DE19747510A1 - Meßsystem und Verfahren zur Auswertung von Sensorsignalen - Google Patents
Meßsystem und Verfahren zur Auswertung von SensorsignalenInfo
- Publication number
- DE19747510A1 DE19747510A1 DE1997147510 DE19747510A DE19747510A1 DE 19747510 A1 DE19747510 A1 DE 19747510A1 DE 1997147510 DE1997147510 DE 1997147510 DE 19747510 A DE19747510 A DE 19747510A DE 19747510 A1 DE19747510 A1 DE 19747510A1
- Authority
- DE
- Germany
- Prior art keywords
- coefficients
- measurement data
- sensor
- neural network
- mathematical function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 29
- 238000007620 mathematical function Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 abstract 3
- 239000007789 gas Substances 0.000 description 20
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 16
- 229930195733 hydrocarbon Natural products 0.000 description 15
- 150000002430 hydrocarbons Chemical class 0.000 description 15
- 238000003958 fumigation Methods 0.000 description 7
- 230000003446 memory effect Effects 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 239000004215 Carbon black (E152) Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000009792 diffusion process Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001590 oxidative effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910006404 SnO 2 Inorganic materials 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003795 desorption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007210 heterogeneous catalysis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING 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
- G01D1/00—Measuring arrangements giving results other than momentary value of variable, of general application
- G01D1/16—Measuring arrangements giving results other than momentary value of variable, of general application giving a value which is a function of two or more values, e.g. product or ratio
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING 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
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/02—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation
- G01D3/022—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups with provision for altering or correcting the law of variation having an ideal characteristic, map or correction data stored in a digital memory
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING 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
- G01D3/00—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
- G01D3/028—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure
- G01D3/036—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure on measuring arrangements themselves
- G01D3/0365—Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure on measuring arrangements themselves the undesired influence being measured using a separate sensor, which produces an influence related signal
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Combustion & Propulsion (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Technology Law (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Description
Die Erfindung betrifft ein Meßsystem und ein Verfahren zur
Auswertung von Sensorsignalen. Ein Anwendungsgebiet ist zum
Beispiel die Abluftreinigung, wobei Ozon zur Oxidation von
flüchtigen Lösungsmitteln genutzt wird. Hierfür werden
Konzentrationen von Ozon- und Kohlenwasserstoff in Luft
bestimmt, wobei die Gaskomponenten in einer Mischatmosphäre
vorliegen.
Sensoren können auch in vielen anderen Bereichen zum Nachweis
von physikalischen, chemischen und sonstigen Meßgrößen
verwendet werden. Je nach Sensortyp und Meßverfahren werden
die zu messenden Komponenten selektiv oder summarisch
nachgewiesen. Der klassische Nachweis von Gasen mit
spektrometrischen Methoden stellt z. B. eine selektive
Gasmessung dar. Wegen ihres komplexen Aufbaus sind diese
Meßmethoden kostenintensiv und für viele Anwendungen, wie
z. B. in der Umwelttechnik, ungeeignet. Eine Alternative
stellt die Halbleitergassensorik dar. Die
Halbleitergassensoren sind kostengünstig und robust. Sie
weisen aber nur eine geringe Selektivität auf und unterliegen
teilweise sehr starken Drifterscheinungen.
In W. Göpel, Chemische Sensorik und heterogene Katalyse,
AMA-Seminar; September 1987 ist die Auswertung von Sensorsignalen
beschrieben, bei denen die Meßgröße G des Sensors als
eindeutige Funktion der Konzentration der Partialdrücke Pi
und der Temperatur erfaßt werden soll:
Bei hochselektiven Sensoren überwiegt der Wert einer
partiellen Ableitung den Wert aller anderen, so daß die
Änderung der Meßgröße G eindeutig einer physikalischen Größe
zugeordnet werden kann. Falls eine hohe Selektivität nicht
gegeben ist, der obige Funktionszusammenhang aber gilt und
unterschiedliche Sensoren mit unterschiedlichen Ableitungen
bzgl. verschiedener Komponenten "i" existieren, dann kann mit
Hilfe von Verfahren der Mustererkennung auch eine
Mehrkomponentenanalyse der Sensorarrays vorgenommen werden.
Ein entsprechendes Verfahren ist auch in der DE-PS 42 27 727
beschrieben. Hierbei erfolgt die Auswertung sowohl mit
Mustererkennungsverfahren als auch mit Hilfe einer Fuzzy
Logic zur Trenderkennung und -korrektur. Diese Verfahren sind
relativ aufwendig und versagen dann, wenn kein analytischer
Zusammenhang zwischen einer Konzentration und der
Sensorantwort erkennbar ist.
In der DE-OS 44 33 772 ist eine Sensoranordnung und ein
Verfahren zur Meßwerterfassung mit der Sensoranordnung
beschrieben. Die Sensoranordnung hat eine Auswerteeinheit zum
Auswerten der Meßsignale mit einem neuronalen Netzwerk. Das
neuronale Netzwerk weist in bekannter Weise eine
Eingangsschicht, mindestens eine verdeckte Schicht, eine
Ausgangsschicht und Verknüpfungsgewichte für die einzelnen
Schichten auf. Die Verknüpfungsgewichte werden in einer
Lernphase durch Messungen an mehreren verschiedenen
geeigneten Lernobjekten mit bekanntem Ist-Wert bestimmt und
abgespeichert.
Ausgehend von diesem Stand der Technik war es Aufgabe der
Erfindung, ein Meßsystem mit mindestens einem Sensorelement
und einer Auswerteeinheit für die Meßdaten des Sensorelements
sowie ein Verfahren zur Auswertung von Sensormeßdaten mit
einem neuronalen Netzwerk anzugeben, so daß einzelne
Meßgrößen mit einer hohen Genauigkeit und zuverlässig
bestimmt werden und der Rechen- und Schaltungsaufwand gering
ist.
Die Aufgabe wird durch das Meßsystem nach Anspruch 1 und das
Verfahren nach Anspruch 6 gelöst. Vorteilhafte
Ausgestaltungen sind in den Unteransprüchen beschrieben.
Die Auswerteeinheit hat ein erstes Rechenwerk zur Berechnung
einer mathematischen Funktion, die bestmöglich an die
Meßdaten angepaßt ist, und ein zweites Rechenwerk zur
Berechnung eines neuronalen Netzwerks. Als Eingangsdaten für
das neuronale Netzwerk werden Koeffizienten der
mathematischen Funktion verwendet. Wenn mehrere
Sensorelemente vorhanden sind, wird für die Meßdaten jedes
Sensorelements jeweils eine bestangepaßte mathematische
Funktion ermittelt und jeweils die Koeffizienten der
mathematische Funktion in das neuronale Netzwerk geleitet.
Die mathematische Funktion sollte ein Polynom beinhalten bzw.
ein Polynom sein.
Es ist dann vorteilhaft, wenn entweder nur die Koeffizienten
höherer Ordnung oder nur die Koeffizienten niedriger Ordnung
als Eingangsdaten für das Netzwerk verwendet werden.
Verschiedenen physikalische und/oder chemische Prozesse, die
gleichzeitig vorhanden sind und deren Einzelsignale sich in
der Sensorantwort überlagern, lassen sich sehr gut durch
Polynome höherer Ordnung ausdrücken, die mit einem relativ
geringen Fehler an die Meßkurven angepaßt werden können. Bei
Polynomen fünfter Ordnung mit der Formel:
R(t) = a0 + a1 t + a2 t2 + a3 t3 + a4 t4 + a5 t5
können die Koeffizienten niedriger Ordnung, z. B. a0 und a1,
langsamen Effekten und die Koeffizienten höherer Ordnung,
z. B. a4 und a5, schnellen Effekten zugeordnet werden.
Bei der Messung von Gaskonzentrationen mit mindestens zwei
Sensorelementen ist es vorteilhaft, wenn die Sensorelemente
mit jeweils voneinander verschiedenen Temperaturen betrieben
werden.
Die Erfindung wird nachfolgend anhand der beigefügten
Zeichnungen erläutert.
Es zeigen:
Fig. 1 Signalfluß des Meßsystems mit einem Sensorarray und
einer Auswerteeinheit für die Meßdaten des
Sensorarrays;
Fig. 2 Ausgangsfehler des neuronalen Netzes bei
verschiedenen Kombinationen der Eingangsparameter;
Fig. 3 Koeffizienten eines angepaßten Polynoms fünfter
Ordnung in Abhängigkeit von der Anzahl an Gaspulsen.
Die Erfindung wird am Beispiel der getrennten Bestimmung von
Konzentrationen aus einer Mischung aus Kohlenwasserstoffen,
Ozon und Luft mit einem Zweisensorsystem beschrieben. Dieses
System besteht aus zwei halbleitenden Halbleitergassensoren
gleichen Typs, die mit einer unterschiedlichen
Arbeitstemperatur beschrieben werden. Das Meßgas wird
pulsförmig den beiden Sensoren für eine gewisse Zeitspanne
zugeführt. Das Antwortsignal der Sensoren ist eine Änderung
der Oberflächenleitfähigkeit. Je nach Gasspezies, die
oxidierend oder reduzierend sein kann, und nach Halbleitertyp
wird eine Erhöhung bzw. eine Erniedrigung des
Oberflächenwiderstandes gemessen.
Die relative Widerstandsänderung gegenüber den verwendeten
Kohlenwasserstoffen ist in einem Temperaturbereich von ca.
400 bis 700°C nahezu konstant. Bei einer Sensortemperatur
von ca. 600°C ist die Empfindlichkeit gegenüber Ozon sehr
klein. Dagegen steigt die Empfindlichkeit gegenüber Ozon,
wenn der Sensor bei nur 300°C betrieben wird. Zwei Sensoren
mit unterschiedlichen Temperaturen weisen demnach
unterschiedliche Empfindlichkeiten gegenüber Ozon aber nicht
gegenüber Kohlenwasserstoffen auf.
Das gleichzeitige Vorhandensein von oxidierenden Gasen (z. B.
Ozon) und reduzierenden Gasen (z. B. Kohlenwasserstoffen)
macht sich im Kurvenverlauf bemerkbar. Die relative Änderung
des zeitlichen Signalverlaufs zeigt sowohl bei Begasungen mit
Ozon als auch mit einem Gemisch aus Ozon und
Kohlenwasserstoffen einen gleich großen Signalhub mit
unterschiedlichem Vorzeichen. Es ist jedoch auch das Aussehen
der beiden Kurvenverläufe unterschiedlich. Ein Grund dafür
ist das unterschiedliche Adsorptionsverhalten, d. h.
unterschiedliche Zeitkonstanten bei Diffusion und
Chemisorbtion, der verschiedenen Gaskomponenten.
Diese verschiedenen Prozesse können durch mathematische
Fitfunktionen ausgedrückt werden. Im einfachsten Fall sind
dies Polynome höherer Ordnung, die ein Anfitten der Kurven
mit einem nur kleinen Fehler ermöglichen. Bei einem
Polynomfit z. B. fünfter Ordnung
R(t) = a0 + a1 t + a2 t2 + a3 t3 + a4 t4 + a5 t5
können die Koeffizienten niedriger Ordnung (a0, a1) langsamen
Effekten, z. B. Diffusion, zugeordnet werden. Die Terme höhere
Ordnung (a4 und a5) repräsentieren dagegen schnelle Effekte,
wie z. B. die Chemisorption, die gegenüber der Diffusion meist
schneller abläuft.
Ein weiterer unerwünschter Effekt bei Halbleitergassensoren
ist der sogenannte Memory-Effekt, der u. a. von der
Gashistorie des Sensors abhängt. Das bedeutet, daß die
Signalverläufe bei gleichartigen Begasungen unterschiedlich
ausfallen können, wenn der Sensor vor der Begasung mit
verschiedenen Konzentrationen der Gase beaufschlagt wurde.
Dieses Verhalten spiegelt sich in den Koeffizienten der
Polynome ebenfalls wieder.
Der gesamte Signalfluß des Meßsystems mit einem Sensorarray
und einer Auswerteeinheit für die Meßdaten des Sensorarrays
Signalfluß des Meßsystems mit einem Sensorarray und einer
Auswerteeinheit für die Meßdaten des Sensorarrays ist in der
Fig. 1 skizziert. Ein Testgas wird auf ein Sensorarray
geleitet, wobei jeder Sensor mit einer bestimmten Temperatur
betrieben wird. Das Sensorarray liefert Sensorsignale als
Widerstandswerte. Die resultierenden Meßdaten werden jeweils
einer nichtlinearen Regression, d. h. einer Kurvenanpassung,
unterzogen. Hierbei wird in bekannter Weise der Fehler
zwischen einem Polynom und der Meßkurve minimiert.
Der charakteristische Kurvenverlauf von verschiedenen
Kohlenwasserstoff-/Ozon-Gemischen spiegelt sich in den
Koeffizienten der verschiedenen Polynome wieder. Mit den
höheren Koeffizienten verschiedener Polynome, die einen
geringen Memory-Effekt aufweisen, als Eingangsgrößen eines
Neuronalen Netzes läßt sich ein System aufbauen, welches
unter Verwendung von zwei Halbleitergassensoren eine Messung
der Konzentrationen von Ozon und Kohlenwasserstoffen
ermöglicht.
Ausgewählte Koeffizienten der resultierenden Polynome,
vorzugsweise die Koeffizienten höherer Ordnung, werden als
Koeffiziententabelle in ein neuronales Netzwerk ANN, z. B.
Back-Propagation-Netz, geleitet. Die Ausgangsknoten geben die
Konzentration von Ozon Cozone und Kohlenwasserstoff CHC an.
In der Fig. 2 ist der Fehler eines neuronalen Netzes mit
verschiedenen Parameterkombinationen als Eingangsgrößen des
Netzes dargestellt. Die gestrichelte Kurve stellt den
Ausgangsfehler bei allen vier Eingangskoeffizienten eines
Polynoms dritter Ordnung dar. Dann ist der Einfluß des
Memory-Effektes relativ groß. Die besten Resultate werden
erzielt, wenn als Eingangsgrößen die jeweils höchsten Terme
von drei Polynomen verwendet werden, wobei die Polynome
dritter, vierter und fünfter Ordnung sind. Hierfür werden
sechs Eingangskoeffizienten verwendet, die jeweils die beiden
obersten Koeffizienten der drei Polynome, d. h. des Polynoms
dritter, vierter und fünfter Ordnung, sind. Dann ist der
Einfluß des Memory-Effektes geringer. Nach 5000 Lernschritten
beträgt der maximale Netzfehler bezüglich der Testdaten in
dem Beispiel etwa 5%.
In der Fig. 3 sind die Koeffizienten des Polynomfits fünfter
Ordnung dargestellt. Von Meßpunkt zu Meßpunkt wurde die
Konzentration des Gasgemisches aus Kohlenwasserstoffen und
Ozon kontinuierlich verändert. So zeigen die ersten 10
Begasungen eine Konzentration von 27 ppb Ozon und 18-180
ppm Kohlenwasserstoffen in 10 identischen Schritten. Bei den
weiteren 10 Begasungen wurden Konzentrationen von 54 ppb Ozon
und wiederum 18-180 ppm Kohlenwasserstoffen eingestellt.
Die weiteren 10 Begasungen zeigen eine erneute Erhöhung der
Ozonkonzentration um 27 ppb und eine entsprechende
stufenweise Erhöhung der Kohlenwasserstoffkonzentration.
Zwischen diesen regulären Punkten wurden Zufallspunkte
eingefügt, deren Konzentration gegenüber dem regulären Punkt
erhöht war. Bei den nächsten regulären Punkten zeigt sich
daraufhin eine Abweichung von erwarteten Verhalten, das durch
den Memory-Effekt erklärbar ist. Diese Abweichung ist
besonders bei den Koeffizienten niedriger Ordnung zu
beobachten. Zuvor adsorbierte Gasmoleküle sind noch nicht
wieder desorbiert. Daher ist der Signalverlauf durch die
vorhergehende Begasung verfälscht. Da die Desorption im
Vergleich zur Chemisorption ein langsamer Vorgang ist, macht
sich der Memory-Effekt im wesentlichen in den Termen
niedriger Ordnung bemerkbar. Dies läßt sich ausnutzen, um
Fehler bei der Konzentrationsbestimmung zu minimieren.
Als Eingangsparameter für das neuronale Netz sind bei der
vorliegenden Anwendung die gedächtnisfreien bzw.
gedächtnisschwachen Polynomkoeffizienten am besten geeignet.
Mit diesen kann das Netz schneller trainiert werden und die
maximalen Fehler am Netzausgang sind wesentlich kleiner. In
dem Beispiel wurden zwei Netzausgänge für die O3- und
Kohlenwasserstoffkonzentration gewählt und eine verdeckte
Schicht erstellt, die aus drei Neuronen besteht. Die
Verwendung eines Polynominalfits und der Einsatz von
neuronalen Netzen eignen sich damit gut zur Messung des
O3-Gehaltes in kohlenwasserstoffhaltiger Mischatmosphäre, wenn
zwei identische SnO2-Sensoren bei verschiedenen
Arbeitstemperaturen eingesetzt werden.
Claims (14)
1. Meßsystem mit einem Sensorelement und einer
Auswerteeinheit für die Meßdaten des Sensorelements,
dadurch gekennzeichnet, daß die Auswerteeinheit ein
erstes Rechenwerk zur Berechnung einer mathematischen
Funktion, die bestmöglich an die Meßdaten angepaßt ist,
und ein zweites Rechenwerk zur Berechnung eines
neuronalen Netzwerks hat, wobei Koeffizienten der
mathematischen Funktion als Eingangsdaten für das
neuronale Netzwerk verwendet werden.
2. Meßsystem nach Anspruch 1, wobei mindestens zwei
Sensorelemente vorgesehen sind, dadurch gekennzeichnet,
daß jeweils eine mathematische Funktion an die Meßdaten
jeweils eines Sensorelements angepaßt ist und
Koeffizienten der mathematischen Funktionen als
Eingangsdaten für das neuronale Netzwerk verwendet
werden.
3. Meßsystem nach Anspruch 1 oder 2, dadurch gekennzeichnet,
daß die mathematische Funktion ein Polynom beinhaltet
bzw. ein Polynom ist.
4. Meßsystem nach Anspruch 3, dadurch gekennzeichnet, daß
entweder nur die Koeffizienten höherer Ordnung oder nur
die Koeffizienten niedriger Ordnung als Eingangsdaten für
das Netzwerk verwendet werden.
5. Meßsystem nach Anspruch 3 oder 4, dadurch gekennzeichnet,
daß mehrere Polynome jeweils verschiedener Ordnung an
die Meßdaten angepaßt werden und Koeffizienten der
Polynome als Eingangsdaten für das neuronale Netzwerk
verwendet werden.
6. Meßsystem nach Anspruch 5, dadurch gekennzeichnet, daß
die mehreren Polynome dritter, vierter und fünfter
Ordnung sind.
7. Meßsystem nach einem der vorhergehenden Ansprüche zur
Messung von Gaskonzentrationen mit mindestens zwei
Sensorelementen, dadurch gekennzeichnet, daß die
Sensorelemente mit jeweils voneinander verschiedenen
Temperaturen betrieben werden.
8. Verfahren zur Auswertung von Sensormeßdaten mit einem
neuronalen Netzwerk, gekennzeichnet durch,
- - Berechnen einer mathematischen Funktion, die bestmöglich an die Meßdaten angepaßt ist, und
- - Verwenden von Koeffizienten der mathematischen Funktion als Eingangsdaten für das neuronale Netzwerk.
9. Verfahren nach Anspruch 8, wobei die Sensormeßdaten
mindestens von zwei Sensorelementen stammen,
gekennzeichnet durch
- - Anpassen jeweils einer mathematischen Funktion an die Meßdaten jeweils eines Sensorelements und
- - Verwenden von Koeffizienten der mathematischen Funktionen als Eingangsdaten für das neuronale Netzwerk.
10. Meßsystem nach Anspruch 8 oder 9, dadurch gekennzeichnet,
daß die mathematische Funktion ein Polynom beinhaltet
bzw. ein Polynom ist.
11. Verfahren nach Anspruch 10, gekennzeichnet durch
Verwenden entweder nur der Koeffizienten höherer Ordnung
oder nur der Koeffizienten niedriger Ordnung als
Eingangsdaten für das Netzwerk.
12. Verfahren nach Anspruch 10 oder 11, gekennzeichnet durch
Anpassen mehrerer Polynome jeweils verschiedener Ordnung
an die Meßdaten und Verwenden von Koeffizienten der
Polynome als Eingangsdaten für das neuronale Netzwerk.
13. Verfahren nach Anspruch 12, dadurch gekennzeichnet, daß
die mehreren Polynome dritter, vierter und fünfter
Ordnung sind.
14. Verfahren nach einem der vorhergehenden Ansprüche,
dadurch gekennzeichnet, daß Sensorelemente mit jeweils
voneinander verschiedenen Temperaturen betrieben werden.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE1997147510 DE19747510A1 (de) | 1997-10-28 | 1997-10-28 | Meßsystem und Verfahren zur Auswertung von Sensorsignalen |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE1997147510 DE19747510A1 (de) | 1997-10-28 | 1997-10-28 | Meßsystem und Verfahren zur Auswertung von Sensorsignalen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE19747510A1 true DE19747510A1 (de) | 1999-05-06 |
Family
ID=7846827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE1997147510 Withdrawn DE19747510A1 (de) | 1997-10-28 | 1997-10-28 | Meßsystem und Verfahren zur Auswertung von Sensorsignalen |
Country Status (1)
| Country | Link |
|---|---|
| DE (1) | DE19747510A1 (de) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005050138A1 (en) * | 2003-11-17 | 2005-06-02 | Madison Technologies Limited | Apparatus, system, method, and program for determining the value of a measurement that changes over time |
| WO2005064279A1 (en) * | 2003-12-29 | 2005-07-14 | Madison Technologies Limited | Apparatus, system, method and program of determining the parameters of a distributed network |
| WO2005064280A3 (en) * | 2003-12-29 | 2005-11-03 | Madison Technologies Ltd | Measurement results data processing apparatus, system, method, and program |
| CN103940453A (zh) * | 2014-04-15 | 2014-07-23 | 东华大学 | 一种提高传感器测量精度方法 |
| CN104570870A (zh) * | 2014-12-30 | 2015-04-29 | 广东美的制冷设备有限公司 | 空调传感器的检测方法和装置 |
| CN108896703A (zh) * | 2018-05-09 | 2018-11-27 | 南京思达捷信息科技有限公司 | 一种空气大数据的处理方法 |
| EP3736564A1 (de) * | 2019-05-09 | 2020-11-11 | Infineon Technologies AG | Gaserfassungsvorrichtung und verfahren zum betreiben einer gaserfassungsvorrichtung |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4310279A1 (de) * | 1992-03-31 | 1993-10-07 | Genshi Nenryo Kogyo | Signalverarbeitungsvorrichtung zur Auswertung von Prüfdaten |
| DE4338615A1 (de) * | 1993-11-11 | 1995-05-18 | Siemens Ag | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
| US5450529A (en) * | 1990-02-20 | 1995-09-12 | International Business Machines Corporation | Neural network shell for application programs |
| DE4433772A1 (de) * | 1994-09-22 | 1996-03-28 | Micro Epsilon Messtechnik | Sensoranordnung und Verfahren zur Meßwerterfassung mit der Sensoranordnung |
| DE19645246A1 (de) * | 1996-04-19 | 1997-10-23 | Sibet Gmbh Sican Forschungs Un | Adaptiv, wassergüteabhängig gesteuertes Abwasserbauwerk |
-
1997
- 1997-10-28 DE DE1997147510 patent/DE19747510A1/de not_active Withdrawn
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5450529A (en) * | 1990-02-20 | 1995-09-12 | International Business Machines Corporation | Neural network shell for application programs |
| DE4310279A1 (de) * | 1992-03-31 | 1993-10-07 | Genshi Nenryo Kogyo | Signalverarbeitungsvorrichtung zur Auswertung von Prüfdaten |
| DE4338615A1 (de) * | 1993-11-11 | 1995-05-18 | Siemens Ag | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System |
| DE4433772A1 (de) * | 1994-09-22 | 1996-03-28 | Micro Epsilon Messtechnik | Sensoranordnung und Verfahren zur Meßwerterfassung mit der Sensoranordnung |
| DE19645246A1 (de) * | 1996-04-19 | 1997-10-23 | Sibet Gmbh Sican Forschungs Un | Adaptiv, wassergüteabhängig gesteuertes Abwasserbauwerk |
Non-Patent Citations (6)
| Title |
|---|
| DE-Z.: BOTHE, Achim, GÄRTNER, Ulrich, KRÄMER, Stefan: Neuronale Klassifikatoren in der akusti- schen Mustererkennung. In: tm, 1995, Jg. 62, H. 3,S. 88-94 * |
| DE-Z.: KAISER, Michael: Künstliche Neuronale Net- ze, Grundlagen und Anwendungsbeispiele. In: atp, 1992, Jg. 34, H. 9, S. 539-545 * |
| DE-Z.: PETERS, Harald: Anwendung künstlicher neuronaler Netze in Überwachungssystemen. In: atp,1996, Jg. 38, H. 11, S. 37, 38, 40-42, 44-46, 48 * |
| DE-Z.: PREUSS * |
| DE-Z.: WISOTZKI, Christel, WYSOTZKI, Fritz: Lernfähige Klassifikation von Zeitreihen. In: at, 1995, Jg. 43, H. 2, S. 70-76 * |
| Hans-Peter: Methoden der nicht- linearen Modellierung - vom Interpolationspoly- nom zum Neuronalen Netz. In: at, 1994, Jg. 42, H. 10, S. 449-457 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005050138A1 (en) * | 2003-11-17 | 2005-06-02 | Madison Technologies Limited | Apparatus, system, method, and program for determining the value of a measurement that changes over time |
| WO2005064279A1 (en) * | 2003-12-29 | 2005-07-14 | Madison Technologies Limited | Apparatus, system, method and program of determining the parameters of a distributed network |
| WO2005064280A3 (en) * | 2003-12-29 | 2005-11-03 | Madison Technologies Ltd | Measurement results data processing apparatus, system, method, and program |
| CN103940453A (zh) * | 2014-04-15 | 2014-07-23 | 东华大学 | 一种提高传感器测量精度方法 |
| CN103940453B (zh) * | 2014-04-15 | 2016-08-17 | 东华大学 | 一种提高传感器测量精度方法 |
| CN104570870A (zh) * | 2014-12-30 | 2015-04-29 | 广东美的制冷设备有限公司 | 空调传感器的检测方法和装置 |
| CN108896703A (zh) * | 2018-05-09 | 2018-11-27 | 南京思达捷信息科技有限公司 | 一种空气大数据的处理方法 |
| EP3736564A1 (de) * | 2019-05-09 | 2020-11-11 | Infineon Technologies AG | Gaserfassungsvorrichtung und verfahren zum betreiben einer gaserfassungsvorrichtung |
| US11635416B2 (en) | 2019-05-09 | 2023-04-25 | Infineon Technologies Ag | Gas sensing device and method for operating a gas sensing device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0092068B1 (de) | Alarmanlage für Gase und/oder Dämpfe | |
| EP0540974A2 (de) | Vorrichtung zum simultanen Nachweis verschiedener Gaskomponenten | |
| DE69414258T2 (de) | Überwachung von mehrfachelektroden gassensoren | |
| EP2142909B1 (de) | Detektoranordnung für einen nichtdispersiven infrarot-gasanalysator und verfahren zum nachweis einer messgaskomponente in einem gasgemisch mittels eines solchen gasanalysators | |
| EP0829718B1 (de) | Gasanalysegerät und Verfahren zur Identifikation und/oder Bestimmung der Konzentration von zumindenst einer Gaskomponente | |
| EP2324349B1 (de) | Verfahren und vorrichtung zur messwerterfassung und messwertanzeige | |
| DE69526607T2 (de) | Verfahren zum Messen und/oder Normalisieren von Geruchskonzentrationen, und Geruchs- und/oder Feuerdetektionssystem, das eine Ersatzschaltung verwendet | |
| DE19747510A1 (de) | Meßsystem und Verfahren zur Auswertung von Sensorsignalen | |
| DE3327154C2 (de) | ||
| WO1994022007A1 (de) | Verfahren zur bestimmung von gaskomponenten und/oder gaskonzentrationen von gasgemischen | |
| DE3116344C2 (de) | ||
| EP4078172B1 (de) | Verfahren und vorrichtung zum betreiben eines gassensors | |
| DE102019002274A1 (de) | Gassensor und verfahren zum steuern eines gassensors | |
| DE102007020596A1 (de) | Detektoranordnung für einen nichtdispersiven Infrarot-Gasanalysator | |
| DE69802449T2 (de) | Verfahren zur Messung der Gaskonzentration | |
| DE10330704B3 (de) | Elektrochemischer Gassensor mit Filter | |
| DE19534557C2 (de) | Verfahren und Vorrichtung zur Bestimmung des CO¶2¶-Gehaltes in Gasen | |
| EP1602924B1 (de) | Vorrichtung und Verfahren zur Detektion von leichtflüchtigen Organischen Verbindungen | |
| DE102008015145A1 (de) | Verfahren zur Nachkalibrierung von Sensoren und zur Kalibrierung weiterer Sensoren | |
| DE102012213601A1 (de) | Überprüfung einer Lambdasonde | |
| DE10254852A1 (de) | Schaltungsanordnung zur Sensorauswertung und Verfahren zur Auswertung mehrerer Sensoren | |
| DE10035409B4 (de) | Differentielle Thermodesorption für Gassensorsysteme | |
| EP0689049B1 (de) | Kohlenmonoxid-Gassensor | |
| EP1447664A2 (de) | Gasanalysegerät und Verfahren | |
| DE102006033528B3 (de) | Anordnung zur Detektion von Luftinhaltsstoffen |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| OP8 | Request for examination as to paragraph 44 patent law | ||
| 8127 | New person/name/address of the applicant |
Owner name: SICAN GMBH, 30419 HANNOVER, DE |
|
| 8127 | New person/name/address of the applicant |
Owner name: SCI-WORX GMBH, 30419 HANNOVER, DE |
|
| 8139 | Disposal/non-payment of the annual fee |