3. Das Messergebnis
3. Das Messergebnis
3. Das Messergebnis
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
<strong>3.</strong> <strong>Das</strong> <strong>Messergebnis</strong><br />
Was ist ein <strong>Messergebnis</strong> ?<br />
• Wiederholung der Messung<br />
• Wahrer Wert ?<br />
• Mehrere Einflussgrößen<br />
• Fehlerbetrachtung<br />
1
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
<strong>Messergebnis</strong><br />
Vorgehensweise für<br />
<strong>Messergebnis</strong><br />
1. Bestimmung des „bekannten systematischen Fehlers“<br />
2. Aufnahme der Messwerte<br />
<strong>3.</strong> Bestimmung des Mittelwerts µ und der empirischen<br />
Standardabweichung s<br />
4. Korrektur des Mittelwerts um den bekannten systematischen<br />
Fehler mit dem Ergebnis M als Schätzwert<br />
für den wahren Wert<br />
5. Berechung der Messunsicherheit u nach<br />
Dabei ist t je nach gewünschter Sicherheit<br />
und Zahl der Messwerte zu wählen<br />
6. Angabe des <strong>Messergebnis</strong> als<br />
M ± u<br />
u t s<br />
=<br />
n<br />
2
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
Anzahl<br />
Messwerte<br />
2<br />
5<br />
10<br />
20<br />
50<br />
100<br />
>200<br />
Vertrauensbereich<br />
t für<br />
68,26 %<br />
1,84<br />
1,14<br />
1,06<br />
1,03<br />
1,01<br />
1,01<br />
1<br />
90 %<br />
6,31<br />
2,13<br />
1,83<br />
1,73<br />
1,68<br />
1,66<br />
1,65<br />
95 %<br />
12,71<br />
2,78<br />
2,26<br />
2,09<br />
2,01<br />
1,98<br />
1,96<br />
99,5 %<br />
127,32<br />
5,6<br />
3,69<br />
3,17<br />
2,94<br />
2,87<br />
2,81<br />
gut: Studentfaktor t=2, Vertrauensgrenzen (1-a) = 95%<br />
Fehlerfortpflanzung<br />
für systematische Fehler<br />
Die Fehler der einzelnen Einflussgrößen wirken sich<br />
über die partiellen Ableitungen auf den Gesamtfehler aus:<br />
n<br />
∂f<br />
∂f<br />
∂f<br />
∆y= ∆x1+ ... + ∆xn= ∑ ∆x<br />
∂x<br />
∂x<br />
∂x<br />
1<br />
Dabei ist angenommen, dass die Fehler ∆x i so klein sind,<br />
dass sich höhere Glieder der Taylorreihe nicht auswirken.<br />
n<br />
i=<br />
1<br />
i<br />
i<br />
3
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
Fehlerfortpflanzung für<br />
zufällige Fehler<br />
Entwicklung in Taylorreihe:<br />
y<br />
n<br />
2 ∑ x j<br />
i=<br />
1<br />
2<br />
x j<br />
s = G ⋅s<br />
G<br />
x<br />
j<br />
∂Gx<br />
( )<br />
=<br />
∂x<br />
Gewichteter Mittelwert der Einzelvarianzen<br />
j<br />
Dieser Zusammenhang wird auch als<br />
Gaussches Fehlerfortpflanzungsgesetz<br />
bezeichnet<br />
Erläuterungen zur<br />
Fehlerfortpflanzung<br />
x<br />
4
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
Vorlesung<br />
Früher: Allgemeine Messtechnik<br />
Nun: Qualitätsmanagement<br />
Anwendung der Statistik in der Messtechnik<br />
•Vorhersage von Zuverlässigkeit<br />
•Folgerungen aus <strong>Messergebnis</strong>sen ziehen<br />
Statistische Versuchsplanung und Optimierung<br />
•Verfahren der industriellen Optimierung<br />
•Minimaler Aufwand und Einsatz von Personal<br />
Qualitätsmanagement und -kontrolle<br />
•ISO 9000<br />
•Statistische Verfahren zur Kontrolle von Prozessen<br />
Aufnahme von Messkurven<br />
• Abhängigkeit einer Ausgangsgröße von einer<br />
Eingangsgröße<br />
• Ermittlung eines funktionalen Zusammenhangs<br />
• Nährung durch<br />
1)Interpolation (Stützstellen getroffen)<br />
2) Verfahren der kleinsten Abstandsquadrate<br />
n<br />
2<br />
∑( f( xi) −yi) ⇒min<br />
i=<br />
1<br />
Approximation durch Polynom (< <strong>3.</strong> Grades !)<br />
Residuen normalverteilt<br />
(Spline-Funktionen)<br />
5
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
Ausgleichsrechnung<br />
Regression<br />
Der einfachste Ansatz ist die lineare Regression:<br />
y′ = a + ax + a x + + a x<br />
0 1 1 2 2 ...<br />
Es sollen alle quadratischen Abweichung von der<br />
Ausgleichsgeraden minimal sein:<br />
<strong>Das</strong> ist erfüllt für y′ = a + ax mit<br />
m<br />
n n<br />
2<br />
F = ∑( y − y′<br />
) → min.<br />
µ = 1<br />
µ µ<br />
0 1 1<br />
a y ax und<br />
0 = − a1<br />
=<br />
1 1<br />
∑<br />
m<br />
µ = 1<br />
1µ<br />
µ<br />
m<br />
2 ∑ ( x1−x) µ = 1 µ<br />
( x −x)( y −y)<br />
Regressionskonstante Regressionskoeffizient<br />
6
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
Erläuterungen zur Regression<br />
Kalibrieren<br />
Zum Kalibrieren wird das Messgerät mit einem Gebrauchsnormal<br />
verglichen. Dabei stellt man die Abweichungen des<br />
Ausgangs des Messgeräts von genau vorgegebenen<br />
Eingangssignalen fest.<br />
Die Abweichungen werden in Form einer Kennlinie<br />
(Approximation)festgehalten.<br />
Korrektur durch<br />
1) Messwert korrigieren<br />
2) Fehlertabelle oder Korrekturfunktion ins Gerät einbauen<br />
3) Justierung: Einstellung des Messgeräts auf minimalen<br />
Fehler<br />
Eichen darf nur das Eichamt !<br />
7
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
Ermittlung der Kennlinie<br />
• Spezielle Messkurve:<br />
Zusammenhang Messgröße - Anzeigegröße<br />
•Aufnahme: Änderung der Messgröße mit Hilfe eines<br />
Gebrauchsnormals in diskreten Schritten und<br />
Aufnehmen der Ausgangswerte.<br />
•Physikalisches Modell des Sensors:<br />
freie Parameter geben Mindestzahl der erforderlichen<br />
Stützstellen.<br />
Mit Hilfe verschiedener Verfahren werden daraus die<br />
Zwischenwerte ermittelt. Die Interpolationsverfahren sollen<br />
mit minimaler Abweichung die wahre Kennlinie<br />
rekonstruieren.<br />
Kennlinie<br />
• Empfindlichkeit E = dx a / dx e<br />
• Lebender / Unterdrückter Nullpunkt<br />
• Ersatz durch Tangente (Taylorreihe)<br />
x a = f(x e )<br />
8
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
x a<br />
Lebender Nullpunkt<br />
lebender<br />
Nullpunkt<br />
unterdrückter<br />
Nullpunkt<br />
lebender Nullpunkt:<br />
Messbereitschaft und<br />
Kabelfehler erkennbar<br />
unterdrückter Nullpunk<br />
größere Empfindlichkeit,<br />
da Skalenspreizung<br />
Mathematische<br />
Kennlinienbeschreibung<br />
Interpolation<br />
Polynome (oft stückweise linear = Polygonzug)<br />
Sehr gut bei nahezu linearen Kennlinien<br />
Abweichung von Normkennlinie<br />
Polynom 2. Ordnung, auch bei nicht-linearen<br />
Kennlinien. Entweder f(T) - f N (T) (d.h. Abw. von<br />
Messgröße) oder f(T A ) - f N (T A ) (d.h. Abw. vom<br />
Anzeigewert)<br />
Splines (oft kubische Splines)<br />
Unsicherheit an Kalibrierpunkten<br />
Dazwischen: Fehlerfortpflanzung berechenbar<br />
(Bei Splines nicht)<br />
Approximation<br />
least-square-fit<br />
weniger Parameter (m) als Stützstellen (N)<br />
mindestens N ≥ m + 2, gut N ≥ m + 5<br />
x e<br />
9
3<br />
emg<br />
GEM<br />
3<br />
emg<br />
GEM<br />
Approximation<br />
Wie erhalte ich zu den gegebenen Messwerte einer<br />
Kennlinie eine Funktion, die durch alle diese Punkte geht ?<br />
Numerische Verfahren zur Approximation und Interpolation<br />
finden Sie im Bronstein im Kapitel nur Numerischen<br />
Mathematik<br />
Beispiel: Lagrange-Polynome<br />
n<br />
∑<br />
i=<br />
0<br />
gx ( ) = yL( x)<br />
i<br />
i<br />
L( x)=<br />
i<br />
n<br />
∏<br />
j=<br />
0<br />
j≠i x−x x − x<br />
j<br />
i j<br />
<strong>Das</strong> Polynom hat bei n Messwerten den Grad n-1 !<br />
Erläuterungen zur Kennlinie<br />
10
3<br />
emg<br />
GEM<br />
Zusammenfassung<br />
<strong>Messergebnis</strong><br />
Vertrauensbereich<br />
Fehlerfortpflanzung<br />
Ausgleichsrechnung = Regression<br />
Kennlinie<br />
Nächste Vorlesung: Zeitabhängige Größen<br />
11