电感式位移测量传感器和用于操作所述传感器的方法

摘要

一种用于测量目标物体(2)的距离、空间方位、厚度、材料性质等等的电感式位移测量传感器，所述传感器具有：发射器元件(11)，其发射脉冲信号；以及接收器元件(12)，其用于检测在所述目标物体(2)中由所述发射的脉冲信号引起的脉冲响应，特别是为使用人工神经网络(42)立即评估所述检测的脉冲响应做准备。

权利要求

1.一种用于测量目标物体(2)的距离、空间方位、厚度、材料性质的电感式位移测量传感器，所述传感器具有：发射器元件(11)和接收器元件(12)，其特征在于，所述发射器元件(11)发射非周期性脉冲信号，以及所述接收器元件(12)检测在所述目标物体(2)中由所述发射的非周期性脉冲信号引起的脉冲响应，其中，借助于人工神经网络(42)立即评估所述检测的脉冲响应，即，不进行频谱分析。

2.根据权利要求1所述的位移测量传感器，其特征在于，所述人工神经网络(42)被布置在信号评估单元(40)中，所述信号评估单元(40)被整合到微控制器(4)中。

3.根据权利要求2所述的位移测量传感器，其特征在于，所述信号评估单元(40)包括用来降低采样数的下采样器(41)。

4.根据权利要求2所述的位移测量传感器，其特征在于，所述人工神经网络(42)的输入数据(70)是借助于具有不相等的采样间隔的数据检测来生成。

5.根据前述权利要求中的一项所述的位移测量传感器，其特征在于，所述人工神经网络(42)具有少于十个的节点和少于十二个的神经元布置在隐蔽层(210)中。

6.根据权利要求5所述的位移测量传感器，其特征在于，所述人工神经网络(42)具有五个节点和六个神经元布置在所述隐蔽层(210)中。

7.根据权利要求1所述的位移测量传感器，其特征在于，所述人工神经网络(42)供应的结果不取决于所述目标物体(2)的材料并且不取决于周围温度和/或所述位移测量传感器的温度。

8.根据权利要求1所述的位移测量传感器，其特征在于，所述人工神经网络(42)供应的结果取决于所述目标物体(2)的材料。

9.根据权利要求1所述的位移测量传感器，其特征在于，所述传感器的输出是由所述目标物体距离的线性函数形成。

10.一种用于操作根据前述权利要求中的一项所述的位移测量传感器(1)的方法，其特征在于，评估所述人工神经网络(42)的输入数据(70)，其中如果由所述人工神经网络(42)供应的结果超过上临界值，将所述传感器的输出切换成第一状态；如果由所述人工神经网络(42)供应的结果低于下临界值，将所述传感器的输出切换成第二状态。

11.根据权利要求10所述的方法，其特征在于，所述输入数据(70)的所述评估借助于滞后比较器或阶梯函数而发生。

说明书

电感式位移测量传感器和用于操作所述传感器的方法

技术领域

[0001] 本发明涉及电感式位移测量传感器和用于操作所述传感器的方法。

背景技术

[0002] 以无接触方式工作的电感式位移测量系统是测量技术领域中已知的。因此，具有人工神经网络(ANN)的对应传感器布置出现在US 5,898,304A1中，其中提供了测量线圈和评估单元，用来进行对测量信号的检测、处理和评估。

[0003] 其中所描述的ANN包括输入层、至少一个(隐蔽的)中间层、输出层，以及在两个单独层之间的连接点处提供的加权。在学习阶段确定相应加权因数的适合值，在所述学习阶段中，在具有已知材料并且与传感器隔开已知距离的数个不同目标物体上进行测试测量。传感器布置应适于不取决于相应目标物体的材料来确定距离和厚度。

[0004] 在所提及的位移测量系统中，由测量线圈测量的电感数据需要借助于人工神经网络(ANN)进行频谱分析。这样做的依据是测量的频谱对与目标物体相隔的空间距离的相依性。在频谱分析期间，对测量的瞬时不同的电压和电流变量执行特别是数值计算，这意味着相当大的计算工作量，并且阻碍了传感器的紧凑构造方法以及节约成本的实现方式。

