Zastosowanie sztucznej inteligencji w pomiarach nierówności powierzchni
The application of artificial intelligence in surface measurements
Projekt dofinansowany ze środków budżetu państwa w ramach programu „Polska Metrologia II”, ogłoszonego Komunikatem Ministra Edukacji i Nauki z dnia 25 lipca 2023 r
Projekt realizowany w ramach konsorcjum, w skład którego wchodzą: Politechnika Krakowska, Politechnika Poznańska (lider), Politechnika Świętokrzyska oraz Politechnika Warszawska
- Nr projektu: PM-II/SP/0104/2024/02
- Akronim projektu: AI-GUM-PM-II
- Kwota dofinansowania dla PŚk: 216 018,00zł zł
- Całkowita wartość projektu: 999 900,00 zł
- Data rozpoczęcia projektu: 01.02.2024 r.
- Okres finansowania: 24 miesiące
Kierownik projektu z ramienia PŚk: dr hab. inż. Krzysztof Stępień prof. PŚk
Projekt ma na celu wsparcie prowadzenia przez zespół składający się z pracowników Politechnik: Krakowskiej, Poznańskiej, Świętokrzyskiej i Warszawskiej, we współpracy z Głównym Urzędem Miar, badań naukowych w obszarze zastosowań sztucznej inteligencji w metrologii powierzchni. Projekt ma służyć podniesieniu poziomu zdolności badawczych instytucji oraz wzmocnieniu kapitału intelektualnego w obszarach zastosowań sztucznej inteligencji w zaawansowanych technikach pomiarowych. W ramach projektu kontynuowane będą prace rozpoczęte w ramach pierwszej edycji projektu Polska Metrologia, na rzecz zastosowań algorytmów sztucznej inteligencji, w tym uczenia maszynowego, prostych sieci neuronowych oraz konwolucyjnych sieci w pomiarach nierówności powierzchni. W ramach nowej inicjatywy, opracowane rozwiązania, pozwolą na wstępne, szybkie opracowanie scenariuszy pomiarowych, w tym doboru rodzaju metody pomiarowej, systemu pomiarowego, rodzaju głowicy pomiarowej, wstępnych parametrów pomiarowych, rodzaju i stopnia filtracji danych. Opracowane algorytmy pozwolą na zaawansowane wsparcie metrologów przy podejmowaniu nietrywialnych decyzji w opracowaniu scenariuszy pomiarowych, których złożoność w dobie Przemysłu 4.0 dynamicznie wzrasta. Należy podkreślić, że proponowane rozwiązania będą w pełni skalowalne, zarówno w zakresie danych wejściowych jak i możliwości rozbudowania danych wyjściowych.
