EP4713662A1 - Verfahren für die bestimmung eines feststoffanteils - Google Patents
Verfahren für die bestimmung eines feststoffanteilsInfo
- Publication number
- EP4713662A1 EP4713662A1 EP24725759.5A EP24725759A EP4713662A1 EP 4713662 A1 EP4713662 A1 EP 4713662A1 EP 24725759 A EP24725759 A EP 24725759A EP 4713662 A1 EP4713662 A1 EP 4713662A1
- Authority
- EP
- European Patent Office
- Prior art keywords
- value
- machine learning
- medium
- learning model
- neurons
- 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
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N22/00—Investigating or analysing materials by the use of microwaves or radio waves, i.e. electromagnetic waves with a wavelength of one millimetre or more
Landscapes
- Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Electromagnetism (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Measurement Of Resistance Or Impedance (AREA)
- Geophysics And Detection Of Objects (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
Die Erfindung betrifft ein computer-implementiertes Verfahren für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere mittels eines Mikrowellensensors, umfassend: - Empfangen eines Eingabedatensatzes mit zumindest eines, insbesondere aus Messdaten ermittelten, effektiven Permittivitätswertes ε e
ƒƒ des Mediums; - Bereitstellen des Eingabedatensatzes an ein Maschinenlernmodell, wobei das Maschinenlernmodell einen auswechselbaren, anwendungsspezifischen Parametersatz aufweist, wobei der Parametersatz mindestens einen Gewichtungsfaktor wi und mindestens einen Bias bi aufweist; - Bestimmen eines Feststoffanteilwertes δ des Feststoffes im Medium mittels des Maschinenlernmodells; - Erzeugen eines Ausgabedatensatzes, welcher den Feststoffanteilwert δ umfasst. Weiterhin betrifft die Erfindung ein Maschinenlernmodell, ein Computerimplementiertes Verfahren zum Erzeugen eines Trainingsdatensatzes für ein Maschinenlernmodell und einen Mikrowellensensor.
Description
Verfahren für die Bestimmung eines Feststoffanteils
Die Erfindung betrifft ein computer-implementiertes Verfahren für die Bestimmung eines Feststoffanteils, ein Maschinenlernmodell für die Bestimmung eines Feststoffanteils, ein computerimplementiertes Verfahren zum Erzeugen eines Trainingsdatensatzes für ein Maschinenlernmodell für die Bestimmung eines Feststoffanteils, einen Mikrowellensensor zum Bestimmen eines Feststoffanteils, ein Computerprogramm mit Anweisungen, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, das erfindungsgemäße Verfahren auszuführen, ein computer-lesbares Medium, das Anweisungen enthält, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen, das erfindungsgemäße Verfahren auszuführen und ein Verfahren zum Konfigurieren eines erfindungsgemäßen Mikrowellensensors.
Mittels Mikrowellen lassen sich die physikalischen Größen Permittivität, sowie Verlustfaktor eines Mediums in einer Prozessleitung ermitteln. Aus diesen beiden Größen - gemessen entweder bei einer oder über viele unterschiedliche Frequenzen - lassen sich Rückschlüsse auf anwendungsspezifische Parameter ziehen, beispielsweise auf den Anteil von Wasser in einem Gemisch aus Wasser und anderen nicht oder wenig polaren Komponenten oder einen Feststoffanteil in einem flüssigen Medium.
Die etablierte Transmissions-ZReflexionsmessung ist beschrieben in L.F. Chen, C.K. Ong, C.P. Neo, V.V. Varadan, V. K. Varadan - “Microwave Electronics, Measurement and Materials Characterization”, John Wiley & Sons Ltd., 2004. Hierfür wird das Mikrowellensignal an zwei unterschiedlichen Positionen an das Medium in einem Behälter bzw. Messrohr angekoppelt, die Streuparameter (Transmission und ggfs. Reflexion) zwischen diesen Ankoppelstrukturen gemessen und aus den gemessenen Streuparametern auf die genannten physikalischen Eigenschaften des Mediums zurückgerechnet.
Die WO 2018/121927 A1 lehrt eine Messanordnung zur Analyse von Eigenschaften eines strömenden Mediums mittels Mikrowellen. Dabei weist die Messanordnung zusätzlich zu den Mikrowellenantennen eine elektrisch isolierende Auskleidungsschicht an der inneren Mantelfläche des Messrohres auf. Diese Auskleidungsschicht bildet einen dielektrischen Wellenleiter über den ein Mikrowellensignal zumindest anteilig von einer ersten Mikrowellenantenne zu einer zweiten Mikrowellenantenne gelangen kann. Eine Anwendung für eine derartige Messanordnung ist die Bestimmung von Feststoffanteilen im zu führenden flüssigen Medium. In der WO 2021/099152 A1 wird eine Mikrowellenantenne gelehrt, welche einen mediumsberührenden Frontabschnitt aufweist über den das Erregersignal in das Medium ausgestrahlt wird.
Die DE102017131269A1 offenbart ein erfahren zum kontinuierlichen Bestimmen des Fettgehaltes von Milch mit veränderlichen Feststoffanteilen mittels eines Coriolis-Durchflussmessgerätes und eines Mikrowellensensors. Diese Art von Messgeräten lassen sich in die Prozesse zur Verarbeitung von Milch integrieren.
Aus der DE 42 27 727 A1 ist ein Verfahren zum Bestimmen einer Zustandsgröße einer Messflüssigkeit aus deren Leitfähigkeitswert o und deren Temperaturwert T mit Hilfe eines neuronalen Netzes der eingangs genannten Art zum Bestimmen einer Zustandsgröße einer Messflüssigkeit bekannt. Mit Hilfe des bekannten Verfahrens wird eine Klassifizierung der Messflüssigkeit in tensidhaltig und tensidfrei durchgeführt. Am Ausgang des neuronalen Netzes liegt entweder der Wert 1 (tensidhaltige Messflüssigkeit) oder der Wert 0 (tensidfreie Messflüssigkeit) an. Zur Klassifizierung der Messflüssigkeit wird die Konzentration nicht ionogener Tenside in der Messflüssigkeit bestimmt. Um die Konzentration nicht ionogener Tenside bestimmen zu können, wird dem neuronalen Netz neben der Leitfähigkeit und der Temperatur der Messflüssigkeit über zwei zusätzliche Eingänge der Eingangsschicht auch der pH-Wert und die Trübung der Messflüssigkeit zugeführt. Mit Hilfe des neuronalen Netzes werden bei dem bekannten Verfahren also keine konkreten Konzentrationswerte bestimmt und über den Ausgang der Ausgangsschicht ausgegeben.