发明内容

[0005] 本发明的目标是指定在开头提及的类型的电感式位移测量传感器，其消除了所提及现有技术的缺点。

[0006] 本发明是基于如下认识：这里涉及的位移测量系统或对应的位移测量传感器不需要所提及的频谱分析，因为与测量的瞬时变化信号相比，计算出的频率频谱并不包含额外信息，所述频率频谱是根据所述信号计算出的。另外，根据目前的研究结果，在基于ANN的频率频谱评估时没有发现对距离测量有用的频谱或时间特征。

[0007] 与此相反，本发明提出直接借助于ANN，即，在无需中间频谱分析的情况下，来评估由测量线圈检测到的瞬时变化信号。优选因此由ANN评估来自要测量的目标物体的脉冲响应，所述脉冲响应是由发射器线圈所发射的非周期性(瞬态)信号引起。脉冲响应大致上是由在目标物体中感生的涡电流和磁性极化生成。ANN供应目标物体的距离数据作为输出信号。

[0008] 根据本发明的位移测量传感器具有特性线，所述特性线不取决于周围温度或传感器的操作温度以及将被测量的目标物体的相应材料。在这个特性线中，应用由位移测量传感器供应的结果数据(例如，距离数据)，对上(versus)以另一种方式确定的实际距离。针对根据本发明的位移测量传感器产生的特性线优选地形成为线性的，或表示至少严格单调运行的曲线。在线性进程的理想情况中，特性线的梯度大致上对应于值1。

[0009] 由于借助于ANN直接评估电感检测的测量信号，即，在不要求中间频谱分析的情况下，这样大大减少了传感器结果的硬件开支，因此，与现有技术相比，实现了紧凑得多的构造。例如，从而允许将ANN和另外要求的逻辑电路整合到微控制器中，因此可明显减少生产成本。

[0010] 根据本发明的电感式位移测量传感器适于确定将被测量的金属目标物体的距离、空间方位、厚度和材料性质，具有本文描述的优点。

[0011] 必须注意，可根据传感器的使用目的以如下这种方式对ANN进行配置或编程：实现了特定于材料的测量，而不是所提及的不取决于材料的测量。

[0012] 还必须强调，位移测量传感器可以只是优选地用于电感式工作的位移测量系统，并且根本上也能够在具有本文针对非电感式工作的位移测量系统所描述的优点的情况下使用，其中评估对应的脉冲响应。非电感式工作的位移测量传感器的实例是光学方式、听觉方式(超声)或以电容方式工作的传感器。

附图说明

[0013] 图1借助于框图、使用距离传感器的实例，展示了根据本发明的位移测量传感器的示例性实施方案；

[0014] 图2展示人工神经网络(ANN)的示例性实施方案；

[0015] 图3示出在测量信号之间的典型的瞬时连接、数字化波形和输入数据；

[0016] 图4展示根据本发明的用来示教或训练图1所示的距离传感器的方法的示例性实施方案；

[0017] 图5使用接近开关的实例来展示根据本发明的用于操作图1所示的距离传感器的方法的示例性实施方案；

[0018] 图6展示特性线图，用来比较用ANN计算出的距离数据与以另一种方式测量的参考数据。

具体实施方式

[0019] 图1所示的电感式距离传感器1包括：(模拟)传感器或测量变换器10、计时单元20、用来使检测信号数字化的数字化单元30、信号评估单元40以及输出单元50。在示例性实施方案中，提及的功能部件布置在单个壳体5中。计时单元20、数字化单元30以及信号评估单元40具体是在微控制器4中实施。距离传感器1另外还包括这里没有展示的电压供应源。

[0020] 测量变换器10包括至少一个发射器线圈11、至少一个接收器线圈12、用于发射器线圈11的运算放大器13、触发的波形发生器14以及运算放大器15，所述运算放大器15连接至接收器线圈12并且处理分别被施加的信号。发射器线圈11和接收器线圈12表示距离传感器1的主要传感器元件。

