WO2014146623A1

WO2014146623A1 - Induktiver wegmesssensor und verfahren zu seinem betrieb

Info

Publication number: WO2014146623A1
Application number: PCT/DE2013/000155
Authority: WO
Inventors: Zoltán PÓLIK; Zoltán Kántor
Original assignee: BALLUF GmbH
Priority date: 2013-03-19
Filing date: 2013-03-19
Publication date: 2014-09-25
Also published as: CN105122009A; US20160076912A1; CN105122009B; US10209097B2; DE112013006849A5

Abstract

Bei einem induktiven Wegmesssensor zur Messung des Abstandes, der räumlichen Orientierung, der Dicke, der Materialeigenschaften oder dergleichen eines Zielobjekts (2), welcher ein ein impulsförmiges Signal aussendendes Senderelement (11) und ein Empfängerelement (12) zur Erfassung einer durch das ausgesendete impulsförmige Signal in dem Zielobjekt (2) hervorgerufenen Impulsantwort aufweist, ist insbesondere vorgesehen, dass die erfasste Impulsantwort mittels eines künstlichen neuronalen Netzwerks (42) unmittelbar ausgewertet wird.

Description

Beschreibung

Titel

Induktiver Wegmesssensor und Verfahren zu seinem Betrieb

Die Erfindung geht aus von einem induktiven Wegmesssensor und einem Verfahren zu seinem Betrieb nach der Gattung der unabhängigen Ansprüche.

Stand der Technik

Auf dem Gebiet der Messtechnik sind berührungslos arbeitende induktive Wegmesssysteme bekannt. So geht aus der US 5,898,304 A1 eine entsprechende Sensoranordnung mit einem künstlichen neuronalen Netzwerk (KNN) hervor, bei der eine Messspule sowie eine

Auswerteeinheit vorgesehen sind, mittels derer die Erfassung, die Verarbeitung und

Bewertung von gemessenen Signalen erfolgt.

Das dort beschriebene KNN umfasst eine Eingangsschicht, mindestens eine (verdeckte) Zwischenschicht, eine Ausgangsschicht sowie an den Verbindungsstellen zwischen zwei individuellen Schichten jeweils vorgesehene Gewichtungen. Geeignete Werte für die jeweiligen Gewichtungsfaktoren werden in einer Anlernphase ermittelt, in der an einer Anzahl unterschiedlicher Zielobjekte bekannten Materials sowie bekannter Entfernung zum Sensor Testmessungen durchgeführt werden. Die Sensoranordnung soll geeignet sein, sowohl Abstände als auch Dicken unabhängig vom Material des jeweiligen Zielobjekts zu

bestimmen.

Bei dem genannten Wegmesssystem wird die durch die Messspule gemessene

Induktivitätsdaten mittels des künstlichen neuronalen Netzwerks (KNN) einer

Spektralanalyse unterzogen. Grundlage dafür ist die Abhängigkeit des gemessenen Spektrums vom räumlichen Abstand zum Zielobjekt. Bei der Spektralanalyse werden insbesondere numerische Berechnungen an der gemessenen zeitlich veränderlichen Größe von elektrischer Spannung und Strom durchgeführt, was erheblichen Rechenaufwand bedeutet und eine kompakte Bauweise sowie kostengünstige Implementierung des Sensors verhindert.

Offenbarung der Erfindung

Der Erfindung liegt die Aufgabe zugrunde, einen induktiven Wegmesssensor der eingangs genannten Gattung anzugeben, der die genannten Nachteile des Standes der Technik ausräumt.

Der Erfindung liegt die Erkenntnis zugrunde, dass eine genannte Spektralanalyse für ein hier betroffenes Wegmesssystem bzw. einen entsprechenden Wegmesssensor nicht erforderlich ist, da die berechneten Frequenzspektren gegenüber den gemessenen, zeitlich

veränderlichen Signalen, aus denen sie berechnet werden, keine zusätzlichen Informationen beinhalten. Zudem lassen sich mit einer KNN-basierten Auswertung der Frequenzspektren nach den vorliegenden Untersuchungsergebnissen keine für die Abstandsmessung nützlichen spektralen oder zeitlichen Merkmale auffinden.

Im Gegensatz dazu schlägt die Erfindung vor, das von der Messspule erfasste

zeitveränderliche Signal mittels eines KNN direkt, d.h. ohne zwischengeschaltete

Spektralanalyse, auszuwerten. Bevorzugt wird dabei eine von dem zu messenden Zielobjekt durch ein von der Senderspule gesendetes, nicht-periodisches (transientes) Signal hervorgerufene Impulsantwort von dem KNN ausgewertet. Die Impulsantwort wird im

Wesentlichen durch im Zielobjekt induzierte Wirbelströme und magnetische Polarisation erzeugt. Als Ausgangssignal liefert das KNN Abstandsdaten des Zielobjekts.