Die DE 198 35 137 C2 offenbart ein Verfahren zum Bestimmen einer Zustandsgröße einer Messflüssigkeit aus deren Leitfähigkeitswert o und deren Temperaturwert T mit Hilfe eines neuronalen Netzes mit einer Eingangsschicht mit mindestens zwei Eingängen für den Leitfähigkeitswert und den Temperaturwert, mit einer Ausgangsschicht mit einem Ausgang für die Zustandsgröße und mit mindestens einer zwischen Eingangsschicht und Ausgangsschicht angeordneten versteckten Schicht mit mehreren zwischen den Eingängen und dem Ausgang geschalteten Neuronen, dadurch gekennzeichnet, dass als Zustandsgröße die Konzentration der in der Messflüssigkeit gelösten Ionen bestimmt wird, wobei in jedem Neuron die Eingangswerte der Eingänge jeweils mit einem eingangsseitigen Gewichtungsfaktor gewichtet, die gewichteten Eingangswerte summiert werden und der Summenwert über eine Aktivierungsfunktion geführt wird.
Der Erfindung liegt die Aufgabe zugrunde basierend auf dem genannten Stand der Technik ebenfalls eine Lösung zur Bestimmung des Feststoffanteils in einem Medium bereitzustellen.
Die Aufgabe wird gelöst durch das Verfahren nach Anspruch 1 und die Gegenstände der nebenstehenden Ansprüche.
Das erfindungsgemäße computer-implementierte Verfahren für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere mittels eines Mikrowellensensors, umfasst:
Empfangen eines Eingabedatensatzes mit zumindest eines, insbesondere aus Messdaten ermittelten, effektiven Permittivitätswertes
des Mediums, und eines Temperaturwertes T des Mediums;
Bereitstellen des Eingabedatensatzes an ein Maschinenlernmodell, wobei das Maschinenlernmodell einen auswechselbaren, anwendungsspezifischen Parametersatz aufweist,
wobei der Parametersatz mindestens einen Gewichtungsfaktor und mindestens einen Bias bt aufweist;
Bestimmen eines Feststoffanteilwertes 8 des Feststoffes im Medium mittels des Maschinenlernmodells;
Erzeugen eines Ausgabedatensatzes, welcher den Feststoffanteilwert 8 umfasst;
Optional: Ausgeben des Ausgabedatensatzes, insbesondere des Feststoffanteilwerts 8.
Vorteilhafte Ausgestaltung der Erfindung sind Gegenstand der Unteransprüche.
Eine Ausgestaltung sieht vor, dass der Eingabedatensatz weiterhin einen Frequenzwert f und/oder einen effektiven Dichtewert peff des Mediums umfasst.
Eine Ausgestaltung sieht vor, dass sich der Parametersatz aus einem, in einer Lernphase des Maschinenlernmodells angewandten mathematischen Modell zur Beschreibung der Eigenschaften von heterogenen Stoffgemischen bestehend aus einem unlöslichen Stoff, der sich in einer Trägersubstanz befindet, ergibt.
Eine Ausgestaltung sieht vor, dass das mathematische Modell ausgewählt ist aus:
Maxwell-Garnett-Modell
Parallele Wiener Gleichung
Serielle Wiener Gleichung
Das erfindungsgemäße Maschinenlernmodell für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere zur Verwendung in dem erfindungsgemäßen Verfahren umfasst: eine Eingangsschicht mit mindestens zwei Eingängen für einen, effektiven Permittivitätswert E des Mediums, und einen Temperaturwert T des Mediums; eine Ausgangsschicht mit einem Ausgang für einen Feststoffanteilwert 8 des Feststoffes im Medium; mindestens zwei zwischen Eingangsschicht und Ausgangsschicht vorliegende versteckte Zwischenschichten mit jeweils einer Anzahl Nt geschalteten Neuronen, wobei das Maschinenlernmodell dazu eingerichtet ist, in jedem Neuron einer ersten Zwischenschicht der mindestens zwei Zwischenschichten eingehende Eingangswerte jeweils mit einem Gewichtungsfaktor zu gewichten, die gewichteten Eingangswerte und einen Bias zu einem
Summenwert zu summieren, den Summenwert über eine Aktivierungsfunktion in einen Ausgangswert zu überführen und den Ausgangswert an mindestens einem Neuron, insbesondere an allen Neuronen, einer zweiten Zwischenschicht der mindestens zwei Zwischenschichten bereitzustellen, wobei der Gewichtungsfaktoren wt und der Bias bt einen auswechselbaren, anwendungsspezifischen Parametersatz bilden.
Eine Ausgestaltung sieht vor, dass eine Tangenshyperbolikusfunktion und/oder eine ReLU (rectified linear unit) Funktion als Aktivierungsfunktion verwendet wird.
Eine Ausgestaltung sieht vor, dass die Eingangsschicht mindestens einen weiteren Eingang für einen Frequenzwert f und/oder einen effektiven Dichtewert peff aufweist.
Eine Ausgestaltung sieht vor, dass das Maschinenlernmodell genau drei Zwischenschichten aufweist, wobei eine Gesamtsumme der Neuronen der drei Zwischenschichten ausgewählt ist aus einem Bereich von 40 bis 2000, insbesondere bis 1000 und bevorzugt bis 200 Neuronen.
Eine Ausgestaltung sieht vor, dass eine erste Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 20 bis 80 aufweist, wobei eine zweite Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 10 bis 80 aufweist, wobei eine dritte Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 10 bis 60 aufweist,
Eine Ausgestaltung sieht vor, dass das Maschinenlernmodell genau vier Zwischenschichten aufweist, wobei eine Gesamtsumme der Neuronen der vier Zwischenschichten ausgewählt ist aus einem Bereich von 100 bis 250 Neuronen.
Eine Ausgestaltung sieht vor, dass eine erste Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 20 bis 60 aufweist, wobei eine zweite Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 50 bis 80 aufweist, wobei eine dritte Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 20 bis 60 aufweist,
wobei eine vierte Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 10 bis 50 aufweist.
Eine Ausgestaltung sieht vor, dass das Maschinenlernmodell eine Datengröße von kleiner/gleich 500 kB aufweist, bei einer Abweichung von kleiner 0,1 % relativ zu dem als Basis für die Lernphase dienenden mathematischen Modell.
Das erfindungsgemäße Computer-implementiertes Verfahren zum Erzeugen eines Trainingsdatensatzes für ein Maschinenlernmodell für die Bestimmung eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere für das erfindungsgemäße Maschinenlernmodell, umfasst:
Erstellen eines Eingabetrainingsdatensatzes, wobei der Eingabetrainingsdatensatz einen effektiven Permittivitätswert
des Mediums, einen Permittivitätswert des Feststoffes, einen Permittivitätswert em des Trägermediums, einen Feststoffanteilwert 8 und eine Temperatur T aufweist, wobei zumindest der effektive Permittivitätswert Eeff und der Permittivitätswert
über einen Zufallsgenerator ermittelt sind, wobei der Feststoffanteilwert 8 errechnet ist mittels eines mathematischen Modells in Abhängigkeit des effektiven Permittivitätswerts Eeff, des Permittivitätswerts
und des Permittivitätswerts sm.
