DE102018217166A1 - Messung von physikalischen Größen eines Stoffs - Google Patents
Messung von physikalischen Größen eines Stoffs Download PDFInfo
- Publication number
- DE102018217166A1 DE102018217166A1 DE102018217166.1A DE102018217166A DE102018217166A1 DE 102018217166 A1 DE102018217166 A1 DE 102018217166A1 DE 102018217166 A DE102018217166 A DE 102018217166A DE 102018217166 A1 DE102018217166 A1 DE 102018217166A1
- Authority
- DE
- Germany
- Prior art keywords
- measured values
- measuring device
- transfer unit
- computer program
- physical target
- 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.)
- Ceased
Links
- 239000000126 substance Substances 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 title description 23
- 238000012546 transfer Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 239000013074 reference sample Substances 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000011045 prefiltration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009102 absorption Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 210000002023 somite Anatomy 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/02—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation
- G01D3/022—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation having an ideal characteristic, map or correction data stored in a digital memory
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Die Erfindung gibt Messvorrichtung zur Bestimmung einer physikalischen Zielgröße (TV) eines Stoffs (5) an. Die Messvorrichtung weist auf:- ein Messgerät (1) zur Erfassung von ersten Messwerten (M1), aus denen die physikalische Zielgröße (TV) bestimmbar ist,- eine erste Transfereinheit (3), die ausgebildet und programmiert ist, aus den ersten Messwerten (M1) zweite Messwerte (M2) zu erzeugen, die bezüglich Signalgüte und/oder Informationsgehalt gegenüber den ersten Messwerten (M1) verbessert sind,- wobei die erste Transfereinheit (3) durch einen Vergleich von mit dem Messgerät (1) erfassten Trainingsmesswerten (MT) mit mit einem Referenzmessgerät (4) erfassten Referenzmesswerten (MR) vorab trainiert wurde,- wobei die Trainingsmesswerte (MT) und die Referenzmesswerte (MR) an einer mit dem Stoff (5) vergleichbaren Referenzprobe (6) ermittelt wurden,- wobei das Referenzmessgerät (2) die Bestimmung der physikalischen Zielgröße (TV) genauer ermöglicht als das Messgerät (1),- und eine zweite Transfereinheit (4), die ausgebildet und programmiert ist, aus den zweiten Messwerten (M2) die physikalische Zielgröße (TV) zu ermitteln.Ein zugehöriges Verfahren, ein zugehöriges Computerprogrammprodukt und ein zugehöriges computerlesbares Medium werden ebenfalls angegeben.
Description
- Gebiet der Erfindung
- Die Erfindung betrifft eine Messvorrichtung und ein Verfahren für die Bestimmung einer physikalischen Zielgröße eines Stoffs sowie ein zugehöriges Computerprogrammprodukt und ein computerlesbares Medium.
- Unter „physikalischer Zielgröße“ wird dabei eine quantitativ bestimmbare Eigenschaft eines Vorgangs oder Zustands eines zu untersuchenden Stoffs verstanden. Ihr Wert (Größenwert) wird als Produkt aus einem Zahlenwert (der Maßzahl) und einer Maßeinheit angegeben. Als (chemischer) Stoff wird ein Element, eine Verbindung oder ein Gemisch bezeichnet, der bestimmte chemische und physikalische Stoffeigenschaften hat. Chemische Stoffe werden allgemein auch als Substanzen oder Materialien (in der Technik) bezeichnet.
- Hintergrund der Erfindung
- Sensordaten von Messungen physikalischer Größen an Stoffen sind häufig von Rauschen und anderen physikalischen Querempfindlichkeiten „kontaminiert“ und verschmiert. Dies ist insbesondere bei Low-cost Sensoren der Fall. Qualitätseinbußen sind die Folge und resultieren in sub-optimalen Messsignalen. Zeitreihen können beispielsweise durch einen Memoryeffekt verschmiert werden und durch eine das Einkoppeln von elektromagnetischen Signalen (50Hz Brumm, Funk, Handy, etc.) überlagert sein. Außerdem können beispielsweise Spektrometerdaten durch ein Übersprechen des Messsignals zwischen benachbarten Detektorpixeln, beispielsweise durch Wärmeleitung zwischen den Pixeln, verwaschen werden, beispielsweise im Lineararray eines pyroelektrischen Detektors, dessen Messsignal auf der Detektion von Wärme in dem Sensormaterial beruht.
- Bis jetzt gibt es außer Mittelungs- und Filterverfahren keine Möglichkeit, aus den kontaminierten Daten bessere Vorhersagen zu erzielen, da auch durch Mittelung und Filtern keine im Fall der Spektrometerproblematik spektrale bzw. im Fall der Zeitreihe eine zeitliche Definition gewonnen werden kann.
- Im Weiteren wird auf das Spektrometerproblem Bezug genommen, aber dieser Ansatz betrifft alle möglichen und nicht zwingend lückenlosen Signalfolgen, ob spektral zeitlich oder anders generiert.
- Für den Fall, dass der Grund für die Verschmierung der Daten ausreichend bekannt ist, kann evtl. eine Entfaltung eine Verbesserung erzielen. Da aber zumeist eher eine verlustbehaftete „Dilation“, also Ausschmierung, statt der mathematisch umkehrbaren Faltung von Funktionen auf Grund des Informationsverlustes bei der Messung vorliegt, ist dies nur selten bzw. nicht hinreichend möglich.
- Zusammenfassung der Erfindung
- Es ist Aufgabe der Erfindung, eine Lösung für die Bestimmung von physikalischen Größen eines Stoffs anzugeben, durch die die Genauigkeit der Bestimmung verbessert wird.
- Gemäß der Erfindung wird die gestellte Aufgabe mit der Messvorrichtung, dem automatisierten Messverfahren, dem Computerprogrammprodukt und dem computerlesbaren Medium gemäß der unabhängigen Patentansprüche gelöst. Vorteilhafte Weiterbildungen sind in den abhängigen Ansprüchen angegeben.
- Erfindungsgemäß wird mittels einer Messvorrichtung oder eines Messverfahrens aus qualitativ schlechten Messdaten eines Stoffs durch eine Transformation mittles einer ersten Transfereinheit qualitativ verbesserte Messdaten erzeugt, die ein Maß für eine Zielgröße des Stoffs sind. Dabei wird die erste Transfereinheit vorab durch Vergleich von Referenzmessdaten mit Messdaten an einer mit dem Stoff vergleichbaren Probe trainiert.
- Die Erfindung beansprucht eine Messvorrichtung zur Bestimmung einer physikalischen Zielgröße eines Stoffs, aufweisend:
- - ein Messgerät zur Erfassung von ersten Messwerten, aus denen die physikalische Zielgröße bestimmbar ist,
- - eine erste Transfereinheit, die aus den ersten Messwerten zweite Messwerte erzeuget, die bezüglich Signalgüte und/oder Informationsgehalt gegenüber den ersten Messwerten verbessert sind,
- - wobei die erste Transfereinheit durch einen Vergleich von mit dem Messgerät erfassten Trainingsmesswerten mit mit einem Referenzmessgerät erfassten Referenzmesswerten vorab trainiert wurde,
- - wobei die Trainingsmesswerte und die Referenzmesswerte an einer mit dem Stoff vergleichbaren Referenzprobe ermittelt wurden,
- - wobei das Referenzmessgerät die Bestimmung der physikalischen Zielgröße genauer ermöglicht als das Messgerät,
- - und eine zweite Transfereinheit, die aus den zweiten Messwerten die physikalische Zielgröße ermittelt.
- Die Erfindung bietet den Vorteil, dass für eine Messung kostengünstige, einfache Messgeräte zum Einsatz können und die Messgenauigkeit trotzdem ähnlich einem hochwertigen Messgerät ist.
- In einer Weiterbildung kann die erste Transfereinheit mittels einer Partial Least Squares Regresseion aus den ersten Messwerten die zweiten Messwerte erzeugen.
- In einer weiteren Ausführungsform kann die erste Transfereinheit mittels eines neuronalen Netzes aus den ersten Messwerten die zweiten Messwerte erzeugen.
- In einer weiteren Ausgestaltung können das Messgerät und das Referenzmessgerät Spektrometer sein.
- Die Erfindung beansprucht auch ein Verfahren zur Bestimmung einer physikalischen Zielgröße eines Stoffs mit den Schritten:
- - Erfassung von ersten Messwerten durch ein Messgerät, aus denen die Zielgröße bestimmbar ist,
- - aus den ersten Messwerten Erzeugung von zweiten Messwerten, die bezüglich Signalgüte und/oder Informationsgehalt gegenüber den ersten Messwerten verbessert sind, durch eine erste Transfereinheit,
- - wobei die erste Transfereinheit durch einen Vergleich von mit dem Messgerät erfassten Trainingsmesswerten mit mit einem Referenzmessgerät erfassten Referenzmesswerten vorab trainiert wurde,
- - wobei die Trainingsmesswerte und die Referenzmesswerte an einer mit dem Stoff vergleichbaren Referenzprobe ermittelt wurden, und
- - wobei das Referenzmessgerät die Bestimmung der physikalischen Zielgröße genauer ermöglicht als das Messgerät,
- - und Ermittlung der physikalischen Zielgröße aus den zweiten Messwerten.
- In einer Weiterbildung können durch die erste Transfereinheit mittels einer Partial Least Squares Regresseion aus den ersten Messwerten die zweiten Messwerte erzeugt werden.
- In einer Weiterbildung können durch die erste Transfereinheit mittels eines neuronalen Netzes aus den ersten Messwerten die zweiten Messwerte erzeugt werden.
- Die Erfindung beansprucht auch ein Computerprogrammprodukt, umfassend ein Computerprogramm, wobei das Computerprogramm in eine Speichereinrichtung einer Messvorrichtung ladbar ist, wobei mit dem Computerprogramm die Schritte eines erfindungsgemäßen Verfahrens ausgeführt werden, wenn das Computerprogramm auf der Messvorrichtung ausgeführt wird.
- Die Erfindung beansprucht außerdem ein computerlesbares Medium, auf welchem ein Computerprogramm gespeichert ist, wobei das Computerprogramm in eine Speichereinrichtung einer Messvorrichtung ladbar ist, wobei mit dem Computerprogramm die Schritte eines erfindungsgemäßen Verfahrens ausgeführt werden, wenn das Computerprogramm auf der Messvorrichtung ausgeführt wird.
- Weitere Besonderheiten und Vorteile der Erfindung werden aus den nachfolgenden Erläuterungen mehrerer Ausführungsbeispiele anhand von schematischen Zeichnungen ersichtlich.
- Es zeigen:
-
1 : ein Blockschaltbild einer Messvorrichtung und -
2 : ein Blockschaltbild einer Vorrichtung für das Training der ersten Transfereinheit und - Detaillierte Beschreibung mehrerer Ausführungsbeispiele
- Ausgehend von einer sub-optimalen Datenbasis (= erste Messwerte
M1 ) sollen beispielsweise für eine industrielle Nutzung von Sensorsystemen robuste statistische Vorhersagemodelle angefertigt werden. Diese Modelle wiederum beruhen auf dem Training einer Korrelation ausgehend von Datenreihen (= TrainingsmesswerteMT ) auf Zielparameter (= Zielgröße TV) hin. In der Trainingsphase werden gleichzeitig Daten (= ReferenzmesswerteMR ) an einem oder mehreren Referenzsystemen aufgenommen, die - am Beispiel einer Spektroskopie - eine bessere Signaldefinition, wie z.B. Signal-Rausch-Verhalten, und verbesserte Signalauflösung, wie z.B. Pixel pro Wellenlänge, aufweisen. - Wird nun ein Modell auf Basis der am Referenzsystem (= Referenzmessgerät
2 ) gemessenen Daten (= ReferenzmesswerteMR ) angefertigt und die Performance der Vorhersage mit den auf Low-cost Systemen (= Messgerät1 ) trainierten Modellen verglichen, so wird das Referenzsystem den Vergleich für sich entscheiden. Das Problem ist, dass die Datenbasis auf stark „kontaminierten“ Informationen beruht. - Statistische Vorhersageverfahren sind nicht zwingend auf die Vorhersage eines einzelnen Werts pro Input-Datensatz limitiert und können auch simultan mehrere Parameter bzw. Werte vorhersagen. Gesetzt den Fall, dass im Training eines solchen statistischen Vorhersagemodells sowohl die qualitativ hochwertigen Spektren S (= Referenzmesswerte
MR , z.B. von einem hochwertigen Spektrometer) als auch die qualitativ suboptimalen, da verschmierten, Datensätze S' (= erste MesswerteM1 , z.B. von einem Low-Cost Spektrometer) als auch die Zielparameter Y (= Zielgröße TV) vorliegen, wird zunächst eine Abbildung von der kontaminierten Menge S' auf die optimale Menge S unter Beachtung der Zugehörigkeit zu einem bestimmten Zielparameter Y durchgeführt. Hierbei erlernt das Vorhersagemodell die S' Datensätze in ihrer Datenqualität in Richtung S zu korrigieren. Die dabei erlernte Transferfunktion einer ersten Transfereinheit3 dient dem späteren Vorhersagemodell als Vorfilter. - Ist ein technisches Zusatzwissen über die (mögliche Ursache der/charakteristischen Eigenschaften der) Verschmierung bekannt, so kann dieses zusätzlich als Information für die Abbildung zwischen S' und S genutzt werden.
- Als Algorithmen können beispielsweise folgende verwendet werden:
- Partial Least Squares Regression
- Hierbei wird ein Satz aus Matrizen so konditioniert, dass die Information in möglichst wenigen Datendimensionen (latente Variablen) generalisiert abgebildet werden kann. Wird eine zu hohe Anzahl latenter Variablen im Training verwendet, so kann es anstatt zur Generalisierung zum Auswendiglernen kommen, d.h. der Algorithmus erkennt nur die bekannte Kurve wieder und hat in den Matrizen im Wesentlichen die qualitativ hochwertigere Kurve abgelegt. Letzterer Fall hilft nicht weiter. Die Kunst der Datenmodellierung liegt hierbei in der robusten Optimierung der Vorhersagemodelle.
- Encoder-basierte neuronale Netze
- Die Abbildung von S' nach S kann über ein neuronales Netz (z.B. ein Mehrschichtenperceptron oder ein Convolutional Neural Network) gelernt werden. Typisch ist hierbei, dass die Datensätze aus S' zunächst durch eine zwischengeschaltete Dimensionsreduktion (Codierung) generalisiert und dann wieder auf den Zielraum S abgebildet werden Es entstehen auch hier wiederum Parametersätze, die auf folgende Daten aus S' als Vorfilter angewendet werden, um die Qualität der Daten zu verbessern.
- Konkret wird also statt der Abbildung S' auf Y der „Umweg“ S' auf S auf Y gelernt. Vorteilhaft kann dies beispielsweise sein, wenn die Zielwerte Y nur für relativ wenige Proben bekannt sind. Dies ist in der Praxis häufig der Fall, da die Zielwerte in der Regel über Labortests einzeln bestimmt werden müssen (kostenintensiv!).
- Im Gegensatz dazu kann die Abbildung S' auf S anhand von vielen Messungspaaren gelernt werden. Bei diesem Lernschritt muss Y nicht bekannt sein. Das heißt, es werden eine Vielzahl von Proben gemessen, jeweils mit dem einfachen Sensor (= Messgerät
1 , Ergebnis S') und dem hochwertigen Sensor (= Referenzmessgerät2 , Ergebnis S), wobei die Zielwerte Y der Proben nicht notwendigerweise bekannt sein müssen. - Das Ziel besteht zunächst darin, die Datenqualität der Signale S' der Low-Cost Sensoren zu verbessern, um dann mit dem vorhergesagten („rekonstruierten“) Signal S den Zielwert Y zu bestimmen. Letzteres kann mit einem konventionellen Prädiktionsmodell in einer zweiten Transfereinheit
4 erfolgen, das auf Paaren von (S, Y) trainiert wird. Entsprechende Modelle sind bekannt (z.B. PLS, neuronale Netze, Gaußprozesse, etc.). - Die Vorteile der erfindungsgemäßen Messvorrichtung bzw. des erfindungsgemäßen Verfahrens sind:
- - Messdaten der Qualität S' können über ein Training des Vorfilter-Parametersatzes verbessert werden.
- - Codierungschritt und Datenreduktion: Messdaten werden näher an die State-of-the-Art Messtechnik - zumindest für die betrachtete Messaufgabe - herangeführt.
- - Algorithmen, die für die Generalisierung von Prädiktoren gemacht sind und daher interpolierend wirken, werden genutzt, um Transferfunktionen zu erlernen.
- - Vorhersagemodelle auf Basis der optimierten Datensätze liefern verlässlichere Vorhersagen.
- - Low-cost Messysteme können trotz ihrer physikalischen Einschränkungen im Rahmen der Möglichkeiten bessere Daten und somit Aussagen liefern.
- - Ein komplettes „Durchtrainieren“ eines kompakten Vorhersagemodells S' -> Y, nicht über das unmittelbare Trainieren mit einer Ground Truth sondern über Kombination des trainierten qualitativ hochwertigen Modells von S -> Y ist möglich, wobei es dann nur vergleichsweise wenige Referenzdaten zum Lernen/Trainieren braucht und dem getrennten Lernen der Adaption der Gerätefunktionen an rein vergleichenden Messungen S' und S an gleichen Proben, zu denen es keine „ground truth“ geben muss.
-
1 zeigt ein vereinfachtes Blockschaltbild einer Messvorrichtung zur Bestimmung einer physikalischen Zielgröße TV, beispielsweise zu erwartende Lebensdauer, eines zu untersuchenden Stoffs5 , beispielsweise eines Öls. Mit Hilfe des Messgeräts1 , beispielsweise ein Low-cost Spektrometer, werden erste MesswerteM1 , wie wellenzahlabhängige Absorptionen, ermittelt. - Aus den ersten Messwerten
M1 werden durch die erste Transfereinheit3 zweite MesswerteM2 erzeugt, die bezüglich ihrer Signalgüte und/oder ihres Informationsgehalts gegenüber den ersten MesswertenM1 verbessert sind. Dadurch kann beispielsweise ein starkes Rauschen oder eine geringe Auflösung des Messgeräts1 ausgeglichen werden. - Aus den zweiten Messwerten
M2 wird durch die zweite Transfereinheit4 die physikalische Zielgröße TV ermittelt. Dies ist ein bekannter Vorgang aus dem Stand der Technik. Beispielsweise lässt eine Trübung des Öls bei bestimmten Wellenzahlen auf eine noch zu erwartende Lebensdauer (= Einsatzfähigkeit) des Öls in Transformatoren schließen. Die physikalische Zielgröße TV kann beispielsweise an einer Anzeigeeinheit7 ausgegeben werden. - Die erste Transfereinheit
3 wird mit einer Vorrichtung nach2 trainiert.2 zeigt ein vereinfachtes Blockschaltbild mit dem Messgerät1 und einem Referenzmessgerät2 , beispielsweise ein High-end Spektrometer. Mit beiden wird eine Referenzprobe6 untersucht, wobei die Referenzprobe6 dem Stoff5 ähnlich ist. - Die ermittelten Trainingsmesswerte MT des Messgeräts
1 und die ermittelten Referenzmesswerte MR des Referenzmessgeräts2 werden in einer Auswerteeinheit8 , wie weiter oben beschrieben, analysiert und daraus ein Filtermodell (= Transferfunktion) für die erste Transfereinheit3 erzeugt. - Obwohl die Erfindung im Detail durch die Ausführungsbeispiele näher illustriert und beschrieben wurde, ist die Erfindung durch die offenbarten Beispiele nicht eingeschränkt und andere Variationen können vom Fachmann daraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen.
Claims (9)
- Messvorrichtung zur Bestimmung einer physikalischen Zielgröße (TV) eines Stoffs (5), gekennzeichnet durch: - ein Messgerät (1) zur Erfassung von ersten Messwerten (M1), aus denen die physikalische Zielgröße (TV) bestimmbar ist, - eine erste Transfereinheit (3), die ausgebildet und programmiert ist, aus den ersten Messwerten (M1) zweite Messwerte (M2) zu erzeugen, die bezüglich Signalgüte und/oder Informationsgehalt gegenüber den ersten Messwerten (M1) verbessert sind, - wobei die erste Transfereinheit (3) durch einen Vergleich von mit dem Messgerät (1) erfassten Trainingsmesswerten (MT) mit mit einem Referenzmessgerät (4) erfassten Referenzmesswerten (MR) vorab trainiert wurde, - wobei die Trainingsmesswerte (MT) und die Referenzmesswerte (MR) an einer mit dem Stoff (5) vergleichbaren Referenzprobe (6) ermittelt wurden, - wobei das Referenzmessgerät (2) die Bestimmung der physikalischen Zielgröße (TV) genauer ermöglicht als das Messgerät (1), - und eine zweite Transfereinheit (4), die ausgebildet und programmiert ist, aus den zweiten Messwerten (M2) die physikalische Zielgröße (TV) zu ermitteln.
- Messvorrichtung nach
Anspruch 1 , dadurch gekennzeichnet, dass die erste Transfereinheit (3) ausgebildet und programmiert ist, mittels einer Partial Least Squares Regresseion aus den ersten Messwerten (M1) die zweiten Messwerte (M2) zu erzeugen. - Messvorrichtung nach
Anspruch 1 , dadurch gekennzeichnet, dass die erste Transfereinheit (3) ausgebildet und programmiert ist, mittels eines neuronalen Netzes aus den ersten Messwerten (M1) die zweiten Messwerte (M2) zu erzeugen. - Messvorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Messgerät (1) und das Referenzmessgerät (2) Spektrometer sind.
- Verfahren zur Bestimmung einer physikalischen Zielgröße (TV) eines Stoffs, gekennzeichnet durch: - Erfassung von ersten Messwerten (M1) durch ein Messgerät (1), aus denen die Zielgröße (TV) bestimmbar ist, - aus den ersten Messwerten (M1) Erzeugung von zweiten Messwerten (M2), die bezüglich Signalgüte und/oder Informationsgehalt gegenüber den ersten Messwerten (M1) verbessert sind, durch eine erste Transfereinheit (3), - wobei die erste Transfereinheit (3) durch einen Vergleich von mit dem Messgerät (1) erfassten Trainingsmesswerten (MT) mit mit einem Referenzmessgerät (2) erfassten Referenzmesswerten (MR) vorab trainiert wurde, - wobei die Trainingsmesswerte (MT) und die Referenzmesswerte (MR) an einer mit dem Stoff vergleichbaren Referenzprobe (6) ermittelt wurden, und - wobei das Referenzmessgerät (2) die Bestimmung der physikalischen Zielgröße (TV) genauer ermöglicht als das Messgerät (1), - und Ermittlung der physikalischen Zielgröße (TV) aus den zweiten Messwerten (M2).
- Verfahren nach
Anspruch 5 , dadurch gekennzeichnet, dass durch die erste Transfereinheit (3) mittels einer Partial Least Squares Regresseion aus den ersten Messwerten (M1) die zweiten Messwerte (M2) erzeugt werden. - Verfahren nach
Anspruch 5 , dadurch gekennzeichnet, dass durch die erste Transfereinheit (3) mittels eines neuronalen Netzes aus den ersten Messwerten (M1) die zweiten Messwerte (M2) erzeugt werden. - Computerprogrammprodukt, umfassend ein Computerprogramm, wobei das Computerprogramm in eine Speichereinrichtung einer Messvorrichtung ladbar ist, wobei mit dem Computerprogramm die Schritte eines Verfahrens nach einem der
Ansprüche 5 bis7 ausgeführt werden, wenn das Computerprogramm auf der Messvorrichtung ausgeführt wird. - Computerlesbares Medium, auf welchem ein Computerprogramm gespeichert ist, wobei das Computerprogramm in eine Speichereinrichtung einer Messvorrichtung ladbar ist, wobei mit dem Computerprogramm die Schritte eines Verfahrens nach einem der
Ansprüche 5 bis7 ausgeführt werden, wenn das Computerprogramm auf der Messvorrichtung ausgeführt wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018217166.1A DE102018217166A1 (de) | 2018-10-08 | 2018-10-08 | Messung von physikalischen Größen eines Stoffs |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102018217166.1A DE102018217166A1 (de) | 2018-10-08 | 2018-10-08 | Messung von physikalischen Größen eines Stoffs |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102018217166A1 true DE102018217166A1 (de) | 2019-09-26 |
Family
ID=67847976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102018217166.1A Ceased DE102018217166A1 (de) | 2018-10-08 | 2018-10-08 | Messung von physikalischen Größen eines Stoffs |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102018217166A1 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11994488B2 (en) | 2020-11-19 | 2024-05-28 | Endress+Hauser Group Services Ag | Method of predictive monitoring of a variable of a medium and of a measurement accuracy of a measurement device measuring this variable |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030048440A1 (en) * | 2000-03-02 | 2003-03-13 | Thore Lindgren | Method for continuous determination of the properties of a flow of wood fibres for fabrication of fibreboard |
DE102006009450A1 (de) * | 2005-03-07 | 2006-09-14 | Siemens Ag | Verfahren zur Qualitätssicherung bei der Papierherstellung |
-
2018
- 2018-10-08 DE DE102018217166.1A patent/DE102018217166A1/de not_active Ceased
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030048440A1 (en) * | 2000-03-02 | 2003-03-13 | Thore Lindgren | Method for continuous determination of the properties of a flow of wood fibres for fabrication of fibreboard |
DE102006009450A1 (de) * | 2005-03-07 | 2006-09-14 | Siemens Ag | Verfahren zur Qualitätssicherung bei der Papierherstellung |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11994488B2 (en) | 2020-11-19 | 2024-05-28 | Endress+Hauser Group Services Ag | Method of predictive monitoring of a variable of a medium and of a measurement accuracy of a measurement device measuring this variable |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2007074065A1 (de) | Kalibrierung im laborreferenzverfahren | |
DE102008045841A1 (de) | Verfahren zum Betreiben einer Messstelle | |
DE202012102521U1 (de) | Anordnung zum parallelen Kalibrieren von mindestens zwei Sensoren | |
DE102010041523A1 (de) | Verfahren zum Betreiben eines Messgeräts mit mindestens einer Sonde, welche mindestens eine ionenselektive Elektrode aufweist | |
DE102018221695A1 (de) | Verfahren zur quantitativen Magnetresonanzbildgebung, Magnetresonanzeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger | |
DE102013109105A1 (de) | Messanordnung | |
DE102020101490A1 (de) | Sensorsystem und Verfahren | |
DE102018122961A1 (de) | Chromatographische datensystemverarbeitungseinrichtung | |
EP3159681B1 (de) | Verfahren und vorrichtung zur automatisierbaren ermittlung der bestimmungsgrenze und des relativen fehlers bei der quantifizierung der konzentration einer zu untersuchenden substanz in einer messprobe | |
DE102017115663A1 (de) | Verfahren zum Betreiben einer Messstelle und Messstelle | |
EP4143520A1 (de) | Mehrzahl an baugleichen spektrometern und verfahren zu deren kalibrierung | |
DE102018209584A1 (de) | Magnetresonanz-Fingerprinting-Verfahren | |
DE102018217166A1 (de) | Messung von physikalischen Größen eines Stoffs | |
DE102013104203A1 (de) | Verfahren und Vorrichtung zur Bestimmung einer Restbetriebsdauer eines Messaufnehmers | |
EP3880842B1 (de) | Verfahren und vorrichtung zur analyse von biologischem material | |
DE102009013344A1 (de) | Ein biologisches Messinstrument und dessen Methode zur Datenübermittlung | |
DE4331018C2 (de) | Verfahren zur Bewertung von Blutproben | |
DE102014215307B4 (de) | Messgerät und Messverfahren zur Vermessung insbesondere von FMCW-Signalen | |
WO2021089591A1 (de) | Verfahren zum trainieren eines künstlichen neuronalen netzes, computerprogramm, speichermedium, vorrichtung, künstliches neuronales netz und anwendung des künstlichen neuronalen netzes | |
EP3417290B1 (de) | Testkit zur bioanalytik und verfahren zur auswertung eines solchen testkits | |
WO2002084260A1 (de) | Verfahren und vorrichtung zur qualitätsprüfung bzw. zur optischen charakterisierung von milch | |
DE602004011478T2 (de) | Anzeige der genauigkeit einer quantitativen analyse | |
DE10140945A1 (de) | Verfahren zur Konzentrationsmessung mehrerer Gaskomponenten in einer Gasprobe | |
DE102016124867A1 (de) | Verfahren und Vorrichtung zur spektrometrischen Bestimmung einer Messgröße | |
DE102008015145A1 (de) | Verfahren zur Nachkalibrierung von Sensoren und zur Kalibrierung weiterer Sensoren |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R002 | Refusal decision in examination/registration proceedings | ||
R230 | Request for early publication | ||
R003 | Refusal decision now final |