DE19835137C2 - Vorrichtung zum Bestimmen der Konzentration einer Meßflüssigkeit - Google Patents
Vorrichtung zum Bestimmen der Konzentration einer MeßflüssigkeitInfo
- Publication number
- DE19835137C2 DE19835137C2 DE1998135137 DE19835137A DE19835137C2 DE 19835137 C2 DE19835137 C2 DE 19835137C2 DE 1998135137 DE1998135137 DE 1998135137 DE 19835137 A DE19835137 A DE 19835137A DE 19835137 C2 DE19835137 C2 DE 19835137C2
- Authority
- DE
- Germany
- Prior art keywords
- value
- neural network
- output
- neurons
- input
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/04—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance
- G01N27/06—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating resistance of a liquid
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Description
Die vorliegende Erfindung betrifft ein Verfahren zum Bestimmen
einer Zustandsgröße einer Messflüssigkeit aus deren
Leitfähigkeitswert σ und deren Temperaturwert T mit Hilfe
eines neuronalen Netzes. Das neuronale Netz umfasst eine
Eingangsschicht mit mindestens zwei Eingängen für den
Leitfähigkeitswert σ und den Temperaturwert T, eine
Ausgangsschicht mit einem Ausgang für die Zustandsgröße und
mindestens eine zwischen Eingangsschicht und Ausgangsschicht
angeordnete versteckte Schicht mit mehreren zwischen den
Eingängen und dem Ausgang geschalteten Neuronen.
Die Erfindung betrifft außerdem eine Vorrichtung zum Bestimmen
einer Zustandsgröße einer Messflüssigkeit aus deren
Leitfähigkeitswert σ und deren Temperaturwert T mit Hilfe
eines neuronalen Netzes. Das neuronale Netz umfasst eine
Eingangsschicht mit mindestens zwei Eingängen für den
Leitfähigkeitswert σ und den Temperaturwert T, eine
Ausgangsschicht mit einem Ausgang für die Zustandsgröße und
mindestens eine zwischen Eingangsschicht und Ausgangsschicht
angeordnete versteckte Schicht mit mehreren zwischen den
Eingängen und dem Ausgang geschalteten Neuronen.
Aus der DE 42 27 727 A1 ist ein Verfahren der eingangs
genannten Art zum Bestimmen einer Zustandsgröße einer
Messflüssigkeit bekannt. Mit Hilfe des bekannten Verfahrens
wird eine Klassifizierung der Messflüssigkeit in tensidhaltig
und tensidfrei durchgeführt. Am Ausgang des neuronalen Netzes
liegt entweder der Wert 1 (tensidhaltige Messflüssigkeit) oder
der Wert 0 (tensidfreie Messflüssigkeit) an. Zur
Klassifizierung der Messflüssigkeit wird die Konzentration
nicht ionogener Tenside in der Messflüssigkeit bestimmt. Um
die Konzentration nicht ionogener Tenside bestimmen zu können,
wird dem neuronalen Netz neben der Leitfähigkeit und der
Temperatur der Messflüssigkeit über zwei zusätzliche Eingänge
der Eingangsschicht auch der pH-Wert und die Trübung der
Messflüssigkeit zugeführt. Mit Hilfe des neuronalen Netzes
werden bei dem bekannten Verfahren also keine konkreten
Konzentrationswerte bestimmt und über den Ausgang der
Ausgangsschicht ausgegeben.
Die Leitfähigkeit σ einer Messflüssigkeit wird mit Hilfe eines
handelsüblichen Leitfähigkeitssensors ermittelt. Für
verschiedene Anwendungen ist jedoch nicht der
Leitfähigkeitswert σ einer Messflüssigkeit interessant,
sondern vielmehr die Konzentration c der Messflüssigkeit. In
diesen Fällen muss der Leitfähigkeitswert σ in die
Konzentration c der Messflüssigkeit umgerechnet werden. Die
Konzentration c ist ein Indikator für die Anzahl aller in der
Messflüssigkeit gelösten Ionen. Die gemessene Leitfähigkeit
ist von der Konzentration der Messflüssigkeit und deren
Temperatur T abhängig. Der Zusammenhang zwischen der
Temperatur T und der Leitfähigkeit σ einerseits und der
Konzentration c andererseits ist nichtlinear. Deshalb kann die
Konzentration c nicht einfach als eine Funktion f(σ, T) der
Leitfähigkeit σ und der Temperatur T dargestellt werden.
Aus diesem Grund werden nach dem Stand der Technik aus dem
nichtlinearen Kennlinienfeld der Konzentration c über der
Leitfähigkeit σ und der Temperatur T Messwerttripel ermittelt
und in einer Look-up-Tabelle abgespeichert. Mit Hilfe der
Messwerttripel wird das nichtlineare Kennlinienfeld
angenähert. Zum Bestimmen der Konzentration c aus einer
gemessenen Leitfähigkeit σ und einer gemessenen Temperatur T
wird zwischen den Messwerttripeln linear interpoliert.
Aufgrund des nichtlinearen Verlaufs des Kennlinienfeldes
weicht der durch lineare Interpolation ermittelte
Konzentrationswert c jedoch unter Umständen stark von dem
tatsächlichen Wert der Konzentration c ab. Diese Abweichungen
ließen sich durch möglichst viele Messwerttripel, die in einem
sehr geringen Abstand zueinander liegen, vermindern.
Allerdings würde das einen zusätzlichen Aufwand zur Aufnahme
einer derart großen Zahl von Messwerttripeln bedeuten, und zum
Abspeichern einer derart großen Zahl von Messwerttripeln würde
viel Speicherplatz benötigt werden. Zur Lösung dieses
Zielkonflikts zwischen höherer Genauigkeit des
Konzentrationswertes c einerseits und einem möglichst geringen
Arbeitsaufwand und Speicherplatzbedarf andererseits wird in
der Praxis ein Mittelweg gewählt, der mit noch vertretbarem
Arbeitsaufwand und Speicherplatzbedarf ein Bestimmen des
Konzentrationswertes c mit einer akzeptablen Genauigkeit
ermöglicht. Die so erzielbare Genauigkeit reicht jedoch für
eine Vielzahl von Anwendungen nicht aus.
Der vorliegenden Erfindung liegt daher die Aufgabe zugrunde,
beim Bestimmen der Konzentration c einer Messflüssigkeit die
Genauigkeit zu verbessern und gleichzeitig den Aufwand zum
Bestimmen der Konzentration c zu verringern.
Das erfindungsgemäße Verfahren löst die voranstehende Aufgabe
durch die Merkmale des Patentanspruchs 1. Danach ist das
eingangs bereits erörterte gattungsbildende Verfahren derart
ausgestaltet, dass als Zustandsgröße die Konzentration der in
der Messflüssigkeit gelösten Ionen bestimmt wird, wobei in
jedem Neuron die Eingangswerte der Eingänge jeweils mit einem
eingangsseitigen Gewichtungsfaktor gewichtet, die gewichteten
Eingangswerte summiert werden und der Summenwert über eine
Aktivierungsfunktion geführt wird.
Erfindungsgemäß ist erkannt worden, dass die Genauigkeit des
zu bestimmenden Konzentrationswertes c dadurch erhöht und der
Aufwand zum Bestimmen der Konzentration c dadurch verringert
werden kann, dass der Zusammenhang zwischen dem
Leitfähigkeitswert σ und dem Temperaturwert T einerseits und
der Konzentration c andererseits als eine Funktion c = f(σ,
T) dargestellt wird.
Das ist mit dem erfindungsgemäßen Verfahren zum Bestimmen der
Konzentration einer Messflüssigkeit nun erstmals möglich.
Dabei wird der tatsächliche Verlauf des Kennlinienfeldes der
Konzentration c mittels des neuronalen Netzes nachgebildet.
Dadurch wird die Genauigkeit des zu bestimmenden
Konzentrationswertes c erheblich erhöht. Außerdem können
mittels des erfindungsgemäßen Verfahrens der Rechenaufwand zum
Bestimmen der Konzentration c und der Speicheraufwand ganz
entscheidend reduziert werden. Bei dem erfindungsgemäßen
Verfahren sind nun nicht mehr sämtliche Messwerttripel des
Kennlinienfeldes der Konzentration c abzuspeichern. Vielmehr
genügt es, die wenigen Parameter, welche die Funktion des
neuronalen Netzes beeinflussen, abzuspeichern. Der
Speicherbedarf reduziert sich dadurch auf etwa 10% des nach
dem Stand der Technik notwendigen Speicherbedarfs. Die Werte
der Parameter richten sich nach der Art der Messflüssigkeit,
deren Konzentration c bestimmt werden soll.
Das neuronale Netz liefert mit einem Leitfähigkeitswert σ und
einem Temperaturwert T an seinem Eingang einen genauen Wert
für die Konzentration c unmittelbar an seinem Ausgang. Die
Eingangswerte σ und T müssen nicht mehr, wie dies bei dem
Verfahren nach dem Stand der Technik nötig war, dahingehend
bewertet werden, in welchem Bereich des Kennlinienfeldes sie
liegen, um dann in diesem Bereich eine lineare Interpolation
zum Bestimmen des Konzentrationswertes c durchführen zu
können.