Eine Ausgestaltung sieht vor, dass der Eingabetrainingsdatensatz weiterhin einen Zusatzparameter ß umfasst, welcher ausgewählt ist aus einem Zahlenbereich von -1 bis 1. Der Zusatzparameter ß legt fest, ob es sich bei dem mathematischen Modell um die parallele oder serielle Wiener Gleichung handelt.
Eine Ausgestaltung sieht vor, dass das mathematische Modell ausgesucht ist aus:
Maxwell-Garnett-Modell
Parallele Wiener Gleichung
Serielle Wiener Gleichung
Eine Ausgestaltung sieht vor, dass der Eingabetrainingsdatensatz weiterhin eine effektive Dichte peff des Mediums aufweist.
Eine Ausgestaltung sieht vor, dass der Eingabetrainingsdatensatz erstellt ist für Temperaturen aus einem Temperaturbereich von 1 bis 100°C, insbesondere 10 bis 60°C, und/oder wobei der effektive Permittivitätswert £eff und der Permittivitätswert
so gewählt sind, dass sich ein Feststoffanteilwert 8 zwischen 0 und 35% ergibt.
Der erfindungsgemäße Mikrowellensensor zum Bestimmen eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen Medium, mit Mitteln zur Durchführung des erfindungsgemäßen Verfahrens umfasst: eine Sendeantenne zum Erzeugen eines das Medium durchlaufenden Mikrowellensignales; eine Empfangsantenne zum Empfangen des das Medium durchlaufene Mikrowellensignal, eine Auswerte-Elektronik, welche dazu eingerichtet ist, eine effektive Permittivität des Mediums in Abhängigkeit einer bereitgestellten Laufzeit und/oder Absorption des Mikrowellensignales zu ermitteln, wobei der anwendungsspezifische Parametersatz austauschbar in der Auswerte-Elektronik hinterlegt ist.
Das erfindungsgemäße Computerprogramm mit Anweisungen, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, das erfindungsgemäß computerimplementiertes Verfahren für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere mittels eines Mikrowellensensors und/oder das erfindungsgemäße Verfahren zum Erzeugen eines Trainingsdatensatzes für ein Maschinenlernmodell für die Bestimmung eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere für das erfindungsgemäße Maschinenlernmodell auszuführen.
Das erfindungsgemäße computerlesbares Medium, das Anweisungen enthält, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen, das erfindungsgemäß computerimplementiertes Verfahren für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere mittels eines Mikrowellensensors und/oder das erfindungsgemäße Verfahren zum Erzeugen eines Trainingsdatensatzes für ein Maschinenlernmodell für die Bestimmung eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere für das erfindungsgemäße Maschinenlernmodell auszuführen.
Das erfindungsgemäße Verfahren zum Konfigurieren des erfindungsgemäß Mikrowellensensors umfasst die Verfahrensschritte:
Empfangen eines Parametersatzes am Mikrowellensensor; und
Ersetzen eines bereits, insbesondere werkseitig, am Mikrowellensensor bereitgestellten Parametersatzes des fest im Mikrowellensensor implementierten Maschinenlernmodell durch den empfangenen Parametersatzes, oder
Implementieren des empfangenen Parametersatzes am Parametersatz-freien, fest im Mikrowellensensor implementieren Maschinenlernmodell.
Bestimmen des Feststoffanteils im Medium unter Verwendung des Maschinenlernmodells und den neu bereitgestellten Parametersatzes.
Die Erfindung wird anhand der nachfolgenden Figuren näher erläutert. Es zeigt:
Fig. 1 : einen Mikrowellensensor zum Bestimmen eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen Medium;
Fig. 2: einen Verfahrensablauf einer Ausgestaltung des erfindungsgemäßen Verfahrens für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere mittels eines Mikrowellensensors;
Fig. 3: ein neuronales Netz eines erfindungsgemäßen Verfahrens gemäß einer ersten Ausführungsform in schematischer Darstellung; und
Fig. 4: ein Verfahrensablauf einer Ausgestaltung des erfindungsgemäßen Verfahrens zum Erzeugen eines Trainingsdatensatzes für ein erfindungsgemäßes Maschinenlernmodell für die Bestimmung eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen, Medium.
Fig. 1 zeigt einen Mikrowellensensor 100 zum Bestimmen eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen Medium, mit Mitteln zur Durchführung des erfindungsgemäßen Verfahrens für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium. Das Medium wird in der Anwendung des Mikrowellensensors 100 in einer Prozessleitung durch ein Messrohr 101 geführt.
Der abgebildete Mikrowellensensor 100 selbst umfasst eine Sendeantenne 116 zum Erzeugen eines - bei Anwesenheit eines Mediums in dem Messrohr 101 - das Medium durchlaufenden Mikrowellensignales. Die Sendeantenne 116 ist dabei in einer Öffnung des Messrohres 101 angeordnet. Eine geeignete Sendeantenne 116 wird in der Patentschrift DE 10 2020 134 320 A1 offenbart, auf welche vollumfänglich verwiesen wird.
Des Weiteren umfasst der Mikrowellensensor 100 eine Empfangsantenne 118 zum Empfangen des von der Sendeantenne 116 erzeugten und - bei Anwesenheit eines Mediums in dem Messrohr 101 - das Medium durchlaufenen Mikrowellensignals. Eine geeignete Empfangsantenne 118 wird ebenfalls in der Patentschrift DE 10 2020 134 320 A1 offenbart, auf welche vollumfänglich verwiesen wird.
Alternativ kann der Mikrowellensensor 100 ausschließlich eine Antenne aufweisen, bei der es sich um eine Empfangsantenne 118 und gleichzeitig auch um eine Sendeantenne 116 handelt. In dem Fall wird das Mikrowellensignal durch die Antenne erzeugt und ebenfalls gemessen. Dafür wird das Mikrowellensignal mindestens einmal an einer inneren Mantelfläche des Messrohres wieder zurück in Richtung der sendenden Antenne reflektiert.
Der Mikrowellensensor 100 weist zudem einen Temperatursensor 104 auf, der in einer speziell dafür vorgesehenen Öffnung im Messrohr 101 angeordnet ist. Der Temperatursensor ist dazu eingerichtet, einen aktuellen Temperaturwert des geführten Mediums zu ermitteln und diesen an eine Auswerte-Elektronik 102 bereitzustellen. Alternativ kann kundenseitig eine Temperatur angegeben werden oder der aktuelle Temperaturwert mittels eines externen Temperatursensors ermittelt und an der Auswerte-Elektronik bereitgestellt werden.
Die Auswerte-Elektronik 102 ist vorgesehen, die dazu eingerichtet ist, eine effektive Permittivität des Mediums in Abhängigkeit einer bereitgestellten Laufzeit und/oder Absorption des Mikrowellensignales zu ermitteln. Die Absorption ergibt sich beispielsweise aus der Differenz eines Signalstärkewertes des empfangenen Mikrowellensignales von einem Signalstärkewert des erzeugten Mikrowellensignales. Die Empfangsantenne 118 ist dazu eingerichtet, das empfangene Mikrowellensignal an der Auswerte-Elektronik 102 bereitzustellen. An der Auswerte-Elektronik 102 bereitgestellt ist ebenfalls das erzeugte und durch die Sendeantenne 116 ausgestrahlte Mikrowellensignal. Die Auswerte-Elektronik 102 kann in einem Mikrowellensensor-Gehäuse (nicht abgebildet) angeordnet sein, in dem auch die Sendeantenne 116 und Empfangsantenne 118 angeordnet ist. In der Auswerte-Elektronik 102 hinterlegt ist ein anwendungsspezifische Parametersatz 103, welche mit einem Maschinenlernmodell verknüpft ist. Dieser ist austauschbar hinterlegt, das heißt, dass der ursprünglich bzw. werkseitig hinterlegte Parametersatz 103 durch einen sich davon unterscheidenden Parametersatz 103* ersetzbar ist. Die Auswerte-Elektronik 102 ist weiterhin dazu eingerichtet, den ermittelten effektiven Permittivitätswertes Eeff des Mediums und einen Temperaturwert an ein in der Auswerte-Elektronik 102 hinterlegtes Maschinenlernmodell 105 bereitzustellen. Das Maschinenlernmodell 105 weist entsprechende Eingänge für den bereitgestellten effektiven Permittivitätswert Eeff und die bereitgestellte Temperatur auf. Weiterhin weist das Maschinenlernmodell 105 einen auswechselbaren, anwendungsspezifischen Parametersatz 103 auf. Dieser ist zum Beispiel kundenseitig durch einen sich von dem Parametersatz 103 unterscheidenden und herstellerseitig bereitgestellten Parametersatz 103*ersetzbar. Der Parametersatz 103 weist mindestens einen Gewichtungsfaktor wt und mindestens einen Bias bt auf. Das Maschinenlernmodell 105 ist dazu eingerichtet eines Feststoffanteilwertes 8 des Feststoffes im Medium zu bestimmen und dieser auszugeben. Die Ausgabe kann über eine Anzeigeeinheit (mit Display) erfolgen.
Die Auswerte-Elektronik 102 ist dazu geeignet einen Parametersatz 103* zu empfangen und einen bereits, insbesondere werkseitig, am Mikrowellensensor 100 bereitgestellten Parametersatzes 103
des fest im Mikrowellensensor 100 implementierten Maschinenlernmodells 105 durch den empfangenen Parametersatz 103* zu ersetzen. Alternativ kann immer dann, wenn noch kein Parametersatz 103 bereitgestellt ist, der empfangene Parametersatzes 103* am Parametersatzfreien, fest im Mikrowellensensor 100, insbesondere in der Auswerte-Elektronik 102 implementieren Maschinenlernmodell 105 implementiert werden. Der empfangene Parametersatz 103* kann über eine mit dem Mikrowellensensor 100 in Verbindung stehende Cloud oder Handheld (Tablet, Smartphone, Laptop) bereitgestellt werden. Weiterhin ist die Auswerte-Elektronik 102 dazu eingerichtet, den Feststoffanteil 8 im Medium unter Verwendung des Maschinenlernmodells 105 und den neu bereitgestellten Parametersatz 103* zu bestimmen.
Fig. 2 zeigt einen Verfahrensablauf einer Ausgestaltung des erfindungsgemäßen computerimplementierten Verfahrens für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere mittels eines Mikrowellensensors. Das Verfahren umfasst dabei den Verfahrensschritt:
Empfangen eines Eingabedatensatzes mit zumindest eines, insbesondere aus Messdaten ermittelten, effektiven Permittivitätswertes
des Mediums, und eines Temperaturwertes T des Mediums.
Zusätzlich kann der Eingabedatensatz weiterhin einen Frequenzwert f für das eingesetzte Mikrowellensignal und/oder einen effektiven Dichtewert peff des Mediums umfassen.
Weiterhin umfasst das Verfahren den Verfahrensschritt:
Bereitstellen des Eingabedatensatzes an ein Maschinenlernmodell.
Maschinelles Lernen ist ein Oberbegriff für das „künstliche“ Erstellen von Wissen aus Erfahrung. Ein künstliches System (Maschinenlernmodell) lernt aus bereitgestellten Beispielen und Fällen und kann diese nach Beendigung der Lernphase verallgemeinern. Dazu bauen Algorithmen beim maschinellen Lernen ein statistisches Modell auf, das auf die Eingabedatensätze beruht und welches gegen die Eingabedatensätze getestet wird. Somit erkennt das Maschinenlernmodell Muster und Gesetzmäßigkeiten in den Eingabedatensätzen.
Das Maschinenlernmodell weist einen auswechselbaren, anwendungsspezifischen Parametersatz auf mit mindestens einen Gewichtungsfaktor wt und mindestens einen Bias b^. Dabei werden die in das jeweilige Neuron eingehenden Eingangswerte mit dem entsprechenden Gewichtungsfaktor wt gewichtet (z.B. durch Multiplikation). Alle gewichteten Eingangswerte werden dann im Neuron summiert. Auf die Summe wird im Folgenden dann ein dem Neuron zugeordneten Bias bt summiert. Das Ergebnis wird dann im nachfolgenden Schritt über eine Aktivierungsfunktion geführt. Bei der Aktivierungsfunktion kann es sich beispielsweise um eine Tangenshyperbolikusfunktion handeln. Alternativ kann auch die ReLu Funktion verwendet werden. Der sich daraus ergebende
Ausgangswert wird dann an allen Neuronen der nächsten Zwischenschicht oder am einen Neuron der Ausgangsschicht bereitgestellt. Der Ausgangswert yt ist durch die folgende Gleichung beschreibbar
dabei steht gt(z) für die Aktivierungsfunktion und P für die Anzahl der Eingangswerte über die summiert wird.
Der Parametersatz ergibt sich aus einem, in einer Lernphase des Maschinenlernmodells angewandten mathematischen Modell zur Beschreibung der Eigenschaften von heterogenen Stoffgemischen. Diese bestehen im vorliegenden Fall aus einem unlöslichen Stoff, der sich in einer Trägersubstanz (z.B. Wasser) befindet.
