WO2014146623A1 - Induktiver wegmesssensor und verfahren zu seinem betrieb - Google Patents

Induktiver wegmesssensor und verfahren zu seinem betrieb Download PDF

Info

Publication number
WO2014146623A1
WO2014146623A1 PCT/DE2013/000155 DE2013000155W WO2014146623A1 WO 2014146623 A1 WO2014146623 A1 WO 2014146623A1 DE 2013000155 W DE2013000155 W DE 2013000155W WO 2014146623 A1 WO2014146623 A1 WO 2014146623A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor
distance
neural network
artificial neural
output
Prior art date
Application number
PCT/DE2013/000155
Other languages
English (en)
French (fr)
Inventor
Zoltán PÓLIK
Zoltán Kántor
Original Assignee
BALLUF 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 BALLUF GmbH filed Critical BALLUF GmbH
Priority to DE112013006849.4T priority Critical patent/DE112013006849A5/de
Priority to US14/778,219 priority patent/US10209097B2/en
Priority to CN201380075585.7A priority patent/CN105122009B/zh
Priority to PCT/DE2013/000155 priority patent/WO2014146623A1/de
Publication of WO2014146623A1 publication Critical patent/WO2014146623A1/de

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/12Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
    • G01D5/14Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage
    • G01D5/20Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage by varying inductance, e.g. by a movable armature
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/12Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means
    • G01D5/14Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage
    • G01D5/20Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage by varying inductance, e.g. by a movable armature
    • G01D5/204Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage by varying inductance, e.g. by a movable armature by influencing the mutual induction between two or more coils
    • G01D5/2053Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable using electric or magnetic means influencing the magnitude of a current or voltage by varying inductance, e.g. by a movable armature by influencing the mutual induction between two or more coils by a movable non-ferromagnetic conductive element
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology

Definitions

  • the invention is based on an inductive displacement sensor and a method for its operation according to the preamble of the independent claims.
  • Evaluation unit are provided, by means of which the detection, processing and
  • the KNN described there comprises an input layer, at least one (hidden) intermediate layer, an output layer, and weights provided at the junctions between two individual layers, respectively. Suitable values for the respective weighting factors are determined in a learning phase in which test measurements are carried out on a number of different target objects of known material and on a known distance from the sensor.
  • the sensor arrangement should be suitable for both distances and thicknesses irrespective of the material of the respective target object
  • spectral analysis Subjected to spectral analysis.
  • the basis for this is the dependence of the measured Spectrum of the spatial distance to the target object.
  • numerical calculations are performed on the measured time-varying magnitude of electrical voltage and current, which means considerable computational effort and a compact design and low-cost implementation of the sensor prevents.
  • the invention has for its object to provide an inductive displacement sensor of the type mentioned, which eliminates the disadvantages of the prior art.
  • the invention is based on the finding that a named spectral analysis is not required for a displacement measuring system or a corresponding displacement measuring sensor that is involved here, since the calculated frequency spectra are measured over time
  • variable signals from which they are calculated do not contain any additional information.
  • KNN-based analysis of the frequency spectra it is not possible to find any spectral or temporal characteristics which are useful for distance measurement.
  • the invention proposes that detected by the measuring coil
  • an impulse response caused by the target object to be measured is evaluated by the KNN by means of a non-periodic (transient) signal sent by the transmitter coil.
  • the impulse response is in the
  • the KNN Essentially generated by in the target induced eddy currents and magnetic polarization. As an output signal, the KNN provides distance data of the target object.
  • the distance measuring sensor according to the invention has one of the ambient temperature or operating temperature of the sensor and the respective material to be measured
  • Target object independent characteristic In this characteristic, result data (eg distance data) supplied by the distance measuring sensor are plotted over the actual, otherwise determined distance.
  • the characteristic curve resulting from the displacement sensor according to the invention is preferably linear or at least represents a strictly monotone curve. In the ideal case of a linear progression, the slope of the characteristic essentially corresponds to the value 1. Due to the direct evaluation of the inductively detected measurement signal by means of an ANN, ie without the need for an intermediate spectral analysis, there is a significantly reduced hardware complexity for the sensor, whereby a comparison with the prior art much more compact design is possible. For example, this makes it possible to integrate the KNN and the additionally required logic in a microcontroller, which can also significantly reduce the manufacturing costs.
  • the inductive displacement sensor according to the invention is suitable for determining the
  • the KNN can be configured or taught in accordance with the intended use of the sensor so that instead of the material-independent measurement mentioned, a material-specific measurement is also made possible.
  • the displacement sensor according to the invention can only be used with inductively operating displacement measuring systems and, in principle, can also be used with non-inductively operating displacement measuring sensors, in which a corresponding impulse response is evaluated, with the advantages described herein.
  • non-inductively operating displacement measuring sensors are optical, acoustic (ultrasonic) or electrically capacitive sensors.
  • FIG. 1 shows an exemplary embodiment of a distance measuring sensor according to the invention
  • FIG. 2 shows an exemplary embodiment of an artificial neural network (KNN);
  • Figure 3 illustrates the typical temporal relationship between a
  • FIG. 4 shows an exemplary embodiment of the method according to the invention for
  • Figure 5 shows an embodiment of the inventive method for
  • FIG. 6 shows a characteristic diagram for the comparison of ANNs calculated
  • the inductive distance sensor 1 shown in FIG. 1 comprises an (analog) measuring sensor or measuring transducer 10, a time control unit 20, a digitizing unit 30 for digitizing the detected signal, a signal evaluation unit 40 and a
  • Output unit 50 The said functional components are arranged in the embodiment in a single housing 5.
  • Digitizing unit 30 and the signal evaluation unit 40 are implemented in particular in a microcontroller 4.
  • the distance sensor 1 also includes a voltage supply, not shown here.
  • the transmitter 10 comprises at least one transmitter coil 11, at least one
  • Receiver coil 12 an operational amplifier 13 for the transmitter coil 11, a triggered waveform generator 14 and connected to the receiver coil 12, the respective applied signal processing operational amplifier 15.
