Data fusion for process optimization and surface reconstruction

The main purpose of this thesis is to explore new approaches for reconstructing a surface starting from different sources of information, which have to be appropriately fused. Surface is meant in a broad sense, both as the geometric pattern of a physical object to be inspected and as the surface representing a response function to be optimized. The first part of the PhD thesis focuses on the reconstruction of the surface geometry via data fusion. In this case, it is assumed that multiple sensors are acquiring the same surface, providing different levels of data density and/or accuracy/precision. The thesis starts exploring the performance of a two-stage method, where Gaussian Processes (also known as kriging) are appropriately used as modeling tool to combine the information provided by the two sensors. Then, the thesis faces the problem of suggesting a data fusion method when large point clouds, i.e., “big data” (as the ones commonly provided by non contact measurement systems) have to be managed. In this case, the use of Gaussian Processes poses some computational challenges and this is why a different method based on multilevel B-spline is proposed. As a second contribution, the thesis presents a novel method for data fusion, where the uncertainty of the specific measurement system acquiring data is appropriately included in the data fusion model to represent the uncertainty propagation. Eventually, the thesis faces the problem of using surface modeling to quickly detect possible out-of-control states of the machined surface. Starting from a real case study of laser-textured surface, an approach to combine surface modeling with statistical quality control is proposed and evaluated. The second part of the PhD thesis focuses on using data fusion for process optimization. In this second application, data provided by computer simulations and real experiments are fused to reconstruct the response function of a process. In this case, the aim is to find the best setting of the process parameters to maximize the process performance. It is shown how data fusion can be effectively used in this context to reduce the experimental efforts.

L'obiettivo della tesi è di esplorare nuovi approcci per la ricostruzione di superfici nel caso in cui le informazioni provengano da diverse sorgenti, le quali devono essere appropriatamente collegate. Vengono considerate sia superfici che rappresentano la geometria di un oggetto fisico che deve essere ispezionato, sia la superficie di risposta di un processo che deve essere ottimizzato. La prima parte della tesi si focalizza sulla ricostruzione di superfici geometriche attraverso il data fusion. In questo scenario si assume che la stessa superficie viene acquisita per mezzo di diversi sensori, caratterizzati da diversi livelli di numero di punti acquisiti e/o accuratezza/precisione. Le performance di un modello a due stadi, in cui i Processi Gaussiani (o kriging) vengono utilizzati come modello di collegamento tra le informazioni provenienti da due sensori diversi, vengono valutate. Successivamente viene proposto un modello data fusion quando grandi nuvole di punti sono disponibili (come quelle solitamente da sistemi di misura non a contatto). In questo caso il modello basato sui Processi Gaussiani non è utilizzabile, per cui viene proposto un modello basato sulle funzioni B-spline. Come secondo contributo, la tesi presenta un nuovo metodo per la fusione dei dati, in cui l'incertezza del sistema di misura utilizzato per acquisizione dei dati è viene incorporata nel modello di fusione per rappresentare la propagazione incertezza. Infine, la tesi affronta l'utilizzo di modellazione di superfici per rilevare rapidamente possibili stati di fuori controllo della superficie lavorata. Partendo da un caso studio reale di una superficie strutturata ottenuta mediante surface laser texturing, un approccio di combinare la modellazione di superfici con controllo statistico della qualità viene proposto e valutato. La seconda parte della tesi si concentra sull'utilizzo del data fusion per l'ottimizzazione dei parametri di un processo. In questa seconda applicazione, i dati provenienti dalle simulazioni e dagli esperimenti fisici sono fusi per ricostruire la funzione di risposta di un processo. In questo caso, lo scopo è quello di trovare la migliore impostazione dei parametri di processo per massimizzare le prestazioni del processo. Si è mostrato come la fusione dei dati può essere utilizzata efficacemente in questo contesto per ridurre gli sforzi sperimentali.