CN116075398A - 对用于确定手持工具机设备状态的分类器进行训练的方法 - Google Patents
对用于确定手持工具机设备状态的分类器进行训练的方法 Download PDFInfo
- Publication number
- CN116075398A CN116075398A CN202180057595.2A CN202180057595A CN116075398A CN 116075398 A CN116075398 A CN 116075398A CN 202180057595 A CN202180057595 A CN 202180057595A CN 116075398 A CN116075398 A CN 116075398A
- Authority
- CN
- China
- Prior art keywords
- hand
- power tool
- held power
- sensor
- state
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 title claims abstract description 19
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000013021 overheating Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 description 20
- 230000007246 mechanism Effects 0.000 description 19
- 238000007635 classification algorithm Methods 0.000 description 12
- 230000001133 acceleration Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000002950 deficient Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010304 firing Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000009527 percussion Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25F—COMBINATION OR MULTI-PURPOSE TOOLS NOT OTHERWISE PROVIDED FOR; DETAILS OR COMPONENTS OF PORTABLE POWER-DRIVEN TOOLS NOT PARTICULARLY RELATED TO THE OPERATIONS PERFORMED AND NOT OTHERWISE PROVIDED FOR
- B25F5/00—Details or components of portable power-driven tools not particularly related to the operations performed and not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Percussive Tools And Related Accessories (AREA)
Abstract
本发明涉及一种用来对用于确定手持式工具机设备状态的分类器进行训练的方法,该方法包括如下步骤:‑提供手持式工具机;‑提供至少一个传感器;‑连续运行手持式工具机;‑尤其是在发生损坏情况时结束连续运行;‑在连续运行中检测传感器数据;‑基于传感器数据来提取特征;‑基于所提取的特征来确定至少两个手持式工具机设备状态。
Description
背景技术
在DE 103 21 869 A1中描述了一种带有可更换工具架的冲击钻。
发明内容
本发明涉及一种用来对用于确定手持式工具机设备状态的分类器进行训练的方法,该方法包括如下步骤:
-提供手持式工具机;
-提供至少一个传感器;
-连续运行手持式工具机;
-尤其是在发生损坏情况时结束连续运行;
-在连续运行中检测传感器数据;
-基于传感器数据来提取特征;
-基于所提取的特征来确定至少两个手持式工具机设备状态。
在该上下文中,手持式工具机尤其应该被理解成用于借助于电驱动的嵌入式工具来加工工件的设备。在该上下文中,典型的手持式工具机是手持式或固定式钻孔机、螺丝刀、冲击钻、电锤、冲击锤、角磨机、刨床、研磨机等等。手持式工具机优选地具有驱动单元,该驱动单元具有电动机,该驱动单元直接或经由传动装置来与工具架连接。工具架尤其被设计用于对嵌入式工具的可拆卸固定。
手持式工具机具有壳体,该壳体至少部分地、尤其是完全被设计成外壳。该壳体可以被设计成一件式或多件式。该壳体至少部分地、尤其是完全由塑料形成。此外,手持式工具机的壳体可具有内壳,该内壳至少部分地、优选地完全被外壳包围。
该驱动单元的电动机可以被设计成直流电动机或者交流电动机。电动机的换向可以以电子方式或者通过碳刷来进行。电动机以绕着马达轴线可旋转的方式安置在手持式工具机的壳体中。经由传动单元能将驱动单元或电动机的驱动运动传递到工具架或嵌入式工具上。手持式工具机可具有冲击机构单元。冲击机构单元例如可以被设计成气动冲击机构或者槽口冲击机构。气动冲击机构例如可以被设计成偏心冲击机构或翻转冲击机构。冲击机构单元尤其具有导向管,锤和/或活塞以可线性移动的方式容纳在该导向管中。活塞优选地以经由偏心冲击机构或翻转冲击机构可线性摆动的方式来设计。传动单元尤其被设计为使得与工具架连接的嵌入式工具能以绕着工作轴线旋转的方式和/或以沿着工作轴线线性摆动或冲击的方式来驱动。
手持式工具机优选地包括电子设备,该电子设备被设计为:控制或调节该手持式工具机、尤其是该手持式工具的驱动单元。该电子设备优选地具有电路板,在该电路板上布置有电子组件,诸如计算单元和存储单元。此外,该电子设备尤其具有至少一个传感器。该至少一个传感器可以布置在电路板上或者布置在手持式工具机的壳体之内或之外的另一位置。替代地或附加地,可设想的是:提供至少一个另外的传感器,该传感器被分配给外部设备、诸如智能电话。该电子设备可具有通信单元,借助于该通信单元,该电子设备可以与另一手持式工具机、手持式工具机附件、外部设备、外部传感器等等交换信息。该外部设备例如可以被设计成智能电话或服务器。该通信单元例如可以被设计成USB接口、即被设计成有线的,或者被设计成蓝牙或WLAN接口并且因此被设计成无线的。
在本申请的上下文中,手持式工具机设备状态尤其应被理解成描述手持式工具机的功能能力的设备状态。替代地或附加地,手持式工具机设备状态也可以被理解成单个功能的变化,尤其是次要功能的变化、诸如运行噪声的增加。手持式工具机设备状态尤其不应被理解成运行状态,诸如接通或关断或者手持式工具机在何种模式下运行,例如转速、负载状态/空载转速,开启附加功能、如抽吸或冲击机构等等。
在本申请的上下文中,连续运行尤其应该被理解成:手持式工具机在空载状态下长时间段地被运行,例如被运行一个或多个小时或者一个工作日或者连续多个工作日。替代地,也会是可设想的是:手持式工具机在负载状态下被运行更长的时间段。不同于空载状态,手持式工具机在负载状态下在负载下运行,例如钻出钻孔,取出工件,设置紧固元件等等。有利地,在连续运行时存在比在正常运行时更少的干扰参量,并且因而能够实现更快的训练和对特征的更好或明确的分派。替代地或附加地,可设想的是:传感器数据在实际工作运行时、即在负载状态下或者在负载状态与空载状态之间切换时被检测并且被提供用于训练分类器。
在本申请的上下文中,损坏情况尤其应被理解成手持式工具机的损坏、故障或功能限制,该功能限制妨碍或限制了手持式工具机的使用。该限制例如可以是功能、诸如冲击功能的失效,或者可以是性能的降低。此外,功能限制尤其还应被理解成次要功能的退化,诸如噪声的增加或者由于耗电增加而引起的效率降低。
在该上下文中,特征尤其应被理解成物理参数,诸如温度、加速度、运动、重量、电流、力矩、压力、使用时间、电动机的转速等等。在此,所提取的特征可以示例性地是绝对值、平均值、测量值或估计值、频率、幅度、斜率或者其它从传感器信号中得出的信号特征。还可设想的是:这些特征或信号特征通过机器学习或人工智能方法来确定。
用于训练分类器的方法是部分地或完全计算机实现的方法,其中通过自动化过程、尤其是借助于机器学习方法来进行分类。这些特征可以通过算法或由用户或者在这种情况下软件开发人员或硬件开发人员来选择。基于所提取的特征对手持式工具机设备状态的确定可以通过监督学习来进行,其中向算法通知特征是否(例如由用户)被分派给设备状态。替代地或附加地,基于所提取的特征对手持式工具机设备状态的确定也可以通过无监督学习来进行,其中算法将特征自动地或独立地分派给手持式工具机设备状态。在此,手持式工具机设备状态对应于不同类型。分配通过常用分类算法来进行,诸如KNN(k最近邻(k-nearest-neighbour))、SVM(支持向量机(supported vector machines))、决策树(decision trees)、神经网络(neural networks)等等。
还提出:手持式工具机被设计成测试手持式工具机,该测试手持式工具机具有比尤其是计划的商用设备更多个传感器。有利地,通过这种测试手持式工具机可以提取比通过商用设备更多的特征,该商用设备通常仅具有对于手持式工具机的运行来说所需的传感器。因此,有利地在开发阶段使用数量更多的传感器,以便确定重要信号或信息。
