Neuronale Netze revolutionieren Distanzmessung KI halbiert Messfehler bei optischen Sensoren

Anbieter zum Thema

Leuze Electronic AG

Leuze electronic GmbH & Co. KG

Baumer Group

Leuze nutzt neuronale Netze zur Korrektur von TOF-Distanzsensoren. Die KI lernt aus Messdaten verschiedener Oberflächen und Abstände, berechnet präzise Korrekturwerte und halbiert systematische Messfehler. Vorteil: Höhere Genauigkeit ohne zusätzliche Rechenleistung im Betrieb für anspruchsvolle Industrieanwendungen.

Optische Distanzsensoren mit Time-of-Flight-Technologie (TOF) bieten Anlagenbetreibern handfeste Vorteile. Sie ermöglichen es, große Distanzen schnell und berührungslos zu messen. Zudem sind die Sensoren unempfindlich gegenüber Umgebungslicht und liefern die Distanzdaten kontinuierlich in Echtzeit. Das Funktionsprinzip: Die Sensoren erfassen zur Distanzmessung die Laufzeit von ausgesendetem Licht bis zum Objekt und zurück. In der Regel werden hierfür Laser- oder LED-Impulse verwendet. Allerdings bringt TOF auch Schwächen hinsichtlich der Messgenauigkeit mit sich: Wie präzise die Ergebnisse sind, hängt stark von der Beschaffenheit der Objektoberfläche ab. So können dunkle Oberflächen das reflektierte Signal abschwächen. Sie erzeugen schmalere Impulse und das Echo wird später detektiert. Helle Oberflächen erzeugen dagegen stärkere Signale mit größerer Pulsbreite und früherer Detektion. Das heißt: Je nach Oberfläche des Objekts – hell oder dunkel – wirddas zurückkommende Signal zu unterschiedlichen Zeiten detektiert. Dadurch kann es zu Messfehlern kommen, die ausgeglichen werden müssen.

Polynomfunktion: nur begrenzt flexibel

Um diese Fehler zu korrigieren, werden bislang mathematische Modelle auf Basis definierter Algorithmen eingesetzt. Für viele verschiedene Oberflächen und Entfernungen wird so ein Korrekturwert berechnet, der später automatisch angewendet wird. Diese Berechnung basiert auf einer sogenannten Polynomfunktion. Bei stabilen, kontinuierlichen Fehlerverläufen bieten Polynomfunktionen eine effiziente Lösung. Ein Nachteil liegt jedoch in der begrenzten Abbildungsgenauigkeit bei komplexen Einflüssen, etwa bei stark variierenden Oberflächenreflexionen. Weil die Modellparameter fest vorgegeben sind, können sich die Funktionen nicht automatisch an veränderte Umgebungsbedingungen anpassen.

Bildergalerie

Bildergalerie mit 8 Bildern

SmartID-Edge von Leuze

Maximale Transparenz von Objekt- und Prozessdaten

Neuronales Netz ermittelt Korrekturwert

Die Sensor People von Leuze setzen auf eine deutlich präzisere und flexibler einsetzbare Lösung. Statt mit starren Formeln zu arbeiten, nutzt Leuze ein neuronales Netz, um den Korrekturwert zu ermitteln. Ein neuronales Netz ist eine Form der Künstlichen Intelligenz, die dem menschlichen Gehirn nachempfunden ist. Es besteht aus Knoten (Neuronen) in drei Arten von Schichten: der Eingabeschicht (Input Layer), verborgenen Schichten (Hidden Layers) und der Ausgabeschicht (Output Layer). Das neuronale Netz verarbeitet Informationen, indem es Eingangsdaten schrittweise durch diese Schichten leitet. Die Neuronen gewichten ihre Ergebnisse, fassen sie zusammen und wandeln sie über Funktionen so um, dass am Ende ein präzises Ergebnis entsteht. Eine sogenannte Aktivierungsfunktion entscheidet, wie stark ein Neuron «aktiv» wird, also welchen Wert es an die nächste Schicht weitergibt. Diese Aktivierungsfunktion ermöglicht es, dass das Netz auch komplexe, nichtlineare Zusammenhänge lernen kann und sich nicht nur auf einfache Rechenmuster beschränkt.

(ID:50692569)