DE112016001250T5

DE112016001250T5 - Ein Flüssigkeitsstandsmessverfahren und ein Flüssigkeitsstandsmesser sowie eine Werkzeugmaschine ausgestattet mit diesem Flüssigkeitsstandsmesser

Info

Publication number: DE112016001250T5
Application number: DE112016001250.0T
Authority: DE
Inventors: Shizuo Nishikawa; Katsuhiko Ono; Masataka Sakamoto
Original assignee: DMG Mori Co Ltd
Current assignee: DMG Mori Co Ltd
Priority date: 2015-03-17
Filing date: 2016-02-22
Publication date: 2017-11-30
Also published as: JP5965012B1; JP2016173301A; WO2016147804A1

Abstract

Bereit gestellt wird unter anderem ein Flüssigkeitsstandsmesser, der selbst in dem Fall, dass die Art der zu messenden Flüssigkeit geändert wird oder sich das Mischverhältnis mit Fremdsubstanzen ändert, nicht bei jedem Messen eine Kalibrierung durchführen muss. Er ist ausgestattet mit einem aus einer Vielzahl von in Reihe angeordneten und ein Elektrodenpaar besitzenden kapazitiven Erkennungssensoren bestehenden Füllstandssensor (11), deren Ausgabewerte sich entsprechend der Permittivität der sich in der Umgebung der vorgenannten Elektroden befindenden Substanz ändern, einem Parameterspeicher (17), in dem die Korrelationsparameter gespeichert sind, die, während der Füllstandssensor (11) in die Flüssigkeit (C) eingetaucht ist, die Korrelation zwischen den von den einzelnen Erkennungssensoren ausgegebenen Ausgabewerten und dem dem Füllstandssensor (11) entsprechenden tatsächlichen Füllstand der Flüssigkeit festlegen, einem Füllstandsschätzmodul (16), das die Ausgaben von den einzelnen Erkennungssensoren des Füllstandssensors (11) empfängt und basierend auf den empfangenen Ausgabewerten der einzelnen Erkennungssensoren sowie den im Parameterspeicher (17) gespeicherten Korrelationsparametern den dem Füllstandssensor (11) entsprechenden Füllstand der Flüssigkeit (C) schätzt.

Description

Technologischer Bereich
Vorliegende Erfindung bezieht sich auf ein Flüssigkeitsstandsmessverfahren und ein Flüssigkeitsstandsmesser sowie eine Werkzeugmaschine ausgestattet mit diesem Flüssigkeitsstandsmesser, die den Stand einer Flüssigkeit erkennen, die beispielsweise in einem Sammeltank gesammelt ist.
Technologischer Hintergrund
Bislang ist als vorgenannter Flüssigkeitsstandsmesser ein kapazitives Füllstandsmessgerät bekannt, wie in der Offenlegungsschrift Nr. 2001-174313 veröffentlicht (unten genanntes Patent 1). Dieses kapazitive Füllstandsmessgerät ist, wie in dem Patent 1 dargelegt, mit zwei parallel angebrachten dünnen und langen Elektroden, einer Hauptelektrode und einer Hilfselektrode, ausgestattet; diese zwei Elektroden in der Flüssigkeit eingetaucht. Zum Beispiel kann man es sich so vorstellen, dass aus einer geeigneten Signalquelle zwischen den beiden Elektroden, der Hauptelektrode und der Hilfselektrode, Wechselspannung angelegt ist, und das kapazitive Füllstandsmessgerät dann den dort fließenden Strom misst und daraus den Flüssigkeitsstand berechnet.
Das Prinzip der Flüssigkeitsstandsmessung in einem solchen kapazitiven Füllstandsmessgerät beruht darauf, dass sich der zwischen der Hilfselektrode und Hauptelektrode entstehende Kapazitätswert je nach Flüssigkeitsstand verändert. Das heißt, der zwischen Nebenelektrode und Hauptelektrode bestehende Kapazitätswert verhält sich bei bestimmtem Abstand zwischen Hilfselektrode und Hauptelektrode proportional zur Fläche der Elektroden und zur Permittivität der zwischen ihnen liegenden Substanz. Der zwischen Nebenelektrode und Hauptelektrode bestehende Kapazitätswert ist anders, je nach der Permittivität von Gas oder Flüssigkeit, je nachdem welche der beiden Substanzen sich zwischen der Hilfselektrode und Hauptelektrode befindet, das heißt, der Kapazitätswert ändert sich proportional zum Füllstand der Flüssigkeit. Da gemäß diesem Kapazitätswert, das heißt gemäß dem Füllstand, der Strom zwischen vorgenannten Elektroden fließt, kann basierend auf dem fließenden Wechselstrom der Füllstand berechnet werden.
Der so fließende Wechselstrom kann zum Beispiel in Wechselspannung umgewandelt werden, anschließend eine entsprechende Behandlung zusätzlich erfahren und kann in ein den Füllstand anzeigendes Messsignal gewandelt werden.
Stand der Technik
Patentliteratur

