DE4443050C2 - Einrichtung zum Kalibrieren einer Kraftmeßeinrichtung - Google Patents

Description

Die Erfindung betrifft eine Einrichtung zum Kalibrieren einer Kraftmeßeinrichtung mit mindestens einem Kraftaufnehmer zum Wandeln einer mechanischen Belastung in ein elektrisches Signal, wobei das elektrische Signal einer Zwischenschaltung zum Kalibrieren zugeführt ist, von wo aus es an eine Ausgabe­ einrichtung zur Ausgabe des kalibrierten elektrischen Signals als Meßsignal geleitet wird.

Solche Kalibriereinrichtungen mit einer Zwischenschaltung, wie beispielsweise aus der DE-PS 37 19 532 bekannt, sind nötig, um bei Messungen die geforderten Genauigkeiten einhalten zu kön­ nen, da die direkt vom Kraftaufnehmer erzeugten Signale stets mit Linearitäts-, Nullpunktfehlern oder sonstigen, beispiels­ weise temperaturbedingten Abweichungen behaftet sind. Die der Kalibrierung dienenden Zwischenschaltungen enthalten in der Regel mathematische Modelle in Form von Polynomgleichungen höherer Ordnung oder Differentialgleichungssystemen, deren Koeffizienten anhand von Kalibriermessungen mit bekannten Bela­ stungen ermittelt werden. Hierzu wird in der Regel ein Verfah­ ren aus der numerischen Mathematik, beispielsweise die lineare Regression verwendet.

Angesichts der steigenden Ansprüche an die Genauigkeit, bei­ spielsweise im Windkanalwaagenbau oder bei eichpflichtigen Wägezellen, ist zum einen der Kalibrieraufwand sehr hoch und zum anderen erfordert, insbesondere bei einem komplexen System mit mehreren Kraftaufnehmern, die Speicherung der Kalibrier­ daten eine erhebliche Speicherkapazität.

Der Erfindung liegt die Aufgabe zugrunde, die Kalibriergüte bei Kraftaufnehmern, Wägezellen und Mehrkomponenten-Kraftmeßein­ richtungen mit möglichst geringem Aufwand deutlich zu verbes­ sern. Auch soll es ermöglicht werden, auf konventionelle Weise kalibrierte Systeme in der Kalibriergenauigkeit zu verbessern.

Diese Aufgabe wird erfindungsgemäß mit den Merkmalen des Anspruchs 1 gelöst.

Neuronale Netzwerke an sich sind beispielsweise aus der Zeit­ schrift Messen Regeln Steuern, März 1989, 32. Jahrgang, VEB Verlag Technik Berlin bekannt, wo eine Verwendung in Prozeßregelungen behandelt wird.

Durch die erfindungsgemäße Lösung wird die Modellierungsgüte des Übertragungsverhaltens von Kraftaufnehmern bei vergleichs­ weise geringem Speicheraufwand deutlich gesteigert. Durch die Eigenschaft des Selbstlernens und der selbsttätigen Verallge­ meinerung von Kennwertgrößen um den Bereich einer trainierten Stützstelle müssen bei einem Kalibrierlauf in Relation zur Kalibriergenauigkeit gesehen relativ wenige Kalibrierpunkte durchlaufen werden. Dadurch läßt sich auch der zeitliche Auf­ wand der Kalibrierung deutlich senken.

Vorteilhafte Weiterbildungen der erfindungsgemäßen Lösung sind in den Unteransprüchen angegeben. So kann es insbesondere bei bereits existierenden Kraftmeßeinrichtungen ermöglicht werden, die Genauigkeit zu verbessern, wenn auf das vorhandene konven­ tionelle Kalibriersystem ein neuronales Netzwerk aufgesetzt wird, welches die noch bestehenden Restabweichungen weitgehend kompensiert.

Als besonders geeignet für die Kalibrierung von Kraftmeßein­ richtungen hat sich die Verwendung von neuronalen Netzwerken mit reellwertigen Ein- und Ausgangswerten im überwachten Lern­ modus erwiesen. Insbesondere die Verfahren mit lokaler Approxi­ mation, wie Assoziativspeicher-Systeme und Radial-Basis-Funk­ tionsnetzwerke lassen sich hierbei optimal einsetzen.

Die erfindungsgemäße Einrichtung wird im folgenden anhand der beiden Figuren näher erläutert. Hierzu zeigt die Fig. 1 die Verwendung eines neuronalen Netzes zur kompletten Kalibrierung,

Fig. 2 den Aufsatz eines neuronalen Netzes auf ein konventio­ nelles Kalibriersystem.

In schematischer Blockdarstellung zeigt Fig. 1 eine Windkanal­ waage, die durch den Block 1 dargestellt ist. Diese Windkanal­ waage besitzt 6 nicht dargestellte, als Wägezellen ausgebildete Kraftaufnehmer, deren elektrische Ausgangssignale mit R₁ bis R₆ bezeichnet sind. Diese elektrischen Ausgangssignale werden nun an das neuronale Netz 2 geleitet, welches einen Ausgangsvektor F_i erzeugt, welcher über die Signalleitung 3 einer nicht darge­ stellten Ausgabeeinrichtung zugeführt werden kann. Die Elemente des Ausgabevektors F_i sind die Kräfte in bzw. die Momente um vorgegebenen Raumachsen. Somit läuft der Index i von 1 bis 6 und und es entspricht F₁ der Kraft F_x, F₂ = F_y und F₃ = F_z · F₄ entspricht dem Moment um die X-Achse M_x, F₅ = M_y und F₆ = M_z.

Von der Signalleitung 3 zweigt eine Verbindung zum Summenpunkt 4 ab, an welchem in der Lernphase der Meßsignalvektor F_i mit dem bekannten Kalibrier-Belastungsvektor F_i′soll verglichen wird. Die dabei ermittelte Abweichung wird über einen definier­ ten Lernalgorithmus dem neuronalen Netz 2 zugeführt, welches diese trainierten Punkte als Stützstellen abspeichert. Der in der Figur angegebene Index j läuft von 1 bis N und stellt die Anzahl der mit bekannter Belastung trainierten Stützstellen dar.

Nach Abschluß der Trainingsphase ist das neuronale Netz 2 in der Lage, aus beliebigen Belastungen bzw. elektrischen Signalen R der 6 Kraftaufnehmer kalibrierte Meßsignale F_i auszugeben.

Als besonders geeignet für die Kalibrierung von Kraftaufnehmern haben sich neuronale Netze mit reellwertigen Eingangswerten erwiesen, welche ein überwachtes Lernen durchführen und lokale Approximationseigenschaften besitzen. Besonders geeignet sind hierbei Assoziativspeichersysteme und neuronale Netze, die auf dem Radial-Basis-Funktionsprinzip arbeiten.

Beim Verwenden von Assoziativspeichern werden die Eingangsvek­ toren mittels einer Codierung auf Assoziationszellen verteilt, wobei die Anzahl der Assoziationszellen unabhängig von der Anzahl der Elemente des Eingangsvektors ist. Hierdurch wird eine Aufteilung des globalen Gesamtraumes in lokale Unterräume durchgeführt. Jeder Assoziationszelle sind einstellbare Ge­ wichtszellen zugeordnet, deren Einstellung während der Lernpha­ se erfolgt. Den einstellbaren Gewichtszellen ist ein Summier­ punkt nachgeschaltet, an welchem die Signale der Assoziations­ zellen bewertet durch ihre Gewichtszellen wieder zusammenge­ faßt werden und das Ausgangssignal des neuronalen Netzes dar­ stellen. Der Unterschied gegenüber dem klas­ sischen Kalibrieren mittels Kalibriertabellen liegt darin, daß das Ausgangssignal der Codierung nicht an einer bestimmten Adresse abgelegt wird, sondern daß eine verteilte Speicherung erfolgt, und die Speicheradressen durch das Eingangssignal generiert ist.

Neuronale Netze, welche nach Radial-Basis-Funktionsprinzip arbeiten, beinhalten eine Approximationsfunktion

in der h die Radial-Basis-Funktion bezeichnet.

Die Approximationsfunktion f soll gegebene Paare

derart abbilden, daß folgende Fehlerfunktion H minimiert wird.

Hierzu sind die Gewichte c_i zu bestimmen. Die Radial-Basis-Funktionen h liefern eine Aufteilung des Raumes um die jeweiligen Zentren _i. Durch die Wahl von h und _i können die Lokalisierungseigenschaften der Approximationsfunktion f eingestellt werden. Die Approximationseigenschaften lassen sich durch die Wahl eines geeigneten λ einstellen.

Mit Radial-Basis-Funktionen arbeitende neuronale Netze als solche sind beispielsweise aus der Diplomarbeit Nr. 875 der Fakultät Informatik, Institut für Parallele und Verteilte Höchstleistungsrechner der Universität Stuttgart: Implementie­ rung und Anwendung von "Generalized Radial Basis Functions" in einem Simulator neuronaler Netze, Verfasser: Michael Vogt, bekannt geworden.

In dem schematischen Blockbild der Fig. 2 ist die konventio­ nelle Kalibriermatrix 10 einer nicht dargestellten Windkanal­ waage dargestellt, der zur Verbesserung der Kalibriergenauig­ keit ein neuronales Netz aufgesetzt wurde. Auch in diesem Fall sind die Ausgangswerte der Kraftaufnehmer mit R₁ bis R₆ bezeichnet. Die Kalibriermatrix 10 wurde mit den in der Be­ schreibungseinleitung erwähnten konventionellen Mitteln er­ stellt und berücksichtigt das Verhalten der Struktureinflüsse der Temperatur, Nullpunktabweichungen und dergleichen. Das Aus­ gangssignal der Kalibriermatrix wird an die Summenpunkte 11 und 12 geleitet. In der Trainingsphase werden dem Summenpunkt 11 auch die den Kalibrierbelastungen entsprechenden Sollwertvekto­ ren F_i′soll zugeführt und es wird der Abweichungsvektor ΔF_i′soll ermittelt. Dieser ermittelte Vektor stellt nun in der Lernphase den Soll-Eingangsvektor des neuronalen Netzes 2 dar. Der eigentliche Lernvorgang erfolgt entsprechend dem bereits anhand Fig. 1 beschriebenen Verfahren.

Das neuronale Netz 2 erzeugt jedoch im Gegensatz zum Ausfüh­ rungsbeispiel gemäß Fig. 1 keinen Meßwert-Vektor, sondern einen Abweichungsvektor ΔF_i. Dieser Abweichungs-Vektor wird am Summenpunkt 12 auf das Ausgangssignal der Kalibriermatrix 10 addiert, wodurch dann der höchstgenau kalibrierte Meßwert-Vek­ tor F_i erzeugt wird.

Claims (8)

1. Einrichtung zum Kalibrieren einer Kraftmeßeinrichtung mit mindestens einem Kraftaufnehmer zum Wandeln einer mechani­ schen Belastung in ein elektrisches Signal, wobei das Signal einer Zwischenschaltung zum Kalibrieren zugeführt ist, von wo aus es an eine Ausgabeeinrichtung zur Ausgabe des kalibrierten elektrischen Signals als Meßsignal gelei­ tet wird, dadurch gekennzeichnet, daß die Zwischenschaltung ein neuronales Netzwerk (2) aufweist.

2. Einrichtung nach Anspruch 1, dadurch gekennzeichnet, daß das Kalibrieren ausschließlich durch das neuronale Netzwerk erfolgt.

3. Einrichtung nach Anspruch 1, dadurch gekennzeichnet, daß die Restabweichung eines Kalibriersystems (10) durch das neuronale Netzwerk (2) kompensiert wird.

4. Einrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß für das neuronale Netzwerk ein überwachter Lernmodus vorgesehen ist.

5. Einrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das neuronale Netzwerk für reellwertige Ein- und Ausgangswerte eingesetzt ist.

6. Einrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das neuronale Netzwerk lokale Approximationseigenschaften aufweist.

7. Einrichtung nach Anspruch 6, dadurch gekennzeichnet, daß das neuronale Netzwerk ein Assoziativspeichersystem aufweist.

8. Einrichtung nach Anspruch 6, dadurch gekennzeichnet, daß das neuronale Netzwerk nach dem Radial-Basis-Funktionsprinzip arbeitet.