-
Technisches Gebiet
-
Ausführungsbeispiele der Erfindung betreffen eine Sensorvorrichtung mit einem Sensorelement und einem künstlichen neuronalem Netz. Weitere Ausführungsbeispiele betreffen ein Verfahren zum Kalibrieren einer Sensorvorrichtung sowie ein Verfahren zum Herstellen einer Sensorvorrichtung. Einige Ausführungsbeispiele betreffen ein Computerprogrammprodukt.
-
Hintergrund
-
Sensoren dienen beispielsweise der Messung von physikalischen Größen. Beispiele solcher physikalischen Größen sind beispielsweise Druck, Temperatur und Kraft. Die folgende Beschreibung soll aber nicht hierauf beschränkt sein. Es ist selbstverständlich, dass sich die vorliegende Beschreibung auf Sensoren aller geeigneten Arten beziehen kann. Weitere beispielhafte Größen sind Luftfeuchte, Beleuchtungsstärke und/oder Wellenlänge, Konzentration ausgewählter chemischer Stoffe, elektrische Feldstärke, Stromdichte, Position und Orientierung des Sensors bezogen auf ein Referenzsystem.
-
Damit solche Sensoren auch richtige Messergebnisse anzeigen bzw. ausgeben, müssen sie kalibriert werden. Kalibieren bedeutet herkömmlicher Weise, dass ein von einem Messgerät angezeigter Messwert mit einem vorher bekannten korrekten Bezugswert verglichen wird. Kalibrieren beinhaltet auch das Dokumentieren einer Messabweichung, und einer evtl. Messgenauigkeit, die Berechnung der Messunsicherheit und das Erstellen eines Kalibrierscheins oder -zertifikats. Kalibrierungen finden unter genau festgelegten Referenzbedingungen statt, dabei sind keine technischen Eingriffe am Messgerät erforderlich.
-
Die Kalibrierung (in Anlehnung an das englische Wort calibration auch manchmal Kalibration genannt) von elektronisch auslesbaren Sensoren stellt einen bedeutenden Kostenfaktor bei der Herstellung derartiger Bauteile dar.
-
Viele Verfahren zur Kalibriering verwenden ein Ausgleichspolynom zur Linearisierung der Sensordaten. Die Koeffizienten des gewählten Polynoms müssen durch Messung von Stützstellen bei definierten Umgebungsbedingungen ermittelt werden. Ohne Beschränkung seien zur Veranschaulichung hier nur zwei Beispiele angegeben, so können für einen Temperatursensor Stützstellen bei mehreren exakt geregelten Temperaturen gemessen werden. Für einen Drucksensor werden Stützstellen bei mehreren exakt geregelten Drücken gemessen.
-
Auch bei relativ kleinen Schwankungen der geeigneten Koeffizienten über die Menge aller gefertigten Bauteile werden häufig alle Stützstellen für jedes Bauteil vermessen, da selbst eine geringe Anpassung der im mittel gültigen Werte aufwändig ist.
-
Üblicher Weise werden Sensoren bei der Herstellung vom Hersteller für einen gewissen Messbereich, z. B. ein bestimmter Temperaturbereich, kalibriert. Für diesen Messbereich gibt der Hersteller dann einen Fehlertoleranzbereich im Datenblatt des Sensors an. In vielen Fällen kann jedoch die Hardware, d.h. der Sensor, auch in einem Bereich außerhalb des kalibrierten Messbereichs, z. B. bei höheren Temperaturen, betrieben werden, ohne dass das System Schaden nimmt oder die Genauigkeit darunter leidet.
-
In der Praxis wird die Kalibrierungszeit pro Sensor so gering wie möglich gehalten, um Kosten zu sparen. Jede Sekunde Kalibrierungszeit in der Produktion bedeutet eine deutliche Kostenerhöhung. Ein Beispiel hierfür ist der Temperaturbereich für die Kalibrierung. Sehr hohe oder niedrige Temperaturen anzufahren, um dort Werte zu messen, benötigt in der Regel viel Zeit und Energie.
-
Ein weiterer Grund für die Messbereichsbeschränkung ist die Haltbarkeit des Produktes, d.h. des Sensors. Wird beispielsweise der Messbereich in extreme Bedingungen der Messwerte, z.B. Druck, Luftfeuchte und/oder Temperatur, überschritten, kann die Haltbarkeit herabgesetzt werden. Aus diesem Grund wird üblicher Weise der Messbereich so gewählt, dass eine maximale Haltbarkeit erreicht wird.
-
Darüber hinaus kann auch ein üblicher Weise verwendete Kalibrierungsalgorithmus Grund für einen eingeschränkten Messbereich sein. Verhält sich ein Sensor außerhalb eines bestimmten Messbereiches bauartbedingt anders, kann der Kalibrierungsaufwand deutlich steigen.
-
Wünschenswert wäre demnach ein einfacheres Konzept zur Kalibrierung, das einen verbesserten Kompromiss bietet zwischen der Qualität der Messung der Sensoren und einer geringen Anzahl dazu erforderlicher Messwerte.
-
Ein solches Konzept kann mittels der Vorrichtung und den Verfahren gemäß den unabhängigen Ansprüchen realisiert werden. Ausführungsformen und weitere vorteilhafte Aspekte sind in den jeweils abhängigen Patentansprüchen beschrieben.
-
Überblick
-
Ausführungsbeispiele der vorliegenden Offenbarung betreffen eine Sensorvorrichtung. Die Sensorvorrichtung umfasst ein Sensorelement, das konfiguriert ist, um eine Messgröße zu erfassen. Diese Messgröße ist eine physikalische Größe, wie zum Beispiel Druck, Temperatur, Luftfeuchtigkeit, etc. Die Sensorvorrichtung umfasst weiterhin ein künstliches neuronales Netz, KNN, das konfiguriert ist, um an einem Messwert-Eingang einen Messwert der von dem Sensorelement erfassten Messgröße zu empfangen. Das KNN weist weiterhin einen Einflussparameterwert-Eingang auf, an dem es einen Wert eines Einflussparameters empfangen kann. Dieser Einflussparameter kann ebenfalls eine physikalische Größe sein. Die Messgröße des Einflussparameters kann einen gewissen Einfluss auf die von dem Sensorelement gemessene Messgröße haben, wie beispielsweise Temperatur einen Einfluss haben kann auf die Messung des Luftdrucks. Das KNN weist weiterhin einen Ausgang auf, an dem das KNN mindestens einen korrigierten Wert der Messgröße oder mindestens einen Wert mindestens einer anderen Messgröße ausgeben kann.
