measured values
  • a multiple of the standard deviation of the difference between measured value and model function could be used as the error barrier It is also conceivable to predetermine the error barrier, but this is unfavorable for inclined or deformed components. Measurements that exceed the error limit could be flagged as outliers for further processing of these measurements. This could in particular be measured values outside a measuring range of a sensor.
  • measured values that exceed the error limit could be removed as outliers from the data set. Again, these could in particular be measured values which lie outside a measuring range of a sensor.
  • the data record could be present in a matrix structure with regard to a simple visualization of the measured values.
  • visualization as a 3D surface is made especially easy.
  • At least one of the outliers could be replaced by a value of the error barrier or the maximum deviation of the valid data from the model function. This also makes it possible to achieve a high degree of reality of imaging.
  • At least one of the outliers could be replaced by an interpolated value. This also makes it possible to achieve a good rimpedement with the real situation.
  • the quality of the model function is of great importance.
  • the model function could advantageously be adapted to the nature and / or geometry of a measurement object. be fit.
  • a suitable secondary knowledge with regard to the shape of the measurement object can advantageously be incorporated into the design of the model function.
  • the model function could be calculated at nodes of the reduced measured values.
  • the reduced measured values are those measured values which are qualified as reliable and unadulterated.
  • an adaptation or recalculation of the model function and the removal of one or more outliers could be carried out iteratively, wherein in each step only the one or more outlier with the largest distance to the model function are removed.
  • the model function is gradually optimized.
  • model function In concrete terms, a multidimensional polynomial function could be used as a model function. Such model functions have proven to be particularly suitable.
  • model functions are also advantageous in the context of the method according to the invention.
  • the inventive method provides a reliable detection of so-called outliers, ie unreliable measured values due to static or dynamic error bounds of a distance function, which is determined in comparison to a dynamic modeling of the original function, the original function can be generated from suitable secondary knowledge.
  • the recognized If necessary, lickers can be replaced by appropriately corrected values so that an unadulterated evaluation of the measured data is possible.
  • the method according to the invention can be used in particular if there are sensor data of any sensors which, encoded by the output signal, can provide information about the signal quality or reliability of a measurement.
  • sensors which, encoded by the output signal, can provide information about the signal quality or reliability of a measurement.
  • These may, for example, be optical displacement sensors based on the triangulation principle.
  • the method according to the invention is particularly efficient and can therefore be used for real-time processing.
  • the model function is adaptable to the measurement problem.
  • the error barrier can be preset via auxiliary knowledge - for example from CAD data - or determined dynamically.
  • a subsequent evaluation can be made on the corrected original model or on the deviations from the ideal model.
  • the regular matrix structure of the measured values is retained.
  • better results are achieved.
  • Corresponding methods are an ideal starting point for interpolation methods since measuring object-related incorrect measurements are also recognized. These can then, like the "Out of Range" values, be replaced by interpolated values.
  • FIG. 2 is a perspective view of a measurement diagram including corrupted measured values
  • FIG. 3 shows a perspective diagram of a measuring diagram, the ver ⁇ falsified measured values are replaced by values of the model function.
  • FIG. 1 shows a flow chart of an exemplary embodiment of the method according to the invention for processing measured values.
  • the "out of range" values are first removed from the original data, and then the regression coefficients for the original data reduced by the "out of range” values are calculated.
  • the model function is evaluated on the nodes of the reduced data. Subsequently, erroneous measurements or falsified measured values are subsequently removed until a fixed error limit or the 3- ⁇ threshold calculated from the deviations between original data and model function is reached. In the process, incorrect measurements or falsified measured values are repeatedly removed, the coefficients of the model are recalculated from the reduced data, and the model function is currently determined at the reference points of the reduced data.
  • the "Out of Range” values and the erroneous measurements can either be replaced by the values of the model function or by the value of the maximum deviation of the valid data from the model by calculating the model function at the nodes of the original data with coefficients obtained from the reduced data
  • the deviations of the original data from the model function are recalculated and the "out of range” values and falsified measured values or incorrect measurements are corrected accordingly.
  • the corrected original data or original values are calculated from the corrected deviations with the added values of the model function.
  • FIG. 2 shows a perspective view of the measured values shown in three dimensions, including "out of range” values and other falsified measured values, wherein a bent, reflective metal part was measured.
  • FIG. 3 shows a perspective view of the representation of the metal part of FIG. 2 after outliers have been corrected by values of the model function according to the exemplary embodiment of the method for processing measured values.
  • the bent metal part is clearly visible.
  • the recorded measured values-as in the exemplary embodiment shown here-are present in a matrix structure visualization as a 3D surface is readily possible. Removing data points from this regular structure creates a data structure that can no longer be efficiently processed or visualized because of the defects.
  • the method according to the invention has the advantage that the original matrix Form of representation remains intact, since the detected incorrect measurements are not ent removed, but meaningfully replaced.
  • a fixed error barrier for outlier detection can not be used, since the measured component can be inclined or deformed - free-form surface with deformations.
  • the model function - preferably 3D model function - can be subtracted from the measured values. After this transformation, an error detection with a constant maximum shape deviation can be used.
  • a model function a multi-dimensional polynomial function was used in the example.
  • any other function can be used which can be approximated by a linear or non-linear compensation problem to the original functional course of the measured values. If there is knowledge about the component to be measured, a direct modeling of the shape can be used, for example from the CAD data.
  • the error barrier for the detection of outliers can be fixed or determined via a preferably local statistics of the deviations after removal of the "out of range” values. deviation of the difference between the measured value and the model function.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Length Measuring Devices With Unspecified Measuring Means (AREA)

Abstract

Disclosed is a method for processing measured values, in which distorted measured values, particularly sensory measured values, are recognized in a set of data. In order to reliably recognize distorted measured values, said method is designed and further developed in such a way that the measured values are compared to a predefined or determined model function by means of an appropriate distance measurement and are assessed via a predefined or determined error bound of the distance measurement.