[0021] 数字化单元30包括A/D转换器31和用来存储波形的存储器32。信号评估单元40包括用于减少采样数的下采样器41以及人工神经网络(ANN)42。这个布置允许借助于ANN 42直接评估目标物体2的取决于时间的(瞬态)脉冲响应，所述脉冲响应相对于采样率被下采样。

[0022] 图2展示ANN的结构。在图2中，只是为了描述目的，将布置在输入层200和隐蔽层210的神经元之间的连接线标记为虚线。

[0023] 所述ANN包括输入层200、至少一个不可见层或隐蔽层210以及输出层220。输入层200的每一个输入节点或每一个输入神经元201-205通过预先确定的加权因数207以物理方式(电、光学等等)或逻辑方式连接至布置在隐蔽层210中的每一个隐蔽神经元211-216。布置在隐蔽层210中的每一个隐蔽神经元211-216通过预先确定的加权因数207连接至布置在输出层220中的每一个输出神经元221。

[0024] 如果所述ANN具有超过一个隐蔽层210，那么所有输入神经元201-205通过预先确定的加权因数连接至布置在第一隐蔽层210中的每一个神经元，其中前一个隐蔽层的每一个神经元通过预先确定的加权因数连接至后一个隐蔽层的每一个神经元，并且其中最后一个隐蔽层的所有神经元连接至输出层220的每一个输出神经元。

[0025] 每一个神经元以本质上已知的方式对由各个前一层提供的并且应用了预先确定的加权因数的值执行加法，并且借助于神经函数来评估所得的总和。这个评估的结果表示各个神经元的输出值。本质上已知的函数(例如像线性函数、sigma函数、双曲线切线(“tangens hyperbolicus”)或符号函数)被认为是神经函数。

[0026] 在本示例性实施方案中布置在输出层220中的唯一输出神经元221提供整个ANN 42的输出值。输入层200和输出层220连接至ANN 42的周围，在本示例性实施方案中，连接至下采样器41和输出单元50，而提及的隐蔽层210不可从外部直接进入。

[0027] 在目前的研究中，产生了惊人的结果：当只使用输入层200中的很少神经元(并且实际上在本示例性实施方案中是5个神经元)以及布置在隐蔽层210中的6个神经元时，ANN 42已经供应了不取决于目标物体的材料的距离数据，其中最大误差只有2.65％，以及平均误差是0.79％。这大致对应于具有24个输入节点或神经元和20个隐蔽神经元的ANN拓扑所获得的准确性。

[0028] 比较由这两个拓扑中的每一个产生的计算工作量，结果如下：两个拓扑中较大的一个需要24*20+20＝500次乘法、500次加法以及评估25个函数。与此相反，减小的或简化的拓扑只需要6*5+6＝36次乘法、36次加法以及评估7个函数。根据这种情况，与较大的拓扑相比，减小的拓扑对硬件资源的要求大大减少。因此，减小的拓扑可在当前的微控制器4中实现，从而在相对短的时间内供应所提及的计算结果。因此，对于以24MHz和32位宽的数据通道来操作的微控制器36，为7个函数完成36次乘法所需的计算时间不到200μs。

[0029] 描述的距离传感器1适于确定要测量的金属目标物体2的距离、空间方位、厚度和/或材料性质，所述目标物体2布置成在空间上接近提及的主要传感器元件11、12，并且向传感器输出端60供应对应的信号或结果数据。

[0030] 从图1还可以看出，发射器线圈11由非周期性(瞬态)电流信号激励，所述电流信号由波形发生器14供应，其中激励信号由运算放大器13放大。波形发生器14由触发信号6触发，所述触发信号6由计时单元20供应。发射器线圈11在传感器1周围生成瞬时变化(即，瞬态)的磁场。由于这个磁场的瞬时变化特性以及不均匀性，在至少一个接收器线圈12中感生电压。在金属目标物体2定位成接近主要传感器元件的情况下，发射器线圈11的变化磁场在目标物体2中生成涡电流，并且在目标物体2中造成磁性极化。另外，目标物体2被磁性极化，目标物体2转而对由发射器线圈11生成的磁场作出反应并修改这个磁场，因此在接收器线圈12中感生的电压的时间进程也相应地改变。在接收器线圈12中感生的电压借助于信号处理运算放大器15放大，并且产生测量信号8。

[0031] 与触发信号6的发射平行的是，AD转换器31进行测量信号8的周期性转换，这是由计时单元20所发射的计时器信号来触发的并且由A/D转换产生。因此转换后信号的目前数字化值各自存储在波形存储器32中，并且实际上存储到已转换预先确定数量的样本为止。波形存储器32将数字化值的目前、完整的集合存储为转换后信号的数字化波形9。视情况，波形9借助于下采样器41下采样，并且作为输入数据70供应给ANN 42。ANN 42根据输入数据
70生成输出数据80。借助于输出单元50从输出数据80来生成传感器输出数据60。

[0032] 必须注意，作为基于相等的采样间隔以及随后的下采样的所描述数据检测的替代，也可基于不相等的采样间隔来检测输入数据70。

[0033] 从图3可以看出在测量信号8、数字化波形9和输入数据70之间的瞬时连接。已知的是，温度变化会引起波形的特性变化，并且因此引起测量波形的对应变化。在ANN 42的训练期间，取决于温度的波形因此被用作输入数据，以及对应的目标物体距离。有了这个数据，ANN 42在正常操作条件下供应不取决于温度的输出数据。

[0034] 还已知的是，取决于温度的波形，特别是在中等尺寸或更大的目标物体距离的情况下，可被认为是数字化波形9的加成分量。因此，在已知传感器系统的温度相依性的情况下，针对各种温度和不同目标物体材料、目标物体距离等等的训练数据可通过对实际测量数据进行外推来生成，即使这个数据是在传感器生产期间的温度条件下检测的。

[0035] 测量信号8不只是在目标物体2中感生的电流和目标物体2中发生的磁性极化的结果，而且还是距离传感器1的结构特征以及距离传感器1的周围环境3的结果。因此，在传感器具有金属壳体5的情况下，金属会影响测量结果。因此，测量信号8的时间进程总体上受到目标物体的电导率和磁导率、传感器1的结构特征和传感器1的周围环境3以及传感器1的尺寸、形状、位置和方位的影响或由上述各项确定。因此，在任何情况下，输入数据70均足以生成提及的结果或输出数据。

[0036] 因此发生提及的下采样，以便生成数字化波形9的子集，所述子集尽可能小，并且所述子集足以能够以预先确定的准确性来计算出现在传感器1的输出端60处的结果数据或结果信号。下采样因此导致实施ANN 42所必需的硬件资源的有利减少，并且这实际上是通过减少存储器要求以及输入神经元201-205和布置在隐蔽层210中的神经元的数目来导致的。

[0037] 关于金属目标物体对脉冲激励的取决于时间的响应或反应的目前研究表明：绝大多数可用信息与激励脉冲开始后的前15-20μs有关。因此，在快速瞬态检测或记录已经发生后，以奇数或用低采样率来采样测量信号是有利的。

[0038] 输入数据70也可以是构成的数据，所述数据是由数字化转换的波形9的子集以及测量的失真参数(例如，温度)的数字化值形成的。因此，确保了不取决于失真的传感器操作。物理变量(如目标物体距离和物理失真变量(如温度、目前的外部磁场)等等)会以某种方式影响测量信号8。因此，涉及这些物理变量的、出现在ANN 42的输入端处的信息可用于将测量信号与提及的失真效果分开。

[0039] 输出单元50将输出数据80转换为传感器输出数据。从数值上考虑，传感器1的每一段输出数据是使用逻辑操作对预先确定的临界值的简单数学计算或评估的结果，其中出现在输出端60处的各个输出信号根据物理学是由电压或电流源生成，并且其中出现在输出端60处的信号可另外借助于功率放大器放大。传感器输出信号还是数据格式或典型的信号类型，这对工业距离传感器和接近开关来说是典型的。例如，传感器输出信号可以提供4-20mA的输出电流或0-10V的输出电压，其中这些电流或电压在传感器的灵敏度范围内随着目标物体距离线性变化。

[0040] ANN 42具有至少一个输出层220，通过所述至少一个输出层220发射对应于目标物体2的测量距离或类似者的数据。在适当的示教或训练阶段后，ANN能够供应涉及测量的输入数据70的正确输出数据80。在训练程序期间，以本质上已知的方式重复地使提及的ANN 42的加权适应于可利用的输入数据70并且适应于预期的输出数据8。将其中所产生的加权值存入微控制器4的系统存储器中。

[0041] 如在图4中可以看出，为了训练目的，基于ANN的信号评估单元41执行以下的工作步骤。在所示例程开始400后，在步骤405中发生ANN 42的结构和三维尺寸的声明。以下的步骤410和415表示实际训练阶段420。在步骤410中，发生数据集检测，以便由此生成基于知识的数据库，将借助于所述基于知识的数据库来训练ANN 42。在步骤415中，基于提及的数据集，使用适合的训练方法发生训练的实施。一种适合的训练方法是，例如，本质上已知的Levenberg-Marquardt算法，其中加权因数在输入层和分配的神经元之间以及在神经元和分配的输出层之间均会变化，直到针对每一个输入矢量(即，测量信号)产生正确的输出数据(即，距离值或类似者)。因为这类输入矢量的值取决于目标物体的材料，所以ANN 42可以学会针对任何材料计算正确距离或类似者。

[0042] 在步骤425中，随后用对应训练后的ANN 42发生传感器功能的测试。必要时，在测试产生的传感器信息的准确性(步骤430)后，发生所提及步骤的重复(引起返回432至步骤415)。由于重复，ANN 42的结构和拓扑可被最优化，以便因此实现所要求的准确性。另外，提供了用虚线标记的任选返回通道434，如果未达到所要求的准确性，所述返回通道434例如将被使用多次，并且因此可得出如下结论：训练数据本身是有误差的或不足的。如果由测试
430产生的准确性足够，例程在步骤435处结束。

[0043] ANN 42的实际训练由构成训练数据集开始，并且所述训练数据集实际上呈针对训练所确定的用于ANN 42的输入数据集70的字段(阵列)的形式。这些输入数据集70包括用于变换器10的、下采样的数字化信号波形以及温度相关变量。温度相关变量可借助于取决于热量的电阻器(热敏电阻器)以本质上已知的方式来测量。

[0044] 提及的训练数据包括：多个目标物体距离、目标物体材料、目标物体形状和目标物体对准或目标物体的方位，以及针对不同温度所测量的数据。已经解释，训练数据通常是在传感器生产期间普遍存在的固定温度条件下生成的，以使得针对不同温度的对应信号波形必须通过外推法获得。凭经验获得的温度特性可以作为外推法的依据。另外，考虑了与测量条件有关的所述数值数据，测量条件例如像：目标物体2的材料性质、几何结构和距离，以及任选的是周围环境3的材料性质和几何结构。重复执行这些测量，但避免过度训练ANN 42。由于针对为训练提供的数据存在某种噪音，可以增加ANN42的学习能力。

[0045] 在已经进行训练后，提及的传感器的特性线优选地表示为随目标物体距离而变的线性曲线或至少严格单调变化的曲线，所述特性线实现了结果数据的高效和相对简单的评估。另外，特性线不取决于目标物体的周围或操作温度和各个材料。

[0046] 在本示例性实施方案中，传感器的输出信号表示模拟电压信号，所述模拟电压信号在业内使用的距离传感器中是典型的，并且在上文中已经提到。或者，也可由模拟电流或数字信号形成输出信号。

[0047] 必须注意，可借助于训练来以高度可变的方式预先设置传感器1的功能，以使得区别很大的应用成为可能。因此，可按以下这种方式训练传感器：所述传感器供应的输出信号对目标物体的相应材料来说是特定的；和/或目标物体的铁磁性材料和非铁磁性材料可加以区分。也可将传感器1训练为金属检测器或硬币分类器，或训练为用于测量目标物体厚度或类似者的传感器。

[0048] 必须注意，借助于根据本发明的传感器1进行的距离测量只是优选的，并且也可用位置传感器或接近开关的功能来实施所述传感器。在接近开关的情况中，这也以不取决于温度和不取决于材料的方式工作。然而，也可按如下这种方式训练所述传感器：所述传感器以不取决于材料的方式或材料选择性方式工作，其中以取决于材料的方式检测传感器，或者取决于材料可以拒绝检测。

[0049] 在图5中可以看出，在接近开关的情况中，ANN 42的输入数据70可由数值滞后比较器来评估，或者可通过在输出层220的至少两个神经元中编码阶梯函数作为评估函数来评估。必须为了这个目的调整图2所示的拓扑，并且唯一一个输出神经元221必须由至少两个输出神经元代替。具有三个输出神经元的适合拓扑的实例是图1所示的ANN 42。在这种情况中，以如下这种方式训练ANN 42：如果在传感器和目标物体之间的测量距离达到或超过预先确定的滞后曲线上的上临界值，切换到ANN 42的输出中的一个；并且如果在传感器和目标物体之间的测量距离达到或低于滞后曲线上的下临界值，切换到另一个输出。因此，借助于输出单元50的输出数据80，分别更新传感器输出60。

[0050] 根据图5中的步骤500，下采样器41首先将输入数据提供给ANN 42。在步骤505中，借助于提及的滞后比较器或阶梯函数或临界值发生评估。在步骤510中，测试由ANN 42供应的测量距离的值是否超过提及的上临界值。如果满足这个条件，在步骤515中，将传感器输出切换到“开”状态。然而，如果未满足条件，根据步骤520，测试由ANN 42供应的测量距离的值是否低于提及的下临界值。如果满足这个条件，在步骤525中，将传感器输出切换到“关”状态。如果提及的两个条件都不满足，不改变或切换传感器输出。

[0051] 或者，提及的滞后曲线的评估可借助于减小的ANN拓扑来发生，其中只提供单个二进制输出神经元，所述神经元可被追踪回到输入层(即，连接至输入层)。

[0052] 已经借助于各自由不同材料制成的四个目标物体来测试对应训练的ANN 42。在图3中，以提及的特性线的形式描绘了结果，其中将ANN 42所供应的距离数据应用于参考数据，所述参考数据是以独立的方式测量的。在这里，评估在2mm、3mm、4mm和5mm处获得的距离数据。目标物体的不同材料是铜(Cu)、铝(Al)、V2A钢(V2A)、EC80结构钢或钢代码为EC80的热处理钢(EC80)。已经在ANN 42的输入层200处将对应传感器数据“供给”给ANN 42，并且记录了在ANN 42的输出端220处产生的输出数据。

[0053] 图6所示的数据示出ANN 42的结果的高优越性或质量，即，产生的距离数据非常接近线性曲线(虚线)或位于线性曲线上，所述线性曲线同样在图6中展示。因此，由ANN计算的距离值是正确的，并且特别是不取决于目标物体的材料，因为所有曲线(唯一例外是V2A)都非常准确地相互重合。特别是，在这些研究期间得出的结果是：在只使用少数网络节点或神经元(例如，如图2中的5个)以及将要评估的对应减少的数据集期间，ANN 42已经供应了足够精确的数据，并且可因此将ANN 42特别是使用普遍可利用的部件并且因此以有成本效率的方式布置在或整合到通常的微控制器4中。

[0054] 元件符号列表

[0055] 1 传感器

[0056] 2 目标物体(“目标”)

[0057] 3 周围环境

[0058] 4 微控制器的开关区域

[0059] 5 壳体

[0060] 6 触发信号

[0061] 7 用于A/D转换器的计时器

[0062] 8 编码器信号

[0063] 9 数字化波形

[0064] 10 测量变换器

[0065] 11 发射器线圈

[0066] 12 接收器线圈

[0067] 13 线圈驱动的运算放大器

[0068] 14 波形发生器

[0069] 15 信号处理运算放大器

[0070] 20 计时单元

[0071] 30 信号数字化单元

[0072] 31 A/D转换器

[0073] 32 波形存储器

[0074] 40 信号评估单元

[0075] 41 下采样器

[0076] 42 人工神经网络(ANN)

[0077] 50 输出单元

[0078] 60 传感器输出端

[0079] 70 输入数据

[0080] 80 输出数据