JPH10500218A - センサーの構成及び該センサー構成による測定値の検出法 - Google Patents

Abstract

(57)【要約】 本発明は，少なくとも１つの検出コイル（２）と、前記検出コイル（２）用の少なくとも１つの電圧源（３）と、検出、処理、測定信号評価手段を具えた評価ユニット（４）とを含むセンサー構成（１）に関する。センサー構成（１）は影響を与える量と測定値の間の物理数学的な関連性を使用者が知る必要なしに披見材料とは実質的に独立して距離及び厚みを測定するために使用される。測定信号を評価するため、センサー構成の評価ユニット（４）は入力層と、少なくとも１つの隠蔽層と、出力層と、個々の層についての接続重みを有するニューラルネットワーク（５）を含む。接続重みは既知の実際の値を有する複数の異なる適当な学習対象についての測定によって学習フェーズにおいて決定され記憶される。

Description

【発明の詳細な説明】 センサーの構成及び該センサー構成による測定値の検出法 本発明は、少なくとも１つの検出コイルと、前記検出コイル用電圧の少なくと も１つの発生源と、検出、処理、測定信号評価手段を具えた評価ユニットとを含 むセンサー構成に関する。 このような渦電流センサーは、長年にわたって広範囲の測定、例えば、距離や 被覆厚さの測定用、ターゲットの導電率及び透磁率の測定用、又は均一性の検査 用、また、標的表面の構造の損傷検出用等に使用されて来た。通常、既知のセン サー構造を用いた測定では、検出される量と、測定値と、可能性のある外乱変数 の間の物理的関連性に広範な知識が必要とされる。この知識は、測定の問題に特 に適している測定及び評価電子回路へ変換する必要があることが多い。別の影響 変数が重なり合うために、或る種の測定は全く実現できず、測定の明確な記述が 得られない。周知のセンサー構成により同様な導電担体上の導電層の厚みを測定 する場合、例えば、特定の標的材料に対する適合にも拘らず、測定エラーが発生 する。これは、例えば、局部的な不均一性、磁化、導電率、実効透磁率、温度傾 斜、その他の存在にも当てはまる。最新技術の周知のセンサー構成を使用する場 合、各々の測定上の問題について、影響変数と測定値の間の数学的関連性を見つ け出すことが必要となる。数学的関連性は或る部分で複雑であり、極端に非線形 であるため、この方法は、全く可能であったとしても、非常に多くの時間を必要 とする。 影響変数と測定値の間の数学的関連性の複雑さは渦電流原理による非接触的距 離測定の例で示される。コイルのインピーダンス（実部分と虚部分）は電気的及 び／又は磁気的に導通性の物体に接近すると変化する。すなわち、測定コイルの インピーダンスを測定することによりコイルと測定しようとする物体の間の距離 を決定できる。測定しようとする物体において、電流が誘導され、これがコイル の励起に反発する。この反応もまた測定する物体の導電性と磁気的反応に依存し ている、すなわち、材料パラメータに依存する。また、温度依存についても同じ である。さらに、インピーダンス値は周波数依存であり、測定距離と非直線的に 関連する。測定の信頼性の高い結果は、こうした影響変数の全部を考慮した場合 にだけ得られるものである。 本発明の目的は、問題となる種類のセンサー構成を開示し、数学的背景の知識 なしに利用者が広く材料に依存しない測定を実行できるようにすることである。 本発明によるセンサー構成は、請求項１の特徴により前述の目的を実現する。 従って、冒頭に説明したセンサー構成は、測定信号を評価するための評価ユニッ トが入力層、少なくとも１つの隠蔽層(hidden layer)、出力層、及び個別の層に ついて接続重み(connection weights)を有するニューラルネットワーク(neural network)を含み、接続重みは既知の実際の値を有する複数の異なる適切な学習対 象についての測定により学習フェーズ(learning phase)で決定記憶されるように 構成される。 本発明によれば、適切に訓練されたニューラルネットワークを測定信号の評価 に使用する場合には、外乱変数と測定値の間の物理数学的関連性の詳細な知識は もはや必用とされないことが分かった。さらに、センサー構成のニューラルネッ トワークは、学習対象の適切な選択と学習フェーズでの測定により異なる種類の 測定用に訓練できることも分かった。従って、本発明のセンサー構成は、異なる 種類の測定を実行することができる。さらに、異なる学習対象の適当な最適な選 択により、未知の、すなわち、学習していない測定対象についての測定が行なえ ることが分かった。使用するニューラルネットワークは関係を近似し、測定点の 間にある実際の値を正しく決定することもできるようになる。従来システムで一 般的な直線化、又は較正(calibration)は、もはや必要とされなくなる。 非接触距離測定の場合、異なる材料の異なる影響を排除することが可能で、学 習フェーズの間に異なる適当な材料から構成された学習対象について測定を実行 する。実際の測定を行なおうとする場合、例えば、金属製材料等では、例えば、 アルミニウム、鉄、ステンレス鋼等の学習対象を選択することで、同様の金属製 対象が学習フェーズで使用される。これらの測定でニューラルネットワークに入 力変数を供給し、学習対象の実際の値が分かっているので、ニューラルネットワ ークの接続重み付けの決定を支援する。この関連で、接続重みについての等価系 を反復して定義過剰(overdefined)になることがある。この場合、自乗平均近似 を実行する。定義不足の等価系又は強く相関した入力値は学習効果がなくなる。 学習フェーズの後、求めた接続重みを対応する電子的要素に保持する。接続重み により入力値の入力ベクトルのマッピング命令を１つ又はそれ以上の出力値に転 送することができる。すなわち、ニューラルネットワークは数学的に閉じた方法 では解決することのできない関係についての近似を見つけ出す。測定フェーズで は、これが学習対象のどれとも異なる材料から構成された測定対象についても距 離測定を支援する。 本発明によるセンサー構成の有利な実施例では、後向き伝播ネットワーク(bac k-propagation network)をニューラルネットワークとして使用する。このような ネットワーク構造は文献から既に十分に知られているので、後向き伝播ネットワ ークについて具体的な構成をさらに詳細に説明する必要はないであろう。但し、 注意すべきことは、後向き伝播ネットワークが、フィードバックのないネットワ ーク構造を有している点である。 このようなネットワークを実現するには、さまざまな可能性が存在する。１つ だけの隠蔽層を有する一段ネットワーク構造では、満足できる結果が得られた。 例えば、満足できる結果が得られた一段ネットワーク構造の種類としては、次の ようなものが挙げられる： タイプ１：８入力ノード、隠蔽層５ノード、１出力ノード タイプ２：８入力ノード、隠蔽層１ノード、１出力ノード タイプ３：６入力ノード、隠蔽層５ノード、１出力ノード タイプ４：４入力ノード、隠蔽層４ノード、１出力ノード タイプ５：２入力ノード、隠蔽層２ノード、１出力ノード また、２個の隠蔽層を有する２段ネットワーク構造も可能である。 本発明によるセンサー構成の特に有利な実施例においては、厳密に一様で微分 可能なコースを有し測定コイルの非直線的動作に適しているシグモイド関数を後 向き伝播ネットワークの要素の伝達関数として使用する。測定コイルの物理的条 件に対する伝達関数の、すなわち、ニューラルネットワークの、個別的な適用が 発生するとしても、シグモイド曲線の形状の利点は保持される。何らかの任意の 入力値を０と１の間の区間にマッピングする。さらに、０に近い入力値は広い範 囲にわたって拡散し、この範囲の曲線のスロープで良く分離される。非常に大き な正又は負の値は常にそれぞれ１に近い、また０に近い活動につながる。これら の絶対的な大きさは、この範囲の非常に平坦な曲線形状の結果として比較的関連 性が薄い。シグモイド関数は、また、微分が非常に簡単であるという利点も有す る。 電圧供給源にミキサー構成を後続させる場合、振幅と周波数の異なる起動電圧 を選択的に生成することができるので非常に有利であろう。異なる周波数での測 定コイルインピーダンスの測定は、相関性はないが物理数学的には関連のある、 ニューラルネットワークの入力値を実現する可能性を表わしている。 ここで、ニューラルネットワークへの入力に直線的に独立した測定値を得るた めには、評価ユニットのコンポーネントとして４線式回路構成を使用することが 提案される。これは、電圧曲線を検出する１本の端子と測定コイルの電流を検出 するためのもう１本の端子を含む。両方の信号とも評価ユニットで処理されて、 Ａ／Ｄ変換と複合分割を行なう。このようにすると、複合インピーダンス値が求 められ、これは起動電圧の振幅及び位相から独立している。評価ユニットは、さ らに測定信号を正規化し伸縮するための手段も含むことができる。このようにし て求めたインピーダンス値だけがニューラルネットワークへの入力値として供給 されることになる。 さらに、本発明は本発明のセンサー構成により測定値を検出する方法にも関す る。この方法は、本発明によるセンサー構成の使用者に対して、使用者が数学的 背景知識なしに異なる種類の測定を実行することができるという自動性を提供す る。 この目的のため、測定値の検出は、求めようとする実際の値のために、入力ノ ードがある限り、非線形に関連する、すなわち、相関性はないが物理数学的には 関連している(uncorrelated but physicomathematically connected)入力値をニ ューラルネットワークのために決定するように実行すべきである。異なる測定周 波数で、測定コイルのインピーダンス値はニューラルネットワークの入力値の条 件を満たすことが分かった。従って、測定フェーズで、測定コイルのインピーダ ンス値は異なる周波数で求められ、これに従って、ニューラルネットワークの入 力へ正規化して印加される。これにより、電圧曲線と電流が異なる周波数で測定 コイルにおいて検出される。 デジタル化した電圧曲線とデジタル化した電流のスペクトルの求め方は各種の 方法がある。本発明の方法の特に有利な応用において、デジタル化した電圧曲線 とデジタル化した電流のスペクトルは、スペクトル推定器の使用を反復して求め られる。この点について、スペクトルは次のように求めることができる： ここでＸ_a（ｔ）は時刻ｎでのサンプリング値、Ｘ_n（ｆ）は時刻ｎでのスペク トル、Ｘ_n+1（ｆ）は時刻ｎ＋１で新たに計算したスペクトルである。項ａＴ／ Ｔ₀で所望するスペクトル線が選択される。反復の開始値として、ｎ＝０とＸ₀（ ｆ）＝０を使用する。Ｘ（ｆ）は複合量、Ｘ（ｔ）は実数である。ｎＴ＝Ｔ₀で （１周期分の持続）、結果はディスクリート・フーリエ変換の結果と正確に一致 する。これは周期の積分乗算にも同様に適用される。すなわち、本発明の方法は スペクトル推定器を表わしている。 本発明による方法の特に有利な変形において、測定コイルの起動電圧としてス ペクトル方形波電圧を使用する。高調波のスペクトル比例部分は純粋な方形波電 圧では周波数が増加するにつれて低下する。これは第１の４つのスペクトル線に ついて大きさの小さい追加の３つの方形波信号を加えることで補償される。この ような補償は、Ａ／Ｄコンバータの実現できる解像度が全ての使用される周波数 で同一であることから有利で、また、この方法では、高いダイナミックの最適変 調を実現することが可能である。すなわち、方形波電圧は、周期的に回帰する(p eriodically recurrent)大きい振幅の１つの方形波パルスと、より小さい振幅の ３つの方形波パルスの各々のシーケンスで構成されると都合がよい。 さらに、測定コイルの交流起動電圧を直流成分に重畳させる場合も有利である 。測定電流は測定コイルの温度としての結論を支援する。コイルインピーダンス の純粋な抵抗成分は追加の入力値としてニューラルネットワークへ供給すること ができ、簡単な方法でセンサーの温度補償を実現することができる。 有益なことに、本発明のセンサー構成、及び前述したような本発明のセンサー 構成を用いた測定値の検出方法は、距離及び被覆厚さの測定に使用することがで きる。すなわち、例えば、金属箔の厚み又は被覆の厚みすらも決定することがで きる。本発明によるセンサー構成のさらに有利な使用方法は、表面被覆の導電率 及び実効透磁率の測定である。 有利な方法で本発明の教示を改良しさらに発展させる可能性は各種存在してい る。この目的のため、一方で請求項１及び請求項１２とは独立した請求項を参照 し、他方で図面を参照しつつ本発明の実施例についての以下の説明を参照する。 図面を参照しての本発明の好適実施例の説明に関連して、また、一般的な好適実 施例及び教示のさらなる展開も説明する。図面において、 図１は本発明によるセンサー構成の概略レイアウトを示すブロック図である。 図２は本発明によるセンサー構成の範囲内で測定コイルを励起するため、そし て、測定コイル上の測定信号を検出するための回路図である。 図３は測定コイルの励起電圧の信号曲線である。 図４は図３の周波数範囲における給電電圧のグラフ図である。 図５は末知の材料パラメータによる金属で行った測定の試験結果を示す。 図１には本発明によるセンサー構成１の基本的レイアウトを示す。センサー構 成１はセンサー素子としての測定コイル２、及び測定コイル２用の電圧供給源３ を含む。さらに評価ユニット４が設けてあり、これは測定信号を検出、処理、評 価するための手段を含む。 本発明によれば、測定信号を評価するための手段は入力層と、少なくとも１つ の隠蔽層と、出力層と、各層についての接続重みを有するニューラルネットワー ク５である。接続重みは実際の値が分かっている複数の異なる適当な学習対象に ついての測定により学習フェーズにおいて決定し記憶する。 図示したニューラルネットワーク５は後向き伝播ネットワークで、一段ネット ワーク構造を有する、すなわち、ネットワーク構造は１つだけの隠蔽層を有する 。ニューラルネットワークの入力層は、例えば、８つの入力ノードを有し、一方 で隠蔽層は５ノードを有し、また、出力層は単一の出力ノードで構成される。ニ ューラルネットワーク５の伝達関数として使用されるのが測定コイル２の非直線 性動作に適し、また、厳密に一様で微分可能な曲線を有するシグモイド関数であ る。 電圧源３、測定コイル２、及び評価ユニット４の範囲内で測定信号を検出する ための手段を実現するものが図２に図示してある。実際の電圧源３にはミキサー 構成６が後続させてあり、振幅と周波数の異なる励起電圧を選択的に生成するこ とができる。図示したミキサー構成６は大きい振幅の１つの方形波パルスと、よ り小さい振幅の３つの方形波パルスの各々の周期的な回帰(recurrent)シーケン スにより構成される方形波信号の形態で励起電圧の実現を容易にしている。この ような信号曲線が図３に図示してある。周波数範囲に関連したグラフは図４から 説明する。図４でもっとも良く分かるように、４つの実質的に等しい強さの周波 数成分を有する信号が、大きい振幅の方形波パルスに、より小さい振幅の数個の 方形波パルスを追加して生成される。 このような方形波信号による測定コイル４の励起の結果として、これら４つの 異なる周波数で測定コイル２のインピーダンス値を求めることが可能である。 図２に図示してあるのは、測定信号、すなわち、測定コイル２の電圧曲線Ｕ_x と電流Ｉ_xを検出する評価ユニット４の部分である。電圧曲線は測定コイル２と 平行に検出され、一方電流は測定コイル２の後ろで検出される。この回路構成は 個別のスイッチング端子が遮蔽される４線式回路法によって実現される。 電圧信号と電流信号の両方にＡ／Ｄ変換と複合分割を行う。この処理において 、測定コイル２の相関していないインピーダンス値は別の周波数で得られ、励起 電圧の振幅及び位相とは独立している。 図２に図示した回路には評価ユニット４の一部を同様に構成する処理手段が後 続する。さらに特定すれば、これにはデジタル化するための手段、すなわち、Ａ ／Ｄコンバータ７、電圧と電流についてフーリエ解析を実行するための手段８、 異なる周波数で複合分割するための手段９、及び複合正規化と伸縮を行うための 手段１０が含まれる。図１に図示してあるように、これらの信号処理段はニュー ラルネットワーク５の入力ノードにだけ隣接している。 図５において、距離測定の試験図の見出しの部分は次のように解釈される： １０種類の試験全部で、隠蔽層１つだけを有する一段ニューラルネットワーク を使用した。タイプ８／５／１は８入力ノード、隠蔽層に５ノード、１出力ノー ドを有するネットワーク構造を表わしている。これの隣に示してあるのが訓練中 に使用した材料で．例えば、銅、鉄、又はＶ２Ａスチールなどである。試験は常 に１０種類の異なる金属で行った。２つの軸は所望する距離又はネットワークの 推定した距離に対応する。試験７から、使用した測定周波数の個数が減少させら れた。注目されるように、少なくとも２つの周波数が有効なため、本法により有 用な結果が得られ、これは、実際の距離と検出した距離の間に良好な相関がある ことを表わしている。しかし、測定周波数の個数が多いとさらに良い近似品質が 得られることになる。 全体として次のようなことが言える： 学習対象ではなかった金属の材料の特性は正しく認識され、補完(interpolate )又は外挿(extrapolate)された。これにより、較正(caljbration)演算を大幅に 短縮することができる。 学習フェーズの分類アルゴリズムは、材料パラメータ、例えば、材料の導電率 や有効透磁率を決定し、距離測定におけるこれらの影響を補償する。 測定しようとする対象における温度変化に起因する材料パラメータの揺らぎ(f luctuation)は距離測定に影響しない。 すなわち、ニューラルネットワークは数学的に厳密な方法で解くことのできな いような関連性についての近似を発見する。しかし、訓練した接続重みから近似 を抽出するのは簡単ではない。異なる入力値とネットワーク構造での試験により 、解度(solubility)についての実験的な記述、及び同様な問題についての必要最 小限の要件が提供される。 前述の図面の説明では考慮してこなかった本発明によるセンサー構成の有利な 実施例に関して、そして、このセンサー構成による測定値の検出のための本発明 による方法に関しては、本発明に関する一般的説明を参照すべきものとする。 最後に、本発明のセンサー構成は距離及び厚みの測定だけに使用されるもので はなく、材料パラメータ、例えば、導電率や実効透磁率等の測定にも使用できる ことを、もう一度明言しておくべきである。

【手続補正書】 【提出日】１９９７年６月６日 【補正内容】 請求の範囲 １．少なくとも１つの測定コイル（２）と、前記測定コイル（２）用の少なく とも１つの電圧源（３）と、測定信号を検出、処理、評価するための手段を有す る評価ユニット（４）を備え、 前記測定信号を評価するための前記評価ユニットは入力層と、少なくとも１つ の隠蔽層と、出力層と、個々の層、すなわち、個々の層のノードについての接続 重みを有するニューラルネットワーク（５）を含み、 前記接続重みは既知の実際の値を有する複数の異なる適当な学習対象について の測定によって学習フェーズにおいて決定され記憶される、 センサー構成（１）で測定した値を検出するための方法であって、 求めようとする実際の値のために、入力ノードがある限り、少なくとも非直線 的に依存するが数理的に関連付けられた入力値が決定され、電圧曲線Ｕ_xと電流 Ｉ_xが異なる周波数で前記測定コイル（２）の測定信号として検出され、ここに 、 前記測定コイル（２）は数個の周波数成分を含む励起電圧でバイアスされるこ とにより、前記測定コイル（２）上で前記電圧曲線Ｕ_x、及び前記電流Ｉ_xの検出 が複数個の周波数で同時に行われ、前記デジタル化した電圧曲線Ｕ_xとデジタル 化した電流Ｉ_xのスペクトルがスペクトル推定器を援用して次式： で求められ、ここで、ｎ_x（ｔ）は時刻ｎでのサンプリング値、Ｘ_n（ｆ）は時刻 ｎでのスペクトル、Ｘ_n+1（ｆ）は時刻ｎ＋１で新たに計算したスペクトル、ま た項ａＴ／Ｔ₀を用いることで所望するスペクトル線が選択され、反復の開始値 として、ｎ＝０とＸ₀（ｆ）＝０を使用すること、 を特徴とする方法。 ２．前記電圧曲線Ｕ_x、と前記電流Ｉ_xから、前記ニューラルネットワーク（５ ）への入力値として使用するための異なる周波数で前記測定コイル（２）のイン ピーダンス値が求められることを特徴とする、請求項１の方法。 ３．前記測定コイル（２）が方形波電圧によって励起されることを特徴とする 、請求項１又は請求項２の方法。 ４．前記方形波電圧が大きな振幅の１つの方形波パルスとより小さな振幅の３ つの方形波パルスからなり周期的に回帰する各々のシーケンスで形成されること を特徴とする、請求項３の方法。 ５．前記測定コイル（２）の前記励起電圧が、交流成分以外にも、直流成分を 含むことを特徴とする、請求項１から請求項４までのいずれか１つの方法。 ６．前記測定コイル（２）の前記インピーダンス値の純粋な抵抗成分が前記ニ ューラルネットワーク（５）への入力値を形成することを特徴とする、請求項５ の方法。 ７．少なくとも１つの測定コイル（２）と、前記測定コイル（２）用の少なく とも１つの電圧源（３）と、測定信号を検出、処理、評価するための手段を有す る評価ユニット（４）を備え、前記測定信号を評価するための前記評価ユニット は入力層と、少なくとも１つの隠蔽層と、出力層と、個々の層、すなわち、個々 の層のノードについての接続重みを有するニューラルネットワーク（５）を含み 、前記接続重みは既知の実際の値を有する複数の異なる適当な学習対象について の測定によって学習フェーズにおいて決定され記憶され、請求項１から６までの いずれか１つの方法を実現するためのセンサー構成であって、 前記電圧源（３）にはミキサー構造（６）が後続され、異なる振幅及び周波数 の励起電圧を選択的に生成できることを特徴とする、 センサー構成。 ８．前記評価ユニット（４）が電圧曲線Ｕｘを検出するためのスイッチング端 子と、前記測定コイル（２）の電流Ｉｘを検出するためのスイッチング端子とを 有する４線式回路構造を含むことを特徴とする、請求項７のセンサー構成。 ９．前記評価ユニットがデジタル化するための手段（７）と、フーリエ解析を 実行するための手段（８）と、複合分割するための手段（９）と、測定信号を正 規 化し伸縮するための手段（１０）とを含むことと、前記測定信号を処理するため のこれらの手段（７，８，９，１０）が前記ニューラルネットワーク（５）より 前置されることを特徴とする、請求項７又は８のセンサー構成。 10．前記ニューラルネットワーク（５）が後向き伝播ネットワークであること を特徴とする、請求項７から９までのいずれかのセンサー構成。 11．前記ニューラルネットワーク（５）が１段ネットワーク構造、すなわち、 １つの隠蔽層を有するネットワーク構造を有することを特徴とする、請求項７か ら請求項１０までのいずれか１つのセンサー構成。 12．前記ニューラルネットワーク（５）の前記入力層が８、６、４、又は２個 の入力ノードを有することを特徴とする、請求項１１のセンサー構成。 13．前記ニューラルネットワーク（５）の前記隠蔽層が５、４、２ノード又は １ノードを含むことを特徴とする、請求項１１又は１２のセンサー構成。 14．前記ニューラルネットワークが２段ネットワーク構造、すなわち、２つの 隠蔽層を有するネットワーク構造を有することを特徴とする、請求項７から請求 項１０までのいずれか１つのセンサー構成。 15．前記ニューラルネットワーク（５）の前記出力層が１つの出力ノードを含 むことを特徴とする、請求項７から請求項１４までのいずれか１つのセンサー構 成。 16．前記測定コイル（２）の非線形動作に適合し且つ厳密に一様で微分可能な 曲線を有するシグモイド関数が前記ニューラルネットワークの伝達関数として用 いられることを特徴とする、請求項７から請求項１５までのいずれか１つのセン サー構成。 17．距離及び被覆厚みを測定するための、請求項１から請求項６までのいずれ か１つの方法の使用方法。 18．導電率及び実効相対透磁率を測定するための、請求項１から請求項６まで のいずれか１つの方法の使用方法。

Claims (1)

1. 【特許請求の範囲】 １．少なくとも１つの測定コイル（２）と、前記測定コイル（２）用の少なく とも１つの電圧源（３）と、測定信号を検出、処理、評価するための手段を有す る評価ユニット（４）を具えたセンサー構成（１）であって、 前記測定信号を評価するための前記評価ユニット（４）が、入力層と、少なく とも１つの隠蔽層と、出力層と、個々の層についての接続重みを有するニューラ ルネットワーク（５）を含むことと、前記接続重みは既知の実際の値を有する複 数の異なる適当な学習対象についての測定によって学習フェーズにおいて決定さ れ記憶されることを特徴とする、センサー構成。 ２．前記ニューラルネットワーク（５）が後向き伝播ネットワークであること を特徴とする、請求項１のセンサー構成。 ３．前記ニューラルネットワーク（５）が一段ネットワーク構造、すなわち、 １つの隠蔽層を有するネットワーク構造を有することを特徴とする、請求項１又 は請求項２のセンサー構成。 ４．前記ニューラルネットワーク（５）の前記入力層が８、６、４、又は２個 の入力ノードを有することを特徴とする、請求項３のセンサー構成。 ５．前記ニューラルネットワーク（５）の前記隠蔽層が５、４、２ノード又は １ノードを含むことを特徴とする、請求項３又は請求項４のセンサー構成。 ６．前記ニューラルネットワークが２フェーズ・ネットワーク構造、すなわち 、２つの隠蔽層を有するネットワーク構造を有することを特徴とする、請求項１ 又は請求項２のセンサー構成。 ７．前記ニューラルネットワーク（５）の前記出力層が１つの出力ノードを含 むことを特徴とする、請求項３から請求項６までのいずれか１つのセンサー構成 。 ８．前記測定コイル（２）の非線形動作に適し、また厳密に一様で微分可能な 曲線を有するシグモイド関数が前記ニューラルネットワークの伝達関数として用 いられることを特徴とする、請求項１から請求項７までのいずれか１つのセンサ ー構成。 ９．前記電圧源（３）にはミキサー構造が後続され、異なる振幅及び周波数の 励起電圧を選択的に生成できることを特徴とする、請求項１から請求項８までの い ずれか１つのセンサー構成。 10．前記評価ユニット（４）は電圧曲線Ｕ_xを検出するためのスイッチング端 子と、前記測定コイル（２）の電流Ｉ_xを検出するためのスイッチング端子とを 有する４線式回路構造を含むことを特徴とする、請求項１から請求項９までのい ずれか１つのセンサー構成。 11．前記評価ユニットがデジタル化するための手段（７）と、フーリエ解析を 実行するための手段（８）と、複合分割するための手段（９）と、測定信号を正 規化し伸縮するための手段（１０）とを含むことと、前記測定信号を処理するた めのこれらの手段（７，８，９，１０）は前記ニューラルネットワーク（５）よ り前置されることを特徴とする、請求項１から請求項１０までのいずれか１つの センサー構成。 12．請求項１から請求項１１までのいずれか１つのセンサー構成を用いて測定 値を検出するための方法であって、 求めようとする実際の値のために、入力ノードがある限り、少なくとも非直線 的に依存するが数学的に関連付けられた入力値が決定されることを特徴とする、 方法。 13．前記電圧曲線Ｕ_xと前記電流Ｉ_xは異なる周波数で前記測定コイル（２）上 の測定信号として検出されることを特徴とする、請求項１２の方法。 14．前記デジタル化した電圧曲線Ｕ_xとデジタル化した電流Ｉ_xのスペクトルが スペクトル推定器を援用して反復演算において求められることを特徴とする、請 求項１２又は請求項１３のいずれか１つの方法。 15．前記デジタル化した電圧曲線Ｕ_xとデジタル化した電流Ｉ_xそれぞれのスペ クトルが として求められ、ここでｎ_x（ｔ）は時刻ｎでのサンプリング値、Ｘ_n（ｆ）は時 刻ｎでのスペクトル、Ｘ_n+1（ｆ）は時刻ｎ＋１で新たに計算したスペクトル、 また項ａＴ／Ｔ₀を用いることで所望するスペクトル線が選択され、反復の開始 値として、ｎ＝０とＸ₀（ｆ）＝０を使用することを特徴とする、請求項１４の 方法。 16．前記電圧曲線Ｕ_xと前記電流Ｉ_xから、前記ニューラルネットワーク（５） への入力値として使用するための異なる周波数で前記測定コイル（２）のインピ ーダンス値が求められることを特徴とする、請求項１３から請求項１５のいずれ か１つの方法。 17．前記測定コイル（２）が方形波電圧によって励起されることを特徴とする 、請求項１２から請求項１６までのいずれか１つの方法。 18．前記方形波電圧が大きい振幅の１つの方形波パルスと、より小さい振幅の ３つの方形波パルスからなり周期的に回帰する各々のシーケンスで形成されるこ とを特徴とする、請求項１７の方法。 19．前記測定コイル（２）の前記励起電圧が、交流成分以外に、直流成分をも 含むことを特徴とする、請求項１２から請求項１８までのいずれか１つの方法。 20．前記測定コイル（２）の前記インピーダンス値の純粋な抵抗成分は前記ニ ューラルネットワーク（５）への入力値を形成することを特徴とする、請求項１ ９の方法。 21．距離及び被覆厚みを測定するための、請求項１から請求項１４までのいず れか１つのセンサー構成の使用方法。 22．導電率及び実効相対透磁率を測定するための請求項１から請求項１４まで のいずれか１つのセンサー構成の使用方法。