Vorrichtung und automatisiertes Verfahren zur Auswertung von Sensormesswerten und Verwendung der Vorrichtung

GEBIET DER ERFINDUNG

Die Erfindung betrifft eine Vorrichtung und ein automatisier tes, beispielsweise computerimplementiertes, Verfahren zur Auswertung von Sensormesswerten, zum Beispiel in der Spektro skopie. Die Erfindung betrifft auch eine Verwendung der Vor richtung.

HINTERGRUND DER ERFINDUNG

Die Auswertung von Sensordaten geschieht oft mittels Signal verarbeitung in einem digitalen Rechner. Eine Signalverarbei tung ist oft notwendig, da die oft analoge Sensorhardware nicht unmittelbar die gewünschte Größe bzw. Information lie fert, die benötigt wird. Bei der Signalverarbeitung kann es sich um eine einfache lineare Temperaturkorrektur oder eine Spektralanalyse bis hin um eine komplexe Bild- oder Videoana lyse handeln.

Eine bekannte systematische Methode der Datenauswertung ist die modellbasierte Datenauswertung. Dabei ist ein Rechenmo dell, auch mit Modellfunktion bezeichnet, für das Verhalten der Sensorhardware inklusive der relevanten physikalischen Umgebung in Abhängigkeit der interessierenden Parameter vor handen. Dies wird zur Auswertung der von der Sensorhardware gelieferten (digitalen) Daten (= Messdaten) mittels einer Least Squares Regression verwendet. Die daraus sich ergeben den Parameterschätzwerte, das sind die Parameter, die die beste Nachbildung (im Least Squares Sinn) an die Messwerte liefern, bilden bzw. liefern die Sensorausgabewerte (= Senso rausgangssignal) . Es wird im allgemeinen Fall eine nichtlineare Regression und im speziellen Fall, wenn das Modell linear bezüglich aller Parameter ist, eine lineare Regression ausgeführt. Mathema tisch entspricht dies einer Modellinversion, die typischer weise mit geeigneten, bekannten iterativen Methoden ausge führt wird. Der Vorteil der Least Squares Regression ist, dass diese unter allgemeinen Voraussetzungen asymptotisch ef fizient ist. Dies bedeutet, dass diese Methode, die Parameter zu bestimmen, im statistischen Sinne optimal ist. Es gibt keine erwartungstreue Methode, die einen kleineren Fehler in der Parameterschätzung zu liefern vermag. Daher ist der An satz der modellbasierten Datenauswertung mit einer nichtline aren Regression ein systematischer Ansatz, der zweckmäßiger weise überall dort verwendet werden kann, wo ein hinreichend exaktes Modell der Sensorhardware bzw. Physik vorhanden ist oder relativ leicht erstellt werden kann.

Die Methode der kleinsten Quadrate (Englisch: least squares method oder lediglich least squares) ist das mathematische Standardverfahren zur Ausgleichsrechnung. Dabei wird zu einer Menge von Datenpunkten eine Funktion bestimmt, die möglichst nahe an den Datenpunkten verläuft und somit die Daten best möglich zusammenfasst. Die meist verwendete Funktion ist die Gerade, die dann Ausgleichsgerade genannt wird. Um die Metho de anwenden zu können, muss die Funktion mindestens einen Pa rameter enthalten. Diese Parameter werden dann durch die Me thode bestimmt, so dass, wenn die Funktion mit den Datenpunk ten verglichen und der Abstand zwischen Funktionswert und Da tenpunkt quadriert wird, die Summe dieser quadrierten Abstän de möglichst gering wird. Die Summe der quadrierten Abstände wird Residuenquadratsumme genannt. Der Vektor der Abstände zwischen Funktionswert und Datenpunkt wird Residuum genannt. Die Residuenquadratsumme ist somit das Quadrat des (euklidi schen) Vektorbetrags des Residuums

Typischerweise werden mit dieser Methode reale Daten, etwa physikalische, untersucht. Diese Daten beinhalten oft unver meidbare Messfehler und Schwankungen. Mit der Annahme, dass die gemessenen Werte nahe an den zugrunde liegenden „wahren Werten" liegen und zwischen den Messwerten ein bestimmter Zu sammenhang besteht, kann die Methode verwendet werden, um ei ne Funktion zu finden, die diesen Zusammenhang der Daten mög lichst genau beschreibt. Die Methode kann auch umgekehrt ver wendet werden, um verschiedene Funktionen zu testen und dadurch einen unbekannten Zusammenhang in den Daten zu be schreiben.

Ein Problem liegt aber in der Berechnung der Modellinversion. Typischerweise werden iterative Verfahren verwendet (Leven- berg-Marquardt, o.Ä.), die relativ gute initiale Parameter schätzwerte benötigen, um das globale Optimum, also die best mögliche Anpassung zwischen Modell und Messvektor, zu bestim men.

Bisher werden bei Least Squares Regressionsverfahren die Startwerte mit heuristischen Methoden bestimmt. Dies können Methoden sein, die mit Expertenwissen aus dem spezifischen Modell abgeleitet sind, oder aber allgemein-heuristische Ver fahren, wie beispielsweise Nelder-Mead. Bei komplizierten Problemen versagen letztgenannte Verfahren allerdings auch.

Eine andere Herangehensweise an die Sensordatenauswertung ist die Betrachtung der KI-basierten (KI = künstliche Intelli genz) Datenauswertung. Hier werden künstliche Neuronale Netze o.Ä. verwendet, um mittels des maschinellen Lernens die Da tenauswertung zu realisieren (Stichwort „Reinforcement Learn- ing"). Ein großes Problem dabei ist, die Vertrauenswürdigkeit sicherzustellen. So kann i.d.R. nicht sicher vorhergesagt werden, wie sich die KI verhält, wenn sie Messdaten bekommt, die außerhalb ihres Trainingsbereiches liegen. Eine Fehler analyse oder Zertifizierungen für sicherheitskritische Aufga ben können daher nicht einfach realisiert werden.

Nichtsdestotrotz gibt es Probleme, die nur mittels KI gelöst werden können und keine andere Methode der Signalverarbeitung zur Verfügung steht, wie z.B. bei Aufgaben aus dem Bereich der bildbasierten Objekterkennung.

ZUSAMMENFASSUNG DER ERFINDUNG

Es ist Aufgabe der Erfindung, eine Lösung für eine verbesser ten Auswertung von Sensormesswerten anzugeben.

Die Erfindung ergibt sich aus den Merkmalen der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und Ausgestaltungen sind Gegenstand der abhängigen Ansprüche. Weitere Merkmale, Anwendungsmöglichkeiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Beschreibung.

Die Erfindung kombiniert eine Auswertung von Sensormesswerten mit künstlicher Intelligenz eines Neuronalen Netzes und eine Least Squares (LS) Regression. Im Folgenden wird davon ausge gangen, dass ein hinreichend genaues Rechenmodell (= Modell funktion) für die Sensordatenauswertung vorhanden ist, also eines wie es insbesondere für die Least Squares Regression benötigt wird. Mit dem Rechenmodell können beliebig viele Szenarien, die einer realistischen Messsituation entsprechen, simuliert werden. Die Modelfunktion ist durch Parameter be schrieben, die einen Parametervektor bilden. Nun werden aus dem Parameterraum zufällige Parametervektoren generiert und die Modellfunktion ausgewertet. Diese Parametervektoren bil den die Ground-Truth.

Zusammen mit den Ergebnisvektoren der Modellfunktion wird nun ein Neuronales Netz trainiert, das die Parametervektoren Vor hersagen soll. Dies ist der klassische Reinforcement Learning Ansatz zur KI-basierten Datenauswertung. In der konkreten Messaufgabe wird nun zu jedem real gemessenen Messvektor (be stehend aus Messwerten) zuerst mit der KI der initiale Para meterschätzvektor bestimmt. Dieser dient als initialer Wert für die nachfolgende Least Squares Regression. Konvergiert diese und erfüllt das Residuum ein vorgegebenes Kriterium, z.B. Norm kleiner als eine vorgegebene Schranke, wird die Da tenauswertung als „erfolgreich" markiert. Die Parameter schätzwerte (oder eine Auswahl davon) der LS Regression bil den das oder die Sensorausgangssignale. Ist die Datenauswer tung nicht erfolgreich, so wird eine Fehlermeldung (= „nicht erfolgreich") ausgegeben.

„Neuronales Netz" im Sinne der Erfindung bezeichnet jede zum maschinellen Lernen geeignete Einrichtung.

Die Erfindung beansprucht eine Vorrichtung zur Auswertung von Sensormesswerten, aufweisend: einen Sensor, wobei für eine Auswertung der Sensormess werte des Sensors eine für eine Least Squares Regression ge eignete durch einen Parametervektor definierbare Modellfunk tion bereitgestellt ist, wobei mindestens ein Parameter des Parametervektors ein Sensorausgangssignal bildet, und eine Rechen- und Auswerteeinheit, die ein den Parameter vektor auf Basis real ermittelter Sensormesswerte schätzendes Neuronales Netz und ein Least Squares Regressionsmodul auf weist, wobei das Neuronale Netz mit Parametervektoren und den dazugehörigen Sensormesswerten trainiert ist, und die einge richtet ist:

°- zu mit dem Sensor gemessenen Sensormesswerten mit tels des trainierten Neuronalen Netzes mindestens einen Para meterschätzvektor als Eingangsgröße für eine Least Squares Regression des Least Squares Regressionsmoduls zu ermitteln,

°- bei Erfüllung eines Konvergenzkriteriums bei der Ausführung der Least Squares Regression die Least Square Re gression abzubrechen und

°- den mindestens einen Parameter des zuletzt ermit telten Parametervektors aus der Least Squares Regression mit dem kleinsten quadratischen Fehler als Sensorausgangssignal auszugeben .

Ein Sensor, auch als Detektor, Messaufnehmer oder Messfühler bezeichnet, ist ein technisches Bauteil, das physikalische oder chemische Eigenschaften (wie z. B. Wärmemenge, Tempera tur, Feuchtigkeit, Druck, Schallfeldgrößen, Helligkeit, Be schleunigung, pH-Wert, Ionenstärke oder elektrochemisches Po tential) und/oder die stoffliche Beschaffenheit seiner Umge bung qualitativ oder als Messgröße quantitativ erfassen kann. Diese Größen werden mittels physikalischer oder chemischer Effekte erfasst und in ein auswertbares elektrisches Signal umgeformt.

In einer Weiterbildung kann die Rechen- und Auswerteeinheit ein dem Least Squares Regressionsmodul nachgeschaltetes Be wertungsmodul aufweisen, das eingerichtet ist, aus dem Resi duum der Least Squares Regression, einer Information über den Abbruchstatus der Least Squares Regression und mindestens ei ner weiteren Information der Least Squares Regression einen Erfolgsstatus der Auswertung zu ermitteln und als weiteres Sensorausgangssignal auszugeben, wobei der Erfolgsstatus „er folgreich" oder „nicht erfolgreich" sein kann. Der Erfolgs status ist eine binäre Größe

In einer weiteren Ausgestaltung kann das Bewertungsmodul ein gerichtet sein, zur Ermittlung des Erfolgsstatus zusätzlich den mindestens einen Parameter des zuletzt ermittelten Para metervektors und/oder die Sensormesswerte zu berücksichtigen.

In einer weiteren Ausprägung kann das Bewertungsmodul einge richtet sein, aus dem Residuum der Least-Squares Regression, einer Information über den Abbruchstatus der Least Squares Regression und mindestens einer weiteren Information der Least Squares Regression eine Qualitätsinformation der Aus wertung zu ermitteln und als weiteres Sensorausgangssignal auszugeben .

Die Qualitätsinformation, auch als „Quality of Sensing" be zeichnet, ist eine kontinuierliche, nicht-negative skalare Variable. Bevorzugt ist die Qualitätsinformation die euklidische Norm des Residuums oder die dimensionslos normierte euklidische Norm des Residuums.

In einer weiteren Ausführungsform ist das Bewertungsmodul eingerichtet, den Erfolgsstatus auf „erfolgreich" zu setzen, wenn die Qualitätsinformation unter einem vorgegebenen Quali tätsschwelle bleibt.

In einer weiteren Ausprägung kann das Bewertungsmodul einge richtet sein, aus Signalen mehrerer Least Squares Regressio nen eine auszuwählen, beispielsweise unter den mit Erfolgs status „erfolgreich" ein solches mit dem niedrigsten quadra tischen Fehler.

Die Erfindung beansprucht auch eine Verwendung der erfin dungsgemäßen Vorrichtung zum Auswerten eines Chromatogramms in der Gaschromatographie.

Des Weiteren beansprucht die Erfindung eine Verwendung der erfindungsgemäßen Vorrichtung zur spektralen Auswertung bei der Spektroskopie.

Außerdem beansprucht die Erfindung eine Verwendung der erfin dungsgemäßen Vorrichtung zur spektralen Auswertung von Zeit reihen.

Die Verwendung ist beispielsweise eine Verwendung zur Auswer tung von gemessener Spannung/Strom, Ultraschallvibrationen oder ähnlichem, zur Zustandsprüfung oder Zustandsfeststellung von technischen Geräten oder Apparaturen.

Die Erfindung beansprucht auch eine Verwendung der erfin dungsgemäßen Vorrichtung zur Analyse von Audiodaten, wie zum Beispiel Sprache.

Außerdem beansprucht die Erfindung eine Verwendung der erfin dungsgemäßen Vorrichtung zur Erkennung von Objekten in Bild- daten, zum Beispiel bei der automatisierten Bauteilerkennung in der Produktion

Die Erfindung beansprucht auch ein automatisiertes Verfahren zur Auswertung von Sensormesswerten: wobei für eine Auswertung der Sensormesswerte eine für eine Least Squares Regression geeignete durch einen Parame tervektor definierbare Modellfunktion bereitgestellt wird, wobei ein Sensorausgangssignal durch mindestens einen Parame ter des Parametervektors gebildet wird, und wobei ein den Parametervektor auf Basis real ermittelter Sensormesswerte schätzendes Neuronales Netz und ein Least Squares Regressionsmodul bereitgestellt wird, wobei das Neu ronale Netz mit Parametervektoren und den dazugehörigen Sen sormesswerten trainier ist, und wobei zu gemessenen Sensormesswerten mittels des trai nierten Neuronalen Netzes mindestens ein Parameterschätzvek tor als Eingangsgröße für eine Least Squares Regression des Leas Squares Regressionsmoduls ermittelt wird, bei Erfüllung eines Konvergenzkriteriums bei der Ausführung der Least Squares Regression die Least Square Regression abgebrochen wird und der mindestens eine Parameter des zuletzt ermittel ten Parametervektors aus der Least Squares Regression mit dem kleinsten quadratischen Fehler als Sensorausgangssignal aus gegeben wird.

In einer Weiterbildung kann aus dem Residuum der Least Squar es Regression, einer Information über den Abbruchstatus der Least Squares Regression und mindestens einer weiteren Infor mation der Least Squares Regression einen Erfolgsstatus der Auswertung ermittelt und als weiteres Sensorausgangssignal ausgegeben werden, wobei der Erfolgsstatus „erfolgreich" oder „nicht erfolgreich" sein kann.

In einer Weiterbildung kann zur Ermittlung des Erfolgsstatus zusätzlich der mindestens einen Parameter des zuletzt ermit- telten Parametervektors und/oder die Sensormesswerte berück sichtigt werden.

In einer weiteren Ausgestaltung kann aus einer Information über den Abbruchstatus der Least-Squares Regression und min destens einer weiteren Information der Least-Squares Regres sion eine Qualitätsinformation der Auswertung ermittelt und als weiteres Sensorausgangssignal ausgegeben wird.

Die Kombination von Künstlicher Intelligenz eines Neuronalen Netzes als initialer Schätzer und einer LS Regression als „Verfeinerung" mit einem abschließenden Test hat folgende Vorteile:

1. Wenn die Regression „erfolgreich" ist, besteht eine große Sicherheit, dass die Datenauswertung korrekte Parameterwerte liefert. Diese also bis auf Rauschen gleich zu den physika lisch wahren Werten sind.

2. Gegenüber einer reinen LS Regression: Das Verfahren ist robuster, da es keine separaten Startwertschätzung benötigt.

3. Gegenüber der reinen LS Regression: Das Verfahren ist schneller, da der LS-Fit nur noch wenige zusätzliche Iterati onen benötigt.

4. Gegenüber einer reinen KI: Das Verfahren ist verifiziert, d.h. die Ergebnisparameter sind mit einem (verifizierten) Mo dell überprüft, ob sie zu dem Messvektor passen.

5. Gegenüber einer reinen KI: Das Verfahren liefert genauere Ergebnisse. Die KI allein erreicht oft keine sehr hohe Genau igkeit der Parameterschätzwerte, im Gegensatz zur LS Regres sion, die ein asymptotisch effizienter Schätzer ist.

Weitere Besonderheiten und Vorteile der Erfindung werden aus den nachfolgenden Erläuterungen eines Ausführungsbeispiels anhand von schematischen Zeichnungen ersichtlich. KURZE BESCHREIBUNG DER ZEICHNUNGEN

Es zeigen:

FIG. 1 ein Blockschaltbild einer Vorrichtung zur Auswertung von Sensormesswerten und

FIG. 2 ein Ablaufidagramm eines Verfahrens zur Auswertung von Sensormesswerten .

DETAILLIERTE BESCHREIBUNG DER ERFINDUNG

FIG. 1 zeigt ein Blockschaltbild einer Vorrichtung zur Aus wertung von Sensormesswerten 1.1. Ein Sensor 1 erzeugt Sen sormessewerte 1.1, die als Eingangssignal für eine Rechen- und Auswerteeinheit 2 dienen. Für eine Auswertung der Sensor messwerte 1.1 des Sensors 1 wird eine für eine Least Squares Regression geeignete Modellfunktion bereitgestellt, die durch einen Parametervektor definiert werden kann. Mindestens ein Parameter des Parametervektors bildet ein Sensorausgangssig nal 3. Das Sensorausgangssignal 3 und weitere Sensorausgangs signale werden ausgegeben und auf einer Anzeigeeinheit 4 dar gestellt.

Die Rechen- und Auswerteeinheit 2, beispielsweise ein Compu ter, weist ein den Parametervektor auf Basis real ermittelter Sensormesswerte 1.1 schätzendes Neuronales Netz 2.1 und ein Least Squares Regressionsmodul 2.2 auf. Das Neuronale Netz 2.1 wurde mit Parametervektoren und den dazugehörigen Sensor messwerten 1.1 trainier. Die Rechen- und Auswerteeinheit 2 ist eingerichtet, d.h. ausgebildet und programmiert, zu mit dem Sensor 1 gemessenen Sensormesswerten 1.1 mittels des trainierten Neuronalen Netzes 2.1 mindestens einen Parameter schätzvektor als Eingangsgröße für das Least Squares Regres sionsmodul 2.2 zu ermitteln. Bei Erfüllung eines Konvergenz kriteriums bei der Ausführung der Least Squares Regression wird die Least Square Regression abgebrochen und der oder die Parameter des zuletzt ermittelten Parametervektors werden als Sensorausgangssignal 3 ausgegeben.

Das Konvergenzkriterium kann beispielsweise ein Unterschrei ten eines vorgegebenen Schwellenwerts der Quadratsumme des Residuums der Least Squares Regression, eine vorgebbare maxi male Anzahl von Iterationen oder eine vorgegebene maximale Zeit sein.

Die Rechen- und Auswerteeinheit 2 weist auch ein Bewertungs modul 2.3 auf, das dem Least Squares Regressionsmodul 2.2 nachgeschaltet ist. Eingänge für das Bewertungsmodul 2.3 sind beispielsweise das Residuum der letzten Modellauswertung der Least Squares Regressionen im Least Squares Regressionsmodul, eine Information über den Abbruchstatus der Least Squares Re gressionen und mindestens eine weitere Information der Least Squares Regressionen. Aus den Eingängen ermittelt das Bewer tungsmodul 2.3 einen Erfolgsstatus der Auswertung und gibt diesen als weiteres Sensorausgangssignal 3 aus, wobei der Er folgsstatus „erfolgreich" oder „nicht erfolgreich" sein kann. Bei der Ermittlung des Erfolgsstatus können zusätzlich min destens eine Parameter des zuletzt ermittelten Parametervek tors der Least Squares Regressionen und/oder die Sensormess werte 1.1 zusätzlich berücksichtigt werden.

Das Bewertungsmodul 2.3 kann auch eingerichtet sein, aus dem Residuum der Least Squares Regressionen, einer Information über den Abbruchstatus der Least Squares Regression und min destens einer weiteren Information der Least Squares Regres sionen eine Qualitätsinformation der Auswertung zu ermitteln und als weiteres Sensorausgangssignal 3 auszugeben. Die Qua- litätsinformation (auch als „Quality of Sensing" bezeichen- bar) ist eine kontinuierliche, nicht-negative skalare Variab le. Die Qualitätsinformation kann beispielsweise die euklidi sche Norm des Residuums oder die dimensionslos normierte euk lidische Norm des Residuums der selektierten Least Squares Regression sein. Das Bewertungsmodul kann auch eingerichtet sein, den Erfolgs status auf „erfolgreich" zu setzen, wenn die Qualitätsinfor mation unter einem vorgegebenen Qualitätsschwelle bleibt.

Eine Variante der vorgenannten Ermittlung der Qualitätsinfor mation ist, dass der Bereich der Bildung der euklidischen Norm eingeschränkt ist. Ist z.B. bekannt, dass sich die rele vante Information in einem gewissen Bereich des Messvektors befindet, so kann dieser gezielt selektiert werden und nur die Abweichung von Modell und Messung in diesem Bereich un tersucht werden. Der Bereich mit der relevanten Information kann als „Hilfsgröße" aus der letzten Modellauswertung ausge geben werden.

Eine weitere Variante besteht darin, dass Gewichtsfaktoren (- > Vektor) vor Bildung der euklidischen Norm auf das Residuum angewendet werden. Es findet so eine „weiche" Selektion im Gegensatz zu der „harten" Maskierung (vorhergehender Fall) statt. Die Gewichtsfaktoren werden ebenfalls als Hilfsgrößen mit der letzten Auswertung der Modellfunktion ausgegeben.

Eine weitere Variante sieht vor, mit dem Abbruchstatus der Least Squares Regression Algorithmus zu verknüpft, z.B. über ein heuristisches Regelwerk, welches bestimmte Abbruchstatu sereignisse zusätzlich negativ bewertet.

Die beschriebene Vorrichtung kann u.a. verwendet werden für:

1. Ein Auswerten eines Chromatogramms in der Gaschromatogra phie. Hier sind gute initiale Parameterstartwerte für die Least Squeres Regression sehr wichtig, da aufgrund der Viel zahl der Peaks viele lokale Minima in der LS Regressionsauf gabe existieren und nur eines davon das korrekte globale Op timum ist, d.h. die Konvergenz einer typischen LS Regression, also ihr Algorithmus, ist nicht robust.

2. Eine spektrale Auswertung in der hochaufgelösten Spektro skopie, beispielsweise auf abstimmbaren Lasern basierte Spektroskopie. Auch hier sind gute initiale Parameterstart werte für die LS Regression sehr wichtig, da aufgrund des spektralen Fingerabdrucks viele lokale Minima existieren und nur eines davon das korrekte globale Optimum ist, d.h. die Konvergenz eines typischen LS Regressionsalgorithmus' ist nicht robust.

3.Eine spektrale Auswertung von Zeitreihen, wie z.B. von ge messener Spannung/Strom, Ultraschallvibrationen oder ähnli chem, zur Zustandsprüfung oder Zustandsfeststellung von tech nischen Geräten oder Apparaturen. Oftmals sind Resonanzen (d.h. Peaks) in spektralen Daten von Zeitreihen physikali scher Signale enthalten. Diese folgen oft speziellen Mustern, wie das einzelne Peaks Obertöne besitzen können. Da es mehre re Basisresonanzen geben kann, kann das resultierende Spekt rum sehr komplex erscheinen. Soll ein generisches Modell an gepasst werden, so müssen erst die Basisresonanzfrequenzen bekannt sein. Diese zu identifizieren, ist ein schwieriges Problem, welches durch vorhandenes Rauschen und eventuell sonstigen Störsignalen verkompliziert wird. Kurz gesagt, soll ein Modell angepasst werden, in dem die Parameter, die die Basisresonanzfrequenzen beeinflussen, angepasst werden, ist eine initiale Schätzung dieser unabdingbar für eine erfolg reiche LS Regression. Ein Beispiel ist die Zustandsüberwa chung des Stroms eines Motors unbekannter Größe und Drehzahl.

4. Eine Analyse von Audiodaten, wie Sprache. Hier kann die KI des Neuronalen Netzes eine Spracherkennung durchführen, und weitere Parameter für die Sprachsynthese bestimmen. Das phy sikalische Modell ist hier ein geeignetes Modul zur Sprach synthese. Es soll parametrierbar sein, so dass die vom Spre cher gesprochene Sprache mittels der weiteren Parameter hin reichend genau nachgebildet werden kann. Durch den Vergleich der Messung mit Synthesesignal wird der Verifikationsschritt realisiert.

5. Eine Erkennung von Objekten in Bilddaten. Oft sind in in dustriellen Anwendungen gute Modelle (CAD, o.Ä.) von den in- teressierten Objekten vorhanden. D.h.es ist möglich, a-priori die Szenerie mit einer geeigneten Variation von (Stör-) Hin tergründen zu simulieren. Parameter wie Lage des Objekts oder der Objekte sind Parameter des Rechenmodells sowie Orientie rung im Raum. Die KI des Neuronalen Netzes wird trainiert, mindestens diese Parameter zu schätzen. Danach wird mit der LS Regression die Schätzung verbessert und anschließend die Verifikation durchgeführt. Eine LS Regression, die auf Bild daten operiert,t ist nicht grundlegend verschieden von einer (eindimensionalen) nichtlinearen Regression. Das Modell wird Punkt für Punkt mit der Messung (dem aufgenommenen Bild) ver gleichen und dann der mittlere quadratische Fehler gebildet.

Im Falle der Bilddatenanalyse können auch andere Test kriterien verwendet werden, die zweckmäßiger sind, z.B. eine Gewichtung des Modells und Messung bevor die quadratische Ab weichung berechnet wird. Eine solche Gewichtsfunktion kann dann beispielsweise die Bereiche stärker gewichten wo das Nutzsignal eine starke Amplitude hat, bzw. wo die gesuchte „Information" enthalten ist. Dies kann dazu dienen Störungen, die außerhalb des interessanten Bereiches sind zu unterdrü cken und so die Ablehnungsrate zu verringern.

FIG. 2 zeigt ein Ablaufidagramm eines automatisierten, bei spielsweise computerimplementierten, Verfahrens zur Auswer tung von Sensormesswerten. In dem ersten Schritt 101 wird für eine Auswertung der Sensormesswerte eine für eine LS Regres sion geeignete durch einen Parametervektor definierbare Mo dellfunktion bereitgestellt, wobei ein Sensorausgangssignal durch mindestens einen Parameter des Parametervektors gebil det wird. In dem zweiten Schritt 102 werden ein den Parame tervektor auf Basis real ermittelter Sensormesswerte schät zendes Neuronales Netz und ein Least Squares Regressionsmodul bereitgestellt, wobei das Neuronale Netz mit Parametervekto ren und den dazugehörigen Sensormesswerten in einem vorgela gerten Schritt 100 trainiert wurde. In dem dritten Schritt 103 wird zu gemessenen Sensormesswer ten mittels des trainierten Neuronalen Netzes mindestens ein Parameterschätzvektor als Eingangsgröße für das Leas Squares Regressionsmodul ermittelt. In dem folgenden vierten Schritt 104 wird die LS Regression ausgeführt und bei Erfüllung eines Konvergenzkriteriums bei der Ausführung der Least Squares Re gression die Least Square Regression abgebrochen. Danach wird in dem fünften Schritt 105 der mindestens ein Parameter des zuletzt ermittelten Parametervektors als Sensorausgangssignal ausgegeben .

In einem sechsten Schritt 106 wird aus dem Residuum der Least Squares Regression, einer Information über den Abbruchstatus der Least Squares Regression und mindestens einer weiteren Information der Least Squares Regression ein Erfolgsstatus der Auswertung ermittelt und im siebten Schritt 107 als wei teres Sensorausgangssignal ausgegeben, wobei der Erfolgssta tus „erfolgreich" oder „nicht erfolgreich" sein kann.

Zur Ermittlung des Erfolgsstatus im sechsten Schritt 106 kön nen zusätzlich mindestens ein Parameter des zuletzt ermittel ten Parametervektors und/oder die Sensormesswerte berücksich tigt werden.

In dem achten Schritt 108 wird aus einer Information über den Abbruchstatus der Least Squares Regression und mindestens ei ner weiteren Information der Least Squares Regression eine Qualitätsinformation der Auswertung ermittelt und in dem neunten Schritt 109 als weiteres Sensorausgangssignal ausge geben.

Obwohl die Erfindung im Detail durch die Ausführungsbeispiele näher illustriert und beschrieben wurde, ist die Erfindung durch die offenbarten Beispiele nicht eingeschränkt und ande re Variationen können vom Fachmann daraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen. Bezugszeichenliste

1 Sensor

1.1 Sensormesswerte

2 Rechen- und Auswerteeinheit

2.1 Neuronales Netz

2.2 Least Squares Regressionsmodul

2.3 Bewertungsmodul

3 Sensorausgangssignal

4 Anzeigeeinheit

100 Trainingsschritt

101 Erster Schritt (Bereitstellung Modellfunktion)

102 Zweiter Schritt (Bereitstellung Neuronales Netz und LS Regressionsmodul)

103 Dritter Schritt (Ermittlung Parameterschätzvektor)

104 Vierter Schritt (Abbruch LS Regression)

105 Fünfter Schritt (Ausgabe Parameter)

106 Sechster Schritt (Ermittlung Erfolgsstatus)

107 Siebter Schritt (Ausgabe Erfolgsstatus)

108 Achter Schritt (Ermittlung Qualitätsinformation)

109 Neunter Schritt (Ausgabe Qualitätsinformation)