Die eigentliche Verarbeitung des Leitfähigkeitswerts σ und des
Temperaturwertes T und das Bestimmen des Konzentrationswertes
c findet in den Neuronen der versteckten Schicht statt. Die
Neuronen der versteckten Schicht können in mehreren
hintereinander geschalteten Schichten angeordnet und auf
unterschiedliche Weise miteinander verbunden sein. Die
Eingangsschicht des bei dem erfindungsgemäßen Verfahren
verwendeten neuronalen Netzes kann neben den zwei Eingängen
für den Leitfähigkeitswert σ und den Temperaturwert T auch
weitere Eingänge aufweisen, an denen dem neuronalen Netz
zusätzliche Angaben zugeführt werden können, von denen die zu
bestimmende Konzentration c der Messflüssigkeit abhängt.
Vorteilhafterweise werden die Neuronen der versteckten Schicht
in einer Schicht angeordnet und zwischen den Eingängen und dem
Ausgang parallel geschaltet. Somit weist jedes Neuron so viele
Eingänge, wie das neuronale Netz Eingänge hat, und einen
Ausgang auf. Dadurch dass die Neuronen der versteckten Schicht
in einer einzigen Schicht angeordnet sind, wird der Aufbau der
versteckten Schicht erheblich vereinfacht. Der Aufwand zum
Bestimmen der Parameterwerte des neuronalen Netzes und der
Zeitaufwand, der zum Bestimmen der Konzentration c aus einem
Leitfähigkeitswert σ und einem Temperaturwert T benötigt wird,
wird dadurch entscheidend vermindert.
Gemäß einer vorteilhaften Weiterbildung der Erfindung wird
vorgeschlagen, dass in den Neuronen jeweils die Eingangswerte,
der Leitfähigkeitswert σ und der Temperaturwert T, mit einem
Gewichtungsfaktor w1 bzw. w2 gewichtet werden, die gewichteten
Eingangswerte summiert werden und der Summenwert über eine
Aktivierungsfunktion geführt wird. Als Aktivierungsfunktion
wird vorzugsweise eine Tangenshyperbolikusfunktion verwendet.
Diese sigmaförmige Funktion oder Sigmoidfunktion hat eine
obere und eine untere Sättigungsgrenze sowie einen
proportionalen Bereich dazwischen. Der Wert der Funktion ist
-1, wenn der Aktivierungswert eine große negative Zahl ist.
Die Sigmoidfunktion liefert den Wert 1, wenn der
Aktivierungswert eine große positive Zahl ist, dazwischen
liefert sie einen gleichmäßigen Übergang. Eine derart
ausgestaltete Aktivierungsfunktion hat sich bei dem
erfindungsgemäßen Verfahren als besonders vorteilhaft
erwiesen. Mit der Sigmoidfunktion kann sowohl außerhalb der
erlernten Werte (bzgl. der Lernphase vgl. unten) extrapoliert
als auch zwischen den erlernten Werten interpoliert werden.
Gemäß einer anderen vorteilhaften Weiterbildung der Erfindung
wird vorgeschlagen, dass in der versteckten Schicht mindestens
drei Neuronen verwendet werden. Mit drei Neuronen in der
versteckten Schicht lässt sich bei Kennlinienfeldern der
Konzentration c über der Leitfähigkeit σ und der Temperatur T,
die lediglich einen gering ausgeprägten, nichtlinearen Verlauf
aufweisen, der Konzentrationswert c mit einer ausreichend
hohen Genauigkeit bestimmen. Die mittels des erfindungsgemäßen
Verfahrens unter Verwendung eines neuronalen Netzes mit drei
Neuronen in der versteckten Schicht erzielbare Genauigkeit des
ermittelten Konzentrationswertes c liegt erheblich über der
nach dem Stand der Technik erzielbaren Genauigkeit.
Vorzugsweise werden in der versteckten Schicht fünf Neuronen
verwendet. Bei der Wahl der Anzahl der Neuronen in der
versteckten Schicht muss eine Eigenart der neuronalen Netze
berücksichtigt werden. Grundsätzlich ist es bei neuronalen
Netzen zwar so, dass durch die Verwendung von mehr Neuronen in
der versteckten Schicht die Genauigkeit des neuronalen Netzes
verbessert werden kann. Allerdings sind der Erhöhung der
Anzahl der Neuronen dahingehend Grenzen gesetzt, daß die
Fähigkeit des neuronalen Netzes, nicht erlernten Werten der
Leitfähigkeit σ und der Temperatur T den entsprechenden
Konzentrationswert c zuzuordnen, jenseits einer bestimmten
Anzahl von Neuronen wieder abnimmt. Dann werden die erlernten
Werte während der Lernphase quasi nur auswendig gelernt.
