EP4356080A1 - Füllstandmessung mit einem maschinellen lern-algorithmus - Google Patents

Füllstandmessung mit einem maschinellen lern-algorithmus

Info

Publication number
EP4356080A1
EP4356080A1 EP22729659.7A EP22729659A EP4356080A1 EP 4356080 A1 EP4356080 A1 EP 4356080A1 EP 22729659 A EP22729659 A EP 22729659A EP 4356080 A1 EP4356080 A1 EP 4356080A1
Authority
EP
European Patent Office
Prior art keywords
rhf
signal
designed
level
shf
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.)
Pending
Application number
EP22729659.7A
Other languages
English (en)
French (fr)
Inventor
Alexey Malinovskiy
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Endress and Hauser SE and Co KG
Original Assignee
Endress and Hauser SE and Co KG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Endress and Hauser SE and Co KG filed Critical Endress and Hauser SE and Co KG
Publication of EP4356080A1 publication Critical patent/EP4356080A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/22—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water
    • G01F23/28—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm by measuring physical variables, other than linear dimensions, pressure or weight, dependent on the level to be measured, e.g. by difference of heat transfer of steam or water by measuring the variations of parameters of electromagnetic or acoustic waves applied directly to the liquid or fluent solid material
    • G01F23/284—Electromagnetic waves
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G01F23/80—Arrangements for signal processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Definitions

  • the invention relates to radar-based level measurement based on machine learning algorithms.
  • Field devices are often used in automation technology, in particular for process automation, by means of which various process variables can be recorded.
  • the process variable to be determined can be, for example, a fill level, a flow rate, a pressure, the temperature, the pH value, the redox potential, a conductivity or the dielectric value of a medium in a process installation.
  • the field devices each include suitable sensors or are based on suitable measurement principles. A large number of different types of field devices are manufactured and sold by the Endress + Hauser group of companies.
  • Radar-based measuring methods have become established for level measurement of filling goods in containers because they are robust and low-maintenance.
  • a central advantage of radar-based measuring methods is the ability to measure the level continuously and without contact.
  • radar and “high frequency” refer to electromagnetic waves with frequencies between 0.03 GHz and 300 GHz. Usual frequency bands in which level measurement is carried out are at 2 GHz, 26 GHz, 79 GHz, or 120 GHz.
  • the two common measuring principles are the pulse propagation time principle (also known as “pulse radar”) and the FMCW principle (“Frequency Modulated Continuous Wave”).
  • fill level measuring devices can be implemented with comparatively little circuitry effort and a high fill level resolution in the sub-millimetre range.
  • an electrically conductive measuring probe e.g. a coaxial waveguide or a metal rod
  • the high-frequency signal is reflected in the measuring probe at the level of the product surface and returned along the measuring probe towards the level measuring device.
  • TDR Time Domain Reflectometry
  • the level value is determined by determining the signal maximum resulting from the surface of the medium and its corresponding distance value from the reflected received signal.
  • the various radar-based measurement principles are generally described, for example, in "Radar Level Detection, Peter Devine, 2000".
  • filling material Depending on the type of filling material whose filling level is to be determined, it may be interspersed with impurities, additives or foreign substances, which may form an additive filling material layer above or below the filling material, such as a foam, a sediment or an oily or aqueous phase.
  • a more or less pronounced boundary layer often also understood as a “separating layer”, forms between the actual filling material and the additive filling material layer.
  • the filling level measurement can be disturbed or falsified by any additional filling material layers or by multiple reflections, since the corresponding signal maximum of the filling material surface cannot be identified with certainty. This can also occur if there are interfering objects in the container, such as agitators or supply lines, which generate corresponding interference echoes after the high-frequency signal has been emitted.
  • a TDR-based fill level measuring device which determines a possible additive filling material layer by comparing the signal amplitude of a signal maximum with a theoretical desired value, is described in European patent application 2 722 655 A1. However, even in this case, detection by means of identification of the corresponding signal maximum is at least uncertain, since the additive filling material layer or its surface reflects the corresponding signal only very weakly.
  • the invention is therefore based on the object of achieving reliable filling level measurement.
  • the invention solves this problem with a measuring system for measuring the filling level of a filling material in a container, which comprises the following components:
  • a radar-based measuring device with o a transmission unit, by means of which high-frequency signals can be sent to the filling material and, after reflection on the filling material surface, can be received as reception signals, o a signal generation unit that is designed to generate the high-frequency signal to be transmitted, o a receiving unit that is designed to record the received signal, and an evaluation unit in which, according to the invention, a machine learning algorithm is designed in this way is to detect the fill level based on the received signal.
  • the term “unit” is understood in principle to mean any electronic circuit that is suitably designed for the intended application. Depending on the requirements, it can therefore be an analog circuit for generating or processing corresponding analog signals. However, it can also be a digital circuit such as a microcontroller or a storage medium in conjunction with a program. The program is designed to carry out the corresponding procedural steps or to apply the necessary arithmetic operations of the respective unit. In this context, different electronic units of the measuring system within the meaning of the invention can potentially also access a common physical memory or be physically operated using the same digital circuit.
  • the inventive implementation of a machine learning algorithm circumvents the problem that the filling material surface may not be able to be assigned the correct signal maximum in the received signal, as is required according to the prior art for its detection. Rather, with the help of the machine learning algorithm, reception signals in particular, which are recorded under complex measurement conditions such as multiple reflections or existing internal container installations, can be interpreted much more reliably.
  • any universal, mathematical function approximator that maps at least one of its input variables to at least one of its output variables is defined as a “machine learning algorithm” within the scope of the invention. Internal parameters of the corresponding mapping functions are adjusted during a learning phase based on known training data. Supervised learning in particular is implemented as an algorithmic approach. In this context, it is not strictly prescribed within the scope of the invention in which specific form the machine learning algorithm is implemented.
  • the machine learning algorithm can be implemented in the form of "Decision Trees", “Support Vector Machine”, “Naive Bayes", or "k Nearest Neighbor".
  • the filling level can be detected particularly effectively if the machine learning algorithm based on a non-symbolic approach, such as an artificial neural network, specifically designed in the form of a deep learning method (better known as “deep learning”).
  • machine learning algorithms are described in more detail, for example, in “Introduction to Artificial Intelligence” (Wolfgang Ertel, 2017).
  • the evaluation unit can be designed as an integral part of the measuring device itself, as part of a higher-level network such as a cloud or server, or as part of a plant-specific process control system.
  • the fill level measuring device is designed on the basis of the TDR method, so that the transmission unit is implemented as a measuring probe that extends into the container.
  • the signal generation unit generates the high-frequency signal to be transmitted in pulses in accordance with the TDR method in this case.
  • the advantage of the TDR method in relation to the idea according to the invention is that the received signal has an overall higher signal amplitude, as a result of which the machine learning algorithm can, in principle, identify the fill level more easily.
  • the application of the idea according to the invention is also possible in the case of a freely radiating radar measuring device in which the transmission unit is designed as an antenna, for example as a horn antenna, lens antenna or as a planar antenna, depending on the frequency band. It is not decisive whether the signal generation unit generates the high-frequency signal to be transmitted according to the FMCW method or the receiving unit records the received signal according to the FMCW method, or whether the signal generation unit records the high-frequency signal to be transmitted generated according to the pulse transit time method and the receiving unit records the received signal according to the pulse transit time method.
  • the object on which the invention is based is also achieved by a corresponding measuring method for detecting the fill level of a filling material in a container using the measuring system according to one of the embodiment variants described above.
  • the process includes the following process steps:
  • the machine learning algorithm can be trained in the training phase, which is required before the actual measurement operation, for example using received signals obtained experimentally and/or generated by simulation, such as using "CST Microwave Studio".
  • the method according to the invention can be expanded to include the following method steps, for example to check the functionality of the measuring device:
  • FIG. 1 A measuring system according to the invention for level measurement in a container.
  • FIG. 1 shows a freely radiating radar measuring device 1, by means of which the fill level L of a filling material 2 located in a container 3 can be determined.
  • the measuring device 1 includes an antenna 11 as a transmission unit for corresponding high-frequency signals SHF, R HF gen filling material 2 or after reflection in the container 3 .
  • a measuring probe is required as the transmission unit 11 instead of the antenna 11.
  • the measuring device 1 is attached to the top of the container 3, with the antenna 11 for transmitting and receiving the high-frequency signals SHF, RHF being directed toward the filling material 2 inside the container.
  • the installation height h of the measuring device 1 above the container brine is known and stored in the level measuring device 1 or in an external evaluation unit 4, such as a decentralized server or a central process control system.
  • the high-frequency signal SHF to be transmitted is transmitted via the antenna 11 according to the FMCW or pulse propagation time method in a correspondingly pulsed or frequency-modulated manner in the direction of the filling material 2 .
  • the transmitted high-frequency signal SHF is then reflected at the level of the filling material surface and, after a corresponding signal propagation time t, is received in the measuring device 1 as a received signal RHF.
  • the signal propagation time t of the signal SHF depends on RHF
  • c is the propagation speed of the high-frequency signal SHF, RHF in the container 3, which is in the range of the speed of light c.
  • the fill-level measuring device 1 includes a correspondingly designed signal generation unit: In the case of the TDR method, this can be based on a capacitor, for example, which is discharged to generate the pulse lasting about 100 ps to 1 ns.
  • the signal generation unit can include, for example, a frequency-controlled high-frequency oscillating circuit or an oscillating crystal. In order for the signal generation unit to generate the high-frequency signal SHF in a pulsed or ramped manner in accordance with the respective method at the required clock rate, the capacitor or the quartz oscillator is controlled in a correspondingly clocked or modulated manner.
  • a transmit/receive switch to feed the received signal RHF after reflection in the container 3 to a receiving unit in which the received signal RHF is digitized or recorded is (not shown explicitly).
  • the design of the transmit/receive switch is not fixed.
  • the transmit/receive splitter can be designed as a purely electrical node, for example.
  • the transmit/receive switch can be implemented as a duplexer, for example.
  • the received signal RHF can be recorded in the receiving unit, for example by undersampling the received signal RHF according to the pulse propagation time principle, so that the received signal RHF is time-stretched by a defined factor.
  • the time expansion factor depends on the sampling rate.
  • the corresponding sampling rate must be selected in order to achieve sufficient time expansion in such a way that it differs from the clock rate of the outgoing signal pulses SHF only in the per thousand range.
  • the time-expanded recording of the received signal RHF is achieved by mixing the received signal RHF with the instantaneously transmitted high-frequency signal SHF.
  • the determination of the fill level L based on the received signal RHF is simplified from the point of view of circuitry due to the time expansion.
  • the received signal RHF is rectified in the case of freely radiating radar in addition to time expansion, so that the recorded received signal RHF has only one polarity - plus or minus - in relation to a fixed reference potential .
  • the determination of the fill level L by means of the possibly time-expanded received signal RHF is illustrated in more detail using the curve shown on the right in FIG. 1:
  • the distance d between the top of the container and the surface of the filling material is proportional to the signal propagation time axis t of the curve shown in FIG.
  • the received signal RHF includes at least one significant signal maximum, which can be clearly assigned to the surface of the filling material 2 .
  • the filling level L is determined using the transit time t corresponding to the signal maximum and the aforementioned formulas. According to the prior art, this can be done using appropriate search algorithms for detecting the signal maximum in the evaluation signal RHF.
  • the evaluation signal RHF includes, in addition to the filling level maximum, further signal maxima which can be assigned, for example, to the reflection of the high-frequency signal SHF on the container bottom or to interfering bodies such as inlets. Depending on the location, the signal maxima also do not have a sharp curve. Thus, in case of doubt, no or not the correct signal maximum can be determined from this. It is therefore not possible for the measuring device 1 to determine the level L of the filling material 2 correctly, depending on the measuring situation, regardless of whether it is based on the pulse propagation time, the FMCW or the TDR measuring principle. Depending on the application or process system, it is essential to check the fill level L of the filling material 2 to be known correctly with certainty, for example in order to prevent the container 3 from being overfilled.
  • the fill level L can be determined by using a machine learning algorithm MLA on the possibly time-expanded received signal RHF, even if the signal maxima cannot be detected unequivocally.
  • MLA machine learning algorithm
  • Artificial neural networks, in particular “deep learning”, have proven to be particularly effective for this purpose.
  • the received signal R H F can be interpreted more reliably with regard to the fill level L in the case of a more complex signal curve than if only signal maxima are detected and used to determine the fill level.
  • the machine learning algorithm MLA Since the application of the machine learning algorithm MLA may require high computing power, it is advantageous if the machine learning algorithm MLA is not implemented in the measuring device 1 itself, but in the external evaluation unit 4, since the measuring device 1 in the Process plant may be subject to limited power supply.
  • the measuring device 1 or its receiving unit can transmit the recorded reception signal RHF via a suitable interface, such as "PROFIBUS", “HART”, “Wireless HART", “4-20mA”, “Bluetooth” or "Ethernet to the Transfer evaluation unit 4.
  • a suitable interface such as "PROFIBUS", "HART”, “Wireless HART", “4-20mA”, “Bluetooth” or "Ethernet
  • the evaluation unit 4 together with the measuring device 1 forms a corresponding measuring system for level measurement according to the invention in the container 3. If sufficient computing power is also available in the measuring device 1, the machine learning algorithm can also be implemented in the measuring device 1 itself.
  • MLA machine learning algorithms
  • the measuring system according to the invention must be taught under known conditions. Therefore, prior to regular measurement operation, the measuring device 1 must be exposed to various teach-in situations with known parameters, such as the level L of the filling material 2, a known type of filling material or its dielectric value DK, and/or a known internal container geometry.
  • the received signals RHF, on which the learning phase is based can not only be obtained experimentally, but also by means of simulation, such as with "CST Microwave Studio". This avoids a time-consuming learning phase in the process system.
  • the fill level L can also be checked for plausibility, for example to validate the functionality of the measuring device 1 and thus the safety of the measurement to increase further.
  • the evaluation unit 4 can be designed in such a way that it determines the level value L from the received signal R HF not only by means of the machine algorithm MLA, but also by localizing the corresponding signal maximum, as is the case in the prior art possibly possible.
  • the two fill level values L determined in different ways can be compared with one another: If the comparison results in sufficient agreement between the two fill level values L, a plausible fill level value L or a functional one can be drawn from this Meter 1 to be closed. This further increases the reliability of the fill level measurement.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Fluid Mechanics (AREA)
  • Thermal Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Measurement Of Levels Of Liquids Or Fluent Solid Materials (AREA)

