CN117480362A - 使用机器学习算法的填充水平测量 - Google Patents
使用机器学习算法的填充水平测量 Download PDFInfo
- Publication number
- CN117480362A CN117480362A CN202280042223.7A CN202280042223A CN117480362A CN 117480362 A CN117480362 A CN 117480362A CN 202280042223 A CN202280042223 A CN 202280042223A CN 117480362 A CN117480362 A CN 117480362A
- Authority
- CN
- China
- Prior art keywords
- signal
- designed
- filling level
- received signal
- machine learning
- 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
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 37
- 238000010801 machine learning Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 46
- 239000000463 material Substances 0.000 claims abstract description 33
- 239000000945 filler Substances 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 10
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims abstract 4
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004886 process control Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 description 6
- 230000000996 additive effect Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
- G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
- G01F23/284—Electromagnetic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
- G01F23/80—Arrangements for signal processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本发明涉及一种用于可靠地确定容器(3)中的填充材料(2)的填充水平(L)的测量系统和对应的测量方法。为此，该测量系统包括基于雷达的测量装置(1)，其具有：传输单元(11)，借助于该传输单元，高频信号(SHF)可以朝向填充材料(2)被发射并且可以在填充材料表面上反射之后作为接收信号(RHF)被接收；信号生成单元，其生成要发射的高频信号(SHF)；以及接收单元，其记录接收信号(RHF)。根据本发明，机器学习算法(MLA)被设计为能够在分析单元(4)中使用接收信号(RHF)来检测填充水平(L)。以此方式，本发明解决了填充水平表面不一定被指配给接收信号(RHF)的正确信号最大值的问题，如在现有技术中所要求的以便检测填充水平。实际上，使用机器学习算法(MLA)，可以基本上可靠地解读主要在诸如干扰和多次反射的复杂测量条件下记录的接收信号(RHF)。
Description
技术领域
本发明涉及基于机器学习算法的基于雷达的填充水平测量。
背景技术
在自动化技术中，特别是在过程自动化中，经常使用能够检测各种过程变量的现场设备。待指定的过程变量例如可以是过程工厂中的介质的填充水平、流量、压力、温度、pH值、氧化还原电势、电导率或介电值。为了检测对应的测量值，现场设备各自包括合适的传感器或者基于合适的测量原理。Endress+Hauser集团公司制造和销售各种不同类型的现场设备。
为了测量容器中填充材料的填充水平，已经建立了基于雷达的测量方法，因为它们坚固且维护成本低。基于雷达的测量方法的一个关键优势是能够或多或少地连续且非接触地测量填充水平。在本专利申请的上下文中，术语“雷达”和“高频”是指频率在0.03GHz和300GHz之间的电磁波。执行填充水平测量的典型频段为2GHz、26GHz、79GHz或120GHz。这里两种常见的测量原理是脉冲渡越时间原理(也称为术语“脉冲雷达”)和FMCW(“调频连续波”)原理。基于脉冲渡越时间方法和基于FMCW方法，填充水平测量装置可以以相对较低的电路系统复杂性和亚毫米范围内的高填充水平分辨率来实现。
