在生产过程期间校准电子组件的制作方法

1.本发明涉及一种用于在生产过程期间校准电子组件的方法，以及一种具有校准设备和要校准的电子组件的校准装置。


背景技术：

2.电子组件经常以高的件数被制造并且必须满足关于其测量精度的不同要求。为此，在生产线中在组件的装配和编程之后将单独的校准站引入生产线中。在校准站中预先给定组件的利用高精度测量仪器定义的电压和电流值，确定差值并且由此确定校准值并保存在组件的固件中用于所有后续测量。
3.如果例如在模拟组件中存在多个通道或安装有多个输入电路，则必须相应地进行许多耗时的测量，因为校准值可能因通道而不同。此外，可能需要在不同的测量范围内对通道进行校准。由于校准时间随组件的通道的数量以及测量类型和测量范围的数量而大量缩放，所以每个制造商都力求减少这些大多针对生产线确定速率(taktgebend)的时间。
4.利用特殊的知识可能的是，通过智能组合来节省个别校准步骤并且因此优化校准过程。如果模拟输入电路的某个放大例如被用于多个测量类型(电压、电流、温度)中，则也许足以仅在这些测量类型中的一个测量类型中校准放大并且在内部将校准值用于其他测量类型和/或测量范围。然而，这经常导致组件之内的电路的降低的或波动的精度。


技术实现要素：

5.因此，本发明的任务是提供一种方法，在该方法中缩短校准过程的持续时间并且关于测量精度实现不变的产品质量。
6.该任务通过在独立权利要求中所描述的措施来解决。在从属权利要求中呈现了本发明的有利的改进方案。
7.根据第一方面，本发明涉及一种用于在生产过程期间校准电子组件的方法，该方法具有以下步骤：
[0008]-为组件确定校准值，所述校准值在预先给定的输入值的情况下说明由组件输出的实际输出值与预先给定的期望输出值之间的偏差，
[0009]-将校准值传送给组件，以及
[0010]-将校准值存储在组件中，
[0011]
其中组件的校准值借助在校准设备中执行的机器学习方法来确定，并且机器学习方法借助训练数据来训练，所述训练数据包括多个相同类型的组件的历史校准值以及相同类型的组件的依赖于生产的和/或表达物理特性的参数。
[0012]
借助所提到的训练数据，可以通过机器学习方法对组件的生产过程中的依赖于生产的物理关系和相似性进行建模，并且可以确定要校准的组件的校准值的预期值。该预期值作为校准值由机器学习方法输出。通过机器学习方法，可以减少用于校准过程的时间耗费并且因此可以在不变的产品质量的情况下实现生产中的成本节省。在制造组件和/或其
元件时长期的研究和开发发现可以被用于优化生产过程。
[0013]
在一种有利的实施方式中，训练数据附加地包括组件的至少一个元件的依赖于生产的和/或表达物理特性的参数。
[0014]
因此，组件的元件的依赖于生产的和/或物理的特性也可以以机器学习方法来建模并且因此也考虑所提供的元件的特性。一个或多个元件例如在分别独立的生产过程中被制造并且可能经受不同的影响。在元件的生产期间，可以使用不同的材料或具有不同的参数、如半导体器件的批号或厚度的单个零件。因此，可以获得关于产品质量以及元件趋势的更深入的认识。
[0015]
在一种有利的实施方式中，训练数据附加地包括相同类型的组件的生产环境的表达物理特性的参数。
[0016]
因此，在确定校准值时可以考虑生产环境中的不同的条件、诸如高的或低的环境温度的影响。
[0017]
在一种有利的实施方式中，组件包括多于一个的要校准的组件部件，并且针对组件部件中的每个单独的组件部件，由校准设备确定校准值并传送给组件。
[0018]
这能够实现对每个组件部件的单独的校准。
[0019]
在一种有利的实施方式中，在校准设备中从要校准的组件接收校准查询标识符，并且根据所传送的校准查询标识符将校准值从校准设备传送给要校准的组件，其中校准查询标识符可以被分配给训练数据的参数中的至少一个参数。
[0020]
因此，校准查询标识符从组件被传送给校准设备并发起校准值的确定。校准查询标识符一方面表征组件，针对该组件请求校准值，并且该校准查询标识符包括该组件的至少一个依赖于生产的和/或表达物理特性的参数，其中该参数曾被用于训练机器学习方法。经训练的机器学习方法根据该校准查询标识符确定请求的要校准的组件的校准值。
[0021]
在一种有利的实施方式中，在校准设备中从要校准的组件接收校准查询标识符，并且根据所传送的校准查询标识符将校准值从校准设备传送给要校准的组件，其中校准查询标识符包括针对要校准的组件的组件部件之一通过测量所确定的校正值。
[0022]
针对要校准的组件的组件部件之一通过测量所确定的校准值作为其他输入参数被传送给经训练的机器学习方法。由于该附加的输入值，经训练的机器学习方法可以为该组件的其他部件以更高精度确定校准值并且输出该校准值。
[0023]
在一种有利的实施方式中，确定被校准的组件和/或被校准的组件部件的利用所存储的校准值实现的精度，并且根据所确定的精度，将品质值分配给组件和/或被校准的组件部件。
[0024]
因此，可以确定并向组件的用户保证被校准的组件或组件部件的利用所存储的校准值实际实现的精度。因此，可以根据品质值有针对性地针对具有对输出精度的不同要求的应用来使用组件或组件部件。
[0025]
在一种有利的实施方式中，存储在组件中的至少一个校准值在成功的解锁动作之后才被释放用于在组件中使用。
[0026]
因此，在客户处对组件的再校准是可能的。
[0027]
在一种有利的实施方式中，可以释放分别用于一个组件部件的校准值或用于多个组件部件的校准值和/或分别用于组件部件的一个测量变量的校准值或用于组件部件的多
个不同的测量变量的校准值。
[0028]
这能够实现组件或其部件的灵活的和在输出精度方面与需求有关的使用。
[0029]
在一种有利的实施方式中，至少一个校准值通过在组件中接收对于该组件而言特定的密码密钥来激活。
[0030]
该密码密钥一方面能够实现校准值在组件中的防篡改的存储。通过该密码密钥可以将改进的测量精度作为组件的性能特征简单地提供给用户。
[0031]
在一种有利的实施方式中，分别用于组件的多于一个的不同的精度级的校准值由校准设备确定并且被存储在组件上，并且可以根据要求释放与在组件上有效的校准值不同的校准值。
[0032]
这能够实现在生产过程之后对组件的再校准。根据需求，可以将用于所期望的精度级的校准值加载到组件中。
[0033]
根据第二方面，本发明涉及一种用于在生产过程期间校准电子组件的校准设备，包括：
[0034]-校准单元，该校准单元构成为，为组件确定校准值，所述校准值说明在预先给定的输入值的情况下由该组件输出的实际输出值与预先给定的期望输出值之间的偏差，以及
[0035]-输出单元，该输出单元构成为，将所述校准值传送给该组件，
[0036]
其中该组件的校准值借助在校准设备中执行的机器学习方法来确定，并且该机器学习方法借助训练数据来训练，所述训练数据包括多个相同类型的组件的历史校准值以及相同类型的组件的依赖于生产的和/或表达物理特性的参数。
[0037]
通过在校准单元中构成的机器学习方法，该校准设备能够实现校准值的精确确定，而不必对要校准的组件执行测量。这缩短在生产期间的校准过程。校准设备可以在空间上与生产设施分离地布置。例如，校准设备可以通过服务器云中的服务器构成，并经由数据连接将校准值传送给生产设施并进一步传送给组件。这能够实现将中央的校准设备用于例如在不同的生产设施中的多个也在空间上分开执行的生产过程。
[0038]
根据第三方面，本发明涉及一种电子组件，包括：
[0039]-输入接口，该输入接口构成为从校准设备接收用于该组件的校准值，该校准值说明在预先给定的输入值的情况下由该组件输出的实际输出值与预先给定的期望输出值之间的偏差，
[0040]-存储单元，该存储单元构成为将该校准值存储在该组件中，
[0041]
其中该组件的校准值借助在校准设备中执行的机器学习方法来确定，并且该机器学习方法借助训练数据来训练，所述训练数据包括多个相同类型的组件的历史校准值以及相同类型的组件的依赖于生产的和/或表达物理特性的参数，以及
[0042]-输出接口，该输出接口构成为将校准查询标识符从该组件发送给校准设备，其中可以将所述训练数据的参数中的至少一个参数分配给该校准查询标识符。
[0043]
该电气组件在校准方面特别灵活。因此，所述组件可以在生产过程期间通过与校准设备通信来校准。组件的测量精度或校准值可以在生产过程之后被解锁或改变。
[0044]
本发明的第四方面涉及一种校准系统，该校准系统包括根据本发明的校准设备和至少一个要校准的组件，所述校准设备和所述组件构成为执行根据本发明的方法。
[0045]
本发明的第五方面涉及一种计算机程序产品，该计算机程序产品包括可以直接被
加载到数字计算机的存储器中的非易失性计算机可读介质，该非易失性计算机可读介质包括程序代码部分，在所述程序代码部分通过数字计算机执行时所述程序代码部分促使该数字计算机执行该方法的步骤。
[0046]
除非在以下描述中另有说明，术语“确定”、“传送”、“存储”等优选地涉及改变和/或产生数据和/或将数据转变为其他数据的动作和/或过程和/或处理步骤，其中数据尤其可以被表示为物理变量、例如电脉冲或作为物理变量、例如作为电脉冲存在。该装置和其中可选地包含的部件、诸如校准单元或存储单元等可以包括一个或多个处理器。处理器尤其可以是主处理器(英语：central processing unit(中央处理单元)，cpu)、微处理器或者微控制器、例如专用集成电路或者数字信号处理器，可能与用于存储程序指令的存储单元相组合，等等。
[0047]
计算机程序产品、诸如计算机程序构件例如可以作为存储介质、诸如存储卡、u盘、cd-rom、dvd或以可以从网络中的服务器下载的文件的形式提供或供应。
附图说明
[0048]
根据本发明的方法和根据本发明的装置的实施例在附图中示例性地呈现并且借助以下描述来更详细地解释。
[0049]
图1以示意图示出用于校准组件的常规方法的示例；
[0050]
图2以示意图示出具有多个输入通道或测量变量的组件的示例；
[0051]
图3作为流程图示出根据本发明的校准方法的第一实施例；
[0052]
图4以示意图示出在生产过程之内根据本发明的校准方法的第二实施例；
[0053]
图5以示意图示出具有在生产过程之内针对组件部件测量到的校准值的根据本发明的校准方法的第三实施例；
[0054]
图6示出具有在生产过程之后请求校准值的根据本发明的校准方法的第四实施例；以及
[0055]
图7以框图示出根据本发明的校准装置的实施例。
[0056]
彼此对应的部分在所有图中配备有相同的附图标记。
具体实施方式
[0057]
为了说明，在图1中呈现在生产过程期间的常规校准过程。在生产过程期间，安装好的、但是未被校准的组件10被输送给校准站15，未被校准的状态通过阴影表示。该组件10由多个、例如四个组件部件11、12、13、14组成。该组件10例如可以是存储器可编程的控制装置的输入组件，所述控制装置关于要实现的测量精度有非常高的要求。
[0058]
在图2中呈现了构成为输入组件20的组件。输入组件20包括多个组件部件，所述组件部件分别构成为输入电路的通道21、22、23、24，以及包括模数转换器25。经由所述通道21、22、23、24之一输送的模拟输入信号ain由模数转换器25转换，输出数字输出信号dout。
[0059]
在校准站15中校准期间，所定义的、预先给定的输入变量作为输入值被施加到输入电路、这里通道21的输入端上，并且将输出信号的测量到的输出值与预先给定的期望值进行比较。根据在所定义的输入值的情况下测量到的输出值与期望值之间的偏差确定校正值。这些校正值作为校准值被存储在组件中并且在存储器可编程的控制装置的以后的运行
中被用作输入电路的校正值。利用所存储的校准值被校准的组件16离开校准站15。在所述图中呈现没有阴影的被校准的组件。
[0060]
如果在输入组件20中如所呈现的那样存在多个通道21、22、23、24或安装有多个输入电路，则必须相应地进行许多耗时的测量，因为校准值可能因通道而不同。此外，可能需要在不同的测量范围内对通道进行校准。这在组件的生产中导致高成本。
[0061]
借助图3，现在解释在生产过程期间用于电子组件的校准方法，所述校准方法能够实现针对校准过程所需的时间的显著减少，提供在校准值方面足够的精度，以及包括对所使用的经训练的机器学习方法的客观评价。
[0062]
在第一方法步骤s1中，为组件确定校准值。该校准值说明在预先给定的输入值的情况下由组件输出的实际输出值与预先给定的期望输出值之间的偏差。组件的校准值借助在校准设备中执行的机器学习方法来确定。该机器学习方法借助训练数据来训练，所述训练数据包括多个相同类型的组件的历史校准值以及相同类型的组件的依赖于生产的和/或表达物理特性的参数。训练数据可以附加地包括组件中的至少一个k的依赖于生产的和/或表达物理特性的参数和/或相同类型的组件的生产环境的表达物理特性的参数。
[0063]
紧接着，参见方法步骤s2，所确定的校准值被传送给组件并被保存在组件中，参见方法步骤s3。
[0064]
因为在要校准的组件中依赖于生产的物理关系和相似性由于生产过程、生产环境或由于被用于制造组件的各个元件的材料而存在，所以可能的是，通过机器学习方法对这些关系建模并确定校准值的预期值，该预期值然后作为校准值被输出。
[0065]
该机器学习方法例如可以构成为深度神经网络、广义非线性回归模型等等。该机器学习方法
[0066][0067]
根据输入数据确定估计的校准值其中说明预测的校正值，并且y说明在物理校准的情况下、即通过测量真实的实际输出值并确定与在预先给定的输入值的情况下预先给定的期望输出值的偏差的校正值。在此情况下可能的是，在p维输入数据空间x中使用历史校准值以及关于生产参数、环境变量、组件部件、尤其还有供应商零件的制造过程的其他信息、以及关于所使用的材料的信息、例如在半导体元件的晶片之内的位置和/或其他影响参数，以便实现对校准值y的尽可能精确的预测。
[0068]
在例如构成为神经网络的机器学习方法中通过经由例如梯度下降使例如欧氏距离或l1距离的距离度量d(y，f(x))最小化来确定校准值的精确预测。这些方法也涵盖识别不足(p＜q)的情况，使得利用低维的输入空间x推断出更高维的输出空间y变为可能。
[0069]
优选地，通过如下方式客观地评价经训练的学习方法：模型f(.)利用测试数据集(x
train
，y
train
)来训练，并且接着利用测试数据集(x
test
，y
test
)借助距离量度来评价经训练的机器学习方法的性能，使得可以经由d(y
test
，f(x
test
))客观地说明估计的和实际的校准值的预期偏差。
[0070]
根据机器学习方法的输入和输出数据空间y和x的配置和定义，即根据被用于训练机器学习方法的训练数据，可以确定用于组件的校准值、分别用于一个组件部件的校准值或用于多个组件部件的校准值和/或分别用于一个测量变量的校准值或用于组件部件的多
个不同的测量变量的校准值。因此，校准方法的不同实施方式是可能的。
[0071]
图4示出校准方法的一种实施方式，在该校准方法中校准值事先由校准设备中的机器学习方法确定并保存在组件中。紧接着，仅还进行现在通过校准值实现的与没有校准值的状态相比更高精度的检验。在这种情况下，来自过去制造的组件的数据以及其他外部影响变量位于输入数据空间中。而输出数据空间包括组件的所有校准数据。
[0072]
图4的上部示出用于借助历史校准数据32训练机器学习模型42的训练装置30，该机器学习模型紧接着在生产过程40中被用于确定要校准的组件的校准数据。
[0073]
在训练装置30中，确定来自与要校准的组件41相同类型的多个组件31的历史校准值32、优选地来自组件31的每个组件部件45的校准值。未经训练的机器学习方法33利用例如通过测量所确定的历史校准值32并且利用其他数据源、尤其利用组件31的依赖于生产的参数34和/或表达物理特性的参数来训练。训练数据可以附加地包括组件的至少一个元件的依赖于生产的和/或表达物理特性的参数或附加地包括相同类型的组件31的生产环境的表达物理特性的参数。
[0074]
在校准装置40中，要校准的组件41将校准查询标识符43传送给布置在校准设备中的经训练的机器学习方法42。校准查询标识符43可以分配给训练数据的参数中的至少一个参数。校准查询标识符例如可以是关于组件的所安装的元件的信息并且可以分配给训练数据。经训练的机器学习方法42借助校准查询标识符43确定一个或多个校准值44并将所述校准值传送给要校准的组件41。如果要校准的组件41包括多于一个要校准的组件部件45，则针对组件部件45中的每个单独的组件部件由校准设备确定校准值并传送给组件41。
[0075]
图5示出用于校准方法60的另一实施方式的校准装置50，在该校准方法中经训练的机器学习方法62基于借助常规方法确定的各个校准值现在仅为剩余部件的一部分预测校准值并且因此成比例地缩短校准时间。因此，机器学习方法62的输入数据空间包括来自过去制造的组件的数据以及当前存在的组件的数据和可选地其他外部影响变量。机器学习方法62的输出数据空间现在只包括要校准的组件61的校准数据的一部分。
[0076]
在训练装置50中，确定来自与要校准的组件61相同类型的多个组件51的历史校准值52、优选地来自组件51的每个组件部件的校准值。未经训练的机器学习方法53利用例如通过测量所确定的历史校准值52并且利用其他数据源、尤其利用组件51的依赖于生产的和/或表达物理特性的参数54来训练。训练数据可以附加地包括组件的至少一个元件的依赖于生产的和/或表达物理特性的参数或附加地包括相同类型的组件31的生产环境的表达物理特性的参数。
[0077]
在生产过程60中，用于要校准的组件61的组件部件65中的一个组件部件的校准值通过校准站66以常规方式确定。要校准的组件61将校准查询标识符63传送给布置在校准设备中的经训练的机器学习方法62，其中校准查询标识符63包括为要校准的组件的组件部件所确定的校准值。经训练的机器学习方法62根据所传送的校准查询标识符63为要校准的组件65的其他组件部件确定校准值64并将这些校准值传送给组件65。
[0078]
图6示出图4中的校准方法的变型方案。机器学习模型62根据训练装置30来训练。通过机器学习模型62，在生产设施中的生产过程60期间要校准的组件61的所有必要的校准值被确定，被传送给要校准的组件61并被存储在那里。在生产过程的最后检查中，为了最大可实现的精度的极限值进行精度的验证。被校准的组件61的利用所存储的校准值所实现的
精度和/或被校准的组件部件的所实现的精度被确定，并且根据所确定的精度，给组件和/或被校准的组件部件分配品质值。然而，以较低的精度等级或品质等级交付组件。
[0079]
在需要时，可以在组件61的各个组件部件中或者只在组件部件的各个测量范围中解锁更高的精度。为此，借助唯一的组件标识符(f-id)生成密钥，该密钥单独地解锁在组件中已经存在的校准值。被存储在组件61中的至少一个校准值在成功的解锁动作之后才被释放用于在组件中使用。校准值可以针对不同的时间间隔被解锁。可以释放分别用于一个组件部件的校准值或用于多个组件部件的校准值和/或分别用于组件部件的一个测量变量的校准值或用于组件部件的多个不同的测量变量的校准值。至少一个校准值通过在组件61中接收对于组件61而言特定的密码密钥来激活。分别用于组件61的多于一个的不同的精度级的校准值由校准设备确定并且被存储在组件上，并且可以根据要求释放与在该组件上有效的校准值不同的校准值。
[0080]
在此有利的是，各个组件部件、例如通道或各个测量范围可以在需要时在确定的时间间隔内被解锁，并且因此组件61的用户获得更大的灵活性。此外，组件的用户可以节省成本，因为用户在对少量通道有高精度要求的情况下不必针对所有通道变换到该精度等级。
[0081]
图7示出校准系统的一个实施例，该校准系统包括要校准的电子组件70的一个实施例和校准设备80的一个实施例。
[0082]
要校准的电子组件70包含至少一个组件部件71、存储单元72、输入接口73和输出接口74。输入接口73构成为从校准设备80接收用于组件70的校准值、例如图4、图5、图6中的校准值44、64，所述校准值说明在预先给定的输入值的情况下由组件70或组件部件71之一输出的实际输出值与预先给定的期望输出值之间的偏差。在此为组件部件71中的每个组件部件或为组件部件71的不同的测量变量或不同测量范围接收自己的校准值。
[0083]
存储单元72构成为将经由输入接口73所接收的至少一个校准值44、64存储在存储单元73中。组件70的校准值44、64是借助在校准设备80中执行的机器学习方法确定的，其中该机器学习方法借助训练数据来训练，所述训练数据包括多个相同类型的组件的历史校准值以及相同类型的组件的依赖于生产的和/或表达物理特性的参数。
[0084]
输出接口74构成为产生校准查询标识符43、63，参见图4和图5，训练数据的参数中的至少一个参数可以被分配给该校准查询标识符，或者该校准查询标识符包括为要校准的组件70的组件部件71之一通过测量所确定的校准值。输出接口74将该校准查询标识符43、63从组件70发送给校准设备80。
[0085]
每个组件部件71构成为接收具有输入值的输入信号并输出具有输出值的输出信号。输出值根据输入信号来确定并以被校正了存储在存储单元72中的校准值的方式被输出。
[0086]
校准设备80包括校准单元81、输出单元82和输入单元83。输入单元83布置为接收校准查询标识符43、63。
[0087]
校准单元81包括至少一个处理器，经训练的机器学习方法布置在该处理器上并且可以在在该处理器上被执行。校准单元81构成为借助校准查询标识符43、63或从校准查询标识符43、63中导出的标识符来确定用于组件70的校准值44、64。校准查询标识符43、63从输入单元83作为输入值被输送给校准单元81中的机器学习方法，并且所确定的校准值44、
64被输出给输出单元82。输出单元82构成为将校准值44、64传送给组件70。
[0088]
校准设备80也可以构成为执行对机器学习方法的训练。为此，在校准设备80中接收训练数据，所述训练数据包括多个相同类型的组件的校准值(也称为历史校准值)、以及相同类型的组件的依赖于生产的和/或表达物理特性的参数。为了评价机器学习方法，可以将为组件通过经训练的机器学习方法所确定的校准值与测量到的校准数据进行比较，并且可以优化机器学习方法。对机器学习方法的训练也可以在与校准设备80物理分离的设备中执行并且在训练之后被引入到校准设备80中。
[0089]
所有方法步骤都可以通过适合于执行相应方法步骤的相应设备来实施。所有可以由具体的特征执行的功能都可以是该方法的方法步骤。所有所描述和/或所描绘的特征都可以在本发明的范围内有利地被相互组合。本发明并不限于所描述的实施例。

技术特征：
1.用于在生产过程(40，60)期间校准电子组件的方法，具有步骤：-为所述组件(41，61)确定(s1)校准值(44，64)，所述校准值说明在预先给定的输入值的情况下由所述组件(41，61)输出的实际输出值与预先给定的期望输出值之间的偏差，-将所述校准值(44，64)传送(s2)给所述组件(41，61)，以及-将所述校准值(44，64)存储(s3)在所述组件(41，61)中，其中所述组件(41，61)的校准值(44，64)借助在校准设备(47，67)中执行的机器学习方法(42，62)来确定，并且所述机器学习方法(42，62)借助训练数据来训练，所述训练数据包括多个相同类型的组件的历史校准值(32，52)以及所述相同类型的组件的依赖于生产的和/或表达物理特性的参数(34，54)。2.根据权利要求1所述的方法，其中所述训练数据附加地包括所述相同类型的组件的至少一个元件的依赖于生产的和/或表达物理特性的参数。3.根据上述权利要求之一所述的方法，其中所述训练数据附加地包括所述相同类型的组件的生产环境的表达物理特性的参数。4.根据上述权利要求之一所述的方法，其中所述组件(41，61)包括多于一个的要校准的组件部件(45，65)，并且针对所述组件部分(45，65)中的每个单独的组件部件由所述校准设备(47，67)确定所述校准值(44，64)并传送给所述组件(41，61)。5.根据上述权利要求之一所述的方法，其中在所述校准设备(47，67)中从所述要校准的组件(41，61)接收校准查询标识符(43，63)，并且根据所传送的校准查询标识符(43，63)将所述校准值(44，64)从所述校准设备(47，67)传送给所述要校准的组件(41，61)，其中所述校准查询标识符(43，63)能够被分配给所述训练数据的参数中的至少一个参数。6.根据上述权利要求之一所述的方法，其中在所述校准设备(47，67)中从所述要校准的组件(41，61)接收校准查询标识符(43，63)，并且根据所传送的校准查询标识符(43，63)将所述校准值(44，64)从所述校准设备(47，67)传送给所述要校准的组件(41，61)，其中所述校准查询标识符(43，63)包括针对所述要校准的组件(41，61)的组件部件(45，65)之一通过测量所确定的校准值。7.根据上述权利要求之一所述的方法，其中利用所存储的校准值实现的被校准的组件(41，61)的精度和/或实现的被校准的组件部件(45，65)的精度被确定，并且根据所确定的精度，品质值被分配给所述组件(41，61)和/或被校准的组件部件(45，65)。8.根据上述权利要求之一所述的方法，其中存储在所述组件(41，61)中的至少一个校准值(44，64)在成功的解锁动作之后才被释放用于在所述组件(41，61)中使用。9.根据权利要求4至8之一所述的方法，其中能够释放分别用于一个组件部件(45，65)的校准值(44，64)或用于多个组件部件(45，65)的校准值(44，64)和/或分别用于所述组件部件(45，65)的一个测量变量的校准值(44，64)或用于所述组件部件(45，65)的多个不同的测量变量的校准值(44，64)。10.根据权利要求8或9所述的方法，其中所述至少一个校准值(44，64)通过在所述组件(41，61)中接收密码密钥来激活。11.根据上述权利要求之一所述的方法，其中由所述校准设备(47，67)分别确定用于所述组件的多于一个的不同的精度级的校准值(44，64)并存储在所述组件(41，61)上，并且根据要求能够释放与在所述组件上有效的校准值不同的校准值。
12.用于在生产过程期间校准电子组件(41，61，70)的校准设备(47，67，80)，所述校准设备包括：-校准单元(81)，所述校准单元构成为，为所述组件(41，61，70)确定校准值(44，64)，所述校准值说明在预先给定的输入值的情况下由所述组件(41，61，70)输出的实际输出值与预先给定的期望输出值之间的偏差，以及-输出单元(82)，所述输出单元构成为将所述校准值(44，64)传送给所述组件(41，61，70)，其中所述组件(41，61，70)的校准值(44，64)借助在所述校准设备(47，67，80)中执行的机器学习方法(42，62)来确定，并且所述机器学习方法(42，62)借助训练数据来训练，所述训练数据包括多个相同类型的组件的历史校准值(32，52)以及所述相同类型的组件的依赖于生产的和/或表达物理特性的参数(34，54)。13.电子组件(41，61，70)，包括：-输入接口(73)，所述输入接口构成为从校准设备(47，67，80)接收用于所述组件(41，61，70)的校准值(44，64)，所述校准值说明在预先给定的输入值的情况下由所述组件(41，61，70)输出的实际输出值与预先给定的期望输出值之间的偏差，-存储单元(72)，所述存储单元构成为将所述校准值(44，64)存储在所述组件(41，61，70)中，其中所述组件(41，61，70)的校准值(44，64)借助在所述校准设备(47，67，80)中执行的机器学习方法(42，62)来确定，并且所述机器学习方法(42，62)借助训练数据来训练，所述训练数据包括多个相同类型的组件的历史校准值(32，52)以及所述相同类型的组件的依赖于生产的和/或表达物理特性的参数(34，54)，和-输出接口(74)，所述输出接口构成为将校准查询标识符(43，63)从所述组件(41，61，70)发送给所述校准设备(47，67，80)，其中能够将所述训练数据的参数中的至少一个参数分配给所述校准查询标识符(43，63)。14.校准系统，包括根据权利要求12所述的校准设备(47，67，80)和至少一个要校准的根据权利要求13所述的组件(41，61，70)，所述校准设备和所述组件构成为执行根据权利要求1至11所述的方法。15.计算机程序产品，包括能够直接被加载到数字计算机的存储器中的非易失性计算机可读介质，所述非易失性计算机可读介质包括程序代码部分，在所述程序代码部分通过所述数字计算机执行时所述程序代码部分促使所述数字计算机执行根据权利要求1至11之一所述的方法的步骤。

技术总结
在生产过程期间校准电子组件。用于在生产过程(40)期间校准电子组件的方法，具有步骤：-为所述组件(41)确定(S1)校准值(44)，所述校准值说明在预先给定的输入值的情况下由所述组件(41)输出的实际输出值与预先给定的期望输出值之间的偏差，-将所述校准值(44)传送(S2)给所述组件(41)，以及-将所述校准值(44)存储(S3)在所述组件(41)中，其中所述组件(41)的校准值(44)借助在校准设备(47)中执行的机器学习方法(42)来确定，并且所述机器学习方法(42)借助训练数据来训练，所述训练数据包括多个相同类型的组件的历史校准值(32)以及相同类型的组件的依赖于生产的和/或表达物理特性的参数(34)。数(34)。数(34)。


技术研发人员：M
受保护的技术使用者：西门子股份公司
技术研发日：2023.02.02
技术公布日：2023/8/4