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]本发明涉及根据独立权利要求的前序的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 5，898，304 Al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I。
[0009]由于借助于ANN直接评估电感检测的测量信号，S卩，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I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I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I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ANN42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