这些传感器可以是布置在手持式工具机的壳体中的内部传感器或者可以使布置在手持式工具机的壳体上或之外的外部传感器。传感器例如可以被设计成:运动传感器、尤其是加速度传感器或陀螺仪传感器;温度传感器,诸如NTC或PTC;电流传感器;转速传感器;结构噪声传感器;麦克风;霍尔传感器;压力传感器;力传感器、尤其是电容式或电阻式力传感器;光学传感器,例如以摄像机为形式,等等。加速度传感器尤其可以被设计成MEMS加速度传感器,其优选地具有至少2kHZ、优选地至少5kHz的带宽。麦克风尤其被设计成MEMS麦克风。
还提出:测试手持式工具机具有至少三个不同的传感器,优选地至少四个不同的传感器,优选地至少五个不同的传感器。尤其是,该测试手持式工具机在相同位置或在不同位置具有这些不同的传感器中的至少一个传感器多于一次、优选地多于两次。优选地,由此可以增加可提取特征的数量。
还提出:这些传感器中的至少一个传感器布置在其中会预期有损坏或者其中出现磨损增加或者其中会预期过载或过热的区域内。有利地,由此可以提高提取对于确定手持式工具机设备状态来说最佳的特征的概率。
还提出:借助于主成分分析(英文:Principal Component Analysis,简称PCA)来提取这些特征,由此减少特征的数量或者进行加权。尤其可以借助于PCA来提取重要特征。PCA是一种作为计算机实现的方法步骤来执行的数学方法。PCA可以借助于手持式工具机来进行或者在本地在手持式工具机中进行或者借助于外部设备或在外部计算单元中进行。
还提出:确定至少三个手持式工具机设备状态,即新的手持式工具机设备状态、使用过的手持式工具机设备状态和有故障的手持式工具机设备状态。优选地,确定至少四个手持式工具机设备状态,其中确定附加的临界手持式工具机设备状态。
还提出:在附加步骤中确定损坏情况类型,其中将损坏情况类型分配给手持式工具机设备子状态。有利地,由此可以确定损坏情况。优选地通过用户来执行对损坏的确定。为此可能需要对手持式工具机的部分拆卸。手持式工具机设备子状态尤其对应于子类。
还提出:借助于商用设备和/或使用过的商用设备来评估分类器的质量。有利地,由此可以检查分类器的质量。
本发明还涉及一种用于确定手持式工具机设备状态的方法,该方法包括如下步骤:
-提供使用过的或有故障的手持式工具机;
-尤其是借助于外部传感器,检测传感器数据;
-基于传感器数据来提取特征;
-基于所提取的特征,确定手持式工具机设备状态、尤其是手持式工具机子状态。
有利地,由此可以实现对手持式工具机的状态的精确确定。外部传感器例如可以被设计成麦克风,尤其是智能电话的麦克风。还提出:手持式工具机被维修并且由维修后的手持式工具机来检测传感器数据,这些传感器数据进而被用于训练分类器。有利地,由此可以确定其它手持式工具机子状态。本发明还涉及一种手持式工具机监控装置,该手持式工具机监控装置具有如上所述地经训练的分类器。该手持式工具机监控装置被设计为确定手持式工具机设备状态。
本发明还涉及一种手持式工具机或手持式工具机附件,其具有手持式工具机监控装置,其中通过上述方法来确定在手持式工具机中的传感器的数量、相应传感器的位置和/或相应传感器的类型。
附图说明
其它优点从下面的附图描述中得到。附图、说明书和权利要求书包含大量组合的特征。适宜地,本领域技术人员也将单独地考虑这些特征并且将这些特征组合成合理的其它组合。
其中:
图1示出了经过手持式工具机的截面,该手持式工具机被设计成试验设备;
图2示出了用于训练分类器的方法的流程图;
图3示出了PCA分析的评估;
图4示出了基于PCA的主成分对手持式工具机设备状态的分配;
图5示出了分类器的质量的检查;
图6示出了经过手持式工具机的截面,该手持式工具机被设计成商用设备;
图7示出了经过替代手持式工具机的截面,该替代手持式工具机被设计成商用设备。
具体实施方式
在图1中,示出了以冲击钻12的形式的手持式工具机10的纵剖面。手持式工具机10具有壳体13,该壳体包括外壳和内壳。在手持式工具机10的壳体13中布置有具有电动机18的驱动单元20,该驱动单元将驱动运动传递到传动单元22,该传动单元具有冲击机构单元24。冲击机构单元24示例性地被设计成气动冲击机构。
内壳具有马达壳体16和变速器壳体23,该马达壳体和该变速器壳体被外壳包围。在变速器壳体23中基本上完全容纳冲击机构单元24、尤其是传动单元22。变速器壳体23至少部分地扩展出脂室,在该脂室内布置有用于使传动单元22润滑的润滑剂。马达壳体16尤其被设计用于容纳和/或安置电动机18。变速器壳体23示例性地由与外壳的其余部分不同的材料制成。变速器壳体23示例性地由金属材料制成,而马达壳体16和外壳由塑料制成。不过,同样可设想的是:变速器壳体23由塑料制成。变速器壳体23和/或马达壳体尤其具有比外壳更高的强度和/或耐温性。
经由传动单元22将驱动单元20的驱动运动传递到工具架20,在该工具架中以可拆卸的方式固定嵌入式工具26。嵌入式工具26示例性地被设计成用于在混凝土中钻孔的凿岩机。嵌入式工具26被设计成能以绕着工作轴线29旋转的方式和/或以沿着该工作轴线线性摆动或冲击的方式来驱动。此外,嵌入式工具26可以沿顺时针或沿逆时针来驱动。工作轴线29示例性地与驱动单元20的马达轴线17交叉地、尤其是基本上垂直地延伸。
手持式工具机10具有手柄30。该手柄基本上垂直于工作轴线29地延伸。手柄30布置在壳体13的背离工具架20的一侧。手柄30具有操作开关32,经由该操作开关能以手动方式来控制或者接通和关断手持式工具机10。操作开关32示例性地被设计成信号开关。手柄30示例性地被设计成振动解耦手柄30。手柄30尤其经由阻尼单元31与手持式工具机10的壳体13连接。手柄30与可相对于壳体13移动的方式来与该壳体连接。手持式工具机10还具有可拆卸地与壳体13连接的辅助手柄33。
手持式工具机10示例性地被设计成供电的手持式工具机,该供电的手持式工具机能经由电源线缆34与能量供应装置、诸如电网连接。替代地,也会是可设想的是:手持式工具机10被设计成具有电池接口的电池手持式工具机,电池包能经由该电池接口在没有工具的情况下以可拆卸的方式与手持式工具机电和机械连接。
手持式工具机10具有电子设备40。电子设备40被设计用于对手持式工具机10的控制或调节。电子设备40包括电路板42,在该电路板上布置有用于执行计算操作的计算单元和用于存储数据的存储单元。电路板42尤其紧邻电动机18并且沿着马达轴线17延伸。
手持式工具机10具有多个传感器44。在电路板42上布置有第一传感器46和第二传感器50,该第一传感器被设计成温度传感器48,该第二传感器被设计成加速度传感器52。温度传感器48被设计用于检测温度参量,该温度参量被提供给电子设备40。基于该温度参量,能通过电子设备40来确定温度,其中能基于该温度来控制手持式工具机10。例如,如果该温度超过阈值,则可以通过电子设备40来引入紧急切断或功率降低的运行。加速度传感器52被设计为检测加速度参量,该加速度参量被提供给电子设备40。例如,能经由该加速度参量来检测手持式工具机10是空载运行还是负载运行,其中在负载运行时手持式工具机10以更高的功率和/或更高的马达转速来驱动。此外,经由该加速度参量能确定加强碰撞,在所述加强碰撞的情况下使手持式工具机10主动制动。此外,手持式工具机10包括第三传感器54,该第三传感器被设计成霍尔传感器56。霍尔传感器56被设计成检测电动机18的转速参量,该转速参量被提供给电子设备40,该电子设备基于该转速参量来控制或调节马达。第三传感器54布置在驱动单元20的电路板58上。驱动单元20的电路板58部分地绕着电动机18的马达轴19延伸。
第一传感器46、第二传感器50和第三传感器54的使用对于本领域技术人员而言是已知的并且这样在市售的锤钻中使用。
在图1中示出的手持式工具机10被设计成测试手持式工具机60,该测试手持式工具具有用于检测传感器数据的附加传感器44。在驱动单元20的区域内布置有两个附加传感器44,这两个附加传感器布置在马达轴19的第一轴颈64和第二轴颈66的区域内。第一轴颈64布置在驱动单元20的背离传动单元22的一侧并且被设计成滚珠轴承65。第一轴颈64尤其布置在马达壳体16中。在第一轴颈64的区域内布置有以加速度传感器52为形式的第四传感器68。第四传感器68可以紧靠在滚珠轴承65处或者固定在附近,例如固定在马达壳体16处。第二轴颈66布置在驱动单元20的朝向传动单元22的一侧并且被设计成滚珠轴承67。第二轴颈66尤其布置在变速器壳体23中。第五传感器70同样被设计成加速度传感器52并且布置在第二轴颈66的区域内。在第一和第二轴颈64、66的区域中,在手持式工具机10运行时出现增加的磨损,该磨损能经由第四和第五传感器68、70的传感器数据来检测和确定。
在传动单元22的区域内,手持式工具机10具有附加传感器44。在传动单元22的区域内、尤其是在冲击机构单元24的区域内,布置有第六传感器72、第七传感器74和第八传感器76,这些传感器被设计成温度传感器48。在冲击机构单元24运行时,该冲击机构单元非常强烈地升温,并且在使用过或有故障的状态下,各个区域内的温度可能急剧升高,由此能通过这些温度来检测状态。
第六传感器72示例性地布置在锤管78之外,在该锤管中在冲击机构单元24运行时在压缩至80中在驱动活塞82与击锤84之间形成空气弹簧。击锤84通过驱动活塞82或者空气弹簧来驱动并且作用于撞针86,其中驱动活塞82、击锤84和撞针86以可线性移动的方式布置在锤管78中。第六传感器72尤其布置在其中击锤84击中撞针86的区域。第七传感器74布置在压缩室80的区域内。第七传感器74可以布置在锤管78之内或之外。第八传感器76布置在与锁定离合器88相邻的区域内。第八传感器76示例性地布置在变速器壳体23与外壳之间。
示例性地,所有传感器44都与电子设备40连接,使得所有检测到的传感器数据被提供给电子设备40。电子设备40又具有通信单元90,经由该通信单元,手持式工具机10可以向外部设备92传输94信息、尤其是传感器数据。在此,示例性地经由蓝牙来进行通信,不过也可设想的是其它通信途径,诸如WLAN或者经由USB的有线交换。外部设备92示例性地被设计成笔记本电脑。不过,也可设想的是:外部设备92被设计成智能电话或者以云为形式的服务器或计算网络。对于外部设备92来说重要的是:该外部设备具有足以训练分类器的计算能力。
优选地在外部设备92上实现用来对用于确定手持式工具机设备状态的分类器进行训练的方法,该外部设备能直接或间接、即经由至少一个另外的外部设备92来与手持式工具机10连接。在图2中,示例性地依据流程图来描述用于训练分类器的方法。
在第一步骤100中,使用手持式工具机10来执行连续运行。该连续运行持续几个小时、例如八小时,在此期间手持式工具机10在空载下运行并且借助于传感器44来检测传感器数据并且在步骤102中将这些传感器数据存储在电子设备40的存储单元中。也可设想的是:在负载状态下、例如在钻孔或凿时执行该连续运行,不过在这种情况下,干扰影响的概率更高。在步骤104中,所检测到的传感器数据被传输到外部设备92,在该外部设备上执行用于分类的方法。步骤100、102、104优选地一直被重复,直至在步骤106中手持式工具机10有故障或不再有运行能力并且该连续运行结束为止。
在该连续运行结束之后,在步骤108中根据所记录的传感器数据在外部设备92上首先提取大量特征。在此,这些特征是传感器44的特定传感器数据,尤其并且例如是平均值、标准差、偏度、峰度、频谱最大值、特定频带中的信号的能量、幅度、信号包络的频谱,等等。
借助于PCA,在步骤110中确定哪些特征足够精确地描述了手持式工具机设备状态的变化。因此,自动选择重要特征。在图3中示出了示例性的PCA评估。在本例中,基于PCA的计算得出:对于手持式工具机状态变化的描述,仅仅10个特征就足以描述状态变化的80%。这能够实现对特征的有针对性的选择并且因此减少所要评估的信号或信号特性,借此也可以减少传感器。
在随后的步骤112中对分类算法进行训练,这些分类算法识别在与手持式工具机设备状态相对应的特征空间中的各个特征是否彼此靠近、即相似。使用彼此靠近的特征来确定手持式工具机设备状态,原因在于已知手持式工具机10在连续运行期间处于哪个状态。
在图4中,示例性地,按照PCA的两个最重要的特征相对于彼此被绘制并且被分配给四个手持式工具机设备状态。这四个手持式工具机设备状态是新的手持式工具机设备状态200、使用过的手持式工具机设备状态202、临界的手持式工具机设备状态204和有故障的手持式工具机设备状态206。能明显看到:新的手持式工具机设备状态200和有故障的手持式工具机设备状态206已经能在仅具有2个特征的图示中明显彼此区分开。通过包括其它特征,这些分类算法也可以在使用过的手持式工具机设备状态202与有故障的手持式工具机设备状态206之间准确区分。此外,通过使用具有其它故障的其它手持式工具机10来重复数据检测,还能够确定手持式工具机设备子状态,这些手持式工具机设备子状态对应于如在第一或第二轴颈64、66处的故障或者在锁定离合器88的区域内的故障等具体损坏。因此,通过在特征空间中的积累的方位能够实现对特定损坏、故障或机器元件的分配。不同故障、诸如齿轮磨损、断齿、轴承损坏等等会导致:手持式工具机设备状态在特征空间中位于不同区域。这意味着:损坏类型也能通过手持式工具机设备状态在特征空间中的位置来确定并且因此能确定损坏类型。因此,有故障的或临界的构件可以被标识和更换。对有故障的构件的了解也可以被用于在设备抵达服务之前订购有缺陷的构件,借此可以加快维修过程。
附加地,同样可设想的是:对于新的手持式工具机设备状态200,使用附加数据或特征,这些附加数据或特征例如在手持式工具机的生产中被检测,如示例性地被记录的绘图特征,如粗糙度或构件的尺寸。接着,能够将这些值与在手持式工具机设备状态中使用过地、临界地并且有故障地存在的值进行比较。如果这些值也在设备运行时能访问或能被检测,则这些值可以用作其它特征。
利用步骤112,可以完成机器学习的训练阶段。不过,还可设想的是:具有可能不同的传感器44的其它手持式工具机10被用于检测更多传感器数据。同样可设想的是:将在应用设备数据时积累的数据不仅用于状态评估,而且用于不断地进一步改进这些分类算法。
在应用阶段,手持式工具机作为系列设备优选地配备有传感器44,根据这些传感器的传感器数据能检测对于确定手持式工具机设备状态来说的最重要的特征。因此,有利地基于分类方法的知识来选择和定位这些系列设备的传感器。这些系列设备尤其具有附加传感器,其中借助于这些附加传感器不是控制或调节手持式工具机或系列设备,而是检测用于维护或确定手持式工具机设备状态的传感器数据。
经训练的分类算法可以在外部设备92、诸如外部服务器或云上被使用或者在手持式工具机或系列设备本身上被使用。尤其在应用阶段,向如云等外部设备92的传输是有利的,以便在数据库中监控多个设备的状态并且必要时引入措施、诸如维护或维修。附加地,经由多个设备的所检测到的数据也可以进一步改进分类算法。
在图5中示出了用于检查算法的质量的分类算法的质量的评估。在此,在纵轴上绘制实际手持式工具机设备状态,并且在横轴中绘制由分类算法所分配的手持式工具机设备状态。示例性地,200个新的手持式工具机中的196个被分类算法正确地标识成了新的。91个有故障的手持式工具机中,仅仅2个被分类算法被标识为没有故障,而是被标识为临界。
在图6中示出了经过手持式工具机10a的截面,该手持式工具机基本上具有按照图1的手持式工具机10的结构。手持式工具机10a被设计成商用设备96a,该商用设备被提供用于销售和用户使用。手持式工具机10a尤其具有数量减少的传感器44a。在此,所有传感器44a对于手持式工具机10a及其功能的运行来说都是必需的。
如果需要手持式工具机10a的诊断,则该诊断可以示例性地通过在手持式工具机10a之内的传感器44a的所提供的传感器数据来进行。替代地,还可设想的是:外部设备92a的外部传感器98a检测传感器数据。外部传感器98a示例性地被设计成智能电话的麦克风。接着,所检测到的传感器数据可以借助于经训练的分类算法被用于确定手持式工具机设备状态。可以在被设计成智能电话的外部设备92a上或者在例如被设计成云的另一外部设备92a上确定手持式工具机设备状态。
图7示出了经过另一手持式工具机10b的截面,该另一手持式工具机被设计成替代的商用设备96b。不同于手持式工具机10a,手持式工具机10b在冲击机构单元24b的区域内具有附加传感器45b。传感器45b被设计成温度传感器48b。附加传感器45b的位置或布置是借助于经训练的分类算法来确定的。传感器45b被分配给手持式工具机监控装置99b,其中这些传感器数据被提供给该手持式工具机监控装置。手持式工具机监控装置99b被分配给手持式工具机10b的电子设备40b并且包括经训练的分类算法。基于所检测到的传感器数据、尤其是传感器44b和附加传感器45b的所检测到的传感器数据,手持式工具机监控装置99b确定手持式工具机设备状态。手持式工具机设备状态可以经由未进一步示出的HMI或屏幕来提供给用户。替代地或附加地,手持式工具机状态可以被提供给外部设备92b。
Claims (11)
1.一种用来对用于确定手持式工具机设备状态的分类器进行训练的方法,所述方法包括如下步骤:
-提供手持式工具机(10);
-提供至少一个传感器(44);
-连续运行所述手持式工具机(10);
-尤其是在发生损坏情况时结束连续运行;
-检测传感器数据;
-基于所述传感器数据来提取特征;
-基于所提取的特征来确定至少两个手持式工具机设备状态。
2.根据权利要求1所述的用于训练分类器的方法,其特征在于,所述手持式工具机(10)被设计成测试手持式工具机(60),所述测试手持式工具机具有比尤其是计划的商用设备更多的传感器(10)。
3.根据权利要求2所述的用于训练分类器的方法,其特征在于,所述测试手持式工具机(60)具有至少三个不同的传感器(44)。
4.根据权利要求3所述的用于训练分类器的方法,其特征在于,所述传感器(44)中的至少一个传感器布置在其中会预期有损坏或者其中出现磨损增加或者其中会预期过载或过热的区域内。
5.根据上述权利要求中任一项所述的用于训练分类器的方法,其特征在于,借助于PCA来提取所述特征。
6.根据上述权利要求中任一项所述的用于训练分类器的方法,其特征在于,确定至少三个手持式工具机设备状态,即新的手持式工具机设备状态(200)、使用过的手持式工具机设备状态(202)和有故障的手持式工具机设备状态(206)。
7.根据上述权利要求中任一项所述的用于训练分类器的方法,其特征在于,在附加步骤中确定损坏情况类型,其中将所述损坏情况类型分配给手持式工具机设备子状态。
8.根据上述权利要求中任一项所述的用于训练分类器的方法,其特征在于,借助于新的商用设备和/或使用过的商用设备来评估所述分类器的质量。
9.一种用于确定手持式工具机设备状态的方法,所述方法包括如下步骤:
-提供使用过的或有故障的手持式工具机;
-尤其是借助于外部传感器,检测传感器数据;
-基于所述传感器数据来提取特征;
-基于所提取的特征,确定手持式工具机设备状态。
10.一种手持式工具机监控装置,其具有通过根据权利要求1所述的方法来训练的分类器。
11.一种手持式工具机或手持式工具机附件,其具有手持式工具机监控装置(99b),其中通过根据权利要求1所述的方法来确定传感器(45)的数量、相应传感器(45b)的位置和/或相应传感器(45b)的类型。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020209809.3A DE102020209809A1 (de) | 2020-08-04 | 2020-08-04 | Verfahren zum Trainieren eines Klassifikators zur Ermittlung eines Handwerkzeugmaschinengerätezustands |
DE102020209809.3 | 2020-08-04 | ||
PCT/EP2021/067143 WO2022028769A1 (de) | 2020-08-04 | 2021-06-23 | Verfahren zum trainieren eines klassifikators zur ermittlung eines handwerkzeugmaschinengerätezustands |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116075398A true CN116075398A (zh) | 2023-05-05 |
Family
ID=76744812
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180057595.2A Pending CN116075398A (zh) | 2020-08-04 | 2021-06-23 | 对用于确定手持工具机设备状态的分类器进行训练的方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240037446A1 (zh) |
EP (1) | EP4192655A1 (zh) |
CN (1) | CN116075398A (zh) |
DE (1) | DE102020209809A1 (zh) |
WO (1) | WO2022028769A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021211195A1 (de) | 2021-10-05 | 2023-04-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Handwerkzeugmaschine mit einer Zustandsbestimmungseinheit |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0220951D0 (en) | 2002-09-11 | 2002-10-23 | Black & Decker Inc | Safety cut-off for power tool with rotating tool bit |
DE10321869A1 (de) | 2003-05-15 | 2004-12-02 | Robert Bosch Gmbh | Handwerkzeugmaschine |
DE102017202976A1 (de) | 2017-02-23 | 2018-08-23 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Sensorik für einen Elektroschrauber zur Klassifizierung von Schraubvorgängen mittels eines Magnetfeldsensors |
CN112055636A (zh) * | 2018-01-24 | 2020-12-08 | 米沃奇电动工具公司 | 包括机器学习块的电动工具 |
DE112019000228T5 (de) * | 2018-02-21 | 2020-09-10 | Lantern Holdings, LLC | Hochpräzise erkennung anormaler bewegungen für angetriebene werkzeuge |
-
2020
- 2020-08-04 DE DE102020209809.3A patent/DE102020209809A1/de active Pending
-
2021
- 2021-06-23 CN CN202180057595.2A patent/CN116075398A/zh active Pending
- 2021-06-23 US US18/018,377 patent/US20240037446A1/en active Pending
- 2021-06-23 WO PCT/EP2021/067143 patent/WO2022028769A1/de active Application Filing
- 2021-06-23 EP EP21737004.8A patent/EP4192655A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022028769A1 (de) | 2022-02-10 |
US20240037446A1 (en) | 2024-02-01 |
EP4192655A1 (de) | 2023-06-14 |
DE102020209809A1 (de) | 2022-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220128973A1 (en) | Power tool including a machine learning block | |
CN101733735B (zh) | 手持式工具机装置 | |
CN104428106B (zh) | 冲击机构单元 | |
US20210240145A1 (en) | Automatic step bit detection | |
JP6690720B2 (ja) | 故障診断システム及び管理システム | |
CN104334319A (zh) | 冲击机构单元 | |
US20220299946A1 (en) | Power tool including a machine learning block for controlling a seating of a fastener | |
WO2009019587A1 (en) | Method and system for the traceability of a tool vibratory charge and tool for use with the system | |
CN116075398A (zh) | 对用于确定手持工具机设备状态的分类器进行训练的方法 | |
CN104516302A (zh) | 工具和用于工具的状态监测的方法 | |
US6854529B2 (en) | Optimizing method for regulating the operating state of a guided machine tool comprising a rotating percussion tool during a boring process | |
US10881490B2 (en) | Handpiece maintenance system and dental instruments for predictive maintenance | |
DE10303005A1 (de) | Betriebsdatenerfassungseinheit für Elektrohandwerkzeugmaschinen | |
US20220407274A1 (en) | Systems and methods for evaluating crimp applications | |
CN112654944A (zh) | 电动工具及电动工具系统 | |
EP3848152A1 (en) | Power tool and processing device | |
CN112654465A (zh) | 电动工具及电动工具系统 | |
US8387460B2 (en) | Vibration dosimeter for determining vibrational loading | |
CN1435930A (zh) | 用于根据温度控制电气器具功率的方法和装置 | |
US20230060846A1 (en) | System and methods for determining crimp applications and reporting power tool usage | |
EP3412864B1 (en) | System and method for determining efficiency of an industrial machine | |
WO2017207550A1 (en) | Method for diagnosing power tool condition. | |
US11597067B2 (en) | Hand-held power tool and method for operating a hand-held power tool | |
EP4353415A1 (en) | Tool system, assessment system, assessment method, and program | |
CN117279745A (zh) | 包括用于控制永磁马达的弱磁的机器学习模块的电动工具 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |