CN107209874A - 具有人工神经网络的非接触式位置/距离传感器及其操作方法 - Google Patents
具有人工神经网络的非接触式位置/距离传感器及其操作方法 Download PDFInfo
- Publication number
- CN107209874A CN107209874A CN201480084568.4A CN201480084568A CN107209874A CN 107209874 A CN107209874 A CN 107209874A CN 201480084568 A CN201480084568 A CN 201480084568A CN 107209874 A CN107209874 A CN 107209874A
- Authority
- CN
- China
- Prior art keywords
- sensor
- signal
- artificial neural
- neural network
- sensor element
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- H—ELECTRICITY
- H10—SEMICONDUCTOR DEVICES; ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
- H10N—ELECTRIC SOLID-STATE DEVICES NOT OTHERWISE PROVIDED FOR
- H10N52/00—Hall-effect devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)
Abstract
本发明涉及一种用于确定目标对象的距离、空间定向、材料属性等的非接触式位置和/或距离传感器,并且就一种用于根据本发明的操作非接触式位置和/或距离传感器的方法而言,设有具体地是至少两个传感器元件,所述至少两个传感器元件形成传感器模块(100),并且借助至少一个人工神经网络(110)共同评估由所述至少两个传感器元件提供的信号(103)。
Description
技术领域
本发明涉及一种非接触式位置和/或距离传感器和/或一种用于根据独立权利要求操作所述非接触式位置和/或距离传感器的方法。
背景技术
在计量领域,已知非接触式工作的位置和/或距离传感器。文件US 5 898 304A1公开具有人工神经网络(ANN)的对应传感器布置,其中设有电感应线圈和估算单元,可借助所述电感应线圈和评估单元检测、处理和评估相应测量的感应信号。
本文描述的ANN包括输入层、至少一个(隐蔽)中间层、输出层和设置在两个单独层之间的连接点处的权重。在学习或培训阶段确定加权因子的合适值,其中在具有已知材料的多个不同目标对象(目标)上并且距传感器已知距离进行试验测量。传感器布置意图适合用于确定距离和厚度,而不管考虑中的目标对象的材料。
就前述距离测量系统而言,由测量线圈测量测量的感应信号或感应数据经受借助于人工神经网络(ANN)的光谱分析。这种情况的基础是测量光谱对距目标对象的空间距离的依赖性。就光谱分析而言,具体对随时间改变的测定量进行数值计算,更确切地说在当前情况下为电压和电流。然而,前述数值计算要求大量的计算工作并且因此妨碍传感器的紧凑设计和经济性实现方式。
文件EP 1 462 661 A1公开一种用于流体活塞-气缸布置的位置传感器,所述位置传感器具有多个基本相同的传感器元件,借助所述多个基本相同的传感器元件覆盖大的检测范围。具体地,在此情况下选择传感器元件的与评估和/或进一步处理最相关的信号。在本文中传感器布置包括由布置在气缸壁中的霍耳效应传感器形成的传感器阵列,所述传感器阵列具有在活塞的移动方向上彼此间隔的至少两个霍尔效应传感器并且还具有可通过电流作用的线圈。具体地,可借助由线圈产生的磁场根据线圈电流调节霍尔效应传感器的切换点。这种方法不仅实现对单独霍尔效应传感器的电子选择,而且实现单独霍尔效应传感器之间的内插,由此霍尔效应传感器的数目可保持低,同时具有高精度的位置检测。
文件DE 197 51 853 A1公开一种用于具有分离检测区域的感应位置传感器的扫描器元件,所述感应位置传感器还包括具有相同或相似测量原理的传感器元件。检测区域由交替布置的导电不导电分区组成,其中扫描器元件包括载体元件,用于产生均匀电磁激励场的多个激励元件以及一或多个扁平传感器绕组布置在所述载体元件上。具体地,具有不同周期性的传感器绕组的两个相邻扫描轨迹和与扫描轨迹侧向相邻的相应激励元件布置在载体元件上,使得在扫描轨迹区域中形成均匀的电磁激励场。
此外,文件WO 94/08258 A1公开一种用于对物体沿着通道的移动进行分类的方法,其中使用沿着物体的移动方向布置并且布置在通道内的多个传感器以便检测物体。这里,对应通过事件的片段化表示借助人工神经网络进行分类。
发明内容
本发明的问题是指定以上提及类型的位置传感器和/或距离传感器,其进一步发展本文详述的现有技术。
本发明基于使位置传感器和/或距离传感器配备有至少两个探针或传感器元件以及联合地评估借助人工神经网络从至少两个传感器元件递送的测量信号的概念。
对应测量单元优选地具有至少两个传感器元件,所述至少两个传感器元件可被经测量变量以及可能的测量和环境条件影响并且具有物理上等效或类似的测量或操作原理,但是优选地具有不同的特征曲线。具有先前提及的人工神经网络的对应评估单元优选地被校准过程或者教授/学习过程训练。
就根据本发明的位置传感器和/或距离传感器而言,可提出至少两个传感器元件静态地或动态地操作,例如在脉冲操作下操作。
就先前提及的校准或学习过程而言,人工神经网络在不同条件下关于特定测量变量被优选地针对每个传感器元件训练,从而使得可确定测量变量与这些条件无关。因此,当产生训练数据记录时可将传感器元件和/或测量电子设备的任何不准确考虑在内时,使得由于根据本发明对人工神经网络的信号评估的稳健性增大,对应制造公差对后续测量基本没有影响。
就固有地已知制造过程而言,如果人工神经网络对与温度无关的评估功能的训练需要记录每个传感器在广泛温度范围内的直接测量信号(具体地由于取决于温度的信号检测所需的浪费长时间段),那么可能是不利的。除了与温度相关的训练数据检测之外,还可检测制造温度数据,并且训练数据记录可补充有模拟测量信号以实现其他温度值。
出于以上提及的原因,可另外使用经济性传感器元件(例如具有磁场探针或印刷线圈的那些)。优化的印刷电路板技术也可用于电感式和电容式位置和/或距离传感器,其中生产成本、信号强度和任何潜在客户专属限制(例如外壳、安装尺寸等)被视作主要优化参数,这与借助电子信号处理或基于方程的数学评估进行的主要测量信号的评估相比简单得多。
另外,可提供与现有技术相反具有显著更大的可能测量长度与出于此目的所必须的传感器长度的比率的位置/距离传感器,实际上具有实际无限制测量能力的任何设计(例如,客户专用设计)也是可能的。
人工神经网络的使用另外实现测量结果的延伸评估,包括误差和功能诊断,并且出于预设或校准位置/距离传感器目的设想用户友好型设定帮助。
先前提及的校准或教授/学习过程的执行根据给定测量情形具有以下另外优点中的一或多个:
-以上提及的单独传感器元件的特性曲线或(交叉)灵敏度之间的差异在至少两个传感器信号评估中被减去并且甚至不再包括在评估中。
-有待测量的目标对象(对象)的材料属性相应地同样不对评估产生影响。
-关于传感器元件布置、更确切地说关于其在纵向方向上的间隔(其在适当情况下应尽可能等距)和在横向方向上的偏差的可能的不规则性同样对评估没有影响。
-评估并不假定当前测量变量与实际测量信号之间或者其他变量与测量信号之间的任何分析或基于法律的关联或评估算法,因为人工神经网络(大范围的复杂非线性系统可由其模拟或模仿)可基于合适的训练数据来训练。评估并不需要规则特性曲线,即,评估并不需要线性或非线性相关(1/x、1/x2或sin/cos等)。
-传感器元件并不是必须屏蔽周围感应影响(例如,安装、辐射、外部磁场等)。这是因为如果以上提及的对测量变量或测量信号的影响不能被单独分析但是测量信号包含/获得有关测量变量的清晰信息,那么此信息由相应训练的ANN检索。
-评估并不需要对应评估单元的输出信号的任何后续处理。
-评估既不需要单独传感器元件的物理测量原理的均匀性也不需要其类似性。
-出于以上提及的原因,还可提供具有多个传感器元件(“多元件传感器”)的传感器,其中经递送传感器信号的评估并不依赖于对单独传感器元件的主要测量信号之间的相关和有待测量变量与以上提及的影响变量的了解。
-就以上提及的多元件传感器而言,这还可被设计为可以说是“通用探针”,其具有多个整合测量远离,其中不仅可检测金属,而且还可检测其他材料诸如塑料。
-借助相应一致的平台(其可与多个产品(目标)一起使用),还可减少位置/距离传感器的单独部件的成本。
就根据本发明的方法而言,前提条件还可以是至少一个人工神经网络递送输出信号,所述输出信号指示从至少两个传感器元件递送的信号的信号质量和/或由至少一个人工神经网络进行的评估的评估质量。从根据本发明的位置和/或距离传感器递送的结果因此甚至更加有意义。
最后,就根据本发明的方法而言,前提条件可以是从至少两个传感器元件递送的信号是静态或动态波形并且充当至少一个人工神经网络的输入信号。对此类波形的评估为根据本发明的评估或者为根据本发明的位置和/或距离传感器递送甚至更加可靠的位置和/或距离结果。
附图说明
图1示出根据本发明的包括人工神经网络(ANN)的位置/距离传感器的基本结构。
图2示出根据现有技术的人工神经网络(ANN)的原则上的结构。
图3示出本文关注的位置/距离传感器的两阶段评估设备的示例性实施方式。
图4-22示出根据本发明的位置和/或距离传感器的不同应用示例或不同示例性实施方式。
具体实施方式
从WO 2014/146623 A1已知本文包括的感应位置/距离传感器,所述传感器在脉冲激励模式下操作,其中由传感器元件中的目标对象致使的经检测瞬态感应电压被数字化并且借助人工神经网络(ANN)评估因此所获得的数字信号。ANN在本文中被训练成使得接近目标对象或目标的距离和/或位置被检测或识别为与其金属条件无关。或者,前提条件可以是与距离相反,目标对象的条件或质量有待被检测或确定为与实际距离无关。
根据本发明的位置/距离传感器包括多个传感器元件、具体而言包括至少两个传感器元件,由所述多个传感器元件递送的信号由ANN评估,其中这些传感器元件检测或感测一致物理变量或不同物理变量。另选地或除此之外,可提供同样相应地检测和评估测量情况和/或测量期间存在的环境条件,例如测量设备的金属安装或外壳或金属罩或者周围温度。并且,另选地或除此之外,可提供为了评估的目的对由单独传感器元件使用的物理原理进行分类,例如关于以下各项对其进行分类:传感器元件的几何结构或物理布置;从传感器元件递送的信号的均匀性;以及一或多个传感器元件的灵敏度、串扰行为、测量分辨率和可检测测量范围。
在下文描述的示例性实施方式中,将描述在一个、两个或三个方向或尺寸上的位置和/或距离测量,包括有待检测的目标对象的旋转移动的检测。另外,目标对象的空间移动或者同时目标对象的不同物理属性或材料变量也可利用本文描述的位置/距离传感器进行检测。
就下文描述的根据本发明的传感器而言,原则上可在以下三种传感器类型或传感器布置之间进行区分:
1.自身基本上完全相同的传感器元件的一维、二维或三维布置(阵列),其中单独传感器元件沿着有限区域、有限体积内的灵敏轴、灵敏圆或圆弧或者沿着不规则表面或轨迹布置。
2.根据相同或相似物理原理操作的传感器元件的布置(阵列)或群组(集群),其中所述传感器元件具有不同的测量属性,诸如主要相对于有待检测的测量变量并且可能地相对于上述不同测量情况和/或周围属性的不同灵敏度或交叉灵敏度。
3.各自根据不同物理原理操作的传感器元件的布置(阵列)或群组(集群),其中所述传感器元件例如依据主要相对于有待检测的测量变量并且可能地相对于上述不同测量情况和/或周围属性的不同灵敏度或交叉灵敏度。
就根据本发明的测量布置而言,次要测量原理区别于主要测量原理,例如,就感应测量而言,自感应或像变压器的传感器元件并不被认为是类似的,或者就光学主要测量原理而言,基于能量的传感器元件测量飞行时间和/或根据三角测量原理进行测量,也就是说,还考虑了根据不同物理原理操作的传感器元件。
另外,应指出可通过组合上述三种类型得出其他传感器类型。因此,根据类型1的布置可由自身完全相同的传感器单元形成,其中每个传感器单元具有电容性工作传感器元件和电感性工作传感器元件两者。这种类型的传感器单元接着提供两个主要测量信号。
还应指出传感器元件中的一或多个另外可包括温度换能器或温度传感器,以便检测上述对应周围温度(如上述环境条件)。
图1所示的根据本发明的用于检测目标对象的属性或参数(诸如目标对象的距离、位置或材料)的位置/距离传感器的基本结构主要包括预处理模块105,所述预处理模块105连接到传感器模块100使得信号和/或数据可在其间交换,以预处理从传感器模块100递送的至少两个主要或原传感器信号103。传感器模块100包括至少两个传感器元件(未示出),所述至少两个传感器元件提供上述至少两个主要传感器信号103。这种预处理模块还执行必要的信号适配以便将以此方式供应的信号107供应给人工神经网络(ANN)110。ANN 110的输出信号继而供应给后处理模块115,借助所述后处理模块115对从ANN 110递送的输出信号113进行后处理以借助输出模块120(例如屏幕模块120)进行对应显示,并且供应给输出模块120作为后处理信号117。借助输出模块120根据特定传感器类型在适当时候对例如电压大小或者对应信号的电流大小进行适配。
在本发明的示例性实施方式中,传感器模块100基于相同或不同物理测量原理包括具体预定数目的传感器元件(在此说明中未示出)。这些测量原理可以是电感、电容、光学、磁性、磁致伸缩或其他物理操作原理。传感器元件布置在传感器模块100内的预定几何位置。基于不同测量原理的传感器元件可以下文描述的合适方式一起工作或协作以便提高位置/距离传感器的检测质量或灵敏度。
借助由预处理模块105预处理的上述信号,可执行主要传感器信号103的归一、放大、缩放、数字化、扫描速率减少、滤波、优先评估、截断(即,信号分量分离或者对应信号减少)等,借助其产生或优化ANN 110所必须的输入数据107的必要数据质量和/或必要数据格式。就此信号预处理而言,可使用人工神经网络领域的技术人员众所周知的合适的数学方法。由于信号预处理,预处理信号107的数目和/或内容可清楚地区别于主要传感器信号103。
ANN 110具有图2所示的输入层(预处理传感器信号供应给所述输入层)、至少一个隐藏中间层(也在图2中示出)和具体数目的输出神经元,借助所述输出神经元产生ANN 110的输出数据。
神经网络被训练成使得其从供应的测量信号107提取对应于有待检测的目标对象(目标)的对应参数的具体参数。这些参数例如是传感器模块100与目标对象之间的距离、传感器元件上方的目标对象的位置、目标对象的材料、目标对象的机械强度和/或表面属性等。ANN 110将预处理传感器信号107转换成输出信号或示出数据113,所述输出信号或示出数据113与目标对象的以上提及的属性相关。
借助上述后处理模块115,ANN 110的输出数据113另外可被滤波、截断、插补和/或改编成上述输出模块120的必要输入信号。输出模块120包括出于数据转换、信号放大和/或前述改编目的所必须的设备。
应指出由于借助ANN 110进行的数据处理,根据本发明准备的位置/距离传感器潜在地需要与现有技术相比更加强力的微控制器或者类似的数据采集和/或数据处理单元。由于下文描述的ANN的学习或校准,另外需要与现有技术相比更加强力的具有显著计算能力的校准装置。
ANN 110可被设置为固有地已知“前馈”网络并且作为同样固有地已知“复发(神经)网络”。图2示出本文包括的前馈ANN 110的典型结构。布置在输入层200与中间层210的神经元之间的连接线已经仅出于说明的目的以虚线方式示出。
ANN包括输入层200、至少一个中间层210(其不可见或者被隐藏(隐藏层))和输出层220。输入层200的每个输入节点或者每个输入神经元201-205经由预定权重因素207连接到布置在中间层210中的每个隐藏神经元211-216。布置在中间层210中的每个隐藏神经元211-216经由预定权重因素207连接到布置在输出层220中的每个输出神经元221。
假设ANN具有多于一个隐藏中间层210,那么所有输入神经元201-205接着经由预定权重因素连接到布置在第一中间层210中的每个神经元,其中先前隐藏的中间层的每个神经元经由预定权重因素连接到后续隐藏中间层的每个神经元,并且其中最后隐藏的中间层的所有神经元连接到输出层220的每个输出神经元。
每个神经执行由对应先前层提供并且通过预定权重因素起作用的值的固有地已知求和并且借助神经功能评估所得总和。在求和期间,可在每个神经元的输入端处添加对应阈值(“偏差”)或者向其添加对应阈值(“偏差”)。神经功能的评估结果构成相应神经元的输出值。固有地已知函数(例如至少局部线性函数、∑函数、双曲线函数或符号函数)可被认为是神经功能。
布置在输出层220中的唯一输出神经元221提供整个ANN 110的输出值。输入层200和输出层220连接到ANN 110的环境或者连接到预处理单元105和后处理单元115,然而前述隐藏层或中间层210不能直接从外部进入。
图3示出根据本发明具有二阶段评估模式的评估单元的示例性实施方式,其中布置有两个人工神经网络ANN1 400和ANN2 405。在本示例中,单独传感器元件基于相同物理原理工作并且形成一维或多维布置(阵列)。应指出一致物理测量原理并非二阶段或多阶段评估模式的这种应用的前提。
主要传感器信号410(也就是说从传感器元件递送的原始信号)首先供应个ANN1400的输入端或输入层(本文未示出)。ANN1 400被训练以确定一或多个必要影响变量或参数(例如目标对象与前述布置(阵列)传感器元件之间的距离z)以便对目标对象进行线性位置确定。另选地或除此之外,ANN1 400可提供主要传感器信号归一化所必须的数据。来自ANN1 400的对应输出数据415首先供应给预处理模块420,所述预处理模块420在本发明示例性实施方式中是基于规则的。另外,主要传感器信号供应425给预处理模块420。根据上述方式预处理的数据接着供应430给ANN2 405或者供应给ANN2的输入层(未示出)。
与ANN1 400相反,ANN2 405被训练以计算并且递送435主要测量变量或测量参数,以及目标对象关于前述布置(阵列)传感器元件的位置。
应指出ANN1 400、并且具体地ANN2 405的输出节点的精确数目取决于实际应用。因此,就传感器元件的三维或空间布置而言,ANN2 405可基于x轴、y轴和z轴向目标对象提供位置数据。
下文将描述根据本发明的位置和/或距离传感器的多个其他应用示例或示例性实施方式。
实施例1.1:
在当前情况下并且通过举例,图4a所示的具有ANN的位置传感器具有六个电感式传感器元件(SE1、SE2、...、SE6)505-530的布置(阵列)500。在此情况下,基本测量变量是目标对象(目标)535沿着x轴540的位置。Z距离545在本文中被认为是补充测量值。传感器元件505-530中的每一个以感应方式对导电和/或铁磁目标对象材料感应或反应。振荡器(图4b)的振幅随着目标对象在x方向上的移动而改变。如果目标对象沿着传感器布置500以固定z距离545移动,那么单独传感器元件505-530的结果振荡器振幅(S1、S2、...、S6)取决于目标对象(图4b)的x位置。这种振幅依赖通常是隆起形的,其中基本对称的隆起的中间值对应于相应传感器元件的位置。振幅的最大变化在本文中取决于对应z距离。单独传感器信号的可能偏移和适应可借助预处理阶段(未示出)来实现。
实施例1.2:
图5a所示的传感器模块具有形成为电测量线圈(SE1、...、SE4)的多个(更确切地在当前情况下并且通过举例为四个)传感器元件600-615。检测从测量线圈递送的电压,以相位敏感方式620-635对其进行解调,并且将其馈送到ANN的输入层640(未示出)中。目标对象645的当前位置可借助ANN基于这些主要传感器信号来确定。除了传感器元件600-615的所示布置(阵列)之外,在当前情况下并且通过举例另外设有五个电激励线圈(EC1、EC2、...、EC5)650-670的布置(阵列),所述布置(阵列)例如从谐波电压或当前信号675被馈送,更确切地说其方式为使得在具体时刻相邻激励线圈始终具有相反磁极性。对于当前或预定z距离,每个传感器元件具有图5b所示的具体波特性(S1、S2、S3、S4),其中波幅取决于当前z距离。
实施例1.3:
图6a所示的位置/距离传感器具有发光二极管(LED)700(例如在可见频率范围或在红外频率范围下工作的LED)和光电二极管列705。LED 700发射聚焦光束702,从而在目标对象710的表面上形成照射光斑715。在本发明的示例性实施方式中,从目标对象710反向散射的光720借助菲涅尔透镜725指向光电二极管列705。光电二极管(图6b)处的强度分布结果是目标对象710的距离的度量,在当前情况下为主要测量变量。反射光720的强度另外取决于(表面)颜色并且取决于目标对象710的表面形态或拓扑结构,所述(表面)颜色和表面形态或拓扑结构在当前情况下被处理为互补测量变量。在图6b中,展示光电二极管列705上的针对两个不同目标距离X1、X2以及针对两个不同光散射系数R1、R2的强度分布。借助控制单元730读取从光电二极管递送的测量信号(S1、S2、S3等)并将其供应给ANN(未示出)的输入层735。
ANN的使用在此示例性实施方式中特别有利,因为LED或透镜各自的几何结构必须是理想的。另外,所示整体紧凑的传感器可被适配成客户专用安装几何结构,并且具体地生产成本可显著减少。
另外,ANN的输入数据的数目减少由于主要测量信号的预处理而可以是有利的。例如,假设光电二极管列具有128二极管元件,ANN的输入数据的数目通过对每8个相邻二极管元件的强度数据进行求和可减少到刚好16。
实施例1.4:
在当前情况下并且通过举例,图7a所示的示例性实施方式包括两个电感式激励元件845、850(每个优选地利用电机交流电进行操作)以及六个电感式接收器元件800-825(其在当前情况下被形成为设有铁氧体磁芯的电机线圈)的布置(阵列)830。接收器元件800-825对金属目标对象敏感,其中如图7b所示的单独接收器元件的主要传感器信号取决于目标对象835的x位置和y位置或者与此位置数据相关。测量信号另外包括与传感器元件的布置830与目标对象835之间的距离z 840相关的信息,所述信息在当前情况下以互补测量变量的形式被处理。ANN(未示出)存取目标对象835的x位置和y位置并且可另外提供以上提及的有限测量范围中的z信息840。应指出与基于变压器原理的所示电感式传感器元件相反,还可设置自我电感式或电容地检测信息的传感器元件。还应提到传感器元件800-825的所示布置830可扩展或者可在x方向和y方向上延伸。
实施例1.5:
在图8所示的示例性实施方式中,假设目标对象本身通过旋转永磁体900来形成并且模拟磁场传感器905-925(例如基于霍尔效应、AMR或GMR)围绕此目标对象布置。由于磁目标对象900的旋转致使传感器元件的输出信号周期性改变并且因此目标对象的瞬时旋转角可以固有地已知方式源自供应给ANN(未示出)的输入层930的传感器信号,所以旋转式编码器可配备有所示布置。这里,ANN递送归一化sin/cos输出数据。借助合适的后处理步骤,还可产生增量输出数据,例如高分辨率数字正交信号。在此示例性实施方式中,ANN的优点在于以下事实:磁场传感器905-925的位置和磁目标对象900的准确外观或形式并非必须是规则的或理想的,由此最小化关于本文关注的传感器开发的可能的设计局限或约束条件。
实施例2.1:
在图9a-9c所示的示例性实施方式中,两个或更多个传感器线圈1000、1005布置在铁磁芯1010中或周围,其中线圈1000、1005中的每一个充当对应LC振荡电路1015、1020的电感式部分,这些电感式部分交替操作。因为振荡电路在传感器头内的位置不同,振荡电路1015、1020的所得电机振荡器电压1025、1030对关于目标对象距离和目标对象(未示出)和/或传感器线圈1000、1005的金属环境(被称为环境条件)的不同程度敏感。经检测振荡器电压1025、1030各自被解调1035、1040并且被供应给ANN(未示出)的输入层1045,其中ANN被训练以据此计算目标对象距离、更确切地说具体地与以上提及的环境条件无关。
图9a-9c所示的三种不同的实现方式更确切地关注:在示例(a)中,两个线圈1000、1005布置在铁氧体磁芯1010的两个不同开口区域或凹陷1050、1055中。在示例(b)中,两个线圈1000、1005布置在铁氧体磁芯1010的相同凹陷1060内。在示例(c)中,相反地,两个线圈1065中的一个完全布置在铁氧体磁芯1010外并且充当电感式传感器元件。
就图9a接下来展示的测量曲线而言,更确切地就未安装测量情形(E1)和安装在钢结构(E2)中的传感器单元而言,振荡器振幅取决于距离,即,针对两个可能的安装情形E1、E2展示两个嵌入式传感器单元S1、S2的特性曲线。
图9a-9c所示的电机线圈还可用于固定操作,原因在于两个线圈中的一个是LC振荡电路的一部分并且变得与对应放大器一起振荡,然而另一个线圈充当变压器布置的次级线圈并且从第一线圈接收串扰信号。LC振荡电路的振荡幅度以及接收器线圈中感应的电压的相位和大小受到目标对象的距离和测量条件(例如,目标对象材料、安装材料、安装几何结构等)的影响。
实施例2.2:
在图10所示的示例性实施方式中,设有铁氧体磁芯1100的电感式传感器线圈1105用作LC振荡电路1110的一部分,其中并联连接的电容器1115-1125借助低电阻模拟多路调制器1130各自交替不同电容值连接以便检测不同频率的振荡电路振幅。借助常规A/D转换器(本文未示出)也被数字化的对应解调幅值1135供应给ANN(未示出)的输入层1140。由于先前提及的环境条件的影响和目标对象的材料同样在不同振荡频率之间不同,ANN可被训练以确定与先前提及的条件无关的目标对象距离。
实施例2.3:
图11示出以上提及的“类型2”传感器,其具有无芯激励线圈1200,所示测量系统借助所述无芯激励线圈1200由高频磁场激励或者由对应能量1202供应。所述系统还包括布置在各个位置的测量线圈1205-1220,借助所述测量线圈1205-1220检测与目标对象1225及其基于材料的性质相关的位置无关的信息。由每个传感器元件1205-1220检测的信号1230-1245首先以相位敏感方式1250-1265解调。所得解调电压信号供应给ANN(未示出)的输入层1270,所述输入层1270被训练以基于电压信号计算传感器1205-1220与目标对象1225之间的距离,所述距离与目标对象1225的材料性质无关。测量线圈1205-1220可在几何形状上以不同方式布置,其中这些测量线圈1205-1220各自可具有关于目标对象1225和/或其材料的不同测量灵敏度。根据特别有利的布置,测量线圈对在相反方向上彼此串联连接。由于单独线圈元件中感应的大多数电压源自激励线圈的直接串扰,所以从激励线圈1200递送的磁激励信号可甚至由单独线圈元件的非光学旋转次数抑制,并且不管怎样可实现更高信号放大和改进的信噪比。
图11所示的线圈布置还可在脉冲操作下应用或使用,更确切地,如果激励线圈在当前脉冲而不是高频激励下操作并且感应接收器信号以高扫描速率而不是所描述解调被数字化并存储,那么与时间无关的波形的经选择数据元件供应给ANN的输入层的接收器线圈。
实施例2.4:
在图12所示的示例性实施方式中,设有不同大小和几何结构的电容式测量传感器元件1300-1310,其中经测量电容借助对应电容-数字转换器(CDC)1315-1325被数字化并且这样数字化的传感器信号应用到ANN(未示出)的输入层1330。传感器元件1300-1310具有与目标对象(未示出)和周围环境(具体地为金属环境)相比不同的灵敏度,其中ANN被训练成使得其可确定传感器与目标对象之间的距离,所述距离与周围环境无关。
实施例2.5:
在图13a中,示出位置敏感、多层(LE、LS1、...、LS4)和基本平面转换器1400的示例性实施方式。所示多层线圈印刷电路板具有激励线圈1402和多个电感式接收器线圈1405-1420。接收器线圈1405-1420的几何结构未必以规则形式形成(如图13a所示),而是可关于信号强度、信噪比和/或生产成本进行优化。利用布置在转换器1400上方的金属目标对象1425,每个单独接收器线圈1405-1420根据目标对象1425的位置1430递送不同信息或信号S1、S2、S3、S4(图13b)。鉴于以上提及的不规则性,此信息不能被以解析方式(即,基于公式)评估。ANN(本文未示出)的使用优点在于以下事实:其无论如何可被训练成能够基于此信息确定或估计目标对象的距离和/或位置。
应指出即使现有领域已知的当前类型的平面转换器(其具有sin/cos形或者甚至线性测量特性)通常还具有实际测量情形中的干涉属性,评估结果借以仍必须经受下游线性过程。
实施例2.6:
在图14所示的示例性实施方式中,确定布置在载体元件1502的间隙或空隙1500中的光学上不透明的目标对象1505的x位置和y位置。借助顺序通电1512的发光二极管(LED)的布置(阵列)1510照射光电二极管的布置(阵列)1515,使得可检测到目标对象1505的光影。检测从由LED和光电二极管形成的所有对递送的光强度矩阵1520并将其供应给ANN的输入层(在当前情况下未示出)。ANN被训练成使得其可基于此信息确定目标对象的x位置和y位置。另外,可利用所述信息根据互补测量变量确定目标对象的大小。
实施例3.1:
图15所示的多传感器具有多个传感器元件2000-2010,所述多个传感器元件2000-2010容纳在外壳或传感器头2002中并且在物理上以完全不同的方式工作,更确切地在当前示例性实施方式中利用电容式2000、电感式2005、光学式(本文未示出)和/或以基于霍尔效应方式2010工作的测量原理进行工作。借助具有输入层2015的ANN(未示出)评估从这些传感器元件2000-2010递送并且在适当情况下以上述方式后处理2012、2013的测量信号以便因此检测任何目标对象2020-2030的存在,更确切地说具体地与其材料无关。目标对象的材料可以是例如金属2020、非金属诸如塑料、液体2030或者甚至生物体2025。
实施例3.2:
图16所示的示例性实施方式涉及相匹配传感器单元形成或者由根据相同物理测量原理2100-2120操作的传感器单元形成的位置传感器,其中每个传感器单元2100-2120具有电容式传感器元件2125(在当前情况下仅示出传感器单元2120)和电感式传感器元件2130。从传感器元件递送的主要传感器信号供应给ANN(未示出)的输入层2135。由于电感式传感器元件2130对导电材料和铁磁材料均敏感,并且电容式传感器元件2125另外对电介质材料敏感,可借助ANN设置可检测金属和非金属目标对象2140的位置传感器。
应指出除了先前提及的主要传感器信号之外,在ANN的评估中可考虑同样从传感器元件递送的可以说呈互补传感器信号形式的温度数据2145。
实施例3.3:
在图17所示的示例性实施方式或应用示例中,光学距离传感器2200布置在窗口2205中,所述窗口2205具有由光学上透明的导电氧化层形成的电容式传感器2210。从电容式2210和光学2200传感器元件递送的测量信号供应给ANN(在当前情况下未示出)的输入层。先前提及的不同测量信号的这种类型的接合实现对各自具有非常不同机械和/或电气属性的各种目标对象的可靠检测,并且另外实现干扰信号的有效抑制。
实施例3.4:
在图18a所示的示例性实施方式中,配备有铁氧体磁芯2300的常规电感式传感器线圈2305用作LC振荡电路2310的一部分。同时检测振荡电路2310的解调电压2315(另外参见图18b)和频率2320(另外参考图18c),并且将这两个信息片段供应给ANN(未示出)的输入层2325作为主要传感器信号。在此基础上,可设置与材料无关的距离传感器,因为根据考虑中的目标对象的距离,由不同材料组成的目标对象具有显著不同且典型振幅和频率的特性线对。
实施例3.6:
在图19所示的示例性实施方式中,具有多个测量线圈的传感器系统由布置在外壳或传感器头2502中的多层印刷电路板(PCB)的不同层2500-2510形成。所述系统根据两个不同测量原理工作,更确切地根据电感式测量原理2515工作,其中以上提及的测量线圈2500-2510中的一或多个用作接收器线圈,并且其中目标对象2520影响接收器线圈中感应的电压。第二测量原理在本质上是电容性的2525,其中检测测量线圈2500-2510中的一或多个的电容。控制单元或测量单元2530根据这两个测量原理2515、2525借助常规切换模块2535进行交替测量,其中一或多个电感式2515和一或多个电容式2525测量信号用作主要测量信号并且将其供应给ANN(未示出)的输入层2540以便基于此信息确定目标对象距离和任选地互补测量变量(诸如目标对象材料)。
实施例3.7:
在图20所示的示例性实施方式中,借助具有输入层2610的ANN(未示出)评估、组合从固有地已知基于超声波的距离传感器或转换器2600递送的测量信号和从电容式传感器元件2605递送的测量信号。这种类型的测量系统有利地实现对不能反射超声波的目标对象2615和/或已经相对靠近传感器外壳2620定位或者根据具体测量原理已经太靠近定位的目标对象的检测。
在下文中,描述了另外的示例性实施方式,其中针对传感器元件进行两个传感器信号的上述评估,所述评估是基于相同测量原理或者至少类似测量原理,但是基于不同特性曲线。
图21a至图21c示出使用配备有六个线圈的线性测量系统测量的数据。测量系统在时分多路复用操作模式下工作,即,在任何给定时刻单独六个线圈中始终仅存在一个线圈操作,其中单独线圈各自自我电感式操作。振荡幅度充当传感器信号。
图21a至图21c所示的测量结果对应于ANN的原始信号(图21b)、预处理信号(图21c)和输出信号(图21a)。在此示例性实施方式中,ANN包括19个隐藏神经元和一个输出神经元,所述神经元被训练以确定目标对象的位置。基于对应于并未用于ANN训练的目标对象位置的信号模式检验测量精度或测量质量。
如可从图21a看出的,沿着纵坐标标绘、在目标对象的位置的大约±20mm的区域中、沿着值为0的参考位置周围的横坐标标绘的ANN的输出信号(“网络输出”)基本上对应于标绘的理想曲线(“理想特征曲线”)。从图21b还明显的是单独线圈的原始测量信号构成向下降落的贝尔曲线2700、2705,所述贝尔曲线2700、2705在信号方向(纵坐标)上起始于在基线处基本上水平延伸的稍微不同的水平曲线2710、2715。还可从图21c看出的,贝尔曲线2700、2705就振幅而言借助以上提及的原始数据2700-2715的预处理来标准化,更确切地在当前示例性实施方式中各自被归一化为值1,并且沿着横坐标反射2720、2725,并且图21b所示的在基线处延伸的水平线2710、2715的波动已经克服2730。应指出图21c所示的曲线的归一化仅对于目标对象的固定预定距离有效,并且因此针对不同距离必须重新执行。
图22a示出示例性实施方式,其中位置敏感传感器由多层印刷电路板2800(“多层PCB”)形成。这种传感器类型构成具有单输入端和多输出端的变压器。层2825(其在当前情况下为最低的层)对应于激励线圈,其中另外的层2805-2820构成感测接收器线圈。由激励线圈2825激励的电场对单独接收器线圈2805-2820的电磁穿透或联接取决于接收器线圈2805-2820的对应线圈几何结构,并且具体地取决于目标对象的位置或距离,如从下文描述的图22b将变得明显。
如还可从图22a看出的,接收器线圈2805-2820由彼此串联连接的片段2830-2855组成并且具有交替极性。激励线圈2825之后的层2820在本文中对应于相对长波正弦信号,并且后续层2815对应于余弦信号,所述余弦信号同样是相对长波信号,并且下一个后续层2810对应于相对短波正弦信号,并且最上层2805继而对应于相对短波余弦信号。因此提供具有相对长波输出和相对短波输出的两个正弦/余弦对。
目标对象的位置依赖是以下事实结果:接收器线圈2805-2820中的每一个具有不同传感器特性或者具有不同特性曲线,但是所有曲线受制于相同物理测量原理。
图22b中的测量曲线示出以上提及的四个接收器线圈2805-2820、确切地借以作出目标对象位置的粗略估计的两个相对长波正弦/余弦对2860、2865并且还有借以可能作出相对精确的位置确定的两个相对短波正弦/余弦对2870、2875的两个信号群。短波数据不提供有关当前波段的任何信息,然而此阶段信息从长波线圈对2815、2820递送,因为这些阶段信息仅覆盖图22c所示的大约100mm测量区域内的一个波段。
应指出图22b展示另外的测量曲线,更确切地总共八个曲线,其中剩余曲线对应于如先前提及的正交相位等。还应指出信号分布曲线非常强烈地从理想正弦曲线或余弦曲线偏离,其中精确信号分布曲线高度取决于传感器与目标对象之间的距离。
图22c至图22e示出就图22a所示的位置敏感传感器而言通常产生的评估数据。因此,图22c示出从ANN递送的根据目标对象的实际x位置、更确切地说针对不同目标对象距离z的位置输出数据。图22d还示出从ANN递送的根据目标对象的实际x位置、同样更确切地说针对不同目标对象距离z的距离数据。最后,图22e示出从ANN递送的根据目标对象的实际z距离、更确切地说在三个不同x位置(确切地x=50,95和140mm)测量的距离数据。应指出在图22c至图22e所示的示例中,图22b所示的信号群用作ANN的输入数据。
权利要求书(按照条约第19条的修改)
1.用于确定目标对象的距离或空间定向的非接触式位置和/或距离传感器,其特征在于,设有形成传感器模块(100)的至少两个传感器元件并且借助人工神经网络(110)共同评估从所述至少两个传感器元件递送的传感器信号(103),其中所述传感器模块(100)被连接到预处理模块(105),使得信号和/或数据可在所述传感器模块(100)与所述预处理模块(105)之间交换以对从所述传感器模块(100)递送的所述至少两个传感器信号(103)进行预处理,并且其中所述预处理信号(107)被供应给所述人工神经网络(110)。
2.如权利要求1所述的位置和/或距离传感器,其特征在于,所述至少两个传感器元件可能受到相应测量变量和可能测量和/或环境条件的影响。
3.如权利要求2所述的位置和/或距离传感器,其特征在于,所述至少两个传感器元件各自是基于物理上不同的操作原理。
4.如权利要求2所述的位置和/或距离传感器,其特征在于,所述至少两个传感器元件是基于物理上等效或类似的操作原理并且各自具有不同特性曲线。
5.如前述权利要求中任一项所述的位置和/或距离传感器,其特征在于,所述至少两个传感器元件静态地或动态地操作。
6.如权利要求5所述的位置和/或距离传感器,其特征在于,所述前述动态操作对应于脉冲操作。
7.如前述权利要求中任一项所述的位置和/或距离传感器,其特征在于,所述至少一个人工神经网络(110)由校准或学习过程关于从所述至少两个传感器元件递送的所述传感器信号(103)训练。
8.如权利要求7所述的位置和/或距离传感器,其特征在于,就所述校准或学习过程而言,所述至少一个人工神经网络(110)在不同测量和/或环境条件下针对所述对应测量变量进行训练。
9.如前述权利要求中任一项所述的位置和/或距离传感器,其特征在于,所述人工神经网络(110)的输出信号被供应给后处理模块(115),借助所述后处理模块(115)对从所述人工神经网络(110)递送的输出信号(113)进行后处理以借助输出模块(120)来进行对应显示。
10.如前述权利要求中任一项所述的位置和/或距离传感器,其特征在于,设有两个人工神经网络(400、405),其中从所述传感器元件递送的传感器信号(410)供应给所述两个人工神经网络(400)中的第一个,所述第一人工神经网络(400)的所述输出数据(415)供应给预处理模块(420),并且以此方式预处理的所述数据供应(430)给所述两个人工神经网络(405)中的第二个。
11.如权利要求10所述的位置和/或距离传感器,其特征在于,从所述传感器元件递送的所述传感器信号(410)另外供应(425)给所述预处理模块(420)。
12.如前述权利要求中任一项所述的用于操作非接触式位置和/或距离传感器的方法,其特征在于,所述至少一个人工神经网络(110)由校准或学习过程关于从所述至少两个传感器元件供应的所述传感器信号(103)训练。
13.如权利要求12所述的方法,其特征在于,就所述校准或学习过程而言,所述至少一个人工神经网络(110)针对所述至少两个传感器元件中的每一个在不同条件下针对所述对应测量变量进行训练。
14.如权利要求12或13所述的方法,其特征在于,所述至少一个人工神经网络(110)被训练成使得其从所述预处理传感器信号(107)提取对应于待检测的所述目标对象的对应参数的具体参数。
15.如权利要求14所述的方法,其特征在于,前述参数涉及所述传感器模块(100)与所述目标对象之间的距离、所述传感器元件上方的所述目标对象的位置、或所述目标对象的表面属性。
16.如权利要求12至15中任一项所述的方法,其特征在于,所述至少一个人工神经网络(110)将所述预处理传感器信号(107)转换成与所述目标对象的所述前述属性相关的输出信号(113)。
17.如权利要求12至16中任一项所述的方法,其特征在于,所述至少一个人工神经网络(110)递送输出信号,所述输出信号指示从所述至少两个传感器元件递送的所述传感器信号(103)的信号质量。
18.如权利要求12至17中任一项所述的方法,其特征在于,从所述至少两个传感器元件递送的所述传感器信号(103)构成静态或动态波形并且充当所述至少一个人工神经网络的输入信号。
Claims (19)
1.用于确定目标对象的距离、空间定向、材料属性等的非接触式位置和/或距离传感器,其特征在于,设有形成传感器模块(100)的至少两个传感器元件并且借助至少一个人工神经网络(110)共同评估从所述至少两个传感器元件递送的信号(103)。
2.如权利要求1所述的位置和/或距离传感器,其特征在于,所述至少两个传感器元件可能受到相应测量变量和可能测量和/或环境条件的影响。
3.如权利要求2所述的位置和/或距离传感器,其特征在于,所述至少两个传感器元件各自是基于物理上不同的操作原理。
4.如权利要求2所述的位置和/或距离传感器,其特征在于,所述至少两个传感器元件是基于物理上等效或类似的操作原理并且各自具有不同特性曲线。
5.如前述权利要求中任一项所述的位置和/或距离传感器,其特征在于,所述至少两个传感器元件静态地或动态地操作。
6.如权利要求5所述的位置和/或距离传感器,其特征在于,所述前述动态操作对应于脉冲操作。
7.如前述权利要求中任一项所述的位置和/或距离传感器,其特征在于,所述至少一个人工神经网络(110)由校准或学习过程关于从所述至少两个传感器元件递送的所述信号(103)训练。
8.如权利要求7所述的位置和/或距离传感器,其特征在于,就所述校准或学习过程而言,所述至少一个人工神经网络(110)在不同测量和/或环境条件下针对所述对应测量变量进行训练。
9.如前述权利要求中任一项所述的位置和/或距离传感器,其特征在于,所述传感器模块(100)被连接到预处理模块(105),使得信号和/或数据可在所述传感器模块(100)与所述预处理模块(105)之间交换以对从所述传感器模块(100)递送的所述至少两个传感器信号(103)进行预处理,并且其特征在于,所述预处理信号(107)被供应给人工神经网络(110)。
10.如权利要求9所述的位置和/或距离传感器,其特征在于,所述人工神经网络(110)的输出信号被供应给后处理模块(115),借助所述后处理模块(115)对从所述人工神经网络(110)递送的输出信号(113)进行后处理以借助输出模块(120)来进行对应显示。
11.如前述权利要求中任一项所述的位置和/或距离传感器,其特征在于,设有两个人工神经网络(400、405),其中从所述传感器元件递送的传感器信号(410)供应给所述两个人工神经网络(400)中的第一个,所述第一人工神经网络(400)的所述输出数据(415)供应给预处理模块(420),并且以此方式预处理的所述数据供应(430)给所述两个人工神经网络(405)中的第二个。
12.如权利要求11所述的位置和/或距离传感器,其特征在于,从所述传感器元件递送的所述传感器信号(410)另外供应(425)给所述预处理模块(420)。
13.如前述权利要求中任一项所述的用于操作非接触式位置和/或距离传感器的方法,其特征在于,所述至少一个人工神经网络(110)由校准或学习过程关于从所述至少两个传感器元件供应的所述信号(103)训练。
14.如权利要求13所述的方法,其特征在于,就所述校准或学习过程而言,所述至少一个人工神经网络(110)针对所述至少两个传感器元件中的每一个在不同条件下针对所述对应测量变量进行训练。
15.如权利要求13或14所述的方法,其特征在于,所述至少一个人工神经网络(110)被训练成使得其从所述所供应的测量信号(107)提取对应于待检测的所述目标对象的对应参数的具体参数。
16.如权利要求15所述的方法,其特征在于,前述参数涉及所述传感器模块(100)与所述目标对象之间的距离、所述传感器元件上方的所述目标对象的位置、所述目标对象的材料、所述目标对象的表面属性等。
17.如权利要求13至16中任一项所述的方法,其特征在于,所述至少一个人工神经网络(110)将所述预处理传感器信号(107)转换成与所述目标对象的所述前述属性相关的输出信号(113)。
18.如权利要求13至17中任一项所述的方法,其特征在于,所述至少一个人工神经网络(110)递送输出信号,所述输出信号指示从所述至少两个传感器元件递送的所述信号(103)的信号质量和/或由所述至少一个人工神经网络进行的所述评估的评估质量。
19.如权利要求13至18中任一项所述的方法,其特征在于,从所述至少两个传感器元件递送的所述信号(103)构成静态或动态波形并且充当所述至少一个人工神经网络的输入信号。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/DE2014/100451 WO2016095882A1 (de) | 2014-12-16 | 2014-12-16 | Berührungsloser positions-/abstandssensor mit einem künstlichen neuronalen netzwerk und verfahren zu seinem betrieb |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107209874A true CN107209874A (zh) | 2017-09-26 |
CN107209874B CN107209874B (zh) | 2021-04-06 |
Family
ID=52573995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201480084568.4A Active CN107209874B (zh) | 2014-12-16 | 2014-12-16 | 具有人工神经网络的非接触式位置/距离传感器及其操作方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10796222B2 (zh) |
CN (1) | CN107209874B (zh) |
DE (1) | DE112014007253A5 (zh) |
WO (1) | WO2016095882A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112013891A (zh) * | 2019-05-28 | 2020-12-01 | 罗伯特·博世有限公司 | 用于使用人工神经网络校准多传感器系统的方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017118083B4 (de) * | 2017-08-09 | 2022-11-24 | Sick Ag | Sensor zur Erfassung eines Objekts und Verfahren zum Einstellen eines Schaltpunktes |
US11747513B2 (en) | 2018-12-20 | 2023-09-05 | Sick Ag | Sensor apparatus |
DE102019202249A1 (de) * | 2019-02-19 | 2020-08-20 | Audi Ag | Verfahren zum Bestimmen von einer Messposition für einen beweglichen optischen Messsensor, sowie Computerprogrammprodukt und Programmiersystem |
DE102020107229A1 (de) * | 2020-03-17 | 2021-09-23 | Balluff Gmbh | Verfahren zum Betrieb eines absolut messenden Positionserfassungssystems mit einem einspurigen Magnetcodeobjekt |
DE102020128013B4 (de) | 2020-10-23 | 2024-05-29 | Balluff Gmbh | Spulenanordnung für eine Sensorvorrichtung zum Ermitteln einer Position eines Objekts entlang einer sensitiven Achse der Sensorvorrichtung |
DE102020134217A1 (de) * | 2020-12-18 | 2022-06-23 | Balluff Gmbh | Induktive Sensorvorrichtung zum Bestimmen einer longitudinalen Position eines bewegbaren Objekts entlang einer sensitiven Achse der Sensorvorrichtung sowie Verfahren zum Betreiben einer solchen Sensorvorrichtung |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5247584A (en) * | 1991-01-10 | 1993-09-21 | Bodenseewerk Geratetechnik Gmbh | Signal processing unit for classifying objects on the basis of signals from sensors |
DE4201502C2 (de) * | 1992-01-21 | 1995-12-14 | Siemens Ag | Verfahren und Anordnung zur elektrischen Wirbelstromprüfung |
US5548512A (en) * | 1994-10-04 | 1996-08-20 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Autonomous navigation apparatus with neural network for a mobile vehicle |
DE19751853A1 (de) * | 1996-11-29 | 1998-06-04 | Heidenhain Gmbh Dr Johannes | Abtastelement für eine Positionsmeßeinrichtung |
EP1462661B1 (de) * | 2003-03-26 | 2006-04-05 | IMI Norgren-Herion Fluidtronic GmbH & Co. KG | Positionsmessvorrichtung für fluidische Zylinder-Kolben-Anordnungen |
CN1989534A (zh) * | 2004-07-20 | 2007-06-27 | 通用监控器股份有限公司 | 火焰检测系统 |
CN103500262A (zh) * | 2012-03-05 | 2014-01-08 | Eads飞机设计有限公司 | 用于监视结构的方法和系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994008258A1 (en) | 1992-10-07 | 1994-04-14 | Octrooibureau Kisch N.V. | Apparatus and a method for classifying movement of objects along a passage |
US5485908A (en) * | 1994-07-12 | 1996-01-23 | Coin Acceptors, Inc. | Pattern recognition using artificial neural network for coin validation |
DE4433772A1 (de) | 1994-09-22 | 1996-03-28 | Micro Epsilon Messtechnik | Sensoranordnung und Verfahren zur Meßwerterfassung mit der Sensoranordnung |
DE19744185B4 (de) | 1997-10-07 | 2006-10-12 | Robert Bosch Gmbh | Einrichtung zur Abstandsmessung mittels Ultraschall |
DE10145292A1 (de) | 2001-09-14 | 2003-04-03 | Wabco Gmbh & Co Ohg | Verfahren zur Abstandsmessung mittels Ultraschall |
US10209097B2 (en) | 2013-03-19 | 2019-02-19 | Balluff Gmbh | Inductive displacement measuring sensor and method for operating the latter |
ITMI20131966A1 (it) * | 2013-11-26 | 2015-05-27 | Datalogic IP Tech Srl | Sensore di distanza senza contatto e metodo per effettuare una misura di distanza senza contatto |
-
2014
- 2014-12-16 DE DE112014007253.2T patent/DE112014007253A5/de active Pending
- 2014-12-16 CN CN201480084568.4A patent/CN107209874B/zh active Active
- 2014-12-16 WO PCT/DE2014/100451 patent/WO2016095882A1/de active Application Filing
- 2014-12-16 US US15/536,326 patent/US10796222B2/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5247584A (en) * | 1991-01-10 | 1993-09-21 | Bodenseewerk Geratetechnik Gmbh | Signal processing unit for classifying objects on the basis of signals from sensors |
DE4201502C2 (de) * | 1992-01-21 | 1995-12-14 | Siemens Ag | Verfahren und Anordnung zur elektrischen Wirbelstromprüfung |
US5548512A (en) * | 1994-10-04 | 1996-08-20 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Autonomous navigation apparatus with neural network for a mobile vehicle |
DE19751853A1 (de) * | 1996-11-29 | 1998-06-04 | Heidenhain Gmbh Dr Johannes | Abtastelement für eine Positionsmeßeinrichtung |
EP1462661B1 (de) * | 2003-03-26 | 2006-04-05 | IMI Norgren-Herion Fluidtronic GmbH & Co. KG | Positionsmessvorrichtung für fluidische Zylinder-Kolben-Anordnungen |
CN1989534A (zh) * | 2004-07-20 | 2007-06-27 | 通用监控器股份有限公司 | 火焰检测系统 |
CN103500262A (zh) * | 2012-03-05 | 2014-01-08 | Eads飞机设计有限公司 | 用于监视结构的方法和系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112013891A (zh) * | 2019-05-28 | 2020-12-01 | 罗伯特·博世有限公司 | 用于使用人工神经网络校准多传感器系统的方法 |
CN112013891B (zh) * | 2019-05-28 | 2024-03-22 | 罗伯特·博世有限公司 | 用于使用人工神经网络校准多传感器系统的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107209874B (zh) | 2021-04-06 |
US20170344878A1 (en) | 2017-11-30 |
US10796222B2 (en) | 2020-10-06 |
WO2016095882A1 (de) | 2016-06-23 |
DE112014007253A5 (de) | 2017-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107209874A (zh) | 具有人工神经网络的非接触式位置/距离传感器及其操作方法 | |
Ali et al. | A multiple inductive loop vehicle detection system for heterogeneous and lane-less traffic | |
US6124708A (en) | Position detection using a spaced apart array of magnetic field generators and plural sensing loop circuits offset from one another in the measurement direction | |
US6661220B1 (en) | Antenna transponder configuration for angle measurement and data transmission | |
US6192753B1 (en) | Inductive sensor for monitoring fluid level and displacement | |
Avila et al. | A novel dual modality sensor with sensitivities to permittivity, conductivity, and permeability | |
JP2009519592A (ja) | センサ | |
US20080204116A1 (en) | Sensing Apparatus And Method | |
WO2023056827A1 (zh) | 一种电流测量器件 | |
CN101893600A (zh) | 用于感应测量的装置和方法 | |
CN102841128B (zh) | 用于生物组织识别的电涡流传感器 | |
CN106461422A (zh) | 感应式位移传感器 | |
Tian et al. | A review on foreign object detection for magnetic coupling-based electric vehicle wireless charging | |
Kirchner et al. | Capacitive sensor for object ranging and material type identification | |
CN107152938A (zh) | 用于确定磁体相对于传感器行的位置的方法 | |
CN109959399A (zh) | 用于感应式位置编码器的绕组和刻度构造 | |
CN107941660B (zh) | 一种磁颗粒检测系统的误差提取方法和装置 | |
CN107078562A (zh) | 感应电力传输系统的运行 | |
CN107923769A (zh) | 用于测量移动部件的绝对位置的传感器 | |
CN104134269B (zh) | 一种硬币检测系统 | |
Peyton et al. | Electromagnetic imaging using mutual inductance tomography: Potential for process applications | |
CN103617669A (zh) | 一种硬币检测装置 | |
EP3865879B1 (en) | Inductive sensor device and method of detecting movement of an object | |
IL292711A (en) | location encoder | |
CN204129826U (zh) | 一种硬币检测系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |