显微镜的组件的维修预测的制作方法

1.本发明涉及一种用于显微镜的组件以及一种用于查明显微镜的组件的运行状态的方法和计算机程序。


背景技术：

2.为了最大限度地减少显微镜的停用时间，需要对相应的显微镜进行定期维护，必要时还需要进行修理。为了在定期维护时尽可能高效地利用资源，需要对显微镜的运行状态、尤其是异常运行状态进行检测。根据检测到的运行状态，可以了解进行维护的必要性，并对显微镜进行有针对性的维护和修理。
3.从专利文本us 9 599 804 b2中已知一种系统，其中，对显微镜的测试是由中央控制服务器远程执行的。对测试结果的评估在中央控制服务器上进行。
4.专利文本de 10 2018 133 196 a1公开了一种用于借助用显微镜的图像传感器拍摄的图像来查明显微镜的维护需求的方法。由此可以识别显微镜中影响图像的问题。想要在可能的问题影响图像之前识别出它们，或者识别出根本不影响图像的问题，是不可能的。因此，通常只能查出特别严重的问题。
5.此外，在公知的方法中不利的是，为了识别问题，需要装入额外的、成本高且占用空间大的硬件，尤其是以传感器或数据传输元件的形式。


技术实现要素：

6.本发明的任务是提供一种用于显微镜的组件和方法，其特别快速且高效地查明组件的运行状态。
7.所述任务通过具有权利要求1所述特征的显微镜的组件以及具有权利要求13所述特征的方法得以解决。有利的开发方案在从属权利要求中给出。
8.显微镜的组件包括至少一个致动器和/或至少一个传感器以及控制和评估单元。所述控制和评估单元被构造为用于查明传感器和/或致动器的参数的当前参数值，并且借助于存储在该控制和评估装置中的统计模型来分析所查出的参数值。此外，所述控制和评估单元还被构造为，基于这种分析来查明表征组件的运行状态的运行状态值，并且当运行状态值就某个阈值而言满足某个预定的条件时，就将运行状态确定为异常运行状态。
9.传感器或致动器的参数尤其是指传感器或致动器的技术运行变量。致动器例如是马达。那么所查出的致动器的表征运行状态的参数例如就可以是马达的电流消耗或其温度或其在预定行驶范围内的运行时间。该传感器例如是分配给可定位组件的接触传感器，并且当组件到达特定位置时，该传感器提供接触信号作为参数。在存在多个接触传感器的情况下，也可以检测多个接触信号，并且例如评估它们的时间间隔，以便从中导出行驶速度作为参数。
10.参数值用作统计模型的输入数据。统计模型的相应初始数据包括运行状态值。由此也许可以在实际故障之前可靠地和预防性地识别出有问题的组件、尤其是有问题的致动
器和/或传感器、或者说组件的由传感器监控的功能的质量，并且能够实现特别有效的维护和修理。因此，借助组件的控制和评估单元对组件的致动器和/或传感器的参数值进行统计分析。从这种分析出发，确定组件的、尤其是致动器和/或传感器的运行状态，从而可以为该组件有效地查明预防性的维护或修理需求。运行状态描述了组件偏离或未偏离其预期的、正常的功能的情况。此功能借助参数值确定。
11.有利的是，当阈值存储在控制和评估单元中。由此使得能够特别快速和有效地确定运行状态。
12.此外有利的是，当阈值被存储在计算机网络中。计算机网络尤其是可以是所谓的云，其中，阈值被分散地存储。由此可以特别容易地调整阈值，并且能够特别灵活地确定运行状态。
13.特别有利的是，当阈值可以通过计算机网络实时更新，尤其是使得存储在控制和评估单元中的阈值可以用一个新的、另外的阈值重写。由此使得能够特别灵活地确定运行状态。
14.在一种特别有利的实施方式中，所述控制和评估单元包括微控制器。微控制器能够特别有效和快速地确定组件的运行状态，尤其是实时地确定运行状态。此外，微控制器还使得一种特别节省空间的构造方式成为可能。
15.此外有利的是，当统计模型包括多变量分布函数。多变量分布函数描述了随机变量取值小于或等于某个数字x的概率。在此，随机变量的值取决于多个参数。这样的随机变量也被称为随机向量或输入向量。这使得不仅可以识别出单个错误，还可以识别出更复杂的变化，例如参数之间的、可能导致故障的相互作用。不是仅仅分别通过确定极限值来检查参数，而是还观察总体参数的极限值。因此，目的是确定与正常情况的偏差，以便在出现问题之前，即预测性地，确定维护或保养措施。由此特别可靠且有效地确定了组件的运行状态。
16.有利的是，当借助机器学习创建统计模型。为了创建统计模型，对输入数据进行评分(“标记”)，为此将参数值的可能的值范围例如对应组件的正常运行、或有缺陷的运行、或者组件无法运行。由此使得可以分析特别大量的参数，从而特别可靠地查明运行状态。
17.特别有利的是，当控制和评估单元被设计为在异常运行状态下输出服务消息，其中，服务消息可以在本地输出至显微镜和/或通过计算机网络输出至远程设备。由此有可能的是，特别快速地对异常运行状态作出反应，并采取特别有效的预测性维护措施。
18.此外特别有利的是，当控制和评估单元被设计为在运行期间连续不断地检测组件的运行状态。由此使得可以确保显微镜的不间断运行。
19.有利的是，当存储在控制和评估单元中的统计模型可以通过计算机网络进行实时更新。由此使得能够特别快速和有效地确定组件的运行状态。
20.此外有利的是，当控制和评估单元被设计为参数值各自连同一个时间戳一起存储到控制和评估单元中，并且随着时间的推移分析各个参数的参数值。由此使得可以在检查运行状态时特别容易地查出参数值的缓慢变化。
21.有利的是，当控制和评估单元被设计为在不进行图像数据分析的情况下查明操作状态。由此使得能够高效且快速地查明操作状态，尤其是针对那些对图像数据没有影响的组件。
22.本发明的另一个方面涉及一种用于查明显微镜的组件的运行状态的方法，其中，该组件包括控制和评估单元、至少一个致动器和/或至少一个传感器。所述方法包括以下步骤：查明传感器和/或执行器参数的当前参数值；借助于存储在控制和评估单元中的统计模型来分析所查明的参数值，并且基于该分析来查明表征组件的运行状态的运行状态值；并且当运行状态值满足关于阈值的某个预定条件时，则将运行状态确定为异常运行状态。
23.特别有利的是，当借助机器学习来创建统计模型。由此使得可以分析特别大量的参数，从而特别可靠地查明运行状态。
24.所述方法可以以前文针对组件所描述的相同方式进一步开发，尤其是通过在从属权利要求中给出的特征。
25.本发明的另一方面涉及一种计算机程序，其具有用于执行用于查明运行状态的方法的程序代码。
26.本发明的另一个方面涉及一种微控制器，其具有用于执行用于查明运行状态的方法的程序代码。
27.更多的特征和优点来自以下说明，其结合附图对实施例进行了更详尽的阐述。
附图说明
28.图中示出：
29.图1是显微镜的组件的示意性结构图，
30.图2是用于创建统计模型的方法的流程图，
31.图3是用于查明按照图1所示的组件的运行状态的方法的流程图，以及
32.图4示出了系统400，其包括显微镜410和计算机系统420。
具体实施方式
33.图1示出了显微镜的组件100的示意性结构。显微镜尤其可以是光学显微镜，例如共焦显微镜或宽视场显微镜，例如光片显微镜。组件100包括传感器102和致动器104，它们分别都与一个控制和评估单元106连接，并由其驱控。
34.显微镜包括多个图1所示类型的、不同的组件。这些组件监控和/或执行显微镜的各种功能。在根据图1所示的实施例中，组件100是反射镜单元，它将反射镜选择性地移动到显微镜光束路径中的某个位置或光束路径外的某个位置。因此，反射镜单元的致动器104包括例如移动反射镜的马达。借助传感器102可查明，反射镜是否由于马达驱动的运动而到达两个最终位置中的一个。为此，传感器102例如是接触传感器。除了马达之外，致动器104还包括马达放大器和马达编码器。
35.此外，作为替选，也可以多个传感器102和/或多个致动器104与控制和评估单元106连接。例如，组件100可以额外地包括其他的接触传感器，用于查明反射镜的其他位置。此外，作为替选，可以分别只有至少一个传感器102或至少一个致动器104与控制和评估单元106连接。
36.显微镜的组件的其他例子包括：调整物镜的电动聚焦驱动器的聚焦单元；移动电动的载物台的载物台单元；以及电动地切换显微镜的物镜的物镜转台单元。致动器的其他例子有马达，例如用于皮带驱动的马达，以及升降磁体。传感器的其他例子有光栅、霍尔传
感器、微动开关、温度传感器、空气湿度传感器和旋转编码器。
37.控制和评估单元106尤其是微控制器。微控制器包括至少一个处理器和一个存储器元件。这种微控制器也被称为“系统芯片”。作为替选，控制和评估单元106也可以包括微处理器或集成电路，如现场可编程门阵列。所述控制和评估单元106例如连接到显微镜的内部总线系统108。通过内部总线系统108，控制和评估单元106依据系统计算机的操作程序接收显微镜的内部系统计算机的控制命令，从而以此控制显微镜的运作。所述控制及评估单元106借助致动器104和传感器102执行这些控制命令。基于这些控制命令，控制和评估单元106计算脉冲宽度调制值(所谓的pwm值)形式的马达控制信号，并经由马达输出级控制马达。在此，马达的位置由控制和评估单元106连续不断地借助马达编码器和有限状态机查明。有限状态机是一种电子电路，它基于输入数据(例如马达编码器信号)来查明有限数量的输出数据，例如马达编码器位置。此外，通过传感器102查明反射镜到达两个最终位置中的一个。
38.在显微镜运行期间，传感器102和致动器104的参数分别被监控。这些参数由控制和评估单元106读取，并且由控制和评估单元106分析查明的参数值。
39.与马达相关联的参数例如有转矩、马达电流和/或转数、控制指令以及出现的错误。与接触传感器相关联的参数例如可以是触点的开断状态、电流消耗、接触时的电阻和/或开关时间，以及出现的错误。
40.相应的参数值也可以由控制和评估单元106本身生成，例如当借助于马达控制信号和马达输出级驱动马达时，正如文中开头所述。此外，控制和评估单元106可以在马达编码器的帮助下生成相应的参数值。此外还有可能的是，控制和评估单元106从查明的主要参数值中查明其他的次要参数值。
41.此外，参数值还可以带有时间戳。时间戳使得可以将每个参数值与控制和评估单元106查明该参数值的时间点和/或时间段关联起来。
42.在任何情况下，组件100、尤其是控制和评估单元106都不从显微镜图像中查明参数值。换句话说，参数值不是借助显微镜的图像传感器查明的图像数据。同样地，仅查明致动器104和传感器102的那些对于执行相应组件100的功能而言必要的参数。在组件100中没有安装对于该组件100的功能运行而言不必要的致动器或传感器。也就是说，不需要额外的致动器或传感器来单独用于查明组件100的运行状态。
43.控制和评估单元106通过总线系统108与计算机网络110相连。计算机网络110例如是显微镜所在位置的计算机或可以与控制和评估单元106在本地交换数据的服务器。作为替选或者作为附加，计算机网络110可以是去中心化的云，其尤其是由多个经由网络连接彼此相连的服务器组成。由此使得控制和评估单元106可以与远程的外部计算机交换数据。
44.此外，控制和评估单元106与统计模型112一起协同工作。统计模型112存储在控制和评估单元106中，例如存储在微控制器的存储元件中。在统计模型112的帮助下，对借助控制和评估单元106查明的参数值进行分析。例如，通过一种将在下文中参照图3详细描述的方法检测运行状态。基于所查明的运行状态，可以由控制和评估单元106输出服务消息114。统计模型112例如由多变量分布函数来表示。
45.多变量分布函数描述了随机变量取值小于或等于数字x的概率。在此，随机变量的值取决于多个参数。这样的随机变量也被称为随机向量或输入向量。在这里，输入向量包括
多个参数值。
46.图2示出了用于创建统计模型112、尤其是创建多变量分布函数的方法的流程图。
47.所述方法以步骤s210开始。在步骤s212中，获取组件100的训练数据。这些数据尤其是与致动器104或传感器102相关联的参数的特殊参数值。组件10的这些参数例如是控制指令，其对应的是反射镜应由致动器104摇动到达的目标位置，还例如是马达编码器位置，对应的是马达轴的位置，还例如是接触传感器位置，对应的是反射镜中的两个最终位置之一，以及例如是用于驱动致动器104的pwm值。这些参数值是在组件100运行期间以密集的时间间隔检测到。采样间隔例如为100毫秒(ms)。优选地，为多个组件100查明这些参数值，从而为每个组件100查明并保存参数值的数据集。此外还必须注意的是，该数据集不仅包括处于正常运行状态的组件还包括处于异常运行状态的组件。
48.表1示出了以这种方式从时间点0ms开始为组件100查明的参数值，包含在时间点100ms生成的、要求切换位置的控制指令。
49.表1:
[0050][0051]
在接下来的步骤s214中，为在步骤s212中获取的数据集评分。在这种情况下，对数据集的评分也被称为“标记”。这个评分过程例如由开发工程师执行，并判断某个特定时间点的参数值是否指示故障。这个评分过程对应于为组件100、尤其是致动器104和传感器102的运行状态的评分过程。评分在这里例如被描述为二元变量。作为替选，评分可以是离散的变量或连续的变量。
[0052]
在表2中，为组件100查明的数据评分，其中，评分“0”标识组件100的异常运行状态，尤其是组件100的故障。
[0053]
表2:
[0054][0055]
然后，在步骤s216中，将以参数值的形式收集和评分的训练数据用作输入向量用来学习多变量分布函数。多变量分布函数例如可以是由多个互连节点组成的神经网络。神经网络的节点处理输入向量，并基于加权和激活函数计算输出向量。在学习神经网络期间，在此，迭代地如下改变各个节点的权重，即，使得输出向量和在步骤s214中分配的评分之间的误差最小化。
[0056]
在步骤s218中，将在步骤s216中学习的多变量分布函数导出为可执行的程序代码。在此，输入和输出向量被实施为传输参数。此外，程序代码包括数组，该数组包括在步骤s216中查明的权重。
[0057]
在步骤s220中，在步骤s218中导出的程序代码形式的多变量分布函数被集成到控制和评估单元106中。尤其是多变量分布函数被存储在控制和评估单元106的存储元件中。安排在步骤s220中进行的存储工作可以在显微镜的组装过程中完成，从而使得显微镜连同存储在组件100中的多变量分布函数一起供应。作为替选也有可能的是，事后再将多变量分布函数存储到存储元件中，例如在显微镜的功能升级期间。此外还设计的是，让多变量分布函数可更新，尤其是通过计算机网络110。于是例如可以从去中心化的云中进行更新。所述方法以步骤s222结束。
[0058]
图2所述的方法通常在功能强大的计算机上执行。这个计算器不必是显微镜的一部分。
[0059]
图3示出了用于查明显微镜的组件100的运行状态的方法的流程图。所述方法以步骤s310开始。在步骤s312中，组件100的致动器104和传感器102的参数值由控制和评估单元106在时间点t获取。在此，参数值带有时间戳，从而可以对获取的参数值进行时间分配。例
如，时间戳可以是相对于某个事件测得的时间指示。该事件尤其可以是组件100的功能激活。作为替选或者作为附加，时间指示可以是绝对的，例如是带有或不带有日期的钟点时间。由控制和评估单元106读取的参数尤其是控制指令，其对应的是反射镜应由致动器摇动到达的目标位置，还有马达编码器位置，其对应的是马达轴的位置，还有接触传感器位置，其对应的是反射镜的两个最终位置中的一个，以及用于驱控致动器的pwm值。
[0060]
在步骤s314中，在步骤s312中查明的参数值随后绑定到输入向量中。表3例如示出了这样的输入向量的参数值。
[0061]
表3:
[0062][0063]
在步骤s316中，在多变量分布函数的帮助下对控制和评估单元106的输入向量进行分析。在此，多变量分布函数输出运行状态值。该运行状态值代表输出向量。步骤s312和s314中使用的参数在此与用于学习多变量分布函数(参见根据图2所示的方法，尤其是步骤s212)的参数一致。步骤s312和s314中的参数值的获取和处理以及步骤s316中的分析连续地实时进行。这意味着，这些参数值是在组件100运行期间以密集的时间间隔检测到。例如可以以10ms到200ms范围内的间隔，尤其是100ms的间隔。此外，小于10ms且大于100ms的时间范围也适合使用。参数的获取基本上取决于组件的条件。然后在查明参数值之后立即进行分析。这种实时的分析例如通过以下方式得以实现，即在组件100内、尤其是在控制和评估单元106中对参数值进行相应的处理和分析，以及对运行状态进行检测。不会费时地并且在时间上有延迟地传输参数值或其他用来查明运行状态的数据。
[0064]
在步骤s318中，紧接着基于输出向量通过控制和评估单元106查明组件100的运行状态。在这里，将输出向量与阈值进行比较。在输出向量低于阈值时，确定为异常运行状态。因此，基于组件的参数值、尤其是基于组件100的与致动器104或传感器102相关联的参数来查明组件100的运行状态。阈值可以通过计算机网络110传输，正如针对多变量分布函数所描述过的那样。这样尤其是可以从去中心化的云中实现实时更新。
[0065]
因此，尤其是当至少致动器104或传感器102处于异常运行状态时，查明组件100的异常运行状态。这种异常的运行状态此外还可能是由内在因素引起的，像是例如因为本身有问题的致动器104，或者由外在因素引起，像是例如因为磨损或污染引起的致动器104的缓慢加重的功能恶化。在这两种情况下的目的都是：在致动器104实际停机之前识别出致动器104的可能发生的停机，尤其是在致动器104尚未发生故障并且致动器104的正常功能仍然得到保障时。结果，由此仍然确保了相应的组件100的正常功能。致动器104的异常运行状态在这两种情况下意味着致动器104即将停机。
[0066]
在步骤s320中，控制和评估单元106输出关于所查明的显微镜运行状态的服务消息114。尤其是当已经查出了异常的运行状态时，则输出该服务消息114。服务消息114被输出至显微镜，尤其是输出至显微镜的显示单元，或者输出至本地的计算机。作为替选或者作为附加，服务消息114经由计算机网络110被输出至远程的服务计算机。由此例如可以让服
务技术人员了解所需的维护。此外，服务消息114还可以包含具有异常运行状态的致动器104和传感器102的列表。此外，基于这个列表，优选地可以自动订购适当的备件，或者可以安排相应的显微镜的服务预约。所述方法以步骤s322结束。
[0067]
因此，通过采用多变量分布函数，不仅基于单个参数查明运行状态，而且还在考虑多个参数、尤其是它们的相互作用的情况下查明运行状态。这使得可以特别高效地在组件100实际停机之前检测到组件100的可能的停机。
[0068]
术语“和/或”包括一个或多个相关列出的元素的所有组合，可以缩写为“/”。
[0069]
尽管已经在有关装置的上下文中描述了一些方面，但是很明显，这些方面也是对相应方法的描述，其中，一个模块或一个装置对应于某个方法步骤或某个方法步骤的某个功能。类似地，在有关方法步骤的上下文中描述的所有方面也是对相应的模块或元件或相应的装置的特性的描述。
[0070]
一些实施例涉及这样一种显微镜，其包括如结合图1至图3中的一个或多个所描述的系统。作为替选，显微镜可以是结合图1至图3中的一个或多个所描述的系统的一部分，或者与之相连接。图4示出了系统400的示意图，其被构造用于执行本文所述的方法。系统400包括显微镜410和计算机系统420。显微镜410被构造成用于拍摄图像，并且与计算机系统420连接。计算机系统420被构造成用于执行本文所描述的方法的至少一部分。计算机系统420可以被构造为执行机器学习算法。计算机系统420和显微镜410可以是独立的单元，但也可以一起集成在一个共同的壳体中。计算机系统420可以是显微镜410的中央处理系统的一部分，和/或计算机系统420可以是显微镜410的部件的一部分，像是例如显微镜410的传感器、致动器、相机或照明单元等。
[0071]
计算机系统420可以是具有一个或多个处理器和一个或多个存储器装置的本地计算机设备(例如个人计算机、笔记本电脑，平板电脑或移动电话)，或者可以是分布式计算机系统(例如具有分布在不同地方的、例如分布在本地客户端和/或一个或多个远程服务器场和/或数据中心的、一个或更多个处理器或一个或者更多个存储器设备的云计算系统)。计算机系统420可以包括任何电路或电路的组合。在一种实施例中，计算机系统420可以包括一个或多个处理器，它们可以是任何类型的。根据本地习惯，处理器可以指任何类型的计算电路，例如(但不限于)微处理器、微控制器、包含复杂指令集的微处理器(cisc)、包含精简指令集的微处理器(risc)、超长指令字(vliw)微处理器、图形处理器、数字信号处理器(dsp)、多核处理器、现场可编程门阵列(fpga)，例如显微镜或显微镜部件(例如相机)，或任何其他类型的处理器或处理电路。其他类型的、可以包括在计算机系统420中的电路可以是：专门设计的电路、专用集成电路(asic)或类似的，像是例如一个或多个用在无线设备中的电路(例如通信电路)，像是用在移动电话、平板电脑、笔记本电脑、无线电收发器和类似的电子系统中。计算机系统420可以包括一个或多个存储器设备，其可以包括一个或多个适合于相应应用的存储器元件，像是例如直接存取存储器(ram)形式的主存储器、一个或多个硬盘和/或一个或多个驱动器，其用于运行可移除的介质，像是例如cd、闪存卡、dvd等类似物。计算机系统420还可以包括显示设备、一个或多个扬声器以及键盘和/或控制系统，其可以包括鼠标、轨迹球、触摸屏、语音识别设备或任何其他的设备，其允许系统用户向计算机系统420输入信息和从中接收信息。
[0072]
一些或所有的方法步骤都可以通过硬件设备(或者在使用硬件设备的情况下)执
行，像是例如处理器、微处理器、可编程计算机或电子电路。在一些实施例中，可以通过这样的设备执行其中一个或者多个最重要的方法步骤。
[0073]
根据特定的实施要求，本发明的实施例可以在硬件或软件中实现。这种实施可以用非易失性存储介质来实现，比如数字存储介质，例如软盘、dvd、蓝光、cd、rom、prom和eprom、eeprom或闪存，其上存储有电子可读的控制信号，这些控制信号以执行相应方法流程的方式与可编程计算机系统交互(或可以交互)。因此，数字存储介质可以是计算机可读的。
[0074]
根据本发明的一些实施例包括含有电子可读控制信号的数据载体，这些控制信号可与可编程计算机系统交互，从而执行本文所述的方法之一。
[0075]
一般而言，本发明的实施例可以被实现为含有程序代码的计算机程序产品，其中，当计算机程序产品在计算机上运行时，该程序代码可以用于执行所述方法之一。该程序代码例如可以存储在机器可读的载体上。
[0076]
进一步的实施例包括用于执行本文描述的方法之一的计算机程序，其存储在机器可读的载体上。
[0077]
换言之，本发明的实施例因此是包含程序代码的计算机程序，其用于当计算机程序在计算机上运行时执行本文所述的方法之一。
[0078]
因此，本发明的另一个实施例是一种存储介质(或数据载体或计算机可读介质)，其包括存储其上的计算机程序，其用于在由处理器运行时执行本文所述的方法之一。数据载体、数字存储介质或记录介质通常是有形的和/或不是无过渡的(
ü
bergangslos)。本发明的另一个实施例是如本文所述的设备，其包含处理器和存储介质。
[0079]
因此，本发明的另一个实施例是代表着用于执行本文所述方法之一的计算机程序的数据流或信号序列。例如，数据流或信号序列可以被如下地配置，即，使得它们经由数据通信连接(例如经由互联网)被传输。
[0080]
另一个实施例包含处理装置，例如计算机或可编程的逻辑设备，其被配置或调适用于执行本文所述的方法之一。
[0081]
另一个实施例包含计算机，其上安装有用于执行本文所述的方法之一的计算机程序。
[0082]
根据本发明的另一个实施例包含一种设备或一种系统，其被配置为(例如，电子地或光学地)向接收器传输用于执行本文所述的方法之一的计算机程序。接收器例如可以是计算机、移动设备、存储设备或诸如此类。所述设备或所述系统例如可以包括用于将计算机程序传输给接收方的文件服务器。
[0083]
在一些实施例中，可以使用可编程逻辑设备(例如现场可编程门阵列，fpga)，用于执行本文所述方法的一些或全部功能。在一些实施例中，现场可编程门阵列可以与微处理器共同协作，以执行本文所述的方法之一。通常，这些方法优选地由任何硬件设备来执行。
[0084]
实施例可以基于使用机器学习模型或机器学习算法。机器学习可以指的是那些可以利用计算机系统在不使用明确指令的情况下执行特定的任务的算法和统计模型，而不依赖于模型和推理。在机器学习时，例如可以使用从对历史和/或训练数据的分析中推导出的数据转换，而不是使用基于规则的数据转换。例如，可以在使用机器学习模型或使用机器学习算法的情况下来分析图像的内容。为了使机器学习模型可以分析图像的内容，可以在使
用训练图像作为输入内容并且使用训练内容信息作为输出内容的情况下来训练机器学习模型。通过用大量的训练图像和/或训练序列(例如词或句子)和对应的训练内容信息(例如标签或注释)来训练机器学习模型，使得该机器学习模型“学会”识别图像的内容，从而可以在使用机器学习模型的情况下识别未包含在训练数据中的图像的内容。同样的原理也可以用于其他类型的传感器数据：通过使用训练传感器数据和所期望的输入内容训练机器学习模型，让机器学习模型“学会”传感器数据和输出内容之间的转换，该转换可用于基于提供给机器学习模型的非训练传感器数据来提供输出内容。所提供的数据(例如传感器数据、元数据和/或图像数据)可以进行预处理，以获取特征向量，该特征向量被用于机器学习模型的输入端。
[0085]
可以在使用训练输入数据的情况下训练机器学习模型。上述的例子使用了一种被称为“监督学习”的训练方法。在训练学习中，在使用多个训练样本值的情况下来训练机器学习模型，其中，每个样本值可以包括多个输入数据值和多个期望的输出值，即为每个训练样本值分配一个期望的输出值。通过不仅提供训练样本值还提供期望的输出值，机器学习模型“学会”基于与训练期间提供的样本值相近的输入样本值要提供什么输出值。除了监督学习以外，还可以使用半监督学习。在半监督学习时，一些训练样本值缺少期望的输出值。监督学习可以以基于监督学习算法(例如分类算法、回归算法或相似性学习算法)。当输出内容局限在有限数量的值(分类的变量)内时，可以使用分类算法，也就是说，输入内容被分类为一组有限值。当输出内容具有任何数值(在某个范围内)，则可以使用回归算法。相似性学习算法可以类似于分类算法和回归算法，但是基于在使用相似性函数的情况下从例子中学习，该函数测量两个对象的相似性或相关性。除了监督学习或半监督学习之外，还可以采用无监督学习训练机器学习模型。在无监督学习时，可能(仅)提供输入数据，并且可以使用无监督学习算法在输入数据中找到结构(例如通过对输入数据进行分组或聚类，在数据中找到相似性)。聚类是将包括多个输入值的输入数据分配到子集(聚类)中，使得同一聚类内的输入值依据一个或多个(预定义的)相似性标准是相似的，而它们与包含在其他聚类中的输入值是不相似的。
[0086]
强化学习是第三组机器学习算法。换句话说，强化学习可以用来训练机器学习模型。在强化学习中，会训练一个或多个软件执行者(所谓的“软件代理”)在某个环境中做出行动。根据所做出的行动来计算奖励。强化学习是基于训练一个或多个软件代理，以选出行为，方式是：增加累积的奖励，从而使软件代理在完成交付给它的任务时表现得更好(如通过奖励增加得以证明)。
[0087]
此外，一些技术可以应用于一些机器学习算法。例如可以使用特征学习。换句话说，可以至少部分地在使用特征学习法的情况下来训练机器学习模型，和/或机器学习算法可以包括特征学习部件。被称为表达学习算法的特征学习算法可以获得其输入内容中的信息，但它可以对这些信息进行转换，以使其有用，通常作为在进行分类或进行预测之前的预处理阶段。特征学习例如可以基于主部件分析或聚类分析。
[0088]
在一些例子中，可以使用异常检测(即异常值检测)，其目的是识别出引起怀疑的输入值，因为它们与大多数输入数据和训练数据显著不同。换句话说，可以至少部分地在使用异常检测的情况下来训练机器学习模型，和/或机器学习算法可以包括异常检测部件。
[0089]
在一些例子中，机器学习算法可以使用决策树作为预测模型。换句话说，机器学习
模型可以基于决策树。在决策树中，对某个对象(例如一组输入值)的观察可以用决策树的分支来表示，并且与该对象相对应的输出值可以用决策树的树叶来表示。决策树不仅可以支持离散值，还可以支持连续值作为输出值。当使用离散值时，决策树可以被称为分类树，当使用连续值时，决策树可以被称为回归树。
[0090]
关联规则是另一种可以在机器学习算法中使用的技术。换句话说，机器学习模型可以基于一个或多个关联规则。关联规则是通过在存在大量数据时识别出变量之间的比率关系来创建的。机器学习算法可以识别和/或使用一个或多个比率关系规则，它们代表了从数据中推导出的知识。这些规则例如可以用于存储、操控或应用这些知识。
[0091]
机器学习算法通常是基于机器学习模型。换句话说，“机器学习算法”这个概念可以指的是可用于创建、训练或使用机器学习模型的一组指令。“机器学模型”这个概念可以指的是表示(例如基于由机器学习算法执行的训练)所学到的知识的数据结构和/或规则集。在多个实施例中，使用机器学习算法可以意味着使用一个底层的机器学习模型(或多个底层的机器学习模式)。使用机器学习模型可以意味通过某种机器学习算法来训练机器学习模型和/或代表该机器学习模型的数据结构/规则集。
[0092]
例如，机器学习模型可以是人工神经网络(ann)。ann是受生物神经网络启发的系统，如同在视网膜或大脑中发现的生物神经网络。ann包括多个互连节点和多个在节点之间的连接，即所谓的边缘(edge)。通常有三种节点类型，即接收输入值的输入节点、(仅)与其他节点连接的隐藏节点、和提供输出值的输出节点。每个节点可以代表一个人工神经元。每个边缘可以将信息从一个节点发送到另一个节点。节点的输出内容可以被定义为输入内容的(非线性)函数(例如其输入内容的总和)。节点的输入内容可以基于提供这些输入内容的边缘或节点的“权重”被用在函数中。节点和/或边缘的权重可以在学习过程中进行调整。换句话说，人工神经网络的训练可以包括调整人工神经网络节点和/或边缘的权重，即为了为特定的输入内容实现期望的输出。
[0093]
作为替选，机器学习模型可以是支持向量机、随机森林模型或梯度增强模型。支持向量机是包含相应的学习算法的监督学习模型，其可用于分析数据(例如进行分类分析或回归分析)。支持向量机可以通过提供包含多个属于两个类别之一的训练输入值的输入内容来进行训练。支持向量机可以被训练为用于为两个类别中的其中之一分配新的输入值。作为替选，机器学习模型可以是贝叶斯网络，它是概率有向无环图形模型。贝叶斯网络可以在使用有向无环图形的情况下来表示一组随机变量及其决定的相关性。作为替选，机器学习模型可以基于遗传算法，遗传算法是一种模拟自然选择过程的搜索算法和启发式技术。
[0094]
附图标记列表
[0095]
100 组件
[0096]
102 传感器
[0097]
104 致动器
[0098]
106 控制和评估单元
[0099]
108 总线系统
[0100]
110 计算机网络
[0101]
112 统计模型
[0102]
114 服务消息
[0103]
400 系统
[0104]
410 显微镜
[0105]
420 计算机系统

技术特征：
1.一种用于显微镜的组件(100)，包括：至少一个传感器(102)和/或至少一个致动器(104)，以及控制和评估单元(106)，其中，所述控制和评估单元(106)被构造成：查明传感器(102)和/或致动器(104)的参数的当前参数值，借助存储在所述控制和评估单元(106)中的统计模型(112)分析查明的参数，并且基于分析查明表征所述组件的运行状态的运行状态值，以及当运行状态值关于阈值满足预设的条件时，将所述运行状态确定为异常的运行状态。2.根据权利要求1所述组件，其中，所述阈值存储在所述控制和评估单元(106)中。3.根据以上权利要求中任一项所述的组件，其中，所述阈值存储在计算机网络(110)中。4.根据以上权利要求中任一项所述的组件，其中，所述阈值能够通过计算机网络(110)实时更新。5.根据以上权利要求中任一项所述的组件，其中，所述控制和评估单元(106)包括微控制器。6.根据以上权利要求中任一项所述的组件，其中，所述统计模型(112)包括多变量分布函数。7.根据以上权利要求中任一项所述的组件，其中，所述统计模型(112)是借助机器学习创建的。8.根据以上权利要求中任一项所述的组件，其中，所述控制和评估单元(106)被构造成在异常的运行状态下输出服务消息(114)，其中，所述服务消息(114)在本地可输出至显微镜和/或经由计算机网络可输出至远程设备。9.根据以上权利要求中任一项所述的组件，其中，所述控制和评估单元(106)被构造成在运行期间连续不断地查明所述组件(100)的运行状态。10.根据以上权利要求中任一项所述的组件，其中，存储在所述控制和评估单元(106)中的统计模型(112)能够通过计算机网络(110)实时更新。11.根据以上权利要求中任一项所述的组件，其中，所述控制和评估单元(106)被构造成：将各自带有时间戳的参数值存储在所述控制和评估单元(106)中，并且随着时间的推移对各个参数的参数值进行分析。12.根据以上权利要求中任一项所述的组件，其中，所述控制和评估单元(106)被构造成在不对图像数据进行分析的情况下查明运行状态。13.一种用于查明显微镜的组件(100)的运行状态的方法，其中，所述组件(100)包括控制和评估单元(106)、至少一个传感器(102)和/或至少一个致动器(104)，所述方法包括以下步骤：查明所述传感器(102)和/或所述致动器(104)的参数的当前参数值，借助存储在所述控制和评估单元(106)中的统计模型(112)对查明的参数值进行分析，并且基于分析查明表征所述组件(100)的运行状态的运行状态值，以及当所述运行状态值就阈值而言满足预设的条件时，将所述运行状态确定为异常的运行状态。
14.根据权利要求13所述的方法，其中，借助机器学习创建所述统计模型(112)。15.一种计算机程序，其包含用于执行根据权利要求13或14所述方法的程序代码。16.一种包含存储其上的程序代码的微控制器，所述程序代码在被运行时被设计为执行用于查明显微镜的组件(100)的运行状态的方法，所述组件包括至少一个传感器(102)和/或至少一个致动器(104)：查明传感器(102)的和/或致动器(104)的参数的当前参数值，借助存储在控制和评估单元(106)中的统计模型(112)对查明的参数值进行分析，并且基于分析查明表征所述组件(100)的运行状态的运行状态值，以及当所述运行状态值就阈值而言满足预设的条件时，将所述运行状态确定为异常的运行状态。

技术总结
一种用于显微镜的组件(100)包括至少一个传感器(102)和/或至少一个致动器(104)，以及控制和评估单元(106)。所述控制和评估单元(106)被构造成用于查明传感器(102)和/或致动器(104)的参数的当前参数值，并且借助存储在所述控制和评估单元(106)中的统计模型(112)分析查明的参数值。此外，所述控制和评估单元(106)还被构造成：基于分析查明表征所述组件的运行状态的运行状态值，并且当运行状态值关于阈值满足预设的条件时，将该运行状态确定为异常的运行状态。异常的运行状态。异常的运行状态。


技术研发人员：马库斯
受保护的技术使用者：莱卡微系统CMS有限责任公司
技术研发日：2021.11.15
技术公布日：2023/8/21