除了通过天线发射或接收高频信号的自由辐射雷达测量之外，还存在制导雷达的变形。在这种情况下，使用导电测量传感器(例如同轴波导或金属棒)代替天线，将导电测量传感器降低到容器中以便引导高频信号。与自由辐射雷达类似，测量传感器中的高频信号在填充材料表面的填充水平处反射，并沿着测量传感器引导朝向填充水平测量装置。这种基于雷达的填充水平测量的变形也被称为术语“TDR”(时域反射计)。该变形的优点在于，由于引导的信号辐射，操作填充水平测量装置需要更少的功率。例如，在美国专利说明书10,07,743B2中描述了基于TDR的填充水平测量装置。
与测量原理(脉冲渡越时间、FMCW或TDR)无关，通过从反射的接收信号确定从填充材料表面及其对应的距离值产生的信号最大值来指定填充水平值。一般来说，各种基于雷达的测量原理在Peter Devine,2000年的“雷达水平检测”中进行了描述。
根据要指定水平的产品类型，产品可能充满杂质、添加剂或外来物质，这些物质可能在产品上方或下方形成添加剂产品层，诸如泡沫、沉积物、或者油相或水相。在这种情况下，在实际产品和添加剂产品层之间还形成或多或少明显的边界层，通常也被理解为“分离层”。因此，填充水平测量可以被可能的附加填充材料层或多次反射干扰或伪造，因为填充材料表面的对应的信号最大值不能被确定地识别。如果罐内存在诸如搅拌器或供应管线的干扰物体，其在高频信号被发射之后产生对应的干扰回波，则也会发生这种情况。
如有必要，除了填充水平之外，能够可靠地检测任何添加剂填充材料层的存在甚至厚度也是令人感兴趣的。欧洲专利申请2 722 655A1中描述了一种基于TDR的填充水平测量装置，其通过将信号最大值的信号幅度与理论目标值进行比较来确定可能的添加剂填充材料层。然而，即使在这种情况下，通过识别对应的信号最大值进行的检测至少是不确定的，因为添加剂产品层或其表面可能仅非常微弱地反射对应的信号。
发明内容
因此，本发明的目的是实现可靠的填充水平测量。
本发明通过一种用于测量容器中的填充材料的填充水平的测量系统来实现该目的，该测量系统包括以下部件：
-基于雷达的测量装置，其具有
○传输单元，借助于该传输单元可以朝向填充材料发射高频信号，并且可以在填充材料表面处反射之后作为接收信号被接收，
○信号生成单元，其被设计为生成要发射的高频信号，
○接收单元，其被设计为记录该接收信号，以及
-评估单元，在该评估单元中，根据本发明，机器学习算法被设计为使得基于该接收信号来检测填充水平。
在本发明的上下文中，术语“单元”原则上指的是以适合于预期目的的方式设计的任何电子电路。根据需要，它因此可以是用于生成或处理对应的模拟信号的模拟电路。然而，它也可以是数字电路，诸如微控制器或与程序结合操作的存储介质。该程序被设计为执行对应的方法步骤或为相应的单元应用必要的计算操作。在本上下文中，本发明意义上的测量系统的各种电子单元还可以潜在地访问公共物理存储器或者通过相同的数字电路进行物理操作。
根据本发明的机器学习算法的实现避免了接收信号中的正确信号最大值可能无法被分配给填充材料表面的问题，而根据现有技术进行填充材料表面的检测是需要的。事实上，机器学习算法可以用于以更大的确定性解释在复杂测量条件下(诸如多次反射或存在内部容器配件时)记录的特定接收信号。
在本发明的上下文中，“机器学习算法”原则上被定义为将其输入变量中的至少一个映射到其输出变量中的至少一个的任何通用数学函数逼近器。在教学阶段期间基于已知的训练数据调整对应映射函数的内部参数。特别是在这种情况下，监督学习被实现为一种算法方法。就这一点而言，在本发明的上下文中没有明确规定实现机器学习算法的具体形式。例如，机器学习算法可以以“决策树”、“支持向量机”、“朴素贝叶斯”或“k近邻算法”的形式来实现。然而，如果机器学习算法是基于非符号方法(诸如人工神经网络)设计的，特别是采用深度学习方法(更好地称为“深度学习”)的形式，则可以特别有效地检测填充水平。机器学习算法，例如，在“人工智能导论”(Wolfgang Ertel，2017)中被更详细地描述。
此外，如何或在何处实现评估单元在本发明的上下文中不是重要的。例如，评估单元可以设计为测量装置的集成部件，或者甚至设计为更高级别网络(例如云或服务器)的部件，或者设计为工厂特定过程控制系统的部件。
例如，如果水平测量装置基于TDR方法设计，使得传输单元被实现为延伸到容器中的测量探针，则可以使用根据本发明的思想。与此相对应，信号生成单元根据TDR方法以对应的脉冲方式生成在这种情况下要发射的高频信号。关于根据本发明的思想，TDR方法的优点在于该接收信号具有总体较高的信号幅度，这原则上使得机器学习算法更容易识别填充水平。
然而，原则上也可以在自由辐射雷达测量装置的情况下使用根据本发明的思想，其中传输单元根据频带设计为天线，例如喇叭天线、透镜天线或平面天线。这里，信号生成单元是否根据FMCW方法生成要发射的高频信号、或该接收单元是否根据FMCW方法记录该接收信号，或者该信号生成单元是否根据脉冲渡越时间方法生成要发射的高频信号、以及该接收单元是否根据脉冲渡越时间方法记录该接收信号并不重要。
对应于根据本发明的测量系统，本发明的目的还通过一种对应的测量方法来实现，该测量方法用于借助于根据上述实施例变形之一的测量系统来检测容器中的填充材料的填充水平。在这种情况下，该方法包括以下方法步骤：
-根据特定的雷达方法经由传输单元将高频信号发射到容器中，
-根据对应的雷达方法在高频信号的反射之后记录接收信号，以及
-借助于机器学习算法评估该接收信号，使得检测填充水平层。
机器学习算法可以在教学阶段进行训练，这是在实际测量操作之前需要的，例如，借助于实验获得和/或模拟生成的接收信号，诸如借助于“CST Microwave Studio”。
可选地，根据本发明的方法可以通过以下方法步骤来扩展，以便例如检查测量装置的可操作性：
-根据经典评估，通过在接收信号中定位与填充材料表面相对应的信号最大值来确定填充水平值，
-将根据现有技术通过定位对应的信号最大值而确定的填充水平值与根据本发明借助于机器学习算法而确定的填充水平值进行比较，以及
-如果比较导致充分匹配，则将所确定的填充水平分类为合理。
这可以进一步增加填充水平测量的确定性和重要性。
附图说明
参考下图更详细地解释本发明。其示出：
图1：根据本发明的用于测量容器中的填充水平的测量系统。
具体实施方式
为了理解根据本发明的填充水平的测量，图1示出了自由辐射雷达测量装置1，其可以用于确定容器3中的填充材料2的填充水平L。为了实现脉冲渡越时间方法或FMCW方法，测量装置1包括天线11，该天线作为在填充材料2的方向上或在容器3中反射之后的对应的高频信号SHF、RHF的传输单元。与图1中所示的实施例变形相反，在TDR测量原理的情况下，需要测量探头作为传输单元11，而不是天线11。
为了确定填充水平L，测量装置1附接到容器3的上侧，其中用于发射和接收容器内部中的高频信号SHF、RHF的天线11指向填充材料2。在这种情况下，测量装置1在容器底部上方的安装高度h是已知的，并且该安装高度存储在填充水平测量装置1中或外部评估单元4中，其诸如为分散服务器或中央过程控制系统。
要发射的高频信号SHF根据FMCW方法或脉冲渡越时间方法经由天线11以脉冲或频率调制的方式在填充材料2的方向上被发射。由于填充材料2表面上的介电值的跳变，所发射的高频信号SHF然后在填充材料表面的水平处反射，并且在对应的信号渡越时间t之后在测量装置1中作为接收信号RHF被相应地接收。在这种情况下，根据下式的信号SHF、RHF的信号渡越时间t
取决于从容器顶部到填充材料表面的距离d
d＝h-L
在此情况下，c是高频信号SHF、RHF在容器3中的传播速度，其位于光速c的范围内。
为了生成高频信号SHF，填充水平测量装置1包括对应设计的信号生成单元——例如，在TDR方法的情况下，这可以基于对应地放电以生成持续约100ps至1ns的脉冲的电容器。在根据脉冲渡越时间方法或FMCW方法的自由辐射雷达的情况下，如图1中的情况，该信号生成单元可以包括例如频率控制的高频振荡电路或振荡晶体。为了使信号生成单元根据相应的方法以脉冲或斜坡形式在所需的时钟速率处生成高频信号SHF，以对应的计时或调制方式驱动电容器或晶体振荡器。
在测量装置1的信号生成单元和天线11之间插入收发器开关，以便将接收信号RHF在容器3中反射之后馈送到接收单元，在该接收单元中，该接收信号RHF被数字化或记录(未明确描述)。在这种情况下，原则上并没有明确规定收发器开关的设计。在TDR方法的情况下，如图1所示的实施例变形的情况，收发器开关可以被设计为例如纯电节点。特别是在自由辐射雷达的情况下，收发器开关可以被实现为例如双工器。
为了确定填充水平L，可以将接收信号RHF记录在接收单元中，例如通过根据脉冲渡越时间原理对接收信号RHF进行欠采样，使得接收信号RHF在时间上被限定因子拉伸。在这种情况下，时间延长因子取决于采样率。为此，必须选择对应的采样率以实现足够的时间延长，使得其与所发射的信号脉冲SHF的时钟率仅在千分之一范围内不同。在FMCW的情况下，通过将接收信号RHF与瞬时发射的高频信号SHF混合来实现接收信号RHF的延长的记录。
从电路角度来看，时间延长简化了基于接收信号RHF的填充水平L的确定。在图1所示的测量装置1的实施例中，在自由辐射雷达的情况下，除了时间延长之外，还对接收信号RHF进行矫正，使得记录的接收信号RHF关于固定参考电势仅具有一种极性—正或负。
通过图1右侧所示的曲线更详细地示出了通过可能时间延长的接收信号RHF来确定填充水平L：那里的曲线示出了接收信号RHF的时间幅度曲线。在这种情况下，容器顶部与填充材料表面之间的距离d与图1所示曲线的信号渡越时间轴t成比例。在理想情况下，即没有任何外部干扰的情况下，接收信号RHF包括至少一个显着的信号最大值，其可以清楚地被分配给填充材料2的表面。在这种情况下，填充水平L基于对应于信号最大值的渡越时间t和前面提到的公式来指定。根据现有技术，这可以通过用于检测评估信号RHF中的信号最大值的对应搜索算法来完成。
从图1所示的曲线可以看出，评估信号RHF除了最大填充水平之外还包括其它信号最大值，该信号最大值可以归因于高频信号SHF在容器底部或诸如入口之类的干扰物体上的反射。取决于使用地点，信号最大值也不具有尖锐的轮廓。这意味着，在有疑问的情况下，不可能由此确定任何或正确的信号最大值。因此，无论是基于脉冲渡越时间、FMCW还是TDR测量原理，根据测量情况，测量装置1都不可能肯定正确地确定填充材料2的填充水平L。根据应用或处理系统，必须肯定地知道填充材料2的填充水平L，例如以防止容器3过度填充。
根据本发明，即使不能毫无疑问地检测到信号最大值，也可以通过将机器学习算法MLA应用于可能时间延长的接收信号RHF来确定填充水平L。在这种情况下，原则上不规定应用哪种学习算法MLA。然而，人工神经网络，特别是“深度学习”，被证明在这方面特别有效。结果，在更复杂的信号曲线的情况下，与仅检测信号最大值并将其用于确定填充水平相比，可以关于填充水平L更可靠地解释接收信号RHF。
由于机器学习算法MLA的应用可能需要高计算能力，因此如果机器学习算法MLA不在测量装置1本身中，但是在外部评估单元4中实现则是有利的，因为测量装置1可以是在某些情况下受限于过程工厂的有限电力供应。在这种情况下，测量装置1或其接收单元可以经由合适的接口，诸如“PROFIBUS”、“HART”、“无线HART”、“4-20mA”，“蓝牙”或“以太网”，将记录的接收信号RHF发射到评估单元4。因此，评估单元4与测量装置1一起形成根据本发明的用于测量容器3中的填充水平的对应的测量系统。假设测量装置1中也有足够的计算能力，则机器学习算法也可以在测量装置1本身中实现。
机器学习算法MLA的应用需要在已知条件下训练根据本发明的测量系统。为此，在常规测量操作之前，测量装置1将暴露于具有已知参数的各种训练情况，诸如
-产品2的填充水平L，
-已知的填充材料类型或其介电值DK，和/或
-已知的内部容器几何形状。
基于学习阶段的接收信号RHF不仅可以通过实验获得，还可以通过模拟的方式获得，诸如通过“CST Microwave Studio”。这避免了过程工厂中耗时的训练阶段。
基于本发明，不仅可以确定填充水平L，而且还可以检查填充水平L的合理性——例如，以便验证测量装置1的功能并因此进一步增加测量的可靠性。为此目的，评估单元4可以被设计为使得其不仅通过自动算法MLA而且还通过定位对应的信号最大值来从接收信号RHF确定填充水平值L，如根据现有技术是可能的。在这种情况下，以不同方式(使用根据本发明的方法和使用传统方法)确定的两个水平值L可以彼此比较：如果比较导致两个填充水平值L之间充分一致，由此可以推断出合理的填充水平值L或功能正常的测量装置1。这进一步增加了填充水平测量的确定性。
附图标记列表
1 测量装置
2 填充材料
3 容器
4 评估单元
d 距离
h 容器底部上方的高度
L 填充水平
MLA 机器学习算法
RHF 接收信号
SHF 高频信号
t 信号渡越时间
Claims (11)
1.一种用于测量容器(3)中的填充材料(2)的填充水平(L)的测量系统，包括：
-基于雷达的测量装置(1)，所述基于雷达的测量装置(1)具有：
○传输单元(11)，借助于所述传输单元，高频信号(SHF)
能够在所述填充材料(2)的方向上被发射并且在填充材料表面处反射之后能够作为接收信号(RHF)被接收，
○信号生成单元，所述信号生成单元被设计为生成要发射的射频信号(SHF)，
○接收单元，所述接收单元被设计为记录所述接收信号(RHF)，以及
-评估单元(4)，在所述评估单元中机器学习算法(MLA)被设计为基于所述接收信号(RHF)来检测所述填充水平(L)。
2.根据前述权利要求中的一项所述的测量系统，其中，所述机器学习算法(MLA)被设计为人工神经网络，特别是深度学习方法的形式。
3.根据前述权利要求中任一项所述的测量系统，其中，所述评估单元被设计为所述测量装置(1)的集成部件。
4.根据权利要求1或2所述的测量系统，其中，所述评估单元(4)被设计为更高级网络的部件，并且特别是服务器系统或过程控制系统。
5.根据前述权利要求中的一项所述的测量系统，其中，所述传输单元被设计为延伸到所述容器(3)中的测量传感器，并且其中，所述信号生成单元被设计为根据TDR方法生成所述要发射的高频信号(SHF)，或者其中所述接收单元被设计为根据所述TDR方法记录所述接收信号(RHF)。
6.根据权利要求1至4所述的测量系统，其中，所述传输单元被设计为天线(11)，并且特别是被设计为喇叭天线或被设计为平面天线。
7.根据权利要求6所述的测量系统，其中，所述信号生成单元被设计为根据FMCW方法生成所述要发射的高频信号(SHF)，或者其中所述接收单元被设计为根据所述FMCW方法记录所述接收信号(RHF)。
8.根据权利要求6所述的测量系统，其中，所述信号生成单元被设计为根据脉冲渡越时间方法生成所述要发射的高频信号(SHF)，或者其中，所述接收单元被设计为根据所述脉冲渡越时间方法记录所述接收信号(RHF)。
9.一种用于借助于根据前述权利要求中的一项所述的测量系统来检测容器(3)中的填充材料(2)的填充水平(L)的方法，包括以下方法步骤：
-经由所述传输单元(11)将高频信号(SHF)发射到所述容器(3)中，
-在所述高频信号(SHF)的反射之后记录所述接收信号(RHF)，
-借助于所述机器学习算法(MLA)评估所述接收信号(RHF)，使得检测所述填充水平(L)。
10.根据权利要求9所述的方法，其中，借助于实验获得的接收信号(RHF)和/或模拟生成的接收信号(RHF)来训练所述机器学习算法(MLA)。
11.根据权利要求9或10所述的方法，包括以下附加方法步骤：
-通过定位所述接收信号(RHF)中与所述填充材料表面相对应的信号最大值来确定填充水平值，
-将通过定位所述对应的信号最大值而确定的填充水平值与通过所述机器学习算法(MLA)而确定的填充水平(L)进行比较，以及
-如果比较导致充分匹配，则将所确定的填充水平(L)分类为合理。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102021115874.5A DE102021115874A1 (de) | 2021-06-18 | 2021-06-18 | Füllstandsmessung |
| DE102021115874.5 | 2021-06-18 | ||
| PCT/EP2022/063595 WO2022263099A1 (de) | 2021-06-18 | 2022-05-19 | Füllstandmessung mit einem maschinellen lern-algorithmus |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117480362A true CN117480362A (zh) | 2024-01-30 |
Family
ID=82019530
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202280042223.7A Pending CN117480362A (zh) | 2021-06-18 | 2022-05-19 | 使用机器学习算法的填充水平测量 |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4356080A1 (zh) |
| CN (1) | CN117480362A (zh) |
| DE (1) | DE102021115874A1 (zh) |
| WO (1) | WO2022263099A1 (zh) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US1007743A (en) | 1909-07-01 | 1911-11-07 | William D Smith | Ordnance. |
| DE4223346C2 (de) | 1992-07-16 | 1996-05-02 | Grieshaber Vega Kg | Anordnung und Verfahren zur berührungslosen Füllstandmessung |
| DE102009055262A1 (de) | 2009-12-23 | 2011-06-30 | Endress + Hauser GmbH + Co. KG, 79689 | Verfahren zur Ermittlung und Überwachung des Füllstands eines Mediums in einem Behälter nach einem Laufzeitmessverfahren |
| EP2527801B1 (de) * | 2011-05-27 | 2019-12-11 | VEGA Grieshaber KG | Vorrichtung und Verfahren zur Ermittlung von Medien- und Behältereigenschaften |
| US8963769B2 (en) | 2012-10-16 | 2015-02-24 | Magnetrol International, Incorporated | Guided wave radar interface measurement medium identification |
| KR101429696B1 (ko) | 2012-11-21 | 2014-08-13 | 국립암센터 | 안전성 및 항암활성이 증가된 재조합 아데노바이러스 및 이의 용도 |
| DE102018212097B4 (de) * | 2018-07-19 | 2022-04-07 | Vega Grieshaber Kg | Feldgerät mit mehreren Rechenwerken |
| DE102018124606A1 (de) | 2018-10-05 | 2020-04-09 | Endress+Hauser SE+Co. KG | Verfahren zu Füllstandsmessung |
-
2021
- 2021-06-18 DE DE102021115874.5A patent/DE102021115874A1/de active Pending
-
2022
- 2022-05-19 EP EP22729659.7A patent/EP4356080A1/de active Pending
- 2022-05-19 WO PCT/EP2022/063595 patent/WO2022263099A1/de active Application Filing
- 2022-05-19 CN CN202280042223.7A patent/CN117480362A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE102021115874A1 (de) | 2022-12-22 |
| WO2022263099A1 (de) | 2022-12-22 |
| EP4356080A1 (de) | 2024-04-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105974373B (zh) | 用于调整导波雷达脉冲宽度以优化测量的装置和方法 | |
| CN102607669B (zh) | 填充水平传感器的回声形状评估 | |
| EP2166320B1 (en) | Apparatus and method for dynamic peak detection, identification, and tracking in level gauging applications | |
| RU2678933C2 (ru) | Радарный уровнемер непрерывного излучения с частотной модуляцией, имеющий функцию самодиагностики | |
| EP2359102B1 (en) | System and method for filling level determination | |
| CN102812337B (zh) | 用于利用传播时间测量方法确认并且监测介质在容器中的填充水平的方法 | |
| US9534944B2 (en) | Method for determining and/or monitoring fill level of a medium in a container | |
| US10775221B2 (en) | Adaptive echo threshold | |
| CN101389935A (zh) | 使用步进频率脉冲的雷达液位检测 | |
| EP3811040B1 (en) | Radar level gauge | |
| US7542866B1 (en) | Threshold setting for a radar level transmitter | |
| US9671488B2 (en) | Radar level gauge with signal division | |
| CN117480362A (zh) | 使用机器学习算法的填充水平测量 | |
| CN117480361A (zh) | 使用机器学习算法来检测边界层 | |
| EP3688421B1 (en) | Radar level gauging with wait state | |
| Sai et al. | Advanced high precision radar gauge for industrial applications | |
| CN111684242A (zh) | 检测基于fmcw的液位测量装置的潜在故障状态的方法 | |
| US20220034702A1 (en) | Method for measuring a filling level | |
| Wegner et al. | Fill level measurement of low-permittivity material using an M-sequence UWB radar | |
| Sai et al. | Highly reliable and accurate level radar for automated legal custody transfer and inventory management | |
| Sai | High precision self-adaptive radar gauging under clutter environments |
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 |