EP3976315A1 - Method for determining state information relating to a belt grinder by means of a machine learning system - Google Patents

Method for determining state information relating to a belt grinder by means of a machine learning system

Info

Publication number
EP3976315A1
EP3976315A1 EP20727934.0A EP20727934A EP3976315A1 EP 3976315 A1 EP3976315 A1 EP 3976315A1 EP 20727934 A EP20727934 A EP 20727934A EP 3976315 A1 EP3976315 A1 EP 3976315A1
Authority
EP
European Patent Office
Prior art keywords
belt
grinding
sensors
measurement data
grinding machine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP20727934.0A
Other languages
German (de)
French (fr)
Inventor
Wolfgang PLEUGER
Thorsten Klein
Thomas Kipfer
Johannes Fischer
Matthias Amann
Helena KUPPKE
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP3976315A1 publication Critical patent/EP3976315A1/en
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/003—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving acoustic means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B21/00—Machines or devices using grinding or polishing belts; Accessories therefor
    • B24B21/04—Machines or devices using grinding or polishing belts; Accessories therefor for grinding plane surfaces
    • B24B21/06—Machines or devices using grinding or polishing belts; Accessories therefor for grinding plane surfaces involving members with limited contact area pressing the belt against the work, e.g. shoes sweeping across the whole area to be ground
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B21/00—Machines or devices using grinding or polishing belts; Accessories therefor
    • B24B21/04—Machines or devices using grinding or polishing belts; Accessories therefor for grinding plane surfaces
    • B24B21/06—Machines or devices using grinding or polishing belts; Accessories therefor for grinding plane surfaces involving members with limited contact area pressing the belt against the work, e.g. shoes sweeping across the whole area to be ground
    • B24B21/08—Pressure shoes; Pressure members, e.g. backing belts
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B21/00—Machines or devices using grinding or polishing belts; Accessories therefor
    • B24B21/18—Accessories
    • B24B21/20—Accessories for controlling or adjusting the tracking or the tension of the grinding belt
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/16—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the load
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/18—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the presence of dressing tools
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/182—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by the machine tool function, e.g. thread cutting, cam making, tool direction control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/12—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving optical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/14—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the temperature during grinding
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32335—Use of ann, neural network
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the invention relates to a method for determining status information be relevant to a belt grinding machine by means of a machine learning system. Fer ner the invention relates to the machine learning system and a method for teaching the machine learning system. The invention further relates to a computer program, a computer-readable storage medium and a computer device, each of which is provided and set up to carry out the proposed method. The invention also relates to a belt grinding machine for carrying out the method and a grinding shoe for use in a belt grinding machine.
  • the invention is based on a belt grinding machine having at least one grinding belt for grinding a workpiece.
  • belt grinding machines are known from the prior art, for example from EP 2 576 137 A1.
  • the properties and the condition of the grinding belt used for grinding significantly determine the quality of the grinding result achieved.
  • the invention is based on a belt grinding machine having at least one grinding belt for grinding a workpiece.
  • the invention relates to a, in particular computer-implemented, method for determining status information relating to the belt grinding machine, the method comprising at least the following method steps:
  • the method for determining the status information can be implemented exclusively in hardware in one embodiment of the method.
  • the method can also be implemented in the form of software or in a mixture of software and hardware.
  • the method can represent a computer-implemented method that is carried out by means of a computer device.
  • the computer device can have at least one processor device and furthermore at least one memory device in which the method is stored as a computer program.
  • a belt grinder is to be understood as a tool for the grinding processing of a workpiece, in which the grinding means is implemented in the form of a rotating grinding belt.
  • the term “belt grinder” includes in the fol lowing a grinding belt used in the belt grinder and a grinding shoe and the like used in the belt grinder.
  • the belt grinder can, for example, be implemented in the form of a hand-held belt grinder ("belt grinder") or in the form of a large industrial-scale belt grinder.
  • Such industrial belt grinders who are used, for example, for large-area grinding of workpieces such as panels made of raw material (such as chipboard, MDF, HDF and OSB panels).
  • the grinding belt is moved, in particular continuously, relative to the surface of the workpiece to be machined and an abrasive effect is exerted on the workpiece in this way.
  • the sanding belt is typically driven by rollers in a belt circumferential direction and pressed against the surface of the workpiece to be machined in a pressing direction by means of a sanding shoe.
  • the length of the sanding belt in the direction of the belt circulation can be, for example, between 1.5 and 5 meters in an industrial belt sanding machine.
  • a width of the sanding belt, ie perpendicular to the direction of rotation of the belt, can for example be between 0.3 and 5.0 meters in such a belt sander.
  • the sanding belts can have a length in the direction of belt rotation that is typically between 0.35 and 1 meter.
  • a width of the sanding belt of a hand-held belt sander can typically be between 7.5 cm and 15 cm. Other lengths and widths are also possible.
  • Providing measurement data is to be understood in particular to mean that a device performing the method, in particular a processor device or a computer device or a processor device comprising the computer device, the corresponding measurement data - relating to the belt grinding machine - are provided or transferred or signaled.
  • the corresponding measurement data can be provided by reading in the measurement data from a file.
  • measurement data can be provided by reading in data stored on a data server or in a storage device on the belt grinding machine.
  • measurement data can be determined or measured using sensors, in particular sensors of the belt grinding machine, and then made available. Sensors are to be understood here as measuring devices by means of which measurement data relating to the belt grinding machine can be recorded.
  • the measurement data are measured and provided using at least one sound sensor, in particular an airborne sound sensor and / or a structure-borne sound sensor and / or a vibration sensor.
  • Sound sensors make it possible to detect mechanical vibrations (sound waves) emanating from the belt grinding machine and / or the grinding belt.
  • the measurement data recorded and provided by means of a sound sensor relate to the belt grinding machine and in particular allow analyzes and conclusions to be drawn regarding mechanical properties of the grinding belt and / or the belt grinding machine during a grinding process.
  • the mechanical properties can provide information on defects in the grinding belt, for example, or on clogging or wear on the grinding belt.
  • Clogging refers to the filling of gaps between abrasive grains on the sanding belt with sanding chips or sanding dust.
  • features of an abrasive belt such as, for example, specifically applied elevations on the abrasive belt - for example in the form of a bar code - can be used to derive information about a used abrasive belt.
  • sound sensors which are specially set up and / or restricted with regard to the detectable frequency range.
  • infrasonic sensors typically below 16 Hz
  • audible sound sensors typically from 16 Hz to 20 kHz
  • ultrasonic sensors typically from 20 kHz to 1.6 GHz
  • hypersonic sensors typically above 1 GHz
  • structure-borne noise sensors and vibration sensors make it possible to detect shocks, vibrations, resonances or the like that are barely or barely perceptible to humans in measurement data and thus provide the method according to the invention for determining the status information relating to the belt grinding machine.
  • the at least one sound sensor can, for example, be a MEMS microphone sensor and / or be implemented by a laser microphone sensor and / or by a piezo sensor or the like. Such sensors are known to the person skilled in the art.
  • the evaluation of the measurement data acquired by means of the at least one sound sensor and provided includes in particular the finding of characteristic frequency components and / or sound amplitudes.
  • the measurement data are acquired (measured) and provided using at least one further sensor, the at least one further sensor being selected from a list of sensors which includes:
  • Sensors for power consumption of the belt grinding machine, in particular the drive device of the grinding belt of the belt grinding machine For example, a coil can be provided as a sensor by means of which the power consumption of a drive motor is inductively detected.
  • the measurement data provided in this way relate to the belt grinder in that they allow in particular analyzes and conclusions to be drawn with regard to the condition of the grinding belt (too much, wear or the like) and / or the belt grinder (wear of the bearings, wear of the drive motor or the like).
  • the power consumption correlates with friction between the grinding belt and workpiece, the friction being significantly influenced by clogging of the grinding belt;
  • Air temperature sensors relate to the belt grinder to the extent that they allow, in particular, analyzes and conclusions to be drawn with regard to heating during a grinding process, which in turn is associated with clogging or wear or the like of the grinding belt and / or with wear and tear on the belt grinder (wear the bearings, wear of the drive motor or the like) correlates;
  • Humidity sensors and / or humidity sensors relate to the belt grinding machine in that they allow in particular analyzes and conclusions to be drawn regarding the material properties of the workpiece, which in turn relate to the grinding behavior and / o the cutting behavior of the grinding belt, a service life of the grinding belt, a surface quality of the grinding result achieved, a clogging of the grinding belt (for example, sticking in higher humidity) or the like is corrected;
  • Distance sensors and / or distance sensors, in particular laser distance sensors or laser distance sensors The measurement data provided in this way relate to the belt grinder, for example, to the extent that they allow analyzes and conclusions to be drawn regarding vibration of the grinding belt ("belt flutter") and thus correlate with a voltage of the sanding belt ("tension");
  • the measurement data provided in this way relate to the belt grinding machine, that they allow in particular analyzes and conclusions regarding the optical properties of the grinding belt and / or the belt grinding machine during a grinding process.
  • the optical properties can provide information on defects in the grinding belt, for example, or on clogging or wear and tear on the grinding belt.
  • features of an abrasive belt such as a specifically applied bar code or QR code, can be incorporated and such statements can be derived about a used abrasive belt;
  • Temperature sensors, especially IR sensors, especially heat image sensors relate to the belt grinder in that they allow in particular analyzes and conclusions to be drawn regarding a temperature and / or temperature distribution of the grinding belt and / or the belt grinder during a grinding process .
  • the thermal properties can, for example, allow statements to be made about defects in the grinding belt or also about clogging or wear of the grinding belt. For example, a clogging of the abrasive belt correlates with an increase in friction and thus causes an increase in the abrasive belt temperature.
  • the measurement data can relate to a temperature and / or a temperature distribution of a workpiece (for example before, during and after the grinding process) and also enable analyzes and conclusions to be drawn with regard to the belt grinding machine;
  • Thickness measurement sensors The measurement data made available in this way relate to the belt grinder in that they can in particular analyze and return Conclusions regarding material removal from the workpiece and / or a clogging of the abrasive belt or the like allow and thus correlate with, for example, wear of the abrasive belt;
  • Torque sensors The measurement data provided by means of torque sensors relate to the belt grinder in that they allow special analyzes and conclusions to be drawn regarding the drive of the grinding belt and can, for example, correlate with the friction between the grinding belt and the workpiece, the friction, for example, from clogging of the grinding belt being affected;
  • Dust quantity measuring sensors relate to the belt grinder in that they allow in particular analyzes and conclusions regarding material removal from the workpiece and / or clogging of the grinding belt or the like and thus correlate with wear and tear of the grinding belt. Dust quantity measuring sensors can be arranged, for example, in an exhaust pipe of the belt grinder and detect an amount and / or a particle size distribution of the grinding dust produced;
  • the measurement data provided in this way relate to the belt grinding machine to the extent that they allow, in particular, analyzes and conclusions with regard to the mechanical movement of the grinding belt and / or the grinding belt machine.
  • the measurement data can relate to components within the grinding belt machine or relate to the workpiece (e.g. feed speed during a grinding process).
  • the measurement data correlate in particular with operating parameters and / or deviations from the desired operating parameters of the belt grinding machine and thus also enable statements to be made about wear of the grinding belt and / or the belt grinding machine;
  • the measurement data provided in this way relate to the belt grinding machine to the extent that they can in particular analyze and draw conclusions with regard to objects introduced into the belt grinder and / or into the workpiece - such as metallic objects (e.g. nails) - and / or with regard to the grinding belt objects brought in - such as metal chips - during a grinding process.
  • the measurement data can thus provide information on possible (foreseeable) defects in the Allow sanding belt or allow for possible dangers when operating the belt sanding machine.
  • Exemplary location sensors can include magnetic field sensors, radar sensors, inductive sensors, capacitive sensors, nuclear magnetic resonance sensors or the like;
  • Touch-sensitive sensors relate to the belt grinding machine in that they allow analyzes and conclusions to be drawn regarding the haptic surface properties of the workpiece and / or the grinding belt (for example, roughness) and can, for example, correlate with friction between the grinding belt and workpiece . Furthermore, touch-sensitive sensors can be used to determine "belt flutter" (vibrations on the grinding belt);
  • Reflectance sensors relate to the belt grinding machine in that they allow analyzes and conclusions to be drawn regarding surface properties of the workpiece and / or the grinding belt (e.g. roughness) and can, for example, correlate with friction between the grinding belt and workpiece.
  • Typical reflectance sensors can be implemented, for example, using laser radiation, the laser radiation being reflected on a surface to be examined and a reflected laser intensity being detected;
  • Measurement data from sensors in the list mentioned are well suited for determining the status information according to the inventive method.
  • Measurement data from sensors in the list mentioned are well suited for determining the status information according to the inventive method.
  • a particularly precise and reliable determination of status information relating to the belt grinding machine can be carried out.
  • measurement data adapted to a belt grinding machine to be analyzed can be provided in this way for carrying out the method.
  • partially redundant measurement data can make it possible to avoid incorrect analyzes and thus enable status information to be determined more precisely.
  • different and / or complementary and / or redundant status information can be determined on the basis of measurement data that are acquired by means of a plurality, in particular different, sensors.
  • the measurement data are selectively or selectively made available or called up, in particular made available or called up selectively or selectively by the belt grinder.
  • a storage device in particular a network storage device (a server) or a storage device of the belt grinding machine, the measurement data being selectively retrieved from the storage device and then from the computer device performing the method, for example a server in a cloud. It can thus be achieved in particular that a data volume to be transmitted to carry out the method is variable and, in particular, can be selectively provided as a function of status information to be determined.
  • the measurement data are kept ready in a database or as in a database.
  • status information that is of interest to a user can be selected by an input or selection by the user, for example by means of an input device or by means of a menu selection or the like.
  • the measurement data are filtered before being made available.
  • parts of the voice especially human speech
  • other interfering influences for example a background signal component
  • interfering influences in the measurement data which impair reliable determination of status information can be removed.
  • disruptive influences for which the machine learning system is not trained and / or for which the machine learning system can only be trained with great effort are removed from the measurement data.
  • voice components in the measurement signals represent a particularly large interference factor.
  • State information relating to the belt grinding machine is to be understood as meaning information that provides information on the state of the belt grinding machine - such as progress of wear, need for maintenance - and / or the condition of the grinding belt - such as progress of wear, need for replacement - and / or the operation of the belt grinding machine - such as process parameters, proposals for changing a process parameter.
  • the determination of status information makes it possible to increase machine, process and / or operating efficiency, for example through an early indication of problems, errors, necessary activities (such as maintenance) and the associated reduction in machine downtimes and rejects (consistently high Quality in the grinding process) and training requirements for users who operate the belt grinding machine.
  • status information is defined or selected in such a way that it relates to at least one of the following properties:
  • a property that characterizes a workpiece to be machined for example a material type such as “wood”, “metal” or a material property such as “high hardness”, “medium hardness” or the like;
  • a property that characterizes a load distribution of the belt grinding machine for example uneven wear of the grinding belt across the width of the grinding belt and / or uneven wear of the individual grinding belts that occurs when several grinding belts are used in parallel;
  • abrasive belt used in the belt sander for example a type of abrasive belt such as "P120" or settings to be used for optimum use of the abrasive belt (number of belt revolutions, belt tension, etc.);
  • Status information is determined from the measurement data provided by means of a machine learning system, the machine learning system being set up to determine the corresponding status information based on the measurement data provided, in particular to also output it.
  • the machine learning system is to be understood in particular as a technical implementation of a self-learning system that learns from given examples - the so-called training data - and can generalize the learned behavior after the end of the learning phase by identifying and retrieving patterns and regularities in the training data power.
  • Such machine learning systems are known in principle, for example from DE 10 2005 050 577 A1. It is proposed that, in one embodiment of the method for determining status information, the machine learning system comprises an, in particular an artificial, neural network.
  • the neural network consists of a chain neural layers, the topology of the network being set up and adapted, in particular parameterized, to carry out the method.
  • the machine learning system in particular the neural network, is initially provided with measurement data as an input variable (training input data), the training input data then being propagated by the machine learning system, in particular by the neural network.
  • each (hidden) layer of the neural network accordingly calculates an output variable, which in turn is used as the input variable of a subsequent layer of the network.
  • the last layer of the network allows reading of the corresponding status information, which was estimated based on the inputted measurement data.
  • a machine learning system in particular a neural network such as a Bayesian network, has the advantage that compared to existing statistical approaches - such as are known from the prior art in DE 10 2017 120 260 A1 - a more reliable and precise determination status information relating to the belt grinder (including the grinding belt and workpiece) is possible. In particular, meaningful results can be obtained when determining the corresponding status information even with large amounts of measurement data and different influencing factors on status information.
  • the neural network is implemented as a recurrent neural network or as a folding neural network. It is also conceivable that the machine learning system carries out a regression, that is, predicts a course of state information.
  • the belt grinding machine is controlled at least partially based on the determined status information and / or information is output at least partially based on the determined status information by means of an output device.
  • the determined status information is output to a control device of the belt grinding machine, in particular transmitted.
  • a control variable for controlling a physical actuator of the belt grinding machine can thus be determined using the status information.
  • a control device is used to control, in particular to operate, a physical actuator, for example by using control routines and / or control routines.
  • the control device is provided at least to carry out further processing at least partially on the basis of the determined status information and in this way to translate the corresponding status information into a control variable for controlling the actuator.
  • an automatic setting of process parameters such as the belt speed is carried out as a function of the ascertained status information.
  • a particularly efficient monitoring method for monitoring and controlling the belt grinding machine, in particular for automatically adjusting the belt grinding machine can be specified.
  • the belt grinder can be functionalized in this way into an at least partially autonomous belt grinder.
  • the belt grinding machine automatically starts a grinding process, ends it automatically and / or automatically selects and / or influences at least one parameter relating to the implementation of the grinding process.
  • the output device can be an output device of the computer device performing the method and / or an output device of the belt grinder and / or a separately constructed output device.
  • a separately designed output device can be implemented, for example, by a computer, a mobile data device such as a tablet, or the like.
  • a tactile, acoustic or visual output device For example, output can take place in graphic form using a screen.
  • output can be made to an external device using a data communication device. It should be noted that using the method according to the invention for determining status information, in particular in combination with the output of the information based at least partially on the determined status information, the determined status information relating to the belt grinding machine is advantageously accessible to the human perception of the user.
  • the information denotes information that is prepared for output by means of an output device, in particular prepared in a user-friendly manner, and based at least in part on the status information determined.
  • the information on the output can also correspond to the status information.
  • the information in the form of a traffic light signal - which signals the point in time of a grinding belt change - is output directly to a user of the belt grinding machine on a belt grinding machine.
  • a method, in particular computer-implemented, for teaching a machine learning system, in particular a neural network is proposed.
  • the method can be processor-based.
  • the method for teaching has the effect that the machine learning system is set up to carry out the method described above for determining status information relating to a belt grinding machine, i.e. is specially trained and / or parameterized.
  • the learning procedure has at least the following steps:
  • training data consisting of training input data and training output data, the training input data comprising measurement data relating to a belt grinding machine for a variety of status information and the training output data each comprising at least one associated status information relating to the belt grinding machine,