-
Das KNN ist konfiguriert, für die Berechnung des Ausgabewertes aus den Eingabewerten Gewichte zu verwenden, die basierend auf Abweichungen von gemessenen Kalibrierungs-Werten der Messgröße von jeweiligen Referenzwerten trainiert wurden, wobei die Kalibrierungs-Werte an Kalibrierungs-Mess-Punkten bei Vorliegen unterschiedlicher Werte des Einflussparameters gemessen wurden. Die Kalibrierungswerte sind hierbei von dem Sensorelement zu Kalibrierungszwecken gemessene Messwerte.
-
Die Kalibrierungs-Mess-Punkte sind hierbei Istwerte der Messgröße, bei dem die Messwerte zu Kalibrierungszwecken erfasst wurden.
-
Das KNN ist weiterhin konfiguriert, um den an dem Messwert-Eingang empfangenen Messwert, der innerhalb eines Messwert-Intervalls liegt, in Abhängigkeit von dem an dem Einflussparameterwert-Eingang empfangenen Wert des Einflussparameters mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einen anderen Messgröße abzubilden.
-
Dadurch können die Anzahl der benötigten Stützstellen in der Kalibrierung verringert werden, und insbesondere kann die genaue Kontrolle der Umgebungsbedingungen überflüssig gemacht werden.
-
Gemäß einem Ausführungsbeispiel weist die Sensorvorrichtung eine Verarbeitungseinrichtung auf, die ausgebildet ist, um das künstliche neuronale Netz unter Verwendung von durch das Sensorelement erfassten Kalibrierungs-Werten der Messgröße und den Kalibrierungs-Werten zugeordneten Werten des Einflussparameters zu trainieren.
-
Mithilfe der erfassten Kalibrierungs-Werte der Messgröße und Werten des Einflussparameters, die den jeweiligen Kalibrierungs-Werten zugeordneten sind, kann das KNN trainiert werden.
-
Gemäß einem Ausführungsbeispiel ist das Messwert-Intervall ein erstes Messwert-Intervall, wobei die vorherbestimmten Kalibrierungs-Mess-Punkte innerhalb des ersten Messwert-Intervalls liegen. Ferner ist die Verarbeitungseinrichtung ausgebildet, um das künstliche neuronale Netz unter Verwendung von Kalibrierungs-Werten der Messgröße, die an einem vorherbestimmten Kalibrierungs-Mess-Punkt, der außerhalb des ersten Messwert-Intervalls in einem zweiten Messwert-Intervall liegt, bei Vorliegen unterschiedlicher Werte des Einflussparameters gemessen wurden, zu trainieren, um das künstliche neuronale Netz zu erweitern. Darüber hinaus ist das KNN nach dem Erweitern konfiguriert, um einen an dem Messwert-Eingang empfangenen Messwert, der innerhalb des ersten oder zweiten Messwert-Intervalls liegt, in Abhängigkeit von dem an dem Einflussparameterwert- Eingang empfangenen Wert des Einflussparameters mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einen anderen Messgröße abzubilden. Dadurch kann der Messbereich der Sensorvorrichtung erweitert werden.
-
Durch die Verwendung von Kalibrierungs-Mess-Punkten, die außerhalb des zuvor trainierten Intervalls liegen, und die bei Vorliegen unterschiedlicher Werte des Einflussparameters gemessen wurden, kann das KNN auf einen erweiterten Messbereich trainiert werden.
-
Gemäß einem Ausführungsbeispiel liegen die unterschiedlichen Werte des Einflussparameters in einem ersten Einflussparameterwert-Intervall, und die Verarbeitungseinrichtung ist ausgebildet, um das künstliche neuronale Netz unter Verwendung von Kalibrierungs-Werten der Messgröße, die an zumindest einigen der Kalibrierungs-Mess-Punkte bei Vorliegen zumindest eines Werts des Einflussparameters, der außerhalb des ersten Einflussparameterwert-Intervalls in einem zweiten Einflussparameterwert-Intervall liegt, gemessen wurden, zu trainieren, um das künstliche neuronale Netz zu erweitern. Darüber hinaus ist das KNN nach dem Erweitern konfiguriert, um einen an dem Messwert-Eingang empfangenen Messwert in Abhängigkeit von dem an dem Einflussparameterwert-Eingang empfangenen Wert des Einflussparameters, der in dem ersten oder zweiten Einflussparameterwert-Intervall liegt, mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einen anderen Messgröße abzubilden.
-
Ebenso kann das KNN auf einen erweiterten Bereich des Einflussparameters trainiert werden.
-
Gemäß einem Ausführungsbeispiel ist die Verarbeitungseinrichtung ausgebildet, um bei dem Trainieren, das das künstliche neuronale Netz erweitert, Gewichte des künstlichen neuronalen Netzes basierend auf einer Abweichung eines jeweiligen gemessenen Kalibrierungswerts von einem jeweiligen Referenzwert zu trainieren.
-
Liegen Abweichungen zwischen dem Soll- und Istwert, d.h. einem jeweiligen Referenzwert, von gemessenen Kalibrierungswerten vor, können diese Abweichungen für das Training verwendet werden.
-
Gemäß einem Ausführungsbeispiel sind die Kalibrierungs-Mess-Punkte in dem ersten Messwert-Intervall und/oder dem zweiten Messwert-Intervall gleich verteilt.
-
Eine Gleichverteilung der zur Kalibrierung verwendeten Mess-Punkte ist vorteilhaft, aber nicht notwendig. Das Kalibrieren, bzw. das Trainieren wird dabei effizienter.
-
Gemäß einem Ausführungsbeispiel ist das KNN konfiguriert, um an zumindest einem weiteren Einflussparameterwert-Eingang einen Wert zumindest eines weiteren Einflussparameters zu empfangen, wobei die Kalibrierungs-Werte an Kalibrierungs-Mess-Punkten bei Vorliegen unterschiedlicher Werte des zumindest einen weiteren Einflussparameters gemessen wurden, und wobei das künstliche neuronale Netz konfiguriert ist, um den an dem Messwert-Eingang empfangenen Messwert ferner in Abhängigkeit von dem an dem weiteren Einflussparameterwert-Eingang empfangenen Wert des weiteren Einflussparameters mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einen anderen Messgröße abzubilden.
-
Auch die Verwendung von mehr als einem Einflussparameter ist möglich. So können mehrere Größen Einfluss auf die Messung des Sensors ausüben. Beispielsweise kann die Messung einer Temperatur von Druck und Luftfeuchte abhängen.
-
Gemäß einem Ausführungsbeispiel sind der oder die Einflussparameter aus folgender Gruppe ausgewählt: Druck, Luftfeuchte, Temperatur, Beleuchtungsstärke und/oder Wellenlänge, eine auf den Sensor wirkende mechanische Kraft, eine Konzentration ausgewählter chemischer Stoffe, eine elektrische Feldstärke, eine Stromdichte, eine Position und Orientierung des Sensors bezogen auf ein Referenzsystem.
-
Ebenso sind weitere physikalische Größen messbar.
-
Gemäß einem Ausführungsbeispiel weist die Sensorvorrichtung zumindest ein weiteres Sensorelement auf, das konfiguriert ist, um eine weitere Messgröße zu erfassen. Das KNN ist dann konfiguriert, um an zumindest einem weiteren Messwert-Eingang einen Messwert der von dem weiteren Sensorelement erfassten Messgröße zu empfangen. Das KNN ist ferner konfiguriert, um Gewichte zu verwenden, die basierend auf Abweichungen von gemessenen Kalibrierungs-Werten der weiteren Messgröße von jeweiligen weiteren Referenzwerten trainiert wurden, wobei die Kalibrierungs-Werte der weiteren Messgröße an Kalibrierungs-Mess-Punkten bei Vorliegen unterschiedlicher Werte des Einflussparameters gemessen wurden. Darüber hinaus ist das KNN konfiguriert, um einen an dem Messwert-Eingang empfangenen Messwert und einen an dem weiteren Messwert-Eingang empfangenen Messwert in Abhängigkeit von dem an dem Einflussparameterwert-Eingang empfangenen Wert des Einflussparameters mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einen anderen Messgröße abzubilden.
-
Die Vorrichtung kann auch mehr als ein Sensorelement aufweisen. Das KNN kann dann einen der gemessenen Größen, in korrigierter Form, ausgeben, oder auch mehrere.
-
Ein weiteres Ausführungsbeispiel betrifft ein Verfahren zum Kalibrieren einer Sensorvorrichtung. Das Verfahren umfasst ein Erfassen einer Messgröße mittels eines Sensorelements der Sensorvorrichtung. Das Verfahren umfasst weiterhin ein Empfangen eines Messwerts der von dem Sensorelement erfassten Messgröße an einem Messwert-Eingang eines künstlichen neuronalen Netzes, KNN. Das Verfahren umfasst weiterhin ein Empfangen eines Werts eines Einflussparameters an einem Einflussparameterwert-Eingang des künstlichen neuronalen Netzes, sowie ein Ausgeben mindestens eines korrigierten Wertes der Messgröße oder mindestens eines Werts mindestens einer anderen Messgröße. Hierbei verwendet das KNN Gewichte, die basierend auf Abweichungen von gemessenen Kalibrierungs-Werten der Messgröße von jeweiligen Referenzwerten trainiert wurden, wobei die Kalibrierungs-Werte an Kalibrierungs-Mess-Punkten bei Vorliegen unterschiedlicher Werte des Einflussparameters gemessen wurden. Das KNN bildet dann den an dem Messwert-Eingang empfangenen Messwert, der innerhalb eines Messwert-Intervalls liegt, in Abhängigkeit von dem an dem Einflussparameterwert-Eingang empfangenen Wert des Einflussparameters mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einer anderen Messgröße ab.
-
Wie bei der Vorrichtung zuvor, können hierdurch die Anzahl der benötigten Stützstellen in der Kalibrierung verringert werden, und insbesondere kann die genaue Kontrolle der Umgebungsbedingungen überflüssig gemacht werden.
-
Gemäß einem Ausführungsbeispiel trainiert eine Verarbeitungseinrichtung der Sensorvorrichtung das künstliche neuronale Netz unter Verwendung von durch das Sensorelement erfassten Kalibrierungs-Werten der Messgröße und den Kalibrierungs-Werten zugeordneten Werten des Einflussparameters.
-
Mithilfe der erfassten Kalibrierungs-Werte der Messgröße und Werten des Einflussparameters, die den jeweiligen Kalibrierungs-Werten zugeordneten sind, kann das KNN trainiert werden.
-
Gemäß einem Ausführungsbeispiel ist das Messwert-Intervall ein erstes Messwert-Intervall ist, wobei die vorherbestimmten Kalibrierungs-Mess-Punkte innerhalb des ersten Messwert-Intervalls liegen. Die Verarbeitungseinrichtung trainiert das künstliche neuronale Netz unter Verwendung von Kalibrierungs-Werten der Messgröße, die an einem vorherbestimmten Kalibrierungs-Mess-Punkt, der außerhalb des ersten Messwert-Intervalls in einem zweiten Messwert-Intervall liegt, bei Vorliegen unterschiedlicher Werte des Einflussparameters gemessen wurden, um das künstliche neuronale Netz zu erweitern. Das KNN bildet nach dem Erweitern einen an dem Messwert-Eingang empfangenen Messwert, der innerhalb des ersten oder zweiten Messwert-Intervalls liegt, in Abhängigkeit von dem an dem Einflussparameterwert-Eingang empfangenen Wert des Einflussparameters mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einen anderen Messgröße ab. Dadurch kann der Messbereich der Sensorvorrichtung erweitert werden.
-
Durch die Verwendung von Kalibrierungs-Mess-Punkten, die außerhalb des zuvor trainierten Intervalls liegen, und die bei Vorliegen unterschiedlicher Werte des Einflussparameters gemessen wurden, kann das KNN auf einen erweiterten Messbereich trainiert werden.
-
Gemäß einem Ausführungsbeispiel liegen die unterschiedlichen Werte des Einflussparameters in einem ersten Einflussparameterwert-Intervall. Die Verarbeitungseinrichtung trainiert das künstliche neuronale Netz unter Verwendung von Kalibrierungs-Werten der Messgröße, die an zumindest einigen der Kalibrierungs-mess-Punkte beim Vorliegen zumindest eines Werts des Einflussparameters, der außerhalb des ersten Einflussparameterwert-Intervalls in einem zweiten Einflussparameterwert-Intervall liegt, gemessen wurden, um das künstliche neuronale Netz zu erweitern. Das KNN bildet nach dem Erweitern einen an dem Messwert-Eingang empfangenen Messwert in Abhängigkeit von dem an dem Einflussparameterwert-Eingang empfangenen Wert des Einflussparameters, der in dem ersten oder zweiten Einflussparameterwert-Intervall liegt, mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einen anderen Messgröße ab.
-
Ebenso kann das KNN auf einen erweiterten Bereich des Einflussparameters trainiert werden.
-
Gemäß einem Ausführungsbeispiel trainiert die Verarbeitungseinrichtung bei dem Trainieren, um das künstliche neuronale Netz zu erweitern, Gewichte des künstlichen neuronalen Netzes basierend auf einer Abweichung eines jeweiligen gemessenen Kalibrierungswerts von einem jeweiligen Referenzwert.
-
Liegen Abweichungen zwischen dem Soll- und Istwert, d.h. einem jeweiligen Referenzwert, von gemessenen Kalibrierungswerten vor, können diese Abweichungen für das Training verwendet werden.
-
Gemäß einem Ausführungsbeispiel sind die Kalibrierungs-Mess-Punkte in dem ersten Messwert-Intervall und/oder dem zweiten Messwert-Intervall gleich verteilt.
-
Eine Gleichverteilung der zur Kalibrierung verwendeten Mess-Punkte ist vorteilhaft, aber nicht notwendig. Das Kalibrieren, bzw. das Trainieren wird dabei effizienter.
-
Gemäß einem Ausführungsbeispiel empfängt das KNN an zumindest einem weiteren Einflussparameterwert-Eingang einen Wert zumindest eines weiteren Einflussparameters, wobei die Kalibrierungs-Werte an Kalibrierungs-Mess-Punkten bei Vorliegen unterschiedlicher Werte des zumindest einen weiteren Einflussparameters gemessen wurden, und wobei das künstliche neuronale Netz den an dem Messwert-Eingang empfangenen Messwert ferner in Abhängigkeit von dem an dem weiteren Einflussparameterwert-Eingang empfangenen Wert des weiteren Einflussparameters mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einen anderen Messgröße abbildet.
-
Auch die Verwendung von mehr als einem Einflussparameter ist möglich. So können mehrere Größen Einfluss auf die Messung des Sensors ausüben. Beispielsweise kann die Messung einer Temperatur von Druck und Luftfeuchte abhängen.
-
Gemäß einem Ausführungsbeispiel sind der oder die Einflussparameter aus folgender Gruppe ausgewählt: Druck, Luftfeuchte, Temperatur, Beleuchtungsstärke und/oder Wellenlänge, eine auf den Sensor wirkende mechanische Kraft, eine Konzentration ausgewählter chemischer Stoffe, eine elektrische Feldstärke, eine Stromdichte, eine Position und Orientierung des Sensors bezogen auf ein Referenzsystem.
-
Ebenso sind weitere physikalische Größen messbar.
-
Gemäß einem Ausführungsbeispiel erfasst zumindest ein weiteres Sensorelement der Sensorvorrichtung eine weitere Messgröße erfasst. Das KNN empfängt an zumindest einem weiteren Messwert-Eingang einen Messwert der von dem weiteren Sensorelement erfassten Messgröße. Das KNN verwendet Gewichte, die basierend auf Abweichungen von gemessenen Kalibrierungs-Werten der weiteren Messgröße von jeweiligen weiteren Referenzwerten trainiert wurden, wobei die Kalibrierungs-Werte der weiteren Messgröße an Kalibrierungs-Mess-Punkten bei Vorliegen unterschiedlicher Werte des Einflussparameters gemessen wurden. Das KNN bildet dann einen an dem Messwert-Eingang empfangenen Wert und einen an dem weiteren Messwert-Eingang empfangenen Messwert in Abhängigkeit von dem an dem Einflussparameterwert-Eingang empfangenen Wert des Einflussparameters mindestens auf den korrigierten Wert der Messgröße oder auf mindestens den einen Wert der mindestens einen anderen Messgröße ab.
-
Die Vorrichtung kann auch mehr als ein Sensorelement aufweisen. Das KNN kann dann einen der gemessenen Größen, in korrigierter Form, ausgeben, oder auch mehrere.
-
Ein weiteres Ausführungsbeispiel betrifft ein Verfahren zum Herstellen einer Sensorvorrichtung. Das Verfahren umfasst Bereitstellen zumindest eines Sensorelements, das konfiguriert ist, um eine Messgröße in Abhängigkeit zumindest eines Einflussparameters zu erfassen, und einer Verarbeitungsschaltung, die ausgebildet ist, um ein künstliches neuronales Netz zu implementieren, und Kalibrieren der Sensorvorrichtung unter Verwendung eines zuvor beschriebenen Verfahrens.
-
Ein weiteres Ausführungsbeispiel betrifft ein Computerprogrammprodukt, umfassend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, ein zuvor beschriebenes Verfahren auszuführen.
-
Figurenliste
-
Beispiele der Offenbarung werden nachfolgend bezugnehmend auf die beigefügten Figuren beschrieben. Es zeigen
- 1 ein beispielhaftes Sensorelement gemäß einem Ausführungsbeispiel,
- 2 ein schematisches Diagramm des Aufbaus eines beispielhaften Sensorelements gemäß einem Ausführungsbeispiel,
- 3 bis 5 Diagramme von Kalibrierungsmessungen, und
- 6 ein schematisches Flussdiagramm eines Verfahrens gemäß einem Ausführungsbeispiel.
-
Detaillierte Beschreibung
-
Im Folgenden werden Beispiele der vorliegenden Offenbarung detailliert und unter Verwendung der beigefügten Beschreibungen beschrieben. In der folgenden Beschreibung werden viele Details beschrieben, um eine gründlichere Erklärung von Beispielen der Offenbarung zu liefern. Es ist jedoch für Fachleute offensichtlich, dass andere Beispiele ohne diese spezifischen Details implementiert werden können. Merkmale der unterschiedlichen beschriebenen Beispiele können miteinander kombiniert werden, es sei denn, Merkmale einer entsprechenden Kombination schließen sich gegenseitig aus oder eine solche Kombination ist ausdrücklich ausgeschlossen.
-
Es sei darauf hingewiesen, dass gleiche oder ähnliche Elemente oder Elemente, die die gleiche Funktionalität aufweisen, mit gleichen oder ähnlichen Bezugszeichen versehen sein können oder gleich bezeichnet werden, wobei eine wiederholte Beschreibung von Elementen, die mit dem gleichen oder ähnlichen Bezugszeichen versehen sind oder gleich bezeichnet werden, typischerweise weggelassen wird. Beschreibungen von Elementen, die gleiche oder ähnliche Bezugszeichen aufweisen oder gleich bezeichnet werden, sind gegeneinander austauschbar.
-
Gemäß den Ausführungsbeispielen werden Verfahren des Maschinelles Lernens (engl. machine learning), insbesondere künstlicher neuronaler Netze (KNN), zur Kalibrierung von Sensoren mit dem Ziel verwendet, die Anzahl der benötigten Stützstellen in der Kalibrierung zu verringern und insbesondere die genaue Kontrolle der Umgebungsbedingungen überflüssig zu machen.
-
KNN werden für eine bestimmte Aufgabe, z.B. ein Klassifizierungsproblem oder eine bestimmte mathematische Abbildung trainiert. Dies geschieht z.B. anhand eines Trainingsdatensatzes, für den die korrekten Ausgabewerte bekannt sind. Dabei bilden die Trainingsdaten eine Stichprobe aus dem gesamten Parameterraum. Für das effiziente Training der KNNs muss nur sichergestellt werden, dass die Trainingsdaten näherungsweise gleichverteilt im Parameterraum sind, es müssen jedoch keine bestimmten Stützstellen darin vorkommen.
-
Eine solche zuvor erwähnte mathematische Abbildung ist auch die Abbildung von Sensor-Rohdaten auf physikalische Größe, die auf den Sensor wirken. Der Sensor ist mit einem Element ausgestatten, das auf die unterschiedlichen Werte der Größe entsprechend reagiert. Beispielsweise kann ein Drucksensor mit einer druckempfindlichen Membran ausgestattet sein. Wirkt mehr Druck auf die Membran, wird die Membran entsprechend mehr deformiert. Diese Deformation wird vom Sensor beispielsweise als Auslenkung an einem Punkt in Entfernung, als Rohdaten, gemessen. Die mathematische Beziehung zwischen Rohdaten und gemessener Größe muss nicht linear sein, so dass ein Kalibrieren erforderlich ist. Ähnliches gilt für die anderen physikalischen Größen, so kann Luftfeuchte ebenfalls durch Länge abgebildet werden, indem eine Ausdehnung in Bezug zur Luftfeuchtigkeit gesetzt wird. Alternativ kann Luftfeuchte beispielsweise auch durch elektrische Leitfähigkeit abgebildet werden.
-
Durch das Training eines KNNs auf diese Abbildung, d.h. Abbildung der Sensor-Rohdaten auf die korrigierten Ausgabewerte, kann die Kalibrierung vereinfacht werden, da beliebige Messpunkte als Trainingsdaten verwendet werden können, für die der korrekte Ausgabewert bestimmt werden kann. Der korrekte Ausgabewert kann hierbei beispielsweise durch Messung mit einem oder mehreren Referenzinstrumenten ermittelt werden.
-
Durch die starke inhärente Nichtlinearität von KNNs kann eine gute Abbildung zudem mit weniger Messungen trainiert werden als durch den Fit eines Ausgleichspolynoms.
-
Darüber hinaus lassen sich KNNs nachtrainieren, d.h. Anpassungen an leicht veränderte Sensoreigenschaften können nachträglich durchgeführt werden. Solche Sensoreigenschaften können beispielsweise durch die Herstellung bedingt sein, d.h. durch sogenannte Fertigungsstreuung, oder aber auch einen regelmäßigen Einsatzort abbilden. Eisatzorte von Sensoren können sich beispielsweise durch Druck (bspw. bedingt durch Höhenmeter oder Unterwassereinsatz) oder regionale Temperatur und/oder Luftfeuchte unterscheiden. Solche nachträglichen Anpassungen können mit wenigen Zusatzmessungen durchgeführt werden, wenn die Sensoren zuvor mit einem KNN-Modell für Nominalwerte programmiert wurden.
-
Je nach Sensorart und/oder zu messender physikalischer Größe können mehrere Sensoren für die Erfassung der Rohdaten eingesetzt werden. Die Rohdaten setzen sich dann aus den Ausgaben mehrere Einzelsensoren zusammen.
-
Ebenso können nur einer oder aber mehrere der Umgebungsparameter für die Messung genutzt werden.
-
Das KNN kann außerdem mit dem Sensor oder den Sensoren zusammen verbaut sein, als gemeinsames System-on-a-Chip, SoC. Alternativ können die Sensoren auch einzeln vorliegen und sich das KNN in einem damit verbunden aber gesonderten System befinden.
-
Das KNN kann auch innerhalb eines Sensors liegen.
-
Konsequenter Weise kann das Training sowohl innerhalb des/eines Sensors als auch außerhalb des/eines Sensors berechnet werden.
-
Einige aber nicht alle der physikalischen Größen, die derart mit Sensorelementen gemessen werden können sind Druck, Luftfeuchte, Temperatur, Beleuchtungsstärke und/oder Wellenlänge, auf den Sensor wirkende mechanische Kraft, Konzentration ausgewählter chemischer Stoffe, elektrische Feldstärke, Stromdichte und Position und Orientierung des Sensors bezogen auf ein Referenzsystem.
-
Als weitere Alternativen, kann die Kalibrierung eines Sensors bereits im Training des zugehörigen neuronalen Netzes bestehen. Das Training des KNNs kann auch anhand eines vortrainierten Referenz-KNNs erfolgen, wobei für die Kalibrierung weniger Messungen durchgeführt werden, als für das Training des Referenz-KNN.
-
Im Folgenden wird die Kalibrierung von Sensoren mittels neuronaler Netze nochmals detaillierter beschrieben. Die Kalibrierung kann direkt im Sensor bzw. Sensorsystem durchgeführt werden. Das neuronale Netz kann hierbei direkt auf dem System trainiert werden ohne das ein externer Prozessor oder Rechner benötigt wird. Das neuronale Netz kann hierbei an die Anforderungen des Sensors angepasst und optimiert werden. Der Sensor kann seine Kalibrierung über den Lernfehler des neuronalen Netzes selbst bewerten. Ebenfalls möglich ist die Neukalibrierung des Sensors, beispielsweise direkt am Einsatzort, um beispielsweise einen erweiterten Messbereich zu ermöglichen. Dies kann erforderlich sein, um extremen Umweltbedingungen entgegenzuwirken.
-
Wie zuvor beschrieben, werden Sensoren üblicher Weise bei der Herstellung vom Hersteller für einen gewissen Messbereich, z. B. ein bestimmter Temperaturbereich, kalibriert. Für diesen Messbereich gibt der Hersteller dann einen Fehlertoleranzbereich im Datenblatt des Sensors an. In vielen Fällen kann jedoch die Hardware, d.h. der Sensor, auch in einem Bereich außerhalb des kalibrierten Messbereichs, z. B. bei höheren Temperaturen, betrieben werden, ohne dass das System Schaden nimmt oder die Genauigkeit darunter leidet.
-
Wie oben beschrieben, findet sich bei Sensoren häufig eine Begrenzung des Messbereichs. Wie dargelegt, können die Gründe dafür sein, um Zeit und/oder Energie zu sparen, um die Haltbarkeit vermeintlich zu verbessern, und/oder in der Natur des verwendeten Kalibrierungsalgorithmus liegen.
-
Wenn, wie hierin vorgeschlagen, der Kalibrierungsalgorithmus durch ein neuronales Netz ersetzt wird, ist gegebenen ein erweiterter Messbereich möglich. Es wird außerdem möglich, den Sensor in einem neuen Messbereich zu kalibrieren, z.B. am Einsatzort, um lokale Bedingungen und/oder Veränderungen während des Transports auszugleichen.
-
1 zeigt ein beispielhaftes Sensorelement 100. Dargestellt ist hier als Beispiel ein kapazitiver Drucksensor. Der abgebildete Drucksensor-Chip ist in einer CMOS-Technologie hergestellt (CMOS steht für engl. Complementary metal-oxide-semiconductor, zu Deutsch etwa komplementärer Metall-Oxid-Halbleiter). Dadurch ist die Integration von kapazitiven Drucksensormembranen mit der Ausleseelektronik in einem Oberflächenmikrobearbeitungsprozess möglich. Der Sensor weist Drucksensormembranen 110 auf. Bonddrähte 120 sind an Bondinseln 130 angeschlossen.
-
2 zeigt ein schematisches Diagramm des Aufbaus eines beispielhaften Sensorelements 200. Hierbei besteht die untere Elektrode des Drucksensors aus einem n+ dotiertem Siliziumbereich 240 in einem Siliziumwafer vom p-Typ 250. Die obere Elektrode besteht aus einer flexiblen Polysiliziummembran 220.
-
Bei Druckbeaufschlagung (durch die Pfeile 260 angedeutet) wird die obere Membran nach unten gedrückt und der Abstand zwischen den beiden Elektroden reduziert, was zu einer Änderung der Kapazität führt. 2 zeigt weiterhin die bei der Herstellung aufgebrachten Schichten zur Passivierung 230 und Metallisierung 210 (z.B. Aluminium).
-
Der Drucksensor wird in der Regel so betrieben, dass die flexible Membran 220 keinen Kontakt zu der unteren Elektrode 240 erhält. Dies erfolgt aus zwei Gründen. Zum einen kann ein Kontakt der Membranen 220 zu einem „sticking“ führen, das bedeutet das die flexible Membran 220 an der unteren Membran 240 haften bleibt. Zum anderen ist das Sensorverhalten bei Kontakt anders als im Regelbetrieb.
-
Zunächst wird der Regelbetrieb betrachtet.
-
3 bis 5 zeigen Diagramme von Kalibrierungsmessungen. Die Diagramme zeigen hierbei einen Druck (Istdruck) in Pascal (hPa) auf der X-Achse zu einer gemessenen Spannung in Volt (V) auf der Y-Achse. Dabei sind gemäß der Legenden der Kurven für die einzelnen Temperaturwerte wie folg markiert:
- -40 °C mit einer Raute,
- -20 °C mit einem Quadrat,
- 0 °C mit einem Dreieck,
- 20 °C mit einem diagonalen Kreuz („x“),
- 40 °C mit einem Stern,
- 60 °C mit einem Kreis, und
- 80 °C mit einem Kreuz („+“).
-
Ein kapazitiver Drucksensor ist prinzipbedingt nichtlinear und weist eine Temperaturabhängigkeit auf. Darüber hinaus kann sich durch eine weitere Aufbau- und Verbindungstechnik das Messignal verändern. Dies kann z.B. durch mechanische Spannungen des Chipklebers ausgelöst werden. Aus diesem Grund muss der Sensor nach dem Aufbau kalibriert werden. 3 zeigt beispielhaft eine Kalibrierungsmessung bei normalem Druck- und Temperaturbereich. Der Drucksensor selbst liefert als Ausgangsgröße einen unkalibrierten Druck- und Temperaturwert, welche für die Kalibrierung genutzt werden. In dem Beispiel werden Druckkurven bei 6 verschiedenen Temperaturen aufgenommen und die Messwerte gespeichert. Für die Kalibrierung wird gemäß dem Stand der Technik bisher eine multivariable Polynomregression durchgeführt.
-
Erfindungsgemäß kann diese Form der Kalibrierung nun durch ein neuronales Netz ersetzt werden. Dabei werden darüber hinaus sogar weniger Gewichte und/oder Koeffizienten benötigt als für die Polynomregression. Das neue Verfahren ist also nicht nur ökonomischer hinsichtlich verbrauchter Energie und aufgewendeter Zeit, sondern auch noch effizienter hinsichtlich Rechenintensität. Die Koeffizienten können im Sensor gespeichert werden und der Sensor somit kalibriert werden.
-
Gegebenenfalls soll der Sensor jedoch beispielsweise in Bereichen messen für die keine Kalibrierung vorgenommen wurde. Im hier ausgeführten Beispiel wäre dies ein Temperaturbereich von z.B. 80 °C. In diesem Fall würde eine klassische Kalibrierung ggf. keine richtigen Ergebnisse liefern, weil die Messwerte außerhalb der bisherigen Kalibrierung liegen. 4 zeigt beispielhaft eine Kalibrierungsmessung bei erweitertem Temperaturbereich.
-
Durch die hier vorgeschlagene Technik kann der Sensor nun erneut kalibriert, d.h. nachkalibriert, werden. Dazu müssten lediglich wie in der ursprünglichen Kalibrierung Druckkurven bei verschiedenen Temperaturen aufgenommen werden und der Drucksensor kann darauf hin durch das KNN neu kalibriert werden. Durch den dabei eventuell auftretenden Lernfehler kann zusätzlich die Qualität der Kalibrierung bewertet werden.
-
Alternativ kann auch der messbare Druckbereich erweitert werden. Wird der Druck jedoch soweit erhöht, dass die Membran 220 die Bodenelektrode 240 berührt verändert sich das Drucksignal nichtlinear. 5 zeigt beispielhaft eine Kalibrierungsmessung bei neuem Druckbereich. Dieses Verhalten könnte mit der klassischen Polynomregression nur schwer kalibriert werden. Ein neuronales Netz kann auch diesen Kurvenverlauf erlernen. Der Druckbereich kann somit erweitern werden. Darüber hinaus kann durch den Lernfehler ein Feedback erhalten werden ob der neue Druckbereich kalibriert werden konnte oder nicht.
-
6 zeigt ein schematisches Flussdiagramm eines Verfahrens 600 gemäß einem Ausführungsbeispiel. Ein solches Verfahren 600 zum Kalibrieren einer Sensorvorrichtung umfasst demnach folgende Schritte.
-
In Schritt 610 wird eine Messgröße, z.B. Druck, mittels eines Sensorelements der Sensorvorrichtung erfasst.
-
In Schritt 620 wird ein entsprechender Messwert, also die Rohdaten, wie von dem Sensorelement erfasst, an einem Messwert-Eingang eines künstlichen neuronalen Netzes empfangen.
-
In Schritt 630 wird ein Wert eines Einflussparameters, z.B. Temperatur, an einem Einflussparameterwert-Eingang des künstlichen neuronalen Netzes empfangen.
-
Das KNN bildet den an dem Messwert-Eingang empfangenen in Abhängigkeit von dem an dem Einflussparameterwert-Eingang empfangenen Wert des Einflussparameters dann auf einen Ausgabewert ab. Dieser Ausgabewert kann der korrigierte Wert der Messgröße, oder auch ein Wert einer anderen Messgröße sein. Der Messwert liegt hierbei innerhalb eines Messwert-Intervalls.
-
Das KNN verwendet für die Abbildung hierbei Gewichte, die basierend auf Abweichungen von gemessenen Kalibrierungs-Werten der Messgröße von jeweiligen Referenzwerten trainiert wurden. Dabei wurden die Kalibrierungs-Werte an Kalibrierungs-Mess-Punkten bei Vorliegen unterschiedlicher Werte des Einflussparameters gemessen.
-
In Schritt 640 wird dann der Ausgabewert ausgegeben.
-
Obwohl einige Aspekte der vorliegenden Offenbarung als Merkmale im Zusammenhang mit einer Vorrichtung beschrieben wurden, ist es klar, dass eine solche Beschreibung ebenfalls als eine Beschreibung entsprechender Verfahrensmerkmale betrachtet werden kann. Obwohl einige Aspekte als Merkmale im Zusammenhang mit einem Verfahren beschrieben wurden, ist klar, dass eine solche Beschreibung auch als eine Beschreibung entsprechender Merkmale einer Vorrichtung bzw. der Funktionalität einer Vorrichtung betrachtet werden können.
-
Einige oder alle der Verfahrensschritte können durch einen Hardware-Apparat (oder unter Verwendung eines Hardware-Apparats), wie zum Beispiel einen Mikroprozessor, einen programmierbaren Computer oder einer elektronischen Schaltung durchgeführt werden. Bei einigen Ausführungsbeispielen können einige oder mehrere der wichtigsten Verfahrensschritte durch einen solchen Apparat ausgeführt werden.
-
Je nach bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Offenbarung in Hardware oder in Software oder zumindest teilweise in Hardware oder zumindest teilweise in Software implementiert sein. Die Implementierung kann unter Verwendung eines digitalen Speichermediums, beispielsweise einer Floppy-Disk, einer DVD, einer BluRay Disc, einer CD, eines ROM, eines PROM, eines EPROM, eines EEPROM oder eines FLASH-Speichers, einer Festplatte oder eines anderen magnetischen oder optischen Speichers durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem derart zusammenwirken können oder zusammenwirken, dass das jeweilige Verfahren durchgeführt wird. Deshalb kann das digitale Speichermedium computerlesbar sein.
-
Manche Ausführungsbeispiele gemäß der Offenbarung umfassen also einen Datenträger, der elektronisch lesbare Steuersignale aufweist, die in der Lage sind, mit einem programmierbaren Computersystem derart zusammenzuwirken, dass eines der hierin beschriebenen Verfahren durchgeführt wird.
-
Allgemein können Ausführungsbeispiele der vorliegenden Offenbarung als Computerprogrammprodukt mit einem Programmcode implementiert sein, wobei der Programmcode dahingehend wirksam ist, eines der Verfahren durchzuführen, wenn das Computerprogrammprodukt auf einem Computer abläuft.
-
Der Programmcode kann beispielsweise auch auf einem maschinenlesbaren Träger gespeichert sein.
-
Andere Ausführungsbeispiele umfassen das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren, wobei das Computerprogramm auf einem maschinenlesbaren Träger gespeichert ist. Mit anderen Worten ist ein Ausführungsbeispiel des offenbarungsgemäßen Verfahrens somit ein Computerprogramm, das einen Programmcode zum Durchführen eines der hierin beschriebenen Verfahren aufweist, wenn das Computerprogramm auf einem Computer abläuft.
-
Ein weiteres Ausführungsbeispiel der offenbarungsgemäßen Verfahren ist somit ein Datenträger (oder ein digitales Speichermedium oder ein computerlesbares Medium), auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren aufgezeichnet ist. Der Datenträger oder das digitale Speichermedium oder das computerlesbare Medium sind typischerweise greifbar und/oder nicht flüchtig.
-
Ein weiteres Ausführungsbeispiel des offenbarungsgemäßen Verfahrens ist somit ein Datenstrom oder eine Sequenz von Signalen, der bzw. die das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren darstellt bzw. darstellen. Der Datenstrom oder die Sequenz von Signalen kann bzw. können beispielsweise dahingehend konfiguriert sein, über eine Datenkommunikationsverbindung, beispielsweise über das Internet, transferiert zu werden.
-
Ein weiteres Ausführungsbeispiel umfasst eine Verarbeitungseinrichtung, beispielsweise einen Computer oder ein programmierbares Logikbauelement, die dahingehend konfiguriert oder angepasst ist, eines der hierin beschriebenen Verfahren durchzuführen.
-
Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren installiert ist.
-
Ein weiteres Ausführungsbeispiel gemäß der Offenbarung umfasst eine Vorrichtung oder ein System, die bzw. das ausgelegt ist, um ein Computerprogramm zur Durchführung zumindest eines der hierin beschriebenen Verfahren zu einem Empfänger zu übertragen. Die Übertragung kann beispielsweise elektronisch oder optisch erfolgen. Der Empfänger kann beispielsweise ein Computer, ein Mobilgerät, ein Speichergerät oder eine ähnliche Vorrichtung sein. Die Vorrichtung oder das System kann beispielsweise einen Datei-Server zur Übertragung des Computerprogramms zu dem Empfänger umfassen.
-
Bei manchen Ausführungsbeispielen kann ein programmierbares Logikbauelement (beispielsweise ein feldprogrammierbares Gatterarray, ein FPGA) dazu verwendet werden, manche oder alle Funktionalitäten der hierin beschriebenen Verfahren durchzuführen. Bei manchen Ausführungsbeispielen kann ein feldprogrammierbares Gatterarray mit einem Mikroprozessor zusammenwirken, um eines der hierin beschriebenen Verfahren durchzuführen. Allgemein werden die Verfahren bei einigen Ausführungsbeispielen seitens einer beliebigen Hardwarevorrichtung durchgeführt. Diese kann eine universell einsetzbare Hardware wie ein Computerprozessor (CPU) sein oder für das Verfahren spezifische Hardware, wie beispielsweise ein ASIC.
-
In der vorhergehenden detaillierten Beschreibung wurden teilweise verschiedene Merkmale in Beispielen zusammen gruppiert, um die Offenbarung zu rationalisieren. Diese Art der Offenbarung soll nicht als die Absicht interpretiert werden, dass die beanspruchten Beispiele mehr Merkmale aufweisen als ausdrücklich in jedem Anspruch angegeben sind. Vielmehr kann, wie die folgenden Ansprüche wiedergeben, der Gegenstand in weniger als allen Merkmalen eines einzelnen offenbarten Beispiels liegen. Folglich werden die folgenden Ansprüche hiermit in die detaillierte Beschreibung aufgenommen, wobei jeder Anspruch als ein eigenes separates Beispiel stehen kann. Während jeder Anspruch als ein eigenes separates Beispiel stehen kann, sei angemerkt, dass, obwohl sich abhängige Ansprüche in den Ansprüchen auf eine spezifische Kombination mit einem oder mehreren anderen Ansprüchen zurückbeziehen, andere Beispiele auch eine Kombination von abhängigen Ansprüchen mit dem Gegenstand jedes anderen abhängigen Anspruchs oder einer Kombination jedes Merkmals mit anderen abhängigen oder unabhängigen Ansprüchen umfassen. Solche Kombinationen seien umfasst, es sei denn, es ist ausgeführt, dass eine spezifische Kombination nicht beabsichtigt ist. Ferner ist beabsichtigt, dass auch eine Kombination von Merkmalen eines Anspruchs mit jedem anderen unabhängigen Anspruch umfasst ist, selbst wenn dieser Anspruch nicht direkt abhängig von dem unabhängigen Anspruch ist.
-
Die oben beschriebenen Ausführungsbeispiele stellen lediglich eine Veranschaulichung der Prinzipien der vorliegenden Offenbarung dar. Es versteht sich, dass Modifikationen und Variationen der hierin beschriebenen Anordnungen und Einzelheiten anderen Fachleuten einleuchten werden. Deshalb ist beabsichtigt, dass die Offenbarung lediglich durch den Schutzumfang der nachstehenden Patentansprüche und nicht durch die spezifischen Einzelheiten, die anhand der Beschreibung und der Erläuterung der Ausführungsbeispiele hierin präsentiert wurden, beschränkt sei.