  • the transmitter coil 11 and the receiver coil 12 represent the primary sensor elements of the distance sensor 1.
  • the digitizing unit 30 includes an A / D converter 31 and a memory 32 for storing waveforms.
  • the signal evaluation unit 40 comprises a downsampler 41 for reducing the number of samples as well as an artificial neural network (KNN) 42. This arrangement allows the immediate evaluation of a sample rate downsampled, time-dependent
  • FIG. 2 shows the structure of an ANN.
  • connecting lines arranged between neurons of an input layer 200 and an intermediate layer 210 are shown by dashed lines only for the purpose of illustration.
  • the KNN includes an input layer 200, at least one hidden layer 210, and an output layer 220.
  • Input node or input neuron 201-205 of input layer 200 is physically (electrically, optically, etc.) or logically connected to each hidden neuron 211-216 disposed in intermediate layer 210 via predetermined weighting factors 207.
  • Each hidden neuron 211-216 disposed in the intermediate layer 210 overlaps with each output neuron 221 disposed in the output layer 220
  • predetermined weighting factors 207 connected. Should the ANN have more than one hidden interlayer 210, then all of the input neurons 201-205 are connected to each neuron located in the first interlayer 210 via predetermined weighting factors, with each neuron of a previous hidden interlayer connected to each neuron of the subsequent hidden interlayer via predetermined weighting factors and wherein all neurons of the last hidden intermediate layer are connected to each output neuron of the output layer 220.
  • Each neuron carries out, in a manner known per se, a summation of the values provided by the respective preceding layer and each acted upon with given weighting factors and evaluates the resulting sum by means of a neural function.
  • the result of this evaluation represents the initial value of the respective neuron.
  • known functions such as e.g. the linear function, the sigma function, the hyperbolic tangent ("hyperbolic tangent") or the sign function.
  • the single output neuron 221 disposed in the output layer 220 in the present embodiment provides the output values of the entire KNN 42.
  • the input layer 200 and the output layer 220 are connected to the surroundings of the KNN 42, in the present embodiment with the downsampler 41 and the output unit 50, whereas the said concealed layers or intermediate layers 210 are not directly accessible from the outside.
  • the KNN 42 even with the use of only a few neurons of the input layer 200, in the present embodiment, 5 neurons, and only 6 arranged in the hidden layer 210 neurons, independent of the material of the target object distance data with a maximum error of only 2.65% and a mean error of 0.79%. This roughly corresponds to the accuracy obtained with an KNN topology with 24 input nodes or neurons and 20 hidden neurons.
  • the reduced topology can therefore be implemented in a common microcontroller 4, which delivers the results of the aforementioned calculation in a relatively short time. So will be at one with 24 MHz and a 32 bit wide
  • Data path powered microcontroller 36 multiplies at 7 functions less than 200 [is required computing time.
  • the described distance sensor 1 is suitable for determining the distance, the spatial orientation, the thickness and / or the material properties of a metallic target object 2 to be measured, which is in spatial proximity to the said primary
  • Sensor element 1 1, 12 is arranged, and provides at the sensor output 60, a corresponding signal or result data.
  • the transmitter coil 1 1 by one of a
  • Waveform generator 14 supplied, non-periodic (transient) current signal, wherein the excitation signal is amplified by the operational amplifier 13.
  • Waveform generator 14 is triggered by a trigger signal 6 provided by timing unit 20.
  • the transmitter coil 1 1 generates a time-varying (i.e., transient) magnetic field in the vicinity of the sensor 1. Due to the temporal change behavior and the inhomogeneity of this magnetic field, a voltage is induced in the at least one receiver coil 12. In the case where a target metallic object 2 is placed near the primary sensor element, the changing magnetic field generates
  • Transmitter coil 1 1 in the target object 2 eddy currents and causes there a magnetic
  • the target object 2 is magnetically polarized, which in turn reacts on the magnetic field generated by the transmitter coil 1 1 and this modified, whereby the time course of the induced voltage in the receiver coil 12 changes accordingly.
  • the induced voltage in the receiver coil 12 is determined by means of
  • the AD converter 31 Parallel to the delivery of the trigger signal 6, the AD converter 31 performs a periodic
  • the waveform 9 is obtained by means of the step down counter 41 reduced in the sampling rate and fed to the KNN 42 as input data 70.
  • the KNN 42 generates output data 80 from the input data 70.
  • Sensor output data 60 are generated from the output data 80 by means of an output unit 50.
  • Data acquisition based on equal sampling intervals and subsequent downsampling can also be detected on the basis of unequal sampling intervals.
  • Temperature changes cause characteristic changes in the waveform and thus also corresponding changes in the measured waveform.
  • temperature-dependent waveforms are used as input data as well