  • the learned machine learning system is added to a computer device, in particular a control device of a belt grinding machine that is to be monitored in particular (i.e. a belt grinding machine).
  • the machine learning system determines a first output value from this data.
  • This output value is fed to a training system (for example a computer device) in the learning process, the training system using this to determine a rule for adapting the parameters, which specifies which or which parameters of the machine learning system are to be adapted in which way, to enable a more precise determination of the given training output data.
  • this adaptation can take place by specifying expected or desired values for the output value and subsequent backward propagation.
  • the training input data are selected from a list that includes at least measurement data as provided by a sensor from the following list: sensors for power consumption, air temperature sensors, air humidity sensors and / or humidity sensors, distance sensors and / or Distance sensors, imaging, especially visual sensors, temperature sensors, especially special IR sensors, especially thermal imaging sensors, thickness measurement sensors, torque sensors, dust quantity sensors, acceleration sensors, distance sensors, inertial sensors, location sensors, contact-sensitive sensors, reflectance sensors or a combination of sensors.
  • the training output data be selected from a list of status information items which at least relate to the following properties: a property which characterizes a workpiece to be machined; a property that characterizes manufacturing defects on the workpiece; a property which characterizes an operating mode or operating parameters of the belt grinding machine; a property that characterizes incorrect settings of the belt grinder; a property that characterizes a load distribution of the belt grinder; a property that characterizes a degree of use or wear of the belt grinder; a property which characterizes a grinding belt used in the belt grinding machine; a property that characterizes clogging and / or dulling of the abrasive belt; a property that characterizes a defect in the grinding belt or a combination of these.
  • a particularly targeted method for teaching can be specified that is adapted to provided measurement data to be used advantageously in a method for determining status information relating to a belt grinding machine, since it uses the same information sources as the basis for teaching.
  • further measurement data relating to a belt grinding machine, in particular to be monitored are provided in a further method step, with the further measurement data being assigned to at least one, in particular predetermined, status information relating to the belt grinding machine, in particular by an expert, and in such a way that the machine learning system is learned further with the further measurement data.
  • Continuous learning is to be understood in particular as the fact that the machine learning system is repeatedly learned using the additional training data now provided by the belt grinding machine, in particular to be monitored.
  • the machine learning system is first pre-trained using “general measurement data”, then assigned to a computer device, in particular a control device, in particular a control device of a belt grinding machine to be monitored, and then with others to the one to be monitored Belt grinder coordinated training data is trained further or further learned.
  • machine learning systems that are particularly well trained on a respective belt grinding machine can be implemented, which also enable particularly reliable determination of status information relating to the respective belt grinding machine.
  • the training input data comprise measurement data and further measurement data for a large number of status information items
  • the training output data each include at least one associated status information item, the measurement data and the further measurement data on each other
  • At least two belt grinding machines of the same type with different uses i.e. with differing grinding processes, in particular with regard to processed materials, process parameters or the like.
  • a first belt grinding machine is one from which the general training data are provided.
  • the second belt grinding machine represents a belt grinding machine to be monitored, to whose computer device, in particular to whose control device the machine learning system has been added.
  • the first belt grinder can be identical to the second belt grinder or, alternatively, it can also be different from the second belt grinder.
  • the second belt grinder represents a further belt grinder.
  • the first of the three alternatives enables a particularly general machine learning system specify that can determine status information on a large number of belt grinding machines.
  • the second alternative makes it possible to specify a machine learning system that is particularly valid for a belt grinding machine and that can determine status information relating to the belt grinding machine for a large number of grinding processes - in particular using a large number of materials, process parameters, etc.
  • the third alternative makes it possible to specify a machine learning system that is particularly specific for a belt grinding machine, which can determine status information relating to the belt grinding machine for a relatively small number of grinding processes - in particular using a large number of materials, process parameters, etc.
  • a particularly high level of reliability and robustness in determining the status information can be achieved here.
  • the machine learning system in particular the neural network, is proposed for carrying out the method according to the invention for determining status information.
  • the machine learning system is obtained in particular by executing the method according to the invention for teaching the machine learning system.
  • a computer program is proposed.
  • the computer program is set up to execute one of the aforementioned methods.
  • the computer program comprises instructions which when executed on a computer device, i. especially when executed by a processor device of a computer device, cause one of the described methods with all of its steps to be executed.
  • a computer device in particular a control device of a belt grinding machine, which is set up to carry out one of the methods described.
  • a computer device for determining status information relating to a belt grinding machine is provided at least one processor device and a memory device are proposed, wherein commands are stored on the memory device which, when they are executed by the processor device, cause the computer device to execute the method.
  • a “processor device” is to be understood as meaning, in particular, a device which has at least one information input, an information processing unit for processing and an information output for forwarding the processed and / or evaluated information.
  • the processor device comprises at least one processor.
  • a “storage device” is used to hold ready a computer program for the processor device that is necessary to carry out one of the described methods.
  • the computer device is set up to determine a control variable for controlling a physical actuator, in particular a control variable for controlling the belt grinding machine, and / or a control variable for controlling an output device, and / or a function, using the determined status information respectively.
  • the physical actuator can be implemented as an automatic goods storage system, by means of which the required sanding belts, sanding shoes or the like are automatically output.
  • a function can be implemented, for example, by changing the system settings or process settings of the belt grinding machine depending on the status information determined.
  • a belt grinder comprising a grinding belt for grinding processing of a workpiece
  • the at least one sound sensor for acquiring and providing measurement data for performing one of the methods according to the invention.
  • the at least one sound sensor in particular an airborne sound sensor and / or a structure-borne sound sensor and / or a vibration sensor, is arranged on or in a grinding shoe of the belt grinding machine.
  • a sanding shoe typically consists of a carrier device and a sanding shoe covering, the sanding shoe covering typically being pushed into the carrier device or on / in it in some other way. tig is arranged.
  • the sanding pad and the sanding pad are provided to support a sanding belt moving in the direction of rotation of the belt relative to the sanding pad with low friction and at the same time to press it against the workpiece (or to act as a resistance against a workpiece pressed against the sanding pad).
  • the at least one sound sensor is preferably arranged or integrated on or in the carrier device of the grinding shoe. Alternatively or additionally, the at least one sound sensor is arranged on or in the grinding shoe covering. In this way it can be realized that the sound sensor is located particularly close to the location of the grinding process and measurement data can be recorded particularly effectively and, in particular, with little interference.
  • the at least one sound sensor is essentially centrally located on the grinding shoe and / or in the belt grinding machine, based on a width of the grinding belt perpendicular to the direction of belt circulation and / or based on a width of the grinding shoe perpendicular to the direction of belt rotation. In this way, it can be realized that particularly good signal acquisition is possible within the belt grinding machine.
  • a plurality of sound sensors can be distributed over a width of the grinding belt and / or over a width of the grinding shoe and / or distributed over a width of the grinding shoe on the grinding shoe and / or in the belt grinding machine.
  • the at least one sound sensor in particular a further sound sensor, in particular an airborne sound sensor and / or a structure-borne sound sensor and / or a vibration sensor, is arranged assigned to a roller of the belt grinding machine.
  • a roller can be selected as a contact roller, deflection roller, tension roller, drive roller or the like. “Allocated” to the roller means that the sound sensor is located in or on or directly on the roller.
  • the at least one sound sensor can be arranged on a roller suspension of a roller of the belt grinding machine.
  • the at least one sound sensor can also be implemented integrated into a roller.
  • the sound sensor is arranged particularly close to the place where the grinding belt feed is generated Measurement data can be recorded particularly effectively and in particular with little interference.
  • status information can be determined particularly reliably, which characterizes a property of the belt grinding machine and / or a property of the grinding process.
  • At least two sound sensors are arranged on both sides - based on a width of the grinding belt and / or based on a width of the grinding shoe - on the grinding shoe and / or in the belt grinding machine and / or a roller.
  • an arrangement of two sound sensors on both sides, in particular on a roller has proven advantageous with regard to signal detection in the belt grinding machine.
  • the at least one sound sensor in particular using a gateway, is or can be connected to the computer device, in particular the control device of the belt grinder and / or to a computer device external to the belt grinder.
  • the connection can be wired or wireless.
  • the connection can be realized using an Ethernet connection, a fiber optic connection, an Internet connection, a radio connection or a direct connection.
  • the sound sensor is also connected or can be connected to other signaling components of the belt grinding machine via the gateway, for example to further sensors.
  • the sound sensor is implemented by a MEMS microphone sensor and / or by a piezo sensor and / or by a laser microphone sensor.
  • a sanding shoe for use in a belt sanding machine comprising at least one sound sensor, in particular an airborne sound sensor and / or a structure-borne sound sensor and / or a vibration sensor, for providing measurement data for performing one of the proposed methods.
  • the at least one sound sensor is arranged in particular in a carrier device of the grinding shoe.
  • the at least one sound sensor can be arranged essentially centrally with respect to a width of the sanding shoe (ie perpendicular to the direction of rotation of the sanding belt).
  • a plurality of sound sensors can be distributed over a width of the grinding shoe on or in the grinding shoe.
  • a frequency range of a sound sensor disclosed in connection with the method for determining status information can be transmitted directly to a sound sensor which operates in the corresponding frequency range.
  • Figure 1 is a schematic representation of an embodiment of a belt grinding machine in sectional view
  • Figure 2 is a schematic representation of an embodiment of a
  • Sanding shoe including sanding belt in perspective view
  • Figure 3 is a schematic representation of an embodiment of a new ronal network
  • FIG. 4 shows a schematic representation of an embodiment of a method for teaching a machine learning system
  • FIG. 5 shows a schematic representation of an embodiment of a method for determining status information.
  • Figure 1 shows a schematic representation of an embodiment of a belt grinding machine 10 with a grinding shoe 12 in section.
  • a workpiece 14 is ground on a grinding table 16 under a rotating grinding belt 18 during a grinding process.
  • the sanding belt 18 is driven by three rollers 20, here drive rollers, in a direction of belt rotation 22 and is pressed against the workpiece 14 by the sanding shoe 12.
  • FIG. 2 shows the grinding shoe 12 in an enlarged perspective view.
  • the sanding shoe 12 comprises a carrier device 26 and a sanding shoe covering 28.
  • the sanding shoe covering 28 has a lining carrier 30 made of MDF (alternatively also plastic or cardboard or fiber or metallic materials), to which a cushion layer is glued as a support layer 32 made of solid foam.
  • Glued to the support lining 32 is a sliding lining 34 made from a graphite-coated fabric.
  • the carrier device 26 is hen with recesses 36 verses, in which the lining carrier 30 of the sanding shoe lining 28 in an insertion direction 38 can be inserted.
  • the lining carrier 30 has a dovetail-shaped cross-sectional profile corresponding to the recesses 36.
  • the lining carrier 30 has an elongated shape with a length of 3000 mm in the insertion direction 38, the length here extending in the direction of the width 40 of the grinding belt 18.
  • the width of the lining carrier 30 perpendicular to the insertion direction 38 and perpendicular to the pressing direction 42 has a width of 75 mm.
  • the belt grinding machine 10 comprises four sound sensors 44, of which three body sound sensors 44a, b, c (sound sensor 44c is located on the rear side in FIG. 1 and is therefore not separately visible) and an airborne sound sensor 44d for recording and providing measurement data relating to the Belt grinding machine 10.
  • the measurement data recorded by the sound sensors 44 are sound measurement data.
  • a first structure-borne noise sensor 44a is screwed to a surface 46 of the carrier device 26 of the sanding pad 12 facing the sanding belt 18 in the center with respect to the width 40 of the sanding belt 18 and detects structure-borne noise there that is transmitted through the sanding pad 12. In this way, the first structure-borne noise sensor 44a is arranged in the immediate vicinity of the grinding belt 18.
  • a second structure-borne sound sensor 44b and a third structure-borne sound sensor 44c are screwed on both sides of a roller 20 of the belt grinder 10 (see FIG. 1), so that the two structure-borne sound sensors 44b, c are arranged on both sides of the width 40 of the grinding belt 18 on the roller 20 .
  • the structure-borne sound sensors 44a, b, c are implemented as structure-borne sound sensors from Dittel / Marposs (“AE-Sensor-S”), which detect sound signals in a frequency range of 250-300 kHz.
  • the air sound sensor 44d is arranged in the center of the belt grinder 10, here attached to a frame element of the belt grinder 10, not shown in detail.
  • the airborne sound sensor 44d is obtained here, for example, from Mars Sensor and is a silicon MEMS microphone sensor.
  • the detected frequency range is 55 Hz to 20 kHz.
  • a voice analyzer serves to filter out voice components in the measurement data provided by the airborne sound sensor 44d.
  • further sensors 50 are provided in the belt grinding machine, which are used to acquire additional measurement data relating to the belt grinding machine 10.
  • the further sensors 50 include a sensor, not shown here, for power consumption and two thermal image sensors 52, which are each aligned with the inner side of the circumferential grinding belt 18.
  • a thermal image sensor 52 is located in front of the sanding shoe 12, seen in the belt circulation direction 22, a thermal image sensor 52 behind the sanding shoe 12.
  • the sound sensors 44 and the other sensors 50 are using a gateway 48 with a control device 54 of the belt grinding machine 10 and further with an external Com puter device 56 connected.
  • the connection is wireless, like through small radio symbols (three lines) indicated.
  • measurement data are recorded and forwarded to the control device 54, where they are stored in a storage device not shown here. They can be called up selectively and selectively from the storage device during the execution of the method for determining status information by the computer device 56 executing the method.
  • the computer device 56 provided for executing the method for determining status information be relevant to the belt grinding machine 10 is implemented as a server separate from the belt grinding machine 10. In a further exemplary embodiment, the computer device 56 can also be integrated in the control device 54 of the belt grinding machine 10 or implemented by this. The computer device 56 serves to determine status information relating to the belt grinding machine 10. To this end, the computer device 56 executes a computer-implemented method (compare FIG. 5), which comprises the method steps of providing measurement data relating to the belt grinding machine 10 and determining the status information from the measurement data provided by means of a machine learning system 58. In this exemplary embodiment, the method makes it possible to determine status information that can be selected or predefined by a user of the belt grinding machine 10, cf. FIG. 5.
  • the user can select a desired item of status information by means of an input device that can be connected to the computer device 56 - implemented here as input and output device 60 of the belt grinding machine 10. He can choose between nine items of status information, each of which relates to different aspects and properties of the belt grinding machine 10, the grinding belt 18 used and / or the grinding process.
  • the input and output device 60 the user can view or query the result of the evaluation, ie the ascertained status information.
  • the computer device 56 is connected or can be connected to the control device 54 of the belt grinding machine 10 via a data communication device (radio link) in such a way that a control variable determined using the status information for controlling a physical actuator (here for example a drive motor of one of the rollers 20) the control device 54 can be output and thus directly into a Activity on the belt grinder 10 can be implemented.
  • a control variable determined using the status information for controlling a physical actuator here for example a drive motor of one of the rollers 20
  • the control device 54 can be output and thus directly into a Activity on the belt grinder 10 can be implemented.
  • the belt grinding machine 10 can be controlled at least partially based on the determined state information.
  • information can be output to a user at least partially based on the ascertained status information by means of the input and output device 60 of the belt grinding machine 10.
  • computer device 56 When executing method 200 for determining status information relating to a belt grinding machine 10, computer device 56 implements a machine learning system 58 which is set up to determine the status information based on the measurement data provided.
  • the sound sensors 44 and the further sensors 50 are connected or can be connected to the computer device 56 for signaling purposes.
  • the measurement data provided are provided to the machine learning system 58 as input variables.
  • the machine learning system 58 determines an output variable, in particular the corresponding status information relating to the belt grinding machine 10 (as explained above, the term belt grinding machine 10 here also includes the components of the belt grinding machine 10 contained during a grinding process, in particular grinding belt 18, workpiece 14, a).
  • FIG. 3 shows a schematic representation of the machine learning system 58, which in this exemplary embodiment is provided by a neural network 58a.
  • the neural network 58a comprises a plurality of layers 62 which are each linked to one another by means of connections 64 and which each comprise a plurality of neurons 66. At least measurement data is provided to the neural network 58a as an input variable 68, the measurement data then being propagated through the neural network 58a.
  • the neural network 58a determines an output variable 70 in layers depending on the input variable 68. For this purpose, each layer 62 determines an output variable 70 depending on the input variable 68 provided to it and depending on the parameters of this layer. The output variable 70 is then transmitted through the connections 64 to the further layers 62 forwarded.
  • FIG. 4 shows a method diagram of an exemplary embodiment of the computer-implemented method 100 for processor-supported training of the machine learning system 58, in particular of the neural network 58a.
  • the method 100 is carried out by a training system (not shown in detail here) which the machine learning system 58 learns.
  • training data are provided to the machine learning system 58.
  • the training data include training input data and training output data, the training input data comprising measurement data relating to a belt grinding machine 10 for a variety of status information items and the training output data each comprising at least one associated status information item relating to the belt grinding machine 10.
  • the training input data are measurement data from the sound sensors 44 and the further sensors 50.
  • the training output data relate to nine status information items, each of which has different properties of the belt grinding machine 10, the grinding belt 18 used, a workpiece 14 and / or the grinding process relate to: a property that characterizes a workpiece 14 to be machined; a property that characterizes manufacturing defects on workpiece 14; a property which characterizes an operating mode or operating parameters of the belt grinder 10; a property which characterizes incorrect settings of the belt grinder 10; a property that characterizes a load distribution of the belt grinder 10; a property which characterizes a degree of wear and tear of the belt grinding machine 10; a property which characterizes a grinding belt 18 used in the belt grinding machine 10; a property that characterizes a setting and / or blunting of the grinding belt 18; a property that characterizes a defect in the grinding belt 18.
  • the machine learning system 58 in particular the neural network 58a, is trained.
  • the parameters of the respective layers 62 are adapted in such a way that the machine learning system 58 determines the respectively assigned training output data as a function of the training input data provided.
  • the machine learning system 58 can be taught using a difference function (cost function), which in particular characterizes a difference between the calculated output variables 70 and the training output data, wherein the difference function is optimized with respect to the parameters by means of a gradient descent method.
  • a gradient descent method is known to the person skilled in the art from the prior art.
  • a further method step 108 (shown here with dashed lines) can follow, in which the machine learning system 58 is learned and thus refined using further measurement data and status information relating to a belt grinding machine 10.
  • the further measurement data can relate to a different belt grinding machine 10, the belt grinding machine 10 being different in type from the belt grinding machine 10.
  • FIG. 5 shows a method 200 for determining status information relating to a belt grinding machine 10.
  • the method 200 is carried out by the computer device 56.
  • the computer device 56 is provided with measurement data relating to the belt grinding machine 10 using the sound sensors 44 and the further sensors 50.
  • the provision can be further subdivided into method steps 202a - measuring the measurement data, 202b - temporarily storing the measurement data (for example in the storage device of the belt grinder 10) and 202c - selective retrieval of the measurement data from the storage device by the computer device 56 state information is determined from the measurement data by means of the machine learning system 58, in particular by means of the neural network 58a, depending on the measurement data provided or retrieved.
  • the status information relates to the belt grinding machine 10 (and / or the grinding belt 18 and / or the workpiece 14 and / or the grinding process).
  • the method in this exemplary embodiment allows status information that can be selected or predefined by a user of the belt grinding machine to be determined.
  • the user can select one of the desired status information using the input and output device 60 of the belt grinding machine 10, which can be connected to the computer device 56 (the method step of the selection is here implicitly contained in method step 202c - selective retrieval of the measurement data).
  • the result of the evaluation ie information based at least partially on the ascertained status information, is then output to the user by means of the input and output device 60.
  • the computer device 56 can output a control variable to the control device 54 of the belt grinding machine 10. The control variable is based at least partially on the status information determined.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)

Abstract

The invention proposes a method for determining state information relating to a belt grinder (10), wherein the belt grinder (10) has at least one abrasive belt (18) for grinding a workpiece (14), comprising at least the method steps: ° providing measurement data relating to the belt grinder (10), ° determining the state information from the measurement data provided by means of a machine learning system (58), the machine learning system (58) being configured to determine the state information based on the measurement data provided. The invention also relates to a machine learning system (58), a method for training the machine learning system (58), a computer program, a computer-readable storage medium and a computer device (56), each of which are provided and configured to execute the proposed method. The invention also relates to a belt grinder (10) for carrying out the method and a grinding shoe (12) for use in a belt grinder (10).

Description

Beschreibung description
Titel title
Verfahren zum Ermitteln einer Zustandsinformation betreffend eine Bandschleif- maschine mittels eines maschinellen Lernsystems Method for determining status information relating to a belt grinding machine by means of a machine learning system
Die Erfindung betrifft ein Verfahren zum Ermitteln einer Zustandsinformation be treffend eine Bandschleifmaschine mittels eines maschinellen Lernsystems. Fer ner betrifft die Erfindung das maschinelle Lernsystem sowie ein Verfahren zum Anlernen des maschinellen Lernsystems. Die Erfindung betrifft weiter ein Compu terprogramm, ein computerlesbares Speichermedium und eine Computervorrich tung, die jeweils dazu vorgesehen und eingerichtet sind, die vorgeschlagenen Ver fahren auszuführen. Ferner betrifft die Erfindung eine Bandschleifmaschine zur Durchführung der Verfahren sowie einen Schleifschuh zur Verwendung in einer Bandschleifmaschine. The invention relates to a method for determining status information be relevant to a belt grinding machine by means of a machine learning system. Fer ner the invention relates to the machine learning system and a method for teaching the machine learning system. The invention further relates to a computer program, a computer-readable storage medium and a computer device, each of which is provided and set up to carry out the proposed method. The invention also relates to a belt grinding machine for carrying out the method and a grinding shoe for use in a belt grinding machine.
Stand der Technik State of the art
Die Erfindung geht aus von einer Bandschleifmaschine aufweisend zumindest ein Schleifband zur schleifenden Bearbeitung eines Werkstücks. Derartige Band schleifmaschinen sind aus dem Stand der Technik bekannt, zum Beispiel aus EP 2 576 137 Al. In der schleifenden Bearbeitung von Materialien bedingen neben den Einstellungen (beispielsweise Prozessparameter) und dem Zustand der Band schleifmaschine (beispielsweise Verschleiß der Bandschleifmaschine) auch die Ei genschaften und der Zustand des zum Schleifen verwendeten Schleifbands eine Qualität des erzielten Schleifresultats erheblich. The invention is based on a belt grinding machine having at least one grinding belt for grinding a workpiece. Such belt grinding machines are known from the prior art, for example from EP 2 576 137 A1. In the grinding processing of materials, in addition to the settings (for example process parameters) and the condition of the belt grinding machine (for example wear of the belt grinding machine), the properties and the condition of the grinding belt used for grinding significantly determine the quality of the grinding result achieved.
In DE 10 2017 120 260 Al wurde ein Verfahren zum Überwachen eines Schleif bandes vorgeschlagen, bei dem eine Emission ermittelt wird, welche von dem Schleifband beim Bearbeiten des Werkstückes ausgeht, wobei Referenzkurven für Zustände des Schleifbands im Hinblick auf eine Erwärmung oder im Hinblick auf von dem Schleifband ausgehende Schallwellen mit Ist-Werten der Erwärmung und den Schallwellen verglichen werden. In DE 10 2017 120 260 A1, a method for monitoring a grinding belt has been proposed in which an emission is determined which is caused by the Sanding belt goes out when machining the workpiece, reference curves for states of the sanding belt with regard to heating or with regard to sound waves emanating from the sanding belt are compared with actual values of the heating and the sound waves.
Es besteht ein ständiges Bedürfnis, die genannten Einflussgrößen besser kontrol lieren und überwachen zu können, um derart ein qualitativ höherwertiges Schleif resultat, einen geringeren Schleifbandverschleiß und eine längere Lebensdauer der Bandschleifmaschine erzielen zu können. There is a constant need to be able to better control and monitor the influencing variables mentioned in order to be able to achieve a higher quality grinding result, lower grinding belt wear and a longer service life of the belt grinding machine.
Offenbarung der Erfindung Disclosure of the invention
Die Erfindung geht aus von einer Bandschleifmaschine aufweisend zumindest ein Schleifband zur schleifenden Bearbeitung eines Werkstücks. The invention is based on a belt grinding machine having at least one grinding belt for grinding a workpiece.
Die Erfindung betrifft in einem ersten Aspekt ein, insbesondere computerimple mentiertes, Verfahren zum Ermitteln einer Zustandsinformation betreffend die Bandschleifmaschine, wobei das Verfahren zumindest die folgenden Verfahrens schritte umfasst: In a first aspect, the invention relates to a, in particular computer-implemented, method for determining status information relating to the belt grinding machine, the method comprising at least the following method steps:
• Bereitstellen von Messdaten betreffend die Bandschleifmaschine, • Provision of measurement data relating to the belt grinder,
• Ermitteln der Zustandsinformation aus den bereitgestellten Messdaten mittels eines maschinellen Lernsystems, wobei das maschinelle Lernsystem eingerich tet ist, die Zustandsinformation basierend auf den bereitgestellten Messdaten zu ermitteln, insbesondere auch auszugeben. • Determining the status information from the measurement data provided by means of a machine learning system, the machine learning system being set up to determine the status information based on the measurement data provided, in particular also to output it.
Das Verfahren zum Ermitteln der Zustandsinformation kann in einer Ausführungs form des Verfahrens ausschließlich in Hardware implementiert sein. In einer alter nativen Ausführungsform kann das Verfahren auch in Form von Software oder in einer Mischung aus Software und Hardware realisiert sein. Insbesondere kann das Verfahren ein computerimplementiertes Verfahren darstellen, das mittels einer Computervorrichtung durchgeführt wird. Zur Durchführung des Verfahrens kann die Computervorrichtung zumindest eine Prozessorvorrichtung und ferner zumin dest eine Speichervorrichtung aufweisen, in der das Verfahren als Computerpro gramm hinterlegt ist. Unter einer Bandschleifmaschine ist ein Werkzeug zur schleifenden Bearbeitung eines Werkstücks zu verstehen, bei der das Schleifmittel in Form eines umlaufen den Schleifbands realisiert ist. Der Begriff„Bandschleifmaschine“ schließt im Fol genden ein in der Bandschleifmaschine verwendetes Schleifband und einen in der Bandschleifmaschine verwendeten Schleifschuh und dergleichen mit ein. Die Bandschleifmaschine kann beispielsweise in Form einer handgehaltenen Band schleifmaschine („Bandschleifer“) oder in Form einer großen Bandschleifanlage in Industriemaßstab realisiert sein. Derartige industrielle Bandschleifmaschinen wer den beispielsweise zum großflächigen Schleifen von Werkstücken wie beispiels weise Platten aus Rohwerkstoff (wie Spanplatten, MDF-, HDF- und OSB-Platten) eingesetzt. Bei einem Schleifprozess wird das Schleifband, insbesondere kontinu ierlich, relativ zur Oberfläche des zu bearbeitenden Werkstücks bewegt und derart eine abrasive Wirkung auf das Werkstück ausgeübt. Das Schleifband wird dabei typischerweise durch Walzen in einer Bandumlaufrichtung angetrieben und mittels eines Schleifschuhs in einer Anpressrichtung gegen die Oberfläche des zu bear beitenden Werkstücks gedrückt. Die Länge des Schleifbands in Bandumlaufrich tung kann bei einer industriellen Bandschleifmaschine beispielsweise zwischen 1.5 und 5 Meter betragen. Eine Breite des Schleifbands, d.h. senkrecht zur Band umlaufrichtung, kann bei einer solchen Bandschleifmaschine beispielsweise zwi schen 0.3 und 5.0 Meter betragen. Bei handgehaltenen Bandschleifmaschinen können die Schleifbänder eine Länge in Bandumlaufrichtung aufweisen, die typi scherweise zwischen 0.35 und 1 Meter beträgt. Eine Breite des Schleifbands einer handgehaltenen Bandschleifmaschine kann typischerweise zwischen 7.5 cm und 15 cm betragen. Andere Längen und Breiten sind ebenfalls denkbar. The method for determining the status information can be implemented exclusively in hardware in one embodiment of the method. In an alternative embodiment, the method can also be implemented in the form of software or in a mixture of software and hardware. In particular, the method can represent a computer-implemented method that is carried out by means of a computer device. To carry out the method, the computer device can have at least one processor device and furthermore at least one memory device in which the method is stored as a computer program. A belt grinder is to be understood as a tool for the grinding processing of a workpiece, in which the grinding means is implemented in the form of a rotating grinding belt. The term “belt grinder” includes in the fol lowing a grinding belt used in the belt grinder and a grinding shoe and the like used in the belt grinder. The belt grinder can, for example, be implemented in the form of a hand-held belt grinder ("belt grinder") or in the form of a large industrial-scale belt grinder. Such industrial belt grinders who are used, for example, for large-area grinding of workpieces such as panels made of raw material (such as chipboard, MDF, HDF and OSB panels). In a grinding process, the grinding belt is moved, in particular continuously, relative to the surface of the workpiece to be machined and an abrasive effect is exerted on the workpiece in this way. The sanding belt is typically driven by rollers in a belt circumferential direction and pressed against the surface of the workpiece to be machined in a pressing direction by means of a sanding shoe. The length of the sanding belt in the direction of the belt circulation can be, for example, between 1.5 and 5 meters in an industrial belt sanding machine. A width of the sanding belt, ie perpendicular to the direction of rotation of the belt, can for example be between 0.3 and 5.0 meters in such a belt sander. In the case of hand-held belt sanders, the sanding belts can have a length in the direction of belt rotation that is typically between 0.35 and 1 meter. A width of the sanding belt of a hand-held belt sander can typically be between 7.5 cm and 15 cm. Other lengths and widths are also possible.
Unter„bereitstellen von Messdaten“ ist insbesondere zu verstehen, dass einer das Verfahren durchführenden Vorrichtung, insbesondere einer Prozessorvorrichtung oder einer Computervorrichtung oder einer eine Prozessorvorrichtung umfassen den Computervorrichtung, die entsprechenden Messdaten - betreffend die Band schleifmaschine - bereitgestellt oder übergeben oder signaltechnisch zugeleitet werden. In einer Ausführungsform des Verfahrens können die entsprechenden Messdaten durch Einlesen der Messdaten aus einer Datei bereitgestellt werden. Beispielsweise können Messdaten durch Einlesen von auf einem Datenserver o- der von in einer Speichervorrichtung auf der Bandschleifmaschine hinterlegten Da ten bereitgestellt werden. In einer alternativen oder zusätzlichen Ausführungsform des Verfahrens können Messdaten unter Verwendung von Sensoren, insbeson dere Sensoren der Bandschleifmaschine, ermittelt oder gemessen und anschlie ßend bereitgestellt werden. Unter Sensoren sind dabei messtechnische Vorrich tungen zu verstehen, mittels der Messdaten betreffend die Bandschleifmaschine erfasst werden können. In einer Ausführungsform des Verfahrens werden die Messdaten unter Verwendung zumindest eines Schallsensors, insbesondere ei nes Luftschallsensors und/oder eines Körperschallsensors und/oder eines Vibrati onssensors, gemessen und bereitgestellt. Schallsensoren ermöglichen, von der Bandschleifmaschine und/oder dem Schleifband ausgehende mechanische Schwingungen (Schallwellen) zu erfassen. Die mittels eines Schallsensors erfass ten und bereitgestellten Messdaten betreffen die Bandschleifmaschine und lassen insbesondere Analysen und Rückschlüsse hinsichtlich mechanischer Eigenschaf ten des Schleifbands und/oder der Bandschleifmaschine während eines Schleif prozesses zu. Die mechanischen Eigenschaften können beispielsweise Aussagen auf Defekte im Schleifband zulassen oder auch auf eine Zusetzung oder Abnut zung des Schleifbands. Zusetzen bezeichnet dabei das Auffüllen von Zwischen räumen zwischen Schleifkörnern auf dem Schleifband mit Schleifspan oder Schleifstaub. Ferner lassen sich Merkmale eines Schleifbands, wie beispielsweise gezielt aufgebrachte Erhebungen auf dem Schleifband - beispielsweise in Form eines Strichcodes - einiesen und derart Aussagen über ein verwendetes Schleif band ableiten. Insbesondere ist auch denkbar, Schallsensoren zu verwenden, die hinsichtlich des detektierbaren Frequenzbereichs besonders eingerichtet und/oder eingeschränkt sind. Denkbar sind insbesondere Infraschallsensoren (typischer weise unter 16 Hz), Hörschallsensoren (typischerweise von 16 Hz bis 20 kHz), Ultraschallsensoren (typischerweise von 20 kHz bis 1,6 GHz) und/oder Hyper schallsensoren (typischerweise oberhalb 1 GHz) oder Kombinationen derer. Die Wahl des zumindest einen Schallsensors und insbesondere auch des Frequenz bereichs, in dem der zumindest eine Schallsensor aktiv erfasst, ist in einer Ausfüh rungsform des Verfahrens auf eine bestimmte Bandschleifmaschine abgestimmt. Insbesondere Körperschallsensoren und Vibrationssensoren ermöglichen, menschlich nicht oder kaum wahrnehmbare Erschütterungen, Vibrationen, Reso nanzen oder dergleichen in Messdaten zu erfassen und so dem erfindungsgemä ßen Verfahren zum Ermitteln der Zustandsinformation betreffend die Bandschleif maschine bereitzustellen. In einer Ausführungsform des Verfahrens kann der zu mindest eine Schallsensor beispielsweise durch einen MEMS-Mikrofon-Sensor und/oder durch einen Laser-Mikrofon-Sensor und/oder durch einen Piezo-Sensor oder dergleichen realisiert sein. Derartige Sensoren sind dem Fachmann bekannt. Die Auswertung der mittels des zumindest einen Schallsensors erfassten und be reitgestellten Messdaten umfasst insbesondere das Auffinden charakteristischer Frequenzanteile und/oder Schallamplituden. In einer alternativen oder zusätzli chen Ausführungsform des Verfahrens werden die Messdaten unter Verwendung zumindest eines weiteren Sensors erfasst (gemessen) und bereitgestellt, wobei der zumindest eine weitere Sensor aus einer Liste von Sensoren gewählt ist, die umfasst: “Providing measurement data” is to be understood in particular to mean that a device performing the method, in particular a processor device or a computer device or a processor device comprising the computer device, the corresponding measurement data - relating to the belt grinding machine - are provided or transferred or signaled. In one embodiment of the method, the corresponding measurement data can be provided by reading in the measurement data from a file. For example, measurement data can be provided by reading in data stored on a data server or in a storage device on the belt grinding machine. In an alternative or additional embodiment of the method, measurement data can be determined or measured using sensors, in particular sensors of the belt grinding machine, and then made available. Sensors are to be understood here as measuring devices by means of which measurement data relating to the belt grinding machine can be recorded. In one embodiment of the method, the measurement data are measured and provided using at least one sound sensor, in particular an airborne sound sensor and / or a structure-borne sound sensor and / or a vibration sensor. Sound sensors make it possible to detect mechanical vibrations (sound waves) emanating from the belt grinding machine and / or the grinding belt. The measurement data recorded and provided by means of a sound sensor relate to the belt grinding machine and in particular allow analyzes and conclusions to be drawn regarding mechanical properties of the grinding belt and / or the belt grinding machine during a grinding process. The mechanical properties can provide information on defects in the grinding belt, for example, or on clogging or wear on the grinding belt. Clogging refers to the filling of gaps between abrasive grains on the sanding belt with sanding chips or sanding dust. Furthermore, features of an abrasive belt, such as, for example, specifically applied elevations on the abrasive belt - for example in the form of a bar code - can be used to derive information about a used abrasive belt. In particular, it is also conceivable to use sound sensors which are specially set up and / or restricted with regard to the detectable frequency range. In particular, infrasonic sensors (typically below 16 Hz), audible sound sensors (typically from 16 Hz to 20 kHz), ultrasonic sensors (typically from 20 kHz to 1.6 GHz) and / or hypersonic sensors (typically above 1 GHz) or combinations thereof are conceivable. The selection of the at least one sound sensor and, in particular, also the frequency range in which the at least one sound sensor actively detects, is matched to a specific belt grinding machine in one embodiment of the method. In particular, structure-borne noise sensors and vibration sensors make it possible to detect shocks, vibrations, resonances or the like that are barely or barely perceptible to humans in measurement data and thus provide the method according to the invention for determining the status information relating to the belt grinding machine. In one embodiment of the method, the at least one sound sensor can, for example, be a MEMS microphone sensor and / or be implemented by a laser microphone sensor and / or by a piezo sensor or the like. Such sensors are known to the person skilled in the art. The evaluation of the measurement data acquired by means of the at least one sound sensor and provided includes in particular the finding of characteristic frequency components and / or sound amplitudes. In an alternative or additional embodiment of the method, the measurement data are acquired (measured) and provided using at least one further sensor, the at least one further sensor being selected from a list of sensors which includes:
• Sensoren zur Stromaufnahme der Bandschleifmaschine, insbesondere der An triebsvorrichtung des Schleifbands der Bandschleifmaschine: Beispielsweise kann eine Spule als Sensor vorgesehen sein, mittels der eine Stromaufnahme eines Antriebsmotors induktiv erfasst wird. Die derart bereitgestellten Messda ten betreffen die Bandschleifmaschine dahingehend, dass sie insbesondere Analysen und Rückschlüsse hinsichtlich eines Zustands des Schleifbands (Zu setzung, Abnutzung oder dergleichen) und/oder der Bandschleifmaschine (Ver schleiß der Lager, Verschleiß des Antriebsmotors oder dergleichen) zulassen. Beispielsweise wurde gefunden, dass die Stromaufnahme mit einer Reibung zwischen Schleifband und Werkstück korreliert, wobei die Reibung maßgeblich von einem Zusetzen des Schleifbands beeinflusst wird; • Sensors for power consumption of the belt grinding machine, in particular the drive device of the grinding belt of the belt grinding machine: For example, a coil can be provided as a sensor by means of which the power consumption of a drive motor is inductively detected. The measurement data provided in this way relate to the belt grinder in that they allow in particular analyzes and conclusions to be drawn with regard to the condition of the grinding belt (too much, wear or the like) and / or the belt grinder (wear of the bearings, wear of the drive motor or the like). For example, it was found that the power consumption correlates with friction between the grinding belt and workpiece, the friction being significantly influenced by clogging of the grinding belt;
• Lufttemperatursensoren: Die derart bereitgestellten Messdaten betreffen die Bandschleifmaschine dahingehend, dass sie insbesondere Analysen und Rück schlüsse hinsichtlich einer Erwärmung während eines Schleifprozesses zulas sen, die wiederum mit einer Zusetzung oder Abnutzung oder dergleichen des Schleifbands und/oder mit einem Verschleiß der Bandschleifmaschine (Ver schleiß der Lager, Verschleiß des Antriebsmotors oder dergleichen) korreliert; • Air temperature sensors: The measurement data provided in this way relate to the belt grinder to the extent that they allow, in particular, analyzes and conclusions to be drawn with regard to heating during a grinding process, which in turn is associated with clogging or wear or the like of the grinding belt and / or with wear and tear on the belt grinder (wear the bearings, wear of the drive motor or the like) correlates;
• Luftfeuchtesensoren und/oder Feuchtigkeitssensoren: Die derart bereitgestell ten Messdaten betreffen die Bandschleifmaschine dahingehend, dass sie ins besondere Analysen und Rückschlüsse hinsichtlich einer Materialbeschaffen heit des Werkstücks zulassen, die wiederum mit einem Schleifverhalten und/o der Schnittverhalten des Schleifbands, einer Standzeit des Schleifbands, einer Oberflächengüte des erzielten Schleifresultats, einem Zusetzen des Schleif bands (beispielsweise Verkleben bei höherer Feuchte) oder dergleichen korre liert; • Abstandssensoren und/oder Entfernungssensoren, insbesondere Laserab standssensoren bzw. Laser- Entfernungssensoren: Die derart bereitgestellten Messdaten betreffen die Bandschleifmaschine beispielsweise dahingehend, dass sie insbesondere Analysen und Rückschlüsse hinsichtlich einer Schwin gung des Schleifbands („Bandflattern“) zulassen und korrelieren somit mit einer Spannung des Schleifbands („Zugspannung“); • Humidity sensors and / or humidity sensors: The measurement data provided in this way relate to the belt grinding machine in that they allow in particular analyzes and conclusions to be drawn regarding the material properties of the workpiece, which in turn relate to the grinding behavior and / o the cutting behavior of the grinding belt, a service life of the grinding belt, a surface quality of the grinding result achieved, a clogging of the grinding belt (for example, sticking in higher humidity) or the like is corrected; • Distance sensors and / or distance sensors, in particular laser distance sensors or laser distance sensors: The measurement data provided in this way relate to the belt grinder, for example, to the extent that they allow analyzes and conclusions to be drawn regarding vibration of the grinding belt ("belt flutter") and thus correlate with a voltage of the sanding belt ("tension");
• Bildgebende, insbesondere visuelle, Sensoren, ganz insbesondere Kameras, Hochgeschwindigkeitskameras, Kameras mit Blitzlicht oder Stroboskopblitzlicht - die beispielsweise bei Wellenlängen des sichtbaren Spektrums oder des UV- Spektrums oder des IR-Spektrums betrieben werden: Die derart bereitgestell ten Messdaten betreffen die Bandschleifmaschine dahingehend, dass sie ins besondere Analysen und Rückschlüsse hinsichtlich optischer Eigenschaften des Schleifbands und/oder der Bandschleifmaschine während eines Schleifpro zesses zulassen. Die optischen Eigenschaften können beispielsweise Aussa gen auf Defekte im Schleifband zulassen oder auch auf eine Zusetzung oder Abnutzung des Schleifbands. Ferner lassen sich Merkmale eines Schleifbands, wie beispielsweise ein gezielt aufgebrachter Strichcode oder QR-Code, einie sen und derart Aussagen über ein verwendetes Schleifband ableiten; • Imaging, especially visual, sensors, especially cameras, high-speed cameras, cameras with flashing light or stroboscopic flashing light - which are operated, for example, at wavelengths of the visible spectrum or the UV spectrum or the IR spectrum: The measurement data provided in this way relate to the belt grinding machine, that they allow in particular analyzes and conclusions regarding the optical properties of the grinding belt and / or the belt grinding machine during a grinding process. The optical properties can provide information on defects in the grinding belt, for example, or on clogging or wear and tear on the grinding belt. Furthermore, features of an abrasive belt, such as a specifically applied bar code or QR code, can be incorporated and such statements can be derived about a used abrasive belt;
