„Analiza możliwości zastosowania sztucznej inteligencji w pomiarach nierówności powierzchni” realizowany w ramach konkursu „Polska Metrologia”
Kierownik projektu ze strony PW: dr inż. Tomasz Kowaluk
Okres realizacji: 07.2022-06.2024
Przyznane środki na realizację zadań: 999 900 PLN
Przyznane środki na realizację zadań na PW: 208 560 PLN
Projekt realizowany przez konsorcjum składającego się z Politechnik: Poznańskiej (Lider), Krakowskiej, Świętokrzyskiej i Warszawskiej realizujących projekt NSMET Narodowa Sieć Metrologii współrzędnościowej wpisany na Polską Mapę Infrastruktury Badawczej. Zagadnienia realizowane w ramach niniejszego projektu są zgodne z agendą badawczą projektu NSMET, są również komplementarne w odniesieniu do agendy badawczej projektu „Świętokrzyski Kampus Laboratoryjny Głównego Urzędu Miar (ŚKLGUM)” realizowanego przez Główny Urząd Miar. Wpisuje się również w cele programu „Polska metrologia” poprzez prowadzenie we współpracy z Prezesem Głównego Urzędu Miar, badań naukowych w obszarach związanych z polską metrologią.
Projekt ma na celu analizę możliwości implementacji sztucznej inteligencji, uczenia maszynowego oraz zagadnień sieci neuronowych w metrologii nierówności powierzchni dla wybranych parametrów chropowatości i topografii powierzchni, w zależności od zastosowanej techniki pomiarowej. Technika pomiarowa powinna zależeć od zadania pomiarowego m.in. w zakresie rodzaju mierzonej powierzchni i możliwości jej digitalizacji, oczekiwanej rozdzielczości pomiaru, niepewności pomiaru, czasu pomiaru oraz oczekiwanych do wyznaczenia parametrów powierzchni z uwzględnieniem szerokiego zagadnienia filtracji danych. Należy podkreślić, że proponowane rozwiązanie jest w pełni skalowalne, zarówno w zakresie danych wejściowych jak i możliwości rozbudowania danych wyjściowych.
Pierwszym etapem projektu jest pozyskanie danych nt. różnych powierzchni (po różnych rodzajach wytwarzania i obróbki), zebranych wieloma technikami pomiarowymi, stykowymi i bezstykowymi, realizowanymi z różnymi parametrami pomiarowymi oraz procedurami filtracji wyników, jako duży zbiór danych wejściowych do późniejszego tworzenia i implementacji algorytmów uczenia maszynowego.
Drugim etapem projektu będzie szacowanie niepewności dla pomiarów nierówności powierzchni pozyskanych za pomocą różnych technik pomiarowych zrealizowanych w etapie pierwszym.
Trzecim etapem projektu będzie przygotowanie zebranych danych pomiarowych w formie odpowiedniej dla implementacji uczenia maszynowego, zebrane wyniki pomiarów poddane analizie i filtracji zgodnie z obowiązującą terminologią metrologiczną, zostaną przygotowane w formie zbiorów zależnych od: ich postaci (obrazy, dane liczbowe), parametrów pomiarów, rodzaju użytych filtrów danych, parametrów charakteryzujących nierówności powierzchni, oszacowanych niepewności pomiarów. Umożliwi to, szybką implementację danych w późniejszym procesie nadzorowanego uczenia sieci neuronowych.
Czwarty etap projektu obejmie opracowanie możliwości implementacji sztucznej inteligencji oraz uczenia maszynowego w aspektach wspomaganego doboru parametrów pomiarowych przy zastosowaniu stykowych i bezstykowych urządzeń do pomiaru nierówności powierzchni. Implementacja dotyczyć będzie również złożonej problematyki wpływu rodzaju i stopnia filtracji danych na mierzone parametry metrologiczne z użyciem różnych technik pomiarowych. W zależności od rodzaju mierzonego przedmiotu oraz wymaganych do jego oceny parametrów nierówności powierzchni, techniki pomiarowej, zdolności rozdzielczej, niepewności pomiaru oraz innych informacji wstępnych, opracowany algorytm w wyznaczonym zakresie, wyręczy operatora przed dokonaniem pomiaru, w doborze techniki pomiarowej z bazy dostępnych urządzeń metrologicznych, prędkości pomiaru, gęstości próbkowania, rodzaju i stopnia stosowanej filtracji danych. W algorytmach AI doboru urządzeń metrologicznych w dalszej perspektywie możliwa będzie implementacja baz urządzeń, sporządzonych np. w ramach Polskiej Unii Metrologicznej.
Opracowane rozwiązania zostaną poddane walidacji w oparciu o wybrane parametry chropowatości (2D) i topografii powierzchni (3D).