  • the KNN 42 delivers temperature-independent under normal operating conditions
  • the temperature-dependent waveform in particular at medium or larger target object distances, can be regarded as an additive component of the digitized waveform 9. Therefore, with known temperature dependence of the sensor system, training data for different temperatures and different target materials, target distances, etc., can be generated by extrapolation of actually measured data, even if these data are among the
  • Temperature conditions are detected in the manufacture of the sensors.
  • the measurement signal 8 is not only the result of the currents induced in the target object 2 and the magnetic polarization occurring there, but also of structural features of the distance sensor 1 and the environment 3 of the sensor 1.
  • the metal influences the measurement results , Therefore, the time profile of the measurement signal 8 is influenced or determined as a whole by the electrical conductivity as well as the magnetic permeability of the target object, the structural features of the sensor 1 and its surroundings 3, as well as their size, shape, position and orientation. Therefore, the input data 70 is in any case sufficient to generate the said output data.
  • the abovementioned downsampling is therefore carried out in order to generate the smallest possible subset of the digitized waveform 9, which is sufficient to be able to calculate the result data or result signals present at the output 60 of the sensor 1 with predetermined accuracy Decreasing the sample rate thus provides a beneficial reduction in the hardware resources required to implement the KNN 42, by reducing the
  • excitation pulse It is therefore advantageous to sample the measurement signal in an odd-numbered or low-sampling rate after rapid transient detection or recording has already taken place.
  • the input data 70 may also be composite data consisting of a subset of the digitized converted waveform 9 and the digitized values of measured disturbance parameters, e.g. the temperature, are formed. This ensures trouble-free sensor operation. Physical sizes like that
  • Target object distance and physical disturbances such as the temperature, such as existing external magnetic fields, etc. influence the measuring signal 8 in a certain way. Therefore, at the input of the KNN 42 present information on these physical quantities can be used to decouple the measurement signal from the said disturbing effects.
  • the output unit 50 converts the output data 80 into sensor output data.
  • each output date of the sensor 1 is the result of a simple mathematical calculation or evaluation of a given threshold using logic operations, the respective output signal applied to the output 60 being physically generated by a voltage or current source, and an output 60 attached signal additionally by means of a
  • the Power amplifier can be amplified.
  • the sensor output signal is also a data format or conventional signal type common in industrial distance sensors and proximity switches.
  • the sensor output may e.g. one
  • the KNN 42 has at least one output layer 220 through which the the
  • the KNN is able to provide correct output data 80 to the measured input data 70.
  • the named weightings of KNN 42 are iteratively adapted to available input data 70 and the expected output data 80 in a manner known per se.
  • the resulting weighting values are stored in the system memory of the microcontroller 4.
  • the KNN-based signal evaluation unit 41 carries out the following work steps for training purposes.
  • the declaration of the structure and the dimensions of the KNN 42 takes place in step 405.
  • the following steps 410 and 415 represent the actual training phase 420.
  • the collection of data records is carried out to obtain a knowledge-based database generate, by means of which the KNN 42 is to be trained.
  • the KNN 42 is to be trained.
  • a suitable training method is e.g. the Levenberg-Marquardt algorithm, which is known per se, in which the weighting factors are changed both between the input layer and the associated neurons as well as between neurons and associated output layer until correct output data (ie distance values or the like) is obtained for each input vector (ie measurement signal). result. Since the values of such an input vector are dependent on the material of the target object, the KNN 42 can learn to calculate the correct distance or the like for any material.
  • step 425 a test of the sensor functions is then performed with the appropriately trained KNN 42. If necessary, after checking the accuracy (step 430) of the resulting sensor data, a repetition of said steps occurs (conditional return 432 to step 415) the structure and the topology of the KNN 42 can be optimized in order to achieve the required accuracy In addition, a dashed line, optional return path 434 is provided, which is used, for example, when the required accuracy is not reached several times and therefore the conclusion is drawn may that the training data itself is faulty or are insufficient. If the accuracy resulting from test 430 is sufficient, the routine is ended at step 435.
  • the actual training of KNN 42 begins with the compilation of a training record, in the form of a field (arrays) of training-dedicated input data sets 70 for KNN 42.
  • These input data sets 70 comprise sampled-rate digitized signal waveforms for the transmitter 10 and one on the temperature-related size.