Das mathematische Modell ist dabei ausgewählt aus einem der gelisteten Modellen/Gleichungen:
Maxwell-Garnett-Modell
Parallele Wiener Gleichung
Serielle Wiener Gleichung
The Maxwell-Garnett-Modell beschreibt die dielektrischen Eigenschaften von Körpern aus verschiedenen Materialien mit unterschiedlichen dielektrischen Eigenschaften. Im Modell wird der folgende Zusammenhang angenommen
mit einem Feststoffanteilwerts 8, einem effektiven Permittivitätswerts
des Mediums, des Permittivitätswerts des Feststoffes und des Permittivitätswerts sm des Trägermediums (z.B. Wasser).
Für die Wiener Gleichung gilt der folgende Zusammenhang
wobei für die serielle Wiener Gleichung von ß = -1 und für die parallele Wiener Gleichung von ß = +1 ausgegangen wird.
Weiterhin umfasst das Verfahren den Verfahrensschritt:
Bestimmen eines Feststoffanteilwertes 5 des Feststoffes im Medium mittels des Maschinenlernmodells.
Weiterhin umfasst das Verfahren den Verfahrensschritt:
Erzeugen eines Ausgabedatensatzes, welcher den Feststoffanteilwert 8 umfasst.
Optional kann das Verfahren ebenfalls den folgenden Verfahrensschritt umfassen:
Ausgeben des Ausgabedatensatzes, insbesondere des Feststoffanteilwerts 8.
Fig. 3 zeigt ein neuronales Netz eines erfindungsgemäßen Verfahrens gemäß einer ersten Ausführungsform in schematischer Darstellung. Ein geeignetes Maschinenlernmodell wäre beispielsweise MLPRegressor. Es sind jedoch auch andere Maschinenlernmodelle für das erfindungsgemäße Verfahren geeignet. Das abgebildete Maschinenlernmodell für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere zur Verwendung in dem erfindungsgemäßen computer-implementierten Verfahren umfasst eine Eingangsschicht ES mit mindestens zwei Eingängen E1 , E2. Über den Eingang E1 geht ein effektiver Permittivitätswert
des Mediums in das Maschinenlernmodell ein, und über Eingang E2 geht ein Temperaturwert T des Mediums in das Maschinenlernmodell ein. Das Maschinenlernmodell weist weiterhin eine Ausgangsschicht AS mit einem Ausgang A1 für einen Feststoffanteilwert 8 des Feststoffes im Medium auf. Zwischen der Eingangsschicht und der Ausgangsschicht liegen mindestens zwei versteckte Zwischenschichten mit jeweils einer Anzahl Nt geschalteten Neuronen vor.
Alternativ (nicht abgebildet) kann die Eingangsschicht ES mindestens einen weiteren Eingang für einen Frequenzwert f und/oder einen weiteren Eingang für einen effektiven Dichtewert pff aufweisen. Der Eingang ist bzw. die Eingänge sind entsprechend mit mindestens einem der Neuronen, insbesondere mit allen Neuronen, verbunden und stellt bzw. stellen an dem mindestens einen Neuron, insbesondere an allen Neuronen, den entsprechenden Dichtewert peff und/oder den Frequenzwert bereit.
In der abgebildeten Ausgestaltung sind alle Neuronen einer Zwischenschichten ZS1 , ZS2 ausschließlich mit Neuronen einer benachbarten Zwischenschicht vernetzt. Das heißt, dass es keine weiteren Vernetzungen zu Neuronen einer nicht benachbarten Zwischenschicht gibt. Die Fig. 3 zeigt 5 Neuronen (Kreis) pro Zwischenschicht. Die Punktierung deutet jedoch an, dass auch mehr Neuronen vorgesehen werden können. Die Vernetzung wird durch die Pfeile dargestellt. Aus Übersichtsgründen wurde nur die Vernetzung der ersten beiden Neuronen mit den Neuronen der zweiten Zwischenschicht ZS2 abgebildet. Es versteht sich aber von selbst, dass auch die weiteren Neuronen miteinander vernetzt sind.
Die abgebildete Ausgestaltung weist genau zwei Zwischenschichten auf. Alternativ kann das Maschinenlernmodell auch mehr als zwei, insbesondere genau drei Zwischenschichten aufweisen. Dabei ist das Maschinenlernmodell so ausgewählt, dass eine Gesamtsumme der Neuronen der drei Zwischenschichten zwischen 40 und 200 Neuronen liegt. Gerade um den aufzuwendenden Speicher optimal zu nutzen ist es vorteilhaft, wenn eine Neuronenanzahl der ersten Zwischenschicht ausgewählt ist aus dem Bereich 20 bis 80, eine Neuronenanzahl der zweiten Zwischenschicht ausgewählt ist aus dem Bereich 10 bis 80 aufweist und eine Neuronenanzahl der dritten Zwischenschicht ausgewählt ist aus dem Bereich 10 bis 60.
In einer alternativen und ebenfalls vorteilhaften Ausgestaltung weist das Maschinenlernmodell genau vier Zwischenschichten auf mit einer Gesamtsumme der Neuronen von 100 bis 250 Neuronen. In dem Fall weist die erste Zwischenschicht eine Neuronenanzahl auf, die ausgewählt ist aus dem Bereich 20 bis 60, die zweite Zwischenschicht weist eine Neuronenanzahl auf, die ausgewählt ist aus dem Bereich 50 bis 80, die dritte Zwischenschicht weist eine Neuronenanzahl auf, de ausgewählt ist aus dem Bereich 20 bis 60 und die vierte Zwischenschicht weist eine Neuronenanzahl auf, die ausgewählt ist aus dem Bereich 10 bis 50.
Aus den Ausgestaltungen ergibt sich ein Maschinenlernmodell, welches eine Datengröße von kleiner/gleich 500 kB aufweist, bei einer Abweichung von kleiner 0,1% relativ zu dem als Basis für die Lernphase dienenden mathematischen Modell. Steht mehr als 500 kB Speicher zurVerfügung, können bei zwei festen Eingängen (effektive Permittivität und Temperatur) bis zu 1500 Neuronen vorgesehen werden.
Das abgebildete Maschinenlernmodell ist dazu eingerichtet, in jedem Neuron einer ersten Zwischenschicht der mindestens zwei Zwischenschichten eingehende Eingangswerte jeweils mit einem Gewichtungsfaktor zu gewichten, die gewichteten Eingangswerte und einen Bias bt zu einem Summenwert zu summieren, den Summenwert über eine Aktivierungsfunktion in einen Ausgangswert zu überführen und den Ausgangswert an mindestens einem Neuron, insbesondere an allen Neuronen, einer zweiten Zwischenschicht der mindestens zwei Zwischenschichten oder an der Ausgangsschicht AS bereitzustellen. Die Gewichtungsfaktoren wt und der Bias bt sind Teil des auswechselbaren, anwendungsspezifischen Parametersatzes. Bei der Aktivierungsfunktion kann es sich um eine Tangenshyperbolikusfunktion und/oder eine ReLU (rectified linear unit) Funktion handeln. Alternativ kann es sich bei der Aktivierungsfunktion auch um die Exponential Linear Unit (ELU) oder eine Sigmoidfunktion handeln.
Fig. 4 zeigt einen Verfahrensablauf einer Ausgestaltung des erfindungsgemäßen Verfahrens zum Erzeugen eines Trainingsdatensatzes für ein erfindungsgemäßes Maschinenlernmodell für die Bestimmung eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen, Medium. Das Verfahren umfasst dem Verfahrensschritt:
Ermitteln zumindest des effektiven Permittivitätswerts £eff des Mediums und des Permittivitätswerts des Feststoffes über einen Zufallsgenerator.
Der Zufallsgenerator unterliegt dabei einer Wahrscheinlichkeitsverteilung, wie die Normalverteilung. Aus den zufällig generierten Permittivitätswerten ergibt sich ein Datenmenge, die in den nächsten Verfahrensschritt einfließt:
Errechnen des Feststoffanteilwerts 8 mittels eines mathematischen Modells in Abhängigkeit des effektiven Permittivitätswerts ce^, des Permittivitätswerts « und des Permittivitätswerts sm des Trägermediums.
Das mathematische Modell ist dabei ausgesucht aus einem der gelisteten Modellen:
Maxwell-Garnett-Modell
Parallele Wiener Gleichung
Serielle Wiener Gleichung.
Für den Trainingsdatensatz kann beispielsweise das Maxwell-Garnett-Modell verwendet werden. Dafür wird die Maxwell-Garnett-Gleichung so umgestellt, dass sich die effektive Permittivität in Abhängigkeit der restlichen Größen berechnen lässt. Weiterhin kann die Permittivität des Feststoffes fest gesetzt sein. So kann für die Permittivität des Feststoffes ein Wert zwischen 2 und 5 angenommen werden. Die Permittivität des Trägermediums (z.B. Wasser) ist temperaturabhängig. Die Temperatur geht somit in die Berechnung der Permittivität des Trägermediums ein (z.B. durch das Debye Modell). Für den Feststoffanteil wird ein Wert aus einem für die Anwendung sinnvollen Bereich (z.B. 0-35%TS) angenommen.
Der nächste Verfahrensschritt umfasst:
Erstellen eines Eingabetrainingsdatensatzes, umfassend einen effektiven Permittivitätswert ce^, einen Permittivitätswert
einen Permittivitätswert sm, einen Feststoffanteilwert 8, eine Temperatur T und einen Zusatzparameter ß aufweist, welcher ausgewählt ist aus einem Zahlenbereich von -1 bis 1.
Für diesen Verfahrensschritt wird die Wiener Gleichung als Modell zur Beschreibung des Mediums verwendet, daher wird auf den Zusatzparameter ß zurückgegriffen. Alternativ kann auch das Maxwell-Garnett-Modell verwendet werden.
Alternativ kann der Eingabetrainingsdatensatz weiterhin auch eine effektive Dichte p des Mediums aufweisen. Die Temperaturen sind sinnvollerweise aus einem Temperaturbereich von 1 bis 100°C, insbesondere 10 bis 60°C ausgewählt. Der effektive Permittivitätswert und der Permittivitätswert
£f sind so gewählt sind, dass sich ein Feststoffanteilwert 8 zwischen (einschließlich) 0 und 50% - wie es beispielsweise bei Abwasseranwendungen zu erwarten ist - ergibt. Der Grenzwert kann aber auch höher liegen. So sind Anwendungen bekannt, bei denen ein Feststoffanteil von mehr als 50% möglich sind. In dem Fall würde der Eingabetrainingsdatensatz Feststoffanteilwerte 8 zwischen 0 und der für die Anwendung relevante Obergrenze aufweisen.
Claims
1 . Ein computer-implementiertes Verfahren für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere mittels eines Mikrowellensensors, umfassend:
Empfangen eines Eingabedatensatzes mit zumindest eines, insbesondere aus Messdaten ermittelten, effektiven Permittivitätswertes seff des Mediums, und eines Temperaturwertes T des Mediums;
Bereitstellen des Eingabedatensatzes an ein Maschineniemmodell, wobei das Maschinenlernmodell einen auswechselbaren, anwendungsspezifischen Parametersatz aufweist, wobei der Parametersatz mindestens einen Gewichtungsfaktor
und mindestens einen Bias bt aufweist;
Bestimmen eines Feststoffanteilwertes ö des Feststoffes im Medium mittels des Maschinenlernmodells;
Erzeugen eines Ausgabedatensatzes, weicher den Feststoffanteilwert 5 umfasst;
Optional: Ausgeben des Ausgabedatensatzes, insbesondere des Feststoffanteilwerts S.
2. Verfahren nach Anspruch 1 , wobei der Eingabedatensatz weiterhin einen Frequenzwert und/oder einen effektiven Dichtewert peff des Mediums umfasst.
3. Verfahren nach Anspruch 1 oder 2, wobei sich der Parametersatz aus einem, in einer Lernphase des Maschineniemmodells angewandten mathematischen Modell zur Beschreibung der Eigenschaften von heterogenen Stoffgemischen bestehend aus einem unlöslichen Stoff, der sich in einer Trägersubstanz befindet, ergibt.
BERICHTIGTES BLATT (REGEL 91) ISA/EP
4. Verfahren nach Anspruch 3, wobei das mathematische Modell ausgewählt ist aus:
Maxwell-Garnett-Modell
Parallele Wiener Gleichung
Serielle Wiener Gleichung.
5. Maschinenlernmodell für die Bestimmung eines Feststoffanteils in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere zur Verwendung in dem Verfahren nach einem der Ansprüche 1 bis 4, umfassend: eine Eingangsschicht mit mindestens zwei Eingängen für einen, effektiven Permittivitätswert E des Mediums, und einen Temperaturwert T des Mediums; eine Ausgangsschicht mit einem Ausgang für einen Feststoffanteilwert 8 des Feststoffes im Medium; mindestens zwei zwischen Eingangsschicht und Ausgangsschicht vorliegende versteckte Zwischenschichten mit jeweils einer Anzahl geschalteten Neuronen, wobei das Maschinenlernmodell dazu eingerichtet ist, in jedem Neuron einer ersten Zwischenschicht der mindestens zwei Zwischenschichten eingehende Eingangswerte jeweils mit einem Gewichtungsfaktor zu gewichten, die gewichteten Eingangswerte und einen Bias
zu einem Summenwert zu summieren, den Summenwert über eine Aktivierungsfunktion in einen Ausgangswert zu überführen und den Ausgangswert an mindestens einem Neuron, insbesondere an allen Neuronen, einer zweiten Zwischenschicht der mindestens zwei Zwischenschichten bereitzustellen, wobei der Gewichtungsfaktoren wt und der Bias bt einen auswechselbaren, anwendungsspezifischen Parametersatz bilden.
6. Maschinenlernmodell nach Anspruch 5, wobei eine Tangenshyperbolikusfunktion und/oder eine ReLU (rectified linear unit) Funktion als Aktivierungsfunktion verwendet wird.
BERICHTIGTES BLATT (REGEL 91) ISA/EP
7. Maschinenlernmodell nach Anspruch 5 oder 6, wobei die Eingangsschicht mindestens einen weiteren Eingang für einen Frequenzwert f und/oder einen effektiven Dichtewert peff aufweist.
8. Maschinenlernmodell nach einem der Ansprüche 5 bis 7, wobei das Maschinenlernmodell genau drei Zwischenschichten aufweist, wobei eine Gesamtsumme der Neuronen der drei Zwischenschichten ausgewählt ist aus einem Bereich von 40 bis 2000, insbesondere bis 1000 und bevorzugt bis 200 Neuronen.
9. Maschinenlernmodell nach Anspruch 8, wobei eine erste Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 20 bis 80 aufweist, wobei eine zweite Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 10 bis 80 aufweist, wobei eine dritte Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 10 bis 60 aufweist.
10. Maschinenlernmodell nach einem der Ansprüche 5 bis 8, wobei das Maschinenlernmodell genau vier Zwischenschichten aufweist, wobei eine Gesamtsumme der Neuronen der vier Zwischenschichten ausgewählt ist aus einem Bereich von 100 bis 250 Neuronen.
11. Maschinenlernmodell nach Anspruch 10, wobei eine erste Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 20 bis 60 aufweist, wobei eine zweite Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 50 bis 80 aufweist,
BERICHTIGTES BLATT (REGEL 91) ISA/EP
wobei eine dritte Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 20 bis 60 aufweist, wobei eine vierte Zwischenschicht eine Neuronenanzahl ausgewählt aus dem Bereich 10 bis 50 aufweist.
12. Maschinenlernmodell nach einem der Ansprüche 5 bis 11 , wobei das Maschinenlernmodell eine Datengröße von kleiner/gleich 500 kB aufweist, bei einer Abweichung von kleiner 0,1% relativ zu dem als Basis für die Lernphase dienenden mathematischen Modell.
13. Computer-implementiertes Verfahren zum Erzeugen eines Trainingsdatensatzes für ein Maschinenlernmodell für die Bestimmung eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen, Medium, insbesondere für das Maschinenlernmodell nach einem der Ansprüche 5 bis 12, umfassend:
Erstellen eines Eingabetrainingsdatensatzes, wobei der Eingabetrainingsdatensatz einen effektiven Permittivitätswert seff des Mediums, einen Permittivitätswert sf des Feststoffes, einen Permittivitätswert sm des Trägermediums, einen Feststoffanteilwert 8 und eine Temperatur ? aufweist, wobei zumindest der effektive Permittivitätswert seff und der Permittivitätswert über einen Zufallsgenerator ermittelt sind, wobei der Feststoffanteilwert 8 errechnet ist mittels eines mathematischen Modells in Abhängigkeit des effektiven Permittivitätswerts seff, des Permittivitätswerts und des Permittivitätswerts sm.
14. Computerimplementiertes Verfahren nach 13, wobei der Eingabetrainingsdatensatz weiterhin einen Zusatzparameter/? umfasst, welcher ausgewählt ist aus einem Zahlenbereich von -1 bis 1.
BERICHTIGTES BLATT (REGEL 91) ISA/EP
15. Computerimplementiertes Verfahren nach 13 oder 14, wobei das mathematische Modell ausgesucht ist aus:
Maxwell-Garnett-Modell
Parallele Wiener Gleichung
Serielle Wiener Gleichung.
16. Computerimplementiertes Verfahren nach 13 bis 15, wobei der Eingabetrainingsdatensatz weiterhin eine effektive Dichte peff des Mediums aufweist.
17. Computerimplementiertes Verfahren nach 13 bis 16, wobei der Eingabetrainingsdatensatz erstellt ist für Temperaturen aus einem Temperaturbereich von 1 bis 100°C, insbesondere 10 bis 60°C, und/oder wobei der effektive Permittivitätswert seff und der Permittivitätswert
so gewählt sind, dass sich ein Feststoffanteilwert 5 zwischen 0 und 35% ergibt.
18. Mikrowellensensor zum Bestimmen eines Feststoffanteils 8 eines Feststoffes in einem fließfähigen, insbesondere wässrigen Medium, mit Mitteln zur Durchführung des Verfahrens nach einem der Ansprüche 1 bis 4, umfassend: eine Sendeantenne zum Erzeugen eines das Medium durchlaufenden Mikrowellensignales; eine Empfangsantenne zum Empfangen des das Medium durchlaufene Mikrowellensignal, eine Auswerte-Elektronik, welche dazu eingerichtet ist, eine effektive Permittivität des Mediums in Abhängigkeit einer bereitgestellten Laufzeit und/oder Absorption des Mikrowellensignales zu ermitteln, wobei der anwendungsspezifische Parametersatz austauschbar in der Auswerte-Elektronik hinterlegt ist.
BERICHTIGTES BLATT (REGEL 91) ISA/EP
19. Computerprogramm mit Anweisungen, die, wenn das Programm von einem Computer ausgeführt wird, den Computer veranlassen, das Verfahren nach einem der Ansprüche 1 bis 4 und/oder 13 bis 17 auszuführen.
20. Computerlesbares Medium, das Anweisungen enthält, die, wenn sie von einem Computer ausgeführt werden, den Computer veranlassen, das Verfahren nach einem der Ansprüche 1 bis 4 und/oder 13 bis 17 auszuführen.
21. Verfahren zum Konfigurieren eines Mikrowellensensors nach Anspruch 18, umfassend die Verfahrensschritte:
Empfangen eines Parametersatzes am Mikrowellensensor; und
Ersetzen eines bereits, insbesondere werkseitig, am Mikrowellensensor bereitgestellten Parametersatzes des fest im Mikrowellensensor implementierten Maschinenlernmodell durch den empfangenen Parametersatzes, oder
Implementieren des empfangenen Parametersatzes am Parametersatz-freien, fest im Mikrowellensensor implementieren Maschinenlernmodell.
Bestimmen des Feststoffanteils im Medium unter Verwendung des Maschinenlernmodells und den neu bereitgestellten Parametersatzes.
BERICHTIGTES BLATT (REGEL 91) ISA/EP
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102023112734.9A DE102023112734A1 (de) | 2023-05-15 | 2023-05-15 | Verfahren für die Bestimmung eines Feststoffanteils |
| PCT/EP2024/062306 WO2024235680A1 (de) | 2023-05-15 | 2024-05-03 | Verfahren für die bestimmung eines feststoffanteils |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| EP4713662A1 true EP4713662A1 (de) | 2026-03-25 |
Family
ID=91082082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| EP24725759.5A Pending EP4713662A1 (de) | 2023-05-15 | 2024-05-03 | Verfahren für die bestimmung eines feststoffanteils |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP4713662A1 (de) |
| CN (1) | CN121100271A (de) |
| DE (1) | DE102023112734A1 (de) |
| WO (1) | WO2024235680A1 (de) |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI844061L (fi) * | 1984-10-16 | 1986-04-17 | Kemira Oy | Foerfarande och anordning foer maetning av fukthalten eller torrsubstanshalten av aemnen. |
| DE4227727C2 (de) | 1992-08-21 | 1994-09-15 | Buna Gmbh | Verfahren zur Zustandserkennung gasförmiger und flüssiger Medien mittels Multisensorsystemen |
| DE19835137C2 (de) | 1998-08-04 | 2003-04-24 | Conducta Endress & Hauser | Vorrichtung zum Bestimmen der Konzentration einer Meßflüssigkeit |
| WO2011133046A1 (en) * | 2010-04-19 | 2011-10-27 | Tecom As C/O Christian Michelsen Research As | Inline measuring apparatus and method |
| DE102016125809A1 (de) | 2016-12-28 | 2018-06-28 | Endress+Hauser Flowtec Ag | Messanordnung zur Analyse von Eigenschaften eines strömenden Mediums mittels Mikrowellen |
| US11796362B2 (en) * | 2017-03-03 | 2023-10-24 | Schlumberger Technology Corporation | Conductivity probe fluid property measurement systems and related methods |
| DE102017131269A1 (de) | 2017-12-22 | 2019-06-27 | Endress+Hauser Flowtec Ag | Verfahren und Vorrichtung zur Milchfettmessung |
| IT201800003342A1 (it) * | 2018-03-07 | 2019-09-07 | Rational Ag | Procedimento per la rilevazione di almeno un parametro di carica di uno spazio chiuso mediante una apparecchiatura di rilevazione, nonche' apparecchiatura di rilevazione |
| CN110779585B (zh) * | 2018-07-26 | 2024-10-29 | 斯伦贝谢技术有限公司 | 多相流量计及相关方法 |
| DE102019131504A1 (de) | 2019-11-21 | 2021-05-27 | Endress + Hauser Flowtec Ag | Antennenanordnung zur Abstrahlung von Mikrowellen und Messanordnung mit mindestens einer solchen Antennenanordnung |
| DE102020133858A1 (de) * | 2020-12-16 | 2022-06-23 | Endress + Hauser Flowtec Ag | Verfahren zum Bestimmen einer Belagseigenschaft |
| DE102020134320A1 (de) | 2020-12-18 | 2022-06-23 | Endress+Hauser Flowtec Ag | Antenne zur Dielektrizitätswert-Messung |
| IT202100024695A1 (it) * | 2021-09-27 | 2023-03-27 | Pietro Fiorentini Spa | Metodo perfezionato di analisi di un fluido. |
| CN115031794B (zh) * | 2022-04-29 | 2024-07-26 | 天津大学 | 一种多特征图卷积的新型气固两相流流量测量方法 |
-
2023
- 2023-05-15 DE DE102023112734.9A patent/DE102023112734A1/de active Pending
-
2024
- 2024-05-03 EP EP24725759.5A patent/EP4713662A1/de active Pending
- 2024-05-03 WO PCT/EP2024/062306 patent/WO2024235680A1/de not_active Ceased
- 2024-05-03 CN CN202480031729.7A patent/CN121100271A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN121100271A (zh) | 2025-12-09 |
| DE102023112734A1 (de) | 2024-11-21 |
| WO2024235680A1 (de) | 2024-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE69324052T2 (de) | Neuronalnetzwerk-Lernsystem | |
| DE69217746T2 (de) | Methode und Apparat für automatisiertes Lernen und ein System, das einen solchen Apparat enthält | |
| DE69630433T2 (de) | Gerät und Verfahren zur Berechnung der Intensität eines elektromagnetischen Feldes | |
| DE102015207243B3 (de) | Verfahren zum Erstellen einer Koppelmatrix zum Abstimmen von Filtern und Vorrichtung zum Abstimmen von Filtern | |
| DE69920680T2 (de) | Verfahren und Vorrichtung zur Erkennung von Kunststoffmaterialien mittels optischer Messungen | |
| WO2024235680A1 (de) | Verfahren für die bestimmung eines feststoffanteils | |
| WO2021089591A1 (de) | Verfahren zum trainieren eines künstlichen neuronalen netzes, computerprogramm, speichermedium, vorrichtung, künstliches neuronales netz und anwendung des künstlichen neuronalen netzes | |
| DE102018109851A1 (de) | Verfahren und Vorrichtung zum Ermitteln einer Netzkonfiguration eines neuronalen Netzes | |
| DE19537010A1 (de) | Lernverfahren und -anordnung zur Nachbildung eines dynamischen Prozesses durch gemeinsames Erlernen von mindestens zwei Zeitreihen, welche jeweils verschiedene Prozeßobservable darstellen | |
| Pätzold | Organisationstheorien in der Erwachsenenbildung: Rezeption und Nutzung | |
| EP0782729A1 (de) | Verfahren und anordnung zur aufbereitung einer eingangsgrösse eines neuronalen netzes | |
| EP3018490B1 (de) | Verfahren zur detektion einer interferenz in einem empfangssignal eines radarsensors eines kraftfahrzeugs, recheneinrichtung, fahrerassistenzsystem, kraftfahrzeug sowie computerprogrammprodukt | |
| DE102011087803B4 (de) | Verfahren und Vorrichtung zur Fusion von klassifizierten Verkehrslageinformationen | |
| EP4264242B1 (de) | Verfahren zur messung von stoffmengen in einem stoffgemisch | |
| DE102024102798B3 (de) | Verfahren zur Prognose der Alterung von Kanalobjekten | |
| DE102018133232A1 (de) | Verfahren zur Überwachung eines Prozesses | |
| DE102019212018B4 (de) | Messgerät für die Prozessmesstechnik | |
| DE102023126144A1 (de) | Detektion von Fremdkörpern in Prozessmedien | |
| DE102022206892A1 (de) | Verfahren zum Bestimmen einer optimalen Architektur eines künstlichen neuronalen Netzes | |
| WO2009132770A2 (de) | Verfahren zur kalibrierung von messgeräten | |
| DE102018130953A1 (de) | Verfahren und Vorrichtung zum Ermitteln eines Mischungsverhältnisses | |
| DE102023209594A1 (de) | Verfahren zum Detektieren eines Produktionsfehlers einer Baugruppe in einer Fertigung | |
| Schütte et al. | Mathematische Logik | |
| DE202022103792U1 (de) | Vorrichtung zum Bestimmen einer optimalen Architektur eines künstlichen neuronalen Netzes | |
| DE102023200400A1 (de) | Verfahren zum Trainieren eines Autoencoders |
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: 20251028 |
|
| 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 |