[Patent 1] Patentschrift 2001-174313

Kurze Beschreibung der Erfindung
Durch diese Erfindung zu lösende Aufgaben
Bei oben genannten bisherigen kapazitiven Füllstandsmessgeräten gab es jedoch das Problem, dass gemäß der Permittivität der zu messenden Flüssigkeit die Größe des zwischen den Elektroden fließenden Wechselstroms unterschiedlich ist und deswegen für ein genaues Messen des Flüssigkeitsstandes jedes Mal, wenn sich die zu messende Flüssigkeit ändert, durch Kalibrierung das Ausgangssignal kalibriert werden muss. Als Beispiel sei hier das Messen des Füllstandes von Wasser und Öl angeführt: Die Permittivität (spezifische induktive Kapazität) von Wasser beträgt etwa 80, hingegen beträgt die Permittivität (spezifische induktive Kapazität) von Öl etwa 2–3, sodass selbst bei gleichem Füllstand der Wert des zwischen vorgenannten Elektroden fließenden Wechselstromes stark unterschiedlich ist, je nachdem ob er in Wasser oder in Öl gemessen wird.
Auf diese Weise war es bei bisherigen kapazitiven Füllstandsmessgeräten notwendig, das von vorgenannten Elektroden ausgegebene Signal entsprechend der zu messenden Flüssigkeit zu kalibrieren, diese Kalibrierung benötigte entsprechend Zeit und Arbeitskraft, weswegen diese schlechten Handhabungsumstände problematisch waren.
Außerdem werden im Bereich Werkzeugmaschinen Kühlmittelzufuhrgeräte verwendet, die im Verarbeitungsbereich Kühlmittel bereitstellen. Doch falls dieses Kühlmittel wasserlöslich ist, muss beim Messen seines Füllstandes durch oben genannte bisherige kapazitive Füllstandsmessgeräte die Kalibrierung oft mehrmals durchgeführt werden, das ist problematisch. Mit anderen Worten, in diesem Fall unterliegt vorgenanntes wasserlösliche Kühlmittel oftmals dem Umstand, dass es sich mit dem im Betriebsbereich der Werkzeugmaschine verwendeten Schmieröl vermischt. Da das untergemischte Schmieröl mit der Zeit immer mehr wird, ändert das zu messende Kühlmittel entsprechend dem untergemischten Schmieröl jeden Augenblick seine Permittivität (spezifische induktive Kapazität). Zudem liefen auch diese Veränderungen nicht gleichmäßig sondern sehr unterschiedlich. Deshalb waren für ein genaues Messen des Kühlmittels wiederholte Kalibrierungen notwendig, bislang war diese Arbeit äußerst lästig und umständlich.
Vorliegende Erfindung berücksichtigt obige Sachlage; ihr Ziel ist es, ein Flüssigkeitsstandsmessverfahren und ein Flüssigkeitsstandsmesser sowie eine Werkzeugmaschine ausgestattet mit diesem Flüssigkeitsstandsmesser bereitzustellen, die auch bei wechselnden zu messenden Flüssigkeitsarten und sich ändernden Mischzuständen mit Fremdsubstanzen keine Kalibrierung bei jedem Messen benötigen.
Mittel zur Lösung der Aufgaben
Um oben genannte Aufgaben zu lösen, befasst sich vorliegende Erfindung betreffende Verfahrenserfindung mit einem Flüssigkeitsstandsmessverfahren,
das, nachdem der Füllstandssensor, der aus einer in Reihe angeordneten Vielzahl von Erkennungssensoren besteht – bei denen es sich um ein Elektrodenpaar besitzende kapazitive Erkennnungssensoren handelt, und die gemäß der Permittivität der sich in der Umgebung der vorgenannten Elektroden befindenden Substanz den Ausgabewert ändern – in die Flüssigkeit eingetaucht ist,
basierend auf den von den einzelnen Erkennungssensoren des vorgenannten Füllstandssensors ausgegebenen Ausgabewerten sowie den Koorelationsparametern, welche, während vorgenannter Füllstandssensor in vorgenannte Flüssigkeit eingetaucht ist, die Korrelation zwischen den von vorgenannten einzelnen Erkennungssensoren ausgegebenen Ausgabewerten und dem tatsächlichen Füllstand der vorgenannten Flüssigkeit entsprechend vorgenanntem Füllstandssensor festlegen, den vorgenannten Füllstandssensoren entsprechenden Füllstand der vorgenannten Flüssigkeit schätzt.
Ferner befasst sich vorliegende Erfindung betreffende Geräteerfindung mit einem Flüssigkeitsstandsmesser ausgestattet mit
einem Füllstandssensor, der ein Elektrodenpaar besitzende kapazitive Erkennnungssensoren hat, und bei dem eine Vielzahl von Erkennungssensoren – die entsprechend der Permittivität der sich in der Umgebung der vorgenannten Elektroden befindenden Substanz ihre Ausgabewerte ändern – in einer Reihe angebracht sind, einem Parameterspeicher, der die Korrelationsparameter speichert, welche, während vorgenannter Füllstandssensor in vorgenannte Flüssigkeit eingetaucht ist, die Korrelation zwischen den von vorgenannten einzelnen Erkennungssensoren ausgegebenen Ausgabewerten und dem tatsächlichen Füllstand der vorgenannten Flüssigkeit entsprechend vorgenanntem Füllstandssensor festlegen,
einem Füllstandsschätzmodul, das die Ausgabewerte von den einzelnen Erkennungssensoren des vorgenannten Füllstandssensors empfängt, und basierend auf den empfangenen Ausgabewerten der einzelnen Erkennungssensoren und den in vorgenanntem Parameterspeicher gespeicherten Korrelationsparametern den vorgenannten Füllstandssensor entsprechenden Füllstand der vorgenannten Flüssigkeit schätzt.
Die Erfinder vorliegender Erfindung dachten zuerst, dass sie durch Anfertigen eines Füllstandssensors, bei dem eine Vielzahl von vorgenannten Erkennungssensoren in einer Reihe angebracht sind, durch Eintauchen dieses Füllstandssensors in die Flüssigkeit und durch Vergleichen der von den einzelnen Erkennungssensoren ausgegebenen Ausgabewerte, unabhängig von der Art der Flüssigkeit und von dem Gemisch von Flüssigkeit und Fremdsubstanzen, den Füllstand erkennen könnten. Sie nahmen an, dass die von den in Flüssigkeit eingetauchten Erkennungssensoren ausgegebenen Werte (das heißt, die der Permittivität der Flüssigkeit gemäßen Ausgabewerte) und die von den Erkennungssensoren außerhalb der Flüssigkeit ausgegebenen Werte (das heißt, die der Permittivität von Luft gemäßen Ausgabewerte) sich stark voneinander unterscheiden, und sie dachten deshalb, dass zwischen den beiden Erkennungssensoren, deren Ausgabewerte so stark unterschiedlich sind, die Flüssigkeitsoberfläche (Füllstand) liege.
Die von den einzelnen Erkennungssensoren ausgegebenen Ausgabewerte änderten sich insgesamt durch den Füllstand, doch trotzdem zeigten die betreffenden Ausgabewerte für den Füllstand keinen erkennbar deutlichen Unterschied, das heißt, keinen signifikanten Unterschied. Deswegen gelangten sie zu der Erkenntnis, dass es schwierig sein würde, den Füllstand direkt aus den von vorgenannten einzelnen Erkennungssensoren ausgegebenen Werten selbst zu schätzen. Darüberhinaus dachten sie, dass dies eine Folge der in Reihe angebrachten Elektrodenpaare sowie der gegenseitigen Interferenz zwischen der Verdrahtung der Elektrodenpaare sei und erwarteten sich eine Verbesserung durch beispielsweise eine Abschirmung zwischen der Verdrahtung, doch es ist unmöglich, dies vollkommen auszuschließen und es würde die Kosten erhöhen.
Bei den von den einzelnen Erkennungssensoren ausgegebenen Ausgabewerten hingegen stellte sich heraus, dass sie einschließlich ihrer gesamten Größe ein dem Füllstand gemäßes Muster besitzen. Und so dachten sie, dass sie aus diesen Ausgabemustern den Füllstand schätzen könnten. Außerdem konnten mit bisherigen kapazitiven Füllstandsmessgeräten, die mit zwei Elektroden, oben genannter Hilfselektrode und Hauptelektrode, konstruiert sind, solche Ausgabemuster nicht erhalten werden.
Vorliegende Erfindung fordert zuerst frühzeitig, wenn vorgenannter Füllstandssensor in vorgenannte Flüssigkeit eingetaucht ist, die Korrelationsparameter an, welche die Korrelation zwischen den von vorgenannten einzelnen Erkennungssensoren ausgegebenen Ausgabewerten und dem vorgenannten Füllstandssensor gemäßen tatsächlichen Füllstand vorgenannter Flüssigkeit bestimmen, und speichert die erhaltenen und Korrelationsparameter betreffenden Daten im Parameterspeicher; in vorgenanntem Füllstandsschätzmodul schätzt sie den Füllstand der vorgenannten Flüssigkeit entsprechend vorgenannten Füllstandssensoren basierend auf den Ausgabewerten, die von vorgenannten einzelnen Erkennungssensoren ausgegeben werden während vorgenannte Füllstandssensoren in die Flüssigkeit eingetaucht sind, und basierend auf den in vorgenanntem Parameterspeicher gespeicherten Korrelationsparametern.
Bei vorgenannten Korrelationsparameter handelt es sich um Parameter, die angefordert werden von den der Flüssigkeitsart und dem Füllstand gemäßen Ausgabemustern aus vorgenannten einzelnen Erkennungssensoren, also von den aus vorgenannten einzelnen Erkennungssensoren erhaltenen Ausgabemustern, die dem Mischzustand von Flüssigkeit und Fremdsubstanzen und dem Füllstand entsprechen; die Parameter sind unabhängig von der Art der Flüssigkeit und vom Mischzustand von Flüssigkeit und Fremdsubstanzen; mit anderen Worten gesagt, egal um welche Art von Flüssigkeit es sich handelt, und egal welchen Zustand das Gemisch von Flüssigkeit und Fremdsubstanz besitzt, es sind die Parameter, die eindeutig zu dem Füllstand führen, der den Ausgabewerten aus den einzelnen Sensoren entspricht.
Folglich ist es gemäß vorliegender Erfindung möglich, aus den Ausgabewerten, die, während vorgenannte Füllstandssensoren in der Flüssigkeit eingetaucht sind, von vorgenannten einzelnen Erkennungssensoren ausgegeben werden, und aus den im vorgenannten Parameterspeicher gespeicherten Korrelationsparametern den Füllstand einer zu messenden Flüssigkeit zu schätzen, unabhängig von der Art der Flüssigkeit und unabhängig von dem Mischzustand von Flüssigkeit und Fremdsubstanz.
Wie oben genannt, benötigt es mit vorliegender Erfindung zwar Zeit, um die der angenommenen Flüssigkeitsart und dem Mischzustand mit Fremdsubstanzen entsprechenden Korrelationsdaten zu erhalten, doch trotzdem kann man, wenn es einmal gelungen ist, die Korrelationsparameter aus diesen Korrelationsdaten zu erhalten, später den Füllstand der zu messenden Flüssigkeit schätzen, ohne dass lästige und mühsame Kalibrierungen durchgeführt werden müssen.
Weiterhin ist es gewöhnlich wünschenswert, dass das Eintauchen der vorgenannte Füllstandssensoren in die Flüssigkeit gleichermaßen sowohl in Anordnungsrichtung dieser vorgenannten Füllstandssensoren als auch in Richtung Flüssigkeitstiefe geschieht, doch wenn man nur den Füllstand erkennen können möchte, dann ist es kein Problem, wenn die Füllstandssensoren etwas schräg eingetaucht sind.
Vorgenannte Korrelationsparameter bestimmen die Korrelation zwischen den Ausgabewerten der einzelnen Erkennungssensoren und dem tatsächlichen Füllstand, es ist nahezu unmöglich, dass Menschen diese nach der Trial-and-Error-Methode einstellen. Deshalb ist es wünschenswert, dass diese Korrelationsparameter durch maschinelles Lernen eingestellt werden.
Zudem wünschenswert bei dem maschinellen Lernen ist auch Data-Mining. Data-Mining bedeutet die Verarbeitung von verschiedenartigen Daten durch das Analysieren mit statistischen und mathematischen Methoden, sodass man beispielsweise nützliche neue Trends, Muster oder Korrelationsbeziehungen erkennt. So kann man mit Analysemethoden, wie dem Extrahieren von häufig vorkommenden Mustern, Klassifizieren, Regressionsanalysen oder Clusterbildung, die Daten grob klassifizieren.
In den vergangenen Jahren wurde es durch Fortschritte bei den Lernverfahren neuronaler Netzwerkmodelle, etwa dem Deep Learning, möglich, dass man vorgenannte Korrelationsparameter, das heißt Algorithmen zum Schätzen des Füllstandes, durch maschinelles Lernen erhalten kann. Konkret werden vorgenannte Korrelationsparameter, während vorgenannte Füllstandssensoren in vorgenannte Flüssigkeit eingetaucht sind, basierend auf den von vorgenannten Erkennungssensoren ausgegebenen Ausgabewerten und dem vorgenannten Füllstandssensor gemäßen tatsächlichen Füllstand der vorgenannten Flüssigkeit vorab erhalten durch maschinelles Lernen mit Lehrer durch Backpropagation mithilfe von Data-Mining anwendenden neuronalen Netzwerken; die Parameter werden dann in vorgenanntem Parameterspeicher gelagert.
Oben genannter Flüssigkeitsstandsmesser ist geeignet für die Verwendung in Werkzeugmaschinen, zum Beispiel in Kühlmittelzufuhrgeräten.
Wirkung der Erfindung
Wie oben genannt, benötigt es zwar Zeit, um die der angenommenen Flüssigkeitsart sowie die dem Mischzustand mit Fremdsubstanzen entsprechenden Korrelationsdaten und die Korrelationsdaten zwischen den Ausgabewerten der einzelnen Erkennungssensoren und dem Flüssigkeitsstand zu erhalten, doch trotzdem kann man mit vorliegender Erfindung, wenn es einmal gelungen ist, die Korrelationsparameter aus diesen Korrelationsdaten zu erhalten, später den Füllstand der zu messenden Flüssigkeit schätzen, ohne dass lästige und mühsame Kalibrierungen durchgeführt werden müssen.
Wenn man die Korrelationsparameter außerdem durch Data-Mining-Methoden, bei denen maschinelles Lernen und auch neuronale Netzwerkmodelle verwendet werden, berechnet, dann sind sie entsprechend der Flüssigkeitsart unterschiedlich und, falls Fremdsubstanzen in die Flüssigkeit gemischt sind, auch entsprechend diesem Mischzustand unterschiedlich; noch dazu ist es möglich, komplizierte und schwierige Korrelationsbeziehungen (Korrelationsparameter) zwischen dem Füllstand vorgenannter Flüssigkeit und den Ausgabewerten von vorgenannten einzelnen Erkennungssensoren exakt und mühelos zu erhalten.
Kurze Beschreibung der Figuren
[1] Konstruktionsskizze, auf der eine Werkzeugmaschine gemäß einer Ausführungsvariante vorliegender Erfindung dargestellt ist.
[2] Grundriss, auf der ein Füllstandssensor gemäß vorliegender Ausführungsvariante dargestellt ist.
[3] Schaltplan, auf der die Konstruktion eines Füllstandssensors gemäß vorliegender Ausführungsvariante dargestellt ist.
[4] Tabelle, in der die Beziehungen zwischen den von den Füllstandssensoren ausgegebene elektrischen Spannungswerten und dem tatsächlichen Füllstand für den Fall, dass die zu messende Flüssigkeit ein wasserlösliches Kühlmittel ist, dargestellt ist.
[5] Grafische Darstellung, die ein Diagramm für die Daten aus 4 zeigt.
[6] Tabelle, in der die Beziehungen zwischen den von den Füllstandssensoren ausgegebene elektrischen Spannungswerten und dem tatsächlichen Füllstand für den Fall, dass die zu messende Flüssigkeit ein ölhaltiges Kühlmittel ist, dargestellt sind.
[7] Grafische Darstellung, die ein Diagramm für die Daten aus 6 zeigt.
[8] Grafische Darstellung, bei der die Diagramme aus 5 und 7 zusammengefügt sind.
[9] Schematische Darstellung, die ein neuronales Netzwerkmodell in vorliegender Ausführungsvariante zeigt.
[10] Schaubild, das einen Operationsalgorithmus in einem neuronalen Netzwerkmodell der vorliegenden Ausführungsvariante zeigt.
[11] Tabelle, in der die Korrelationsparameter gemäß vorliegender Ausführungsvariante dargestellt sind.
[12] Tabelle, in der die Korrelationsparameter gemäß vorliegender Ausführungsvariante dargestellt sind.
[13] Tabelle, in der die Korrelationsparameter gemäß vorliegender Ausführungsvariante dargestellt sind.
[14] Tabelle, in der die Korrelationsparameter gemäß vorliegender Ausführungsvariante dargestellt sind.
[15] Tabelle, in der die Eingangsspannungsdaten dargestellt sind, beispielhaft zur Erklärung der Füllstandsschätzung.
[16] Tabelle, in der die Eingangsdaten nach der Vorverarbeitung dargestellt sind.
[17] Tabelle, in der die Operationsergebnisse aus dem Produkt von Eingangswert x_i und Gewichtungsfaktor hw_i,j (Korrelationsparameter) dargestellt sind.
[18] Tabelle, in der die Operationsergebnisse entsprechend Σx_i·hw_i,j dargestellt sind.
[19] Tabelle, in der die Operationsergebnisse entsprechend u_j Σx_i·hw_i,j) + v_j dargestellt sind.
[20] Tabelle, in der die Operationsergebnisse entsprechend z_j = 1/(1 + exp(–u_j)) dargestellt sind.
[21] Tabelle, in der die Operationsergebnisse aus dem Produkt von Ausgangswert z_j und Gewichtungsfaktor kw_j (Korrelationsparameter) dargestellt sind.
[22] Tabelle, in der die Operationsergebnisse entsprechend U = (Σx_i·kw_j) + kv dargestellt sind.
[23] Tabelle, in der die Operationsergebnisse entsprechend Z = 1/(+exp(–U)) dargestellt sind.
Varianten zur Ausführung der Erfindung
Nachfolgend wird eine Werkzeugmaschine bezüglich einer konkreten Ausführungsvariante vorliegender Erfindung unter Berücksichtigung der Figuren erklärt. Wie in 1 dargestellt, ist die Werkzeugmaschine 1 in vorliegendem Beispiel mit dem Kühlmittelzufuhrgerät 2, welches dem beweglichen Bauteil 3 das Kühlmittel C zuführt, ausgestattet. Zudem unterliegt das bewegliche Bauteil 3 keinerlei besonderen Einschränkungen und kann ein bewegliches Bauteil irgendeiner bekannten Werkzeugmaschine sein, etwa einer Drehmaschine, eines Bearbeitungszentrums, einer Schleifmaschine, eines Walzfräsers oder einer Räummaschine.
Vorgenanntes Kühlmittelzufuhrgerät 2 besteht aus dem Tank 25, der das Kühlmittel C sammelt, aus der Zuführleitung 26, deren eines Ende mit dem Inneren des Tankes 25 verbunden ist, und deren anderes Ende mit dem Verarbeitungsbereich des vorgenannten beweglichen Bauteils 3 verbunden ist, aus der Zuführpumpe 27, die sich im Verlauf der Zufuhrleitung 26 befindet, sowie aus der Rückführleitung 28, deren eines Ende gleichermaßen mit dem Verarbeitungsbereich des beweglichen Bauteils 3 verbunden ist und deren anderes Ende mit dem vorgenannten Tank 25 verbunden ist, und aus dem Flüssigkeitsstandsmesser 10, der den Flüssigkeitsstand des Kühlmittels C in vorgenanntem Tank 25 erkennt.
Mit diesem Kühlmittelzufuhrgerät 2 wird das in dem Tank 25 befindliche Kühlmittel C durch Antrieb vorgenannter Zuführpumpe 27 durch die Zuführleitung 26 in den Verarbeitungsbereich des beweglichen Bauteils 3 geführt und das in den Verarbeitungsbereich geführte Kühlmittel C wird durch die Rückführleitung 28 im Tank 25 gesammelt.
Vorgenannter Flüssigkeitsstandsmesser 10 ist ein Gerät, das den Flüssigkeitsstand des in dem Tank 25 befindlichen vorgenannten Kühlmittel C erkennt; er besteht aus dem im Tank 25 angebrachten Füllstandssensor 11, dem die von diesem Füllstandssensor 11 ausgegebenen Daten verarbeitenden Datenverarbeitungsgerät 15, sowie dem Anzeigegerät 20, das die Ergebnisse aus der Verarbeitung durch das Datenverarbeitungsgerät 15 anzeigt. Nachfolgend werden die einzelnen Bestandteile dieses Flüssigkeitsstandsmesser 10 genau erklärt.
Füllstandssensor
Vorgenannter Füllstandssensor 11 besteht, wie in 2 und 3 gezeigt, aus dem Elektrodenmodul 12 und dem Signalgenerator 13. Das Elektrodenmodul 12 besitzt neun mit Elektrodenpaaren ausgestattete kapazitive Erkennungssensoren S1 bis S9, sie sind orthogonal zur parallelen Anordnungsrichtung in einer Reihe in gleichen Abständen angeordnet und auf einer geeigneten Halteplatte befestigt; gleichzeitig sind sie komplett mit Harz ummantelt. Jede Elektrode, aus denen die einzelnen Erkennungssensoren S1 bis S9 bestehen, ist jeweils durch einen Signaldraht mit vorgenanntem Signalgenerator 13 verbunden. In vorliegendem Beispiel gibt es neun Erkennungssensoren S1 bis S9, doch gut ist es, wenn man eine geeignete Anzahl von Erkennungssensoren anbringt, die dem Abstand des zu erkennenden Füllstands entspricht; das können mehrere sein oder auch wenige.
Vorgenannter Signalgenerator 13 besteht, wie in 3 gezeigt, aus einem Schwingkreis, einem Analog-Multiplexer, einer Spannungsverdoppler-Erkennungsschaltung, einem Operationsverstärker und einem A/D-Wandler. Der Schwingkreis besitzt beispielsweise eine Hochfrequenzspannung (Wechselstromsignal) von 4 MHz zwischen den Elektroden der Erkennungssensoren S1 bis S9, und der zwischen den Elektroden fließende Hochfrequenzstrom (Wechselstromsignal) wird an vorgenannten Analog-Multiplexer ausgegeben. In diesem Zusammenhang ergibt sich, wenn man die Frequenzzahl der anliegenden Hochfrequenzspannung mit f [Hz] und die Spannung mit Vc [V] sowie die Kapazivität der einzelnen Elektroden mit C [F] angibt, folgende Gleichung: i = 2πf × C × Vc
Vorgenannter Analog-Multiplexer gibt die von den Erkennungssensoren S1 bis S9 kommenden Ausgangssignale (Wechselstromsignal) alternativ an die Spannungsverdoppler-Erkennungsschaltung, und mit dieser Spannungsverdoppler-Erkennungsschaltung werden nach dem Wandel der Wechselstromsignale in Gleichstromsignale die Signale an den Operationsverstärker ausgegeben. Der Spannungswert Vo [V] der einzelnen von der Spannungsverdoppler-Erkennungsschaltung ausgegebenen Gleichstromsignale wird als Belastungswiderstand R [Ω] der Spannungsverdoppler-Erkennungsschaltung in folgender Gleichung dargestellt: Vo = iR = 2πf × C × Vc × R
Als nächstes wandelt der Operationsverstärker die Impedanz der eingegangenen Gleichstromsignale (Spannungssignal) und formt durch den A/D-Wandler die analogen Signale in digitale Signale, danach gibt er die digitalen Daten für diesen Spannungswert aus.
Vorgenannter Signalgenerator 13 wandelt, wie oben genannt, die von den Erkennungssensoren S1 bis S9 ausgegebenen Signale in Spannungssignale um und verarbeitet sie, dass sie als digitale Werte nach außen gehen. Die von den Erkennungssensoren S1 bis S9 ausgehenden Ausgabewerte sind unterschiedlich entsprechend der Permittivität der im Umfeld eines jeden Elektrodenpaares befindlichen Substanz, das heißt der zu messenden Flüssigkeit und der Luft.
Wie in 1 gezeigt, befindet sich der wie oben genannt konstruierte Füllstandssensor 11 mit in die Tiefe gerichteter Anordnungsrichtung der vorgenannten Erkennungssensoren S1 bis S9 bei eingetauchtem Elektrodenmodul 12 in das Kühlmittel C innerhalb des Tanks 25.
Folglich kann man durch diesen Füllstandssensor 11 Ausgabewerte für den Füllstand des Kühlmittels C erhalten, die von den Erkennungssensoren S1 bis S9 kommen und dem Füllstandssensor 11 entsprechen. Das heißt, dass die von den in die Flüssigkeit eingetauchten Erkennungssensoren kommenden Ausgabewerte (das heißt, die Ausgabewerte gemäß der Permittivität der Flüssigkeit) und die von den außerhalb der Flüssigkeit liegenden Erkennungssensoren kommenden Ausgabewerte (das heißt, die Ausgabewerte gemäß der Permittivität der Luft) unterschiedlich sind, und die Ausgabewerte von allen Erkennungssensoren S1 bis S9 zeigen die Ausgabe gemäß des Füllstands des Kühlmittels C an.
Die Erfinder vorliegender Erfindung nahmen an, dass ein großer Unterschied bestehen würde zwischen den in Flüssigkeit eingetauchten Erkennungssensoren und den außerhalb der Flüssigkeit befindlichen Erkennungssensoren, doch in Wirklichkeit existierte zwischen den Ausgabewerten der einzelnen Erkennungssensoren S1 bis S9 kein signifikanter Unterschied, anhand dessen man direkt den Füllstand hätte beurteilen können. Darüberhinaus dachten sie, dass dies eine Folge der in Reihe angebrachten Elektrodenpaare sowie der gegenseitigen Interferenz zwischen der Verdrahtung der Elektrodenpaare sei und erwarteten sich eine Verbesserung durch beispielsweise eine Abschirmung zwischen der Verdrahtung, doch es ist unmöglich, dies vollkommen auszuschließen und es würde die Kosten erhöhen.
In 4 und in 5 ist die Ausgangsspannung für die oben genannten einzelnen Erkennungssensoren S1 bis S9 bei jedem Füllstand angegeben für den Fall, dass das Kühlmittel C wasserlöslich ist. In 6 und in 7 ist die Ausgangsspannung für die oben genannten einzelnen Erkennungssensoren S1 bis S9 bei jedem Füllstand angegeben für den Fall, dass das Kühlmittel ölhaltig oder Öl ist. Füllstand 1 bis Füllstand 9 bedeutet der jeweilige Füllstand, bei dem der Erkennungssensor mit dem entsprechenden Zahlenwert zur Hälfte in das Kühlmittel C eingetaucht ist. Zum Beispiel ist der Füllstand 9 der Füllstand, bei dem der Erkennungssensor S9 zur Hälfte eingetaucht ist, und der Füllstand 8 ist der Füllstand, bei dem der Erkennungssensor S8 zur Hälfte eingetaucht ist. Außerdem bezeichnet Füllstand 0, dass alle Erkennungssensoren S1 bis S9 außerhalb des Kühlmittels C liegen, das heißt, der Füllstand des Kühlmittels C liegt sogar unterhalb des Erkennungssensors S1.
4 zeigt eine Tabelle für die jeweiligen Füllstände 0 bis 9 mit der Ausgangsspannung für die einzelnen Erkennungssensoren S1 bis S9, 5 ist davon eine grafische Darstellung. Genau so zeigt 6 eine Tabelle für die jeweiligen Füllstände 0 bis 9 mit der Ausgangsspannung für die einzelnen Erkennungssensoren S1 bis S9, 7 ist davon eine grafische Darstellung.
Wie aus 5 und 7 zu entnehmen, ist die Ausgangsspannung für die einzelnen Erkennungssensoren S1 bis S9 je nach Füllstand insgesamt unterschiedlich, trotzdem ist es schwierig, direkt aus diesen Daten den Füllstand zu beurteilen. Insbesondere im Fall des in 7 dargestellten ölhaltigen Kühlmittels C sind die Veränderungen insgesamt gering und deshalb eine Beurteilung umso schwieriger.
In 8 sind die grafische Darstellung des in 5 gezeigten wasserlöslichen Kühlmittels C (dargestellt mit durchgehenden Linien) und die grafische Darstellung des in 7 gezeigten ölhaltigen Kühlmittels C (dargestellt mit gestrichelten Linien) zusammengefügt. Wie aus dieser grafischen Darstellung zu entnehmen, sind die Veränderungen im Falle des ölhaltigen Kühlmittels C gering und betragen darüber hinaus auch noch ein Vielfaches der Daten von Füllstand 0 bis Füllstand 9 des wasserlöslichen Kühlmittels C; den Füllstand direkt aus der Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9 entsprechend der Art des Kühlmittels C zu schätzen, ist schwierig.
Falls in vorliegendem Beispiel im Kühlmittelzufuhrgerät 2 ein wasserlösliches Kühlmittel C verwendet wird, dann kann sich im beweglichen Bauteil 3 das im beweglichen Bauteil 3 verwendete Schmieröl mit dem Kühlmittel C vermischen, und im Tank 25, in den das Kühlmittel C zurückgeführt wird, steigt mit der Zeit die Konzentration des Schmieröls, das sich mit dem Kühlmittel C vermischt hat. Wie oben erwähnt, ist die Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9 jedoch sehr unterschiedlich, je nachdem, ob die zu messende Flüssigkeit Wasser oder Öl ist; wenn daher die Konzentration des im wasserlöslichen Kühlmittel C gemischten Schmieröls mit der Zeit ansteigt, dann wird die Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9 mit der Zeit geringer; auch in dieser Hinsicht ist es kompliziert, direkt aus der Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9 den Füllstand des Kühlmittels C zu schätzen.
Wie hingegen aus der 5 und der 7 zu entnehmen ist, besitzt die Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9 ein die Gesamtgröße umfassendes und den einzelnen Füllständen entsprechendes Ausgabemuster. Und so ist es denkbar, dass ausgehend von diesem Ausgabemuster ein Schätzen des Füllstandes möglich ist.
Wie oben genannt, ist es in vorliegendem Beispiel kompliziert, durch den Füllstandssensor 11 aus der Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9 den Füllstand der zu messenden Flüssigkeit zu schätzen, doch mit der Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9 erhält man ein Ausgabemuster für die Art und den Füllstand der zu messenden Flüssigkeit. Deshalb dachten die Erfinder der vorliegenden Erfindung, dass zwischen der Art der zu messenden Flüssigkeit und der Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9 für den Füllstand eine bestimmte Korrelation bestünde. Sie dachten, dass es durch den Erhalt der diese Korrelation bestimmenden Korrelationsparameter und basierend auf diesen Korrelationsparametern und der Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9 möglich sei, den Füllstands der zu messenden Flüssigkeit zu schätzen.
Mit vorliegendem Beispiel versuchte man durch vorgenanntes Datenverarbeitungsgerät 15 und durch maschinelles Lernen mithilfe neuronaler Netzwerkmodelle vorab vorgenannte Korrelationsparameter zu erhalten und basierend auf diesen Korrelationsparametern und der Ausgangsspannung der einzelnen Erkennungssensoren S1 bis S9, die von vorgenanntem Füllstandssensor 11 ausgegeben wird, den Füllstand des Kühlmittels C im vorgenannten Tank 25 zu schätzen. Im Folgenden wird dieses Datenverarbeitungsgerät 15 näher erklärt.
[Datenverarbeitungsgerät]
Vorgenanntes Datenverarbeitungsgerät 15 besteht, wie in 1 gezeigt, aus einem Füllstandsschätzmodul 16 und einem Parameterspeicher 17.
In vorgenanntem Parameterspeicher 17 kann man, während vorgenannter Füllstandssensor 11 in die Flüssigkeit eingetaucht ist, vorab die Korrelationsparameter erhalten, die die Korrelation zwischen den Ausgabewerten von den einzelnen Erkennungssensoren S1 bis S9 und dem tatsächlichen und vorgenanntem Füllstandssensor 11 entsprechenden Füllstand der vorgenannten Flüssigkeit erhalten; die vorab erhaltenen Korrelationsparameter werden von außen in den Speicher eingegeben und gelagert.
Diese Korrelationsparameter sind in dem Fall, dass es sich um verschiedene Flüssigkeiten handelt oder in eine Flüssigkeit Fremdsubstanzen gemischt sind, bei Flüssigkeiten in verschiedenen Mischzuständen gleichermaßen anwendbar. Für diese verschiedenartigen Flüssigkeiten und für Flüssigkeiten in verschiedenen Mischzuständen erhält man, während vorgenannter Füllstandssensor 11 in die Flüssigkeit eingetaucht ist, vorab Daten für die Korrelation zwischen den Ausgabewerten von den einzelnen Erkennungssensoren S1 bis S9 und dem tatsächlichen und vorgenanntem Füllstandssensor 11 entsprechenden Füllstand der vorgenannten Flüssigkeit; basierend auf der Vielzahl der erhaltenen Korrelationsdaten werden durch maschinelles Lernen mit Lehrer durch Backpropagation mithilfe von Data-Mining anwendenden neuronale Netzwerken Berechnungen angestellt.
Zuerst wird anhand der 9 und der 10 die rechnerische Verarbeitung der Korrelationsparamenter erklärt. 9 ist eine schematische Darstellung eines neuronalen Netzwerkmodells in vorliegendem Beispiel; in der Figur entsprechen S1 bis S9 den vorgenannten Erkennungssensoren S1 bis S9. 10 ist ein Schaubild, das einen Operationsalgorithmus in diesem neuronalen Netzwerkmodell zeigt.
Bei dem in 10 gezeigten Algorithmus entspricht die Eingabeschicht x₁ bis x_j den Ausgangsspannungswerten der einzelnen Erkennungssensoren S1 bis S9. Somit ist in vorliegendem Beispiel i = 9. Außerdem sind hw_i,j und kw_j Gewichtungsfaktoren, v_j und kv sind Schwellenwerte für die Ansprechempfindlichkeit. Der Ausgangswert z_j in der Zwischenschicht wird gemäß nachfolgender Gleichung 1 berechnet.
(Gleichung 1)

z_j = f((Σhw_i,j·x_i) + v_j)

Außerdem wird Ausgabe Z in der Ausgabeschicht gemäß nachfolgender Gleichung 2 berechnet.
(Gleichung 2)

Z = f((Σkw_j·z_j) + kv

Vorgenannter Ausabewerte z_j und Z verändern sich gemäß der Sigmoid Funktion, wie durch nachfolgende Gleichung 3 dargestellt.
(Gleichung 3)

f(u) = 1/(1 + exp(–u))

Nachdem für die verschiedenen Flüssigkeitsarten und Flüssigkeiten-Fremdsubstanzen-Gemische, die man wie oben beschrieben vorab erhalten hat, basierend auf den Korrelationsdaten von Ausgabewerten aus den einzelnen Erkennungssensoren S1 bis S9 und dem Flüssigkeitsstand mit Hilfe des oben genannten Algorithmus' die Anzahl der einzelnen Zwischenschichten und ihre Schichten entsprechend eingestellt worden sind, werden durch maschinelles Lernen mit Lehrer gemäß oben genannter Backpropagation als vorgenannte Korrelationsparameter die vorgenannten Gewichtungsfaktoren hw_i,j und kw_j sowie die Schwellenwerte v_j und kv berechnet. Dann werden die berechneten Korrelationsparameter in vorgenanntem Parameterspeicher 18 gelagert. 11 zeigt ein Beispiel für Daten von auf diese Weise berechneten Gewichtungsfaktoren hw_i,j. 12 zeigt ein Datenbeispiel für den Schwellenwert v_j, 13 ein Datenbeispiel für den Gewichtungsfaktor kw_j und 14 zeigt ein Datenbeispiel für den Schwellenwert kv. Die Stückzahl j der Zwischenschichten ist frei wählbar; im Allgemeinen wird die Empfindlichkeit höher, je höher die Stückzahl j der Zwischenschichten ist. Da es aber auch problematisch ist, wenn die Verarbeitungszeit länger wird, ist es vorzuziehen, einen geeigneten und passenden Wert einzustellen.
Das maschinelle Lernen mit Lehrer durch Backpropagation in vorliegendem Beispiel heißt, dass die vorab erhaltenen Korrelationsdaten, also die Ausgabewerte der einzelnen Erkennungssensoren S1 bis S9, als Eingabewert xi des in 10 dargestellten Algorithmus eingegeben werden und gleichzeitig mit den Ausgabewerten der eingestellten entsprechenden Gewichtungsfaktoren hw_i,j, kw_j und der Schwellenwerte v_j, kv verglichen werden; abzüglich ihrer Differenz, das heißt konvergierend, werden durch wiederholtes Ändern der Gewichtungsfaktoren hw_i,j, kw_j und der Schwellenwerte v_j, kv die am besten passenden Werte für die Gewichtungsfaktoren hw_i,j, kw_j und für die Schwellenwerte v_j, kv, also die Korrelationsparameter, eingestellt.
Vorgenanntes Füllstandsschätzmodul 16 empfängt die Ausgangsspannungswerte der einzelnenen Erkennungssensoren S1 bis S9, welche vom Signalgenerator 13 des vorgenannten Füllstandssensors 11 ausgegeben werden, und schätzt den Füllstand des Kühlmittels C mithilfe der empfangenen Ausgangsspannungswerten sowie den in vorgenanntem Parameterspeicher 17 gelagerten Korrelationsparametern, das heißt den Gewichtungsfaktoren hw_i,j, kw_j und den Schwellenwerten v_j, kv.
Wenn zum Beispiel die Ausgangsspannungswerte der einzelnen Erkennungssensoren S1 bis S9 den Wert haben wie in 15 dargestellt, dann wird vorgenanntes Füllstandsschätzmodul 16 diese Werte als Vorverarbeitung durch den höchsten Ausgangsspannungswert der einzelnen Erkennungssensoren S1 bis S9 (in vorliegendem Beispiel 2500 mV) teilen und auf einen Wert unter 1 setzen (siehe 16). Danach wird das Füllstandsschätzmodul 16 die in 16 gezeigten Werte als Eingabewerte mithilfe der in vorgenanntem Parameterspeicher 17 gelagerten Korrelationsparameter, dem Gewichtungsfaktor hw_i,j und dem Schwellenwert v_j, gemäß der vorgenannten Gleichungen 1 und 3 zuerst die Ausgabe v_j in der Zwischenschicht berechnen. Die in 15 genannten Ausgangsspannungswerte wurden von den einzelnen Erkennungssensoren S1 bis S9 ausgegeben, als das Kühlmittel C ölhaltig war und der Füllstand bei 5 lag.
Die Operationsergebnisse in den einzelnen Operationsprozessen, in denen vorgenannter Ausgabewert z_j berechnet wird, sind in den 17 bis 20 dargestellt. 17 zeigt die Werte aus dem Produkt von den in 16 gezeigten Eingabewerten x_i und den in 11 gezeigten Gewichtungsfaktoren hw_i,j (Korrelationsparameter), das heißt die Werte für x_i·hw_i,j. Außerdem zeigt 18 basierend auf den Operationsergebnissen der 17 für j 1 bis 20 die jeweilige Summe von x_i·hw_i,j, das heißt sie zeigt die Operationsergebnisse von Σx_i·hw_i,j. Desweiteren zeigt 19 basierend auf den Operationsergebnissen der 18 die Operationsergebnisse, die aus uj = (Σx_i·hw_i,j) + v_j folgen, und 20 zeigt basierend auf den Operationsergebnissen der 19 die Operationsergebnisse, die aus z_j = 1/(1 + exp(–u_j)) folgen.
Das Füllstandsschätzmodul 16 berechnet basierend auf dem wie oben beschrieben berechneten Ausgabewert z_j der Zwischenschicht und mithilfe der in dem Parameterspeicher 17 gelagerten Korrelationsparametern, dem Gewichtungsfaktor kw_j und dem Schwellenwert kv, entsprechend vorgenannter Gleichungen 2 und 3 den Ausgabewert Z der Ausgabeschicht. Die Operationsergebnisse in den einzelnen Operationsprozessen zum Berechnen dieses Ausgabewertes Z sind in 21 bis 23 dargestellt. 21 zeigt den Wert für das Produkt aus dem in 20 dargestellten Ausgabewert z_j der Zwischenschicht und dem in 13 dargestellten Gewichtungsfaktor kw_j (Korrelationsparameter), das heißt den Wert von z_j·kw_j. Außerdem zeigt 22 den Wert für das Hinzufügen des Schwellenwertes kv (Korrelationsparameter) zu der Summe der Operationsergebnisse der 21 Σz_j·kw_j, das heißt das Operationsergebnis aus U = (Σz_j·kw_j) + kv. 23 zeigt basierend auf den Operationsergebnissen der 22 das Operationsergebnis aus Z = 1/(1 + exp(–U)).
Zuletzt schätzt das Füllstandsschätzmodul 16 durch Multiplizieren des in 23 gegebenen Wertes (Z = 0,551210539) mit 9 (= i) den Füllstand. In diesem Fall ist der Füllstand
Z × 9 = 0,551210539 × 9 ≒ 5
Wie sich aus den in 15 bis 23 dargestellten Beispielen ebenfalls erkennen lässt, haben der durch das Füllstandsschätzmodul 16 geschätzte Füllstand und der tatsächliche Füllstand den gleichen Wert, durch den Flüssigkeitsstandsmesser 10 in vorliegendem Beispiel konnte der richtige Füllstand geschätzt werden.
Der auf diese Weise von dem Füllstandsschätzmodul 16 geschätzte Füllstand wird im Anzeigegerät 20 angezeigt.
Die in 15 bis 23 dargestellten Beispiele beziehen sich auf den Fall, dass es sich um ein ölhaltiges Kühlmittel C handelt. Doch von dem Flüssigkeitsstandsmesser 10 können – auch wenn es sich bei der zu messenden Flüssigkeit um ein wasserlösliches Kühlmittel oder um eine andere Flüssigkeitsart oder um eine Flüssigkeit, in der Fremdsubstanzen gemischt sind, handelt – durch simultanes maschinelles Lernen gleichermaßen verwendbare Korrelationsparameter erhalten werden; lagert man diese in vorgenannten Datenspeicher 17, dann kann in vorgenanntem Füllstandsschätzmodul 16 auch bei einer veränderten zu messenden Flüssigkeit ohne erneute Kalibrierung der Korrelationsparameter der Füllstand geschätzt werden. Da der Flüssigkeitsstandsmesser 10 im Vergleich zu bisherigen Flüssigkeitsstandsmessern einfach zu konstruieren ist, sind seine Herstellungskosten günstig.
Folglich benötigt es mit dem Flüssigkeitsstandsmesser 10 des vorliegenden Beispiels zwar Zeit, um die der angenommenen Flüssigkeitsart und dem Mischzustand mit Fremdsubstanzen entsprechenden Korrelationsdaten zu erhalten, doch trotzdem kann man, wenn es einmal gelungen ist, die Korrelationsparameter aus diesen Korrelationsdaten zu erhalten, später den Füllstand der zu messenden Flüssigkeit schätzen, ohne dass lästige und mühsame Kalibrierungen durchgeführt werden müssen.
Da außerdem in dem Flüssigkeitsstandsmesser 10 des vorliegenden Beispiels die Werte für den durch das vorgenannte Füllstandsschätzmodul 16 geschätzten Füllstand im Anzeigegerät 20 angezeigt werden, kann der Bediener, ohne den Füllstand des Kühlmittels C im Tank 25 mit den eigenen Augen zu sehen, den entsprechenden Füllstand des Kühlmittels C erkennen, das ist praktisch. Falls der geschätzte Füllstand geringer ist als der Standardfüllstand, hat das Füllstandsschätzmodul 16 die vorteilhafte Konstruktion, dass es auf dem Anzeigegerät 20 einen Alarm anzeigt und dadurch den Bediener warnt.
Oben genannt sind Erklärungen für konkrete Umsetzungsbeispiele vorliegender Erfindung, doch für die von vorliegender Erfindung eingenommenen konkrete Aspekte unterliegen keinerlei Beschränkungen.
Zum Beispiel wurden in obigem Beispiel die vorgenannten Korrelationsparameter mithilfe Backpropagation anwendender Neuronaler Netzwerke durch maschinelles Lernen mit Lehrer gemäß Backpropatation berechnet, doch maschinelle Lernverfahren für das Berechnen der Korrelationsparameter sind nicht auf diese beschränkt. Beispielsweise können anstelle von Neuronalen Netzwerken, als ein Data-Mining anwendendes Verfahren, auch gut SVM (support vector machine) verwendet werden, maschinelle Lernverfahren oder daran angepasste Verfahren können angewendet werden. Auch falls man Neuronale Netzwerke verwendet, können anstelle von Backpropagation verschiedene maschinelle Lernverfahren, wie genetische Algorithmen, angewendet werden.
Bezugszeichenliste

1: Werkzeugmaschine
2: Kühlmittelzufuhrgerät
3: bewegliches Bauteil
10: Flüssigkeitsstandsmesser
11: Füllstandssensor
S1 bis S9: Erkennungssensoren
15: Datenverarbeitungsgerät
16: Füllstandsschätzmodul
17: Parameterspeicher
20: Anzeigegerät
25: Tank
26: Zuführleitung
27: Zuführpumpe
28: Rückführleitung
C: Kühlmittel

Claims

Ein Flüssigkeitsstandsmesser gekennzeichnet dadurch, dass er ausgestattet ist mit einem aus einer Vielzahl von in Reihe angeordneten Erkennungssensoren bestehenden Füllstandssensor mit ein Elektrodenpaar besitzenden kapazitiven Erkennungssensoren, deren Ausgabewerte sich entsprechend der Permittivität der sich in der Umgebung der vorgenannten Elektroden befindenden Substanz ändern, einem Parameterspeicher, in dem die Korrelationsparameter gespeichert sind, die, während vorgenannte Füllstandssensoren in vorgenannte Flüssigkeit eingetaucht sind, die Korrelation zwischen den von vorgenannten Erkennungssensoren ausgegebenen Ausgabewerten und dem tatsächlichen Füllstand der vorgenannten Flüssigkeit gemäß vorgenanntem Füllstandssensor festlegen, einem Füllstandsschätzmodul, das die Ausgaben von den einzelnen Erkennungssensoren des vorgenannten Füllstandssensors empfängt und basierend auf den empfangenen Ausgabewerten der einzelnen Erkennungssensoren sowie den in vorgenanntem Parameterspeicher gespeicherten Korrelationsparametern den Füllstand vorgenannter Flüssigkeit entsprechend dem vorgenannten Füllstandssensor schätzt.
Flüssigkeitsstandsmesser nach Anspruch 1 dadurch gekennzeichnet, dass vorgenannte Korrelationsparameter, während vorgenannte Füllstandssensoren in vorgenannte Flüssigkeit eingetaucht sind, basierend auf den von vorgenannten einzelnen Erkennungssensoren ausgegebenen Ausgabewerten und auf dem diesen Ausgabewerten gemäßen tatsächlichen Füllstand der vorgenannten Flüssigkeit entsprechend vorgenanntem Füllstandssensor durch maschinelles Lernen vorab erhalten werden und in vorgenanntem Parameterspeicher gelagert werden.
Flüssigkeitsstandsmesser nach Anspruch 2 dadurch gekennzeichnet, dass vorgenannte Korrelationsparameter, während vorgenannte Füllstandssensoren in vorgenannte Flüssigkeit eingetaucht sind, basierend auf den von vorgenannten einzelnen Erkennungssensoren ausgegebenen Ausgabewerten und auf dem diesen Ausgabewerten gemäßen tatsächlichen Füllstand der vorgenannten Flüssigkeit entsprechend vorgenanntem Füllstandssensor durch maschinelles Lernen mit Lehrer durch Backpropagation mithilfe von Data-Mining anwendenden Neuronalen Netzwerken vorab erhalten werden und in vorgenanntem Parameterspeicher gelagert werden.
Werkzeugmaschine dadurch gekennzeichnet, dass sie mit einem nach einem der vorgenannten Ansprüche 1 bis 3 beschaffenen Flüssigkeitsstandsmesser ausgestattet ist.
Flüssigkeitsstandsmessverfahren dadurch gekennzeichnet, dass der aus einer Vielzahl von in Reihe angeordneten Erkennungssensoren bestehende Füllstandssensor mit ein Elektrodenpaar besitzenden kapazitiven Erkennungssensoren, deren Ausgabewerte sich gemäß der Permittivität der sich in der Umgebung der vorgenannten Elektroden befindenden Substanz ändern, nachdem er in die Flüssigkeit eingetaucht ist, basierend auf den von den einzelnen Erkennungssensoren des vorgenannten Füllstandssensors ausgegebenen Ausgabewerten und den Korrelationsparametern – die während vorgenannter Füllstandssensor in vorgeanannte Flüssigkeit eingetaucht ist, die Korrelation zwischen den von vorgenannten einzelnen Erkennungssensoren ausgegebenen Ausgabewerten und dem vorgenanntem Füllstandssensor entsprechenden tatsächlichen Füllstand der vorgenannten Flüssigkeit festlegen – den vorgenannten Füllstandssensoren entsprechenden Füllstand der vorgenannten Flüssigkeit schätzt.
Flüssigkeitsstandsmessverfahren nach Anspruch 5 dadurch gekennzeichnet, dass vorgenannte Korrelationsparameter basierend auf den von vorgenannten einzelnen Erkennungssensoren, während vorgenannter Füllstandssensor in vorgenannte Flüssigkeit eingetaucht ist, ausgegebenen Ausgabewerten und dem diesen Ausgabewerten gemäßen und dem vorgenannten Füllstandssensor entsprechenden tatsächlichen Füllstand der vorgenannten Flüssigkeit durch maschinelles Lernen vorab erhalten werden.
Flüssigkeitsstandsmessverfahren nach Anspruch 6 dadurch gekennzeichnet, dass vorgenannte Korrelationsparameter basierend auf den von vorgenannten einzelnen Erkennungssensoren, während vorgenannter Füllstandssensor in vorgenannte Flüssigkeit eingetaucht ist, ausgegebenen Ausgabewerten und dem diesen Ausgabewerten gemäßen und dem vorgenannten Füllstandssensor entsprechenden tatsächlichen Füllstand der vorgenannten Flüssigkeit durch maschinelles Lernen mit Lehrer durch Backpropagation mithilfe von Data-Mining anwendenden Neuronalen Netzwerken vorab erhalten werden.