Außerdem wird durch eine größere Anzahl von Neuronen der
Aufwand zum Bestimmen der Parameterwerte des neuronalen Netzes
während der Lernphase erhöht. Aus diesem Grund ist es beim
Einsatz neuronaler Netze grundsätzlich vorteilhaft, mit so
wenig Neuronen wie möglich auszukommen, ohne dass jedoch die
Genauigkeit des zu bestimmenden Konzentrationswertes c
vermindert wird. Mit fünf Neuronen in der versteckten Schicht
kann die Konzentration c mit einer sehr hohen Genauigkeit auch
von solchen Messflüssigkeiten bestimmt werden, deren
Kennlinienfeld einen ausgeprägten nichtlinearen Verlauf
aufweist.
Gemäß einer vorteilhaften Weiterbildung des erfindungsgemäßen
Verfahrens zum Bestimmen der Konzentration c aus einem
Leitfähigkeitswert σ und einem Temperaturwert T wird
vorgeschlagen, dass zunächst eine Lernphase durchlaufen wird,
während der das neuronale Netz mit unterschiedlichen
Messwerttripeln m, bestehend aus einem Leitfähigkeitswert σm,
einem Temperaturwert Tm und dem entsprechenden
Konzentrationswert cm beaufschlagt wird und während der die
Parameter des neuronalen Netzes derart eingestellt werden,
dass sich für jedes Messwerttripel m für den
Leitfähigkeitswert σm und den Temperaturwert Tm möglichst genau
der entsprechende Konzentrationswert cm ergibt. Falls der
Konzentrationswert c einer unbekannten Messflüssigkeit mittels
des erfindungsgemäßen Verfahrens bestimmt werden soll, müssen
zunächst die Parameter des neuronalen Netzes eingestellt
werden. Nach Abschluss der Lernphase und nachdem die Parameter
des neuronalen Netzes eingestellt worden sind, ist das
neuronale Netz idealerweise in der Lage, auch nicht erlernten
Leitfähigkeitswerten σ und Temperaturwerten T den
entsprechenden Konzentrationswert c zuzuordnen. Falls die
Parameterwerte für bestimmte Standardmessflüssigkeiten bekannt
sind, können die Parameter auch direkt auf die entsprechenden
Werte eingestellt werden, ohne dass die Lernphase durchlaufen
werden muss.
Das neuronale Netz wird während der Lernphase
vorteilhafterweise so lange mit Messwerttripeln m
beaufschlagt, bis die Differenz aus dem tatsächlichen
Konzentrationswert cm und dem von dem neuronalen Netz aus dem
Leitfähigkeitswert cm und dem Temperaturwert Tm ermittelten
Konzentrationswert c innerhalb eines bestimmten
Genauigkeitsbereichs liegt. Bei dem erfindungsgemäßen
Verfahren ist dieser Genauigkeitsbereich spätestens nach
hundert Messwerttripeln erreicht, so dass das neuronale Netz
während der Lernphase mit ca. 100 Lernschritten beaufschlagt
werden muss, wobei ein Lernschritt daraus besteht, dass alle
Messwerttripel durchgerechnet werden.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden
die nachfolgenden Parameter des neuronalen Netzes während der
Lernphase eingestellt:
- - eingangsseitige Gewichtungsfaktoren wij, von denen jedes Neuron i so viele aufweist, wie das neuronale Netz Eingänge j aufweist,
- - Offsetwerte Ai, von denen jedes Neuron i einen aufweist,
- - ausgangsseitige Gewichtungsfaktoren vi, von denen jedes Neuron i einen aufweist, und
- - ein Offsetwert B für den Ausgang.
Bei zwei Eingängen, fünf Neuronen und einem Ausgang ergeben
sich somit insgesamt 21 Parameter, die eingestellt werden
müssen. Bei der Verwendung eines neuronalen Netzes mit zwei
Eingängen, drei Neuronen und einem Ausgang sind es dagegen
lediglich 13 Parameter. Durch Verändern dieser Parameter kann
jedes beliebige Kennlinienfeld der Konzentration c von
Messflüssigkeiten nachgebildet werden.
Geht man davon aus, dass nach dem Stand der Technik mindestens
50 Messwerttripel des Kennlinienfeldes abgespeichert werden
mussten, also insgesamt 150 Zahlenwerte, dann kann durch das
erfindungsgemäße Verfahren eine Reduzierung des
Speicherbedarfs auf 14% (beim Einsatz von fünf Neuronen in
der versteckten Schicht) bzw. auf 9% (beim Einsatz von drei
Neuronen in der versteckten Schicht) des ursprünglichen
Speicherbedarfs reduziert werden.
Die erfindungsgemäße Vorrichtung löst die voranstehende
Aufgabe durch die Merkmale des Patentanspruchs 9. Danach ist
die eingangs bereits erörterte gattungsbildende Vorrichtung
dadurch gekennzeichnet dass die zu bestimmende Zustandsgröße
die Konzentration der in der Messflüssigkeit gelösten Ionen
ist, wobei in jedem Neuron ein eingangsseitiger
Gewichtungsfaktor zur Gewichtung der Eingangswerte der
Eingänge, ein Summierer zum Summieren der gewichteten
Eingangswerte und eine Aktivierungsfunktion vorgesehen ist,
über die die Summenwerte geführt werden.
Vorteilhafterweise sind die Neuronen der versteckten Schicht
in einer Schicht angeordnet und zwischen den Eingängen und dem
Ausgang parallel geschaltet.
Gemäß einer vorteilhaften Weiterbildung der Erfindung wird
vorgeschlagen, dass die Neuronen jeweils Gewichtungsfaktoren w1
bzw. w2 zum Gewichten der Eingangswerte, des
Leitfähigkeitswerts σ und des Temperaturwerts T, einen
Summierer zum Summieren der gewichteten Eingangswerte und
Mittel, den Summenwert über eine Aktivierungsfunktion zu
führen, aufweisen.
Die Aktivierungsfunktion ist vorteilhafterweise eine
Tangenshyperbolikusfunktion.
Gemäß einer vorteilhaften Weiterbildung der erfindungsgemäßen
Vorrichtung wird vorgeschlagen, dass das neuronale Netz
mindestens drei Neuronen aufweist. Vorzugsweise weist das
neuronale Netz fünf Neuronen in der versteckten Schicht auf.
Gemäß einer anderen vorteilhaften Weiterbildung der Erfindung
wird vorgeschlagen, dass der Ausgangswert c des neuronalen
Netzes eine Funktion der Eingangswerte, der Leitfähigkeit σ
und der Temperatur T, und der nachfolgenden Parameter ist:
- - von eingangsseitigen Gewichtungsfaktoren wij, von denen jedes Neuron i so viele aufweist, wie das neuronale Netz Eingänge j aufweist,
- - von Offsetwerten Ai, von denen jedes Neuron i einen aufweist,
- - von ausgangsseitigen Gewichtungsfaktoren vi, von denen jedes Neuron i einen aufweist, und
- - von einen Offsetwert B für den Ausgang.
Zum Bestimmen der Werte der Gewichtungsfaktoren wij wird das
neuronale Netz der erfindungsgemäßen Vorrichtung während einer
Lernphase mit Messwerttripeln beaufschlagt. Sind die
Parameterwerte des neuronalen Netzes für bestimmte
Messflüssigkeiten jedoch bekannt, so können diese
Parameterwerte ab Werk in der Vorrichtung gespeichert werden.
Dadurch kann dem Anwender der erfindungsgemäßen Vorrichtung
das Durchführen einer Lernphase für die Parameter des
neuronalen Netzes erspart werden.
Es gibt nun verschiedene Möglichkeiten, die Lehre der
vorliegenden Erfindung in vorteilhafter Weise auszugestalten
und weiterzubilden. Dazu ist einerseits auf die dem
Patentanspruch 1 und dem Patentanspruch 12 nachgeordneten
Ansprüche, andererseits auf die nachfolgende Erläuterung eines
Ausführungsbeispiels der Erfindung anhand der Zeichnung zu
verweisen. In Verbindung mit der Erläuterung des bevorzugten
Ausführungsbeispiels anhand der Zeichnung werden auch im
Allgemeinen bevorzugte Ausgestaltungen und Weiterbildungen des
beanspruchten Verfahrens erläutert. In der Zeichnung zeigen:
Fig. 1 ein neuronales Netz einer erfindungsgemäßen
Vorrichtung gemäß einer ersten Ausführungsform in
schematischer Darstellung und
Fig. 2 ein Neuron des neuronalen Netzes aus Fig. 1.
In Fig. 1 ist ein neuronales Netz dargestellt, welches dazu
verwendet wird, einen Wert für die Konzentration c einer
Messflüssigkeit aus dem mittels eines Leitfähigkeitssensors
gemessenen Wertes für die Leitfähigkeit σ zu ermitteln. Die
Konzentration c ist außer von der Leitfähigkeit σ auch von der
Temperatur T der Messflüssigkeit abhängig. Das Kennlinienfeld
der Konzentration c über der Leitfähigkeit σ und der
Temperatur T ist stark nichtlinear ausgeprägt. Um diesen
nichtlinearen Zusammenhang zwischen der Konzentration c
einerseits und der Leitfähigkeit c und der Temperatur T
andererseits als Funktion c = f(σ, T) darzustellen, wird das
neuronale Netz aus Fig. 1 verwendet.
Das neuronale Netz ist in seiner Gesamtheit mit dem
Bezugszeichen 1 gekennzeichnet. Es weist eine Eingangsschicht
2 mit zwei Eingängen 3 für den Leitfähigkeitswert σ und den
Temperaturwert T auf. Außerdem hat es eine Ausgangsschicht 4
mit einem Ausgang 5 für den Konzentrationswert c. Zwischen der
Eingangsschicht 2 und der Ausgangsschicht 4 ist eine
versteckte Schicht 6 angeordnet mit mehreren zwischen den
Eingängen 3 und dem Ausgang 5 parallel geschalteten Neuronen
7.
Das Ausgangssignal c des neuronalen Netzes 1 ist abhängig von
den Eingangssignalen σ, T und von Parametern des neuronalen
Netzes 1. Wenn die Parameter des neuronalen Netzes 1 optimal
eingestellt sind, können durch das neuronale Netz auch
nichtlineare Funktionen, wie beispielsweise die Funktion der
Konzentration c = f(σ, T) als Funktion dargestellt werden.
Die Parameter des neuronalen Netzes werden während einer
Lernphase eingestellt, während der das neuronale Netz 1 mit
unterschiedlichen Messwerttripeln m, bestehend aus einem
Leitfähigkeitswert σm, einem Temperaturwert Tm und dem
entsprechenden Konzentrationswert cm beaufschlagt wird. Die
Lernphase wird so lange fortgesetzt, bis die Differenz aus dem
tatsächlichen Konzentrationswert cm und dem von dem neuronalen
Netz 1 aus dem Leitfähigkeitswert σm und dem Temperaturwert Tm
ermittelten Konzentrationswert c innerhalb eines bestimmten
Genauigkeitsbereichs liegt. Nach Abschluss der Lernphase ist
das neuronale Netz 1 in der Lage, auch nicht erlernten
Leitfähigkeitswerten σ und Temperaturwerten T, den
entsprechenden Konzentrationswert c zuzuordnen.
In Fig. 2 ist ein Neuron aus Fig. 1 vergrößert dargestellt. In
dem Neuron wird der Leitfähigkeitswert σ und der
Temperaturwert T mit einem Gewichtungsfaktor w1 bzw. w2
gewichtet. Die gewichteten Eingangswerte x1, x2 werden
summiert, und der Summenwert u wird über eine
Aktivierungsfunktion 8 geführt. Als Aktivierungsfunktion 8
wird eine Tangenshyperbolikusfunktion verwendet. Das
Ausgangssignal y der Aktivierungsfunktion 8 dient als
Eingangssignal des Ausgangsneurons.
Claims (15)
1. Verfahren zum Bestimmen einer Zustandsgröße einer
Messflüssigkeit aus deren Leitfähigkeitswert (σ) und
deren Temperaturwert (T) mit Hilfe eines neuronalen
Netzes (1) mit einer Eingangsschicht (2) mit mindestens
zwei Eingängen (3) für den Leitfähigkeitswert (σ) und den
Temperaturwert (T), mit einer Ausgangsschicht (4) mit
einem Ausgang (5) für die Zustandsgröße und mit
mindestens einer zwischen Eingangsschicht (2) und
Ausgangsschicht (4) angeordneten versteckten Schicht (6)
mit mehreren zwischen den Eingängen (3) und dem Ausgang
(5) geschalteten Neuronen (7), dadurch gekennzeichnet,
dass als Zustandsgröße die Konzentration (c) der in der
Messflüssigkeit gelösten Ionen bestimmt wird, wobei in
jedem Neuron (i) (7) die Eingangswerte (xj) der Eingänge
(j) (3) jeweils mit einem eingangsseitigen
Gewichtungsfaktor (wij) gewichtet, die gewichteten
Eingangswerte summiert werden und der Summenwert über
eine Aktivierungsfunktion (8) geführt wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass
als Aktivierungsfunktion (8) eine
Tangenshyperbolikusfunktion verwendet wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet,
dass die Konzentration (c) der Messflüssigkeit in
Abhängigkeit von den Eingangswerten (xj) und von den
nachfolgenden Parametern des neuronalen Netzes (1)
bestimmt wird: den eingangsseitigen Gewichtungsfaktoren
(wij), Offsetwerten (Ai) der Neuronen (i) (7),
ausgangsseitigen Gewichtungsfaktoren (vi) der Neuronen (i)
(7) und einem Offsetwert (B) des Ausgangs (5).
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass
eine Lernphase durchlaufen wird, während der das
neuronale Netz (1) mit unterschiedlichen Messwerttripeln
(m) bestehend aus einem Leitfähigkeitswert (σm), einem
Temperaturwert (Tm) und dem entsprechenden
Konzentrationswert (cm) beaufschlagt wird, während der die
Parameter des neuronalen Netzes (1) derart eingestellt
werden, dass sich für jedes Messwerttripel (m) aus dem
Leitfähigkeitswert (σm) und dem Temperaturwert (Tm)
möglichst genau der Konzentrationswert (cm) ergibt.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass
das neuronale Netz (1) während der Lernphase so lange mit
Messwerttripeln (m) beaufschlagt wird, bis die Differenz
aus dem tatsächlichen Konzentrationswert (cm) und dem von
dem neuronalen Netz aus dem Leitfähigkeitswert (σm) und
dem Temperaturwert (Tm) ermittelten Konzentrationswert (c)
innerhalb eines bestimmten Genauigkeitsbereichs liegt.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass
das neuronale Netz (1) während der Lernphase mit maximal
100 Messwerttripeln (m) beaufschlagt wird.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass
das neuronale Netz (1) während der Lernphase mit 50
Messwerttripeln (m) beaufschlagt wird.
8. Verfahren nach einem der Ansprüche 4 bis 7, dadurch
gekennzeichnet, dass die nachfolgenden Parameter des
neuronalen Netzes (1) während der Lernphase eingestellt
werden:
- - die eingangsseitigen Gewichtungsfaktoren (wij),
- - die Offsetwerte (Ai)
- - die ausgangsseitigen Gewichtungsfaktoren (vi), und
- - der Offsetwert (B).
9. Vorrichtung zum Bestimmen einer Zustandsgröße einer
Messflüssigkeit aus deren Leitfähigkeitswert (σ) und
deren Temperaturwert (T) mit Hilfe eines neuronalen
Netzes (1) mit einer Eingangsschicht (2) mit mindestens
zwei Eingängen (3) für den Leitfähigkeitswert (σ) und den
Temperaturwert (T), mit einer Ausgangsschicht (4) mit
einem Ausgang (5) für die Zustandsgröße und mit
mindestens einer zwischen Eingangsschicht (2) und
Ausgangsschicht (4) angeordneten versteckten Schicht (6)
mit mehreren zwischen den Eingängen (3) und dem Ausgang
(5) geschalteten Neuronen (7), dadurch gekennzeichnet,
dass die zu bestimmende Zustandsgröße die Konzentration
(C) der in der Messflüssigkeit gelösten Ionen ist, wobei
in jedem Neuron (i) (7) ein eingangsseitiger
Gewichtungsfaktor (wij) zur Gewichtung der Eingangswerte
(xj) der Eingänge (j) (3), ein Summierer zum Summieren der
gewichteten Eingangswerte und eine Aktivierungsfunktion
(8) vorgesehen ist, über die die Summenwerte geführt
werden.
10. Vorrichtung nach Anspruch 9, dadurch gekennzeichnet, dass
die Aktivierungsfunktion (8) als eine
Tangenshyperbolikusfunktion ausgebildet ist.
11. Vorrichtung nach Anspruch 9 oder 10, dadurch
gekennzeichnet, dass der Ausgang (5) des neuronalen
Netzes (1) abhängig ist von den Eingangswerten (xj) an den
Eingängen (j) (3) des neuronalen Netzes (1) und von den
nachfolgenden Parametern des neuronalen Netzes (1): den
eingangsseitigen Gewichtungsfaktoren (wij) der Neuronen
(i) (7), Offsetwerten (Ai) der Neuronen (i) (7),
ausgangsseitigen Gewichtungsfaktoren (vi) der Neuronen (i)
(7) und einem Offsetwert (B) des Ausgangs (5).
12. Vorrichtung nach einem der Ansprüche 9 bis 11, dadurch
gekennzeichnet, dass die Neuronen (7) der versteckten
Schicht (6) in einer Schicht angeordnet und zwischen den
Eingängen (3) und dem Ausgang (5) parallel geschaltet
sind.
13. Vorrichtung nach einem der Ansprüche 9 bis 12, dadurch
gekennzeichnet, dass in der versteckten Schicht (6)
mindestens drei Neuronen (7) angeordnet sind.
14. Vorrichtung nach Anspruch 13, dadurch gekennzeichnet,
dass in der versteckten Schicht (6) fünf Neuronen (7)
angeordnet sind.
15. Vorrichtung nach einem der Ansprüche 11 bis 14, dadurch
gekennzeichnet, dass die Werte der Parameter (wij, Ai, vi,
B) für bestimmte Messflüssigkeiten in der Vorrichtung
gespeichert sind.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1998135137 DE19835137C2 (de) | 1998-08-04 | 1998-08-04 | Vorrichtung zum Bestimmen der Konzentration einer Meßflüssigkeit |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1998135137 DE19835137C2 (de) | 1998-08-04 | 1998-08-04 | Vorrichtung zum Bestimmen der Konzentration einer Meßflüssigkeit |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19835137A1 DE19835137A1 (de) | 2000-05-04 |
DE19835137C2 true DE19835137C2 (de) | 2003-04-24 |
Family
ID=7876383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE1998135137 Expired - Fee Related DE19835137C2 (de) | 1998-08-04 | 1998-08-04 | Vorrichtung zum Bestimmen der Konzentration einer Meßflüssigkeit |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19835137C2 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109073581A (zh) * | 2016-03-31 | 2018-12-21 | 英威达纺织(英国)有限公司 | 电导率或电阻率测量和聚酰胺合成 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010049810A2 (en) | 2008-10-30 | 2010-05-06 | Sanjuan Marco E | Method and apparatus for on-line estimation and forecasting of species concentration during a reaction |
EP3699582A1 (de) * | 2019-02-25 | 2020-08-26 | Infineon Technologies AG | Gassensorvorrichtung und verfahren zum betreiben einer gassensorvorrichtung |
CN116566048A (zh) * | 2023-05-06 | 2023-08-08 | 浙江鲲游科技有限公司 | 一种智慧用电安全监测系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4227727A1 (de) * | 1992-08-21 | 1994-02-24 | Buna Ag | Verfahren zur Zustandserkennung gasförmiger und flüssiger Medien mittels Multisensorsystemen |
-
1998
- 1998-08-04 DE DE1998135137 patent/DE19835137C2/de not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4227727A1 (de) * | 1992-08-21 | 1994-02-24 | Buna Ag | Verfahren zur Zustandserkennung gasförmiger und flüssiger Medien mittels Multisensorsystemen |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109073581A (zh) * | 2016-03-31 | 2018-12-21 | 英威达纺织(英国)有限公司 | 电导率或电阻率测量和聚酰胺合成 |
CN109073581B (zh) * | 2016-03-31 | 2022-03-18 | 英威达纺织(英国)有限公司 | 电导率或电阻率测量和聚酰胺合成 |
Also Published As
Publication number | Publication date |
---|---|
DE19835137A1 (de) | 2000-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19606480C2 (de) | Verfahren und Anordnung zur Adaption eines Fuzzy-Reglers | |
DE19531967A1 (de) | Verfahren zum Training eines neuronalen Netzes mit dem nicht deterministischen Verhalten eines technischen Systems | |
DE112018002950T5 (de) | System und Verfahren zum Aufbauen von synaptischen Gewichten für künstliche neuronale Netze aus mit Vorzeichen versehenen analogen Leitwertpaaren unterschiedlicher Wertigkeit | |
DE3101851A1 (de) | Verfahren zur abtastung von sprache | |
EP2553535B1 (de) | Engineering-werkzeug und verfahren zur parametrierung eines modellbasierten prädiktivreglers | |
DE19925943A1 (de) | Schaltungsanordnung zur Meßwerterfassung, -übertragung und -auswertung | |
DE1498526A1 (de) | Verfahren zum Steuern von Spuel- und/oder Regeneriervorgaengen | |
Grunwald et al. | Neue formate transdisziplinärer forschung: ausdifferenzierte brücken zwischen wissenschaft und praxis | |
DE19835137C2 (de) | Vorrichtung zum Bestimmen der Konzentration einer Meßflüssigkeit | |
EP0731913B1 (de) | Vorrichtung zur untersuchung des querprofils einer kontinuierlich erzeugten materialbahn | |
DE1523535C3 (de) | Selbstanpassender Regelkreis | |
DE4417932B4 (de) | Verfahren und ein System zum Erhalten von Zieleinstellbeträgen für Ausführungsparameter durch Lernen einer Mehrzahl von Sätzen von Muster-Eingabedaten und Muster-Ausgabedaten | |
EP0782729B1 (de) | Verfahren und anordnung zur aufbereitung einer eingangsgrösse eines neuronalen netzes | |
EP0600569B1 (de) | Verfahren zur Auswertung einer Menge linguistischer Regeln | |
DE3542896A1 (de) | Verfahren zum generieren eines die querschnittsflaeche eines etwa elliptischen objektes repraesentierenden signals | |
EP0815515B1 (de) | Verfahren und einrichtung zum entwurf eines neuronalen netzes | |
EP0292749A2 (de) | Verfahren zum Bestimmen der Parameter eines Verzögerungsgliedes n-ter Ordnung mit gleichen Zeitkonstanten | |
DE3033785C2 (de) | Einrichtung zur Erkennung und Verfolgung eines Zieles | |
Laux | Dividendenabhängige Prämien für die Investitionssteuerung bei Unsicherheit | |
DE69029537T2 (de) | Verarbeitungsverfahren, neuronale Netzwerkstruktur und Rechner zur Simulation einer solchen neuronalen Netzwerkstruktur | |
DE2211376B2 (de) | Digitalfilter | |
EP0667593A1 (de) | Verfahren zur Beeinflussung der Bildqualität von durch eine elektronische Bildaufnahmevorrichtung gelieferten Bildern | |
DE19932794A1 (de) | Verfahren zur Adaption eines Prozeßreglers | |
AT502810B1 (de) | Verfahren zur optischen prüfung von gegenständen | |
DE19640635C2 (de) | Verfahren zur Defuzzifizierung für signalverarbeitende Fuzzy-Baueinheiten |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8304 | Grant after examination procedure | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |