EP4630803A1 - Verfahren zum detektieren eines fluids - Google Patents

Verfahren zum detektieren eines fluids

Info

Publication number
EP4630803A1
EP4630803A1 EP23817372.8A EP23817372A EP4630803A1 EP 4630803 A1 EP4630803 A1 EP 4630803A1 EP 23817372 A EP23817372 A EP 23817372A EP 4630803 A1 EP4630803 A1 EP 4630803A1
Authority
EP
European Patent Office
Prior art keywords
sensor
fluid
gas
operating variable
aged
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
EP23817372.8A
Other languages
English (en)
French (fr)
Inventor
Aibin Paul Lazar
Richard Fix
Venugopal JISHNU
David John
Muhammad Parambath
Hari Chandana M SWAMI
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP4630803A1 publication Critical patent/EP4630803A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0006—Calibrating gas analysers

Definitions

  • the invention relates to a method for providing a functional relationship between a measured operating variable, in particular a gas resistance, of an aged fluid sensor, a reference operating variable, in particular a reference gas resistance, and an age of the aged fluid sensor.
  • the invention further relates to a method for training a machine learning algorithm for detecting fluids by means of a fluid sensor.
  • the invention relates to a method for detecting a fluid.
  • the invention relates to a fluid sensor device for detecting fluids.
  • gas resistances of gas sensors such as metal oxide sensors.
  • Gas sensors can be used to detect and quantify certain gases in the air. For example, volatile organic compounds, carbon monoxide or hydrocarbon compounds can be detected. To do this, the gas resistance is measured using a gas sensor. When metal oxide sensors are operated for long periods of time, they can become inaccurate due to environmental influences and wear. This is particularly evident in sensor drift, where the measured gas resistances of an aged gas sensor differ by a factor from the measured gas resistances of a new sensor.
  • a machine learning algorithm can be used to classify the various gases. This must first be trained using suitable data. If only data from new sensors is available, the machine learning algorithm cannot make reliable statements about the behavior of aged sensors because the machine learning algorithm has not been trained to compensate for sensor drift. On the other hand, providing data from aged sensors is expensive and time-consuming.
  • the present invention provides a method for providing a functional relationship between an operating variable, in particular a measured gas resistance, of an aged fluid sensor, in particular a gas sensor, a reference operating variable, in particular a reference gas resistance, and an age of the aged fluid sensor, in particular a gas sensor, comprising the steps:
  • Measuring the operating variable, in particular the gas resistance, of the aged fluid sensor at the various artificial age stages determining the functional relationship based on the operating variables, in particular the measured gas resistances, of the aged fluid sensor, the measured reference operating variable, in particular the measured reference gas resistance, the artificial age stages of the aged fluid sensor and the actual age of the fluid sensor. Providing the functional context, especially for a user of fluid sensors.
  • the present invention provides a method for training a machine learning algorithm for detecting fluids, in particular gases, by means of a fluid sensor, using a functional relationship provided in particular according to one of claims 1-4, comprising the steps:
  • Creating artificial measuring points of an aged fluid sensor by transforming the at least one measured operating variable, in particular the reference gas resistance, based on the determined functional relationship, wherein the artificial measuring points correspond to operating variable values, in particular gas measurement values, of differently aged fluid sensors,
  • the present invention provides a method for detecting a fluid, in particular a gas, comprising the steps:
  • Detecting the fluid determining the concentration and/or the type of the fluid based on a machine learning model trained according to one of claims 5-8, the age of the fluid sensor and the measured operating variable, in particular the measured gas resistance.
  • the present invention provides a fluid sensor device for detecting fluids, comprising a computing unit, a storage unit and at least one fluid sensor, wherein an operating variable, in particular a gas resistance, of a fluid can be measured by means of the fluid sensor, wherein a functional relationship, determined in particular according to one of claims 1-4, between an operating variable, in particular a gas resistance, of an aged fluid sensor, a reference operating variable, in particular a reference gas resistance, and an age of the aged fluid sensor is stored, wherein the computing unit is designed to train a machine learning algorithm according to one of claims 5 to 8, wherein a fluid and/or a concentration of a fluid can be detected by means of the machine learning algorithm and the operating variable, in particular according to a method according to claim 9.
  • One of the advantages achieved is that it can be used to detect various fluids, especially gases, in a simple and cost-effective manner. Another advantage is that training data can be easily provided for training a machine learning model. Another advantage is that a functional context can be provided for creating the training data, so that, for example, a gas sensor can be trained directly in a desired environment.
  • artificial age is to be understood in the broadest sense and refers, in particular in the claims and preferably in the description, to an age of a fluid sensor, in particular a gas sensor, which has been artificially aged by an ageing process.
  • An artificial age therefore does not correspond to the actual age of a sensor, but to an age of a reference sensor which, when aged, has the same sensor drift as the artificially aged sensor.
  • a gas sensor can be aged to an artificial age of one year by operating it for a hundred hours in a high-temperature environment. In particular, the temperature in the high-temperature environment can be changed and the sensor can be operated at different temperatures for certain periods of time.
  • operating variable is to be understood in the broadest sense and refers, in particular in the claims, preferably in the description, to a variable that can be determined using the fluid sensor.
  • the gas resistance of a gas is a possible operating variable.
  • fluid is to be understood in the broadest sense and refers, in particular in the claims, preferably in the description, to liquids and/or gases and/or a combination of one or more liquids and one or more gases.
  • an operating variable such as a reference gas resistance of a sensor is first determined.
  • the sensor is then artificially aged and the operating variable such as the gas resistance is measured again after certain age stages.
  • a functional relationship can be determined that relates the aged operating variable ⁇ ), in particular gas resistance, to the reference operating variable, in particular reference gas resistance, and the age of the fluid sensor.
  • the functional relationship can then be used to artificially determine data from an aged sensor.
  • a manually aged gas sensor for example, the measured gas resistance values of a new gas sensor are simply transformed into new gas resistance values that could come from an aged gas sensor.
  • These artificially aged gas resistance values are used to train a machine learning algorithm. This machine learning algorithm is then able to reliably detect different gases even with really aged gas sensors that exhibit sensor drift.
  • an ambient temperature, a relative humidity and/or the high temperature are used to determine the functional relationship. These additional parameters can be used to reduce environmental influences on the gas sensor.
  • One advantage of this is that the accuracy of the functional relationship is improved.
  • a linear regression model is used to determine the functional relationship.
  • the measurement of the reference operating variable, in particular the reference gas resistance, and the operating variable, in particular the gas resistance of the aged fluid sensor is carried out for different types of fluid and/or for different fluid concentrations.
  • One advantage of this is that the accuracy of the functional relationship is improved because more data is available.
  • a room temperature, a room humidity and/or a sensor temperature are taken into account to create the artificial measuring points.
  • the artificial measuring points can be adapted to the location where a fluid sensor is used.
  • the sensor could be used in a humid environment, so that the machine learning model is trained with data that corresponds to a correspondingly humid environment.
  • reference operating variables in particular reference gas resistances
  • the machine learning algorithm can more reliably recognize and classify different fluids and fluid concentrations.
  • the machine learning algorithm is trained using the measured reference operating variable, in particular using the measured reference gas resistance.
  • the machine learning algorithm can reliably detect and classify fluids even with new sensors that do not yet exhibit sensor drift.
  • Figure 1 shows steps of a method for providing a functional relationship according to an embodiment of the present invention
  • Figure 2 shows steps of a method for training a machine learning algorithm according to an embodiment of the present invention
  • Figure 3 shows steps of a method for detecting a gas according to an embodiment of the present invention
  • Figure 4 shows a gas sensor according to an embodiment of the present invention
  • FIG. 5 is an overview of the methods according to embodiments of the present invention.
  • Figures 6a, 6b, 6c show a comparison of the quality of different sensors according to an embodiment of the present invention.
  • FIG. 1 shows in schematic form steps of a method for providing a functional relationship according to an embodiment of the present invention.
  • a step S1 an operating variable, in particular a reference gas resistance, of a gas sensor is measured.
  • the reference gas resistance of the gas sensor is in particular the measured gas resistance of a new gas sensor.
  • the gas sensor is artificially aged by operating it in a high temperature environment.
  • a high temperature environment In particular, an ISO HTOL (High Temperature Operating Life) test can be used to age the sensor.
  • Operating the gas sensor at a high temperature of around 400 °C for around 100 hours artificially ages the gas sensor by around one year. In this way, the gas sensor can be aged to different ages without the gas sensor actually being in use for years. It is also possible for the sensor to be operated at different temperatures and/or different air humidity for certain periods of time, for example with a fluctuating temperature between 100 °C and 320 °C.
  • the gas resistance of the aged gas sensor is measured at different ages.
  • the gas resistance is measured after 1, 68, 5 and 10 artificial years. Additional measurements can also be carried out with different gases, gas concentrations, relative ambient humidities, sensor temperatures and ambient temperatures in order to generate more relevant data. It is also possible to age several gas sensors and measure data in parallel in order to obtain greater variability in the measurement data. Mutual influences can also be determined.
  • a functional relationship is determined based on the measured gas resistances of the aged sensor, the measured reference gas resistance, the artificial age levels of the aged gas sensor and the actual age of the gas sensor.
  • the functional relationship can be determined, for example, by linear regression.
  • an aged gas resistance can be calculated based on a reference gas resistance and an age of the sensor.
  • the ambient temperature, the relative humidity or the sensor temperature can also be used for the calculation.
  • This functional relationship is provided in a further step S5. Since the functional relationship is independent of gases and gas concentrations, the functional relationship can be determined once and then used for several gas sensors.
  • Figure 2 shows in schematic form steps of a method for training a machine learning algorithm according to an embodiment of the present invention.
  • a gas sensor for example a fluid sensor, can be trained to detect gases and/or gas concentrations using a machine learning algorithm. Training data is required for this. To ensure that the machine learning algorithm can reliably sense gases even in aged sensors, the training data can also include data from aged sensors.
  • a reference gas resistance is measured in a step S6 using a gas sensor.
  • step S7 artificial measuring points of an aged gas sensor are determined by transforming the at least one measured reference gas resistance based on a determined functional relationship, wherein the artificial measuring points correspond to gas measurement values from differently aged gas sensors.
  • the functional relationship can be provided in particular by a method according to steps S1 to S5 according to Figure 1.
  • the functional relationship can be stored in the gas sensor.
  • the functional relationship can be used to determine artificial training data that approximately correspond to the data that a regularly aged gas sensor would provide.
  • This training data corresponds to data from differently aged gas sensors, for different gases, gas concentrations, relative humidities, sensor temperatures and/or ambient temperatures.
  • a wide range of different training data can thus be created for different applications.
  • the machine learning algorithm is trained using the measurement points created in step S7. In this way, the machine learning algorithm can be trained with data from aged gas sensors without the gas sensors having to be aged in a complex manner.
  • Figure 3 shows in schematic form steps of a method for detecting a gas according to an embodiment of the present invention.
  • a gas resistance is measured using a gas sensor.
  • a gas is detected using a machine learning algorithm, the concentration of the gas is determined and/or the type of gas is determined.
  • the machine learning algorithm is designed to classify and detect the gases present based on a measured gas resistance and taking into account the age of the gas sensor.
  • the machine learning algorithm can be trained in particular according to one of claims 5-8.
  • a relative humidity of the environment, a temperature of the environment or a sensor temperature can be input variables for the machine learning algorithm.
  • the age of the gas sensor can be used as an input variable.
  • Figure 4 shows in schematic form a gas sensor according to an embodiment of the present invention.
  • the gas sensor device 1 comprises a gas sensor 2, a computing unit 3 and a memory unit 4.
  • a functional relationship is stored on the memory unit 4, by means of which measurement points of an aged gas sensor can be calculated.
  • the functional relationship can have been provided by means of a method according to steps S1 to S5 of Figure 1.
  • the computing unit 3 is designed to determine measurement data of an aged gas sensor by means of the functional relationship, in particular according to the method according to steps S6 to S8 according to Figure 2. For this purpose, operating variables such as a gas resistance are measured using the gas sensor 2 and from this, measurement data of an aged Gas sensor calculated
  • the gas sensor device 1 can have additional sensors 2b with which the relative humidity, the ambient temperature or a sensor temperature can be measured. These additional parameters can be used when creating the measuring points so that the measuring points are aligned with the current environment of the gas sensor device 1.
  • the machine algorithm can then be trained using the measurement data from an aged gas sensor using the computing unit. This means that the machine algorithm can recognise and detect various gases, even if the gas sensor is aged, because the machine algorithm has also been trained using measurement data from an aged gas sensor.
  • gases in the environment can then be detected and/or their concentration and/or type can be determined, in particular according to the method according to steps S9 to S10 according to Figure 3.
  • the functional relationship can be determined outside the gas sensor unit and the machine learning algorithm can be trained locally in a computing unit of the gas sensor unit.
  • FIG. 5 shows an overview of the methods according to embodiments of the present invention.
  • input variables 6a such as a reference gas resistance, age stages of an artificially aged gas sensor, an actual age of the artificially aged gas sensor, an ambient humidity, ambient temperature and a gas sensor temperature are used in a linear regression model 5.
  • the target variables are gas resistances 7 of a gas sensor artificially aged in a high-temperature process. This creates a functional relationship 8 for creating artificial sensor data.
  • measurement data 10 of an artificially aged gas sensor are calculated in a calculation step 9.
  • the input variables 6b can be the same input variables as the input variables 6a.
  • a trained machine learning algorithm 13 is then obtained in a training process 11 using the measurement data 10 and input variables 6c.
  • the training data used are the calculated measurement data 10 and input variables 6c such as gas resistances measured by a gas sensor, a relative humidity and an ambient temperature.
  • the target data 12 correspond to information about the type and concentration of the gases that correspond to the calculated measurement data 10.
  • real measurement data 6d measured by a gas sensor such as a measured gas resistance, a relative humidity and an ambient temperature, can be analyzed by means of the trained machine learning algorithm 13 so that information 15 about the composition of the air measured by the gas sensor is obtained.
  • Figures 6a, 6b, 6c show in schematic form a comparison of the quality of different sensors according to an embodiment of the present invention.
  • Figures 6a, 6b and 6c each show a comparison of the quality of different sensors.
  • the X-axis 601 a, 601 b and 601 c each show the sensor age in years.
  • the Y-axis 602a of Figure 6a shows the accuracy in %, i.e. the proportion of all correctly detected gases in comparison to all measured gases
  • the Y-axis 601 b of Figure 6b shows the macro-average recall in %, i.e. the weighted proportion of all correctly detected gases in comparison to all present gases
  • the Y-axis 601 c of Figure 6c shows the macro-average F1 value in %, i.e. the harmonic mean of accuracy and macro-average recall.
  • the sensor that was trained with data from an actually aged sensor has the highest accuracy 604a, the highest recall 604b and the highest F1 value 604c.
  • the sensor that was not trained with data from an aged sensor is significantly less accurate in comparison and shows a significant decrease in accuracy 603a, recall 603b and F1 value 603c over time.
  • the accuracy 603a of the sensor without aged measurement data is almost 15% lower after 10 years than the accuracy 604a of a sensor trained with real data and the recall 603b is up to 30% lower than the recall 604b of a sensor trained with real data from an aged sensor.
  • the sensor trained with artificially created data from an aged sensor is almost as accurate as the sensor trained with real data.
  • the sensor trained with artificial data has an accuracy 605a that is only less than 3% lower after 10 years than the sensor trained with real data, 604a and the sensor trained with artificial data has a recall 605b that is less than 2.5% lower after 10 years than the recall 604b of the sensor trained with real data.

Landscapes

  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Combustion & Propulsion (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)
  • Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bereitstellen eines funktionalen Zusammenhangs zwischen einer Betriebsgröße, insbesondere einem gemessenen Gaswiderstand, eines gealterten Fluidsensors, insbesondere Gassensors, einer Referenzbetriebsgröße, insbesondere einem Referenzgaswiderstand, und einem Alter des gealterten Fluidsensors, insbesondere Gassensors, umfassend die Schritte: - Messen einer Betriebsgröße, insbesondere eines Referenzgaswiderstands, eines Fluidsensors, - Künstliches Altern des Fluidsensors auf verschiedene künstliche Altersstufen, insbesondere durch Betreiben des Fluidsensors in einer Hochtemperaturumgebung, vorzugsweise bei einer Hochtemperatur zwischen 50 °C und 400 °C, - Messen der Betriebsgröße, insbesondere des Gaswiderstands, des gealterten Fluidsensors zu den verschiedenen künstlichen Altersstufen, - Ermitteln des funktionalen Zusammenhangs anhand den Betriebsgrößen, insbesondere den gemessenen Gaswiderständen, des gealterten Fluidsensors, der gemessenen Referenzbetriebsgröße, insbesondere dem gemessenen Referenzgaswiderstand, den künstlichen Altersstufen des gealterten Fluidsensors und dem tatsächlichen Alter des Fluidsensors. - Bereitstellen des funktionalen Zusammenhangs, insbesondere für einen Nutzer von Fluidsensoren.

Description

Beschreibung
Titel
Verfahren zum Detektieren eines Fluids
Die Erfindung betrifft ein Verfahren zum Bereitstellen eines funktionalen Zusammenhangs zwischen einer gemessenen Betriebsgröße, insbesondere einem Gaswiderstand, eines gealterten Fluidsensors, einer Referenzbetriebsgröße, insbesondere einem Referenzgaswiderstand, und einem Alter des gealterten Fluidsensors.
Die Erfindung betrifft weiter ein Verfahren zum Trainieren eines Maschinenlernalgorithmus zum Erkennen von Fluiden, mittels eines Fluidsensors.
Außerdem betrifft die Erfindung ein Verfahren zum Detektieren eines Fluids.
Darüber hinaus betrifft die Erfindung eine Fluidsensoreinrichtung zum Detektieren von Fluiden.
Obwohl allgemein auf beliebige Betriebsgrößen von Fluidsensoren anwendbar, wird die folgende Erfindung anhand Gaswiderständen von Gassensoren wie Me- talloxidsensoren erläutert.
Stand der Technik
Mittels Gassensoren können bestimmte Gase in der Luft detektiert und quantifiziert werden. Beispielsweise können volatile organische Verbindungen, Kohlenstoffmonoxid oder Kohlenwasserstoffverbindungen erkannt werden. Hierfür wird der Gaswiderstand mittels eines Gassensors gemessen. Wenn Metalloxidsensoren über längere Zeit betrieben werden, können sie aufgrund von Umwelteinflüssen und Abnutzung ungenau werden. Dies äußert sich insbesondere durch einen Sensordrift, bei dem sich die gemessenen Gaswiderstände eines gealterten Gassensors um einen Faktor von den gemessenen Gaswiderständen eines neuen Sensors unterscheiden.
Zur Klassifizierung der verschiedenen Gase kann ein Maschinenlernalgorithmus verwendet werden. Dieser muss zunächst mithilfe geeigneter Daten trainiert werden. Wenn lediglich Daten neuer Sensoren zur Verfügung stehen, kann der Maschinenlernalgorithmus keine zuverlässigen Aussagen über das Verhalten gealterter Sensoren tätigen, da der Maschinenlernalgorithmus nicht auf das Kompensieren des Sensordrifts trainiert worden ist. Hingegen ist das Bereitstellen von Daten gealterter Sensoren teuer und zeitaufwendig.
Offenbarung der Erfindung
In einer Ausführungsform stellt die vorliegende Erfindung ein Verfahren zum Bereitstellen eines funktionalen Zusammenhangs zwischen einer Betriebsgröße, insbesondere einem gemessenen Gaswiderstand, eines gealterten Fluidsensors, insbesondere Gassensors, einer Referenzbetriebsgröße, insbesondere einem Referenzgaswiderstand, und einem Alter des gealterten Fluidsensors, insbesondere Gassensors bereit, umfassend die Schritte:
Messen einer Betriebsgröße, insbesondere eines Referenzgaswiderstands, eines Fluidsensors,
Künstliches Altern des Fluidsensors auf verschiedene künstliche Altersstufen, insbesondere durch Betreiben des Fluidsensors in einer Hochtemperaturumgebung, vorzugsweise bei einer Hochtemperatur zwischen 50 °C und 400 °C,
Messen der Betriebsgröße, insbesondere des Gaswiderstands, des gealterten Fluidsensors zu den verschiedenen künstlichen Altersstufen, Ermitteln des funktionalen Zusammenhangs anhand den Betriebsgrößen, insbesondere den gemessenen Gaswiderständen, des gealterten Fluidsensors, der gemessenen Referenzbetriebsgröße, insbesondere dem gemessenen Referenzgaswiderstand, den künstlichen Altersstufen des gealterten Fluidsensors und dem tatsächlichen Alter des Fluidsensors. Bereitstellen des funktionalen Zusammenhangs, insbesondere für einen Nutzer von Fluidsensoren.
In einer Ausführungsform stellt die vorliegende Erfindung ein Verfahren zum Trainieren eines Maschinenlernalgorithmus zum Erkennen von Fluiden, insbesondere Gasen mittels eines Fluidsensors bereit, unter Verwendung eines, insbesondere nach einem der Ansprüche 1 -4 bereitgestellten, funktionalen Zusammenhangs, umfassend die Schritte:
Messen zumindest einer Betriebsgröße, insbesondere eines Referenzgaswiderstands, mittels des Fluidsensors,
Erstellen von künstlichen Messpunkten eines gealterten Fluidsensors durch Transformation der zumindest einen gemessenen Betriebsgröße, insbesondere des Referenzgaswiderstands, anhand des ermittelten funktionalen Zusammenhangs, wobei die künstlichen Messpunkte zu Betriebsgrößenwerten, insbesondere Gasmesswerten, von unterschiedlich gealterten Fluidsensoren korrespondieren,
Trainieren des Maschinenlernalgorithmus anhand der erstellten künstlichen Messpunkte.
Außerdem stellt die vorliegende Erfindung ein Verfahren zum Detektieren eines Fluids, insbesondere Gases bereit, umfassend die Schritte:
Messen einer Betriebsgröße, insbesondere eines Gaswiderstands, mittels eines Fluidsensors,
Detektieren des Fluids, Bestimmen der Konzentration und/oder der Art des Fluids anhand eines nach einem der Ansprüche 5-8 trainierten Maschinenlernmodells, dem Alter des Fluidsensors und der gemessenen Betriebsgröße, insbesondere dem gemessenen Gaswiderstand.
Darüber hinaus stellt die vorliegende Erfindung in einer Ausführungsform eine Fluidsensoreinrichtung zum Detektieren von Fluiden bereit, umfassend eine Recheneinheit, eine Speichereinheit und zumindest einen Fluidsensor, wobei mittels des Fluidsensors eine Betriebsgröße, insbesondere ein Gaswiderstand, eines Fluids messbar ist, wobei auf der Speichereinheit ein, insbesondere gemäß einem der Ansprüche 1 -4 ermittelter, funktionaler Zusammenhang zwischen einer Betriebsgröße, insbesondere einem Gaswiderstand, eines gealterten Fluidsensors, einer Referenzbetriebsgröße, insbesondere einem Referenzgaswiderstand, und einem Alter des gealterten Fluidsensors gespeichert ist, wobei die Recheneinheit dazu ausgebildet ist einen Maschinenlernalgorithmus gemäß einem der Ansprüche 5 bis 8 zu trainieren, wobei mittels des Maschinenlernalgorithmus und der Betriebsgröße ein Fluid und/oder eine Konzentration eines Fluids detektierbar ist, insbesondere gemäß einem Verfahren nach Anspruch 9.
Einer der damit erzielten Vorteile ist, dass damit auf einfache und kostengünstige Weise verschiedene Fluide, insbesondere Gase, detektiert werden können. Ein weiterer Vorteil ist, dass auf einfache Weise Trainingsdaten zum Trainieren eines Maschinenlernmodells bereitgestellt werden können. Darüber hinaus ist ein Vorteil, dass ein funktionaler Zusammenhang zum Erstellen der Trainingsdaten bereitgestellt werden kann, sodass beispielsweise ein Gassensor direkt in einer gewünschten Umgebung trainiert werden kann.
Der Begriff „künstliche Altersstufe“ ist im weitesten Sinne zu verstehen und bezieht sich, insbesondere in den Ansprüchen vorzugsweise in der Beschreibung auf ein Alter eines Fluidsensors, insbesondere Gassensors, der durch einen Alterungsprozess künstlich gealtert worden ist. Eine künstliche Altersstufe entspricht somit nicht dem tatsächlichen Alter eines Sensors, sondern einem Alter eines Referenzsensors, der bei einer realen Alterung denselben Sensordrift aufweist wie der künstlich gealterte Sensor. Beispielsweise kann ein Gassensor auf ein künstliches Alter von einem Jahr gealtert werden, indem er hundert Stunden in einer Hochtemperaturumgebung betrieben wird. Insbesondere kann die Temperatur in der Hochtemperaturumgebung verändert werden und der Sensor für bestimmte Zeitdauern bei unterschiedlichen Temperaturen betrieben werden.
Der Begriff „Betriebsgröße“ ist weitesten Sinne zu verstehen und bezieht sich, insbesondere in den Ansprüchen, vorzugsweise in der Beschreibung, auf eine mittels des Fluidsensors ermittelbare Größe. Insbesondere ist der Gaswiderstand eines Gases eine mögliche Betriebsgröße.
Der Begriff „Fluid“ ist im weitesten Sinne zu verstehen und bezieht sich, insbesondere in den Ansprüchen, vorzugsweise in der Beschreibung, auf Flüssigkeiten und/oder Gase und/oder eine Kombination einer oder mehreren Flüssigkeiten und einer oder mehrerer Gase.
Zum Erstellen eines funktionalen Zusammenhangs wird zunächst eine Betriebsgröße wie ein Referenzgaswiderstand eines Sensors bestimmt Anschließend wird der Sensor künstlich gealtert und nach bestimmten Altersstufen erneut die Betriebsgröße wie der Gaswiderstand gemessen. Davon ausgehend kann ein funktionaler Zusammenhang bestimmt werden, der die gealterten Betriebsgröße^), insbesondere Gaswiderstände, mit der Referenzbetriebsgröße, insbesondere Referenzgaswiderstand und dem Alter des Fluidsensors in Zusammenhang bringt.
Der funktionale Zusammenhang kann anschließend genutzt werden, um künstlich Daten eines gealterten Sensors zu bestimmen. Anstelle eines beispielsweise manuell gealterten Gassensors werden lediglich die gemessenen Gaswiderstandswerte eines neuen Gassensors in neue Gaswiderstandswerte transformiert, die von einem gealterten Gassensor stammen könnten. Diese künstlich gealterten Gaswiderstandswerte werden genutzt, um ein Maschinenlernalgorithmus zu trainieren. Dieser Maschinenlernalgorithmus ist dann in der Lage auch bei real gealterten Gassensoren, die einen Sensordrift aufweisen, zuverlässig verschiedene Gase zu detektieren.
Weitere Merkmale, Vorteile und weitere Ausführungsformen der Erfindung sind im Folgenden beschrieben oder werden dadurch offenbar.
Gemäß einer vorteilhaften Weiterbildung der Erfindung wird zum Ermitteln des funktionalen Zusammenhangs eine Umgebungstemperatur, eine relative Feuchte und/oder die Hochtemperatur genutzt. Diese zusätzlichen Parameter können genutzt werden, um Umwelteinflüsse auf den Gassensor zu verringern. Ein Vorteil hiervon ist, dass die Genauigkeit des funktionalen Zusammenhangs verbessert wird.
Gemäß einer vorteilhaften Weiterbildung der Erfindung wird zum Ermitteln des funktionalen Zusammenhangs ein lineares Regressionsmodell genutzt. Ein Vorteil hiervon ist, dass der funktionale Zusammenhang auf einfache Weise aus den gemessenen Daten bestimmt werden kann.
Gemäß einer vorteilhaften Weiterbildung der Erfindung wird das Messen der Referenzbetriebsgröße, insbesondere des Referenzgaswiderstands, und der Betriebsgröße, insbesondere des Gaswiderstands des gealterten Fluidsensors für verschiedene Fluidarten und/oder für verschiedene Fluidkonzentrationen durchgeführt. Ein Vorteil hiervon ist, dass die Genauigkeit des funktionalen Zusammenhangs verbessert wird, da mehr Daten zur Verfügung stehen.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden zum Erstellen der künstlichen Messpunkte eine Raumtemperatur, eine Raumluftfeuchtigkeit und/oder eine Sensortemperatur berücksichtigt. Ein Vorteil hiervon ist, dass die künstlichen Messpunkte auf einen Einsatzort eines Fluidsensors angepasst werden können. Beispielsweise könnte der Sensor in einer feuchten Umgebung eingesetzt werden, sodass entsprechend das Maschinenlernmodell mit Daten trainiert wird, die zu einer entsprechend feuchten Umgebung korrespondieren.
Gemäß einer vorteilhaften Weiterbildung der Erfindung werden Referenzbetriebsgrößen, insbesondere Referenzgaswiderstände, von mehreren Fluiden und/oder in unterschiedlichen Fluidkonzentrationen und/oder von mehreren Fluidsensoren gemessen. Ein Vorteil hiervon ist, dass der Maschinenlernalgorithmus zuverlässiger verschiedene Fluide und Fluidkonzentrationen erkennen und klassifizieren kann.
Gemäß einer vorteilhaften Weiterbildung der Erfindung wird der Maschinenlernalgorithmus anhand der gemessenen Referenzbetriebsgröße, insbesondere anhand des gemessenen Referenzgaswiderstands, trainiert. Ein Vorteil hiervon ist, dass der Maschinenlernalgorithmus auch bei neuen Sensoren, die noch keinen Sensordrift aufweisen, zuverlässig Fluide erkennen und klassifizieren kann.
Weitere wichtige Merkmale und Vorteile der Erfindung ergeben sich aus den Unteransprüchen, aus den Zeichnungen und aus der dazugehörigen Figurenbeschreibung. Es versteht sich, dass die vorstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
Bevorzugte Ausführungen und Ausführungsformen der vorliegenden Erfindung sind in den Zeichnungen dargestellt und werden in der nachfolgenden Beschreibung näher erläutert.
Dabei zeigt in schematischer Form
Figur 1 Schritte eines Verfahrens zum Bereitstellen eines funktionalen Zusammenhangs gemäß einer Ausführungsform der vorliegenden Erfindung;
Figur 2 Schritte eines Verfahrens zum Trainieren eines Maschinenlernalgorithmus gemäß einer Ausführungsform der vorliegenden Erfindung,
Figur 3 Schritte eines Verfahrens zum Detektieren eines Gases gemäß einer Ausführungsform der vorliegenden Erfindung,
Figur 4 einen Gassensor gemäß einer Ausführungsform der vorliegenden Erfindung,
Figur 5 eine Übersicht der Verfahren gemäß Ausführungsformen der vorliegenden Erfindung, und
Figur 6a, 6b, 6c einen Vergleich der Qualität von verschiedenen Sensoren gemäß einer Ausführungsform der vorliegenden Erfindung.
Figur 1 zeigt in schematischer Form Schritte eines Verfahrens zum Bereitstellen eines funktionalen Zusammenhangs gemäß einer Ausführungsform der vorliegenden Erfindung. In einem Schritt S1 wird eine Betriebsgröße, insbesondere ein Referenzgaswiderstand, eines Gassensors gemessen. Der Referenzgaswiderstand des Gassensors ist insbesondere der gemessene Gaswiderstand eines neuen Gassensors.
In einem weiteren Schritt S2 wird der Gassensor künstlich gealtert, indem er in einer Hochtemperaturumgebung betrieben wird. Insbesondere kann ein ISO HTOL (High Temperature Operating Life) Test zum Altern des Sensors genutzt werden. Ein Betreiben des Gassensors in der Hochtemperatur von ca. 400 °C für ca. 100 Stunden altert den Gassensor künstlich um circa ein Jahr. Auf diese Weise kann der Gassensor auf verschiedene Altersstufen gealtert werden, ohne dass der Gassensor tatsächlich jahrelang im Einsatz ist. Es ist ebenfalls möglich, dass der Sensor bei unterschiedlichen Temperaturen und/oder unterschiedlichen Luftfeuchtigkeiten für bestimmte Zeiträume betrieben wird, beispielsweise mit einer schwankenden Temperatur zwischen 100 °C und 320 °C.
In einem weiteren Schritt S3 wird der Gaswiderstand des gealterten Gassensors bei den verschiedenen Altersstufen gemessen. Beispielsweise wird der Gaswiderstand nach 1 ,68, 5 und 10 künstlichen Jahren gemessen. Dabei können auch zusätzliche Messungen mit verschiedenen Gasen, Gaskonzentrationen, relativen Umgebungsfeuchten, Sensortemperaturen und Umgebungstemperaturen durchgeführt werden, um mehr relevante Daten zu generieren. Es ist ebenfalls möglich, mehrere Gassensoren zu altern und parallel Daten zu messen, um eine größere Variabilität in den Messdaten zu erhalten. Dabei können auch wechselseitige Einflüsse bestimmt werden.
Anschließend wird in einem weiteren Schritt S4 ein funktionaler Zusammenhang anhand den gemessenen Gaswiderständen des gealterten Sensors, dem gemessenen Referenzgaswiderstand, den künstlichen Altersstufen des gealterten Gassensors und dem tatsächlichen Alter des Gassensors ermittelt. Der funktionale Zusammenhang kann beispielsweise durch eine lineare Regression bestimmt werden. Mittels des funktionalen Zusammenhangs kann insbesondere ein gealterter Gaswiderstand anhand eines Referenzgaswiderstands und eines Alters des Sensors berechnet werden. Zusätzlich können auch die Umgebungstemperatur, die relative Feuchte oder die Sensortemperatur zur Berechnung hinzugezogen werden. Dieser funktionale Zusammenhang wird einem weiteren Schritt S5 bereitgestellt. Da der funktionale unabhängig von Gasen und Gaskonzentrationen ist, kann der funktionale Zusammenhang einmalig bestimmt werden und anschließend für mehrere Gassensoren genutzt werden.
Figur 2 zeigt in schematischer Form Schritte eines Verfahrens zum Trainieren eines Maschinenlernalgorithmus gemäß einer Ausführungsform der vorliegenden Erfindung.
Ein Gassensor als Beispiel eines Fluidsensors kann mittels eines Maschinenlernalgorithmus trainiert werden, Gase und/oder Gaskonzentrationen zu detektieren. Hierfür werden Trainingsdaten benötigt. Damit der Maschinenlernalgorithmus auch bei gealterten Sensoren zuverlässig Gase sensieren kann, können die Trainingsdaten auch Daten gealterter Sensoren umfassen.
Hierfür wird in einem Schritt S6 mittels eines Gassensors ein Referenzgaswiderstand gemessen.
In einem weiteren Schritt S7 werden künstliche Messpunkte eines gealterten Gassensors durch Transformation des zumindest einen gemessenen Referenzgaswiderstands anhand eines ermittelten funktionalen Zusammenhangs ermittelt, wobei die künstlichen Messpunkte zu Gasmesswerten von unterschiedlich gealterten Gassensoren korrespondieren. Der funktionale Zusammenhang kann insbesondere durch ein Verfahren gemäß den Schritten S1 bis S5 gemäß Figur 1 bereitgestellt werden. Beispielsweise kann der funktionale Zusammenhang in dem Gassensor gespeichert sein. Durch den funktionalen Zusammenhang können künstliche Trainingsdaten ermittelt werden, die näherungsweise denjenigen Daten entsprechen, die ein regulär gealterter Gassensor liefern würde. Diese Trainingsdaten korrespondieren zu Daten unterschiedlich gealterter Gassensoren, bei verschiedenen Gasen, Gaskonzentrationen, relativen Feuchten, Sensortemperaturen und/oder Umgebungstemperaturen. Somit kann ein breites Spektrum unterschiedlicher Trainingsdaten für verschiedene Anwendungsfälle erstellt werden. In einem weiteren Schritt S8 wird der Maschinenlernalgorithmus anhand der gemäß Schritt S7 erstellten Messpunkte trainiert. Auf diese Weise kann der Maschinenlernalgorithmus mit Daten von gealterten Gassensoren trainiert werden, ohne dass die Gassensoren auf aufwendige Weise gealtert werden müssen.
Figur 3 zeigt in schematischer Form Schritte eines Verfahrens zum Detektieren eines Gases gemäß einer Ausführungsform der vorliegenden Erfindung.
In einem Schritt S9 wird mittels eines Gassensors ein Gaswiderstand gemessen.
In einem weiteren Schritt S10 wird mittels eines Maschinenlernalgorithmus ein Gas detektiert, die Konzentration des Gases bestimmt und/oder die Art des Gases bestimmt. Der Maschinenlernalgorithmus ist dazu ausgebildet, ausgehend von einem gemessenen Gaswiderstand und unter Berücksichtigung des Alters des Gassensors die vorhandenen Gase zu klassifizieren und zu detektieren. Der Maschinenlernalgorithmus kann insbesondere nach einem der Ansprüche 5-8 trainiert sein. Zusätzlich zu dem gemessenen Gaswiderstand können eine relative Feuchte der Umgebung, eine Temperatur der Umgebung oder eine Sensortemperatur Eingangsgrößen für den Maschinenlernalgorithmus sein. Außerdem kann das Alter des Gassensors als Eingangsgröße genutzt werden.
Figur 4 zeigt in schematischer Form einen Gassensor gemäß einer Ausführungsform der vorliegenden Erfindung.
Die Gassensoreinrichtung 1 umfasst einen Gassensor 2, eine Recheneinheit 3 und eine Speichereinheit 4. Auf der Speichereinheit 4 ist ein funktionaler Zusammenhang gespeichert, mittels dem Messpunkte eines gealterten Gassensors berechnet werden können. Der funktionale Zusammenhang kann mittels eines Verfahrens gemäß der Schritte S1 bis S5 der Figur 1 bereitgestellt worden sein.
Die Recheneinheit 3 ist dazu ausgebildet, mittels des funktionalen Zusammenhangs Messdaten eines gealterten Gassensors zu bestimmen, insbesondere nach dem Verfahren gemäß der Schritte S6 bis S8 gemäß Figur 2. Hierfür werden anhand des Gassensors 2 Betriebsgrößen wie ein Gaswiderstand gemessen und daraus mittels des funktionalen Zusammenhangs Messdaten eines gealterten Gassensors berechnet Dabei kann die Gassensoreinrichtung 1 zusätzliche Sensoren 2b aufweisen, mit denen die relative Feuchte, die Umgebungstemperatur oder eine Sensortemperatur gemessen werden können. Diese zusätzlichen Parameter können beim Erstellen der Messpunkte genutzt werden, sodass die Messpunkte auf die aktuelle Umgebung des Gassensoreinrichtung 1 ausgerichtet werden.
Anschließend kann mittels der Recheneinheit der Maschinenalgorithmus anhand der Messdaten eines gealterten Gassensors trainiert werden. Somit kann der Maschinenalgorithmus verschiedene Gase erkennen und detektieren, selbst wenn der Gassensor gealtert ist, da der Maschinenalgorithmus auch mit Messdaten eines gealterten Gassensors trainiert worden ist.
Mittels des Maschinenlernalgorithmus können anschließend Gase in der Umgebung detektiert werden und/oder deren Konzentration und/oder Art bestimmt werden, insbesondere nach dem Verfahren gemäß den Schritten S9 bis S10 gemäß Figur 3.
Insbesondere kann das Bestimmen des funktionalen Zusammenhangs außerhalb der Gassensoreinheit erfolgen und das Trainieren des Maschinenlernalgorithmus lokal in einer Recheneinheit der Gassensoreinheit.
Figur 5 zeigt eine Übersicht der Verfahren gemäß Ausführungsformen der vorliegenden Erfindung.
Zunächst werden in einem linearen Regressionsmodel 5 Eingangsgrößen 6a wie ein Referenzgaswiderstand, Altersstufen eines künstlich gealterten Gassensors, ein tatsächliches Alter des künstlich gealterten Gassensors, eine Umgebungsfeuchte, Umgebungstemperatur und eine Gassensortemperatur genutzt. Die Zielgröße sind Gaswiderstände 7 eines in einem Hochtemperaturverfahren künstlich gealterten Gassensors. Hierdurch wird ein funktionaler Zusammenhang 8 zum Erstellen von künstlichen Sensordaten erzeugt. Mittels des funktionalen Zusammenhangs 8 und Eingangsgrößen 6b werden in einem Rechenschritt 9 Messdaten 10 eines künstlich gealterten Gassensors berechnet. Die Eingangsgrößen 6b können dieselben Eingangsgrößen wie die Eingangsgrößen 6a sein.
Anschließend wird in einem Trainingsvorgang 11 mittels der Messdaten 10 und Eingangsgrößen 6c ein trainierter Maschinenlernalgorithmus 13 erhalten. Als Trainingsdaten dienen die berechneten Messdaten 10, sowie Eingangsgrößen 6c wie mittels eines Gassensors gemessene Gaswiderstände, eine relative Feuchte und eine Umgebungstemperatur. Die Zieldaten 12 entsprechen Informationen über die Art und Konzentration der Gase, die zu den berechneten Messdaten 10 korrespondieren.
Zuletzt kann in einem Klassifizierungsvorgang 14 von einem Gassensor gemessene reale Messdaten 6d wie ein gemessener Gaswiderstand, eine relative Feuchte und eine Umgebungstemperatur mittels des trainiertem Maschinenlernalgorithmus 13 analysiert werden, sodass Informationen 15 über die Zusammensetzung der von dem Gassensor gemessenen Luft erhalten werden.
Die Figuren 6a, 6b, 6c zeigen in schematischer Form einen Vergleich der Qualität von verschiedenen Sensoren gemäß einer Ausführungsform der vorliegenden Erfindung.
Die Figuren 6a, 6b und 6c zeigen jeweils einen Vergleich der Qualität von verschiedenen Sensoren. Die X-Achse 601 a, 601 b und 601 c zeigt jeweils das Sensoralter in Jahren. Die Y-Achse 602a von Figur 6a zeigt die Genauigkeit in %, also den Anteil aller korrekt erkannten Gase im Vergleich zu allen gemessenen Gasen, die Y-Achse 601 b von Figur 6b zeigt den Macro-Average- ecall in %, also den gewichteten Anteil aller korrekt erkannten Gase im Vergleich zu allen vorhandenen Gasen und die Y-Achse 601 c von Figur 6c zeigt den Macro-Average-F1 -Wert in %, also die harmonische Mitte aus Genauigkeit und Macro-Average- Recall.
Gezeigt ist jeweils ein Verlauf 603a, 603b, 603c für einen Sensor, der nicht mit Daten eines gealterten Sensors trainiert wurde, ein Verlauf 604a, 604b, 604c für einen Sensor, der mit Daten eines tatsächlich gealterten Sensors trainiert wurde, und ein Verlauf 605a, 605b, 605c für einen Sensor, der mit künstlich erstellten Daten eines gealterten Sensors gemäß einer Ausführungsform der vorliegenden Erfindung trainiert wurde.
Es ist zu erkennen, dass der Sensor, der mit Daten eines tatsächlich gealterten Sensors trainiert wurde, die höchste Genauigkeit 604a, den höchsten Recall 604b und den höchsten F1 -Wert 604c aufweist. Der Sensor, der nicht mit Daten eines gealterten Sensors trainiert wurde, ist im Vergleich deutlich ungenauer und weist einen deutlichen Abfall der Genauigkeit 603a, des Recalls 603b und des F1 -Werts 603c im Verlaufe der Zeit auf. Beispielsweise ist die Genauigkeit 603a des Sensors ohne gealterte Messdaten nach 10 Jahren um annähernd 15 % geringer als die Genauigkeit 604a eines mit echten Daten trainierten Sensors und der Recall 603b ist um bis zu 30% geringer als der Recall 604b eines mit echten Daten eines gealterten Sensors trainierter Sensor.
Der Sensor, der mit künstlich erstellten Daten eines gealterten Sensors trainiert wurde, ist annähernd so genau wie der Sensor, der mit echten Daten trainiert wurde. Beispielsweise weist der Sensor, der mit künstlichen Daten trainiert wurde, nach 10 Jahren eine lediglich um weniger als 3% geringere Genauigkeit 605a auf als der Sensor, der mit echten Daten trainiert wurde, 604a und der Sensor, der mit künstlichen Daten trainiert wurde, weist nach 10 Jahren einen um weniger als 2,5%-geringeren Recall 605b auf als der Recall 604b des Sensors, der mit echten Daten trainiert wurde.
Dies bedeutet, dass durch ein Trainieren eines Gassensors mit künstlichen Messdaten gemäß einer Ausführungsform der vorliegenden Erfindung der Sensordrift über die Zeit stark verringert werden kann und so die Genauigkeit annähernd so hoch ist, wie ein Sensor, der aufwendig mit Daten eines tatsächlich gealterten Sensors trainiert wurde.
Obwohl die vorliegende Erfindung anhand bevorzugter Ausführungsbeispiele beschrieben wurde, ist sie nicht darauf beschränkt, sondern auf vielfältige Weise modifizierbar.

Claims

Ansprüche
1 . Verfahren zum Bereitstellen eines funktionalen Zusammenhangs (8) zwischen einer Betriebsgröße, insbesondere einem gemessenen Gaswiderstand, eines gealterten Fluidsensors, insbesondere Gassensors, einer Referenzbetriebsgröße, insbesondere einem Referenzgaswiderstand, und einem Alter des gealterten Fluidsensors, insbesondere Gassensors, umfassend die Schritte:
Messen (S1) einer Betriebsgröße, insbesondere eines Referenzgaswiderstands, eines Fluidsensors,
Künstliches Altern (S2) des Fluidsensors auf verschiedene künstliche Altersstufen, insbesondere durch Betreiben des Fluidsensors in einer Hochtemperaturumgebung, vorzugsweise bei einer Hochtemperatur zwischen 50 °C und 400 °C,
Messen (S3) der Betriebsgröße, insbesondere des Gaswiderstands (7), des gealterten Fluidsensors zu den verschiedenen künstlichen Altersstufen,
Ermitteln (S4) des funktionalen Zusammenhangs (8) anhand den gemessenen Betriebsgrößen, insbesondere den Gaswiderständen (7), des gealterten Fluidsensors, der gemessenen Referenzbetriebsgröße, insbesondere dem gemessenen Referenzgaswiderstand, den künstlichen Altersstufen des gealterten Fluidsensors und dem tatsächlichen Alter des Fluidsensors.
Bereitstellen (S5) des funktionalen Zusammenhangs (8), insbesondere für einen Nutzer von Fluidsensoren.
2. Verfahren gemäß Anspruch 1 , wobei zum Ermitteln (S4) des funktionalen Zusammenhangs (8) eine Umgebungstemperatur, eine relative Feuchte und/oder die Hochtemperatur genutzt wird.
3. Verfahren gemäß einem der Ansprüche 1 -2, wobei zum Ermitteln (S4) des funktionalen Zusammenhangs (8) ein lineares Regressionsmodell genutzt wird.
4. Verfahren gemäß einem der Ansprüche 1 -3, wobei das Messen (S3) der Referenzbetriebsgröße, insbesondere des Referenzgaswiderstands, und der Betriebsgröße, insbesondere des Gaswiderstands (7), des gealterten Fluidsensors für verschiedene Fluidsorten und/oder für verschiedene Fluidkonzentrationen durchgeführt wird.
5. Verfahren zum Trainieren eines Maschinenlernalgorithmus (13) zum Erkennen von Fluiden, insbesondre von Gasen, mittels eines Fluidsensors (2), unter Verwendung eines, insbesondere nach einem der Ansprüche 1 -4 bereitgestellten, funktionalen Zusammenhangs (8), umfassend die Schritte:
Messen (S6) zumindest einer Betriebsgröße, insbesondere eines Referenzgaswiderstands (6b), mittels des Fluidsensors (2),
Erstellen (S7) von künstlichen Messpunkten (10) eines gealterten Fluidsensors durch Transformation der zumindest einen gemessenen Betriebsgröße, insbesondere des Referenzgaswiderstands (6b), anhand des ermittelten funktionalen Zusammenhangs (8), wobei die künstlichen Messpunkte (10) zu Betriebsgrößenwerten, insbesondere Gasmesswerten, von unterschiedlich gealterten Fluidsensoren korrespondieren, Trainieren (S8) des Maschinenlernalgorithmus (13) anhand der erstellten künstlichen Messpunkte (10).
6. Verfahren gemäß Anspruch 5, wobei zum Erstellen (S7) der künstlichen Messpunkte (10) eine Raumtemperatur, eine Raumluftfeuchtigkeit und/oder eine Sensortemperatur berücksichtigt werden.
7. Verfahren gemäß einem der Ansprüche 5-6, wobei Referenzbetriebsgrößen, insbesondere Referenzgaswiderstände, von mehreren Fluiden und/oder in unterschiedlichen Fluidkonzentrationen und/oder von mehreren Fluidsensoren gemessen werden.
8. Verfahren gemäß einem der Ansprüche 5-7, wobei der Maschinenlernalgorithmus (13) anhand der gemessenen Referenzbetriebsgröße, insbesondere anhand des gemessenen Referenzgaswiderstands (6c), trainiert wird.
9. Verfahren zum Detektieren eines Fluids, insbesondere eines Gases, umfassend die Schritte:
Messen (S9) einer Betriebsgröße, insbesondere eines Gaswiderstands (6d), mittels eines Fluidsensors (2),
Detektieren (S10) des Fluids, Bestimmen der Konzentration und/oder der Art des Fluids anhand eines nach einem der Ansprüche 5-8 trainierten Maschinenlernmodells (13) und der gemessenen Betriebsgröße, insbesondere dem gemessenen Gaswiderstand (6d).
10. Fluidsensoreinrichtung (1) zum Detektieren von Fluiden, insbesondere von Gasen, umfassend eine Recheneinheit (3), eine Speichereinheit (4) und zumindest einen Fluidsensor (2), wobei mittels des Fluidsensors (2) eine Betriebsgröße, insbesondere ein Gaswiderstand (6d), eines Fluids messbar ist, wobei auf der Speichereinheit (4) ein, insbesondere gemäß einem der Ansprüche 1 - 4 ermittelter, funktionaler Zusammenhang (8) zwischen einer Betriebsgröße, insbesondere einem Gaswiderstand (7), eines gealterten Fluidsensors, einer Referenzbetriebsgröße, insbesondere einem Referenzgaswiderstand, und einem Alter des gealterten Fluidsensors gespeichert ist, wobei die Recheneinheit (3) dazu ausgebildet ist einen Maschinenlernalgorithmus (13) gemäß einem der Ansprüche 5 bis 8 zu trainieren, wobei mittels des Maschinenlernalgorithmus (13) und der Be- triebsgröße(6d) ein Fluid und/oder eine Konzentration eines Fluids detektierbar ist, insbesondere gemäß einem Verfahren nach Anspruch 9.
EP23817372.8A 2022-12-08 2023-11-30 Verfahren zum detektieren eines fluids Pending EP4630803A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022213273.4A DE102022213273A1 (de) 2022-12-08 2022-12-08 Verfahren zum Detektieren eines Fluids
PCT/EP2023/083716 WO2024120951A1 (de) 2022-12-08 2023-11-30 Verfahren zum detektieren eines fluids

Publications (1)

Publication Number Publication Date
EP4630803A1 true EP4630803A1 (de) 2025-10-15

Family

ID=89073059

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23817372.8A Pending EP4630803A1 (de) 2022-12-08 2023-11-30 Verfahren zum detektieren eines fluids

Country Status (4)

Country Link
EP (1) EP4630803A1 (de)
CN (1) CN120322674A (de)
DE (1) DE102022213273A1 (de)
WO (1) WO2024120951A1 (de)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7413645B2 (en) * 2004-05-05 2008-08-19 Mine Safety Appliances Company Devices, systems and methods for testing gas sensors and correcting gas sensor output
US10690641B2 (en) * 2015-06-17 2020-06-23 Trane International Inc. Sensor calibration systems and methods
CN111351906B (zh) * 2020-05-09 2025-01-21 沈阳仪表科学研究院有限公司 微水传感器温度老化及补偿装置及其测试方法
DE102020206047A1 (de) * 2020-05-13 2021-11-18 Siemens Aktiengesellschaft Computergestütztes Verfahren zum Erzeugen von Trainingsdaten für ein neuronales Netz für eine Vorhersage einer Schadstoffkonzentration an einer Messstation
CN111579729B (zh) * 2020-06-18 2024-09-06 天地（常州）自动化股份有限公司 自动老化标校系统、智能老化柜及智能老化车
CN113109510A (zh) * 2021-03-25 2021-07-13 山东瑶安电子科技发展有限公司 用于气体传感器的标定装置

Also Published As

Publication number Publication date
CN120322674A (zh) 2025-07-15
DE102022213273A1 (de) 2024-06-13
WO2024120951A1 (de) 2024-06-13

Similar Documents

Publication Publication Date Title
DE3115404C2 (de)
DE102005018123B4 (de) Verfahren zur Bewertung von Messwerten zur Erkennung einer Materialermüdung
EP2587328A1 (de) Unterstützung der Fehlerdiagnose einer Industrieanlage
CH701958B1 (de) Verfahren zum Betreiben einer Messstelle und Messstelle.
EP1928675B1 (de) Verfahren und vorrichtung zur erkennung von leckagen in einer kraftfahrzeug-luftfederanordnung
DE102018203858A1 (de) Verfahren zum Anpassen von Feinstaubmesswerten
DE102016207516B4 (de) Verfahren zur Alterungsbestimmung einer zur Ermittlung einer Gaskonzentration eines Gasgemischs ausgebildeten Sonde einer Brennkraftmaschine
EP4012405A1 (de) Gasmessgerät
DE10215909C1 (de) Verfahren und Vorrichtung zur Überwachung der Wasserstoffkonzentration
DE102015220991A1 (de) Verfahren zur Ermittlung einer Gaskonzentration in einem Messgas mit einem Gassensor
DE102020215735A1 (de) Verfahren und Vorrichtung zum Auswerten von Signalen einer Sensoreinheit mit zumindest zwei Sensoren
EP4630803A1 (de) Verfahren zum detektieren eines fluids
DE102006048730A1 (de) Verfahren und Vorrichtung zur Bestimmung der Messgenauigkeit einer Messeinrichtung
EP4078172B1 (de) Verfahren und vorrichtung zum betreiben eines gassensors
DE102021212115A1 (de) Verfahren und Vorrichtung zur Diagnose einer Funktion von Gassystemaktuatoren mithilfe von maschinellen Lernverfahren
DE69802449T2 (de) Verfahren zur Messung der Gaskonzentration
DE102019004502A1 (de) Verfahren zum Bestimmen und Angeben der Reststandzeit eines Filters
EP4363844A1 (de) Ki-beschleunigtes analyseverfahren, auswertungseinheit, gaschromatograph, analysesystem und computerprogrammprodukt
DE102022101007A1 (de) Verfahren zum Kalibrieren eines Eigengeräts
DE102011017015B4 (de) Verfahren zum Betreiben einer Lambdasonde
EP3964825A1 (de) Verfahren zur erfassung mindestens einer eigenschaft eines fluiden mediums in mindestens einem messraum
DE102019215571A1 (de) Verfahren und Vorrichtung zum Bestimmen eines Merkmals für auf einem Wafer produzierte Bauelemente
DE102020207921A1 (de) Verfahren zum Einrichten eines Fahrzeugsimulationsmodells
EP4058792B1 (de) Verfahren und vorrichtung zum bestimmen einer degradation eines halbleitergassensors
EP2330416B1 (de) Verfahren zur Verifizierung einer elektrochemischen Substanz in einer Gasprobe

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: 20250708

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 ME 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)