Abstract

Die Erfindung betrifft ein Mess-System und ein entsprechendes Mess-Verfahren zur sicheren Bestimmung eines Füllstandes (L) eines Füllgutes (2) in einem Behälter (3). Hierzu umfasst das Mess-System ein Radar-basiertes Messgerät (1) mit einer Übertragungs-Einheit (11), mittels welcher Hochfrequenz-Signale (SHF) gen Füllgut (2) sendbar und nach Reflektion an der Füllgut-Oberfläche als Empfangs-Signale (RHF) empfangbar sind; weiterhin mit einer Signalerzeugungs-Einheit, die das auszusendende Hochfrequenz-Signal (SHF) erzeugt; und mit einer Empfangs-Einheit, die das Empfangs-Signal (RHF) aufzeichnet. Erfindungsgemäß ist in einer Auswerte-Einheit (4) des Mess-Systems ein maschineller Lern-Algorithmus (MLA) derart ausgebildet, um anhand des Empfangs-Signals (RHF) den Füllstand (L) detektieren zu können. Hierdurch wird das Problem umgangen, dass der Füllgut-Oberfläche ggf. nicht das richtige Signal-Maximum des Empfangs-Signals (RHF) zugeordnet wird, wie es gemäß dem Stand der Technik zu dessen Detektion erforderlich ist. Vielmehr können mithilfe des maschinellen Lern-Algorithmus (MLA) vor allem Empfangs-Signale (RHF), die unter komplexen Messbedingungen wie beispielsweise unter Stör- und Mehrfachreflektionen aufgezeichnet werden, wesentlich sicherer interpretiert werden.

Description

FULLSTANDMESSUNG MIT EINEM MASCHINELLEN LERN-ALGORITHMUS
Die Erfindung betrifft Radar-basierte Füllstandsmessung auf Basis maschineller Lern- Algorithmen.
In der Automatisierungstechnik, insbesondere zur Prozessautomatisierung werden vielfach Feldgeräte eingesetzt, mittels denen diverse Prozessgrößen erfassbar sind. Bei der zu bestimmenden Prozessgröße kann es sich beispielsweise um einen Füllstand, einen Durchfluss, einen Druck, die Temperatur, den pH-Wert, das Redoxpotential, eine Leitfähigkeit oder den Dielektrizitätswert eines Mediums in einer Prozessanlage handeln. Zur Erfassung der entsprechenden Messwerte umfassen die Feldgeräte jeweils geeignete Sensoren bzw. basieren auf geeigneten Messprinzipien. Eine Vielzahl verschiedener Feldgeräte-Typen wird von der Firmen-Gruppe Endress + Hauser hergestellt und vertrieben.
Zur Füllstandsmessung von Füllgütern in Behältern haben sich Radar-basierte Messverfahren etabliert, da sie robust und wartungsarm sind. Dabei besteht ein zentraler Vorteil Radar-basierter Messverfahren in der Fähigkeit, den Füllstand quasi kontinuierlich und berührungslos messen zu können. Im Kontext dieser Patentanmeldung beziehen sich die Begriffe „Radar“ bzw. „Hochfrequenz“ auf elektromagnetische Wellen mit Frequenzen zwischen 0.03 GHz und 300 GHz. Übliche Frequenzbänder, bei denen Füllstandsmessung durchgeführt wird, liegen bei 2 GHz, 26 GHz, 79 GHz, oder 120 GHz. Die beiden gängigen Messprinzipien bilden hierbei das Pulslaufzeit-Prinzip (auch unter dem Begriff „Pulsradar“ bekannt) sowie das FMCW-Prinzip („Frequency Modulated Continuous Wave‘). Auf Basis des Pulslaufzeit-Verfahrens sowie auf Basis des FMCW- Verfahrens können Füllstandsmessgeräte mit vergleichsweise geringem schaltungstechnischem Aufwand und einer hohen Füllstands-Auflösung im Sub- Millimeterbereich realisiert werden. Neben frei abstrahlender Radar-Messung, bei der die Hochfrequenz-Signale über eine Antenne ausgesendet bzw. empfangen werden, existiert zudem die Variante des geführten Radars. Hierbei dient anstelle der Antenne eine elektrisch leitfähige Mess- Sonde (bspw. ein Koaxial-Wellenleiter oder ein Metallstab), die zur Führung der Hochfrequenz-Signale in den Behälter hinuntergelassen ist. Analog zu frei abstrahlendem Radar wird das Hochfrequenz-Signal in der Mess-Sonde auf Höhe der Füllgutoberfläche reflektiert und entlang der Mess-Sonde gen Füllstandsmessgerät zurückgeleitet. Bekannt ist diese Variante der Radar-basierten Füllstandsmessung auch unter dem Begriff „TDR“ („Time Domain Reflectometry“). Vorteilhaft an dieser Variante ist, dass aufgrund der geführten Signalabstrahlung weniger Leistung zum Betrieb des Füllstandsmessgerätes erforderlich ist. Beschrieben ist ein TDR-basiertes Füllstandsmessgerät beispielsweise in der US-Patentschrift 10,07,743 B2.
Unabhängig vom Messprinzip (Pulslaufzeit, FMCW oder TDR) wird der Füllstandswert bestimmt, indem aus dem reflektierten Empfangssignal das von der Füllgut-Oberfläche resultierende Signal-Maximum und dessen korrespondierender Abstands-Wert ermittelt wird. Allgemein beschrieben werden die verschiedenen Radar-basierten Messprinzipien beispielsweise in „Radar Level Detection, Peter Devine, 2000“.
Je nach Art des Füllgutes, dessen Füllstand zu bestimmen ist, ist dieses gegebenenfalls mit Verunreinigungen, Aditiven oder Fremdstoffen durchsetzt, welche oberhalb oder unterhalb des Füllgutes eventuell eine additive Füllgutschicht, wie beispielsweise einen Schaum, ein Sediment oder eine ölige bzw. wässrige Phase ausbilden. In diesem Fall bildet sich zwischen dem eigentlichen Füllgut und der additiven Füllgutschicht auch eine mehr oder weniger stark ausgeprägte Grenzschicht, häufig auch als „Trennschicht verstanden, aus. Dementsprechend kann die Füllstandsmessung durch etwaige, zusätzliche Füllgutschichten oder durch Mehrfachreflektionen gestört oder verfälscht werden, da das entsprechende Signal-Maximum der Füllgut-Oberfläche nicht mit Sicherheit identifiziert werden kann. Dies kann auch dann eintreten, wenn sich Störkörper, wie Rührwerke oder Zuleitungen im Behälter befinden, welche nach dem Aussenden des Hochfrequenz-Signals entsprechende Stör-Echos erzeugen.
Gegebenenfalls ist es neben dem Füllstand auch von Interesse, das Vorhandensein oder sogar die Dicke der etwaigen, additiven Füllgutschicht sicher detektieren zu können. Ein TDR-basiertes Füllstandsmessgerät, welches eine etwaige additive Füllgutschicht durch Vergleich der Signal-Amplitude eines Signal-Maximums mit einem theoretischen Soll- Wert ermittelt, wird in der europäischen Patentanmeldung 2 722 655 A1 beschrieben. Mittels Identifikation des entsprechenden Signal-Maximums ist eine Detektion jedoch auch in diesem Fall zumindest unsicher, da die additive Füllgutschicht bzw. dessen Oberfläche das entsprechende Signal gegebenenfalls nur sehr schwach reflektiert.
Der Erfindung liegt daher die Aufgabe zugrunde, eine sichere Füllstandsmessung zu erreichen.
Die Erfindung löst diese Aufgabe durch ein Mess-System zur Messung eines Füllstandes eines Füllgutes in einem Behälter, das folgende Komponenten umfasst:
Ein Radar-basiertes Messgerät, mit o einer Übertragungs-Einheit, mittels welcher Hochfrequenz-Signale gen Füllgut sendbar und nach Reflektion an der Füllgut-Oberfläche als Empfangs-Signale empfangbar sind, o einer Signalerzeugungs-Einheit, die ausgelegt ist, das auszusendende Hochfrequenz-Signal zu erzeugen, o einer Empfangs-Einheit, die ausgelegt ist, das Empfangs-Signal aufzuzeichnen, und eine Auswerte-Einheit, in welcher erfindungsgemäß ein maschineller Lern- Algorithmus derart ausgebildet ist, um anhand des Empfangs-Signals den Füllstand zu detektieren.
Unter dem Begriff „Einheit wird im Rahmen der Erfindung prinzipiell jede elektronische Schaltung verstanden, die für den angedachten Einsatzzweck geeignet ausgelegt ist. Es kann sich also je nach Anforderung um eine Analogschaltung zur Erzeugung bzw. Verarbeitung entsprechender analoger Signale handeln. Es kann sich jedoch auch um eine Digitalschaltung wie einen Microcontroller oder ein Speichermedium in Zusammenwirken mit einem Programm handeln. Dabei ist das Programm ausgelegt, die entsprechenden Verfahrensschritte durchzuführen bzw. die notwendigen Rechenoperationen der jeweiligen Einheit anzuwenden. In diesem Kontext können verschiedene elektronische Einheiten des Mess-Systems im Sinne der Erfindung potenziell auch auf einen gemeinsamen physikalischen Speicher zurückgreifen bzw. physikalisch mittels derselben Digitalschaltung betrieben werden.
Durch die erfindungsgemäße Implementierung eines maschinellen Lern-Algorithmus wird das Problem umgangen, dass der Füllgut-Oberfläche ggf. nicht das richtige Signal- Maximum im Empfangs-Signal zugeordnet werden kann, wie es gemäß dem Stand der Technik zu dessen Detektion erforderlich ist. Vielmehr können mithilfe des maschinellen Lern-Algorithmus vor allem Empfangs-Signale, die unter komplexen Messbedingungen wie beispielsweise bei Mehrfachreflektionen oder bei vorhandenen Behälter- Inneneinbauten aufgezeichnet werden, wesentlich sicherer interpretiert werden.