Description

VERFAHREN ZUR VERARBEITUNG VON MESSWERTEN METHOD FOR PROCESSING MEASUREMENTS
Die vorliegende Erfindung betrifft ein Verfahren zur Verarbeitung von Messwerten, wobei eine Erkennung verfälschter Messwerte, insbesondere sensorieller Mess¬ werte, in einem Datensatz erfolgt.The present invention relates to a method for processing measured values, wherein a detection of corrupted measured values, in particular sensorial measured values, takes place in a data record.
Verfahren der eingangs genannten Art sind aus der Praxis bekannt und existieren in unterschiedlichen Ausgestaltungen. Dabei handelt es sich häufig um automatisierte Messwertverarbeitungen, bei denen die Erkennung und Behandlung ungültiger oder verfälschter Messwerte in einem umfangreichen Datensatz Aufwand und Probleme verursachen.Methods of the type mentioned are known in practice and exist in different configurations. These are often automated metrics, where the detection and handling of invalid or corrupted metrics in a large dataset can be costly and time-consuming.
Ungültige oder verfälschte Messwerte können durch eine Vielzahl von Ursachen ent¬ stehen. Im einfachsten Fall liegt eine Überschreitung des Messbereichs beispiels¬ weise eines Sensors vor. Am Ende des Messbereichs führen Nichtlinearitäten oder Übersteuerungseffekte zu unzuverlässigen Messwerten. Aber auch andere physikalische Effekte führen zu einer Beeinträchtigung der Zuverlässigkeit von Messungen. Dazu zählen beispielsweise reflektierende oder verdeckte Stellen eines Messobjekts bei beispielsweise optischen Triangulationssensoren oder Scannern oder Materialinhomogenitäten bei Wirbelstrommessungen usw..Invalid or falsified measured values can be caused by a multiplicity of causes. In the simplest case, there is an exceeding of the measuring range, for example of a sensor. At the end of the measuring range, nonlinearities or overmodulation effects lead to unreliable measured values. But also other physical effects lead to an impairment of the reliability of measurements. These include, for example, reflective or hidden points of a test object in, for example, optical triangulation sensors or scanners or material inhomogeneities in eddy current measurements, etc.
Grundsätzlich lassen sich verschiedene Fälle von Fehlern oder der Kodierung von Fehlern im Messsignal unterscheiden:In principle, different cases of errors or the coding of errors in the measuring signal can be distinguished:
Zunächst können Fehler auftreten, die durch Unter- oder Überschreitungen des Messbereichs verursacht werden. Diese Fehler können von den meisten Sensoren erkannt werden. Diese Fehler treten beispielsweise auf, wenn ein optischer Sensor auf ein Loch des Messobjekts trifft. Es handelt sich dann um einen sogenannten „Out of Range"-Fehler.First of all, errors can occur that are caused by undershooting or exceeding the measuring range. These errors can be detected by most sensors. These errors occur, for example, when an optical sensor hits a hole of the measurement object. It is then a so-called "out of range" error.
Des Weiteren können Fehlmessungen oder Fehler auftreten, die durch Messobjekteigenschaften verursacht werden und ebenfalls als Über- oder Unterschreitungen des Messbereichs interpretiert werden. Derartige Fehler treten beispielsweise auf, wenn ein optischer Triangulationssensor gegen eine extrem dunkle Stelle eines Messobjekts misst und die zurückge¬ worfene oder reflektierte Lichtmenge für eine Auswertung nicht ausreicht. Wird dieser Fehler vom Sensor erkannt, so wird dies meist durch eine Unter- oder Überschreitung des Messbereichs signalisiert. Es handelt sich dann um einen sogenannten „Poor Targef-Fehler.Furthermore, incorrect measurements or errors can occur that are caused by the properties of the measuring object and are also interpreted as exceeding or falling below the measuring range. Such mistakes occur, for example, when an optical triangulation sensor measures against an extremely dark spot of a measuring object and the amount of reflected or reflected light is insufficient for an evaluation. If this error is detected by the sensor, this is usually signaled by an undershooting or exceeding of the measuring range. It is then a so-called "Poor Targef error.
Weiterhin können Fehlmessungen oder Fehler auftreten, die durch Mess¬ objekteigenschaften verursacht werden, jedoch nicht als Unter- oder Über¬ schreitungen des Messbereichs erkannt werden können. Beispielsweise treten bei einem optischen Sensor Fehlmessungen an spiegelnden oder verdeckten Stellen des Messobjekts auf, die vom Sensor nicht erkannt werden. Diese liegen dann typischerweise innerhalb des erlaubten Mess¬ bereichs und können von gültigen Werten nicht unterschieden werden. Besonders an metallischen Messobjekten treten an Ecken und Rillen Reflexionen auf, die die Laserlinie mehrfach im Sichtbereich des Empfän¬ gers widerspiegelt. Weiterhin führen Farbwechsel in Verbindung mit Ein¬ dringtiefenveränderungen zu Messunsicherheiten. Oberflächenrauhig¬ keiten hingegen verursachen durch Interferenzen des Laserlichts ein „Oberflächenrauschen" - „fixed pattern noise". Außerdem können auch an feinen Rillen direkte Reflexionen des Laserlichts zum Empfänger auftreten, welche zur Übersteuerung der Matrix führen.Furthermore, incorrect measurements or errors may occur which are caused by measurement object properties, but can not be recognized as being inferior or excessive in the measurement range. For example, in an optical sensor erroneous measurements on specular or obscured points of the measurement object, which are not recognized by the sensor. These then typically lie within the permitted measuring range and can not be distinguished from valid values. Reflections occur at corners and grooves, especially on metallic measuring objects, which reflect the laser line several times in the field of vision of the receiver. Furthermore, color changes in conjunction with penetration depth changes lead to measurement uncertainties. Surface roughnesses, on the other hand, cause "surface noise" - "fixed pattern noise" due to interference of the laser light. In addition, direct reflections of the laser light to the receiver can also occur on fine grooves, which lead to overdriving of the matrix.
Bei einer automatisierten Auswertung oder Visualisierung von Messwerten ist es notwendig, möglichst alle Messwerte, die nicht korrekt sind, zu eliminieren. Bei einer grafischen Darstellung der Messwerte einer Messung im SD-Koordinaten¬ system, wobei die X-Y-Position und die gemessene Höhe aufgetragen werden, stören die ungültigen Messwerte die Darstellung, insbesondere wenn die zu messende Höhentoleranz klein gegen den Messbereich des Sensors oder Scanners ist.In the case of an automated evaluation or visualization of measured values, it is necessary to eliminate as far as possible all measured values which are not correct. In the case of a graphical representation of the measured values of a measurement in the SD coordinate system, with the XY position and the measured height being plotted, the invalid measured values disturb the display, in particular if the height tolerance to be measured is small compared to the measuring range of the sensor or scanner.
Eine Entfernung der „Out of Range"-Messwerte aus dem kompletten Datensatz ist zwar leicht möglich, führt jedoch zu Löchern in der darzustellenden Fläche in der 3D-Ansicht. Weitere ungültige oder verfälschte Werte, die durch Messobjekt- eigenschaften verursacht werden, können bei herkömmlichen Verfahren nicht er¬ kannt werden und verbleiben in der Darstellung. Eine Rekonstruktion der original gemessenen Fläche durch Interpolation der fehlenden Stützstellen kann deshalb zu einer beliebigen Fehlinterpretation führen.Although it is easy to remove the "out of range" readings from the complete dataset, it will result in holes in the area to be displayed in the 3D view, as well as other invalid or corrupted values that may be obscured by the DUT. Properties can not be er¬ known in conventional methods and remain in the presentation. A reconstruction of the original measured surface by interpolation of the missing support points can therefore lead to any misinterpretation.
Der vorliegenden Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Verarbeitung von Messwerten der eingangs genannten Art anzugeben, wonach eine zuverlässige Erkennung verfälschter Messwerte ermöglicht ist.The present invention is therefore based on the object of specifying a method for processing measured values of the type mentioned at the outset, according to which a reliable detection of corrupted measured values is made possible.
Die voranstehende Aufgabe ist durch ein Verfahren zur Verarbeitung von Mess¬ werten mit den Merkmalen des Patentanspruchs 1 gelöst. Danach ist das Verfahren derart ausgestaltet, dass die Messwerte mittels eines geeigneten Abstandsmaßes mit einer vorgebbaren oder ermittelbaren Modellfunktion verglichen und über eine vorgebbare oder ermittelbare Fehlerschranke des Abstandsmaßes bewertet werden.The above object is achieved by a method for processing measured values with the features of patent claim 1. Thereafter, the method is configured such that the measured values are compared by means of a suitable distance measure with a predefinable or determinable model function and evaluated via a predeterminable or determinable error limit of the distance measure.
In erfindungsgemäßer Weise ist zunächst erkannt worden, dass zur Erkennung ver¬ fälschter Messwerte ein Vergleich der Messwerte mit einer Modellfunktion besonders geeignet ist. Dabei handelt es sich um eine vorgebbare oder ermittelbare Modell¬ funktion, wobei der Vergleich mittels eines geeigneten Abstandsmaßes erfolgt. Die Messwerte werden dabei über eine vorgebbare oder ermittelbare Fehlerschranke des Abstandsmaßes bewertet. Entsprechend bewertete Messwerte können dann weiter verarbeitet werden. Durch den erfindungsgemäßen Vergleich und die erfindungsgemäße Bewertung der Messwerte anhand einer Modellfunktion und einer Fehlerschranke ist eine zuverlässige Erkennung verfälschter Messwerte ermöglicht.In accordance with the invention, it has initially been recognized that a comparison of the measured values with a model function is particularly suitable for the detection of falsified measured values. This is a predefinable or ascertainable model function, the comparison taking place by means of a suitable distance measure. The measured values are evaluated via a predefinable or determinable error limit of the distance measure. Correspondingly evaluated measured values can then be further processed. The comparison according to the invention and the evaluation according to the invention of the measured values on the basis of a model function and an error barrier enable a reliable detection of falsified measured values.
Im Hinblick auf eine besonders zuverlässige Erkennung verfälschter Messwerte könnte die Fehlerschranke dynamisch aus der statistischen Verteilung der Mess¬ werte bestimmt werden. Insbesondere könnte die Fehlerschranke über eine vor¬ zugsweise lokale Statistik der Abweichungen nach Entfernung der „Out of Range"- Messwerte bestimmt werden. In diesem Zusammenhang könnte als Fehlerschranke ein Vielfaches der Standardabweichung der Differenz zwischen Messwert und Mo¬ dellfunktion verwendet werden. Es ist jedoch auch denkbar, die Fehlerschranke fest vorzugeben. Dies ist jedoch bei schräg liegenden oder verformten Bauteilen un¬ günstig. Messwerte, die die Fehlerschranke überschreiten, könnten im Hinblick auf eine weitere Verarbeitung dieser Messwerte als Ausreißer markiert werden. Dabei könnte es sich insbesondere um außerhalb eines Messbereichs eines Sensors liegende Messwerte handeln.With regard to a particularly reliable detection of falsified measured values, the error barrier could be determined dynamically from the statistical distribution of the measured values. In particular, the error barrier could be determined via a preferably local statistics of the deviations after removal of the "out of range" measured values In this context, a multiple of the standard deviation of the difference between measured value and model function could be used as the error barrier It is also conceivable to predetermine the error barrier, but this is unfavorable for inclined or deformed components. Measurements that exceed the error limit could be flagged as outliers for further processing of these measurements. This could in particular be measured values outside a measuring range of a sensor.
Im Hinblick auf eine realistische Visualisierung der Messwerte könnten Messwerte, die die Fehlerschranke überschreiten, als Ausreißer aus dem Datensatz entfernt werden. Auch hierbei könnte es sich insbesondere um Messwerte handeln, die außerhalb eines Messbereichs eines Sensors liegen.With a view to a realistic visualization of the measured values, measured values that exceed the error limit could be removed as outliers from the data set. Again, these could in particular be measured values which lie outside a measuring range of a sensor.
Grundsätzlich könnte der Datensatz im Hinblick auf eine einfache Visualisierung der Messwerte in einer Matrixstruktur vorliegen. Dabei ist eine Visualisierung als 3D- Fläche besonders einfach ermöglicht.In principle, the data record could be present in a matrix structure with regard to a simple visualization of the measured values. At the same time, visualization as a 3D surface is made especially easy.
Insbesondere im Hinblick auf eine einfache Visualisierung der Messwerte ist es vor¬ teilhaft, wenn die Größe und/oder die Art der Datenstruktur im Datensatz durch das Entfernen von Ausreißern nicht verändert wird. Des Weiteren ist es im Hinblick auf eine zuverlässige Visualisierung der Messwerte günstig, mindestens einen der Aus¬ reißer durch einen Wert der Modellfunktion zu ersetzen. Hierdurch wird ein hohes Maß an Annäherung an die Realsituation gewährleistet.In particular with regard to a simple visualization of the measured values, it is advantageous if the size and / or the type of the data structure in the data record is not changed by the removal of outliers. Furthermore, with regard to a reliable visualization of the measured values, it is favorable to replace at least one of the outlier by a value of the model function. This ensures a high degree of approximation to the real situation.
Alternativ hierzu könnte mindestens einer der Ausreißer durch einen Wert der Feh¬ lerschranke oder der maximalen Abweichung der gültigen Daten von der Modell¬ funktion ersetzt werden. Auch hierdurch kann ein hohes Maß an Realität der Abbil¬ dung erreicht werden.Alternatively, at least one of the outliers could be replaced by a value of the error barrier or the maximum deviation of the valid data from the model function. This also makes it possible to achieve a high degree of reality of imaging.
Weiter alternativ könnte mindestens einer der Ausreißer durch einen interpolierten Wert ersetzt werden. Auch hierdurch ist eine gute Annäherung an die Realsituation erreichbar.Further alternatively, at least one of the outliers could be replaced by an interpolated value. This also makes it possible to achieve a good rapprochement with the real situation.
Im Hinblick auf eine sichere Kompensation verfälschter Messwerte ist die Qualität der Modellfunktion von großer Bedeutung. Dabei könnte die Modellfunktion in vor¬ teilhafter Weise an die Beschaffenheit und/oder Geometrie eines Messobjekts an- gepasst sein. Dabei kann ein geeignetes Nebenwissen im Hinblick auf die Gestalt des Messobjekts in vorteilhafter Weise in die Gestaltung der Modellfunktion einflie¬ ßen.With regard to a reliable compensation of corrupted measured values, the quality of the model function is of great importance. In this case, the model function could advantageously be adapted to the nature and / or geometry of a measurement object. be fit. In this case, a suitable secondary knowledge with regard to the shape of the measurement object can advantageously be incorporated into the design of the model function.
Die Modellfunktion könnte an Stützstellen der reduzierten Messwerte berechnet werden. Dabei sind die reduzierten Messwerte diejenigen Messwerte, die als zuver¬ lässig und unverfälscht qualifiziert werden.The model function could be calculated at nodes of the reduced measured values. The reduced measured values are those measured values which are qualified as reliable and unadulterated.
Im Hinblick auf eine besonders vorteilhafte Modellfunktion, die letztendlich zu einer besonders sicheren Erkennung verfälschter Messwerte führt, könnte eine Anpassung oder Neuberechnung der Modellfunktion und die Entfernung eines oder mehrerer Ausreißer iterativ durchgeführt werden, wobei in jedem Schritt nur der oder die Aus¬ reißer mit dem größten Abstandsmaß zur Modellfunktion entfernt werden. Dabei wird die Modellfunktion schrittweise optimiert.With regard to a particularly advantageous model function, which ultimately leads to a particularly reliable detection of corrupted measured values, an adaptation or recalculation of the model function and the removal of one or more outliers could be carried out iteratively, wherein in each step only the one or more outlier with the largest distance to the model function are removed. The model function is gradually optimized.
Im Konkreten könnte als Modellfunktion eine mehrdimensionale polynomiale Funk¬ tion verwendet werden. Derartige Modellfunktionen haben sich als besonders ge¬ eignet erwiesen.In concrete terms, a multidimensional polynomial function could be used as a model function. Such model functions have proven to be particularly suitable.
Des Weiteren könnte zur Bildung der Modellfunktion eine direkte Abbildung oder Modellierung des Messobjekts verwendet werden. Auch derartige Modellfunktionen sind im Rahmen des erfindungsgemäßen Verfahrens vorteilhaft.Furthermore, a direct mapping or modeling of the DUT could be used to form the model function. Such model functions are also advantageous in the context of the method according to the invention.
In vielen Fällen könnte es vorteilhaft sein, dass lediglich die Abweichung von der Modellfunktion für eine Weiterverarbeitung herangezogen wird. Mit anderen Worten wird dabei auf ein Addieren der Modellfunktion in einem späten Schritt des Verfah¬ rens verzichtet.In many cases, it may be advantageous that only the deviation from the model function is used for further processing. In other words, an addition of the model function in a late step of the method is dispensed with.
Das erfindungsgemäße Verfahren liefert eine zuverlässige Erkennung von soge¬ nannten Ausreißern, also unzuverlässigen Messwerten aufgrund von statischen oder dynamischen Fehlerschranken einer Abstandsfunktion, die im Vergleich zu einer dynamischen Modellierung der Originalfunktion bestimmt wird, wobei die Original¬ funktion aus geeignetem Nebenwissen erzeugt werden kann. Die erkannten Aus- reißer können bei Bedarf durch entsprechend korrigierte Werte ersetzt werden, so dass eine unverfälschte Auswertung der Messdaten ermöglicht wird.The inventive method provides a reliable detection of so-called outliers, ie unreliable measured values due to static or dynamic error bounds of a distance function, which is determined in comparison to a dynamic modeling of the original function, the original function can be generated from suitable secondary knowledge. The recognized If necessary, lickers can be replaced by appropriately corrected values so that an unadulterated evaluation of the measured data is possible.
Das erfindungsgemäße Verfahren ist insbesondere dann anwendbar, wenn Sensor¬ daten beliebiger Sensoren vorliegen, die - kodiert über das Ausgangssignal - eine Aussage über die Signalqualität bzw. Verlässlichkeit einer Messung liefern können. Dabei kann es sich beispielsweise um optische Wegsensoren handeln, die auf dem Triangulationsprinzip basieren.The method according to the invention can be used in particular if there are sensor data of any sensors which, encoded by the output signal, can provide information about the signal quality or reliability of a measurement. These may, for example, be optical displacement sensors based on the triangulation principle.
Bei einer automatisierten Auswertung oder Visualisierung von Messwerten ist es vorteilhaft, möglichst alle Messwerte, die nicht korrekt sind, zu eliminieren. Dazu sind mehrere Probleme zu lösen. Zum einen stellt sich die Frage der Unterscheidung korrekter Messwerte von nicht korrekten Messwerten, sogenannten Ausreißern. Des Weiteren stellt sich die Frage, wie die Fehlstellen so ersetzt werden können, dass beispielsweise die Visualisierung nicht beeinträchtigt wird. Schließlich stellt sich die Frage, wie Fehlstellen ersetzt werden können, so dass zum Beispiel eine automatisierte Messwertverarbeitung nicht beeinträchtigt wird.In the case of an automated evaluation or visualization of measured values, it is advantageous to eliminate as far as possible all measured values which are not correct. There are several problems to solve. On the one hand, the question arises of distinguishing correct measured values from incorrect measured values, so-called outliers. Furthermore, the question arises as to how the defects can be replaced so that, for example, the visualization is not affected. Finally, the question arises as to how defects can be replaced, so that, for example, an automated measurement value processing is not affected.
Für eine realistische Darstellung der gültigen Messwerte als 3D-Fläche ist es erfor¬ derlich, die Fehlmessungen in die Fläche so einzupassen, dass sie als Fehlmessungen nicht erkennbar sind. Im Falle einer weitergehenden Auswertung sollten erkannte Fehlmessungen entsprechend kodiert und nicht in die Berechnung einbezogen werden. Durch die Ersetzung der „Out of Range"-Werte und der Fehl¬ messungen wird eine Auswertung der tatsächlichen Messwerte möglich.For a realistic representation of the valid measured values as a 3D surface, it is necessary to fit the incorrect measurements into the surface in such a way that they can not be detected as incorrect measurements. In the case of a further evaluation, detected incorrect measurements should be coded accordingly and not included in the calculation. The replacement of the "Out of Range" values and the Fehl¬ measurements an evaluation of the actual measurements is possible.
Das erfindungsgemäße Verfahren ist besonders effizient und deshalb zur Echtzeit¬ verarbeitung einsetzbar. Dabei ist die Modellfunktion an das Messproblem anpass¬ bar. Weiterhin kann die Fehlerschranke über Nebenwissen - beispielsweise aus CAD-Daten - fest vorgegeben oder dynamisch bestimmt werden.The method according to the invention is particularly efficient and can therefore be used for real-time processing. The model function is adaptable to the measurement problem. Furthermore, the error barrier can be preset via auxiliary knowledge - for example from CAD data - or determined dynamically.
Eine anschließende Auswertung kann auf dem korrigierten originalen Modell oder auf den Abweichungen zum idealen Modell durchgeführt werden. Dabei bleibt die re¬ guläre Matrixstruktur der Messwerte erhalten. Im Vergleich zu direkten Interpolati¬ onsverfahren werden bessere Ergebnisse erreicht. Außerdem stellt das erfindungs- gemäße Verfahren eine ideale Ausgangsbasis für Interpolationsverfahren dar, da messobjektbedingte Fehlmessungen ebenfalls erkannt werden. Diese können dann ebenso wie die „Out of Range"-Werte durch interpolierte Werte ersetzt werden.A subsequent evaluation can be made on the corrected original model or on the deviations from the ideal model. In this case, the regular matrix structure of the measured values is retained. In comparison to direct interpolation methods, better results are achieved. In addition, the invention Corresponding methods are an ideal starting point for interpolation methods since measuring object-related incorrect measurements are also recognized. These can then, like the "Out of Range" values, be replaced by interpolated values.
Es gibt nun verschiedene Möglichkeiten, die Lehre der vorliegenden Erfindung in vorteilhafter Weise auszugestalten und weiterzubilden. Dazu ist einerseits auf die nachgeordneten Ansprüche, andererseits auf die nachfolgende Erläuterung eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens anhand der Zeichnung zu verweisen. In Verbindung mit der Erläuterung des bevorzugten Ausführungsbeispiels des erfindungsgemäßen Verfahrens anhand der Zeichnung werden auch im Allgemeinen bevorzugte Ausgestaltungen und Weiterbildungen der Lehre erläutert. In der Zeichnung zeigenThere are now various possibilities for designing and developing the teaching of the present invention in an advantageous manner. For this purpose, on the one hand to the subordinate claims, on the other hand, to refer to the following explanation of an embodiment of the method according to the invention with reference to the drawing. In connection with the explanation of the preferred embodiment of the method according to the invention with reference to the drawing, generally preferred embodiments and further developments of the teaching are explained. In the drawing show
Fig. 1 in einem Flussdiagramm ein Ausführungsbeispiel des erfindungsge¬ mäßen Verfahrens,1 in a flow chart an embodiment of the erfindungsge¬ MAESSEN method,
Fig. 2 in einer perspektivischen Darstellung ein Messdiagramm einschließlich verfälschter Messwerte und2 is a perspective view of a measurement diagram including corrupted measured values and
Fig. 3 in einer perspektivischen Darstellung ein Messdiagramm, wobei die ver¬ fälschten Messwerte durch Werte der Modellfunktion ersetzt sind.3 shows a perspective diagram of a measuring diagram, the ver¬ falsified measured values are replaced by values of the model function.
Fig. 1 zeigt ein Flussdiagramm eines Ausführungsbeispiels des erfindungsgemäßen Verfahrens zur Verarbeitung von Messwerten. Bei dem Ausführungsbeispiel des er¬ findungsgemäßen Verfahrens werden zuerst die „Out of Range"-Werte aus den Originaldaten entfernt. Anschließend werden die Regressionskoeffizienten für die um die „Out of Range"-Werte reduzierten Originaldaten berechnet. Die Modellfunktion wird auf den Stützstellen der reduzierten Daten ausgewertet. Anschließend werden so lange Fehlmessungen bzw. verfälschte Messwerte entfernt, bis eine fest vorge¬ gebene Fehlerschranke oder die aus den Abweichungen zwischen Originaldaten und Modellfunktion berechnete 3-σ-Schwelle erreicht ist. Dabei werden wiederholt Fehlmessungen bzw. verfälschte Messwerte entfernt, die Koeffizienten des Modells aus den reduzierten Daten neu berechnet und die Modell¬ funktion an den Stützstellen der reduzierten Daten aktuell bestimmt.1 shows a flow chart of an exemplary embodiment of the method according to the invention for processing measured values. In the exemplary embodiment of the method according to the invention, the "out of range" values are first removed from the original data, and then the regression coefficients for the original data reduced by the "out of range" values are calculated. The model function is evaluated on the nodes of the reduced data. Subsequently, erroneous measurements or falsified measured values are subsequently removed until a fixed error limit or the 3-σ threshold calculated from the deviations between original data and model function is reached. In the process, incorrect measurements or falsified measured values are repeatedly removed, the coefficients of the model are recalculated from the reduced data, and the model function is currently determined at the reference points of the reduced data.
Sobald die Fehlergrenze erreicht ist, werden die aktuellen Koeffizienten und danach die Modellfunktion an den Stützstellen der um alle Fehlmessungen bzw. verfälschten Messwerte bereinigten Daten neu berechnet.As soon as the error limit has been reached, the current coefficients and then the model function at the interpolation points are recalculated for the data corrected for all incorrect measurements or falsified measured values.
Die „Out of Range"-Werte und die Fehlmessungen können entweder durch die Werte der Modellfunktion oder durch den Wert der maximalen Abweichung der gültigen Daten vom Modell ersetzt werden. Hierfür wird die Modellfunktion an den Stützstellen der Originaldaten mit aus den reduzierten Daten ermittelten Koeffizienten berechnet. Die Abweichungen der Originaldaten von der Modellfunktion werden neu berechnet und die „Out of Range"-Werte und verfälschten Messwerte bzw. Fehlmessungen werden entsprechend korrigiert. Die korrigierten Originaldaten bzw. Originalwerte berechnen sich aus den korrigierten Abweichungen mit den hinzuaddierten Werten der Modellfunktion.The "Out of Range" values and the erroneous measurements can either be replaced by the values of the model function or by the value of the maximum deviation of the valid data from the model by calculating the model function at the nodes of the original data with coefficients obtained from the reduced data The deviations of the original data from the model function are recalculated and the "out of range" values and falsified measured values or incorrect measurements are corrected accordingly. The corrected original data or original values are calculated from the corrected deviations with the added values of the model function.
Fig. 2 zeigt in einer perspektivischen Darstellung die dreidimensional dargestellten Messwerte einschließlich „Out of Range"-Werte und sonstiger verfälschter Mess¬ werte, wobei ein gebogenes, reflektierendes Metallteil vermessen wurde.2 shows a perspective view of the measured values shown in three dimensions, including "out of range" values and other falsified measured values, wherein a bent, reflective metal part was measured.
Fig. 3 zeigt in einer perspektivischen Ansicht die Darstellung des Metallteils aus Fig. 2, nachdem Ausreißer durch Werte der Modellfunktion gemäß dem Ausführungs¬ beispiel des Verfahrens zur Verarbeitung von Messwerten korrigiert worden sind. Hierbei ist das gebogene Metallteil klar erkennbar.FIG. 3 shows a perspective view of the representation of the metal part of FIG. 2 after outliers have been corrected by values of the model function according to the exemplary embodiment of the method for processing measured values. Here, the bent metal part is clearly visible.
Wenn bei dem erfindungsgemäßen Verfahren die aufgenommenen Messwerte - wie im hier gezeigten Ausführungsbeispiel - in einer Matrixstruktur vorliegen, ist eine Visualisierung als 3D-Fläche ohne Weiteres möglich. Durch das Entfernen von Datenpunkten aus dieser regulären Struktur entsteht eine Datenstruktur, die wegen der Fehlstellen nicht mehr effizient weiterverarbeitet oder visualisiert werden kann. Das erfindungsgemäße Verfahren hat den Vorteil, dass die ursprüngliche Matrix- Form der Darstellung erhalten bleibt, da die detektierten Fehlmessungen nicht ent¬ fernt, sondern sinnvoll ersetzt werden.If, in the method according to the invention, the recorded measured values-as in the exemplary embodiment shown here-are present in a matrix structure, visualization as a 3D surface is readily possible. Removing data points from this regular structure creates a data structure that can no longer be efficiently processed or visualized because of the defects. The method according to the invention has the advantage that the original matrix Form of representation remains intact, since the detected incorrect measurements are not ent removed, but meaningfully replaced.
Normalerweise kann eine feste Fehlerschranke zur Ausreißererkennung nicht ver¬ wendet werden, da das gemessene Bauteil schräg liegen kann oder verformt ist - Freiformfläche mit Deformierungen. Nachdem das Bauteil durch eine Modellfunktion approximiert wird, kann die Modellfunktion - vorzugsweise 3D-Modellfunktion - von den Messwerten subtrahiert werden. Nach dieser Transformation kann eine Fehler¬ erkennung mit einer konstanten maximalen Formabweichung verwendet werden.Normally, a fixed error barrier for outlier detection can not be used, since the measured component can be inclined or deformed - free-form surface with deformations. After the component is approximated by a model function, the model function - preferably 3D model function - can be subtracted from the measured values. After this transformation, an error detection with a constant maximum shape deviation can be used.
Anschließend werden alle Ausreißer beispielsweise durch die Werte der Modell¬ funktion an dieser Stelle ersetzt. Nachdem die Modellfunktion wieder auf die Mess¬ daten addiert ist, erhält man wieder die ursprüngliche Freiformfläche ohne Ausreißer. Da die Berechnung der Modellfunktion durch die ursprünglich im Signal befindlichen Ausreißer gestört wird, kann die Berechnung der Modellfunktion und das Entfernen von Ausreißern iterativ durchgeführt werden, wobei immer nur ein kleiner Teil der Ausreißer je Berechnungsschritt entfernt wird.Subsequently, all outliers are replaced, for example, by the values of the model function at this point. After the model function has been added back to the measured data, the original free-form surface without outliers is again obtained. Since the calculation of the model function is disturbed by the outliers originally in the signal, the calculation of the model function and the removal of outliers can be carried out iteratively, always removing only a small part of the outliers per calculation step.
Als Modellfunktion wurde im Beispiel eine mehrdimensionale polynomiale Funktion verwendet. Ebenso kann jede andere Funktion verwendet werden, die über ein li¬ neares oder nicht lineares Ausgleichsproblem an den originalen Funktionsverlauf der Messwerte approximierbar ist. Sofern Kenntnis über das zu vermessende Bauteil vorliegt, kann eine direkte Modellierung der Form verwendet werden, beispielsweise aus den CAD-Daten.As a model function a multi-dimensional polynomial function was used in the example. Likewise, any other function can be used which can be approximated by a linear or non-linear compensation problem to the original functional course of the measured values. If there is knowledge about the component to be measured, a direct modeling of the shape can be used, for example from the CAD data.
In vielen Fällen kann es sinnvoll sein, auf das Addieren der Modellfunktion im letzten Schritt des Verfahrens zu verzichten. Damit vereinfacht sich unter Umständen die weitergehende Auswertung von Formabweichungen von der idealen Geometrie des Messobjekts, beispielsweise Dellen in Kfz-Blechen, Spaltmessungen an Autotüren, etc..In many cases, it may be useful to dispense with adding the model function in the last step of the procedure. This may simplify the further evaluation of deviations in shape from the ideal geometry of the test object, for example dents in vehicle sheets, gap measurements on car doors, etc.
Die Fehlerschranke zur Erkennung von Ausreißern kann fest vorgegeben oder über eine vorzugsweise lokale Statistik der Abweichungen nach Entfernung der „Out of Range"-Werte bestimmt werden. Dazu kann ein einstellbares Vielfaches der Stan- dardabweichung der Differenz zwischen Messwert und Modellfunktion verwendet werden.The error barrier for the detection of outliers can be fixed or determined via a preferably local statistics of the deviations after removal of the "out of range" values. deviation of the difference between the measured value and the model function.
Nach Anwendung des obigen Verfahrens - 3-σ-Schwelle, Ersetzung der verfälschten Messwerte durch die berechneten Modellwerte - ergibt sich ein deutlich reduzierter Bereich für die Darstellung der Abweichungen.After applying the above method - 3-σ threshold, replacement of the corrupted measured values by the calculated model values - results in a significantly reduced range for the representation of the deviations.
Hinsichtlich weiterer vorteilhafter Ausgestaltungen und Weiterbildungen des erfin¬ dungsgemäßen Verfahrens wird zur Vermeidung von Wiederholungen auf den all¬ gemeinen Teil der Beschreibung sowie auf die beigefügten Patentansprüche ver¬ wiesen.With regard to further advantageous refinements and developments of the method according to the invention, reference is made to the general part of the description and to the appended patent claims in order to avoid repetition.
Schließlich sei ausdrücklich darauf hingewiesen, dass das voranstehend beschrie¬ bene Ausführungsbeispiel lediglich zur Erörterung der beanspruchten Lehre dient, diese jedoch nicht auf das Ausführungsbeispiel einschränkt. Finally, it should be expressly pointed out that the embodiment described above merely serves to discuss the claimed teaching, but does not restrict it to the exemplary embodiment.

Claims

Patentansprüche claims
1. Verfahren zur Verarbeitung von Messwerten, wobei eine Erkennung verfälsch¬ ter Messwerte, insbesondere sensorieller Messwerte, in einem Datensatz erfolgt, dadurch gekennzeichnet, dass die Messwerte mittels eines geeigneten Abstandsmaßes mit einer vorgebbaren oder ermittelbaren Modellfunktion verglichen und über eine vorgebbare oder ermittelbare Fehlerschranke des Abstandsmaßes bewertet werden.1. A method for processing measured values, wherein a detection of corrupted measured values, in particular sensorial measured values, takes place in a data record, characterized in that the measured values are compared by means of a suitable distance measure with a predeterminable or determinable model function and via a predeterminable or determinable error bound of the Distance measure be evaluated.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Fehler¬ schranke dynamisch aus der statistischen Verteilung der Messwerte bestimmt wird.2. The method according to claim 1, characterized in that the Fehler¬ barrier is determined dynamically from the statistical distribution of the measured values.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass als Fehler¬ schranke ein Vielfaches der Standardabweichung der Differenz zwischen Messwert und Modellfunktion verwendet wird.3. The method according to claim 1 or 2, characterized in that a multiple of the standard deviation of the difference between measured value and model function is used as Fehler¬ barrier.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Fehlerschranke überschreitende Messwerte, insbesondere außerhalb eines Messbereichs eines Sensors liegende Messwerte, als Ausreißer markiert werden.4. The method according to any one of claims 1 to 3, characterized in that the error threshold exceeding measured values, in particular outside of a measuring range of a sensor lying measured values are marked as outliers.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die Fehlerschranke überschreitende Messwerte, insbesondere außerhalb eines Messbereichs eines Sensors liegende Messwerte, als Ausreißer aus dem Datensatz entfernt werden.5. The method according to claim 1, characterized in that measured values exceeding the error barrier, in particular measured values lying outside a measuring range of a sensor, are removed as outliers from the data record.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass der Datensatz in einer Matrixstruktur vorliegt.6. The method according to any one of claims 1 to 5, characterized in that the data set is present in a matrix structure.
7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass die Größe und/oder die Art der Datenstruktur im Datensatz durch das Entfernen von Ausreißern nicht verändert wird. 7. The method according to any one of claims 1 to 6, characterized in that the size and / or the nature of the data structure in the record is not changed by the removal of outliers.
8. Verfahren nach einem der Ansprüche 4 bis 7, dadurch gekennzeichnet, dass mindestens einer der Ausreißer durch einen Wert der Modellfunktion ersetzt wird.8. The method according to any one of claims 4 to 7, characterized in that at least one of the outliers is replaced by a value of the model function.
9. Verfahren nach einem der Ansprüche 4 bis 8, dadurch gekennzeichnet, dass mindestens einer der Ausreißer durch einen Wert der Fehlerschranke oder der ma¬ ximalen Abweichung der gültigen Daten von der Modellfunktion ersetzt wird.9. The method according to any one of claims 4 to 8, characterized in that at least one of the outliers is replaced by a value of the error barrier or the ma¬ maximum deviation of the valid data from the model function.
10. Verfahren nach einem der Ansprüche 4 bis 9, dadurch gekennzeichnet, dass mindestens einer der Ausreißer durch einen interpolierten Wert ersetzt wird.10. The method according to any one of claims 4 to 9, characterized in that at least one of the outliers is replaced by an interpolated value.
11. Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass die Modellfunktion an die Beschaffenheit und/oder Geometrie eines Messobjekts an- gepasst wird.11. The method according to any one of claims 1 to 10, characterized in that the model function is adapted to the nature and / or geometry of a DUT.
12. Verfahren nach einem der Ansprüche 1 bis 11 , dadurch gekennzeichnet, dass die Modellfunktion an Stützstellen der reduzierten Messwerte berechnet wird.12. The method according to any one of claims 1 to 11, characterized in that the model function is calculated at nodes of the reduced measured values.
13. Verfahren nach einem der Ansprüche 1 bis 12, dadurch gekennzeichnet, dass eine Anpassung oder Neuberechnung der Modellfunktion und die Entfernung eines oder mehrerer Ausreißer iterativ durchgeführt wird, wobei in jedem Schritt nur der oder die Ausreißer mit dem größten Abstandsmaß zur Modellfunktion entfernt werden.13. The method according to any one of claims 1 to 12, characterized in that an adjustment or recalculation of the model function and the removal of one or more outliers is carried out iteratively, wherein in each step, only the one or more outliers with the largest distance to the model function are removed.
14. Verfahren nach einem der Ansprüche 1 bis 13, dadurch gekennzeichnet, dass als Modellfunktion eine mehrdimensionale polynomiale Funktion verwendet wird.14. The method according to any one of claims 1 to 13, characterized in that a multi-dimensional polynomial function is used as a model function.
15. Verfahren nach einem der Ansprüche 1 bis 14, dadurch gekennzeichnet, dass zur Bildung der Modellfunktion eine direkte Abbildung oder Modellierung des Mess¬ objekts verwendet wird.15. The method according to any one of claims 1 to 14, characterized in that for forming the model function, a direct imaging or modeling of Mess¬ object is used.
16. Verfahren nach einem der Ansprüche 1 bis 15, dadurch gekennzeichnet, dass die Abweichung von der Modellfunktion für eine Weiterverarbeitung herangezogen wird. 16. The method according to any one of claims 1 to 15, characterized in that the deviation from the model function is used for further processing.
EP05769399A 2004-07-06 2005-07-01 Method for processing measured values Withdrawn EP1763654A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102004032822A DE102004032822A1 (en) 2004-07-06 2004-07-06 Method for processing measured values
PCT/DE2005/001160 WO2006005300A1 (en) 2004-07-06 2005-07-01 Method for processing measured values

Publications (1)

Publication Number Publication Date
EP1763654A1 true EP1763654A1 (en) 2007-03-21

Family

ID=35276386

Family Applications (1)

Application Number Title Priority Date Filing Date
EP05769399A Withdrawn EP1763654A1 (en) 2004-07-06 2005-07-01 Method for processing measured values

Country Status (5)

Country Link
US (1) US20070105238A1 (en)
EP (1) EP1763654A1 (en)
CN (1) CN1950671A (en)
DE (1) DE102004032822A1 (en)
WO (1) WO2006005300A1 (en)

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102007006192B4 (en) * 2007-02-07 2016-12-29 Advanced Mask Technology Center Gmbh & Co. Kg Method and device for determining a plurality of measured values
DE102009015920B4 (en) 2009-03-25 2014-11-20 Faro Technologies, Inc. Device for optically scanning and measuring an environment
US9551575B2 (en) 2009-03-25 2017-01-24 Faro Technologies, Inc. Laser scanner having a multi-color light source and real-time color receiver
CN102449645B (en) 2009-05-29 2016-09-28 株式会社村田制作所 Product inspection device and product inspection method
JP5287985B2 (en) * 2009-05-29 2013-09-11 株式会社村田製作所 Product sorting apparatus, product sorting method, and computer program
US9529083B2 (en) 2009-11-20 2016-12-27 Faro Technologies, Inc. Three-dimensional scanner with enhanced spectroscopic energy detector
US9210288B2 (en) 2009-11-20 2015-12-08 Faro Technologies, Inc. Three-dimensional scanner with dichroic beam splitters to capture a variety of signals
DE102009057101A1 (en) 2009-11-20 2011-05-26 Faro Technologies, Inc., Lake Mary Device for optically scanning and measuring an environment
US9113023B2 (en) 2009-11-20 2015-08-18 Faro Technologies, Inc. Three-dimensional scanner with spectroscopic energy detector
US8630314B2 (en) 2010-01-11 2014-01-14 Faro Technologies, Inc. Method and apparatus for synchronizing measurements taken by multiple metrology devices
GB2489651B (en) 2010-01-20 2015-01-28 Faro Tech Inc Coordinate measurement machines with removable accessories
US9607239B2 (en) 2010-01-20 2017-03-28 Faro Technologies, Inc. Articulated arm coordinate measurement machine having a 2D camera and method of obtaining 3D representations
US8276286B2 (en) 2010-01-20 2012-10-02 Faro Technologies, Inc. Display for coordinate measuring machine
US9163922B2 (en) 2010-01-20 2015-10-20 Faro Technologies, Inc. Coordinate measurement machine with distance meter and camera to determine dimensions within camera images
DE112011100290T5 (en) 2010-01-20 2013-02-28 Faro Technologies Inc. Coordinate measuring machine with an illuminated probe end and operating method
US8615893B2 (en) 2010-01-20 2013-12-31 Faro Technologies, Inc. Portable articulated arm coordinate measuring machine having integrated software controls
US8832954B2 (en) 2010-01-20 2014-09-16 Faro Technologies, Inc. Coordinate measurement machines with removable accessories
US9628775B2 (en) 2010-01-20 2017-04-18 Faro Technologies, Inc. Articulated arm coordinate measurement machine having a 2D camera and method of obtaining 3D representations
US8638446B2 (en) 2010-01-20 2014-01-28 Faro Technologies, Inc. Laser scanner or laser tracker having a projector
US8898919B2 (en) 2010-01-20 2014-12-02 Faro Technologies, Inc. Coordinate measurement machine with distance meter used to establish frame of reference
US9879976B2 (en) 2010-01-20 2018-01-30 Faro Technologies, Inc. Articulated arm coordinate measurement machine that uses a 2D camera to determine 3D coordinates of smoothly continuous edge features
US8677643B2 (en) 2010-01-20 2014-03-25 Faro Technologies, Inc. Coordinate measurement machines with removable accessories
US8875409B2 (en) 2010-01-20 2014-11-04 Faro Technologies, Inc. Coordinate measurement machines with removable accessories
DE102010011841B4 (en) * 2010-03-11 2015-06-18 Carl Zeiss Industrielle Messtechnik Gmbh Method for validating a measurement result of a coordinate measuring machine
DE102010020925B4 (en) 2010-05-10 2014-02-27 Faro Technologies, Inc. Method for optically scanning and measuring an environment
US9168654B2 (en) 2010-11-16 2015-10-27 Faro Technologies, Inc. Coordinate measuring machines with dual layer arm
US9069725B2 (en) 2011-08-19 2015-06-30 Hartford Steam Boiler Inspection & Insurance Company Dynamic outlier bias reduction system and method
JP2013089804A (en) * 2011-10-19 2013-05-13 Renesas Electronics Corp Screening device for semiconductor device, screening method for semiconductor device, and program
DE102012100609A1 (en) 2012-01-25 2013-07-25 Faro Technologies, Inc. Device for optically scanning and measuring an environment
US8997362B2 (en) 2012-07-17 2015-04-07 Faro Technologies, Inc. Portable articulated arm coordinate measuring machine with optical communications bus
US9513107B2 (en) 2012-10-05 2016-12-06 Faro Technologies, Inc. Registration calculation between three-dimensional (3D) scans based on two-dimensional (2D) scan data from a 3D scanner
US10067231B2 (en) 2012-10-05 2018-09-04 Faro Technologies, Inc. Registration calculation of three-dimensional scanner data performed between scans based on measurements by two-dimensional scanner
DE102012109481A1 (en) 2012-10-05 2014-04-10 Faro Technologies, Inc. Device for optically scanning and measuring an environment
EP3514700A1 (en) * 2013-02-20 2019-07-24 Hartford Steam Boiler Inspection and Insurance Company Dynamic outlier bias reduction system and method
US10409891B2 (en) 2014-04-11 2019-09-10 Hartford Steam Boiler Inspection And Insurance Company Future reliability prediction based on system operational and performance data modelling
DE102015122844A1 (en) 2015-12-27 2017-06-29 Faro Technologies, Inc. 3D measuring device with battery pack
DE102018214600A1 (en) * 2018-08-29 2020-03-05 Robert Bosch Gmbh Method for providing sensor data of a sensor and sensor system
US11636292B2 (en) 2018-09-28 2023-04-25 Hartford Steam Boiler Inspection And Insurance Company Dynamic outlier bias reduction system and method
US11615348B2 (en) 2019-09-18 2023-03-28 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
US11328177B2 (en) * 2019-09-18 2022-05-10 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models
US11288602B2 (en) 2019-09-18 2022-03-29 Hartford Steam Boiler Inspection And Insurance Company Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS57139607A (en) * 1981-02-23 1982-08-28 Hitachi Ltd Position measuring equipment
DE4230068A1 (en) * 1992-09-09 1994-03-10 Tzn Forschung & Entwicklung Method and device for contactless checking of the surface roughness of materials
DE4335700A1 (en) * 1993-10-20 1995-04-27 Bosch Gmbh Robert Method and device for monitoring the function of a sensor
US5792062A (en) * 1996-05-14 1998-08-11 Massachusetts Institute Of Technology Method and apparatus for detecting nonlinearity in an electrocardiographic signal
DE19839830A1 (en) * 1998-05-08 1999-11-11 Intecu Ges Fuer Innovation Tec Precision optical distance measuring method e.g. for contactless measurement of 3-dimensional objects
DE19900737C2 (en) * 1999-01-12 2001-05-23 Zeiss Carl Method for correcting the measurement results of a coordinate measuring machine and coordinate measuring machine
DE19923588C2 (en) * 1999-05-22 2001-04-19 Forschungszentrum Juelich Gmbh Process for the acquisition and evaluation of measurement data and for the implementation of the process suitable computer and logic module
JP3821739B2 (en) * 2002-03-22 2006-09-13 株式会社ミツトヨ Measurement data shaping method
DE10242852A1 (en) * 2002-09-14 2004-03-25 Technische Universität Ilmenau Abteilung Forschungsförderung und Technologietransfer Surface geometry measurement method in which interference in the coordinate points related to form element calculation is minimized by filtering of the points using both balancing and recognition methods
US6885980B2 (en) * 2003-02-18 2005-04-26 Mitutoyo Corporation Signal-processing method, signal-processing program, recording medium, storing the signal-processing program and signal processor
JP2005201869A (en) * 2004-01-19 2005-07-28 Mitsutoyo Corp Signal-processing method, signal-processing program, recording medium with the program stored, and signal processing apparatus
EP1783454B1 (en) * 2005-11-08 2009-09-16 Mitutoyo Corporation Form measuring instrument

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO2006005300A1 *

Also Published As

Publication number Publication date
CN1950671A (en) 2007-04-18
WO2006005300A1 (en) 2006-01-19
US20070105238A1 (en) 2007-05-10
DE102004032822A1 (en) 2006-03-23

Similar Documents

Publication Publication Date Title
EP1763654A1 (en) Method for processing measured values
DE10062254C2 (en) Method and device for characterizing a surface and method and device for determining a shape anomaly of a surface
DE102007032698B3 (en) Method for determining a display image
DE102008041524B4 (en) Method and device for carrying out three-dimensional measurements
EP2019283A2 (en) Method and device for measuring actual data on a component
DE69618913T2 (en) Verification of an interactive office system
DE10062251A1 (en) Device and method for checking the quality of a body
EP4072808B1 (en) Computer-assisted method and device for testing the quality of exposed concrete
EP2865988B1 (en) Shape measuring light sensor
EP3649614B1 (en) Method for determining uncertainties in measurement data from the measurement of an object
DE102014115336A1 (en) Method for determining a local power and device therefor
EP3805693A1 (en) Validation of test plans for object measurement using a coordinate measuring device
DE10328523B4 (en) Method and measuring device for non-contact measurement of a contour of a surface
DE102021002570A1 (en) Calibration device for calibrating sensors
DE10152038C5 (en) Method for the optoelectronic determination of thread parameters
DE102017127401A1 (en) Non-contact deformation measurement
DE19900737C2 (en) Method for correcting the measurement results of a coordinate measuring machine and coordinate measuring machine
EP2752724A1 (en) Method for monitoring of field devices, controller, program element and computer-readable medium
EP1988506A2 (en) Method for automatically determining testing areas, testing method and testing system
WO2019057549A1 (en) Method for recognizing the geometry of a portion of an object
DE102019220364A1 (en) Calibration device and method for calibrating a device
DE112018002349T5 (en) Manufacturing method of a residual fuel quantity detection device and manufacturing method of a fuel supply module
DE102007006192B4 (en) Method and device for determining a plurality of measured values
DE102020129060B3 (en) Method for determining a threshold value curve of an ultrasonic sensor device of a motor vehicle, computer program product, computer-readable storage medium and ultrasonic sensor device
EP3798570B1 (en) Optical measuring system and method for calibrating an optical measuring system, and calibration object for an optical measuring system

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20060620

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): DE FR GB

DAX Request for extension of the european patent (deleted)
RBV Designated contracting states (corrected)

Designated state(s): DE FR GB

17Q First examination report despatched

Effective date: 20090625

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20091106