  • the temperature-related variable can be measured in a conventional manner by means of a heat-dependent resistor (thermistor).
  • the aforementioned training data include a plurality of target object distances, target material, target object shapes, and target orientations of the target
  • Target as well as data measured for different temperatures.
  • the training data are generally generated under fixed temperature conditions prevailing in the manufacture of the sensors, so that the corresponding signal waveforms for different temperatures still have to be obtained by extrapolation. Extrapolation can be based on empirically obtained temperature behavior.
  • the measuring conditions such. Material properties, geometry and distance of the target object 2 as well as optionally the
  • Material properties and the geometry of the environment 3 considered numerical data. These measurements are performed repeatedly, but avoiding the over-training of CNN 42.
  • the learning ability of KNN 42 can be increased by providing some of the data available for training
  • said characteristic curve of the sensor preferably represents a linear or at least strictly monotonically variable curve as a function of the target distance, which enables a very effective and relatively simple evaluation of the result data.
  • the characteristic curve is independent of the ambient or operating temperature and the respective material of the target object.
  • the output signal of the sensor represents a conventional voltage signal already mentioned above for distance sensors used in industry.
  • the output signal may also be formed by an analog current or a digital signal.
  • the operation of the sensor 1 can be preset very varied by means of training, so that very different applications are possible.
  • the sensor can be trained to provide an output signal specific to the particular material of the target object and / or to discriminate between ferromagnetic and non-ferromagnetic material of the target object.
  • the sensor 1 may be trained as a metal detector or coin sorter, or as a sensor for measuring the thickness of the target object or the like.
  • inventive sensor 1 is only preferred and the sensor can also be realized with the function of a position sensor or proximity switch. in case of a
  • the senor can also be trained so that it works either material-independently or material-selectively, either material-dependent detected or the detection material can be denied dependent.
  • the input data 70 of the KNN 42 can be evaluated in at least two neurons of the output layer 220 either by a numerical hysteresis comparator or by encoding a step function as an evaluation function.
  • the topology shown in FIG. 2 is to be modified for this purpose and the only one output neuron 221 is to be modified by at least two
  • An example of a suitable topology having three output neurons is the KNN 42 shown in FIG. 1.
  • the KNN 42 is trained to switch to one of the outputs of the KNN 42 when the measured distance between the sensor and the target object reaches or exceeds the upper threshold on a given hysteresis curve and that is switched to another output when the measured distance between the sensor and the target reaches or falls below a lower threshold on the hysteresis curve.
  • the sensor outputs 60 are in each case updated on the basis of the output data 80 of the output unit 50 ("updated").
  • step 500 in FIG. 5 the downstroke 41 initially provides input data to the KNN 42.
  • step 505 the evaluation takes place by means of the hysteresis comparator or the mentioned step function or threshold.
  • step 510 it is checked whether the value of the measured distance provided by the KNN 42 is the said upper threshold
  • step 520 Checks whether the value of the measured distance supplied by the KNN 42 falls below the said lower threshold. If this condition is met, the sensor output is switched to the 'OFF' state in step 525. If neither of these two conditions is met, the sensor output is not changed or switched over.
  • the evaluation of a hysteresis curve can be performed by means of a reduced KNN topology in which only a single output binary neuron (i.e., connected to the input layer) is provided.
  • FIG. 3 shows the results in the form of a characteristic curve in which distance data supplied by KNN 42 are plotted using reference data measured in a separate way. In this case, distance data obtained at 2, 3, 4 and 5 mm were evaluated.
  • the different materials of the target object are copper (Cu), aluminum (AI), V2A steel (V2A) and EC80 mild steel or tempered steel with the steel key EC80 (EC80).
  • the KNN 42 was "fed” with the corresponding sensor data at its input layer 200 and recorded at the output 220 of the KNN 42 resulting output data.
  • the data shown in Figure 6 illustrates the high quality of the results of KNN 42, i. the resulting distance data are very close to or on a linear curve also drawn there (dashed line). Accordingly, the distance values calculated by the ANN are correct and, in particular, independent of the material of the target object, since all curves (with the sole exception of V2A) are very precisely superimposed.
  • the KNN 42 already provides sufficiently precise data even when only a few network nodes or neurons are used (eg 5 as in FIG. 2) and a correspondingly reduced data set to be evaluated, and the CNN 42 is therefore in a conventional microcontroller 4,

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measurement Of Length, Angles, Or The Like Using Electric Or Magnetic Means (AREA)

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.
PCT/DE2013/000155 2013-03-19 2013-03-19 Induktiver wegmesssensor und verfahren zu seinem betrieb WO2014146623A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
DE112013006849.4T DE112013006849A5 (de) 2013-03-19 2013-03-19 Induktiver Wegmesssensor und Verfahren zu seinem Betrieb
US14/778,219 US10209097B2 (en) 2013-03-19 2013-03-19 Inductive displacement measuring sensor and method for operating the latter
CN201380075585.7A CN105122009B (zh) 2013-03-19 2013-03-19 电感式位移测量传感器和用于操作所述传感器的方法
PCT/DE2013/000155 WO2014146623A1 (de) 2013-03-19 2013-03-19 Induktiver wegmesssensor und verfahren zu seinem betrieb

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/DE2013/000155 WO2014146623A1 (de) 2013-03-19 2013-03-19 Induktiver wegmesssensor und verfahren zu seinem betrieb

Publications (1)

Publication Number Publication Date
WO2014146623A1 true WO2014146623A1 (de) 2014-09-25

Family

ID=48170382

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2013/000155 WO2014146623A1 (de) 2013-03-19 2013-03-19 Induktiver wegmesssensor und verfahren zu seinem betrieb

Country Status (4)

Country Link
US (1) US10209097B2 (de)
CN (1) CN105122009B (de)
DE (1) DE112013006849A5 (de)
WO (1) WO2014146623A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016095882A1 (de) 2014-12-16 2016-06-23 Balluff Gmbh Berührungsloser positions-/abstandssensor mit einem künstlichen neuronalen netzwerk und verfahren zu seinem betrieb
EP3829064A1 (de) * 2019-11-28 2021-06-02 Sick Ag Sensoren zum ermitteln eines ausgabewerts, verfahren zum auswerten eines sensorsignals und verfahren zum trainieren einer ausgabeeinheit zum auswerten eines sensorsignals
EP3968520A1 (de) 2020-09-10 2022-03-16 Sick Ag Sensor zur erfassung eines objekts und verfahren zur auswertung eines sensorsignals
DE102016115015C5 (de) 2016-08-12 2023-01-26 Sick Ag Induktiver Näherungssensor

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPWO2019048985A1 (ja) * 2017-09-06 2020-10-29 株式会社半導体エネルギー研究所 蓄電システム、車両、電子機器及び半導体装置
DE102020107229A1 (de) * 2020-03-17 2021-09-23 Balluff Gmbh Verfahren zum Betrieb eines absolut messenden Positionserfassungssystems mit einem einspurigen Magnetcodeobjekt
DE102021000157A1 (de) 2021-01-15 2022-07-21 Pepperl+Fuchs Se lnduktive Annäherungssensoreinheit und Verfahren zur Störungsüberprüfung bei einer induktiven Annäherungssensoreinheit
DE102021000156A1 (de) 2021-01-15 2022-07-21 Pepperl+Fuchs Se lnduktive Annäherungssensoreinheit und Verfahren zur Bestimmung einer Objekteigenschaft eines metallischen Erfassungskörpers
EP4306910A1 (de) * 2022-07-11 2024-01-17 Melexis Technologies SA Magnetisches positionssensorsystem, vorrichtung und verfahren

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4201502A1 (de) * 1992-01-21 1993-07-22 Siemens Ag Verfahren und anordnung zur elektrischen wirbelstrompruefung
US5898304A (en) 1994-09-22 1999-04-27 Micro-Epsilon Messtechnik Gmbh & Co. Kg Sensor arrangement including a neural network and detection method using same
US20020059022A1 (en) * 1997-02-06 2002-05-16 Breed David S. System for determining the occupancy state of a seat in a vehicle and controlling a component based thereon
EP2124044A1 (de) * 2008-05-20 2009-11-25 Siemens Aktiengesellschaft Verfahren zum Bestimmen und Bewerten von Wirbelstromanzeigen, insbesondere von Rissen, in einem Prüfgegenstand aus einem elektrisch leitfähigen Material