• Temperatursensoren, insbesondere IR-Sensoren, ganz insbesondere Wärme bildsensoren: Die derart bereitgestellten Messdaten betreffen die Bandschleif maschine dahingehend, dass sie insbesondere Analysen und Rückschlüsse hinsichtlich einer Temperatur und/oder einer Temperaturverteilung des Schleif bands und/oder der Bandschleifmaschine während eines Schleifprozesses zu lassen. Die thermischen Eigenschaften können beispielsweise Aussagen auf Defekte im Schleifband zulassen oder auch auf eine Zusetzung oder Abnutzung des Schleifbands. Beispielsweise korreliert eine Zusetzung des Schleifbands mit einer Erhöhung der Reibung und bewirkt somit eine Erhöhung der Schleif bandtemperatur. Ferner können die Messdaten eine Temperatur und/oder eine Temperaturverteilung eines Werkstücks betreffen (beispielsweise vor, während und nach dem Schleifprozess) und ebenfalls Analysen und Rückschlüsse be treffend die Bandschleifmaschine ermöglichen; • Temperature sensors, especially IR sensors, especially heat image sensors: The measurement data provided in this way relate to the belt grinder in that they allow in particular analyzes and conclusions to be drawn regarding a temperature and / or temperature distribution of the grinding belt and / or the belt grinder during a grinding process . The thermal properties can, for example, allow statements to be made about defects in the grinding belt or also about clogging or wear of the grinding belt. For example, a clogging of the abrasive belt correlates with an increase in friction and thus causes an increase in the abrasive belt temperature. Furthermore, the measurement data can relate to a temperature and / or a temperature distribution of a workpiece (for example before, during and after the grinding process) and also enable analyzes and conclusions to be drawn with regard to the belt grinding machine;
• Dickenmesssensoren: Die derart bereitgestellten Messdaten betreffen die Bandschleifmaschine dahingehend, dass sie insbesondere Analysen und Rück- Schlüsse hinsichtlich eines Materialabtrags des Werkstücks und/oder einer Zu setzung des Schleifbands oder dergleichen zulassen und korrelieren somit bei spielsweise mit einer Abnutzung des Schleifbands; • Thickness measurement sensors: The measurement data made available in this way relate to the belt grinder in that they can in particular analyze and return Conclusions regarding material removal from the workpiece and / or a clogging of the abrasive belt or the like allow and thus correlate with, for example, wear of the abrasive belt;
• Drehmomentsensoren: Die mittels Drehmomentsensoren bereitgestellten Messdaten betreffen die Bandschleifmaschine dahingehend, dass sie insbe sondere Analysen und Rückschlüsse hinsichtlich eines Antriebs des Schleif bands zulassen und können beispielsweise mit einer Reibung zwischen Schleif band und Werkstück korrelieren, wobei die Reibung beispielsweise wiederum von einem Zusetzen des Schleifbands beeinflusst wird; • Torque sensors: The measurement data provided by means of torque sensors relate to the belt grinder in that they allow special analyzes and conclusions to be drawn regarding the drive of the grinding belt and can, for example, correlate with the friction between the grinding belt and the workpiece, the friction, for example, from clogging of the grinding belt being affected;
• Staubmengenmesssensoren: Die derart bereitgestellten Messdaten betreffen die Bandschleifmaschine dahingehend, dass sie insbesondere Analysen und Rückschlüsse hinsichtlich eines Materialabtrags des Werkstücks und/oder einer Zusetzung des Schleifbands oder dergleichen zulassen und korrelieren somit mit einer Abnutzung des Schleifbands. Staubmengenmesssensoren können beispielsweise in einem Abluftrohr der Bandschleifmaschine angeordnet sein und eine Menge und/oder eine Partikelgrößenverteilung von erzeugtem Schleif staub erfassen; Dust quantity measuring sensors: The measurement data provided in this way relate to the belt grinder in that they allow in particular analyzes and conclusions regarding material removal from the workpiece and / or clogging of the grinding belt or the like and thus correlate with wear and tear of the grinding belt. Dust quantity measuring sensors can be arranged, for example, in an exhaust pipe of the belt grinder and detect an amount and / or a particle size distribution of the grinding dust produced;
• Beschleunigungssensoren, Wegstreckensensoren, Inertialsensoren: Die derart bereitgestellten Messdaten betreffen die Bandschleifmaschine dahingehend, dass sie insbesondere Analysen und Rückschlüsse hinsichtlich mechanischer Bewegung des Schleifbands und/oder der Schleifbandmaschine zulassen. Bei spielsweise können die Messdaten Komponenten innerhalb der Schleifband maschine betreffen oder das Werkstück betreffen (z.B. Vorschubgeschwindig keit während eines Schleifprozesses). Die Messdaten korrelieren insbesondere mit Betriebsparametern und/oder Abweichungen von gewünschten Betriebspa rametern der Bandschleifmaschine und ermöglichen somit ebenfalls Aussagen zu einer Abnutzung des Schleifbands und/oder der Bandschleifmaschine; • Acceleration sensors, distance sensors, inertial sensors: The measurement data provided in this way relate to the belt grinding machine to the extent that they allow, in particular, analyzes and conclusions with regard to the mechanical movement of the grinding belt and / or the grinding belt machine. For example, the measurement data can relate to components within the grinding belt machine or relate to the workpiece (e.g. feed speed during a grinding process). The measurement data correlate in particular with operating parameters and / or deviations from the desired operating parameters of the belt grinding machine and thus also enable statements to be made about wear of the grinding belt and / or the belt grinding machine;
• Ortungssensoren: Die derart bereitgestellten Messdaten betreffen die Band schleifmaschine dahingehend, dass sie insbesondere Analysen und Rück schlüsse hinsichtlich in die Bandschleifmaschine und/oder in das Werkstück eingebrachter Objekte - wie beispielsweise metallischer Gegenstände (z.B. Nä gel) - und/oder hinsichtlich in das Schleifband eingebrachter Objekte - wie bei spielsweise Metallspäne - während eines Schleifprozesses zulassen. Die Messdaten können somit Aussagen auf mögliche (absehbare) Defekte im Schleifband zulassen oder auch auf mögliche Gefahren beim Betrieb der Band schleifmaschine zulassen. Beispielhafte Ortungssensoren können Magnetfeld sensoren, Radarsensoren, Induktivsensoren, Kapazitivsensoren, Kernspinre sonanzsensoren oder dergleichen umfassen; Location sensors: The measurement data provided in this way relate to the belt grinding machine to the extent that they can in particular analyze and draw conclusions with regard to objects introduced into the belt grinder and / or into the workpiece - such as metallic objects (e.g. nails) - and / or with regard to the grinding belt objects brought in - such as metal chips - during a grinding process. The measurement data can thus provide information on possible (foreseeable) defects in the Allow sanding belt or allow for possible dangers when operating the belt sanding machine. Exemplary location sensors can include magnetic field sensors, radar sensors, inductive sensors, capacitive sensors, nuclear magnetic resonance sensors or the like;
• Berührungssensitive Sensoren: Die mittels berührungssensitiven Sensoren be reitgestellten Messdaten betreffen die Bandschleifmaschine dahingehend, dass sie insbesondere Analysen und Rückschlüsse hinsichtlich haptischer Oberflä cheneigenschaften des Werkstücks und/oder des Schleifbands zulassen (bei spielsweise Rauigkeit) und können beispielsweise mit einer Reibung zwischen Schleifband und Werkstück korrelieren. Fernern können berührungssensitive Sensoren zur Ermittlung von„Bandflattern“ (Schwingungen auf dem Schleif band) verwendet werden; • Touch-sensitive sensors: The measurement data provided by means of touch-sensitive sensors relate to the belt grinding machine in that they allow analyzes and conclusions to be drawn regarding the haptic surface properties of the workpiece and / or the grinding belt (for example, roughness) and can, for example, correlate with friction between the grinding belt and workpiece . Furthermore, touch-sensitive sensors can be used to determine "belt flutter" (vibrations on the grinding belt);
• Reflektanzsensoren: Die mittels Reflektanzsensoren bereitgestellten Messda ten betreffen die Bandschleifmaschine dahingehend, dass sie insbesondere Analysen und Rückschlüsse hinsichtlich Oberflächeneigenschaften des Werk stücks und/oder des Schleifbands zulassen (beispielsweise Rauigkeit) und kön nen beispielsweise mit einer Reibung zwischen Schleifband und Werkstück kor relieren. Typische Reflektanzsensoren können beispielsweise unter Verwen dung von Laserstrahlung realisiert sein, wobei die Laserstrahlung an einer zu untersuchenden Oberfläche reflektiert und eine reflektierte Laserintensität de- tektiert wird; • Reflectance sensors: The measurement data provided by means of reflectance sensors relate to the belt grinding machine in that they allow analyzes and conclusions to be drawn regarding surface properties of the workpiece and / or the grinding belt (e.g. roughness) and can, for example, correlate with friction between the grinding belt and workpiece. Typical reflectance sensors can be implemented, for example, using laser radiation, the laser radiation being reflected on a surface to be examined and a reflected laser intensity being detected;
oder Kombination derer. Messdaten von Sensoren der genannten Liste eignen sich gut, eine Ermittlung der Zustandsinformation nach erfindungsgemäßem Ver fahren durchzuführen. Durch das Bereitstellen von Messdaten, die mittels einer Mehrzahl, insbesondere verschiedener, Sensoren erfasst werden, kann eine be sonders präzise und zuverlässige Ermittlung einer Zustandsinformation betreffend die Bandschleifmaschine durchgeführt werden. Insbesondere können derart an eine zu analysierende Bandschleifmaschine angepasste Messdaten zur Durchfüh rung des Verfahrens bereitgestellt werden. Ferner können teilweise redundante Messdaten ermöglichen, Fehlanalysen zu vermeiden und derart eine präzisere Er mittlung einer Zustandsinformation zu ermöglichen. Ferner können basierend auf Messdaten, die mittels einer Mehrzahl, insbesondere verschiedener, Sensoren er fasst werden, unterschiedliche und/oder komplementäre und/oder redundante Zu standsinformationen ermittelt werten. In einer Ausführungsform des Verfahrens zum Ermitteln einer Zustandsinformation werden die Messdaten selektiv oder wählbar bereitgestellt oder abgerufen, insbe sondere von der Bandschleifmaschine selektiv oder wählbar bereitgestellt oder ab gerufen. Beispielsweise kann vorgesehen sein, die Messdaten auf einer Speicher vorrichtung, insbesondere einer Netzwerkspeichervorrichtung (einem Server) oder einer Speichervorrichtung der Bandschleifmaschine, zu speichern, wobei die Messdaten selektiv von der Speichervorrichtung abgerufen werden und anschlie ßend der das Verfahren durchführenden Computervorrichtung, beispielsweise ei nem Server in einer Cloud, bereitgestellt werden. So kann insbesondere erreicht werden, dass ein zur Durchführung des Verfahrens zu übertragendes Datenvolu men variabel ist und insbesondere abhängig von einer zu ermittelnden Zustandsin formation selektiv bereitstellbar ist. Dies bedeutet, dass nur diejenigen Messdaten, die zur Durchführung des Verfahrens zum Ermitteln einer bestimmten Zustandsin formation tatsächlich benötigt werden, bereitgestellt werden, während andere möglicherweise vorhandene Messdaten nicht bereitgestellt werden. In einem Aus führungsbeispiel werden die Messdaten in einer Datenbank oder wie in einer Da tenbank bereitgehalten. Insbesondere ist eine Zustandsinformation, die einen Nut zer interessiert, durch eine Eingabe oder Auswahl durch den Nutzer, beispiels weise mittels einer Eingabevorrichtung oder mittels einer Menüauswahl oder der gleichen, auswählbar. or a combination of these. Measurement data from sensors in the list mentioned are well suited for determining the status information according to the inventive method. By providing measurement data that are recorded by means of a plurality, in particular different, sensors, a particularly precise and reliable determination of status information relating to the belt grinding machine can be carried out. In particular, measurement data adapted to a belt grinding machine to be analyzed can be provided in this way for carrying out the method. Furthermore, partially redundant measurement data can make it possible to avoid incorrect analyzes and thus enable status information to be determined more precisely. Furthermore, different and / or complementary and / or redundant status information can be determined on the basis of measurement data that are acquired by means of a plurality, in particular different, sensors. In one embodiment of the method for determining status information, the measurement data are selectively or selectively made available or called up, in particular made available or called up selectively or selectively by the belt grinder. For example, provision can be made to store the measurement data on a storage device, in particular a network storage device (a server) or a storage device of the belt grinding machine, the measurement data being selectively retrieved from the storage device and then from the computer device performing the method, for example a server in a cloud. It can thus be achieved in particular that a data volume to be transmitted to carry out the method is variable and, in particular, can be selectively provided as a function of status information to be determined. This means that only those measurement data that are actually required to carry out the method for determining specific status information are provided, while other measurement data that may be present are not provided. In one exemplary embodiment, the measurement data are kept ready in a database or as in a database. In particular, status information that is of interest to a user can be selected by an input or selection by the user, for example by means of an input device or by means of a menu selection or the like.
In einer Ausführungsform des Verfahrens zum Ermitteln einer Zustandsinformation werden die Messdaten vor Bereitstellen gefiltert. Insbesondere werden Stimman teile (insbesondere menschliche Sprache) in den Messdaten herausgefiltert. Alter nativ oder zusätzlich werden anderweitige Störeinflüsse, beispielsweise ein Hin tergrundsignalanteil, aus den Messdaten herausgefiltert. Auf diese Weise können Störeinflüsse in den Messdaten, die eine zuverlässige Ermittlung einer Zustandsin formation beeinträchtigen, entfernt werden. Insbesondere werden Störeinflüsse, auf die das maschinelle Lernsystem nicht trainiert ist und/oder auf die das maschi nelle Lernsystem nur unter hohem Aufwand trainiert werden kann, aus den Mess daten entfernt. Stimmanteile in den Messsignalen stellen nach derzeitiger Erkennt nis einen besonders großen Störeinfluss dar. In one embodiment of the method for determining status information, the measurement data are filtered before being made available. In particular, parts of the voice (especially human speech) are filtered out in the measurement data. Alternatively or additionally, other interfering influences, for example a background signal component, are filtered out of the measurement data. In this way, interfering influences in the measurement data which impair reliable determination of status information can be removed. In particular, disruptive influences for which the machine learning system is not trained and / or for which the machine learning system can only be trained with great effort are removed from the measurement data. According to current knowledge, voice components in the measurement signals represent a particularly large interference factor.
Unter einer Zustandsinformation betreffend die Bandschleifmaschine ist eine In formation zu verstehen, die eine Aussage zum Zustand der Bandschleifmaschine - wie Fortschritt von Verschleiß, Wartungsnotwendigkeit - und/oder zum Zustand des Schleifbands - wie Fortschritt von Verschleiß, Austauschnotwendigkeit - und/oder zum Betrieb der Bandschleifmaschine - wie Prozessparameter, Vor schläge zur Änderung eines Prozessparameters - zulässt. Insbesondere erlaubt es die Ermittlung einer Zustandsinformation, eine Maschinen-, Prozess- und/oder Bedieneffizienz zu erhöhen, beispielsweise durch eine Frühindikation von Proble men, Fehlern, notwendigen Aktivitäten (wie Wartung) und eine damit einherge hende Reduzierung von Maschinenstillständen, Ausschuss (gleichbleibend hohe Qualität im Schleifprozess) und Schulungsbedarf an Nutzer, die die Bandschleif maschine bedienen. In einer Ausführungsform des Verfahrens ist eine Zustandsin formation derart definiert oder gewählt, dass sie zumindest eine der folgenden Ei genschaften betrifft: State information relating to the belt grinding machine is to be understood as meaning information that provides information on the state of the belt grinding machine - such as progress of wear, need for maintenance - and / or the condition of the grinding belt - such as progress of wear, need for replacement - and / or the operation of the belt grinding machine - such as process parameters, proposals for changing a process parameter. In particular, the determination of status information makes it possible to increase machine, process and / or operating efficiency, for example through an early indication of problems, errors, necessary activities (such as maintenance) and the associated reduction in machine downtimes and rejects (consistently high Quality in the grinding process) and training requirements for users who operate the belt grinding machine. In one embodiment of the method, status information is defined or selected in such a way that it relates to at least one of the following properties:
• eine Eigenschaft, welche ein zu bearbeitendes Werkstück charakterisiert, bei spielsweise einen Materialtyp wie„Holz“,„Metall“ oder eine Materialeigenschaft wie„hohe Härte“,„mittlere Härte“ oder dergleichen; • a property that characterizes a workpiece to be machined, for example a material type such as “wood”, “metal” or a material property such as “high hardness”, “medium hardness” or the like;
• eine Eigenschaft, welche Fertigungsfehler auf dem Werkstück charakterisiert, beispielsweise sogenannte dynamische Streifen,„Rattermarken“ oder Rautie fen auf dem Werkstück; • a property that characterizes manufacturing defects on the workpiece, for example so-called dynamic stripes, "chatter marks" or roughness on the workpiece;
• eine Eigenschaft, welche einen Betriebsmodus oder Betriebsparameter der Bandschleifmaschine charakterisiert, beispielsweise eine Leistungsaufnahme, eine Vorschubrate des Werkstücks oder einen„Sommerbetrieb“/,, Winterbetrieb“ (die Jahreszeit hat insbesondere Einfluss auf eine Feuchtigkeit von Schleifbän dern, wobei sich die Feuchtigkeit wiederum auf eine Elastizität der Schleifbän der auswirkt und somit auf eine Abtragsrate, Standzeit oder dergleichen der Schleifbänder); • a property that characterizes an operating mode or operating parameter of the belt grinder, for example a power consumption, a feed rate of the workpiece or a "summer operation" / "winter operation" (the season in particular has an influence on the humidity of sanding belts, whereby the humidity in turn affects an elasticity of the grinding belts which affects and thus a removal rate, service life or the like of the grinding belts);
• eine Eigenschaft, welche Fehleinstellungen der Bandschleifmaschine charak terisiert, beispielsweise eine zu hohe Schleifbandspannung oder eine zu hohe Schleifbandumlaufgeschwindigkeit oder einen ungeeigneten Anpressdruck des Schleifschuhs oder dergleichen; • a property that characterizes incorrect settings of the belt grinder, for example too high a grinding belt tension or too high a grinding belt speed or an unsuitable contact pressure of the sanding shoe or the like;
• eine Eigenschaft, welche eine Lastverteilung der Bandschleifmaschine charak terisiert, beispielsweise eine über die Breite des Schleifbands ungleiche Abnut zung des Schleifbands und/oder eine bei mehreren parallel verwendeten Schleifbändern auftretende ungleiche Abnutzung der einzelnen Schleifbänder; A property that characterizes a load distribution of the belt grinding machine, for example uneven wear of the grinding belt across the width of the grinding belt and / or uneven wear of the individual grinding belts that occurs when several grinding belts are used in parallel;
• eine Eigenschaft, welche einen Abnutzungsgrad oder einen Verschleiß der Bandschleifmaschine charakterisiert, beispielsweise einen Alterungsprozess an Lagern, Walzen, Schleifschuh, ein Ausleiern von Maschinenkomponenten, eine Parameterdrift oder dergleichen; • a property that characterizes a degree of wear and tear of the belt grinding machine, for example an aging process on bearings, rollers, sanding shoe, a wear out of machine components, a parameter drift or the like;
• eine Eigenschaft, welche ein in der Bandschleifmaschine verwendetes Schleif band charakterisiert, beispielsweise einen Schleifbandtyp wie„P120“ oder vor zugsweise zu verwendende Einstellungen zur optimalen Nutzung des Schleif bands (Schleifbandumdrehungszahl, Schleifbandspannung etc.); • a property that characterizes an abrasive belt used in the belt sander, for example a type of abrasive belt such as "P120" or settings to be used for optimum use of the abrasive belt (number of belt revolutions, belt tension, etc.);
• eine Eigenschaft, welche ein Zusetzen und/oder Abstumpfen des Schleifbands charakterisiert, • a property that characterizes clogging and / or dulling of the abrasive belt,
• eine Eigenschaft, welche einen Defekt des Schleifbands charakterisiert, bei spielsweise das Vorhandensein von Rissen im Schleifband oder von Fremdpar tikeln wie Metallspäne in oder auf dem Schleifband; • a property that characterizes a defect in the grinding belt, for example the presence of cracks in the grinding belt or foreign particles such as metal chips in or on the grinding belt;
oder Kombinationen derer. or combinations of these.
Es ist ferner denkbar, in einer Ausführungsform des Verfahrens vorzusehen, dass unterschiedliche Zustandsinformationen ermittelt werden oder eine zu ermittelnde Zustandsinformation durch einen Nutzer der Bandschleifmaschine wählbar ist. Derart kann ein besonders umfassendes und flexibel anpassbares Verfahren an gegeben werden, mit dem ein Nutzer eine besonders gute Übersicht über den Zu stand der Bandschleifmaschine, des Schleifbands und/oder des Werkstücks er hält. It is also conceivable in one embodiment of the method to provide that different status information is determined or status information to be determined can be selected by a user of the belt grinding machine. In this way, a particularly comprehensive and flexibly adaptable method can be specified with which a user has a particularly good overview of the status of the belt grinding machine, the grinding belt and / or the workpiece.
Eine Zustandsinformation wird aus den bereitgestellten Messdaten mittels eines maschinellen Lernsystems ermittelt, wobei das maschinelle Lernsystem eingerich tet ist, die entsprechende Zustandsinformation basierend auf den bereitgestellten Messdaten zu ermitteln, insbesondere auch auszugeben. Unter dem maschinellen Lernsystem ist dabei insbesondere eine technische Realisierung eines selbstler nenden Systems zu verstehen, das aus vorgegebenen Beispielen - den soge nannten Trainingsdaten - lernt und nach Beendigung der Lernphase die gelernten Verhalte verallgemeinern kann, indem es Muster und Gesetzmäßigkeiten in den Trainingsdaten identifiziert und abrufbar macht. Derartige maschinelle Lernsys teme sind prinzipiell bekannt, beispielsweise aus DE 10 2005 050 577 Al. Es wird vorgeschlagen, dass in einer Ausführungsform des Verfahrens zum Ermitteln einer Zustandsinformation das maschinelle Lernsystem ein, insbesondere künstliches, neuronales Netz umfasst. Das neuronale Netz besteht dabei aus einer Verkettung neuronaler Schichten, wobei die Topologie des Netzes zur Durchführung des Ver fahrens eingerichtet und angepasst, insbesondere parametrisiert, ist. Dem maschi nellen Lernsystem, insbesondere dem neuronalen Netz, werden dabei zunächst Messdaten als Eingangsgröße (Trainingseingangsdaten) bereitgestellt, wobei die Trainingseingangsdaten anschließend durch das maschinelle Lernsystem, insbe sondere durch das neuronale Netz, propagiert werden. Insbesondere bei einem neuronalen Netz berechnet entsprechend jede (verdeckte) Schicht des neuronalen Netzes eine Ausgangsgröße, die wiederum als Eingangsgröße einer folgenden Schicht des Netzes verwendet wird. Die letzte Schicht des Netzes (Ausgabe- Schicht) erlaubt das Ablesen der entsprechenden Zustandsinformation, die basie rend auf den eingegebenen Messdaten abgeschätzt wurde. Ein maschinelles Lernsystem, insbesondere ein neuronales Netz wie beispielsweise ein bayessches Netz, weist dabei den Vorteil auf, dass gegenüber existierenden statistischen An sätzen - wie sie beispielsweise aus dem Stand der Technik in DE 10 2017 120 260 Al bekannt sind - eine zuverlässigere und präzisere Ermittlung einer Zu standsinformation betreffend die Bandschleifmaschine (einschließlich Schleifband und Werkstück) möglich ist. Insbesondere können auch bei großen Mengen an Messdaten und unterschiedlichen Einflussfaktoren auf eine Zustandsinformation sinnvolle Ergebnisse bei der Ermittlung der entsprechenden Zustandsinformation erhalten werden. In einer Ausführungsform des Verfahrens ist das neuronale Netz als ein rekurrentes neuronales Netz oder als ein faltendes neuronales Netz reali siert. Denkbar ist auch, dass das maschinelle Lernsystem eine Regression aus führt, also einen Verlauf einer Zustandsinformation vorhersagt. In einer Ausführungsform des Verfahrens wird die Bandschleifmaschine zumindest teilweise basierend auf der ermittelten Zustandsinformation gesteuert und/oder wird eine Information zumindest teilweise basierend auf der ermittelten Zu standsinformation mittels einer Ausgabevorrichtung ausgegeben. Zur Steuerung der Bandschleifmaschine wird dazu die ermittelte Zustandsinformation an eine Steuervorrichtung der Bandschleifmaschine ausgegeben, insbesondere übermit telt. Mittels der Steuervorrichtung kann somit unter Verwendung der Zustandsin formation eine Steuergröße zum Ansteuern eines physikalischen Aktors der Band schleifmaschine ermittelt werden. Eine Steuervorrichtung dient dabei der Steue rung, insbesondere dem Betrieb, eines physikalischen Aktors, beispielsweise durch Anwendung von Regelroutinen und/oder Steuerroutinen. Die Steuervorrich tung ist zumindest dazu vorgesehen, zumindest teilweise anhand der ermittelten Zustandsinformation eine weitere Verarbeitung durchzuführen und derart die ent sprechende Zustandsinformation in eine Steuergröße zum Ansteuern des Aktors zu übersetzen. Beispielsweise ist denkbar, dass in Abhängigkeit der ermittelten Zustandsinformation eine automatische Einstellung von Prozessparametern wie beispielsweise der Bandumlaufgeschwindigkeit erfolgt. Auf diese Weise kann ein besonders effizientes Überwachungsverfahren zum Überwachen und Steuern der Bandschleifmaschine, insbesondere zum automatischen Anpassen der Band schleifmaschine, angegeben werden. Die Bandschleifmaschine kann derart zu ei ner zumindest teilautonomen Bandschleifmaschine funktionalisiert werden. Insbe sondere wird somit ermöglicht, dass die Bandschleifmaschine einen Schleifpro zess selbsttätig beginnt, selbsttätig beendet und/oder selbsttätig zumindest einen Parameter betreffend die Durchführung des Schleifprozesses auswählt und/oder beeinflusst. Die Ausgabevorrichtung kann eine Ausgabevorrichtung der das Ver fahren durchführenden Computervorrichtung und/oder eine Ausgabevorrichtung der Bandschleifmaschine und/oder eine separat ausgebildete Ausgabevorrichtung sein. Eine separat ausgebildete Ausgabevorrichtung kann beispielsweise durch einen Computer, ein mobiles Datengerät wie ein Tablet, oder dergleichen realisiert sein. Beispielsweise ist denkbar, eine Information zumindest teilweise basierend auf der ermittelten Zustandsinformation unter Verwendung einer taktilen, akusti schen oder visuellen Ausgabevorrichtung auszugeben. Insbesondere kann eine Ausgabe in grafischer Form unter Verwendung eines Bildschirms erfolgen. Alter nativ oder zusätzlich kann eine Ausgabe unter Verwendung einer Datenkommuni kationsvorrichtung an ein externes Gerät erfolgen. Es sei darauf hingewiesen, dass unter Anwendung des erfindungsgemäßen Verfahrens zur Ermittlung einer Zustandsinformation, insbesondere in Kombination mit der Ausgabe der zumin dest teilweise auf der ermittelten Zustandsinformation basierenden Information, die ermittelte Zustandsinformation betreffend die Bandschleifmaschine der menschlichen Wahrnehmung des Nutzers vorteilhaft zugänglich wird. Die Informa tion bezeichnet dabei eine zur Ausgabe mittels einer Ausgabevorrichtung aufbe reitete, insbesondere nutzerfreundlich aufbereitete, und zumindest teilweise auf der ermittelten Zustandsinformation basierenden Information. Insbesondere kann die Information zur Ausgabe auch der Zustandsinformation entsprechen. Bei- spielsweise ist denkbar, dass die Information in Form eines Ampelsignals - wel ches den Zeitpunkt eines Schleifbandwechsels signalisiert - direkt an einer Band schleifmaschine einem Nutzer der Bandschleifmaschine ausgegeben wird. Status information is determined from the measurement data provided by means of a machine learning system, the machine learning system being set up to determine the corresponding status information based on the measurement data provided, in particular to also output it. The machine learning system is to be understood in particular as a technical implementation of a self-learning system that learns from given examples - the so-called training data - and can generalize the learned behavior after the end of the learning phase by identifying and retrieving patterns and regularities in the training data power. Such machine learning systems are known in principle, for example from DE 10 2005 050 577 A1. It is proposed that, in one embodiment of the method for determining status information, the machine learning system comprises an, in particular an artificial, neural network. The neural network consists of a chain neural layers, the topology of the network being set up and adapted, in particular parameterized, to carry out the method. The machine learning system, in particular the neural network, is initially provided with measurement data as an input variable (training input data), the training input data then being propagated by the machine learning system, in particular by the neural network. In particular in the case of a neural network, each (hidden) layer of the neural network accordingly calculates an output variable, which in turn is used as the input variable of a subsequent layer of the network. The last layer of the network (output layer) allows reading of the corresponding status information, which was estimated based on the inputted measurement data. A machine learning system, in particular a neural network such as a Bayesian network, has the advantage that compared to existing statistical approaches - such as are known from the prior art in DE 10 2017 120 260 A1 - a more reliable and precise determination status information relating to the belt grinder (including the grinding belt and workpiece) is possible. In particular, meaningful results can be obtained when determining the corresponding status information even with large amounts of measurement data and different influencing factors on status information. In one embodiment of the method, the neural network is implemented as a recurrent neural network or as a folding neural network. It is also conceivable that the machine learning system carries out a regression, that is, predicts a course of state information. In one embodiment of the method, the belt grinding machine is controlled at least partially based on the determined status information and / or information is output at least partially based on the determined status information by means of an output device. To control the belt grinding machine, the determined status information is output to a control device of the belt grinding machine, in particular transmitted. By means of the control device, a control variable for controlling a physical actuator of the belt grinding machine can thus be determined using the status information. A control device is used to control, in particular to operate, a physical actuator, for example by using control routines and / or control routines. The control device is provided at least to carry out further processing at least partially on the basis of the determined status information and in this way to translate the corresponding status information into a control variable for controlling the actuator. For example, it is conceivable that an automatic setting of process parameters such as the belt speed is carried out as a function of the ascertained status information. In this way, a particularly efficient monitoring method for monitoring and controlling the belt grinding machine, in particular for automatically adjusting the belt grinding machine, can be specified. The belt grinder can be functionalized in this way into an at least partially autonomous belt grinder. In particular, it is thus made possible that the belt grinding machine automatically starts a grinding process, ends it automatically and / or automatically selects and / or influences at least one parameter relating to the implementation of the grinding process. The output device can be an output device of the computer device performing the method and / or an output device of the belt grinder and / or a separately constructed output device. A separately designed output device can be implemented, for example, by a computer, a mobile data device such as a tablet, or the like. For example, it is conceivable to output information at least partially based on the ascertained status information using a tactile, acoustic or visual output device. In particular, output can take place in graphic form using a screen. Alternatively, or in addition, output can be made to an external device using a data communication device. It should be noted that using the method according to the invention for determining status information, in particular in combination with the output of the information based at least partially on the determined status information, the determined status information relating to the belt grinding machine is advantageously accessible to the human perception of the user. The information denotes information that is prepared for output by means of an output device, in particular prepared in a user-friendly manner, and based at least in part on the status information determined. In particular, the information on the output can also correspond to the status information. At- For example, it is conceivable that the information in the form of a traffic light signal - which signals the point in time of a grinding belt change - is output directly to a user of the belt grinding machine on a belt grinding machine.
Gemäß einem weiteren Aspekt der Erfindung wird ein, insbesondere computerim plementiertes, Verfahren zum Anlernen eines maschinellen Lernsystems, insbe sondere eines neuronalen Netzes, vorgeschlagen. Das Verfahren kann prozessor gestützt sein. Das Verfahren zum Anlernen bewirkt, dass das maschinelle Lern system zur Durchführung des zuvor beschriebenen Verfahrens zum Ermitteln ei ner Zustandsinformation betreffend eine Bandschleifmaschine eingerichtet, d.h. speziell angelernt und/oder parametrisiert ist. Das Verfahren zum Anlernen weist zumindest die folgenden Verfahrensschritte auf: According to a further aspect of the invention, a method, in particular computer-implemented, for teaching a machine learning system, in particular a neural network, is proposed. The method can be processor-based. The method for teaching has the effect that the machine learning system is set up to carry out the method described above for determining status information relating to a belt grinding machine, i.e. is specially trained and / or parameterized. The learning procedure has at least the following steps:
• Bereitstellen von Trainingsdaten bestehend aus Trainingseingangsdaten und Trainingsausgangsdaten, wobei die Trainingseingangsdaten Messdaten betref fend eine Bandschleifmaschine zu einer Vielzahl von Zustandsinformationen und die Trainingsausgangsdaten jeweils zumindest eine zugeordnete Zu standsinformation betreffend die Bandschleifmaschine umfassen, • Provision of training data consisting of training input data and training output data, the training input data comprising measurement data relating to a belt grinding machine for a variety of status information and the training output data each comprising at least one associated status information relating to the belt grinding machine,
• Anlernen des maschinellen Lernsystems, insbesondere des neuronalen Net zes, wobei Parameter des maschinellen Lernsystems derart angepasst werden, dass das maschinelle Lernsystem abhängig von den angepassten Parametern und abhängig von den bereitgestellten Trainingseingangsdaten die jeweils zu gehörigen Trainingsausgangsdaten ermittelt. • Teaching the machine learning system, in particular the neural network, with parameters of the machine learning system being adapted in such a way that the machine learning system determines the respective training output data depending on the adapted parameters and depending on the training input data provided.
In einem weiteren Verfahrensschritt wird das angelernte maschinelle Lernsystem zu einer Computervorrichtung, insbesondere einer Steuervorrichtung einer insbe sondere zu überwachenden Bandschleifmaschine (d.h. einer Bandschleifma schine), hinzugefügt. In a further process step, the learned machine learning system is added to a computer device, in particular a control device of a belt grinding machine that is to be monitored in particular (i.e. a belt grinding machine).
In Folge der Bereitstellung von Trainingseingangsdaten ermittelt das maschinelle Lernsystem, insbesondere das neuronale Netz, aus diesen Daten einen ersten Ausgabewert. Dieser Ausgabewert wird im Anlernprozess einem Trainingssystem (beispielsweise einer Computervorrichtung) zugeführt, wobei das Trainingssystem hieraus eine Vorschrift zur Anpassung der Parameter ermittelt, welche vorgibt, wel cher oder welche Parameter des maschinellen Lernsystems auf welche Weise ei ner Anpassung unterzogen werden soll(en), um eine präzisere Ermittlung der vor gegebenen Trainingsausgangsdaten zu ermöglichen. Im Falle eines neuronalen Netzes kann diese Anpassung durch Vorgabe erwarteter bzw. gewünschter Werte für den Ausgabewert und anschließende Rückwärts- Propagation erfolgen. Ferner wird vorgeschlagen, dass in einer Ausführungsform des Verfahrens zum Anlernen die Trainingseingangsdaten aus einer Liste ausgewählt sind, die zumindest Mess daten umfasst, wie sie von einem Sensor der folgenden Liste bereitgestellt werden: Sensoren zur Stromaufnahme, Lufttemperatursensoren, Luftfeuchtesensoren und/oder Feuchtigkeitssensoren, Abstandssensoren und/oder Entfernungssenso ren, bildgebende, insbesondere visuelle, Sensoren, Temperatursensoren, insbe sondere IR-Sensoren, ganz insbesondere Wärmebildsensoren, Dickenmess sensoren, Drehmomentsensoren, Staubmengenmesssensoren, Beschleuni gungssensoren, Wegstreckensensoren, Inertialsensoren, Ortungssensoren, be rührungssensitive Sensoren, Reflektanzsensoren oder Kombination derer. Ferner wird vorgeschlagen, dass die Trainingsausgangsdaten aus einer Liste von Zu standsinformationen ausgewählt sind, die zumindest folgende Eigenschaften be treffen: einer Eigenschaft, welche ein zu bearbeitendes Werkstück charakterisiert; einer Eigenschaft, welche Fertigungsfehler auf dem Werkstück charakterisiert; ei ner Eigenschaft, welche einen Betriebsmodus oder Betriebsparameter der Band schleifmaschine charakterisiert; einer Eigenschaft, welche Fehleinstellungen der Bandschleifmaschine charakterisiert; einer Eigenschaft, welche eine Lastvertei lung der Bandschleifmaschine charakterisiert; einer Eigenschaft, welche einen Ab nutzungsgrad oder einen Verschleiß der Bandschleifmaschine charakterisiert; ei ner Eigenschaft, welche ein in der Bandschleifmaschine verwendetes Schleifband charakterisiert; einer Eigenschaft, welche ein Zusetzen und/oder Abstumpfen des Schleifbands charakterisiert; einer Eigenschaft, welche einen Defekt des Schleif bands charakterisiert oder Kombinationen derer. Derart kann ein besonders ziel gerichtetes Verfahren zum Anlernen angegeben werden, dass auf in einem Ver fahren zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifma schine vorteilhaft zu verwendende bereitgestellte Messdaten angepasst ist, da es als Grundlage für das Anlernen die gleichen Informationsquellen verwendet. As a result of the provision of training input data, the machine learning system, in particular the neural network, determines a first output value from this data. This output value is fed to a training system (for example a computer device) in the learning process, the training system using this to determine a rule for adapting the parameters, which specifies which or which parameters of the machine learning system are to be adapted in which way, to enable a more precise determination of the given training output data. In the case of a neural Network, this adaptation can take place by specifying expected or desired values for the output value and subsequent backward propagation. It is also proposed that, in one embodiment of the method for learning, the training input data are selected from a list that includes at least measurement data as provided by a sensor from the following list: sensors for power consumption, air temperature sensors, air humidity sensors and / or humidity sensors, distance sensors and / or Distance sensors, imaging, especially visual sensors, temperature sensors, especially special IR sensors, especially thermal imaging sensors, thickness measurement sensors, torque sensors, dust quantity sensors, acceleration sensors, distance sensors, inertial sensors, location sensors, contact-sensitive sensors, reflectance sensors or a combination of sensors. It is also proposed that the training output data be selected from a list of status information items which at least relate to the following properties: a property which characterizes a workpiece to be machined; a property that characterizes manufacturing defects on the workpiece; a property which characterizes an operating mode or operating parameters of the belt grinding machine; a property that characterizes incorrect settings of the belt grinder; a property that characterizes a load distribution of the belt grinder; a property that characterizes a degree of use or wear of the belt grinder; a property which characterizes a grinding belt used in the belt grinding machine; a property that characterizes clogging and / or dulling of the abrasive belt; a property that characterizes a defect in the grinding belt or a combination of these. In this way, a particularly targeted method for teaching can be specified that is adapted to provided measurement data to be used advantageously in a method for determining status information relating to a belt grinding machine, since it uses the same information sources as the basis for teaching.
In einer Ausführungsform des Verfahrens zum Anlernen werden in einem weiteren Verfahrensschritt weitere eine, insbesondere zu überwachende, Bandschleifma schine betreffende Messdaten bereitgestellt, wobei den weiteren Messdaten zu mindest eine, insbesondere vorgegebene, Zustandsinformation betreffend die Bandschleifmaschine, insbesondere durch einen Experten, zugeordnet wird und derart das maschinelle Lernsystem mit den weiteren Messdaten weiter angelernt wird. Unter„weiter anlernen“ ist insbesondere zu verstehen, dass das maschinelle Lernsystem wiederholt mit den nun bereitgestellten weiteren Trainingsdaten der, insbesondere zu überwachende, Bandschleifmaschine angelernt wird. Auf diese Weise kann realisiert werden, dass das maschinelle Lernsystem zunächst unter Verwendung„allgemeiner Messdaten“ vortrainiert wird, anschließend einer Com putervorrichtung, insbesondere einer Steuervorrichtung, ganz insbesondere einer Steuervorrichtung einer zu überwachenden Bandschleifmaschine, zugeordnet wird und dann mit weiteren, auf die zu überwachende Bandschleifmaschine abge stimmten Trainingsdaten weiter trainiert bzw. weiter angelernt wird. Folglich kön nen auf eine jeweilige Bandschleifmaschine besonders gut trainierte maschinelle Lernsysteme realisiert werden, die ferner eine besonders zuverlässige Ermittlung einer Zustandsinformation betreffend die jeweilige Bandschleifmaschine ermögli chen. In one embodiment of the method for teaching, further measurement data relating to a belt grinding machine, in particular to be monitored, are provided in a further method step, with the further measurement data being assigned to at least one, in particular predetermined, status information relating to the belt grinding machine, in particular by an expert, and in such a way that the machine learning system is learned further with the further measurement data. “Continue learning” is to be understood in particular as the fact that the machine learning system is repeatedly learned using the additional training data now provided by the belt grinding machine, in particular to be monitored. In this way, it can be realized that the machine learning system is first pre-trained using “general measurement data”, then assigned to a computer device, in particular a control device, in particular a control device of a belt grinding machine to be monitored, and then with others to the one to be monitored Belt grinder coordinated training data is trained further or further learned. As a result, machine learning systems that are particularly well trained on a respective belt grinding machine can be implemented, which also enable particularly reliable determination of status information relating to the respective belt grinding machine.
In einer Ausführungsform des Verfahrens zum Anlernen umfassen die Trainings eingangsdaten Messdaten und weitere Messdaten zu einer Vielzahl von Zu standsinformationen und die Trainingsausgangsdaten jeweils zumindest eine zu geordnete Zustandsinformation, wobei sich die Messdaten und die weiteren Mess daten auf In one embodiment of the method for learning, the training input data comprise measurement data and further measurement data for a large number of status information items, and the training output data each include at least one associated status information item, the measurement data and the further measurement data on each other
• mindestens zwei Bandschleifmaschinen ungleichen Typs beziehen oder auf • relate or relate to at least two belt grinders of different types
• mindestens zwei Bandschleifmaschinen gleichen Typs mit unterschiedlicher Verwendung (d.h. mit voneinander abweichenden Schleifprozessen, insbeson dere bezogen auf prozessierte Materialien, Prozessparameter oder derglei chen) beziehen oder auf • At least two belt grinding machines of the same type with different uses (i.e. with differing grinding processes, in particular with regard to processed materials, process parameters or the like) refer to or refer to
• zwei Bandschleifmaschinen gleichen Typs mit gleicher Verwendung beziehen. Insbesondere stellt eine erste Bandschleifmaschine eine solche dar, von der die allgemeinen Trainingsdaten bereitgestellt werden. Ganz insbesondere stellt die zweite Bandschleifmaschine eine zu überwachende Bandschleifmaschine dar, de ren Computervorrichtung, insbesondere deren Steuervorrichtung das maschinelle Lernsystem hinzugefügt wurde. Somit kann die erste Bandschleifmaschine iden tisch mit der zweiten Bandschleifmaschine sein oder alternativ auch unterschiedli che von der zweiten Bandschleifmaschine sein. In diesem Falle stellt die zweite Bandschleifmaschine eine weitere Bandschleifmaschine dar. Die erste der drei Al ternativen ermöglicht, ein besonders allgemeingültiges maschinelles Lernsystem anzugeben, das zu einer Vielzahl von Bandschleifmaschinen eine Zustandsinfor mation ermitteln kann. Die zweite Alternative ermöglicht, ein für eine Bandschleif maschine besonders allgemeingültiges maschinelles Lernsystem anzugeben, das zu einer Vielzahl von Schleifprozessen - insbesondere unter Verwendung einer Vielzahl von Materialien, Prozessparametern etc. - eine Zustandsinformation be treffend die Bandschleifmaschine ermitteln kann. Die dritte Alternative ermöglicht, ein für eine Bandschleifmaschine besonders spezifisches maschinelles Lernsys tem anzugeben, das zu einer verhältnismäßig geringen Anzahl von Schleifprozes sen - insbesondere unter Verwendung einer Vielzahl von Materialien, Prozesspa rametern etc. - eine Zustandsinformation betreffend die Bandschleifmaschine er mitteln kann. Allerdings kann hier eine besonders hohe Zuverlässigkeit und Ro bustheit in der Ermittlung der Zustandsinformation erzielt werden. • Obtain two belt grinders of the same type for the same purpose. In particular, a first belt grinding machine is one from which the general training data are provided. In particular, the second belt grinding machine represents a belt grinding machine to be monitored, to whose computer device, in particular to whose control device the machine learning system has been added. Thus, the first belt grinder can be identical to the second belt grinder or, alternatively, it can also be different from the second belt grinder. In this case, the second belt grinder represents a further belt grinder. The first of the three alternatives enables a particularly general machine learning system specify that can determine status information on a large number of belt grinding machines. The second alternative makes it possible to specify a machine learning system that is particularly valid for a belt grinding machine and that can determine status information relating to the belt grinding machine for a large number of grinding processes - in particular using a large number of materials, process parameters, etc. The third alternative makes it possible to specify a machine learning system that is particularly specific for a belt grinding machine, which can determine status information relating to the belt grinding machine for a relatively small number of grinding processes - in particular using a large number of materials, process parameters, etc. However, a particularly high level of reliability and robustness in determining the status information can be achieved here.
In einem weiteren Aspekt der Erfindung wird das maschinelle Lernsystem, insbe sondere das neuronale Netz, zur Durchführung des erfindungsgemäßen Verfah rens zur Ermittlung einer Zustandsinformation vorgeschlagen. Das maschinelle Lernsystem wird insbesondere durch Ausführen des erfindungsgemäßen Verfah rens zum Anlernen des maschinellen Lernsystems erhalten. In a further aspect of the invention, the machine learning system, in particular the neural network, is proposed for carrying out the method according to the invention for determining status information. The machine learning system is obtained in particular by executing the method according to the invention for teaching the machine learning system.
In einem weiteren Aspekt wird ein Computerprogramm vorgeschlagen. Das Com puterprogramm ist eingerichtet, eines der vorherigen genannten Verfahren auszu führen. Das Computerprogramm umfasst Anweisungen, welche bei Ausführung auf einer Computervorrichtung, d.h. insbesondere bei Ausführung durch eine Pro zessorvorrichtung einer Computervorrichtung, veranlassen, eines der beschriebe nen Verfahren mit allen seinen Schritten auszuführen. In a further aspect, a computer program is proposed. The computer program is set up to execute one of the aforementioned methods. The computer program comprises instructions which when executed on a computer device, i. especially when executed by a processor device of a computer device, cause one of the described methods with all of its steps to be executed.
Ferner wird ein computerlesbares Speichermedium vorgeschlagen, auf welchem das Computerprogramm hinterlegt, insbesondere gespeichert, ist. Speicherme dien an sich sind einem Fachmann dabei bekannt. Furthermore, a computer-readable storage medium is proposed on which the computer program is deposited, in particular stored. Storage media per se are known to a person skilled in the art.
Des Weiteren wird eine Computervorrichtung, insbesondere eine Steuervorrich tung einer Bandschleifmaschine, vorgeschlagen, die eingerichtet ist, eines der be schriebenen Verfahren auszuführen. Insbesondere wird eine Computervorrichtung zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifmaschine mit zumindest einer Prozessorvorrichtung und einer Speichervorrichtung vorgeschla gen, wobei auf der Speichervorrichtung Befehle hinterlegt sind, die beim Ausfüh ren dieser durch die Prozessorvorrichtung bewirken, dass die Computervorrich tung das Verfahren ausführt. Unter einer„Prozessorvorrichtung“ soll insbesondere eine Vorrichtung verstanden werden, die zumindest einen Informationseingang, eine Informationsverarbeitungseinheit zur Bearbeitung sowie eine Informations ausgabe zur Weitergabe der bearbeiteten und/oder ausgewerteten Informationen aufweist. In einem Ausführungsbeispiel umfasst die Prozessorvorrichtung zumin dest einen Prozessor. Eine„Speichervorrichtung“ dient dabei dazu, ein zur Durch führung eines der beschriebenen Verfahren notwendiges Computerprogramm für die Prozessorvorrichtung bereitzuhalten. Furthermore, a computer device, in particular a control device of a belt grinding machine, is proposed which is set up to carry out one of the methods described. In particular, a computer device for determining status information relating to a belt grinding machine is provided at least one processor device and a memory device are proposed, wherein commands are stored on the memory device which, when they are executed by the processor device, cause the computer device to execute the method. A “processor device” is to be understood as meaning, in particular, a device which has at least one information input, an information processing unit for processing and an information output for forwarding the processed and / or evaluated information. In one embodiment, the processor device comprises at least one processor. A “storage device” is used to hold ready a computer program for the processor device that is necessary to carry out one of the described methods.
In einer Ausführungsform der Computervorrichtung ist die Computervorrichtung dazu eingerichtet, unter Verwendung einer ermittelten Zustandsinformation eine Steuergröße zum Ansteuern eines physikalischen Aktors, insbesondere eine Steu ergröße zum Ansteuern der Bandschleifmaschine, und/oder eine Steuergröße zum Ansteuern einer Ausgabevorrichtung zu ermitteln und/oder eine Funktion aus zuführen. In einem Ausführungsbeispiel kann der physikalische Aktor als ein auto matisches Warenlagersystem realisiert sein, mittels dem benötigte Schleifbänder, Schleifschuhe oder dergleichen automatisiert ausgegeben werden. Eine Funktion kann beispielsweise durch eine von der ermittelten Zustandsinformation abhän gige Änderung von Systemeinstellungen oder Prozesseinstellungen der Band schleifmaschine implementiert sein. In one embodiment of the computer device, the computer device is set up to determine a control variable for controlling a physical actuator, in particular a control variable for controlling the belt grinding machine, and / or a control variable for controlling an output device, and / or a function, using the determined status information respectively. In one embodiment, the physical actuator can be implemented as an automatic goods storage system, by means of which the required sanding belts, sanding shoes or the like are automatically output. A function can be implemented, for example, by changing the system settings or process settings of the belt grinding machine depending on the status information determined.
In einem weiteren Aspekt der Erfindung wird eine Bandschleifmaschine umfas send ein Schleifband zur schleifenden Bearbeitung eines Werkstücks vorgeschla gen, die durch zumindest einen Schallsensor zur Erfassung und Bereitstellung von Messdaten zur Durchführung eines der erfindungsgemäßen Verfahren gekenn zeichnet ist. In einer Ausführungsform der Bandschleifmaschine ist der zumindest eine Schallsensor, insbesondere ein Luftschallsensor und/oder ein Körper schallsensor und/oder ein Vibrationssensor, an oder in einem Schleifschuh der Bandschleifmaschine angeordnet. Ein Schleifschuh besteht typischerweise aus ei ner Trägervorrichtung und einem Schleifschuhbelag, wobei der Schleifschuhbelag typischerweise in die Trägervorrichtung eingeschoben oder an/in dieser anderwei- tig angeordnet wird. Der Schleifschuh samt Schleifschuhbelag ist dazu vorgese hen, ein sich in Bandumlaufrichtung relativ zum Schleifschuhbelag bewegendes Schleifband reibungsarm zu lagern und gleichzeitig gegen das Werkstück zu pres sen (oder als Widerstand gegen ein gegen den Schleifschuh gepresstes Werk stück zu wirken). Bevorzugt ist der zumindest eine Schallsensor an oder in der Trägervorrichtung des Schleifschuhs angeordnet oder integriert. Alternativ oder zusätzlich ist der zumindest eine Schallsensor an oder in dem Schleifschuhbelag angeordnet. Auf diese Weise kann realisiert werden, dass der Schallsensor be sonders nah am Ort des Schleifprozesses lokalisiert ist und Messdaten besonders effektiv und insbesondere störungsarm erfasst werden können. Insbesondere las sen sich mit dieser Anordnung des zumindest einen Schallsensors besonders zu verlässig Zustandsinformationen ermitteln, die eine Eigenschaft des Schleifbands und/oder eine Eigenschaft des Schleifprozesses charakterisieren. In einer Ausfüh rungsform ist der zumindest eine Schallsensor im Wesentlichen mittig - bezogen auf eine Breite des Schleifbands senkrecht zur Bandumlaufrichtung und/oder be zogen auf eine Breite des Schleifschuhs senkrecht zur Bandumlaufrichtung - am Schleifschuh und/oder in der Bandschleifmaschine angeordnet. Derart kann reali siert werden, dass eine besonders gute Signalerfassung innerhalb der Band schleifmaschine möglich ist. Alternativ oder zusätzlich können eine Mehrzahl von Schallsensoren über eine Breite des Schleifbands und/oder über eine Breite des Schleifschuhs verteilt und/oder über eine Breite des Schleifschuhs verteilt am Schleifschuh und/oder in der Bandschleifmaschine angeordnet sein. In a further aspect of the invention, a belt grinder comprising a grinding belt for grinding processing of a workpiece is proposed, which is characterized by at least one sound sensor for acquiring and providing measurement data for performing one of the methods according to the invention. In one embodiment of the belt grinding machine, the at least one sound sensor, in particular an airborne sound sensor and / or a structure-borne sound sensor and / or a vibration sensor, is arranged on or in a grinding shoe of the belt grinding machine. A sanding shoe typically consists of a carrier device and a sanding shoe covering, the sanding shoe covering typically being pushed into the carrier device or on / in it in some other way. tig is arranged. The sanding pad and the sanding pad are provided to support a sanding belt moving in the direction of rotation of the belt relative to the sanding pad with low friction and at the same time to press it against the workpiece (or to act as a resistance against a workpiece pressed against the sanding pad). The at least one sound sensor is preferably arranged or integrated on or in the carrier device of the grinding shoe. Alternatively or additionally, the at least one sound sensor is arranged on or in the grinding shoe covering. In this way it can be realized that the sound sensor is located particularly close to the location of the grinding process and measurement data can be recorded particularly effectively and, in particular, with little interference. In particular, with this arrangement of the at least one sound sensor, status information can be determined in a particularly reliable manner, which characterizes a property of the grinding belt and / or a property of the grinding process. In one embodiment, the at least one sound sensor is essentially centrally located on the grinding shoe and / or in the belt grinding machine, based on a width of the grinding belt perpendicular to the direction of belt circulation and / or based on a width of the grinding shoe perpendicular to the direction of belt rotation. In this way, it can be realized that particularly good signal acquisition is possible within the belt grinding machine. Alternatively or additionally, a plurality of sound sensors can be distributed over a width of the grinding belt and / or over a width of the grinding shoe and / or distributed over a width of the grinding shoe on the grinding shoe and / or in the belt grinding machine.
In einer alternativen oder zusätzlichen Ausführungsform der Bandschleifmaschine ist der zumindest eine Schallsensor, ganz insbesondere ein weiterer Schallsensor, insbesondere ein Luftschallsensor und/oder ein Körperschallsensor und/oder ein Vibrationssensor, einer Walze der Bandschleifmaschine zugeordnet angeordnet. Eine Walze kann dabei als Kontaktwalze, Umlenkwalze, Spannwalze, Antriebs walze oder dergleichen gewählt sein. Der Walze„zugeordnet angeordnet“ bedeu tet, dass der Schallsensor in oder an oder unmittelbar an der Walze angeordnet ist. Beispielsweise kann der zumindest eine Schallsensor an einer Walzenaufhän gung einer Walze der Bandschleifmaschine angeordnet sein. Alternativ kann der zumindest eine Schallsensor auch in eine Walze integriert realisiert sein. Es wurde gefunden, dass auf diese Weise realisiert werden kann, dass der Schallsensor be sonders nah am Ort der Erzeugung des Schleifbandvorschubs angeordnet ist und Messdaten besonders effektiv und insbesondere störungsarm erfasst werden kön nen. Insbesondere lassen sich mit dieser Anordnung des zumindest einen Schallsensors besonders zuverlässig Zustandsinformationen ermitteln, die eine Eigenschaft der Bandschleifmaschine und/oder eine Eigenschaft des Schleifpro zesses charakterisieren. In an alternative or additional embodiment of the belt grinding machine, the at least one sound sensor, in particular a further sound sensor, in particular an airborne sound sensor and / or a structure-borne sound sensor and / or a vibration sensor, is arranged assigned to a roller of the belt grinding machine. A roller can be selected as a contact roller, deflection roller, tension roller, drive roller or the like. “Allocated” to the roller means that the sound sensor is located in or on or directly on the roller. For example, the at least one sound sensor can be arranged on a roller suspension of a roller of the belt grinding machine. Alternatively, the at least one sound sensor can also be implemented integrated into a roller. It has been found that in this way it can be realized that the sound sensor is arranged particularly close to the place where the grinding belt feed is generated Measurement data can be recorded particularly effectively and in particular with little interference. In particular, with this arrangement of the at least one sound sensor, status information can be determined particularly reliably, which characterizes a property of the belt grinding machine and / or a property of the grinding process.
In einer Ausführungsform der Bandschleifmaschine sind zumindest zwei Schallsensoren beidseitig - bezogen auf eine Breite des Schleifbands und/oder bezogen auf eine Breite des Schleifschuhs - am Schleifschuh und/oder in der Bandschleifmaschine und/oder einer Walze zugeordnet angeordnet. Überra schenderweise hat sich eine beidseitige Anordnung von zwei Schallsensoren, ins besondere an einer Walze, als vorteilhaft erwiesen bezogen auf eine Signalerfas sung in der Bandschleifmaschine. In one embodiment of the belt grinding machine, at least two sound sensors are arranged on both sides - based on a width of the grinding belt and / or based on a width of the grinding shoe - on the grinding shoe and / or in the belt grinding machine and / or a roller. Surprisingly, an arrangement of two sound sensors on both sides, in particular on a roller, has proven advantageous with regard to signal detection in the belt grinding machine.
In einer Ausführungsform der Bandschleifmaschine ist der zumindest eine Schallsensor, insbesondere unter Verwendung eines Gateways, mit der Compu tervorrichtung, insbesondere der Steuervorrichtung der Bandschleifmaschine und/oder mit einer zur Bandschleifmaschine externen Computervorrichtung, ver bunden oder verbindbar. Die Verbindung kann kabelgebunden oder kabellos rea lisiert sein. Beispielsweise kann die Verbindung unter Verwendung einer Ethernet- Verbindung, einer Glasfaserverbindung, einer Internetverbindung, einer Funkver bindung oder einer Direktverbindung realisiert werden. Insbesondere ist der Schallsensor über das Gateway auch mit weiteren signaltechnischen Komponen ten der Bandschleifmaschine verbunden oder verbindbar, beispielsweise mit wei teren Sensoren. In one embodiment of the belt grinder, the at least one sound sensor, in particular using a gateway, is or can be connected to the computer device, in particular the control device of the belt grinder and / or to a computer device external to the belt grinder. The connection can be wired or wireless. For example, the connection can be realized using an Ethernet connection, a fiber optic connection, an Internet connection, a radio connection or a direct connection. In particular, the sound sensor is also connected or can be connected to other signaling components of the belt grinding machine via the gateway, for example to further sensors.
In einer Ausführungsform der Bandschleifmaschine ist der Schallsensor durch ei nen MEMS-Mikrofon-Sensor und/oder durch einen Piezo-Sensor und/oder durch einen Laser- Mikrofon-Sensor realisiert. In one embodiment of the belt grinding machine, the sound sensor is implemented by a MEMS microphone sensor and / or by a piezo sensor and / or by a laser microphone sensor.
In einem weiteren Aspekt der Erfindung wird ein Schleifschuh zur Verwendung in einer Bandschleifmaschine vorgeschlagen, umfassend zumindest einen Schallsensor, insbesondere einen Luftschallsensor und/oder einen Körper schallsensor und/oder einen Vibrationssensor, zur Bereitstellung von Messdaten zur Durchführung eines der vorgeschlagenen Verfahren. Wie beschrieben ist der zumindest eine Schallsensor insbesondere in einer Trägervorrichtung des Schleifschuhs angeordnet. Ferner kann der zumindest eine Schallsensor im We sentlichen mittig bezogen auf eine Breite des Schleifschuhs (d.h. senkrecht zur Umlaufrichtung des Schleifbandes) angeordnet sein. Alternativ können eine Mehr zahl von Schallsensoren über eine Breite des Schleifschuhs verteilt an oder in dem Schleifschuh angeordnet sein. In a further aspect of the invention, a sanding shoe for use in a belt sanding machine is proposed, comprising at least one sound sensor, in particular an airborne sound sensor and / or a structure-borne sound sensor and / or a vibration sensor, for providing measurement data for performing one of the proposed methods. As described is the at least one sound sensor is arranged in particular in a carrier device of the grinding shoe. Furthermore, the at least one sound sensor can be arranged essentially centrally with respect to a width of the sanding shoe (ie perpendicular to the direction of rotation of the sanding belt). Alternatively, a plurality of sound sensors can be distributed over a width of the grinding shoe on or in the grinding shoe.
Unter„vorgesehen“ und„eingerichtet“ soll im Folgenden speziell„programmiert“, „ausgelegt“,„konzipiert“,„parametrisiert“ und/oder„ausgestattet“ verstanden wer den. Darunter, dass ein Objekt zu einer bestimmten Funktion„vorgesehen“ ist, soll insbesondere verstanden werden, dass das Objekt diese bestimmte Funktion in zumindest einem Anwendungs- und/oder Betriebszustand erfüllt und/oder ausführt oder dazu ausgelegt ist, die Funktion zu erfüllen. In the following, “provided” and “set up” are specifically intended to mean “programmed”, “designed”, “designed”, “parameterized” and / or “equipped”. The fact that an object is “intended” for a specific function is to be understood in particular as meaning that the object fulfills and / or executes this specific function in at least one application and / or operating state or is designed to fulfill the function.
Es sei angemerkt, dass die bei der Beschreibung der Verfahren diskutierten Merk male, die eine strukturelle Umsetzung implizieren, analog auch auf entsprechende Vorrichtungen übertragbar sind, die ebenfalls als offenbart gelten. So kann bei spielsweise ein im Zusammenhang mit dem Verfahren zum Ermitteln einer Zu standsinformation offenbarter Frequenzbereich eines Schallsensors direkt über tragen werden auf einen Schallsensor, der in entsprechendem Frequenzbereich arbeitet. It should be noted that the features discussed in the description of the method, which imply a structural implementation, can also be transferred analogously to corresponding devices which are also considered to be disclosed. For example, a frequency range of a sound sensor disclosed in connection with the method for determining status information can be transmitted directly to a sound sensor which operates in the corresponding frequency range.
Zeichnungen drawings
Die Erfindung ist anhand von in den Zeichnungen dargestellten Ausführungsbei spielen in der nachfolgenden Beschreibung näher erläutert. Die Zeichnung, die Beschreibung und die Ansprüche enthalten zahlreicher Merkmale in Kombination. Der Fachmann wird die Merkmale zweckmäßigerweise auch einzeln betrachten und zu sinnvollen weiteren Kombinationen zusammenfassen. Gleiche Bezugszei chen in den Figuren bezeichnen gleiche Elemente. The invention is explained in more detail in the following description with reference to Ausführungsbei shown in the drawings. The drawing, the description and the claims contain numerous features in combination. The person skilled in the art will expediently also consider the features individually and combine them into useful further combinations. The same reference characters in the figures denote the same elements.
Es zeigen: Show it:
Figur 1 eine schematische Darstellung einer Ausführungsform einer Band schleifmaschine in Schnittansicht, Figur 2 eine schematische Darstellung einer Ausführungsform einesFigure 1 is a schematic representation of an embodiment of a belt grinding machine in sectional view, Figure 2 is a schematic representation of an embodiment of a
Schleifschuhs samt Schleifband in Perspektivansicht,Sanding shoe including sanding belt in perspective view,
Figur 3 eine schematische Darstellung einer Ausführungsform eines neu ronalen Netzes, Figure 3 is a schematic representation of an embodiment of a new ronal network,
Figur 4 eine schematische Darstellung einer Ausführungsform eines Ver fahrens zum Anlernen eines maschinellen Lernsystems, FIG. 4 shows a schematic representation of an embodiment of a method for teaching a machine learning system,
Figur 5 eine schematische Darstellung einer Ausführungsform eines Ver fahrens zur Ermittlung einer Zustandsinformation. FIG. 5 shows a schematic representation of an embodiment of a method for determining status information.
Beschreibung der Ausführungsbeispiele Description of the exemplary embodiments
Figur 1 zeigt eine schematische Darstellung einer Ausführungsform einer Band schleifmaschine 10 mit einem Schleifschuh 12 im Schnitt. Ein Werkstück 14 wird auf einem Schleiftisch 16 unter einem umlaufenden Schleifband 18 während eines Schleifprozesses geschliffen. Das Schleifband 18 wird von drei Walzen 20, hier Antriebswalzen, in einer Bandumlaufrichtung 22 angetrieben und durch den Schleifschuh 12 gegen das Werkstück 14 gepresst. Figure 1 shows a schematic representation of an embodiment of a belt grinding machine 10 with a grinding shoe 12 in section. A workpiece 14 is ground on a grinding table 16 under a rotating grinding belt 18 during a grinding process. The sanding belt 18 is driven by three rollers 20, here drive rollers, in a direction of belt rotation 22 and is pressed against the workpiece 14 by the sanding shoe 12.
Figur 2 zeigt den Schleifschuh 12 in vergrößerter perspektivischer Darstellung. Der Schleifschuh 12 umfasst eine Trägervorrichtung 26 und einem Schleifschuhbelag 28. Der Schleifschuhbelag 28 weist einen Belagträger 30 aus MDF auf (alternativ auch Kunststoff oder Karton oder Fiber oder metallische Werkstoffe), auf den eine Polsterschicht als Stützbelag 32 aus festem Schaumstoff geklebt ist. Auf den Stützbelag 32 ist ein Gleitbelag 34 geklebt, der aus einem graphit-beschichteten Gewebe realisiert ist. Die Trägervorrichtung 26 ist mit Ausnehmungen 36 verse hen, in welche der Belagträger 30 des Schleifschuhbelags 28 in einer Einschub richtung 38 eingeschoben werden kann. Der Belagträger 30 weist ein zu den Aus nehmungen 36 korrespondierendes, schwalbenschwanzförmiges Quer schnittsprofil auf. Der Belagträger 30 weist in Einschubrichtung 38 eine längliche Gestalt mit einer Länge von 3000 mm auf, wobei sich die Länge hier in Richtung der Breite 40 des Schleifbands 18 erstreckt. Die Breite des Belagträgers 30 senk recht zur Einschubrichtung 38 und senkrecht zur Anpressrichtung 42 weist eine Breite von 75 mm auf. Die Bandschleifmaschine 10 umfasst vier Schallsensoren 44, davon drei Körper schallsensoren 44a, b,c (Schallsensor 44c befindet sich in Figur 1 auf der Rück seite und ist daher nicht separat sichtbar) und einen Luftschallsensor 44d, zur Er fassung und Bereitstellung von Messdaten betreffend die Bandschleifmaschine 10. Die von den Schallsensoren 44 erfassten Messdaten sind Schall-Messdaten. Ein erster Körperschallsensor 44a ist an einer dem Schleifband 18 zugewandten Oberfläche 46 der Trägervorrichtung 26 des Schleifschuhs 12 mittig bezogen auf die Breite 40 des Schleifbands 18 angeschraubt und erfasst dort Körperschall, der durch den Schleifschuh 12 übertragen wird. Derart ist der erste Körperschallsensor 44a in unmittelbarer Nähe des Schleifbands 18 angeordnet. Ein zweiter Körper schallsensor 44b und ein dritter Körperschallsensor 44c sind beidseitig an einer Walze 20 der Bandschleifmaschine 10 angeschraubt (vgl. Figur 1), sodass die zwei Körperschallsensoren 44b, c beidseitig bezogen auf die Breite 40 des Schleif bands 18 an der Walze 20 angeordnet sind. Die Körperschallsensoren 44a, b,c sind als Körperschallsensoren der Firma Dittel / Marposs („AE-Sensor-S“) realisiert, die in einem Frequenzbereich von 250-300kHz Schallsignale detektieren. Der Luft schallsensor 44d ist mittig in der Bandschleifmaschine 10 angeordnet, hier an ei nem nicht näher dargestellten Rahmenelement der Bandschleifmaschine 10 be festigt. Der Luftschallsensor 44d ist hier beispielsweise von der Firma Mars Sensor bezogen und stellt einen Silicon-MEMS-Mikrofon-Sensor dar. Der detektierte Fre quenzbereich beträgt 55Hz bis 20 kHz. Ein Stimmen-Analysator (hier nicht näher dargestellt) dient dazu, Stimmanteile in den von dem Luftschallsensor 44d bereit gestellten Messdaten herauszufiltern. Figure 2 shows the grinding shoe 12 in an enlarged perspective view. The sanding shoe 12 comprises a carrier device 26 and a sanding shoe covering 28. The sanding shoe covering 28 has a lining carrier 30 made of MDF (alternatively also plastic or cardboard or fiber or metallic materials), to which a cushion layer is glued as a support layer 32 made of solid foam. Glued to the support lining 32 is a sliding lining 34 made from a graphite-coated fabric. The carrier device 26 is hen with recesses 36 verses, in which the lining carrier 30 of the sanding shoe lining 28 in an insertion direction 38 can be inserted. The lining carrier 30 has a dovetail-shaped cross-sectional profile corresponding to the recesses 36. The lining carrier 30 has an elongated shape with a length of 3000 mm in the insertion direction 38, the length here extending in the direction of the width 40 of the grinding belt 18. The width of the lining carrier 30 perpendicular to the insertion direction 38 and perpendicular to the pressing direction 42 has a width of 75 mm. The belt grinding machine 10 comprises four sound sensors 44, of which three body sound sensors 44a, b, c (sound sensor 44c is located on the rear side in FIG. 1 and is therefore not separately visible) and an airborne sound sensor 44d for recording and providing measurement data relating to the Belt grinding machine 10. The measurement data recorded by the sound sensors 44 are sound measurement data. A first structure-borne noise sensor 44a is screwed to a surface 46 of the carrier device 26 of the sanding pad 12 facing the sanding belt 18 in the center with respect to the width 40 of the sanding belt 18 and detects structure-borne noise there that is transmitted through the sanding pad 12. In this way, the first structure-borne noise sensor 44a is arranged in the immediate vicinity of the grinding belt 18. A second structure-borne sound sensor 44b and a third structure-borne sound sensor 44c are screwed on both sides of a roller 20 of the belt grinder 10 (see FIG. 1), so that the two structure-borne sound sensors 44b, c are arranged on both sides of the width 40 of the grinding belt 18 on the roller 20 . The structure-borne sound sensors 44a, b, c are implemented as structure-borne sound sensors from Dittel / Marposs (“AE-Sensor-S”), which detect sound signals in a frequency range of 250-300 kHz. The air sound sensor 44d is arranged in the center of the belt grinder 10, here attached to a frame element of the belt grinder 10, not shown in detail. The airborne sound sensor 44d is obtained here, for example, from Mars Sensor and is a silicon MEMS microphone sensor. The detected frequency range is 55 Hz to 20 kHz. A voice analyzer (not shown in more detail here) serves to filter out voice components in the measurement data provided by the airborne sound sensor 44d.
Ferner sind in der Bandschleifmaschine noch weitere Sensoren 50 vorgesehen, die der Erfassung weiterer Messdaten betreffend die Bandschleifmaschine 10 die nen. Die weiteren Sensoren 50 umfassen einen hier nicht näher dargestellten Sen sor zur Stromaufnahme sowie zwei Wärmebildsensoren 52, die jeweils auf die In nenseite des umlaufenden Schleifbands 18 ausgerichtet ist. Ein Wärmebildsensor 52 befindet sich in Bandumlaufrichtung 22 gesehen vor dem Schleifschuh 12, ein Wärmebildsensor 52 hinter dem Schleifschuh 12. Die Schallsensoren 44 sowie die weiteren Sensoren 50 sind unter Verwendung eines Gateways 48 mit einer Steu ervorrichtung 54 der Bandschleifmaschine 10 und weiter mit einer externen Com putervorrichtung 56 verbunden. Die Verbindung erfolgt dabei kabelfrei, wie durch kleine Funk-Symbole (drei Striche) angedeutet. Mittels der Schallsensoren 44 so wie der weiteren Sensoren 50 werden Messdaten erfasst und an die Steuervor richtung 54 weitergeleitet, auf der sie in einer hier nicht näher dargestellten Spei chervorrichtung gespeichert werden. Von der Speichervorrichtung können sie während der Ausführung des Verfahrens zum Ermitteln einer Zustandsinformation durch die das Verfahren ausführende Computervorrichtung 56 selektiv und wähl bar abgerufen werden. In addition, further sensors 50 are provided in the belt grinding machine, which are used to acquire additional measurement data relating to the belt grinding machine 10. The further sensors 50 include a sensor, not shown here, for power consumption and two thermal image sensors 52, which are each aligned with the inner side of the circumferential grinding belt 18. A thermal image sensor 52 is located in front of the sanding shoe 12, seen in the belt circulation direction 22, a thermal image sensor 52 behind the sanding shoe 12. The sound sensors 44 and the other sensors 50 are using a gateway 48 with a control device 54 of the belt grinding machine 10 and further with an external Com puter device 56 connected. The connection is wireless, like through small radio symbols (three lines) indicated. By means of the sound sensors 44 as well as the further sensors 50, measurement data are recorded and forwarded to the control device 54, where they are stored in a storage device not shown here. They can be called up selectively and selectively from the storage device during the execution of the method for determining status information by the computer device 56 executing the method.
Die zur Ausführung des Verfahrens zum Ermitteln einer Zustandsinformation be treffend die Bandschleifmaschine 10 vorgesehene Computervorrichtung 56 ist als ein von der Bandschleifmaschine 10 separater Server realisiert. In einem weiteren Ausführungsbeispiel kann die Computervorrichtung 56 auch in der Steuervorrich tung 54 der Bandschleifmaschine 10 integriert sein oder durch diese realisiert sein. Die Computervorrichtung 56 dient dazu, eine Zustandsinformation betreffend die Bandschleifmaschine 10 zu ermitteln. Dazu führt die Computervorrichtung 56 ein computerimplementiertes Verfahren aus (vergleich Figur 5), das die Verfahrens schritte Bereitstellen von Messdaten betreffend die Bandschleifmaschine 10 und Ermitteln der Zustandsinformation aus den bereitgestellten Messdaten mittels ei nes maschinellen Lernsystems 58 umfasst. In diesem Ausführungsbeispiel erlaubt es das Verfahren, eine durch einen Nutzer der Bandschleifmaschine 10 wählbare bzw. vorgebbare Zustandsinformation zu ermitteln, vgl. Figur 5. Dazu kann der Nutzer mittels einer mit der Computervorrichtung 56 verbindbaren Eingabevorrich tung - hier realisiert als Ein- und Ausgabevorrichtung 60 der Bandschleifmaschine 10 - eine gewünschte Zustandsinformation wählen. Dabei hat er die Auswahl zwi schen neun Zustandsinformationen, die jeweils unterschiedliche Aspekte und Ei genschaften der Bandschleifmaschine 10, des verwendeten Schleifbands 18 und/oder des Schleif prozesses betreffen. Mittels der Ein- und Ausgabevorrichtung 60 kann der Nutzer das Ergebnis der Auswertung, d.h. die ermittelte Zustandsin formation, einsehen bzw. abfragen. Ferner ist die Computervorrichtung 56 über eine Datenkommunikationsvorrichtung (Funk-Verbindung) mit der Steuervorrich tung 54 der Bandschleifmaschine 10 derart verbunden oder verbindbar, dass eine unter Verwendung der Zustandsinformation ermittelte Steuergröße zum Ansteuern eines physikalischen Aktors (hier beispielsweise eines Antriebsmotors einer der Walzen 20) an die Steuervorrichtung 54 ausgebbar ist und somit direkt in eine Aktivität an der Bandschleifmaschine 10 umsetzbar ist. Somit kann die Band schleifmaschine 10 zumindest teilweise basierend auf der ermittelten Zustandsin formation gesteuert werden. Zusätzlich kann eine Information zumindest teilweise basierend auf der ermittelten Zustandsinformation mittels der Ein- und Ausgabe vorrichtung 60 der Bandschleifmaschine 10 an einen Nutzer ausgegeben werden. The computer device 56 provided for executing the method for determining status information be relevant to the belt grinding machine 10 is implemented as a server separate from the belt grinding machine 10. In a further exemplary embodiment, the computer device 56 can also be integrated in the control device 54 of the belt grinding machine 10 or implemented by this. The computer device 56 serves to determine status information relating to the belt grinding machine 10. To this end, the computer device 56 executes a computer-implemented method (compare FIG. 5), which comprises the method steps of providing measurement data relating to the belt grinding machine 10 and determining the status information from the measurement data provided by means of a machine learning system 58. In this exemplary embodiment, the method makes it possible to determine status information that can be selected or predefined by a user of the belt grinding machine 10, cf. FIG. 5. For this purpose, the user can select a desired item of status information by means of an input device that can be connected to the computer device 56 - implemented here as input and output device 60 of the belt grinding machine 10. He can choose between nine items of status information, each of which relates to different aspects and properties of the belt grinding machine 10, the grinding belt 18 used and / or the grinding process. By means of the input and output device 60, the user can view or query the result of the evaluation, ie the ascertained status information. Furthermore, the computer device 56 is connected or can be connected to the control device 54 of the belt grinding machine 10 via a data communication device (radio link) in such a way that a control variable determined using the status information for controlling a physical actuator (here for example a drive motor of one of the rollers 20) the control device 54 can be output and thus directly into a Activity on the belt grinder 10 can be implemented. Thus, the belt grinding machine 10 can be controlled at least partially based on the determined state information. In addition, information can be output to a user at least partially based on the ascertained status information by means of the input and output device 60 of the belt grinding machine 10.
Die Computervorrichtung 56 implementiert bei Ausführung des Verfahrens 200 zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifmaschine 10 ein maschinelles Lernsystem 58, das eingerichtet ist, die Ermittlung der Zu standsinformation basierend auf den bereitgestellten Messdaten durchzuführen. Insbesondere sind die Schallsensoren 44 und die weiteren Sensoren 50 dazu mit der Computervorrichtung 56 signaltechnisch verbunden oder verbindbar. Derart werden die bereitgestellten Messdaten dem maschinellen Lernsystem 58 als Ein gangsgrößen bereitgestellt. In Abhängigkeit einer Mehrzahl von Parametern des maschinellen Lernsystems 58 ermittelt das maschinelle Lernsystem 58 dann eine Ausgangsgröße, insbesondere die entsprechende Zustandsinformation betreffend die Bandschleifmaschine 10 (wie eingangs erläutert, schließt der Begriff Band schleifmaschine 10 hier ebenfalls die während eines Schleifprozesses enthaltenen Komponenten der Bandschleifmaschine 10, insbesondere Schleifband 18, Werk stück 14, ein). When executing method 200 for determining status information relating to a belt grinding machine 10, computer device 56 implements a machine learning system 58 which is set up to determine the status information based on the measurement data provided. In particular, the sound sensors 44 and the further sensors 50 are connected or can be connected to the computer device 56 for signaling purposes. In this way, the measurement data provided are provided to the machine learning system 58 as input variables. Depending on a plurality of parameters of the machine learning system 58, the machine learning system 58 then determines an output variable, in particular the corresponding status information relating to the belt grinding machine 10 (as explained above, the term belt grinding machine 10 here also includes the components of the belt grinding machine 10 contained during a grinding process, in particular grinding belt 18, workpiece 14, a).
Figur 3 zeigt eine schematische Darstellung des maschinellen Lernsystems 58, welches in diesem Ausführungsbeispiel durch ein neuronales Netz 58a gegeben ist. Das neuronale Netz 58a umfasst mehrere Schichten 62, die jeweils mittels Verbindungen 64 miteinander verkettet sind und die jeweils mehrere Neuronen 66 umfassen. Dem neuronalen Netz 58a werden dabei zumindest Messdaten als Ein gangsgröße 68 bereitgestellt, wobei die Messdaten anschließend durch das neu ronale Netz 58a propagiert werden. Das neuronale Netz 58a ermittelt dabei schichtweise abhängig von der Eingangsgröße 68 eine Ausgangsgröße 70. Hierfür ermittelt jede Schicht 62 abhängig von der ihr bereitgestellten Eingangsgröße 68 und abhängig von den Parametern dieser Schicht eine Ausgangsgröße 70. Die Ausgangsgröße 70 wird daraufhin durch die Verbindungen 64 an die weiteren Schichten 62 weitergeleitet. Die letzte Schicht 62a des Netzes 58a erlaubt das Ablesen der Zustandsinformation, die basierend auf den bereitgestellten Messda ten berechnet wurde. Figur 4 zeigt ein Verfahrensdiagramm eines Ausführungsbeispiels des computer implementierten Verfahrens 100 zum prozessorgestützten Anlernen des maschi nellen Lernsystems 58, insbesondere des neuronalen Netzes 58a. Das Verfahren 100 wird ausgeführt von einem Trainingssystem (hier nicht näher dargestellt), wel ches das maschinelle Lernsystem 58 anlernt. Dabei werden in Verfahrensschritt 102 dem maschinellen Lernsystem 58 Trainingsdaten bereitgestellt. Die Trainings daten umfassen Trainingseingangsdaten und Trainingsausgangsdaten, wobei die Trainingseingangsdaten Messdaten betreffend eine Bandschleifmaschine 10 zu einer Vielzahl von Zustandsinformationen und die Trainingsausgangsdaten jeweils zumindest eine zugeordnete Zustandsinformation betreffend die Bandschleifma schine 10 umfassen. Die Trainingseingangsdaten sind in diesem Ausführungsbei spiel Messdaten der Schallsensoren 44 sowie der weiteren Sensoren 50. Die Trai ningsausgangsdaten betreffen in diesem Ausführungsbeispiel neun Zustandsin formationen, die jeweils unterschiedliche Eigenschaften der Bandschleifmaschine 10, des verwendeten Schleifbands 18, eines Werkstücks 14 und/oder des Schleif prozesses betreffen: eine Eigenschaft, welche ein zu bearbeitendes Werkstück 14 charakterisiert; eine Eigenschaft, welche Fertigungsfehler auf dem Werkstück 14 charakterisiert; eine Eigenschaft, welche einen Betriebsmodus oder Betriebspara meter der Bandschleifmaschine 10 charakterisiert; eine Eigenschaft, welche Fehl einstellungen der Bandschleifmaschine 10 charakterisiert; eine Eigenschaft, wel che eine Lastverteilung der Bandschleifmaschine 10 charakterisiert; eine Eigen schaft, welche einen Abnutzungsgrad oder einen Verschleiß der Bandschleifma schine 10 charakterisiert; eine Eigenschaft, welche ein in der Bandschleifmaschine 10 verwendetes Schleifband 18 charakterisiert; eine Eigenschaft, welche ein Zu setzen und/oder Abstumpfen des Schleifbands 18 charakterisiert; eine Eigen schaft, welche einen Defekt des Schleifbands 18 charakterisiert. In Verfahrens schritt 104 wird das maschinelle Lernsystem 58, insbesondere das neuronale Netz 58a, angelernt. Beim Anlernen des maschinellen Lernsystems 58 werden die Pa rameter der jeweiligen Schichten 62 derart angepasst, dass das maschinelle Lern system 58 abhängig von den bereitgestellten Trainingseingangsdaten die jeweils zugeordneten Trainingsausgangsdaten ermittelt. Dabei kann das Anlernen des maschinellen Lernsystems 58 unter Verwendung einer Differenzfunktion (Kosten funktion) durchgeführt werden, die insbesondere eine Differenz zwischen der be rechneten Ausgangsgrößen 70 und der Trainingsausgangsdaten charakterisiert, wobei die Differenzfunktion mittels eines Gradiententabstiegsverfahrens hinsicht lich der Parameter optimiert wird. Ein derartiges Gradiententabstiegsverfahrens ist dem Fachmann aus dem Stand der Technik bekannt. Nachdem die Parameter op timiert wurden, werden diese in Verfahrensschritt 106 in einer Speichervorrichtung der Computervorrichtung 56 hinterlegt. Optional kann sich ein weiterer Verfahrens schritt 108 (hier gestrichelt dargestellt) anschließen, in dem das maschinelle Lern system 58 unter Verwendung weiterer eine Bandschleifmaschine 10 betreffende Messdaten sowie Zustandsinformationen angelernt und somit verfeinert wird. Die weiteren Messdaten können sich dabei auf eine andere Bandschleifmaschine 10 beziehen, wobei die Bandschleifmaschine 10 vom Typ her anders ist als die Band schleifmaschine 10. FIG. 3 shows a schematic representation of the machine learning system 58, which in this exemplary embodiment is provided by a neural network 58a. The neural network 58a comprises a plurality of layers 62 which are each linked to one another by means of connections 64 and which each comprise a plurality of neurons 66. At least measurement data is provided to the neural network 58a as an input variable 68, the measurement data then being propagated through the neural network 58a. The neural network 58a determines an output variable 70 in layers depending on the input variable 68. For this purpose, each layer 62 determines an output variable 70 depending on the input variable 68 provided to it and depending on the parameters of this layer. The output variable 70 is then transmitted through the connections 64 to the further layers 62 forwarded. The last layer 62a of the network 58a allows the reading of the status information, which was calculated on the basis of the measurement data provided. FIG. 4 shows a method diagram of an exemplary embodiment of the computer-implemented method 100 for processor-supported training of the machine learning system 58, in particular of the neural network 58a. The method 100 is carried out by a training system (not shown in detail here) which the machine learning system 58 learns. In method step 102, training data are provided to the machine learning system 58. The training data include training input data and training output data, the training input data comprising measurement data relating to a belt grinding machine 10 for a variety of status information items and the training output data each comprising at least one associated status information item relating to the belt grinding machine 10. In this exemplary embodiment, the training input data are measurement data from the sound sensors 44 and the further sensors 50. In this exemplary embodiment, the training output data relate to nine status information items, each of which has different properties of the belt grinding machine 10, the grinding belt 18 used, a workpiece 14 and / or the grinding process relate to: a property that characterizes a workpiece 14 to be machined; a property that characterizes manufacturing defects on workpiece 14; a property which characterizes an operating mode or operating parameters of the belt grinder 10; a property which characterizes incorrect settings of the belt grinder 10; a property that characterizes a load distribution of the belt grinder 10; a property which characterizes a degree of wear and tear of the belt grinding machine 10; a property which characterizes a grinding belt 18 used in the belt grinding machine 10; a property that characterizes a setting and / or blunting of the grinding belt 18; a property that characterizes a defect in the grinding belt 18. In method step 104, the machine learning system 58, in particular the neural network 58a, is trained. When the machine learning system 58 is being trained, the parameters of the respective layers 62 are adapted in such a way that the machine learning system 58 determines the respectively assigned training output data as a function of the training input data provided. The machine learning system 58 can be taught using a difference function (cost function), which in particular characterizes a difference between the calculated output variables 70 and the training output data, wherein the difference function is optimized with respect to the parameters by means of a gradient descent method. Such a gradient descent method is known to the person skilled in the art from the prior art. After the parameters have been optimized, they are stored in method step 106 in a memory device of the computer device 56. Optionally, a further method step 108 (shown here with dashed lines) can follow, in which the machine learning system 58 is learned and thus refined using further measurement data and status information relating to a belt grinding machine 10. The further measurement data can relate to a different belt grinding machine 10, the belt grinding machine 10 being different in type from the belt grinding machine 10.
Abschließend ist in Figur 5 ein Verfahren 200 zum Ermitteln einer Zustandsinfor mation betreffend eine Bandschleifmaschine 10 dargestellt. Das Verfahren 200 wird dabei von der Computervorrichtung 56 durchgeführt. In einem ersten Verfah rensschritt 202 werden der Computervorrichtung 56 unter Verwendung der Schallsensoren 44 und der weiteren Sensoren 50 Messdaten betreffend die Band schleifmaschine 10 bereitgestellt. Das Bereitstellen kann sich dabei weiter unter gliedern in die Verfahrensschritte 202a - Messen der Messdaten, 202b - Zwi schenspeichern der Messdaten (beispielsweise in der Speichervorrichtung der Bandschleifmaschine 10) und 202c - selektives Abrufen der Messdaten aus der Speichervorrichtung durch die Computervorrichtung 56. In Verfahrensschritt 204 wird mittels des maschinellen Lernsystems 58, insbesondere mittels des neurona len Netzes 58a, abhängig von den bereitgestellten bzw. abgerufenen Messdaten eine Zustandsinformation aus den Messdaten ermittelt. Die Zustandsinformation betrifft dabei die Bandschleifmaschine 10 (und/oder das Schleifband 18 und/oder das Werkstück 14 und/oder den Schleifprozess). Wie bereits erwähnt, erlaubt das Verfahren in diesem Ausführungsbeispiel eine durch einen Nutzer der Bandschleif maschine 10 wählbare bzw. vorgebbare Zustandsinformation zu ermitteln. Dazu kann der Nutzer mittels der mit der Computervorrichtung 56 verbindbaren Ein- und Ausgabevorrichtung 60 der Bandschleifmaschine 10 eine der gewünschten Zu standsinformationen wählen (der Verfahrensschritt der Auswahl ist hier implizit in Verfahrensschritt 202c - selektives Abrufen der Messdaten - enthalten). Dabei hat er die Auswahl zwischen den neun angelernten Zustandsinformationen, die jeweils unterschiedliche Eigenschaften der Bandschleifmaschine 10, des verwendeten Schleifbands 18 und/oder des Schleifprozesses und/oder des Werkstücks 14 be treffen: eine Eigenschaft, welche ein zu bearbeitendes Werkstück 14 charakteri siert; eine Eigenschaft, welche Fertigungsfehler auf dem Werkstück 14 charakteri siert; eine Eigenschaft, welche einen Betriebsmodus oder Betriebsparameter der Bandschleifmaschine 10 charakterisiert; eine Eigenschaft, welche Fehleinstellun gen der Bandschleifmaschine 10 charakterisiert; eine Eigenschaft, welche eine Lastverteilung der Bandschleifmaschine 10 charakterisiert; eine Eigenschaft, wel che einen Abnutzungsgrad oder einen Verschleiß der Bandschleifmaschine 10 charakterisiert; eine Eigenschaft, welche ein in der Bandschleifmaschine 10 ver- wendetes Schleifband 18 charakterisiert; eine Eigenschaft, welche ein Zusetzen und/oder Abstumpfen des Schleifbands 18 charakterisiert; eine Eigenschaft, wel che einen Defekt des Schleifbands 18 charakterisiert. In Verfahrensschritt 206 wird anschließend das Ergebnis der Auswertung, d.h. eine auf der ermittelten Zu standsinformation zumindest teilweise basierende Information, mittels der Ein- und Ausgabevorrichtung 60 an den Nutzer ausgegeben. Zusätzlich - hier im Verfah rensschritt 208 dargestellt - kann die Computervorrichtung 56 eine Steuergröße an die Steuervorrichtung 54 der Bandschleifmaschine 10 ausgeben. Die Steuer größe basiert dabei zumindest teilweise auf der ermittelten Zustandsinformation. Finally, FIG. 5 shows a method 200 for determining status information relating to a belt grinding machine 10. The method 200 is carried out by the computer device 56. In a first procedural step 202, the computer device 56 is provided with measurement data relating to the belt grinding machine 10 using the sound sensors 44 and the further sensors 50. The provision can be further subdivided into method steps 202a - measuring the measurement data, 202b - temporarily storing the measurement data (for example in the storage device of the belt grinder 10) and 202c - selective retrieval of the measurement data from the storage device by the computer device 56 state information is determined from the measurement data by means of the machine learning system 58, in particular by means of the neural network 58a, depending on the measurement data provided or retrieved. The status information relates to the belt grinding machine 10 (and / or the grinding belt 18 and / or the workpiece 14 and / or the grinding process). As already mentioned, the method in this exemplary embodiment allows status information that can be selected or predefined by a user of the belt grinding machine to be determined. For this purpose, the user can select one of the desired status information using the input and output device 60 of the belt grinding machine 10, which can be connected to the computer device 56 (the method step of the selection is here implicitly contained in method step 202c - selective retrieval of the measurement data). He has the choice between the nine learned status information, each of which has different properties of the belt grinder 10 used Abrasive belt 18 and / or the grinding process and / or workpiece 14 meet: a property that characterizes a workpiece 14 to be machined; a property that characterizes manufacturing defects on the workpiece 14; a property which characterizes an operating mode or operating parameter of the belt grinding machine 10; a property which characterizes the wrong settings of the belt grinder 10; a property that characterizes a load distribution of the belt grinding machine 10; a property which characterizes a degree of wear and tear of the belt grinder 10; a property which characterizes a grinding belt 18 used in the belt grinding machine 10; a property that characterizes clogging and / or dulling of the abrasive belt 18; a property that characterizes a defect in the grinding belt 18. In method step 206, the result of the evaluation, ie information based at least partially on the ascertained status information, is then output to the user by means of the input and output device 60. In addition - shown here in process step 208 - the computer device 56 can output a control variable to the control device 54 of the belt grinding machine 10. The control variable is based at least partially on the status information determined.

Claims

Ansprüche Expectations
1. Verfahren (200) zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifmaschine (10), die Bandschleifmaschine (10) aufweisend zu mindest ein Schleifband (18) zur schleifenden Bearbeitung eines Werk stücks (14), umfassend zumindest die Verfahrensschritte 1. A method (200) for determining status information relating to a belt grinding machine (10), the belt grinding machine (10) having at least one grinding belt (18) for the grinding processing of a workpiece (14), comprising at least the method steps
• Bereitstellen von Messdaten betreffend die Bandschleifmaschine • Provision of measurement data relating to the belt grinder
(10), (10),
• Ermitteln der Zustandsinformation aus den bereitgestellten Mess daten mittels eines maschinellen Lernsystems (58), wobei das ma schinelle Lernsystem (58) eingerichtet ist, die Zustandsinformation basierend auf den bereitgestellten Messdaten zu ermitteln. • Determining the status information from the measurement data provided by means of a machine learning system (58), the machine learning system (58) being set up to determine the status information based on the measurement data provided.
2. Verfahren (200) nach Anspruch 1, wobei die Messdaten unter Verwendung zumindest eines Schallsensors (44, 44a, 44b, 44c, 44d), insbesondere eines Luftschallsensors (44d), und/oder eines Körperschallsensors (44a, b,c) und/oder eines Vibrationssensors, bereitgestellt werden. 2. The method (200) according to claim 1, wherein the measurement data using at least one sound sensor (44, 44a, 44b, 44c, 44d), in particular an airborne sound sensor (44d), and / or a structure-borne sound sensor (44a, b, c) and / or a vibration sensor.
3. Verfahren (200) nach Anspruch 2, wobei die Messdaten unter Verwendung zumindest eines weiteren Sensors (50) bereitgestellt werden, wobei der zumindest eine weitere Sensor (50) aus einer Liste von Sensoren gewählt ist, die umfasst: Sensoren zur Stromaufnahme, Lufttemperatursensoren, Luftfeuchtesensoren, Feuchtigkeitssensoren, Abstandssensoren, Entfer nungssensoren, bildgebende Sensoren, Temperatursensoren, insbeson dere IR-Sensoren, ganz insbesondere Wärmebildsensoren, Dickenmess sensoren, Drehmomentsensoren, Staubmengenmesssensoren, Iner- tialsensoren, Beschleunigungssensoren, Wegstreckensensoren, Ortungs sensoren, berührungssensitive Sensoren, Reflektanzsensoren. 3. The method (200) according to claim 2, wherein the measurement data are provided using at least one further sensor (50), wherein the at least one further sensor (50) is selected from a list of sensors comprising: sensors for power consumption, air temperature sensors , Humidity sensors, humidity sensors, distance sensors, distance sensors, imaging sensors, temperature sensors, in particular IR sensors, especially thermal imaging sensors, thickness sensors, torque sensors, dust quantity sensors, inertial sensors, acceleration sensors, distance sensors, position sensors, contact sensors, contact sensors.
4. Verfahren (200) nach einem der vorhergehenden Ansprüche, wobei die Messdaten selektiv bereitgestellt werden, insbesondere selektiv von der Bandschleifmaschine (10) abgerufen werden. 4. The method (200) according to any one of the preceding claims, wherein the measurement data are selectively provided, in particular selectively retrieved from the belt grinding machine (10).
5. Verfahren (200) nach einem der vorhergehenden Ansprüche, wobei das maschinelle Lernsystem (58) ein neuronales Netz (58a) umfasst. 5. The method (200) according to any one of the preceding claims, wherein the machine learning system (58) comprises a neural network (58a).
6. Verfahren (200) nach einem der vorhergehenden Ansprüche, wobei das maschinelle Lernsystem (58) eingerichtet ist, die Zustandsinformation zu mindest betreffend eine der folgenden Eigenschaften zu ermitteln: 6. The method (200) according to any one of the preceding claims, wherein the machine learning system (58) is set up to determine the status information relating to at least one of the following properties:
• einer Eigenschaft, welche ein zu bearbeitendes Werkstück (14) cha rakterisiert, • a property that characterizes a workpiece (14) to be machined,
• einer Eigenschaft, welche Fertigungsfehler auf dem Werkstück (14) charakterisiert, • a property that characterizes manufacturing defects on the workpiece (14),
• einer Eigenschaft, welche einen Betriebsmodus oder Betriebsparame ter der Bandschleifmaschine (10) charakterisiert, • a property that characterizes an operating mode or operating parameter of the belt grinding machine (10),
• einer Eigenschaft, welche Fehleinstellungen der Bandschleifmaschine (10) charakterisiert, • a property that characterizes incorrect settings of the belt grinder (10),
• einer Eigenschaft, welche eine Lastverteilung der Bandschleifma schine (10) charakterisiert, • a property that characterizes the load distribution of the belt grinding machine (10),
• einer Eigenschaft, welche einen Abnutzungsgrad oder einen Ver schleiß der Bandschleifmaschine (10) charakterisiert, • a property that characterizes a degree of wear or wear of the belt grinder (10),
• einer Eigenschaft, welche ein in der Bandschleifmaschine (10) verwen detes Schleifband (18) charakterisiert, • a property that characterizes a grinding belt (18) used in the belt grinding machine (10),
• einer Eigenschaft, welche ein Zusetzen und/oder Abstumpfen des Schleifbands (18) charakterisiert, • a property that characterizes clogging and / or dulling of the grinding belt (18),
• einer Eigenschaft, welche einen Defekt des Schleifbands (18) charak terisiert. • a property that characterizes a defect in the grinding belt (18).
7. Verfahren (200) nach einem der vorhergehenden Ansprüche, wobei die Bandschleifmaschine (10) zumindest teilweise basierend auf der ermittel ten Zustandsinformation gesteuert wird und/oder eine Information zumin dest teilweise basierend auf der ermittelten Zustandsinformation mittels ei ner Ausgabevorrichtung (60) ausgegeben wird. 7. The method (200) according to any one of the preceding claims, wherein the belt grinder (10) is controlled at least partially based on the determined state information and / or information is output at least partially based on the determined state information by means of an output device (60) .
8. Verfahren (200) nach einem der vorhergehenden Ansprüche, wobei die Messdaten vor Bereitstellen gefiltert werden, insbesondere Stimmanteile in den Messdaten herausgefiltert werden. 8. The method (200) according to any one of the preceding claims, wherein the measurement data are filtered before provision, in particular voice components are filtered out in the measurement data.
9. Verfahren (100) zum Anlernen eines maschinellen Lernsystems (58), ins besondere eines neuronalen Netzes (58a), sodass das maschinelle Lern system (58) zur Durchführung eines Verfahrens nach einem der vorherge henden Ansprüche eingerichtet ist, aufweisend die Verfahrensschritte:9. The method (100) for teaching a machine learning system (58), in particular a neural network (58a), so that the machine learning system (58) is set up to carry out a method according to one of the preceding claims, having the method steps:
• Bereitstellen von Trainingsdaten bestehend aus Trainingseingangsda ten und Trainingsausgangsdaten, wobei die Trainingseingangsdaten Messdaten betreffend eine Bandschleifmaschine (10) zu einer Vielzahl von Zustandsinformationen und die Trainingsausgangsdaten jeweils zumindest eine zugeordnete Zustandsinformation betreffend die Band schleifmaschine (10) umfassen, • Provision of training data consisting of training input data and training output data, the training input data comprising measurement data relating to a belt grinding machine (10) for a variety of status information and the training output data each comprising at least one associated status information relating to the belt grinding machine (10),
• Anlernen des maschinellen Lernsystems (58), insbesondere des neu ronalen Netzes (58a), wobei Parameter des maschinellen Lernsys tems (58) derart angepasst werden, dass das maschinelle Lernsystem (58) abhängig von den angepassten Parametern und abhängig von den bereitgestellten Trainingseingangsdaten die jeweils zugehörigen T rainingsausgangsdaten ermittelt. • Teaching the machine learning system (58), in particular the neural network (58a), with parameters of the machine learning system (58) being adapted in such a way that the machine learning system (58) depends on the adapted parameters and depending on the training input data provided each associated training output data is determined.
• Hinzufügen des maschinellen Lernsystems (58) zu einer Computervor richtung (56), insbesondere einer Steuervorrichtung (54) einer Band schleifmaschine (10). • Adding the machine learning system (58) to a Computervor direction (56), in particular a control device (54) of a belt grinding machine (10).
10. Verfahren (100) nach Anspruch 9, wobei in einem weiteren Verfahrens schritt weitere, eine Bandschleifmaschine (10) betreffende, Messdaten be reitgestellt werden, wobei den weiteren Messdaten zumindest eine, insbe sondere vorgegebene, Zustandsinformation betreffend die Bandschleifma schine (10) zugeordnet wird und derart das maschinelle Lernsystem (58) mit den weiteren Messdaten, insbesondere weiter, angelernt wird. 10. The method (100) according to claim 9, wherein in a further process step further, a belt grinder (10) pertaining to measurement data are provided, the further measurement data being assigned at least one, in particular, predetermined status information relating to the belt grinder (10) and in this way the machine learning system (58) is trained with the further measurement data, in particular further.
11. Verfahren (100) nach Anspruch 10, wobei die Trainingseingangsdaten Messdaten und weitere Messdaten zu einer Vielzahl von Zustandsinforma tionen und die Trainingsausgangsdaten jeweils zumindest eine zugeord nete Zustandsinformation umfassen, wobei sich die Messdaten und die weiteren Messdaten auf mindestens zwei Bandschleifmaschinen (10) un gleichen Typs oder auf mindestens zwei Bandschleifmaschinen (10) glei chen Typs mit unterschiedlicher Verwendung oder auf zwei Bandschleif maschinen (10) gleichen Typs mit gleicher Verwendung beziehen. 11. The method (100) according to claim 10, wherein the training input data measurement data and further measurement data for a plurality of status information and the training output data each comprise at least one assigned status information, the measurement data and the further measurement data on at least two belt grinding machines (10) un of the same type or to at least two belt grinders (10) same type with different uses or to two belt grinders (10) of the same type with the same use.
12. Verfahren (100) nach einem der Ansprüche 9-11, dadurch gekennzeichnet, dass die Trainingsausgangsdaten aus einer Liste von Zustandsinformatio nen ausgewählt sind, die zumindest folgende Eigenschaften betreffen:12. The method (100) according to any one of claims 9-11, characterized in that the training output data are selected from a list of status information relating to at least the following properties:
• einer Eigenschaft, welche ein zu bearbeitendes Werkstück (14) cha rakterisiert, • a property that characterizes a workpiece (14) to be machined,
• einer Eigenschaft, welche Fertigungsfehler auf dem Werkstück (14) charakterisiert, • a property that characterizes manufacturing defects on the workpiece (14),
• einer Eigenschaft, welche einen Betriebsmodus oder Betriebsparame ter der Bandschleifmaschine (10) charakterisiert, • a property that characterizes an operating mode or operating parameter of the belt grinding machine (10),
• einer Eigenschaft, welche Fehleinstellungen der Bandschleifmaschine (10) charakterisiert, • a property that characterizes incorrect settings of the belt grinder (10),
• einer Eigenschaft, welche eine Lastverteilung der Bandschleifma schine (10) charakterisiert, • a property that characterizes the load distribution of the belt grinding machine (10),
• einer Eigenschaft, welche einen Abnutzungsgrad oder einen Ver schleiß der Bandschleifmaschine (10) charakterisiert, • a property that characterizes a degree of wear or wear of the belt grinder (10),
• einer Eigenschaft, welche ein in der Bandschleifmaschine (10) verwen detes Schleifband (18) charakterisiert, • a property that characterizes a grinding belt (18) used in the belt grinding machine (10),
• einer Eigenschaft, welche ein Zusetzen und/oder Abstumpfen des Schleifbands (18) charakterisiert, • a property that characterizes clogging and / or dulling of the grinding belt (18),
• einer Eigenschaft, welche einen Defekt des Schleifbands (18) charak terisiert, • a property that characterizes a defect in the grinding belt (18),
oder Kombinationen davon. or combinations thereof.
13. Maschinelles Lernsystem (58), insbesondere neuronales Netz (58a), zur Durchführung eines Verfahrens nach einem der Ansprüche 1-8, erhältlich durch Ausführen eines Verfahrens nach einem der Ansprüche 9-12. 13. Machine learning system (58), in particular a neural network (58a), for performing a method according to one of claims 1-8, obtainable by performing a method according to one of claims 9-12.
14. Computerprogramm umfassend Befehle, welche bei ihrer Ausführung auf einer Computervorrichtung (56) die Computervorrichtung (56) veranlassen, ein Verfahren nach einem der vorherigen Ansprüche auszuführen. 14. Computer program comprising instructions which, when executed on a computer device (56), cause the computer device (56) to carry out a method according to one of the preceding claims.
15. Computerlesbares Speichermedium, auf dem ein Computerprogramm nach Anspruch 14 hinterlegt ist. 15. Computer-readable storage medium on which a computer program according to claim 14 is stored.
16. Computervorrichtung (56), insbesondere Steuervorrichtung (54) einer Bandschleifmaschine (10), mit zumindest einer Prozessorvorrichtung und einer Speichervorrichtung, wobei auf der Speichervorrichtung Befehle hin terlegt sind, die beim Ausführen dieser durch die Prozessorvorrichtung be wirken, dass die Computervorrichtung (56) ein Verfahren der vorherigen Ansprüche 1-12 ausführt. 16. Computer device (56), in particular control device (54) of a belt grinding machine (10), with at least one processor device and a memory device, wherein commands are stored on the memory device which, when they are executed by the processor device, have the effect that the computer device (56 ) carries out a method of the preceding claims 1-12.
17. Computervorrichtung (56) nach Anspruch 16, dadurch gekennzeichnet, dass die Computervorrichtung (56) dazu eingerichtet ist, unter Verwendung einer ermittelten Zustandsinformation eine Steuergröße zum Ansteuern ei nes physikalischen Aktors, insbesondere eine Steuergröße zum Ansteuern einer Bandschleifmaschine (10), zu ermitteln und/oder eine Steuergröße zum Ansteuern einer Ausgabevorrichtung (60) zu ermitteln und/oder eine Funktion auszuführen. 17. Computer device (56) according to claim 16, characterized in that the computer device (56) is set up to determine a control variable for controlling a physical actuator, in particular a control variable for controlling a belt sander (10), using the determined status information and / or to determine a control variable for controlling an output device (60) and / or to carry out a function.
18. Bandschleifmaschine (10) umfassend ein Schleifband (18) zur schleifen den Bearbeitung eines Werkstücks (14), gekennzeichnet durch zumindest einen Schallsensor (44, 44a, 44b, 44c, 44d) zur Erfassung und Bereitstellung von Messdaten zur Durchführung eines der Verfahren nach einem der An sprüche 1-12. 18. Belt grinding machine (10) comprising a grinding belt (18) for grinding the machining of a workpiece (14), characterized by at least one sound sensor (44, 44a, 44b, 44c, 44d) for acquiring and providing measurement data for performing one of the methods one of claims 1-12.
19. Bandschleifmaschine (10) nach Anspruch 18, wobei der zumindest eine Schallsensor (44, 44a, 44b, 44c, 44d), insbesondere ein Luftschallsensor (44d) und/oder ein Körperschallsensor (44a, 44b, 44c) und/oder ein Vibrati onssensor, an oder in einem Schleifschuh (12) der Bandschleifmaschine (10) angeordnet ist. 19. Belt grinding machine (10) according to claim 18, wherein the at least one sound sensor (44, 44a, 44b, 44c, 44d), in particular an airborne sound sensor (44d) and / or a structure-borne sound sensor (44a, 44b, 44c) and / or a vibrati onssensor, on or in a sanding shoe (12) of the belt grinder (10).
20. Bandschleifmaschine (10) nach Anspruch 18 oder 19, wobei der zumindest eine Schallsensor (44, 44a, 44b, 44c, 44d), insbesondere ein Luft schallsensor (44d) und/oder ein Körperschallsensor (44a, 44b, 44c) und/o der ein Vibrationssensor, einer Walze (20) der Bandschleifmaschine (10) zugeordnet angeordnet ist, insbesondere an einer Walzenaufhängung ei ner Walze (20) der Bandschleifmaschine (10) angeordnet ist. 20. Belt grinding machine (10) according to claim 18 or 19, wherein the at least one sound sensor (44, 44a, 44b, 44c, 44d), in particular an air-borne sound sensor (44d) and / or a structure-borne sound sensor (44a, 44b, 44c) and / o which a vibration sensor is arranged assigned to a roller (20) of the belt grinder (10), in particular on a roller suspension of a roller (20) of the belt grinder (10).
21. Bandschleifmaschine (10) nach einem der Ansprüche 18-19, wobei der zu mindest eine Schallsensor (44, 44a, 44b, 44c, 44d) im Wesentlichen mittig bezogen auf eine Breite (40) des Schleifbands (18) und/oder bezogen auf eine Breite des Schleifschuhs (12) am Schleifschuh (12) und/oder in der Bandschleifmaschine (10) angeordnet ist. 21. Belt grinder (10) according to one of claims 18-19, wherein the at least one sound sensor (44, 44a, 44b, 44c, 44d) is essentially centered in relation to a width (40) of the abrasive belt (18) and / or related is arranged on a width of the grinding shoe (12) on the grinding shoe (12) and / or in the belt grinder (10).
22. Bandschleifmaschine (10) nach einem der Ansprüche 18-19, wobei eine Mehrzahl von Schallsensoren (44, 44a, 44b, 44c, 44d) zumindest im Wesent lichen über die Breite (40) des Schleifbands (18) verteilt und/oder über die Breite des Schleifschuhs (12) verteilt am Schleifschuh (12) und/oder in der Bandschleifmaschine (10) angeordnet ist. 22. Belt grinding machine (10) according to one of claims 18-19, wherein a plurality of sound sensors (44, 44a, 44b, 44c, 44d) at least substantially union over the width (40) of the grinding belt (18) distributed and / or over the width of the sanding shoe (12) is distributed on the sanding shoe (12) and / or in the belt grinder (10).
23. Bandschleifmaschine (10) nach einem der Ansprüche 18-22, wobei zumin dest zwei Schallsensoren (44, 44a, 44b, 44c, 44d) beidseitig bezogen auf eine Breite (40) des Schleifbands (18) und/oder bezogen auf eine Breite des Schleifschuhs (12) am Schleifschuh (12) und/oder in der Bandschleif maschine (10) und/oder einer Walze (20) zugeordnet angeordnet sind. 23. Belt grinding machine (10) according to one of claims 18-22, wherein at least two sound sensors (44, 44a, 44b, 44c, 44d) on both sides based on a width (40) of the grinding belt (18) and / or based on a width of the sanding shoe (12) on the sanding shoe (12) and / or in the belt grinding machine (10) and / or a roller (20) are assigned.
24. Bandschleifmaschine (10) nach einem der Ansprüche 18-23, wobei der zu mindest eine Schallsensor (44, 44a, 44b, 44c, 44d), insbesondere unter Ver wendung eines Gateways (48), mit einer Computervorrichtung (56), insbe sondere einer Steuervorrichtung (54) der Bandschleifmaschine (10) und/o der mit einer externen Computervorrichtung (56) verbunden ist. 24. Belt grinder (10) according to one of claims 18-23, wherein the at least one sound sensor (44, 44a, 44b, 44c, 44d), in particular using a gateway (48), with a computer device (56), esp a control device (54) of the belt grinding machine (10) and / o which is connected to an external computer device (56).
25. Schleifschuh (12) zur Verwendung in einer Bandschleifmaschine (10) nach einem der Ansprüche 18-24, umfassend zumindest einen Schallsensor (44, 44a, 44b, 44c, 44d), insbesondere einen Luftschallsensor (44d) und/o der einen Körperschallsensor (44a, 44b, 44c) und/oder einen Vibrations sensor, zur Bereitstellung von Messdaten zur Durchführung eines der Ver fahren nach einem der Ansprüche 1-12. 25. Sanding shoe (12) for use in a belt sanding machine (10) according to one of claims 18-24, comprising at least one sound sensor (44, 44a, 44b, 44c, 44d), in particular an airborne sound sensor (44d) and / o the structure-borne sound sensor (44a, 44b, 44c) and / or a vibration sensor for providing measurement data for performing one of the methods according to any one of claims 1-12.
26. Verfahren nach einem der Ansprüche 1-12 oder Bandschleifmaschine (10) nach einem der Ansprüche 18-24 oder Schleifschuh (12) nach Anspruch 25, wobei der Schallsensor (44, 44a, 44b, 44c, 44d) durch einen MEMS- Mikrofon-Sensor realisiert ist, oder durch einen Piezo-Sensor realisiert ist oder durch einen Laser- Mikrofon-Sensor realisiert ist. 26. The method according to any one of claims 1-12 or belt grinder (10) according to one of claims 18-24 or sanding shoe (12) according to claim 25, wherein the sound sensor (44, 44a, 44b, 44c, 44d) is by a MEMS microphone -Sensor is realized, or is realized by a piezo sensor or is realized by a laser microphone sensor.
EP20727934.0A 2019-05-27 2020-05-11 Method for determining state information relating to a belt grinder by means of a machine learning system Pending EP3976315A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019207746.3A DE102019207746A1 (en) 2019-05-27 2019-05-27 Method for determining status information relating to a belt grinding machine by means of a machine learning system
PCT/EP2020/062997 WO2020239412A1 (en) 2019-05-27 2020-05-11 Method for determining state information relating to a belt grinder by means of a machine learning system

Publications (1)

Publication Number Publication Date
EP3976315A1 true EP3976315A1 (en) 2022-04-06

Family

ID=70847324

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20727934.0A Pending EP3976315A1 (en) 2019-05-27 2020-05-11 Method for determining state information relating to a belt grinder by means of a machine learning system

Country Status (5)

Country Link
US (1) US20220305616A1 (en)
EP (1) EP3976315A1 (en)
CN (1) CN113841163A (en)
DE (1) DE102019207746A1 (en)
WO (1) WO2020239412A1 (en)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022232290A1 (en) * 2021-04-30 2022-11-03 Applied Materials, Inc. Monitor chemical mechanical polishing process using machine learning based processing of heat images
CN113290429B (en) * 2021-06-25 2022-03-29 湘潭大学 Industrial robot compliant force control grinding method based on machine learning
IT202100022463A1 (en) * 2021-08-27 2023-02-27 Biesse Spa METHOD FOR CHECKING THE PROCESSING OF PANELS OF SUBSTANTIALLY PARALLELEPIPED SHAPE AND MACHINE FOR PROCESSING OF PANELS OF SUBSTANTIALLY PARALLELEPIPED SHAPE, IN PARTICULAR SANDING MACHINE FOR SANDING/GLOSSY OF PANELS OF WOOD, METAL, OR SIMILAR
CN114083358B (en) * 2022-01-19 2022-04-12 河北工业大学 Industrial robot polishing process optimization method
CN117067042B (en) * 2023-10-17 2024-01-30 杭州泓芯微半导体有限公司 Grinder and control method thereof

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4590573A (en) * 1982-09-17 1986-05-20 Robert Hahn Computer-controlled grinding machine
KR920002268A (en) * 1990-07-17 1992-02-28 유끼노리 가까즈 Intelligent Processing Equipment
EP0684107A3 (en) * 1994-05-24 1996-04-10 Timesavers Inc Automatically securable travel limiting stops for pressure shoes used in an abrasive finishing machine.
DE19833881C1 (en) * 1998-07-28 1999-10-21 Juergen Heesemann Belt grinding machine with endless grinding band running over deflector rollers
WO2000059678A1 (en) * 1999-04-06 2000-10-12 Siemens Aktiengesellschaft Method and device for grinding a rolled metal band
US6290573B1 (en) * 1999-08-23 2001-09-18 Komag, Incorporated Tape burnish with monitoring device
DE102005050577A1 (en) * 2005-10-21 2007-05-03 Robert Bosch Gmbh Neuronal network testing method for person motor vehicle, involves outputting positive overall-test signal after each test signal-combination is created, where no partial-signal is stored for given set of test signal-combinations
EP2390054A1 (en) 2010-05-27 2011-11-30 sia Abrasives Industries AG Skate lining holder with recesses
JP6114421B1 (en) * 2016-02-19 2017-04-12 ファナック株式会社 Machine learning device, industrial machine cell, manufacturing system and machine learning method for learning work sharing of a plurality of industrial machines
GB201614685D0 (en) * 2016-08-31 2016-10-12 Rolls Royce Plc Method and apparatus for monitoring abrasive machining
DE102016116622A1 (en) * 2016-09-06 2018-03-08 Steinemann Technology Ag Method for monitoring a grinding process
DE202017105160U1 (en) * 2017-05-18 2018-08-22 Steinemann Technology Ag Belt grinding device for monitoring an abrasive belt
DE102017208498A1 (en) * 2017-05-19 2018-12-06 Homag Bohrsysteme Gmbh Method for determining a state of an abrasive and grinding device
CN109410208A (en) * 2018-11-14 2019-03-01 成都极致智造科技有限公司 The machine learning identification of Wear Mechanism of Abrasive Belt and process parameter optimizing method

Also Published As

Publication number Publication date
US20220305616A1 (en) 2022-09-29
WO2020239412A1 (en) 2020-12-03
DE102019207746A1 (en) 2020-12-03
CN113841163A (en) 2021-12-24

Similar Documents

Publication Publication Date Title
EP3976315A1 (en) Method for determining state information relating to a belt grinder by means of a machine learning system
EP1162029A1 (en) Method and device for monitoring the wear of a tool
EP1577056A1 (en) Method and device for grinding a rotating roller
DE102016125803A1 (en) Machine tool, in particular grinding machine, and method for determining an actual state of a machine tool
EP2169491A1 (en) Support system and method for optimising process parameters and/or regulating parameters
DE102017208498A1 (en) Method for determining a state of an abrasive and grinding device
EP0096411B1 (en) Dressing-grinding method for electronically controlled grinding machines
DE102009020246A1 (en) Method for machining workpiece, involves adjusting cutting speed/speed value of rotationally driven tool depending on relative position of driven tool to workpiece, and storing speed value in characteristic diagram
EP3290154A2 (en) Method for monitoring a grinding process
DE102017120260A1 (en) Method for monitoring an abrasive belt
DE102017116174A1 (en) Apparatus and method for cleaning a vehicle having at least one outer surface inclined at an inclination angle to the vertical
EP3398698A1 (en) Device and method for incremental reforming of a metallic workpiece
EP4165478A1 (en) Method for operating a workpiece machining system, and workpiece machining system
DE60311882T2 (en) Method for monitoring the wear of a grinding wheel
DE3827752A1 (en) Method and apparatus for detecting the surface of grinding wheels
DE10315218A1 (en) Fine processing of workpiece surface involves regulating at least one parameter describing surface quality by varying influencing parameter(s) using defined function if maximum deviation exceeded
DE4133754C2 (en) Method for controlling a grinding machine
DE102020108680A1 (en) Method and arrangement for the surface treatment of a workpiece
DE102019207744A1 (en) Method for determining status information relating to a belt grinding machine by means of a machine learning system
DE102019107694A1 (en) Method of operating a machine
DE3902840C2 (en)
EP4149688A1 (en) Method of dust suppression for crushers with spraying devices
DE4004378C2 (en)
EP2815844B1 (en) Thickness adjustment for grinding machines
EP0808693B1 (en) Method and apparatus for dressing the CBN or diamond ring layer of a grinding wheel

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

TPAC Observations filed by third parties

Free format text: ORIGINAL CODE: EPIDOSNTIPA

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220103

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20230509

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS