CN114659541A - 确定物体旋转角度的装置、系统、方法和训练装置和方法 - Google Patents

确定物体旋转角度的装置、系统、方法和训练装置和方法 Download PDF

Info

Publication number
CN114659541A
CN114659541A CN202111528981.3A CN202111528981A CN114659541A CN 114659541 A CN114659541 A CN 114659541A CN 202111528981 A CN202111528981 A CN 202111528981A CN 114659541 A CN114659541 A CN 114659541A
Authority
CN
China
Prior art keywords
sensor
data
magnetic field
angle
neural network
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.)
Pending
Application number
CN202111528981.3A
Other languages
English (en)
Inventor
R·海因茨
A·海茵茨
S·莱森海默
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Infineon Technologies AG
Original Assignee
Infineon Technologies AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Infineon Technologies AG filed Critical Infineon Technologies AG
Publication of CN114659541A publication Critical patent/CN114659541A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/30—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring angles or tapers; for testing the alignment of axes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/12—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
    • G01D5/14—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage
    • G01D5/142—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage using Hall-effect devices
    • G01D5/145—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage using Hall-effect devices influenced by the relative movement between the Hall device and magnetic fields
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/12—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
    • G01D5/14—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage
    • G01D5/142—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage using Hall-effect devices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/12—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
    • G01D5/14—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage
    • G01D5/16—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage by varying resistance
    • 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
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Transmission And Conversion Of Sensor Element Output (AREA)
  • Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)

Abstract

本公开的实施例涉及确定物体旋转角度的装置、系统、方法和训练装置和方法。实施例涉及一种用于训练神经网络(150)以确定物体的旋转角度的装置(100)。装置(100)被设计为通过用于测量磁场的传感器系统(120)接收系统数据(102)以便确定旋转角度。装置(100)还被设计为生成误差数据，该误差数据包括系统数据(102)与传感器系统(120)的目标状态的至少一个偏差或叠加的外部磁场的分量的强度。装置(100)还被设计为使用系统数据(102)和误差数据来创建训练数据(104)，并借助训练数据(104)训练神经网络(150)。

Description

确定物体旋转角度的装置、系统、方法和训练装置和方法
技术领域
实施例涉及用于训练确定物体旋转角度的神经网络的装置和方法，以及用于确定物体旋转角度的装置、系统和方法。
背景技术
角度传感器通常用于汽车工业，例如用于动力转向或防抱死制动系统(ABS)。角度传感器包括诸如磁体和磁性传感器之类的部件，以确定诸如轴体之类的旋转物体的旋转角度。在角度传感器的制造和组装中，在大多数情况下无法完全避免部件错位。此外，可能基于振动而出现磁体和磁性传感器的位置偏差，该振动例如由角度传感器的运行或附近的相邻装置的运行引起。此外，电动车辆中的装置会因高电流而生成杂散磁场，杂散磁场会叠加在角度传感器的磁场上。角度传感器部件的偏差对准和叠加的杂散磁场会影响角度确定或降低测量精度。
为了最大限度地减少错位的影响，一方面在角度传感器的制造层面上使用复杂的工艺。另一方面，角度传感器被校准以便能够补偿角度确定中的误差。其他方法使用具有直径较大的磁体的角度传感器。直径较大的磁体可以生成较强的磁场，从而可以在确定旋转角度时减少误差。然而，提到的概念通常带来较高的生产或开发成本。
为了减少外部磁场的影响，使用成本密集的方法来确保磁场传感器与外部环境隔离。使用多个磁性传感器的差分测量方法来校正外部磁场的叠加。然而，具有差分测量功能的角度传感器通常较容易受到角度传感器部件错位的影响，这反过来又限制了旋转角度确定的准确性。
借助电感式传感器，有时可以在出现杂散磁场时更精确地确定角度。然而，对于360°的角度确定，电感式角度传感器既昂贵又复杂。此外，这些角度传感器需要更多空间，例如超过30毫米，这对于许多应用来说通常是无法忍受的。
这种情况有理由要实现用于角度传感器的改进方案，以便能够更好地、更精确地以较小误差、更简单或更经济地确定旋转角度。
发明内容
该目的可以通过根据本发明的内容来实现。
一个实施例涉及一种用于训练神经网络以确定物体的旋转角度的装置。该装置被设计为经由用于测量磁场的传感器系统接收系统数据，以便确定旋转角度。此外，该装置被设计为生成误差数据，所述误差数据包括系统数据与传感器系统的目标状态的至少一个偏差、或叠加的外部磁场的分量的强度。该装置还被设计为使用所述系统数据和误差数据来创建训练数据，并借助训练数据训练所述神经网络。系统数据包括例如关于磁体和磁性传感器的几何布置、磁性传感器的数量、或关于角度传感器的磁体形状的信息。可以基于系统数据生成误差数据。误差数据可以包括例如与磁体或磁性传感器的理想几何位置或与磁体的理想形状的偏差。误差数据例如包括磁传感器相对于磁体的可能扭曲布置、或例如铁磁体与理想圆形形状的潜在形状偏差。此外，误差数据可以包括例如在角度传感器附近出现并且与角度传感器磁场叠加的外部磁场分量的各种强度。基于系统数据和误差数据，可以使用训练数据以便能够训练人工神经网络来确定旋转角度。训练数据可以再现来自磁性传感器的传感器数据与旋转角度之间的关系。训练的神经网络可以基于来自角度传感器(其包括例如几何偏差、或暴露于外部磁场)的(有错误的)传感器数据确定具有较小误差的旋转角度。在使用该装置的情况下，可以借助简单(不复杂)制造的廉价角度传感器来确定具有微小误差的旋转角度，这些角度传感器包括例如几何偏差、和/或未被(耗费成本地)校准或屏蔽。
一个实施例涉及一种用于确定物体旋转角度的装置。该装置被设计为从用于测量磁场的传感器系统接收第一传感器和第二传感器的传感器数据。该装置还被设计为借助训练的神经网络确定旋转角度。训练的神经网络将第一传感器和第二传感器的传感器数据用作输入数据。例如，可以由第一和第二霍尔传感器提供传感器数据。传感器数据可以包括关于传感器系统中的磁场的(一个或多个)检测到的磁场分量的信息。磁场可由可旋转磁体或编码器生成。训练的神经网络可以接收角度传感器的传感器数据并将其处理成输出信息，以便能够确定磁体或编码器的旋转角度。装置的神经网络可以以这样的方式进行训练，即可以基于(错误的)传感器数据确定具有较小误差的旋转角度。(错误的)传感器数据可以例如由角度传感器生成，该角度传感器例如包括具有与目标值的几何偏差的部件或暴露于外部磁场。借助该装置可以避免角度传感器的复杂生产或昂贵的校准或屏蔽。
一个实施例涉及一种用于训练神经网络以确定物体的旋转角度的方法。该方法包括经由用于测量磁场的传感器系统接收系统数据以便确定旋转角度。此外，该方法包括生成误差数据，该误差数据包括系统数据与传感器系统的目标状态的至少一个偏差、或叠加的外部磁场的分量的强度。该方法还包括使用系统数据和误差数据创建训练数据，以及借助训练数据训练神经网络。系统数据包括例如关于磁体和磁性传感器的几何布置、磁性传感器的数量或关于角度传感器的磁体形状的信息。可以根据系统数据生成误差数据。误差数据可以包括例如与磁体或磁性传感器的理想几何位置或与磁体的理想形状的偏差。误差数据包括例如磁性传感器相对于磁体的可能扭曲布置、或例如铁磁体与理想圆形形状的潜在形状偏差。此外，误差数据可以包括例如在角度传感器附近出现并且与角度传感器磁场叠加的外部磁场分量的各种强度。基于系统数据和误差数据，可以使用训练数据以便能够训练人工神经网络来确定旋转角度。训练数据可以再现来自磁性传感器的传感器数据与旋转角度之间的关系。训练的神经网络可以基于来自角度传感器(其包括例如几何偏差、或暴露于外部磁场)的(有错误的)传感器数据确定具有较小误差的旋转角度。在使用该装置的情况下，可以借助简单(不复杂)制造的廉价角度传感器来确定具有微小误差的旋转角度，这些角度传感器包括例如几何偏差、和/或未被(耗费成本地)校准或屏蔽。
用于确定物体的旋转角度的方法的一个实施例包括从用于测量磁场的传感器系统接收来自第一传感器和第二传感器的传感器数据。该方法还包括借助训练的神经网络确定旋转角度。训练的神经网络将第一传感器和第二传感器的传感器数据用作输入数据。例如，可以由第一和第二霍尔传感器提供传感器数据。传感器数据可以包括关于传感器系统中的磁场的(一个或多个)检测到的磁场分量的信息。磁场可由可旋转磁体或编码器生成。训练的神经网络可以接收角度传感器的传感器数据并将其处理成输出信息，以便能够确定磁体或编码器的旋转角度。装置的神经网络可以以这样的方式进行训练，即可以基于(错误的)传感器数据确定具有较小误差的旋转角度。(错误的)传感器数据可以例如由角度传感器生成，该角度传感器例如包括具有与目标值的几何偏差的部件或暴露于外部磁场。使用该方法可以避免角度传感器的复杂生产或昂贵的校准或屏蔽。
附图说明
下面仅通过示例参照附图更详细地解释装置和/或方法的一些示例。在此：
图1示出了用于训练用于确定物体的旋转角度的神经网络的装置的实施例。
图2示出了用于训练用于确定物体的旋转角度的神经网络的概念的示例；
图3示出了用于创建训练数据的模拟模型的示例；
图4示出了基于系统数据与传感器系统目标状态的偏差的旋转角误差的累积概率的示例；
图5示出了基于系统数据与传感器系统目标状态的偏差和叠加的外部磁场的偏差的旋转角误差的累积概率的示例；
图6示出了用于确定物体旋转角度的装置的实施例。
图7示出了用于确定物体的旋转角度的(训练的)神经网络的架构的示例；
图8示出了用于确定物体的旋转角度的系统的实施例；
图9示出了用于确定物体的旋转角度的系统的另一实施例；
图10示出了基于传感器系统的传感器之间的不同径向距离的旋转角度误差的累积概率的示例；
图11示出了用于确定物体的旋转角度的系统的另一实施例；
图12示出了用于确定物体旋转角度的装置或系统的输出的示例；
图13示出了用于训练用于确定物体的旋转角度的神经网络的方法的实施例的流程图；和
图14示出了用于确定物体的旋转角度的方法的实施例的流程图。
具体实施方式
现在将参考附图更详细地描述一些示例。然而，进一步的可能示例不限于详细描述的这些实施例的特征。这些可以具有特征的修改以及特征的等同物和替代物。此外，此处用于描述特定示例的术语不旨在限制其他可能的示例。
贯穿附图的描述，相同或相似的附图标记涉及相同或相似的元件或特征，它们各自可以相同地或以修改的形式实现，同时它们提供相同或相似的功能。在附图中，为了清楚可以放大线、层和/或区域的厚度。
如果使用“或者”组合两个元素A和B，则理解为公开了所有可能的组合，即仅A、仅B以及A和B。相同组合的备选措辞是“A和B中的至少一个”或“A和/或B”。这同样适用于两个以上元素的组合。
无论何时使用诸如“一个”和“一”的单数形式，以及仅使用单个元素既不是明示或暗示定义为强制性的，另外的示例也可以使用多个元素来实施相同的功能。当随后将功能描述为使用多个元素实施时，另外的示例可以使用单个元素或处理实体来实施相同的功能。将进一步理解，术语“包括”、“所包括的”和/或“具有”、“所具有的”在使用时指定所陈述的特征、整数、步骤、操作、处理、元素、部件和/或它们的组的存在，但不排除一个或多个其他特征、整数、步骤、操作、处理、元素、部件和/或它们的任何组的存在或添加。
图1示出了用于训练用于确定物体的旋转角度的神经网络150的装置100的实施例。装置100被设计为经由用于测量磁场的传感器系统120接收系统数据102，以便确定旋转角度。此外，装置100被设计为生成误差数据，该误差数据包括系统数据102与传感器系统120的目标状态的至少一个偏差、或叠加的外部磁场的分量的强度。装置100还被设计为使用系统数据102和误差数据创建训练数据104，并且借助训练数据104训练神经网络150。
神经网络150可用于基于传感器系统120、例如角度传感器的传感器数据来确定物体的旋转角度。装置100可以相对于传感器系统120训练神经网络150，使得可以以较小的误差确定旋转角度。旋转角度的误差可能由于(错误的)传感器数据而生成，这些数据由具有偏差(例如几何或物理)目标状态的配置和/或叠加的外部磁场的传感器系统生成。
偏差配置包括例如磁性传感器和磁体相对于规定几何布置的扭曲布置或制造决定的偏移。传感器系统会生成(有偏差的)传感器数据，这会导致错误的旋转角度确定。由于磁场在与规定位置不同的位置被磁性传感器检测到，因此可能会出现传感器数据的偏差。此外，外部磁场可以与传感器系统中的磁体磁场叠加。叠加的外部磁场也会导致传感器系统生成偏差的传感器数据。由于外部磁场的相互作用，磁性传感器检测到例如比由传感器系统的磁体(单独的)施加的磁场分量强或弱的磁场分量(磁场的叠加)。
装置100可以根据传感器系统的可能偏差、或根据关于具有较高准确度或较小误差的角度确定的可能叠加的外部磁场来训练神经网络150。为了训练神经网络150，装置100可以经由传感器系统120接收系统数据102。系统数据102包括例如磁性传感器和磁体在传感器系统120中的布置、磁体的形状或磁体的磁场强度。装置100可以生成误差数据，以便基于传感器系统120的系统数据102和生成的误差数据来训练神经网络150。误差数据可以包括传感器系统120的系统数据与理想状态的可能偏差。例如，误差数据包括传感器系统的磁性传感器或磁体的可能位置偏移、或磁体例如与理想圆形形状的形状偏差。误差数据可以包括能与传感器系统的磁体的磁场潜在叠加的外部磁场，例如同质磁场。装置100可以基于传感器系统120的系统数据102和生成的误差数据来创建训练数据104。神经网络150通过该训练可以学习，以基于(错误的)传感器系统120的传感器数据以较高的精确度来确定旋转角度。装置100可以使用现有的传感器系统以较小的误差确定旋转角，该系统包括与预定值的偏差和/或暴露于外部磁场。例如，可以使用以并不很复杂和/或成本密集的屏蔽或校准措施生产的传感器系统。
根据一个示例，系统数据可以包括至少一个关于以下项的信息：传感器、磁体或传感器系统的编码器的几何布置；磁体或编码器的磁场；磁体或编码器的形状；或传感器与磁体或编码器之间的距离。系统数据可以包括关于传感器系统的状态或配置的信息。传感器系统的状态可以通过传感器系统的部件的几何布置来确定，例如磁性传感器、磁体、编码器或用于确定旋转角度的其他元件。传感器系统的状态可以通过编码器中出现的磁性传感器、磁体或磁性元件的数量来确定。状态可由磁性传感器的类型确定，例如1D传感器、2D传感器、3D传感器、霍尔传感器、电感传感器或磁阻传感器。状态可以通过例如铁磁体、偶极磁体、条形磁体的磁体的形状和/或类型、磁体的材料、磁场强度确定。状态可以通过传感器系统的编码器类型来确定。编码器的类型可通过编码盘的形状或类型(例如齿轮、带磁段的盘、编码段的数量/形状)确定。
误差数据可以包括传感器系统的系统数据与目标状态的可能偏差。目标状态可以对应于传感器系统的理想状态。例如，误差数据包括从理想位置偏移、旋转或倾斜的磁性传感器的各种可能的几何坐标。例如，误差数据包括第一磁性传感器与第二磁性传感器之间的、或磁性传感器与磁体之间的角度偏差。误差数据可以代表传感器系统中的潜在偏差，例如在传感器系统的制造过程中出现并且无法避免的潜在偏差。误差数据还可以代表传感器系统中可能由于传感器系统运行过程中的老化而发生的潜在偏差。例如，由于机械部件磨损或磁体磁场逐渐减弱，可能会出现与老化相关的偏差。
可替代地或附加地，误差数据可以包括外部磁场的分量的强度，其可以与传感器系统的磁体的磁场潜在地叠加。外部磁场可以例如是，例如在操作电动车辆时，在传感器系统附近出现的均匀磁场。例如，外部磁场也可以是静态的、不均匀的或随时间变化的交变场(例如低频)。
根据一个示例，误差数据可以在容差范围内生成，使得系统数据与目标状态的偏差和外部磁场分量的强度不超过临界限度。容差范围可以通过由传感器系统的制造或由传感器系统的传感器的测量精确度决定的不准确性来确定。可以在容差范围内生成误差数据，以便包括系统数据与目标状态的可能(例如，大概率的或可预见的)偏差。容差范围可以由传感器系统的(磁性)环境确定。可以在容差范围内生成误差数据，以便包括可能的叠加的外部磁场，其基于传感器系统附近的电设备而以较高的概率出现。例如，误差数据可以通过容差范围限制到系统数据与传感器系统目标状态的最大偏差、或限制到叠加的外部磁场的最大可能的磁场强度。误差数据通常(在容差范围内)可以随机分布地生成。
装置100可以基于系统数据和误差数据创建训练数据104。可以借助训练数据104来训练神经网络150，以便能够较精确地或以较小的误差确定物体的旋转角度。
根据一个示例，可以借助模拟模型创建训练数据。可以基于传感器系统的系统数据创建模拟模型，系统数据例如是磁体的几何形状、磁体和磁性传感器的位置、磁体的磁场强度、或磁性传感器与磁体之间的距离。传感器系统的状态会被每个系统参数的偏差(孤立地)影响。在模拟模型中，可以为每个系统参数、例如磁体在X方向上的位置定义一个误差，例如ΔX的几何偏移，以描述传感器系统的理想目标状态的各一个偏差。另外的误差例如是磁体在Y和/或Z方向上相对于传感器系统中公共笛卡尔坐标系的位置偏移、磁性传感器的位置偏移等。可替代地或附加地，磁体的偏移误差场强可以在模拟模型中确定。
模拟模型可用于创建训练数据。根据一个示例，可以基于关于系统数据的误差数据的多个组合来创建训练数据，以便对于每个组合获得传感器数据和旋转角度。在训练数据中，可以为误差数据的每个组合分配传感器数据和(正确、待学习的)旋转角度。使用训练数据，可以为每个可能的误差源组合确定具有较小误差的旋转角度。
根据另一示例，可以基于关于系统数据的误差数据的多个组合来创建训练数据，以便对于每个组合获得传感器数据和输出，从而借助该输出确定旋转角度。在训练数据中，可以为误差数据的每个组合分配传感器数据和输出，例如新传感器数据。新传感器数据(神经网络的输出)与传感器数据(神经网络的输入)的区别之处可以在于：可以分配正确的旋转角度(补偿的几何偏差和/或叠加的外部磁场)。
例如，传感器数据包括关于要由传感器系统的传感器检测的磁场的磁场分量的信息。对于传感器系统的每个磁性传感器n，传感器数据可以包括例如对于磁场分量Bxn、Byn和Bzn的信息。
例如，神经网络可以通过监督学习和训练数据进行训练。在训练的范畴中，神经网络可以学习参数，例如神经元之间的权重，例如通过误差反馈(反向传播)来学习。
用于训练神经网络以确定物体的旋转角度的装置100的进一步细节和可选方面结合所提出的概念或下面描述的一个或多个示例进行描述。
图2示意性地示出了用于训练神经网络250以确定物体的旋转角度的概念。神经网络250用训练数据204训练，训练数据204例如由用于训练神经网络250的装置200创建。如示例所示，借助模拟模型203创建训练数据204。在该示例中，模拟模型203使用系统数据202，例如磁体的形状、磁体和传感器的位置。此外，模拟模型203使用误差数据201，例如几何偏差、外部杂散磁场、与磁体的磁场强度的偏差等。借助训练数据204的神经网络250的训练可被称为训练阶段。
借助于训练的神经网络250确定旋转角度可以被称为应用阶段。在应用阶段中，训练的神经网络250可以从具有n个传感器(例如221a、222a和222b等)的传感器系统220接收传感器数据221b、222b、223b等。诸如第一传感器221a的传感器数据221b包括例如关于测量的磁场分量Bx0、By0和Bz0的信息。训练的神经网络250可以使用传感器数据221a、222a、223a等来预测两个相移信号251a-b(输出)，例如正弦和余弦信号。根据角度确定算法252，相移信号251a-b可以例如在使用反正切函数的情况下用于确定旋转角度253。
图3以示例的方式示出了用于模拟磁体322的磁场的模拟模型(Python，“magpylib”包)，该磁体在其位置方面在容差范围内移位。对于磁场模拟使用径向磁化的磁体。模拟模型中使用的磁体322的高度为25mm，直径为6mm。误差数据和训练数据的生成不限于提到的示例。解释仅用于更好地理解所描述的概念。
在另一个示例中，可以根据实验、例如通过传感器系统的传感器或磁体的大量不同几何布置来创建训练数据。
结合图6-7并结合图8-11的传感器系统更详细地描述与神经网络有关的进一步细节和示例性解释。
图4示例性地示出了基于系统数据与目标状态的(例如模拟的)偏差的旋转角误差
Figure BDA0003410036950000101
的累积概率P。在图4中，分别在使用和不使用用于训练用于确定旋转角度的神经网络的装置100的情况下，对比旋转角度误差的累积概率。
标记为410a的曲线是在使用带有参考传感器系统的参考系统的情况下创建的。参考传感器系统放置在可旋转磁体的中心下方。例如，磁体的中心由磁体可以围绕其旋转的轴线确定。磁体的旋转角度是借助参考系统在不使用装置100的情况下确定的。参考系统未使用训练数据进行训练。参考传感器的传感器数据利用用于旋转角度确定的算法(例如在使用反正切函数的情况下)来确定。
标记为411a的曲线是在使用用于训练神经网络的传感器系统和装置(例如100、200)的情况下创建的。传感器系统放置在可旋转磁铁的中心下方。为了确定旋转角度使用神经网络，该神经网络借助该装置根据传感器系统进行训练。训练的神经网络的输出用于(例如在使用反正切函数的情况下)确定旋转角度。
在所示示例中，用于确定旋转角度的神经网络根据系统数据与目标状态的偏差进行训练。在以下实施中，系统数据与目标状态的偏差也可称为机械容差。下表示例性地显示了系统数据与容差范围范畴内的目标状态的可能偏差，这些偏差用于创建训练数据。
传感器X位移 -0.3…0.3mm
传感器Y位移 -0.3…0.3mm
传感器倾角(随机方向) -3…3°
磁体X位移 -0.3…0.3mm
磁体Y位移 -0.3…0.3mm
磁体倾角(随机方向) -3…3°
传感器与磁体之间的距离 2.2…2.8mm
磁化磁体 1100…1400mT
表1
如表1中示例性所示，系统数据与目标状态(机械容差)的偏差包括磁性传感器和/或磁体分别在第一方向(X轴线)和/或第二方向(Y轴线)上的位移和/或例如相对于笛卡尔坐标系的第三方向(Z轴线)的倾斜(或倾斜)。此外，偏差和磁性传感器与磁体之间的距离以及磁体的磁化有关。例如，磁体的磁化涉及磁体鉴于各种磁场分量(例如x分量、y分量、z分量)或磁场取向(磁力线方向)的磁场强度。
此外，神经网络还鉴于均匀的外部磁场进行了训练：
杂散场(随机方向) -6…6mT
表2
根据表1和表2中给出的可能误差源，使用该装置创建了训练数据。训练的神经网络的输出用于确定旋转角度。
两个概率410a、411a的旋转角度误差与从所使用的模拟模型已知的正确旋转角度有关。旋转角度误差是从预测旋转角度与正确旋转角度之间的差异得出的。虚线曲线410b、411b分别给出散逸(Streuung)的度量并且基于四分位距。图4示出了借助用于训练确定旋转角度的神经网络的装置，可以显著降低旋转角度误差。借助训练的神经网络所确定的旋转角度误差在大约[-0.2°；0.2°]。由参考系统确定的旋转角度误差明显超出了这个范围。
图5示例性地示出了旋转角误差
Figure BDA0003410036950000121
的累积概率510a、511a，附加地具有(模拟的)叠加的外部磁场。与图4相比，借助参考系统确定旋转角度的准确度降低，而在使用训练的神经网络的情况下的旋转角度确定的准确度增加。因此通过训练，神经网络可以学习校正关于出现的均匀杂散场(至少部分)的输出以确定旋转角度。
该装置可以例如专门关于(或多或少有限的)容差范围、系统偏差的类型或传感器系统的环境训练神经网络来确定旋转角度。传感器系统的环境可以通过电流、环境温度、振动或者通常通过可以对传感器系统的测量产生影响的物理状态来确定。
该装置可以专门根据一类传感器系统来训练用于确定旋转角度的神经网络。神经网络例如可以在其输入参数方面取决于用于检测磁场的传感器系统而不同。该装置不限于特定类型的(一个或多个)传感器系统(的系统数据)和/或特定神经网络的训练。由用于训练神经网络的装置创建的训练数据可以在例如输入和/或输出参数的范围或类型或数量方面有所不同。
用于训练神经网络以确定物体的旋转角度的装置(例如100、200)的进一步细节和可选方面结合所提出的概念或下面描述的一个或多个示例进行描述。
图6示出了用于确定物体的旋转角度的装置660的实施例。装置660被设计为从用于测量磁场601的传感器系统620接收第一传感器621a和第二传感器622a的传感器数据621b、622b。装置660还被设计为借助训练的神经网络650确定旋转角度。训练的神经网络650将第一传感器621a和第二传感器622a的传感器数据621b、622b用作输入数据。
传感器系统620可以与图1中的传感器系统120或图2中的传感器系统220类似或相同地设计。传感器系统620可以是(一个或多个)角度传感器(的一部分)，并且可以借助磁场传感器621a和622a、诸如霍尔传感器，来检测磁场601。传感器系统620可以基于磁场601的测量来生成传感器数据621b、622b。传感器数据可以基于借助第一和第二传感器对磁场601的磁场分量的测量。传感器数据可以包括关于分别对于第一传感器621a和第二传感器622a的测量磁场分量的信息，例如BX、BY、BZ。训练的神经网络650可以在装置660中实现，例如作为集成电路。训练的神经网络650可以与图1中的神经网络150(或图2中的250)类似或相同地设计。训练的神经网络650可能已经借助用于训练神经网络的装置660(例如100、200)进行了训练。神经网络650可以将传感器数据621b、622b用作输入数据，并基于此创建用于确定旋转角度的输出。神经网络650可以使用来自传感器系统620的传感器数据621b、622b，传感器系统包括与目标状态的偏差和/或暴露于外部磁场。借助传感器系统620的传感器数据621b、622b，神经网络650可以生成输出651，例如新传感器数据，以便能够确定具有较小误差的旋转角度。根据另一示例，神经网络650可以基于传感器系统620的传感器数据621b、622b直接输出旋转角度。
例如，训练的神经网络660可能已经使用关于传感器系统620的系统数据和误差数据进行了训练。误差数据可以包括系统数据与传感器系统的目标状态的至少一个偏差、或叠加的外部磁场的分量的强度。系统数据与传感器系统620的目标状态的偏差包括例如第一传感器621a、第二传感器622a的几何位移，例如相对于彼此、相对于传感器系统620中的预定位置或相对于生成磁场601的物体(例如磁体或编码器)。外部磁场是例如与磁场601相互作用的均匀磁场。关于训练的神经网络的训练的进一步细节可以参考结合图1-3和表1-2的先前叙述。
用于确定物体的旋转角度的装置660的进一步细节和可选方面结合所提出的概念或以上或以下描述的一个或多个示例进行描述。
图7示出了用于确定物体的旋转角度的(训练的)神经网络650的架构的示例。根据该示例，神经网络包括输入层752和输出层756之间的四个隐藏层754a-d。输入层752被设计为接收传感器系统620的传感器数据621a、622a，并且输出层756被设计为提供输出758用于确定旋转角度。
隐藏层754-d，或也称为中间层，可以具有权重w和阈值b(偏差)，可以在训练神经网络之前将其初始化为特定值。在训练神经网络的过程中，参数w和b可以(例如通过线性回归)关于较可靠地预测旋转角度而被调整或学习。如示例所示，神经网络可以是多层神经网络(深度神经网络)。例如，神经网络可以在第一隐藏层754a中具有50个神经元，在第二隐藏层754b中具有25个神经元，在第三层754c中具有20个神经元，并且在第四层754c中具有10个神经元。
在输入层752中，神经网络可以记录传感器数据，例如n×m个测量数据，其中n对应于传感器系统中的传感器数量，m对应于可测量磁场分量的数量。例如，已经根据具有四个3D霍尔传感器的传感器系统训练的神经网络可以使用4x3＝12个输入参数来创建输出758，以确定旋转角度。在输出层756中，可以输出(或预测)余弦和正弦函数或任何期望的相移函数，以便能够使用用于确定旋转角度的算法来确定旋转角度。
例如，可以使用传感器数据并应用反正切函数来确定旋转角度。例如，传感器系统的电路可以使用神经网络的输出，以便能够基于集成在传感器系统中的算法确定(更可靠的)旋转角度。
如示例所示，神经网络可以具有前馈架构。来自输入层的信息可以沿一个方向通过中间层转发到输出层。在另一个示例中，神经网络可以具有反馈架构(循环网络)，例如，其中存在额外的连接，以便信息可以向后、沿多个方向或再次穿过网络区域。
这里描述的概念不限于提到的神经网络的示例。用于训练神经网络的装置和用于确定旋转角度的装置以及用于确定旋转角度的系统可以使用不同类型的神经网络。
图8示出了用于确定物体的旋转角度的系统870的实施例。系统870包括用于根据前述实施例的概念确定物体的旋转角度的装置860。系统870还包括用于测量磁场的传感器系统820。传感器系统820包括至少一个第一传感器821a和一个第二传感器822a。传感器系统820可以与上文或下文描述的传感器系统之一(例如，120、220、620或920)类似或相同地设计。系统870可以借助传感器系统820来检测传感器系统820附近的磁场并例如生成传感器数据。装置860可以接收和处理传感器数据并生成输出。输出例如可以包括新传感器数据或基于传感器数据的相移角函数，以便能够确定旋转角。在另一个示例中，装置860可以直接输出旋转角度。
通常，传感器系统820可以包括任意数量的传感器，例如2D或3D霍尔传感器或更多，以便测量传感器系统820附近的磁场以确定物体的旋转角度。该物体可以可旋转地安装。物体可以例如是(传感器系统820的)磁体或编码器、或与传感器系统820的磁体或编码器耦合的任意物体(例如轴线)。物体的旋转运动可以生成交变磁场。交变磁场可被传感器系统820检测。
可旋转安装的物体的状态可以通过旋转角度来确定。旋转角度可以描述物体的角度位置。旋转角度可以与例如初始旋转角度(例如在操作系统之前或在旋转物体之前)或物体的绝对旋转角度(例如磁体或编码器的参考位置)有关。
用于确定物体的旋转角度的系统870的进一步细节和可选方面结合所提出的概念或下面描述的一个或多个示例进行描述。
在另一个实施例中，用于确定旋转角度的系统还包括用于测量磁场的第三传感器。与第一或第二传感器相比，第三传感器可以相同、相似或不同地设计。传感器数据可以包括来自第三传感器的信息并可用于确定旋转角度。
图9示出了用于利用包括四个传感器921-924的传感器系统920来确定物体的旋转角度的系统970的实施例。与之前的实施例相比，传感器系统920还包括用于测量磁场的第四传感器924。与第一传感器921、第二传感器922和/或第三传感器923相比，第四传感器924可以相同、相似或不同地设计。传感器数据可包括来自第四传感器924的信息并可用于确定旋转角度。
在下表中关于旋转角度误差比较了用于以传感器系统中不同数量的传感器确定旋转角度的(训练的)系统和参考系统(未训练的神经网络(NN))。旋转角度借助参考系统使用反正切函数并利用布置在可旋转磁体下方的传感器来确定。
Figure BDA0003410036950000161
表3
如示例所示，与参考系统和具有单个传感器的(训练的)系统相比，具有2个传感器的(训练的)系统可以以较小的误差确定旋转角度。对于(训练的)系统的两个以上传感器的情况，旋转角度误差可以进一步降低。因此，具有多于两个传感器的传感器系统的系统可以较精确、较可靠地或以较小的误差确定旋转角度。
传感器可以是3D霍尔传感器或磁阻(例如AMR、GMR、TMR)传感器。在另一示例中，传感器系统的传感器可以例如是1D霍尔传感器、2D霍尔传感器或电感式传感器。传感器系统的传感器可以以任意方式被设计为检测环境中的磁场。
图9以示例的方式示出了用于确定旋转角度的系统的硬件。根据实施例，系统970还包括具有轴线976的磁体932，磁体932可绕轴线976旋转。轴线976垂直于其上布置有传感器921-924的传感器平面。磁体932沿轴线与传感器平面间隔开。磁体的可旋转布置可生成交变磁场，该交变磁场可由传感器系统920的传感器921-924检测。例如，磁体可以如图所示是偶极磁体，或者它可以具有多个磁极。磁体可以是圆形或一些其他形状，例如矩形、正方形或椭圆形。
根据另一实施例，系统970可替代地或附加地具有编码器。例如，编码器可以具有包括空腔或磁性元件的多个段。编码器的旋转可以生成交变磁场或通过影响现有磁场来影响交变磁场。
磁体(或编码器)之间的距离会对旋转角度误差产生影响。该距离可以例如小于3mm、小于2.5mm、小于2mm、小于1.5mm或小于1mm。传感器921-924可以展开包括传感器平面的公共区域。
如图9中的示例所示，传感器可以分别以距轴线976相同的径向距离r布置在传感器平面。具有相同径向距离的布置对于确定旋转角度可能是有利的，例如出于对称的原因。此外，通过具有相同径向距离的布置，可以生成较好的传感器数据(放大、补偿杂散场、降低噪声)。径向距离可以在传感器平面上从轴线976延伸到各一个传感器921-924的中心。距轴线976的径向距离可以例如小于或等于4mm、小于或等于3mm、小于或等于2mm、小于或等于
Figure BDA0003410036950000171
或小于或等于1mm。径向距离会影响旋转角度误差。
图10示例性地示出了由具有距传感器的不同径向距离的传感器系统的(训练的)系统确定的旋转角误差的累积概率。旋转角度误差是以用于确定旋转角度的装置确定的，该装置具有结合图7描述的架构的神经网络。图10示出了径向距离为r＝1mm、
Figure BDA0003410036950000172
r＝2mm、r＝3mm和r＝4mm的累积概率。图10示出旋转误差角度可以随着径向距离的增加而增加。以过小径向距离布置的传感器也会导致旋转角度误差增大。在图10所示的示例中，径向距离为
Figure BDA0003410036950000173
的(训练的)系统具有的旋转角误差小于具有更大或更小的径向距离的所示(训练的)系统。
在另一个示例中，轴线976也可以不同于图9中所示地实施。轴线可以是水平或通常以其他角度设计的。传感器平面可以沿轴线移动或沿垂直于轴线976的表面移动。通常，用于训练神经网络的装置、或用于确定旋转角度的装置或系统的概念不限于传感器系统的类型。例如，此处描述的概念可用于关于旋转轴线具有相对于轴体偏移的布置(轴外配置)的传感器系统。在这种布置中，例如沿着旋转轴线无法到达磁体或轴线的末端时，传感器系统可以位于磁体或编码器旁边。例如，传感器系统可以关于磁分量例如BX检测磁场，并且生成关于该磁分量的(相移的)传感器数据。
在一个示例中，用于确定旋转角度的装置和传感器系统可以集成在公共芯片中。图11示出了用于利用芯片1190和可旋转磁体932确定旋转角度的系统1170的实施例。芯片1190可以包括集成电路以基于传感器数据生成输出以便能够确定旋转角度。对于图11所示的布置，图12示出了芯片1190与相位θ相关的输出。例如，可以通过关系arctan2(BX,BY)确定旋转角
Figure BDA0003410036950000181
。
图13示出了用于训练确定物体旋转角度的神经网络的方法1300的实施例。该方法包括经由用于测量磁场的传感器系统接收1301系统数据以确定旋转角度。方法1300还包括生成1302误差数据，该误差数据包括系统数据与传感器系统的目标状态的至少一个偏差、或叠加的外部磁场的分量的强度。方法1300还包括使用系统数据和误差数据创建1303训练数据，以及借助训练数据来训练1304神经网络。
用于训练神经网络以确定物体的旋转角度的方法1300的进一步细节和可选方面结合所提出的概念或以上或以下描述的示例中的一个或多个进行描述。
图14示出了用于确定物体的旋转角度的方法1400的实施例。方法1400包括从用于测量磁场的传感器系统接收1401第一传感器和第二传感器的传感器数据。方法1400还包括借助训练的神经网络确定1402旋转角度。训练的神经网络将第一个传感器和第二个传感器的传感器数据用作输入数据。
用于训练神经网络以确定物体的旋转角度的方法1300的进一步细节和可选方面结合所提出的概念或以上或以下描述的示例中的一个或多个进行描述。
另一实施例涉及具有程序代码的计算机程序，该程序代码使用可编程处理器执行根据前述解释之一的方法。
一些示例可能与磁性角度传感器有关。提议的概念可以单独使用或组合使用，例如在产品或系统级别。例如，用于训练神经网络的装置可以应用于实现神经网络的微控制器。
用于训练神经网络的训练数据可以专门与传感器系统的磁体匹配。对于具有不同磁体(例如具有不同尺寸、不同形状、不同磁场强度)的传感器系统，可以创建不同的训练数据以根据提及的传感器系统训练神经网络。
与一个或多个之前详细描述的示例和附图一起提到和描述的方面和特征可以与一个或多个其他示例组合，以便代替其他示例的类似特征或者向其他示例附加地引入特征。
示例可以进一步是或涉及具有程序代码的计算机程序，该程序代码用于在计算机程序在计算机或处理器上运行时执行上述一种或多种方法。上述各种方法的步骤，操作或过程可以由编程的计算机或处理器执行。示例也可以覆盖程序存储设备，例如数字数据存储介质，这些设备是机器、处理器或计算机可读的，并且由指令对机器可执行的、处理器可执行的或计算机可执行的程序进行编码。指令引导上述方法的一些或全部步骤或引起这些步骤的实施。程序存储设备可以包括或作为例如数字存储、诸如磁盘和磁带之类的磁存储介质、硬盘驱动器或光学可读数字数据存储介质。其他示例可以覆盖被编程用于实施上述方法的步骤的计算机、处理器或控制单元，或者覆盖被编程用于实施上述方法的步骤的(现场)可编程逻辑阵列((F)PLA＝(现场)可编程逻辑阵列)或(现场)可编程门阵列((F)PGA＝(现场)可编程门阵列)。
可以理解，说明书和权利要求中公开的多个步骤、过程、操作或功能的公开可以不以特定顺序构建，除非另有明示或暗示，例如出于技术原因。因此，多个动作或功能的公开将不将它们限于特定顺序。此外，在一些示例中，单个步骤、功能、过程或操作可以分别包括和/或可以在其中显露多个子步骤、子功能、子过程或子操作。
另外，权利要求在此被并入到详细描述中，其中每个权利要求自身可以作为独立示例。虽然每个权利要求自身可以作为独立示例，但应当注意，尽管从属权利要求可以在权利要求中引用与一个或多个其他权利要求的特定组合，但其他示例还可以包括该从属权利要求与每个其他从属权利要求或独立权利要求的主题的组合。本文明确提出这种组合，除非该特定组合是不想要的。另外，还将权利要求的特征包括到任何其他独立权利要求，即使该权利要求不直接从属于该独立权利要求。

Claims (22)

1.一种用于训练神经网络(150、250)以确定物体的旋转角度的装置(100、200)，其中所述装置(150、250)被设计为：
经由用于测量磁场的传感器系统(120)接收系统数据(102、202)，以便确定所述旋转角度，
生成误差数据(201)，所述误差数据包括所述系统数据(102、202)与所述传感器系统(120)的目标状态的至少一个偏差、或叠加的外部磁场的分量的强度；
使用所述系统数据(102、202)和所述误差数据(201)创建训练数据(104、204)；以及
借助所述训练数据(104、204)训练所述神经网络(150、250)。
2.根据权利要求1所述的装置(100、200)，其中
所述系统数据(102、202)包括至少一个关于以下项的信息：传感器(221a、222a、223a)的几何布置、磁体(322)的几何布置或所述传感器系统(120)的编码器的几何布置；所述磁体(322)或所述编码器的磁场；所述磁体(322)或所述编码器的形状；或传感器(221a、222a、223a)与磁体(322)或编码器之间的距离。
3.根据权利要求1或2所述的装置(100、200)，其中
所述误差数据(201)在容差范围内被生成，使得所述系统数据(102、202)与所述目标状态的所述偏差以及所述外部磁场的所述分量的强度不超过临界限度。
4.根据前述权利要求中任一项所述的装置(100、200)，其中所述训练数据(104、204)借助模拟模型(203)被创建。
5.根据前述权利要求中任一项所述的装置(100、200)，其中
基于关于所述系统数据(102、202)的误差数据(201)的多个组合，所述训练数据(104、204)被创建，以便对于每个组合获得传感器数据(221b、222b、223b)和旋转角度。
6.根据权利要求5所述的装置(100、200)，其中所述传感器数据(221b、222b、223b)包括关于所述磁场的、要由所述传感器系统(120)的所述传感器(221a、222a、223a)检测的磁场分量的信息。
7.一种用于确定物体的旋转角度的装置(660、860)，其中所述装置(660、860)被设计为：
从用于测量磁场(601)的传感器系统(620、820)接收第一传感器(621a、821a)和第二传感器(622a、822a)的传感器数据(621b、622b)；以及
借助经训练的神经网络(650)确定所述旋转角度，其中所述经训练的神经网络(650)将所述第一传感器(621a、821a)和所述第二传感器(622a、822a)的所述传感器数据(621b、622b)用作输入数据。
8.根据权利要求7所述的装置(660、860)，其中
所述经训练的神经网络(650)使用关于所述传感器系统(620、820)的系统数据和误差数据而被训练，其中所述误差数据包括所述系统数据与所述传感器系统(620、820)的目标状态的至少一个偏差、或叠加的外部磁场的分量的强度。
9.根据权利要求7或8所述的装置(660、860)，其中所述传感器数据(621b、622b)以借助所述第一传感器(621a、821a)和所述第二传感器(622a、822a)对所述磁场(601)的磁场分量的测量为基础。
10.根据权利要求7至9中任一项所述的装置(660、860)，其中
所述神经网络(650)在输入层(752)与输出层(756)之间包括四个隐藏层(754a-754d)，其中所述输入层(752)被设计为接收所述传感器系统(620、820)的所述传感器数据(621b、622b)，并且所述输出层(756)被设计为输出用于确定所述旋转角度的输出(758)。
11.根据权利要求7至10中任一项所述的装置(660、860)，其中所述神经网络(650)具有前馈架构。
12.根据权利要求7至11中任一项所述的装置(660、860)，其中所述旋转角度使用所述传感器数据(621b、622b)并且应用反正切函数而被确定。
13.一种用于确定物体的旋转角度的系统(870、970、1170)，包括：
根据权利要求7至12中任一项所述的装置(660、860)；和
用于测量磁场的传感器系统(120、620、820、920)，其中所述传感器系统(120、620、820、920)包括至少一个第一传感器(821a、921)和一个第二传感器(822a、922)。
14.根据权利要求13所述的系统(870、970、1170)，还包括：
磁体(932)，所述磁体具有轴线(976)，所述磁体(932)能围绕所述轴线旋转，其中所述轴线(976)垂直于传感器平面，所述传感器(921-924)被布置在所述传感器平面上，其中所述磁体(932)沿着所述轴线(976)与所述传感器平面隔开。
15.根据权利要求13或14所述的系统(870、970、1170)，其中所述传感器系统(920)还包括用于测量所述磁场的第三传感器(923)。
16.根据权利要求15所述的系统(870、970、1170)，其中所述传感器系统(920)还包括用于测量所述磁场的第四传感器(924)。
17.根据权利要求13至16中任一项所述的系统(870、970、1170)，其中所述传感器(821a、822a、921-924)分别以距所述轴线(976)相等的径向距离被布置在所述传感器平面上。
18.根据权利要求13至17中任一项所述的系统(870、970、1170)，其中所述传感器(821a、822a、921-924)是3D霍尔传感器或磁阻传感器。
19.根据权利要求13至18中任一项所述的系统(870、970、1170)，其中所述装置(660、860)和所述传感器系统(120、620、820、920)集成在公共芯片(1190)中。
20.一种用于训练神经网络以确定物体的旋转角度的方法(1300)，包括：
经由用于测量磁场的传感器系统接收(1301)系统数据，以便确定所述旋转角度，
生成(1302)误差数据，所述误差数据包括所述系统数据与所述传感器系统的目标状态的至少一个偏差、或叠加的外部磁场的分量的强度；
使用所述系统数据和所述误差数据创建(1303)训练数据；以及
借助所述训练数据训练(1304)所述神经网络。
21.一种用于确定物体的旋转角度的方法(1400)，包括：
从用于测量磁场的传感器系统接收(1401)第一传感器和第二传感器的传感器数据；以及
借助经训练的神经网络确定(1402)所述旋转角度，其中所述经训练的神经网络将所述第一传感器和所述第二传感器的所述传感器数据用作输入数据。
22.一种具有程序代码的计算机程序，所述计算机程序利用可编程处理器来执行根据权利要求20或21中任一项所述的方法(1300、1400)。
CN202111528981.3A 2020-12-23 2021-12-14 确定物体旋转角度的装置、系统、方法和训练装置和方法 Pending CN114659541A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020134785.5 2020-12-23
DE102020134785.5A DE102020134785A1 (de) 2020-12-23 2020-12-23 Eine Vorrichtung und ein Verfahren zum Trainieren eines Neuronalen Netzwerks zur Bestimmung eines Drehwinkels eines Objekts und eine Vorrichtung, ein System und ein Verfahren zum Bestimmen eines Drehwinkels eines Objekts

Publications (1)

Publication Number Publication Date
CN114659541A true CN114659541A (zh) 2022-06-24

Family

ID=81846890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111528981.3A Pending CN114659541A (zh) 2020-12-23 2021-12-14 确定物体旋转角度的装置、系统、方法和训练装置和方法

Country Status (3)

Country Link
US (1) US20220196379A1 (zh)
CN (1) CN114659541A (zh)
DE (1) DE102020134785A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4306910A1 (en) * 2022-07-11 2024-01-17 Melexis Technologies SA Magnetic position sensor system, device and method
DE102023201387A1 (de) 2023-02-17 2024-08-22 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ermitteln eines funktionalen Zusammenhangs einer elektrischen Antriebseinheit
DE102023108214A1 (de) 2023-03-30 2024-10-02 Infineon Technologies Ag Vorrichtungen und Verfahren zum Vorhersagen einer Position eines kugelförmigen Magneten

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016139135A1 (de) * 2015-03-02 2016-09-09 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. Verfahren und anordnung zur positionsbestimmung eines magnetischen körpers mittels magnetfeldsensoren
CN108528530A (zh) * 2018-03-08 2018-09-14 上海博泰悦臻电子设备制造有限公司 基于神经网络的方向盘自适应标定方法及系统、车载终端
CN108627083A (zh) * 2017-03-24 2018-10-09 Tdk株式会社 角度传感器系统
WO2019011500A1 (de) * 2017-07-13 2019-01-17 Continental Automotive Gmbh Anordnung zur erfassung der winkelposition eines drehbaren bauteils
CN111609872A (zh) * 2019-02-26 2020-09-01 迈来芯电子科技有限公司 用于旋转角度检测和3d操纵杆功能的传感器系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006042725A1 (de) 2006-09-12 2008-03-27 Austriamicrosystems Ag Anordnung und Verfahren zum Betrieb einer Anordnung zur Detektion einer Neigung eines beweglichen Körpers
JP6456555B1 (ja) 2017-11-02 2019-01-23 三菱電機株式会社 キャリブレーション装置、キャリブレーション方法および制御装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016139135A1 (de) * 2015-03-02 2016-09-09 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. Verfahren und anordnung zur positionsbestimmung eines magnetischen körpers mittels magnetfeldsensoren
CN108627083A (zh) * 2017-03-24 2018-10-09 Tdk株式会社 角度传感器系统
WO2019011500A1 (de) * 2017-07-13 2019-01-17 Continental Automotive Gmbh Anordnung zur erfassung der winkelposition eines drehbaren bauteils
CN108528530A (zh) * 2018-03-08 2018-09-14 上海博泰悦臻电子设备制造有限公司 基于神经网络的方向盘自适应标定方法及系统、车载终端
CN111609872A (zh) * 2019-02-26 2020-09-01 迈来芯电子科技有限公司 用于旋转角度检测和3d操纵杆功能的传感器系统

Also Published As

Publication number Publication date
DE102020134785A1 (de) 2022-06-23
US20220196379A1 (en) 2022-06-23

Similar Documents

Publication Publication Date Title
KR101953009B1 (ko) 자기 각 위치 센서
CN114659541A (zh) 确定物体旋转角度的装置、系统、方法和训练装置和方法
US10041780B2 (en) Position sensor
CN104656042B (zh) 离轴磁场角度传感器
CN110645882B (zh) 稳健对抗干扰场的位置传感器系统和方法
EP3469383B1 (en) Magnetic field sensor having error correction
US7495432B2 (en) Angle detecting apparatus
EP3550269A1 (en) System for measuring angular position and method of stray field cancellation
CN106443521B (zh) 在离轴配置中的角度感测
CN107883864B (zh) 角度传感器以及角度传感器系统
US10215550B2 (en) Methods and apparatus for magnetic sensors having highly uniform magnetic fields
CN112344968A (zh) 用于校准角度传感器的装置和方法
JP5187538B2 (ja) 磁気センサ
US20230194635A1 (en) Hall sensor, method for calibrating a hall sensor, and calibration apparatus for a hall sensor
CN112484632B (zh) 用于确定旋转角的装置和方法
US11371824B2 (en) Stray field robust out of shaft angle sensor and measurement system
CN111426264B (zh) 使用同质测试模式的传感器对准
CN116164778A (zh) 具有主轨道和诺纽斯轨道的位置传感器
US20220357223A1 (en) Torque and angle sensing device
US20220057189A1 (en) Magnetic-field-based angle sensor system with stray field compensation and method for stray field compensation
TWI491168B (zh) 自軸承電動機的位置回饋
US20200124684A1 (en) Magnetic sensor
US20240133714A1 (en) Device and method for determining an encoder magnet rotation angle
US11169221B2 (en) Target alignment and stray field indicator
US20240318950A1 (en) Angle sensor using eddy currents and having harmonic compensation

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