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9023909D0 (en) * 1990-11-02 1990-12-12 Secr Defence Radar apparatus
US5835613A (en) * 1992-05-05 1998-11-10 Automotive Technologies International, Inc. Optical identification and monitoring system using pattern recognition for use with vehicles
US7660437B2 (en) * 1992-05-05 2010-02-09 Automotive Technologies International, Inc. Neural network systems for vehicles
US6397136B1 (en) 1997-02-06 2002-05-28 Automotive Technologies International Inc. System for determining the occupancy state of a seat in a vehicle
US5485908A (en) 1994-07-12 1996-01-23 Coin Acceptors, Inc. Pattern recognition using artificial neural network for coin validation
US5742741A (en) * 1996-07-18 1998-04-21 Industrial Technology Research Institute Reconfigurable neural network
GB2366651A (en) * 2000-09-08 2002-03-13 Ncr Int Inc Evaluation system
DE10117218A1 (de) 2001-04-06 2002-10-17 Daimler Chrysler Ag Verfahren zur Positions-oder Geschwindigkeitsbestimmung eines Ankers
US6819790B2 (en) * 2002-04-12 2004-11-16 The University Of Chicago Massive training artificial neural network (MTANN) for detecting abnormalities in medical images
CN2809640Y (zh) 2005-07-15 2006-08-23 华南理工大学 一种结构缺陷超声在线智能识别系统
CN1743839A (zh) 2005-07-15 2006-03-08 华南理工大学 一种结构缺陷超声在线智能识别系统及识别方法
IL172480A (en) * 2005-12-08 2011-11-30 Amir Zahavi Method for automatic detection and classification of objects and patterns in low resolution environments
EP1992939A1 (de) * 2007-05-16 2008-11-19 National University of Ireland, Galway Kornbasiertes Verfahren und Vorrichtung für die Klassifizierung von Materialien oder Chemikalien sowie zur Quantifizierung der Eigenschaften von Materialien oder Chemikalien in Mischungen mittels spektroskopischer Daten
KR100936892B1 (ko) * 2007-09-13 2010-01-14 주식회사 엘지화학 배터리의 장기 특성 예측 시스템 및 방법
CN102050366B (zh) 2009-11-05 2013-02-13 上海三菱电梯有限公司 人数检测装置及方法
CN101706882B (zh) * 2009-11-23 2013-04-03 浙江大学 基于嵌入式平台的神经网络模型在线训练方法
CN102269972B (zh) 2011-03-29 2012-12-19 东北大学 基于遗传神经网络的管道压力缺失数据补偿方法及装置
CN102402835A (zh) 2011-11-27 2012-04-04 哈尔滨功成科技创业投资有限公司 一种智能家居安全监测系统
US9599576B1 (en) * 2013-03-06 2017-03-21 Nokomis, Inc. Acoustic—RF multi-sensor material characterization system

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4201502A1 (de) * 1992-01-21 1993-07-22 Siemens Ag Verfahren und anordnung zur elektrischen wirbelstrompruefung
US5898304A (en) 1994-09-22 1999-04-27 Micro-Epsilon Messtechnik Gmbh & Co. Kg Sensor arrangement including a neural network and detection method using same
US20020059022A1 (en) * 1997-02-06 2002-05-16 Breed David S. System for determining the occupancy state of a seat in a vehicle and controlling a component based thereon
EP2124044A1 (de) * 2008-05-20 2009-11-25 Siemens Aktiengesellschaft Verfahren zum Bestimmen und Bewerten von Wirbelstromanzeigen, insbesondere von Rissen, in einem Prüfgegenstand aus einem elektrisch leitfähigen Material

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016095882A1 (de) 2014-12-16 2016-06-23 Balluff Gmbh Berührungsloser positions-/abstandssensor mit einem künstlichen neuronalen netzwerk und verfahren zu seinem betrieb
US10796222B2 (en) 2014-12-16 2020-10-06 Balluff Gmbh Contactless position/distance sensor having an artificial neural network and method for operating the same
DE102016115015C5 (de) 2016-08-12 2023-01-26 Sick Ag Induktiver Näherungssensor
EP3829064A1 (de) * 2019-11-28 2021-06-02 Sick Ag Sensoren zum ermitteln eines ausgabewerts, verfahren zum auswerten eines sensorsignals und verfahren zum trainieren einer ausgabeeinheit zum auswerten eines sensorsignals
US11573100B2 (en) 2019-11-28 2023-02-07 Sick Ag Sensors for determining an output value, method for evaluating a sensor signal, and method for training an output unit to evaluate a sensor signal
EP3968520A1 (de) 2020-09-10 2022-03-16 Sick Ag Sensor zur erfassung eines objekts und verfahren zur auswertung eines sensorsignals
US12007229B2 (en) 2020-09-10 2024-06-11 Sick Ag Sensor for detecting an object and method of evaluating a sensor signal

Also Published As

Publication number Publication date
CN105122009A (zh) 2015-12-02
US20160076912A1 (en) 2016-03-17
CN105122009B (zh) 2017-09-15
US10209097B2 (en) 2019-02-19
DE112013006849A5 (de) 2015-12-03

Similar Documents

Publication Publication Date Title
WO2014146623A1 (de) Induktiver wegmesssensor und verfahren zu seinem betrieb
EP2389564B1 (de) Verfahren zum induktiven erzeugen eines elektrischen messsignals sowie zugehörige sensorvorrichtung
DE10014348B4 (de) Vorrichtung zur zerstörungsfreien Messung der Dicke dünner Schichten
EP0782692B1 (de) Sensoranordnung und verfahren zur messwerterfassung mit der sensoranordnung
EP2511736B1 (de) Vorrichtung und Verfahren zur Detektion von elektrisch leitfähigen Gegenständen
EP2312338A1 (de) Vorrichtung und Verfahren zur Detektion von elektrisch leitfähigen Gegenständen
EP3282586B1 (de) Induktiver näherungssensor
EP3293499B1 (de) Verfahren zum betreiben eines magnetisch-induktiven durchflussmessgeräts und magnetisch-induktives durchflussmessgerät
WO2016095882A1 (de) Berührungsloser positions-/abstandssensor mit einem künstlichen neuronalen netzwerk und verfahren zu seinem betrieb
DE202018006650U1 (de) Elektronisches Gerät mit induktivem Sensor
WO2007048395A1 (de) Ausleseverfahren für sensorfelder, insbesondere für fingerabdruck-sensoren
DE102010039528A1 (de) Kapazitive und/oder induktive Abstandsmessung
EP2318850B1 (de) Anordnung zur messung wenigstens eines wertes einer an einer elektronischen komponente anliegenden spannung
EP2981851B1 (de) Objektsuchgerät und verfahren zum orten eines metallischen und/oder magnetisierbaren objekts
EP3829064B1 (de) Sensoren zum ermitteln eines ausgabewerts, verfahren zum auswerten eines sensorsignals und verfahren zum trainieren einer ausgabeeinheit zum auswerten eines sensorsignals
DE102017128472A1 (de) Induktiver Näherungsschalter und Verfahren zum Betreiben eines induktiven Näherungsschalters
EP2108963A2 (de) Anordnung zum Erfassen einer Drehung eines Drehelements
EP2550540B1 (de) Verfahren zum erkennen von magnetisch gekennzeichneten objekten sowie entsprechende vorrichtung
DE19948892A1 (de) Impulsdetektor und Verfahren zur Detektion von sinusförmigen Impulsen
EP3968520B1 (de) Sensor zur erfassung eines objekts und verfahren zur auswertung eines sensorsignals
DE102017128471A1 (de) Induktiver Näherungsschalter und Verfahren zum Betreiben eines induktiven Näherungsschalters
DE102008064544A1 (de) Positions-/Wegmesssystem und Verfahren zur Bestimmung der Position eines Gebers
AT404408B (de) Verfahren und vorrichtung zur untersuchung eines mediums
DE102019131873A1 (de) Induktive Sensoranordnung und Betätigungsanordnung
WO2018220079A1 (de) Induktiver touch-sensor und verfahren zum betreiben eines solchen

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13718090

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 14778219

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 1120130068494

Country of ref document: DE

Ref document number: 112013006849

Country of ref document: DE

REG Reference to national code

Ref country code: DE

Ref legal event code: R225

Ref document number: 112013006849

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13718090

Country of ref document: EP

Kind code of ref document: A1