Der erfindungsgemäße Wegmesssensor besitzt eine von der Umgebungstemperatur oder Betriebstemperatur des Sensors sowie dem jeweiligen Material des zu messenden

Zielobjekts unabhängige Kennlinie. Bei dieser Kennlinie sind von dem Wegmesssensor gelieferte Ergebnisdaten (z.B. Abstandsdaten) über den tatsächlichen, anderweitig bestimmten Abstand aufgetragen. Die bei dem erfindungsgemäßen Wegmesssensor sich ergebende Kennlinie ist bevorzugt linear ausgebildet oder stellt zumindest eine streng monoton verlaufende Kurve dar. Im Idealfall eines linearen Verlaufs entspricht die Steigung der Kennlinie im Wesentlichen dem Wert 1. Aufgrund der direkten Auswertung des induktiv erfassten Messsignals mittels eines KNN, d.h. ohne das Erfordernis einer zwischengeschalteten Spektralanalyse, ergibt sich ein erheblich reduzierter Hardwareaufwand für den Sensor, wodurch eine gegenüber dem Stand der Technik wesentlich kompaktere Bauweise ermöglicht wird. Beispielsweise wird dadurch ermöglicht, das KNN und die zusätzlich erforderliche Logik in einen MikroController zu integrieren, wodurch sich auch die Herstellungskosten deutlich verringern lassen.

Der erfindungsgemäße induktive Wegmesssensor eignet sich zur Bestimmung des

Abstandes, der räumlichen Orientierung, der Dicke sowie der Materialeigenschaften eines zu messenden metallischen Zielobjekts, mit den hierin beschriebenen Vorteilen.

Es ist anzumerken, dass das KNN entsprechend dem Einsatzzweck des Sensors so konfiguriert bzw. eingelernt werden kann, dass anstatt der genannten materialunabhängigen Messung auch eine materialspezifische Messung ermöglicht wird.

Es ist ferner hervorzuheben, dass der erfindungsgemäße Wegmesssensor nur bevorzugt bei induktiv arbeitenden Wegmesssystemen eingesetzt werden kann und grundsätzlich auch bei nicht-induktiv arbeitenden Wegmesssensoren, bei denen eine entsprechende Impulsantwort ausgewertet wird, mit den hierin beschriebenen Vorteilen einsetzbar ist. Beispiele für nichtinduktiv arbeitende Wegmesssensoren sind optisch, akustisch (Ultraschall) oder elektrisch kapazitiv arbeitende Sensoren.

Kurzbeschreibung der Figuren

Figur 1 zeigt ein Ausführungsbeispiel eines erfindungsgemäßen Wegmesssensors am

Beispiel eines Abstandsensors anhand eines Blockschaltbildes;

Figur 2 zeigt ein Ausführungsbeispiel eines künstlichen neuronalen Netzwerks (KNN); Figur 3 illustriert den typischen zeitlichen Zusammenhang zwischen einem

Messsignal, einer digitalisierten Wellenform und Eingangsdaten;

Figur 4 zeigt ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens zum

Einlernen bzw. Trainieren eines in Figur 1 gezeigten Abstandsensors;

Figur 5 zeigt ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens zum

Betrieb eines in Figur 1 gezeigten Abstandsensors am Beispiel eines

Näherungsschalters;

Figur 6 zeigt ein Kennliniendiagramm zum Vergleich von mit einem KNN berechneten

Abstandsdaten mit anderweitig gemessenen Referenzdaten. Detaillierte Beschreibung der Ausführungsbeispiele

Der in Figur 1 gezeigte induktive Abstandssensor 1 umfasst einen (analogen) Messfühler bzw. Messwertgeber 10, eine Zeitsteuerungseinheit 20, eine Digitalisierungseinheit 30 zur Digitalisierung des erfassten Signals, eine Signalauswerteeinheit 40 sowie eine

Ausgabeeinheit 50. Die genannten Funktionskomponenten sind in dem Ausführungsbeispiel in einem einzigen Gehäuse 5 angeordnet. Die Zeitsteuerungseinheit 20, die

Digitalisierungseinheit 30 sowie die Signalauswerteeinheit 40 sind insbesondere in einem Microcontroller 4 implementiert. Der Abstandssensor 1 umfasst zudem eine hier nicht gezeigte Spannungsversorgung.

Der Messwertgeber 10 umfasst wenigstens eine Senderspule 11 , wenigstens eine

Empfängerspule 12, einen Operationsverstärker 13 für die Senderspule 11 , einen getriggerten Wellenformgenerator 14 sowie einen mit der Empfängerspule 12 verbundenen, das jeweils anliegende Signal aufbereitenden Operationsverstärker 15. Die Senderspule 11 und die Empfängerspule 12 stellen die primären Sensorelemente des Abstandssensors 1 dar.

Die Digitalisierungseinheit 30 umfasst einen A/D-Wandler 31 und einen Speicher 32 zur Speicherung von Wellenformen. Die Signalauswerteeinheit 40 umfasst einen Heruntertakter („downsampler") 41 zur Verringerung der Anzahl der Abtastwerte sowie ein künstliches neuronales Netzwerk (KNN) 42. Diese Anordnung ermöglicht die unmittelbare Auswertung eines bezüglich der Abtastrate herabgesetzten („downsampled"), zeitabhängigen

(transienten) Impulsantwort eines Zielobjekts 2 mittels des KNN 42.

Die Figur 2 zeigt die Struktur eines KNN. In der Figur 2 sind zwischen Neuronen einer Eingangsschicht 200 und einer Zwischenschicht 210 angeordnete Verbindungslinien nur zu Darstellungszwecken gestrichelt eingezeichnet.

Das KNN umfasst eine Eingangsschicht 200, wenigstens eine nicht sichtbare bzw. verdeckte Zwischenschicht („hidden layer") 210, sowie eine Ausgangsschicht 220. Jeder

Eingangsknoten bzw. jedes Eingangsneuron 201 - 205 der Eingangsschicht 200 ist mit jedem in der Zwischenschicht 210 angeordneten verdeckten Neuron 211 - 216 über vorgegebene Gewichtungsfaktoren 207 physisch (elektrisch, optisch, etc.) bzw. logisch verbunden. Jedes in der Zwischenschicht 210 angeordnete verdeckte Neuron 211 - 216 ist mit jedem in der Ausgangsschicht 220 angeordneten Ausgangsneuron 221 über

vorgegebene Gewichtungsfaktoren 207 verbunden. Sollte das KNN mehr als eine verdeckte Zwischenschicht 210 aufweisen, dann sind sämtliche Eingangsneuronen 201 - 205 mit jedem in der ersten Zwischenschicht 210 angeordneten Neuron über vorgegebene Gewichtsfaktoren verbunden, wobei jedes Neuron einer vorherigen verdeckten Zwischenschicht mit jedem Neuron der darauffolgenden verdeckten Zwischenschicht über vorgegebene Gewichtsfaktoren verbunden ist und wobei sämtliche Neuronen der letzten verdeckten Zwischenschicht mit jedem Ausgangsneuron der Ausgangsschicht 220 verbunden sind.

Jedes Neuron führt in an sich bekannter Weise eine Summenbildung der von der jeweils vorherigen Schicht bereitgestellten und jeweils mit vorgegebenen Gewichtungsfaktoren beaufschlagten Werten aus und wertet die sich ergebende Summe mittels einer neuronalen Funktion aus. Das Ergebnis dieser Auswertung stellt den Ausgangswert des jeweiligen Neurons dar. Als neuronale Funktion kommen an sich bekannte Funktionen wie z.B. die lineare Funktion, die Sigma-Funktion, der hyperbolische Tangens („Tangens hyperbolicus") oder die Vorzeichenfunktion in Betracht.

Das in dem vorliegenden Ausführungsbeispiel in der Ausgangsschicht 220 angeordnete nur einzige Ausgangsneuron 221 stellt die Ausgangswerte des gesamten KNN 42 bereit. Die Eingangsschicht 200 und die Ausgangsschicht 220 sind mit der Umgebung des KNN 42, in dem vorliegenden Ausführungsbeispiel mit dem Heruntertakter 41 und der Ausgabeeinheit 50, verbunden, wohingegen die genannten verdeckten Schichten bzw. Zwischenschichten 210 von außen nicht direkt zugänglich sind.

Bei den vorliegenden Untersuchungen hat sich erstaunlicherweise ergeben, dass das KNN 42 bereits bei Verwendung von nur wenigen Neuronen der Eingangsschicht 200, und zwar in dem vorliegenden Ausführungsbeispiel 5 Neuronen, sowie nur 6 in der verdeckten Schicht 210 angeordneten Neuronen, vom Material des Zielobjekts unabhängige Abstandsdaten mit einem maximalen Fehler von nur 2,65% sowie einem mittleren Fehler von 0,79% liefert. Dies entspricht in etwa der Genauigkeit, die man bei einer KNN-Topologie mit 24 Eingangsknoten bzw. -neuronen und 20 verdeckten Neuronen erhält.

Ein Vergleich des sich bei diesen beiden Topologien jeweils ergebenden Rechenaufwands ergibt Folgendes: Die größere der beiden Topologien erfordert 24*20 + 20 = 500

Multiplikationen, 500 Summationen sowie eine Bewertung von 25 Funktionen. Im Gegensatz dazu erfordert die reduzierte bzw. vereinfachte Topologie nur 6*5 + 6 = 36 Multiplikationen, 36 Summationen sowie eine Bewertung von 7 Funktionen. Demnach sind die Anforderungen an die Hardware-Ressourcen bei der reduzierten Topologie gegenüber der größeren Topologie erheblich verringert. Die reduzierte Topologie lässt sich daher in einem gängigen Microcontroller 4 implementieren, welcher die Ergebnisse der genannten Berechnung in relativ kurzer Zeit liefert. So werden bei einem mit 24 MHz und einem 32 bit breiten

Datenpfad betriebenen Microcontroller 36 Multiplikationen bei 7 Funktionen weniger als 200 [is Rechenzeit benötigt.

Der beschriebene Abstandssensor 1 eignet sich zur Bestimmung des Abstandes, der räumlichen Orientierung, der Dicke und/oder der Materialeigenschaften eines zu messenden metallischen Zielobjekts 2, welches in räumlicher Nähe zum genannten primären

Sensorelement 1 1 , 12 angeordnet ist, und liefert am Sensorausgang 60 ein entsprechendes Signal bzw. Ergebnisdaten.

Wie aus der Figur 1 ferner zu ersehen, wird die Senderspule 1 1 durch ein von einem

Wellenformgenerator 14 geliefertes, nicht-periodisches (transientes) Stromsignal erregt, wobei das Erregungssignal durch den Operationsverstärker 13 verstärkt wird. Der

Wellenformgenerator 14 wird durch ein von der Zeitsteuerungseinheit 20 geliefertes Trigger- Signal 6 ausgelöst. Die Senderspule 1 1 erzeugt im Umfeld des Sensors 1 ein zeitlich veränderliches (d.h. transientes) Magnetfeld. Aufgrund des zeitlichen Änderungsverhaltens sowie der Inhomogenität dieses Magnetfeldes wird in der wenigstens einen Empfängerspule 12 eine Spannung induziert. In dem Fall, dass ein metallisches Zielobjekt 2 in der Nähe des primären Sensorelements platziert ist, erzeugt das sich ändernde Magnetfeld der

Senderspule 1 1 in dem Zielobjekt 2 Wirbelströme und bewirkt dort eine magnetische

Polarisation. Zusätzlich wird das Zielobjekt 2 magnetisch polarisiert, was wiederum auf das von der Senderspule 1 1 erzeugte Magnetfeld rückwirkt und dieses modifiziert, wodurch auch der Zeitverlauf der in der Empfängerspule 12 induzierten Spannung sich entsprechend ändert. Die in der Empfängerspule 12 induzierte Spannung wird mittels des

signalaufbereitenden Operationsverstärkers 15 verstärkt und ergibt ein Messsignal 8.

Parallel zur Abgabe des Trigger-Signals 6 führt der AD-Wandler 31 eine periodische

Umwandlung des Messsignals 8 durch, welche durch das von der Zeitsteuerungseinheit 20 abgegebene, aus der A/D-Umwandlung sich ergebende Zeitgebersignal 7 getriggert wird. Die damit vorliegenden digitalisierten Werte des umgewandelten Signals werden jeweils in einem Wellenform-Speicher 32 gespeichert, und zwar solange, bis eine vorgegebene Anzahl an Abtastwerten („samples") umgewandelt wurde. Der Wellenform-Speicher 32 speichert als digitalisierte Wellenform 9 des gewandelten Signals den jeweils vorliegenden, vollständigen Satz an digitalisierten Werten. Optional wird die Wellenform 9 mittels des Heruntertakters 41 in der Abtastrate herabgesetzt und dem KNN 42 als Eingangsdaten 70 zugeführt. Das KNN 42 erzeugt aus den Eingangsdaten 70 Ausgangsdaten 80. Aus den Ausgangsdaten 80 werden mittels einer Ausgangseinheit 50 Sensor-Ausgangsdaten 60 erzeugt.

Es ist anzumerken, dass die Eingangsdaten 70, alternativ zu der beschriebenen

Datenerfassung auf der Grundlage gleicher Abtastintervalle („sampling intervals") sowie einer nachfolgenden Heruntertaktung (downsampling), auch auf der Grundlage ungleicher Abtastintervalle erfasst werden können.

Der zeitliche Zusammenhang zwischen dem Messsignal 8, der digitalisierten Wellenform 9 sowie den Eingangsdaten 70 ist aus der Figur 3 zu ersehen. Es ist bekannt, dass

Temperaturänderungen charakteristische Änderungen der Wellenform bewirken und damit auch entsprechende Änderungen der gemessenen Wellenform. Beim Antrainieren des KNN 42 werden daher temperaturabhängige Wellenformen als Eingangsdaten sowie

korrespondierender Zielobjektabstände als Ausgangsdaten verwendet. Mit diesen Daten liefert das KNN 42 unter normalen Betriebsbedingungen temperaturunabhängige

Ausgangsdaten.

Es ist ferner bekannt, dass die temperaturabhängige Wellenform, insbesondere bei mittleren oder größeren Zielobjektabständen, als additive Komponente der digitalisierten Wellenform 9 angesehen werden kann. Daher können, bei bekannter Temperaturabhängigkeit des Sensorsystems, Trainingsdaten für unterschiedliche Temperaturen und verschiedene Zielobjektmaterialien, Zielobjektabstände, etc. im Wege einer Extrapolation von tatsächlich gemessenen Daten erzeugt werden, auch wenn diese Daten unter den

Temperaturbedingungen bei der Herstellung der Sensoren erfasst werden.

Das Messsignal 8 ist nicht nur das Ergebnis der in dem Zielobjekt 2 induzierten Ströme und der dort ablaufenden magnetischen Polarisation, sondern auch von Strukturmerkmalen des Abstandsensors 1 sowie der Umgebung 3 des Sensors 1. So beeinflusst bei einem ein Metallgehäuse 5 aufweisenden Sensor das Metall die Messergebnisse. Daher wird der zeitliche Verlauf des Messsignals 8 insgesamt sowohl durch die elektrische Leitfähigkeit als auch die magnetische Permeabilität des Zielobjekts, die Strukturmerkmale des Sensors 1 und dessen Umgebung 3, sowie deren Größe, Form, Position und Orientierung beeinflusst bzw. bestimmt. Daher sind die Eingangsdaten 70 in jedem Fall ausreichend, um die genannten Ergebnisse bzw. Ausgangsdaten zu erzeugen. Die genannte Herabsetzung der Abtastrate („downsampling") erfolgt deshalb, um eine möglichst kleine Untermenge der digitalisierten Wellenform 9 zu erzeugen, welche ausreichend ist, um die am Ausgang 60 des Sensors 1 vorliegenden Ergebnisdaten bzw. Ergebnissignale mit vorgegebener Genauigkeit berechnen zu können. Die Herabsetzung der Abtastrate bewirkt demnach eine vorteilhafte Verringerung der für Implementierung des KNN 42 notwendigen Hardware-Ressourcen, und zwar durch Verringerung der

Speicheranforderungen und Anzahl der Eingangsneuronen 201 - 205 und der in der Zwischenschicht 210 angeordneten Neuronen.

Die vorliegenden Untersuchungen an der zeitabhängigen Antwort bzw. Reaktion von metallischen Zielobjekten auf eine gepulste Anregung zeigen, dass die Mehrheit an brauchbaren Informationen sich auf die ersten 15 - 20 S nach dem Beginn eines

Anregungspulses beziehen. Daher ist es vorteilhaft, das Messsignal nach bereits erfolgter schneller Transientenerfassung bzw. -aufzeichnung ungeradzahlig oder mit niedriger Abtastrate abzutasten.

Bei den Eingangsdaten 70 kann es sich auch um zusammengesetzte Daten handeln, welche aus einer Untermenge der digitalisierten gewandelten Wellenform 9 sowie der digitalisierten Werte gemessener Störparameter, z.B. der Temperatur, gebildet sind. Dadurch wird ein störungsunabhängiger Sensorbetrieb gewährleistet. Physikalische Größen wie der

Zielobjektabstand und physikalische Störgrößen wie die Temperatur, etwa vorhandene externe Magnetfelder, etc. beeinflussen das Messsignal 8 in bestimmter Weise. Daher können am Eingang des KNN 42 vorliegende Informationen zu diesen physikalischen Größen dazu verwendet werden, das Messsignal von den genannten Störeffekten zu entkoppeln.

Die Ausgangseinheit 50 wandelt die Ausgangsdaten 80 in Sensor-Ausgangsdaten um.

Numerisch betrachtet ist jedes Ausgangsdatum des Sensors 1 das Ergebnis einer einfachen mathematischen Berechnung bzw. einer Bewertung eines vorgegebenen Schwellenwerts unter Anwendung logischer Operationen, wobei das jeweilige am Ausgang 60 anliegende Ausgangssignal physikalisch gesehen durch eine Spannungs- oder Stromquelle erzeugt wird und wobei ein am Ausgang 60 anliegendes Signal zusätzlich mittels eines

Leistungsverstärkers verstärkt werden kann. Bei dem Sensor-Ausgangssignal handelt es sich ferner um ein bei industriellen Abstandssensoren und Näherungsschaltern übliches Datenformat bzw. üblichen Signaltyp. Das Sensor-Ausgangssignal kann z.B. einen

Ausgangsstrom von 4 - 20 mA oder eine Ausgangsspannung von 0 - 10 V bereitstellen, wobei diese Ströme bzw. Spannungen im Empfindlichkeitsbereich des Sensors linear mit dem Zielobjektabstand variieren.

Das KNN 42 besitzt mindestens eine Ausgangsschicht 220, über welche die dem

gemessenen Abstand oder dergleichen des Zielobjekts 2 entsprechende Daten ausgegeben werden. Nach einer angemessenen Einlern- bzw. Trainingsphase ist das KNN fähig, zu den gemessenen Eingangsdaten 70 korrekte Ausgangsdaten 80 zu liefern. Während des Trainingsvorgangs werden in an sich bekannter weise die genannten Gewichtungen des KNN 42 an verfügbare Eingangsdaten 70 sowie die zu erwartenden Ausgangsdaten 80 iterativ angepasst. Die sich dabei ergebenden Gewichtungswerte werden im Systemspeicher des Microcontrollers 4 abgelegt.

Wie in der Figur 4 zu ersehen, führt die KNN-basierte Signalauswerteeinheit 41 zu Zwecken des Trainings die folgenden Arbeitsschritte aus. Nach dem Start 400 der gezeigten Routine erfolgt in Schritt 405 die Deklaration der Struktur und der Dimensionen des KNN 42. Die folgenden Schritte 410 und 415 stellen die eigentliche Trainingsphase 420 dar. In Schritt 410 erfolgt die Erfassung von Datensätzen, um daraus eine wissensbasierte Datenbank zu generieren, mittels der das KNN 42 trainiert werden soll. In Schritt 415 erfolgt die

Durchführung eines Trainings durch eine geeignete Trainingsmethode, basierend auf den genannten Datensätzen. Eine geeignete Trainingsmethode ist z.B. der an sich bekannte Levenberg-Marquardt-Algorithmus, bei dem die Gewichtungsfaktoren sowohl zwischen der Eingangsschicht und den zugehörigen Neuronen als auch zwischen Neuronen und zugehörigen Ausgangsschicht solange verändert werden, bis sich für jeden Eingangsvektor (d.h. Messsignal) korrekte Ausgangsdaten (d.h. Abstandswerte oder dergleichen) ergeben. Da die Werte eines solchen Eingangsvektors vom Material des Zielobjekts abhängig sind, kann das KNN 42 lernen, für ein beliebiges Material den korrekten Abstand oder dergleichen zu berechnen.

In Schritt 425 erfolgt dann ein Test der Sensorfunktionen mit dem entsprechend trainierten KNN 42. Falls erforderlich, erfolgt nach der Prüfung der Genauigkeit (Schritt 430) der sich ergebenen Sensordaten eine Wiederholung der genannten Schritte (bedingter Rücksprung 432 zu Schritt 415. Durch die Wiederholung kann die Struktur und die Topologie des KNN 42 optimiert werden, um dadurch die erforderliche Genauigkeit zu erreichen. Zusätzlich ist ein gestrichelt eingezeichneter, optionaler Rücksprungpfad 434 vorgesehen, welcher z.B. dann beschritten wird, wenn die erforderliche Genauigkeit mehrfach nicht erreicht wird und daher der Schluss gezogen werden kann, dass die Trainingsdaten selbst fehlerhaft oder ungenügend sind. Ist die bei der Prüfung 430 sich ergebende Genauigkeit ausreichend, wird die Routine mit Schritt 435 beendet.

Das eigentliche Training des KNN 42 beginnt mit der Zusammenstellung eines Trainings- Datensatzes, und zwar in der Form eines Feldes (Arrays) von für das Training bestimmten Eingangsdatensätzen 70 für das KNN 42. Diese Eingangsdatensätze 70 umfassen in der Abtastrate herabgesetzte, digitalisierte Signal-Wellenformen für den Messwertgeber 10 sowie eine auf die temperaturbezogene Größe. Die temperaturbezogene Größe kann in an sich bekannter Weise mittels eines wärmeabhängigen Widerstands (Thermistors) gemessen werden.

Die genannten Trainingsdaten umfassen eine Vielzahl von Zielobjekt-Abständen, Zielobjekt- Materialien, Zielobjektformen und Zielobjektausrichtungen bzw. Orientierungen des

Zielobjekts sowie für verschiedene Temperaturen gemessene Daten. Wie bereits erwähnt, werden die Trainingsdaten in der Regel unter festen, bei der Herstellung der Sensoren herrschenden Temperaturbedingungen generiert, so dass die entsprechenden Signal- Wellenformen für verschiedene Temperaturen noch durch Extrapolation gewonnen werden müssen. Bei der Extrapolation kann ein empirisch gewonnenes Temperaturverhalten zugrunde gelegt werden. Zusätzlich werden dabei genannte, die Messbedingungen wie z.B. Materialeigenschaften, Geometrie und Abstand des Zielobjekts 2 sowie optional die

Materialeigenschaften und die Geometrie der Umgebung 3 betreffende numerische Daten berücksichtigt. Diese Messungen werden wiederholt durchgeführt, jedoch unter Vermeidung des Übertrainierens des KNN 42. Die Lernfähigkeit des KNN 42 kann dadurch erhöht werden, dass bei den für das Training zur Verfügung gestellten Daten ein gewisses

Rauschen vorliegt.

Nach erfolgtem Training stellt sich die genannte Kennlinie des Sensors bevorzugt als lineare oder zumindest streng monoton veränderliche Kurve als Funktion des Zielobjektabstandes dar, was eine sehr effektive und relativ einfache Auswertung der Ergebnisdaten ermöglicht. Zudem ist die Kennlinie von der Umgebungs- oder Betriebstemperatur und dem jeweiligen Material des Zielobjekts unabhängig.

Das Ausgangssignal des Sensors stellt in dem vorliegenden Ausführungsbeispiel ein bei in der Industrie eingesetzten Abstandssensoren übliches, oben bereits erwähntes analoges Spannungssignal dar. Alternativ kann das Ausgangssignal auch durch einen analogen Strom oder ein digitales Signal gebildet sein. Es ist anzumerken, dass die Funktionsweise des Sensors 1 mittels des Trainings sehr vielfältig voreingestellt werden kann, so dass sehr unterschiedliche Anwendungen möglich sind. So kann der Sensor so trainiert werden, dass er ein für das jeweilige Material des Zielobjekts spezifisches Ausgangssignal liefert und/oder dass zwischen ferromagnetischem und nicht-ferromagnetischem Material des Zielobjekts unterschieden werden kann. Auch kann der Sensor 1 als Metalldetektor oder Münzsortierer, oder als Sensor zur Messung der Dicke des Zielobjekts oder dergleichen trainiert werden.

Es ist anzumerken, dass die beschriebene Abstandsmessung mittels des

erfindungsgemäßen Sensors 1 nur bevorzugt ist und der Sensor auch mit der Funktion eines Positionssensors oder Näherungsschalters realisiert werden kann. Im Falle eines

Näherungsschalters arbeitet dieser ebenfalls temperaturunabhängig und

materialunabhängig. Der Sensor kann aber auch so trainiert werden, dass er entweder materialunabhängig oder materialselektiv arbeitet, wobei entweder materialabhängig detektiert wird oder aber die Detektion materialabhängig verweigert werden kann.

Wie in der Figur 5 zu ersehen, können im Fall eines Näherungsschalters die Eingangsdaten 70 des KNN 42 entweder durch einen numerischen Hysterese-Vergleicher oder durch Kodierung einer Stufenfunktion als Auswertefunktion in wenigstens zwei Neuronen der Ausgangsschicht 220 ausgewertet werden. Die in Figur 2 gezeigte Topologie ist hierzu abzuwandeln und das nur ein Ausgangsneuron 221 durch wenigsten zwei

Ausgangsneuronen zu ersetzen. Ein Beispiel für eine geeignete, drei Ausgangsneuronen aufweisende Topologie ist das in der Figur 1 gezeigte KNN 42. In diesem Fall wird das KNN 42 so trainiert, dass auf einen der Ausgänge des KNN 42 umgeschaltet wird, wenn der gemessene Abstand zwischen Sensor und Zielobjekt einen oberen Schwellenwert auf einer vorgegebenen Hysterese-Kurve erreicht oder überschreitet, und dass auf einen anderen Ausgang umgeschaltet wird, wenn der gemessene Abstand zwischen Sensor und Zielobjekt einen unteren Schwellenwert auf der Hysterese-Kurve erreicht oder unterschreitet. Die Sensorausgänge 60 werden dabei anhand der Ausgangsdaten 80 der Ausgangseinheit 50 jeweils aktualisiert („updated").

Gemäß Schritt 500 in Figur 5 stellt der Heruntertakter 41 zunächst Eingangsdaten an das KNN 42 bereit. In Schritt 505 erfolgt die Auswertung mittels des Hysterese-Vergleichers oder der genannten Stufenfunktion bzw. Schwelle. In Schritt 510 wird geprüft, ob der von dem KNN 42 gelieferte Wert des gemessenen Abstands die genannte obere Schwelle

überschreitet. Ist diese Bedingung erfüllt, wird in Schritt 515 der Sensorausgang in den Zustand ,ΕΙΝ' geschaltet. Ist die Bedingung jedoch nicht erfüllt, wird gemäß Schritt 520 geprüft, ob der von dem KNN 42 gelieferte Wert des gemessenen Abstands die genannte untere Schwelle unterschreitet. Ist diese Bedingung erfüllt, wird der Sensorausgang in Schritt 525 in den Zustand ,AUS' geschaltet. Ist keiner der beiden genannten Bedingungen erfüllt, wird der Sensorausgang nicht verändert bzw. umgeschaltet.

Alternativ kann die Auswertung einer genannten Hysterese-Kurve mittels einer reduzierten KNN-Topologie erfolgen, bei der nur ein einzelnes, in die Eingangsschicht zurückgeführtes (d.h. mit der Eingangsschicht verbundenes) binäres Ausgangs-Neuron vorgesehen ist.

Ein entsprechend trainiertes KNN 42 wurde anhand von vier Zielobjekten aus jeweils unterschiedlichem Material getestet. In der Figur 3 sind die Ergebnisse in Form einer genannten Kennlinie dargestellt, in der vom KNN 42 gelieferte Abstandsdaten über auf separatem Wege gemessenen Referenzdaten aufgetragen sind. Dabei wurden bei 2, 3, 4 und 5 mm erhaltene Abstandsdaten ausgewertet. Bei den unterschiedlichen Materialien des Zielobjekts handelt es sich um Kupfer (Cu), Aluminium (AI), V2A-Stahl (V2A) und EC80- Baustahl bzw. -Vergütungsstahl mit dem Stahlschlüssel EC80 (EC80). Das KNN 42 wurde mit den entsprechenden Sensordaten an dessen Eingangsschicht 200„gefüttert" und die am Ausgang 220 des KNN 42 sich ergebenden Ausgangsdaten aufgezeichnet.

Die in der Figur 6 gezeigten Daten illustrieren die hohe Güte bzw. Qualität der Ergebnisse des KNN 42, d.h. die sich ergebenden Abstandsdaten liegen sehr nahe an bzw. auf einer dort ebenfalls eingezeichneten linearen Kurve (gestrichelt). Demnach sind die vom KNN berechneten Abstandswerte korrekt und insbesondere unabhängig vom Material des Zielobjekts, da sämtliche Kurven (mit der einzigen Ausnahme von V2A) sehr genau übereinander liegen. Insbesondere ergab sich bei diesen Untersuchungen, dass das KNN 42 bereits bei Verwendung von nur wenigen Netzknoten bzw. Neuronen (z.B. 5 wie in der Figur 2) sowie eines entsprechend reduzierten, auszuwertenden Datensatzes, bereits ausreichend präzise Daten liefert, und das KNN 42 somit in einem üblichen MikroController 4,

insbesondere unter Verwendung allgemein verfügbarer Komponenten und daher

kostengünstig, angeordnet bzw. integriert werden kann. Bezugszeichenliste

1 Sensor

2 Zielobjekt („Target")

3 Umgebung

4 Schaltungsbereich des Microcontrollers

5 Gehäuse

6 Triggersignal

7 Zeitgeber für A/D-Wandler

8 Gebersignal

9 Digitalisierte Wellenform

10 Messwertgeber

11 Senderspule(n)

12 Empfängerspule(n)

13 Spulengetriebener Operationsverstärker

14 Wellenform-Generator

15 Signalaufbereitender Operationsverstärker

20 Zeitsteuerungseinheit

30 Signal-Digitalisierungseinheit

31 A/D Wandler

32 Wellenformspeicher

40 Signalauswerteeinheit

41 Heruntertakter („Downsampler")

42 Künstliches Neuronales Netzwerk (KNN)

50 Ausgangseinheit

60 Sensorausgänge

70 Eingangsdaten

80 Ausgangsdaten

Claims

Ansprüche

1. Induktiver Wegmesssensor zur Messung des Abstandes, der räumlichen Orientierung, der Dicke, der Materialeigenschaften oder dergleichen eines Zielobjekts (2), mit einem ein impulsförmiges Signal aussendenden Senderelement (11 ) und einem

Empfängerelement (12) zur Erfassung einer durch das ausgesendete impulsförmige Signal in dem Zielobjekt (2) hervorgerufene Impulsantwort, dadurch gekennzeichnet, dass die erfasste Impulsantwort mittels eines künstlichen neuronalen Netzwerks (42) unmittelbar ausgewertet wird.

2. Wegmesssensor nach Anspruch 1 , dadurch gekennzeichnet, dass das künstliche

neuronale Netzwerk (42) in einer Signalauswerteeinheit (40) angeordnet ist, welche in einen Microcontroller (4) integriert ist.

3. Wegmesssensor nach Anspruch 2, dadurch gekennzeichnet, dass die

Signalauswerteeinheit (40) einen Heruntertakter (41) zur Verringerung der Anzahl der Abtastwerte umfasst.

4. Wegmesssensor nach Anspruch 2, dadurch gekennzeichnet, dass Eingangsdaten (70) des künstlichen neuronalen Netzwerks (42) mittels Datenerfassung mit ungleichen Abtastintervallen erzeugt werden.

5. Wegmesssensor nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk (42) weniger als zehn Knoten und weniger als zwölf in einer verdeckten Schicht (210) angeordnete Neuronen aufweist.

6. Wegmesssensor nach Anspruch 5, dadurch gekennzeichnet, dass das künstliche

neuronale Netzwerk (42) fünf Knoten und sechs in der verdeckten Schicht (210) angeordnete Neuronen aufweist.

7. Wegmesssensor nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk (42) vom Material des Zielobjekts (2) sowie von der Umgebungstemperatur und/oder der Temperatur des Wegmesssensors

unabhängige Ergebnisse liefert.

8. Wegmesssensor nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk (42) vom Material des Zielobjekts (2) abhängige

Ergebnisse liefert.

9. Wegmesssensor nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Ausgang des Sensors durch eine lineare Funktion des Zielobjektabstandes gebildet ist.

10. Verfahren zum Betrieb eines Wegmesssensors (1) nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Eingangsdaten (70) des künstlichen neuronalen Netzwerks (42) ausgewertet werden, wobei der Ausgang des Sensors in einen ersten Zustand geschaltet wird, wenn das von dem künstlichen neuronalen Netzwerk (42) gelieferte Ergebnis einen oberen Schwellenwert überschreitet, und dass der Ausgang des Sensors in einen zweiten Zustand geschaltet wird, wenn das von dem künstlichen neuronalen Netzwerk (42) gelieferte Ergebnis einen unteren Schwellenwert unterschreitet.

11. Verfahren nach Anspruch 10, dadurch gekennzeichnet, dass die Auswertung der

Eingangsdaten (70) mittels eines Hysterese-Vergleichers oder einer Stufenfunktion erfolgt.