Als „maschineller Lern-Algorithmus“ definiert sich im Rahmen der Erfindung prinzipiell jeder universelle, mathematische Funktions-Approximator, welcher zumindest eine seiner Eingangsgrößen auf mindestens eine seiner Ausgangsgrößen abbildet. Interne Parameter der entsprechenden, abbildenden Funktionen werden während einer Einlern- Phase anhand von bekannten Trainingsdaten angepasst. Dabei wird als algorithmischer Ansatz insbesondere überwachtes Lernen implementiert. In diesem Zusammenhang ist es im Rahmen der Erfindung nicht fest vorgeschrieben, in welcher konkreten Form der maschinelle Lern-Algorithmus implementiert ist. Zum Beispiel kann der maschinelle Lern- Algorithmus in Form von „Decision Trees“, „Support Vector Machine“, „Naive Bayes“, oder „k Nearest Neighbour“ implementiert werden. Besonders wirksam kann der Füllstand jedoch detektiert werden, wenn der maschinelle Lern-Algorithmus auf Basis eines nicht symbolischen Ansatzes, wie beispielsweise als künstliches neuronales Netzwerk, insbesondere in Form einer tiefen Lernmethode (besser bekannt als „Deep Learning“) ausgelegt ist. Näher beschrieben sind maschinelle Lern-Algorithmen beispielsweise in „Introduction to Artificial Intelligence“ (Wolfgang Ertel, 2017).
Außerdem ist es im Rahmen der Erfindung nicht wesentlich, wie bzw. wo die Auswerte- Einheit realisiert ist. So kann die Auswerte-Einheit beispielsweise als integraler Bestandteil des Messgerätes selbst, als Bestandteil eines übergeordneten Netzwerkes, wie einer Cloud bzw. einem Server, oder als Bestandteil eines anlagenspezifischen Prozessleitsystems ausgelegt werden.
Möglich ist die Anwendung der erfindungsgemäßen Idee beispielsweise, wenn das Füllstandsmessgerät auf Basis des TDR-Verfahrens ausgelegt ist, so dass die Übertragungs-Einheit als Mess-Sonde realisiert ist, die sich in den Behälter erstreckt. Korrespondierend hierzu erzeugt die Signalerzeugungs-Einheit das auszusendende Hochfrequenz-Signal in diesem Fall gemäß des TDR-Verfahrens entsprechend pulsweise. Vorteilhaft am TDR-Verfahren in Bezug zur erfindungsgemäßen Idee ist, dass das Empfangs-Signal eine insgesamt höhere Signal-Amplitude aufweist, wodurch der maschinelle Lern-Algorithmus den Füllstand prinzipiell leichter identifizieren kann.
Möglich ist die Anwendung der erfindungsgemäßen Idee prinzipiell jedoch auch im Fall eines frei abstrahlenden Radar-Messgerätes, bei welchem die Übertragungs-Einheit als Antenne ausgelegt ist, je nach Frequenzband beispielsweise als Hornantenne, Linsenantenne, oder als Planar-Antenne. Dabei ist es nicht ausschlaggebend, ob die Signalerzeugungs-Einheit das auszusendende Hochfrequenz-Signal gemäß dem FMCW- Verfahren erzeugt bzw. die Empfangs-Einheit das Empfangs-Signal gemäß des FMCW- Verfahrens aufzeichnet, oder ob die Signalerzeugungs-Einheit das auszusendende Hochfrequenz-Signal gemäß des Pulslaufzeit-Verfahrens erzeugt und die Empfangs- Einheit das Empfangs-Signal gemäß des Pulslaufzeit-Verfahrens aufzeichnet.
Korrespondierend zum erfindungsgemäßen Mess-System wird die Aufgabe, die der Erfindung zugrunde liegt, außerdem durch ein entsprechendes Mess-Verfahren zur Detektion des Füllstandes eines Füllgutes in einem Behälter mittels des Mess-Systems nach einer der vorhergehend beschriebenen Ausführungsvarianten gelöst. Dabei umfasst das Verfahren folgende Verfahrensschritte:
Aussenden eines Hochfrequenz-Signals über die Übertragungs-Einheit in den Behälter gemäß des jeweiligen Radar-Verfahrens,
Aufzeichnen des Empfangs-Signals nach Reflektion des Hochfrequenz-Signals gemäß des entsprechenden Radar-Verfahrens, und derartige Auswertung des Empfangs-Signals mittels des maschinellen Lern- Algorithmus, so dass der Füllstand detektiert wird. Dabei kann der maschinelle Lern-Algorithmus in der Einlern-Phase, die vor dem eigentlichen Messbetrieb erforderlich ist, beispielsweise mittels experimentell gewonnener und/oder per Simulation generierter Empfangs-Signale, wie zum Beispiel mittels „CST Microwave Studio“ eingelernt werden.
Optional kann das erfindungsgenmäße Verfahren um folgende Verfahrensschritte erweitert werden, um beispielsweise die Funktionsfähigkeit des Messgerätes zu überprüfen:
Bestimmung eines Füllstandswertes, indem im Empfangs-Signal gemäß der klassischen Auswertung ein zur Füllgut-Oberfläche entsprechendes Signal- Maximum lokalisiert wird,
Vergleich desjenigen Füllstandswertes, welcher gemäß dem Stand der Technik mittels Lokalisierung des entsprechenden Signal-Maximum bestimmt wird, mit demjenigen Füllstand, welcher erfindungsgemäß mittels des maschinellen Lern- Algorithmus ermittelt ist, und
Einstufung des ermittelten Füllstandes als plausibel, sofern der Vergleich eine hinreichende Übereinstimmung ergibt.
Hierdurch kann die Sicherheit bzw. die Aussagekraft der Füllstandsmessung weiter erhöht werden.
Anhand der nachfolgenden Figur wird die Erfindung näher erläutert. Es zeigt:
Fig. 1 : Ein erfindungsgemäßes Mess-System zur Füllstandsmessung in einem Behälter. Zum Verständnis erfindungsgemäßer Füllstandsmessung ist in Fig. 1 ein frei abstrahlendes Radar-Messgerät 1 gezeigt, mittels dem der Füllstand L eines in einem Behälter 3 befindlichen Füllgutes 2 bestimmt werden kann. Zur Umsetzung des Pulslaufzeit- oder des FMCW-Verfahrens umfasst das Messgerät 1 als Übertragungs- Einheit für entsprechende Hochfrequenz-Signale SHF, RHF gen Füllgut 2 bzw. nach Reflektion im Behälter 3 eine Antenne 11 . Entgegen der in Fig. 1 gezeigten Ausführungsvariante ist im Falle des TDR-Messprinzips als Übertragungs-Einheit 11 anstelle der Antenne 11 eine Mess-Sonde erforderlich.
Zur Bestimmung des Füllstandes L ist das Messgerät 1 an der Oberseite des Behälters 3 angebracht, wobei die Antenne 11 zum Aussenden und Empfang der Hochfrequenz- Signale SHF, RHF im Behälter-Inneren gen Füllgut 2 gerichtet ist. Dabei ist die Einbauhöhe h des Messgerätes 1 oberhalb der Behältersole bekannt und im Füllstandsmessgerät 1 oder in einer externen Auswerte-Einheit 4, wie einem dezentralen Server oder einem zentralen Prozessleitsystem, hinterlegt. Über die Antenne 11 wird das auszusendende Hochfrequenz-Signal SHF entsprechend des FMCW- oder Pulslaufzeit-Verfahrens entsprechend pulsförmig oder frequenzmoduliert in Richtung des Füllgutes 2 ausgesendet. Durch den Sprung des Dielektrizitätswertes an der Oberfläche des Füllgutes 2 wird das ausgesendete Hochfrequenz-Signal SHF im Anschluss auf Höhe der Füllgut-Oberfläche reflektiert und nach einer korrespondierenden Signallaufzeit t im Messgerät 1 entsprechend als Empfangs-Signal RHF empfangen. Hierbei hängt die Signallaufzeit t des Signals SHF, RHF gemäß
2 d t c vom Abstand d d = h — L der Behälter-Oberseite zur Füllgut-Oberfläche ab. Dabei ist c die Ausbreitungsgeschwindigkeit des Hochfrequenz-Signals SHF, RHF im Behälter 3, die im Bereich der Lichtgeschwindigkeit c liegt.
Zur Erzeugung des Hochfrequenz-Signals SHF umfasst das Füllstandsmessgerät 1 eine entsprechend ausgelegte Signalerzeugungs-Einheit: Im Falle des TDR-Verfahrens kann diese beispielsweise auf einem Kondensator basieren, der zur Erzeugung des ca.100 ps bis 1 ns dauernden Pulses entsprechend entladen wird. Im Falle von frei abstrahlendem Radar gemäß des Pulslaufzeit- oder FMCW-Verfahrens, wie es in Fig. 1 der Fall ist, kann die Signalerzeugungs-Einheit beispielsweise einen Frequenz-geregelten Hochfrequenz- Schwingkreis oder einen Schwingquarz umfassen. Damit die Signalerzeugungs-Einheit das Hochfrequenz-Signal SHF gemäß dem jeweiligen Verfahren in der erforderlichen Taktrate pulsförmig oder rampenförmig erzeugt, wird der Kondensator bzw. der Schwingquarz entsprechend getaktet bzw. moduliert angesteuert.
Zwischen der Signalerzeugungs-Einheit des Messgerätes 1 und der Antenne 11 ist eine Sende-/Empfangs-Weiche zwischengeschaltet, um das Empfangs-Signal RHF nach Reflektion im Behälter 3 einer Empfangs-Einheit zuzuführen, in welcher das Empfangs- Signal RHF digitalisiert bzw. aufgezeichnet wird (nicht explizit dargestellt). Dabei ist die Auslegung der Sende-/Empfangs-Weiche prinzipiell nicht fest vorgegeben. Im Falle des TDR-Verfahrens, wie es bei der in Fig. 1 gezeigten Ausführungsvariante der Fall ist, kann die Sende-/Empfangs-Weiche beispielsweise als rein elektrischer Knoten ausgelegt sein. Insbesondere im Fall von frei abstrahlendem Radar kann die Sende-/Empfangs-Weiche beispielsweise als Duplexer realisiert werden. Zur Ermittlung des Füllstandes L kann das Empfangs-Signal RHF in der Empfangs-Einheit beispielsweise aufgezeichnet werden, indem das Empfangs-Signal RHF gemäß des Pulslaufzeit-Prinzips unterabgetastet wird, so dass das Empfangs-Signal RHF zeitlich um einen definierten Faktor gedehnt wird. Dabei hängt der Zeitdehnungsfaktor von der Abtastrate ab. Hierzu muss die entsprechende Abtastrate zur Erzielung einer hinreichenden Zeitdehnung so gewählt sein, dass sie sich von der Taktrate der ausgehenden Signal-Pulse SHF lediglich im Promillebereich unterscheidet. Im Falle von FMCWwird die zeitgedehnte Aufzeichnung des Empfangs-Signals RHF durch Mischen des Empfangs-Signals RHF mit dem instantan ausgesendeten Hochfrequenz-Signals SHF erreicht.
Durch die Zeitdehnung wird die Bestimmung des Füllstandes L anhand des Empfangs- Signals RHF aus schaltungstechnischer Sicht vereinfacht. Bei der in Fig. 1 gezeigten Ausführungsvariante des Messgerätes 1 wird das Empfangs-Signal RHF im Falle von frei abstrahlendem Radar zusätzlich zurZeitdehnung gleichgerichtet, so dass das aufgezeichnete Empfangs-Signal RHF in Bezug zu einem festen Referenzpotential lediglich eine Polarität - plus oder minus - aufweist.
Die Ermittlung des Füllstandes L mittels des ggf. zeitgedehnten Empfangs-Signals RHF wird anhand der rechts in Fig. 1 dargestellten Kurve näher veranschaulicht: Die dortige Kurve illustriert den zeitlichen Amplituden-Verlauf des Empfangs-Signals RHF. Dabei verhält sich der Abstand d zwischen Behälter-Oberseite und der Füllgut-Oberfläche proportional zur Signallaufzeitzeit-Achse t der in Fig. 1 dargestellten Kurve. Im Idealfall, also ohne jegliche äußere Störeinflüsse, umfasst das Empfangs-Signal RHF zumindest ein signifikantes Signal-Maximum, welches eindeutig der Oberfläche des Füllgutes 2 zugeordnet werden kann. Dabei wird der Füllstand L anhand der zum Signal-Maximum korrespondierenden Laufzeit t und der zuvor erwähnten Formeln bestimmt. Gemäß dem Stand der Technik kann dies mittels entsprechender Such-Algorithmen zur Detektion des Signal-Maximums im Auswertungs-Signal RHF erfolgen.
Wie aus der in Fig. 1 dargestellten Kurve ersichtlich ist, umfasst das Auswertungs-Signal RHF neben dem Füllstands-Maximum weitere Signal-Maxima, welche beispielsweise der Reflektion des Hochfrequenz-Signals SHF am Behälterboden oder Störkörpern, wie Einlässen zuzuordnen sind. Dabei weisen die Signal-Maxima je nach Einsatzort zudem keinen scharfen Verlauf auf. Somit lässt sich hieraus im Zweifelsfall kein bzw. nicht das korrekte Signal-Maximum bestimmen. Daher ist es dem Messgerät 1 unabhängig davon, ob es auf dem Pulslaufzeit- dem FMCW- oder dem TDR-Messprinzip basiert, je nach Mess-Situation nicht mit Sicherheit möglich, den Füllstand L des Füllgutes 2 korrekt zu ermitteln. Dabei ist es je nach Anwendung bzw. Prozessanlage essenziell, den Füllstand L des Füllgutes 2 mit Sicherheit korrekt zu kennen, bspw. um Überfüllung des Behälters 3 zu verhindern.
Erfindungsgemäß kann der Füllstand L durch die Anwendung eines maschinellen Lern- Algorithmus MLA auf das ggf. zeitgedehnte Empfangs-Signal RHF auch bei nicht zweifelsfrei detektierbaren Signal-Maxima ermittelt werden. Hierbei ist es prinzipiell nicht festgelegt, welcher Lern-Algorithmus MLA angewendet wird. Als besonders zielführend erweisen sich hierfür künstliche neuronale Netzwerke, insbesondere „Deep Learning“. Hierdurch kann das Empfangs-Signal RHF hinsichtlich des Füllstandes L im Falle eines komplexeren Signalverlaufs sicherer interpretiert werden, als wenn lediglich Signal- Maxima detektiert und zur Füllstands-Bestimmung herangezogen werden.
Da die Anwendung des maschinellen Lern-Algorithmus MLA ggf. eine hohe Rechenleistung erfordert, ist es vorteilhaft, wenn der maschinelle Lern-Algorithmus MLA nicht im Messgerät 1 selbst implementiert ist, sondern in der externen Auswerte-Einheit 4, da das Messgerät 1 in der Prozessanlage unter Umständen einer begrenzten Leistungsversorgung unterliegt. Dabei kann das Messgerät 1 bzw. dessen Empfangs- Einheit das aufgezeichnete Empfangs-Signal RHF über eine geeignete Schnittstelle, wie etwa „PROFIBUS“, „HART , „Wireless HART ‘, „4-20mA“, „Bluetooth“ oder „Ethernet an die Auswerte-Einheit 4 übertragen. Somit bildet die Auswerte-Einheit 4 zusammen mit dem Messgerät 1 ein entsprechendes Mess-System zur erfindungsgemäßen Füllstandsmessung im Behälter 3. Sofern auch im Messgerät 1 genügend Rechenleistung zur Verfügung steht, kann der maschinelle Lern-Algorithmus auch im Messgerät 1 selbst implementiert werden.
Die Anwendung maschineller Lern-Algorithmen MLA erfordert ein Einlernen des erfindungsgemäßen Mess-Systems unter bekannten Bedingungen. Daher ist das Messgerät 1 vor dem regulären Messbetrieb verschiedenen Einlern-Situationen mit bekannten Parametern, wie dem Füllstand L des Füllgutes 2, einem bekannten Füllgut Typ bzw. dessen Dielektrizitätswert DK, und/oder einer bekannten Behälter-Innengeometrie auszusetzen. Dabei können die Empfangs-Signale RHF, die der Einlern-Phase zugrunde liegen, nicht nur experimentell gewonnen werden, sondern auch mittels Simulation, wie beispielsweise per „CST Microwave Studio“. Hierdurch wird eine zeitintensive Einlern- Phase in der Prozess-Anlage vermieden.
Auf Basis der Erfindung ist es nicht nur möglich, den Füllstand L zu bestimmen, sondern der Füllstand L kann auch auf seine Plausibilität hin geprüft werden, bspw. um die Funktionstüchtigkeit des Messgerätes 1 zu validieren und somit die Sicherheit der Messung weiter zu erhöhen. Hierzu kann die Auswertungs-Einheit 4 so ausgelegt werden, dass sie den Füllstandswert L aus dem Empfangs-Signal R HF nicht nur mittels des maschinellen Algorithmus MLA bestimmt, sondern zusätzlich auch durch Lokalisierung des entsprechenden Signal-Maximums, wie es nach dem Stand der Technik gegebenenfalls möglich ist. In diesem Fall können die zwei auf unterschiedliche Weise ermittelten Füllstandswerte L (mittels des erfindungsgemäßen Verfahrens sowie mittels der klassischen Methode) miteinander verglichen werden: Sofern der Vergleich eine hinreichende Übereinstimmung der zwei Füllstandswerte L ergibt, kann hieraus auf einen plausiblen Füllstandswert L bzw. ein funktionstüchtiges Messgerät 1 geschlossen werden. Somit wird hierdurch die Sicherheit der Füllstands-Messung weiter erhöht.
Bezugszeichenliste
1 Messgerät
2 Füllgut 3 Behälter
4 Auswerte-Einheit d Abstand h Höhe über Behältersole L Füllstand MLA Maschineller Lern-Algorithmus
RHF Empfangs-Signal SHF Hochfrequenz-Signal t Signallaufzeit

Claims

Patentansprüche
1 . Mess-System zur Messung eines Füllstandes (L) eines Füllgutes (2) in einem Behälter (3), umfassend:
Ein Radar-basiertes Messgerät (1), mit o einer Übertragungs-Einheit (11), mittels welcher Hochfrequenz-Signale (SHF) gen Füllgut (2) sendbar und nach Reflektion an der Füllgut- Oberfläche als Empfangs-Signale (RHF) empfangbar sind, o einer Signalerzeugungs-Einheit, die ausgelegt ist, das auszusendende Hochfrequenz-Signal (SHF) ZU erzeugen, o einer Empfangs-Einheit, die ausgelegt ist, das Empfangs-Signal (RHF) aufzuzeichnen, und eine Auswerte-Einheit (4), in welcher ein maschineller Lern-Algorithmus (MLA) derart ausgebildet ist, um anhand des Empfangs-Signals (RHF) den Füllstand (L) zu detektieren.
2. Mess-System nach einem der vorhergehenden Ansprüche, wobei der maschinelle Lern-Algorithmus (MLA) als künstliches neuronales Netzwerk, insbesondere in Form einer tiefen Lernmethode ausgelegt ist.
3. Mess-System nach einem der vorhergehenden Ansprüche, wobei die Auswerte-Einheit als integraler Bestandteil des Messgerätes (1) ausgelegt ist.
4. Mess-System nach Anspruch 1 oder 2, wobei die Auswerte-Einheit (4) als Bestandteil eines übergeordneten Netzwerkes, insbesondere eines Server-Systems oder eines Prozessleit-Systems, ausgelegt ist.
5. Mess-System nach einem der vorhergehenden Ansprüche, wobei die Übertragungs- Einheit als Mess-Sonde, die sich in den Behälter (3) erstreckt, ausgelegt ist, und wobei die Signalerzeugungs-Einheit ausgelegt ist, das auszusendende Hochfrequenz-Signal (SHF) gemäß des TDR-Verfahrens zu erzeugen, bzw. wobei die Empfangs-Einheit ausgelegt ist, das Empfangs-Signal (RHF) gemäß des TDR-Verfahrens aufzuzeichnen.
6. Mess-System nach Anspruch 1 bis 4, wobei die Übertragungs-Einheit als Antenne (11), insbesondere als Hornantenne oder als Planar-Antenne, ausgelegt ist.
7. Mess-System-nach Anspruch 6, wobei die Signalerzeugungs-Einheit ausgelegt ist, das auszusendende Hochfrequenz-Signal (SHF) gemäß dem FMCW-Verfahren zu erzeugen, bzw. wobei die Empfangs-Einheit ausgelegt ist, das Empfangs-Signal (RHF) gemäß dem FMCW-Verfahren aufzuzeichnen.
8. Mess-System-nach Anspruch 6, wobei die Signalerzeugungs-Einheit ausgelegt ist, das auszusendende Hochfrequenz-Signal (SHF) gemäß des Pulslaufzeit-Verfahrens zu erzeugen, bzw. wobei die Empfangs-Einheit ausgelegt ist, das Empfangs-Signal (RHF) gemäß des Pulslaufzeit-Verfahrens aufzuzeichnen.
9. Verfahren zur Detektion des Füllstandes (L) eines Füllgutes (2) in einem Behälter (3) mittels des Mess-Systems nach einem der vorhergehenden Ansprüche, folgende Verfahrensschritte umfassend:
Aussenden eines Hochfrequenz-Signals (SHF) über die Übertragungs-Einheit (1 1) in den Behälter (3),
Aufzeichnen des Empfangs-Signals (RHF) nach Reflektion des Hochfrequenz- Signals (SHF),
Derartige Auswertung des Empfangs-Signals (RHF) mittels des maschinellen Lern- Algorithmus (MLA), so dass der Füllstand (L) detektiert wird.
10. Verfahren nach Anspruch 9, wobei der maschinelle Lern-Algorithmus (MLA) mittels experimentell gewonnener Empfangs-Signale (RHF) und/oder per Simulation generierter Empfangs-Signale (RHF) eingelernt wird.
11. Verfahren nach Anspruch 9 oder 10, folgende zusätzliche Verfahrensschritte umfassend:
Bestimmung eines Füllstandswertes, indem im Empfangs-Signal (RHF) ein zur Füllgut-Oberfläche korrespondierendes Signal-Maximum lokalisiert wird,
Vergleich desjenigen Füllstandswertes, welcher mittels Lokalisierung des entsprechenden Signal-Maximum bestimmt wird, mit demjenigen Füllstand (L), welcher mittels des maschinellen Lern-Algorithmus (MLA) ermittelt ist, und Einstufung des ermittelten Füllstandes (L) als plausibel, sofern der Vergleich eine hinreichende Übereinstimmung ergibt.
EP22729659.7A 2021-06-18 2022-05-19 Füllstandmessung mit einem maschinellen lern-algorithmus Pending EP4356080A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021115874.5A DE102021115874A1 (de) 2021-06-18 2021-06-18 Füllstandsmessung
PCT/EP2022/063595 WO2022263099A1 (de) 2021-06-18 2022-05-19 Füllstandmessung mit einem maschinellen lern-algorithmus

Publications (1)

Publication Number Publication Date
EP4356080A1 true EP4356080A1 (de) 2024-04-24

Family

ID=82019530

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22729659.7A Pending EP4356080A1 (de) 2021-06-18 2022-05-19 Füllstandmessung mit einem maschinellen lern-algorithmus

Country Status (5)

Country Link
US (1) US20240271985A1 (de)
EP (1) EP4356080A1 (de)
CN (1) CN117480362A (de)
DE (1) DE102021115874A1 (de)
WO (1) WO2022263099A1 (de)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US1007743A (en) 1909-07-01 1911-11-07 William D Smith Ordnance.
DE4223346C2 (de) 1992-07-16 1996-05-02 Grieshaber Vega Kg Anordnung und Verfahren zur berührungslosen Füllstandmessung
DE102009055262A1 (de) 2009-12-23 2011-06-30 Endress + Hauser GmbH + Co. KG, 79689 Verfahren zur Ermittlung und Überwachung des Füllstands eines Mediums in einem Behälter nach einem Laufzeitmessverfahren
EP2527801B1 (de) * 2011-05-27 2019-12-11 VEGA Grieshaber KG Vorrichtung und Verfahren zur Ermittlung von Medien- und Behältereigenschaften
US8963769B2 (en) 2012-10-16 2015-02-24 Magnetrol International, Incorporated Guided wave radar interface measurement medium identification
KR101429696B1 (ko) 2012-11-21 2014-08-13 국립암센터 안전성 및 항암활성이 증가된 재조합 아데노바이러스 및 이의 용도
DE102018212097B4 (de) * 2018-07-19 2022-04-07 Vega Grieshaber Kg Feldgerät mit mehreren Rechenwerken
DE102018124606A1 (de) 2018-10-05 2020-04-09 Endress+Hauser SE+Co. KG Verfahren zu Füllstandsmessung

Also Published As

Publication number Publication date
CN117480362A (zh) 2024-01-30
WO2022263099A1 (de) 2022-12-22
US20240271985A1 (en) 2024-08-15
DE102021115874A1 (de) 2022-12-22

Similar Documents

Publication Publication Date Title
EP2128576B1 (de) Auswertung der Echoform bei Füllstandsensoren
WO2011076478A2 (de) Verfahren zur ermittlung und überwachung des füllstands eines mediums in einem behälter nach einem laufzeitmessverfahren
EP2634541B1 (de) Verfahren zur Füllstandsmessung
DE102012003373B4 (de) Verfahren zur Überwachung und Verfahren zum Betreiben eines nach dem Radar-Prinzip arbeitenden Füllstandmesssystems und entsprechendes Füllstandmesssystem
DE102011007372A1 (de) Kalibrations- und/oder Überwachungsverfahren für FMCW-Radar Füllstandsmessgeräte
DE102005063079B4 (de) Verfahren zur Ermittlung und Überwachung des Füllstands eines Mediums in einem Behälter
EP3861305B1 (de) Verfahren zur füllstandsmessung
WO2022263100A1 (de) Grenzschicht-detektion mit einem maschinellen lern-algorithmus
DE102005011778A1 (de) Verfahren zur Messung des Füllstands eines in einem Behälter vorgesehenen Mediums auf der Grundlage des Radar-Prinzips
EP3857184B1 (de) Detektion von schaumbildung eines füllgutes in einem behälter bei einer füllstandsmessung
EP2739946B1 (de) Lineares verhältnis zwischen tracks
EP4356080A1 (de) Füllstandmessung mit einem maschinellen lern-algorithmus
EP3837509B1 (de) Füllstandsmessgerät
EP3857182B1 (de) Füllstandsmessgerät
EP3746753B1 (de) Verfahren zur detektion von potentiellen fehlerzuständen an einem fmcw-basierten füllstandsmessgerät
EP3874242B1 (de) Füllstandsmessgerät
DE10196640B4 (de) Verbesserte Schwellenwerteinstellung für einen Radar-Pegeltransmitter
WO2019233704A1 (de) Radarbasiertes füllstandsmessgerät
EP3887777B1 (de) Verfahren zu füllstandsmessung
EP3244176A1 (de) Verfahren zur überwachung eines nach dem radarprinzip arbeitenden füllstandmessgerät und füllstandmessgerät
DE102022105195A1 (de) Füllstandsmessgerät
DE102021130227A1 (de) Verfahren und Gerät zur Bestimmung eines Füllstands
DE102020114108A1 (de) Füllstandsmessgerät
DE102018129356A1 (de) Messgerät

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20231117

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)