CN118393861A - 用于选择用于训练人工智能系统的数据的方法、用于产生训练数据集的方法和训练数据集 - Google Patents
用于选择用于训练人工智能系统的数据的方法、用于产生训练数据集的方法和训练数据集 Download PDFInfo
- Publication number
- CN118393861A CN118393861A CN202410111537.9A CN202410111537A CN118393861A CN 118393861 A CN118393861 A CN 118393861A CN 202410111537 A CN202410111537 A CN 202410111537A CN 118393861 A CN118393861 A CN 118393861A
- Authority
- CN
- China
- Prior art keywords
- training
- hand
- power tool
- held power
- data sets
- 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
- 238000012549 training Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 64
- 238000005259 measurement Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000001276 controlling effect Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 19
- 230000005540 biological transmission Effects 0.000 description 14
- 230000033001 locomotion Effects 0.000 description 12
- 238000005553 drilling Methods 0.000 description 11
- 238000009795 derivation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000001105 regulatory effect Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010079 rubber tapping Methods 0.000 description 6
- 238000009527 percussion Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 239000002023 wood Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000010561 standard procedure Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25B—TOOLS OR BENCH DEVICES NOT OTHERWISE PROVIDED FOR, FOR FASTENING, CONNECTING, DISENGAGING OR HOLDING
- B25B21/00—Portable power-driven screw or nut setting or loosening tools; Attachments for drilling apparatus serving the same purpose
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25B—TOOLS OR BENCH DEVICES NOT OTHERWISE PROVIDED FOR, FOR FASTENING, CONNECTING, DISENGAGING OR HOLDING
- B25B23/00—Details of, or accessories for, spanners, wrenches, screwdrivers
- B25B23/14—Arrangement of torque limiters or torque indicators in wrenches or screwdrivers
- B25B23/147—Arrangement of torque limiters or torque indicators in wrenches or screwdrivers specially adapted for electrically operated wrenches or screwdrivers
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明涉及一种用于选择用于训练用于控制手持式工具机(100)的人工智能系统(149)的数据的方法(200),该方法包括:接收(201)手持式工具机(100)的至少一个运行参量(119)的测量值(121)的多个数据集(401);通过在为了所述训练而使用的数据集(401)的数量与在训练中实现的训练性能之间实施模型关系(403)来求取(203)在人工智能系统(149)的训练中导致最佳训练性能的数据集(401)的数量;根据所需的数据集(401)的所求取的数量来选择(205)运行参量(121)的测量值(121)的所接收的数据集(401)。
Description
技术领域
本发明涉及一种用于选择用于训练人工智能系统(künstliche Intelligenz)的数据的方法。本发明涉及一种用于产生训练数据集的方法。本发明还涉及一种训练数据集。
背景技术
由现有技术已知用于选择用于训练人工智能系统的数据的方法。
发明内容
本发明的任务是提供一种用于选择用于训练人工智能系统的数据的改进的方法、一种用于产生训练数据集的方法和一种训练数据集。
根据本发明的一个方面,提供一种用于选择用于训练人工智能系统的数据的方法,所述人工智能系统用于控制手持式工具机,所述方法包括:
接收手持式工具机的至少一个运行参量的测量值的多个数据集,其中,该数据集已经通过该手持式工具机的或相同类型的多个手持式工具机的运行参量的多个测量产生;通过在为了所述训练而使用的数据集的数量与在所述训练中实现的训练性能之间实施模型关系来求取在所述人工智能系统的训练中导致最佳训练性能的数据集的数量;根据所需的数据集的所求取的数量来选择所述运行参量的测量值的所接收的数据集。
由此可以实现以下技术优点:可以提供一种用于选择用于训练人工智能系统的数据的改进的方法,该人工智能系统用于控制手持式工具机。为此,首先从至少一个手持式工具机或者从相同类型的多个手持式工具机接收手持式工具机的至少一个运行参量的测量值的数据集。在此,数据集可以在手持式工具机的运行期间通过测量相应的测量值被记录。根据本发明,多个数据集用于产生训练数据集并在这种情况下用于训练用于控制手持式工具机的人工智能系统。为此,根据本发明,求取所接收的数据集中的如下数量的数据集:所述数量的数据集在人工智能系统的训练中导致最佳训练性能。为此,在为了所述训练而使用的数据集的数量与在训练中达到的训练性能之间建立模型关系。基于该模型关系,可以求取数据集的对于训练中待实现的训练性能所需的确切数量。基于该模型关系,根据数据集的按照模型关系得出的对于期望实现的训练性能分别所需的数量,从所接收的数据集中选择出相应的数量并将该数量用于产生相应的训练数据集。通过考虑这种模型关系,可以求取应当用于人工智能系统的训练的期望训练性能的数据集的确切数量。
根据一个实施方式,该模型关系被构造为在为了所述训练而使用的数据集的数量与在所述训练中使用的损失函数的常用误差之间的幂关系。
由此可以实现以下技术优点:通过将模型关系构型为在为了所述训练而使用的数据集的数量与在所述训练中使用的损失函数的常用误差之间的幂关系,能够实现数据集的对于期望的训练性能所需的数量的准确求取。
根据一个实施方式,根据经验地求取幂关系的幂值。
由此可以实现以下技术优点:通过根据经验地求取为了所述训练而使用的数据集的数量与在所述训练中使用的损失函数的常用误差之间的幂关系,可以准确地求取模型关系,从而能够准确地确定对于所述训练而言所需的数据集的数量。
根据一个实施方式,由幂关系外推数据集的对于所述训练的待实现的最佳训练性能所需的数量。
由此可以实现以下技术优点:通过外推法求取对于训练而言所需的数据集的唯一明确的数量。由此,可以确定对于人工智能系统的训练的任意期望训练性能而言所需的数据集的确切数量。
根据一个实施方式,测量值的数据集分别反映手持式工具机的完整的或部分完整的工作过程。
由此可以实现以下技术优点:数据集分别包括对于人工智能系统的训练而言有意义的数据。对于构造为起子机的手持式工具机而言,手持式工具机的完整工作过程例如可以描述将螺钉完全地拧入工件中。在上下文中,部分完整的工作过程可以描述将螺钉部分地拧入工件中。
根据一个实施方式,在具有自动关断功能的手持式工具机的情况下选择如下数据集:该数据集反映由手持式工具机的用户的通过用户输入已经终止的工作过程。
由此可以实现以下技术优点:可以考虑有意义的数据集,这些数据集能够实现人工智能系统的高效训练。通过优选地选择数据集——在这些数据集中通过手持式工具机的用户的用户输入已经终止自动控制的工作过程,可以考虑如下数据集:这些数据集描述偏离标准的工作过程,这些工作过程无法完整地或令人满意地通过手持式工具机的自动控制进行控制。通过考虑这些偏离标准的工作过程,可以在手持式工具机的偏离手持式工具机的标准功能的多个状态方面来训练人工智能系统。这能够实现人工智能系统的训练结果的改善。
根据一个实施方式,在选择标准方面选择不同手持式工具机的数据集,其中,选择标准包括以下列表中的一项或多项:手持式工具机的使用位置、手持式工具机的数据集的累计量,手持式工具机的使用频繁性。
由此可以实现以下技术优点:通过按照训练数据集中的选择标准来选择数据集,可以考虑不同手持式工具机的不同数据的尽可能广泛的发散。这使得训练数据集尽可能异构,由此可以在手持式工具机的多个不同应用情况或状态方面来训练人工智能系统。这能够实现人工智能系统的特别高效的训练。
根据一个实施方式,控制参数包括以下列表中的一项或多项:手持式工具机的马达的马达转速、马达电流、马达功率。
由此可以实现以下技术优点:可以在考虑控制参数的输出目标值的情况下,对手持式工具机进行精确控制。手持式工具机的马达的马达转速、马达电流或马达功率表示可靠的控制参数,基于这些控制参数能够实现对手持式工具机的控制。
根据一个实施方式,运行参量包括以下列表中的一项或多项:手持式工具机的马达电流、马达位置角、马达转速、电压源的电压、手持式工具机的或手持式工具机中的运动和/或振动。
由此可以实现以下技术优点:所述运行参量提供用于确定运行状态的有意义的测量参量。通过测量手持式工具机的马达电流、马达位置角、马达转速、电压源的运行电压、或手持式工具机的或手持式工具机中的运动和/或振动,可以获得有意义的信息,根据该信息可以求取手持式工具机的运行状态。
例如,在上面的示例中,通过马达电流的测量可以识别:待拧入的螺钉是否已经形状锁合地拧入待加工的工件中。在实现形状锁合的情况下,可以识别马达电流的以及马达旋转速度或马达转速的变化,从而可以基于此精确地求取运行状态。例如,还可以根据运动信号识别:手持式工具机(例如起子机)是否已经移动到下一工作位置,并因此已经完成了之前的工作阶段(即之前的旋拧过程)。这使得能够在适当的时间根据新的工作阶段(即新的旋拧过程)重置运行状态。
根据一个实施方式,运行状态包括以下列表中的一项或多项:运行手持式工具机的负载范围、手持式工具机中的和/或被加工的工件处的和/或手持式工具机的用户中的振动的强度、手持式工具机中的和/或工件处的温度、运行手持式工具机的运行模式、手持式工具机的工作进度、工件的材料、手持式工具机与工件之间的形状锁合的存在性。
由此可以实现以下技术优点:在控制手持式工具机时,可以以控制参数的第二目标值的形式考虑手持式工具机能够处于的或者能够进入的不同运行状态。因此,通过根据本发明的方法可以考虑不同运行状态,由此可以提供广泛适用的控制方法。
根据一个方面,提供一种用于产生用于训练人工智能系统的训练数据集的方法,所述方法包括:
实施根据前述实施方式之一的用于选择用于训练人工智能系统的数据的方法,所述人工智能系统用于控制手持式工具机;
将所选数量的数据集组合成训练数据集。
由此可以实现以下技术优点:可以提供一种用于产生训练数据集的改进的方法,其中,该方法提供按照根据本发明的方法对数据集的选择,该方法具有如上所述的技术优点并用于选择用于训练人工智能系统的数据。
根据一个方面,提供一种训练数据集,所述训练数据集用于训练用于控制手持式工具机的人工智能系统,其中,所述训练数据集按照用于产生用于训练人工智能系统的训练数据集的方法产生。
根据一个方面,提供一种计算单元,该计算单元设置用于实施根据前述实施方式之一的用于选择用于训练人工智能系统的数据的方法和/或用于产生训练数据集的方法,所述人工智能系统用于控制手持式工具机。
根据一个方面,提供一种包括指令的计算机程序产品,所述指令在由数据处理单元运行程序时促使该数据处理单元实施根据前述实施方式之一的用于选择用于训练人工智能系统的数据的方法和/或用于产生训练数据集的方法,该人工智能系统用于控制手持式工具机。
附图说明
根据以下附图来阐述本发明的实施例。在附图中示出:
图1示出根据一个实施方式的手持式工具机的示意图;
图2示出手持式工具机的另一示意图,在该示意图中示出手持式工具机的各个功能流程;
图3示出手持式工具机的运行参量的以及手持式工具机的马达的旋转角的时间变化过程;
图4示出根据一个实施方式的手持式工具机的示意图,其中示出处于不同运行状态的手持式工具机;
图5示出根据一个根据实施方式的手持式工具机的驱动调节装置的示意图;
图6示出根据一个实施方式的用于选择用于训练人工智能系统的数据的系统的图形表示;
图7示出根据一个实施方式的用于选择用于训练人工智能系统的数据的方法的流程图;
图8示出根据一个实施方式的用于训练人工智能系统的方法的流程图;
图9示出根据一个实施方式的模型关系的图示;
图10示出设置用于控制手持式工具机的人工智能系统的示意图;
图11示出一种计算机程序产品的示意图。
具体实施方式
图1示出根据一个实施方式的手持式工具机100的示意图。
示例性的手持式工具机100包括具有马达控制装置103的马达101。手持式工具机100还包括计算单元105,在计算单元105上安装有并能够实施状态确定模块107。具有状态确定模块107的计算单元105设置用于实施根据本发明的用于控制手持式工具机100的方法。手持式工具机100还包括电压源111和电流测量设备113。手持式工具机100还包括触发开关109,借助该触发开关能够由用户控制手持式工具机100。此外,手持式工具机100包括调节设备115,借助该调节设备能够调节手持式工具机100的不同运行模式。最后,手持式工具机100包括工具117,借助工具117可以通过运行手持式工具机100来实施相应的工作过程。
手持式工具机100例如可以构造为起子机或蓄电池运行的起子机。为此,工具117尤其可以构造为用于可更换的起子机锥头的容纳部。
所示的马达控制装置103尤其可以包括马达控制装置的所属的功率部分。马达101还可以包括相应的传动装置,这在图1中未明确示出。
马达101例如可以构造为机械换向的或电换向的直流马达。相应的传动装置可以构造为行星齿轮传动装置。
根据本发明,马达控制装置103的功率部分例如可以通过PWM脉宽调制将操控信号转换成马达101所需的电压变化过程或电流变化过程。为此,首先可以将操控信号转换成相应的数字信号,随后相应转换的信号可以经由合适的数据总线(例如I2C或SPI)传输。在电换向直流马达的情况下,可以产生相应的旋转场,该旋转场可以同步跟踪转子的旋转。马达控制装置可以实现电压引导的或速度引导的调节。在电压引导的调节的情况下,马达转速随着运行电流增加情况下的负载(扭矩)增加而降低。可以系统固有地根据相位变化得出关于马达转速或旋转角的信息。附加地或替代地,可以使用连续旋转角传感器(图1中未示出)来识别转子位置。可以将这种转子位置信号传输到计算单元105,以控制手持式工具机100。这种信号传输又可以通过PWM、I2C、SPI或模拟地进行。
根据一个实施方式,替代旋转角传感器,可以在控制单元中实现一种算法,该算法根据所测量的马达电流和马达电压来推断出旋转角,所述马达电流和马达电压包含由转子感应回的电压产生的信号分量。在该实施方式中,可以通过实施算法来在功能上替代旋转角传感器。
可以由多个电池元件(例如锂离子电池)提供通过电压源111的供电。通过相应的电池管理系统可以防止过充、过电流和深度放电。
根据一个实施方式,可以将触发开关109实施为电位计,该电位计给计算单元103提供用于控制手持式工具机100的模拟控制信号,该模拟控制信号相应于触发开关109的线性致动。通过操纵触发开关109,可以提供用于控制手持式工具机100的相应的用户输入。
电流测量设备113可以确定电压源111的蓄电池电流,该蓄电池电流由马达101的马达电流主导。控制装置通常具有小于200毫安的电流消耗。可以使用低阻电阻或霍尔传感器作为测量元件。借助放大器电路和电平调节装置,可以给计算单元103提供与电流成比例的模拟信号,该计算单元作为手持式工具机100的控制装置。
调节设备115可以实施为旋转电位计、摇杆开关或双开关元件。自动功能所需的阈值应当以可由用户影响的方式实现。
计算单元101可以包括微控制器和通信设备(蓝牙、4G、WLAN),该微控制器具有常规电路(电压调节器、时钟源、电磁兼容措施)。微控制器可以包括模数转换器和数字接口,以便产生或检测触发开关109的信号、调节设备115的信号、电流测量设备113的信号、电源电压的信号、马达转速的信号以及马达101的操控信号。微控制器(图1中未明确示出)可以运行状态确定模块107,以实施根据本发明的用于控制手持式工具机100的方法。
手持式工具机100可以构造为起子机、旋转冲击起子机或简单的蓄电池驱动起子机。替代地,手持式工具机100可以构造为电钻、冲击钻、锤钻或镐钻。
图2示出手持式工具机100的另一示意图,在该示意图中示出手持式工具机100的各个功能流程。
图2示出根据本发明的手持式工具机100的一种实施方式的另一示意图。手持式工具机100包括马达101、布置在电路板127上的计算单元105、能量源109和工具117。
根据所示的图形表示示出手持式工具机100的一些工作方式。示出了图1中的手持式工具机100的一些构件,而未示出其他构件或部件,以便使图示尽可能简洁。然而,所示的手持式工具机100可以包括图1所示的所有部件。
除了计算单元105之外,在电路板127上还安装有转速传感器129、振动传感器131和逆变器133,该计算单元如上所述地可以构造为微控制器或可以包括这种微控制器,并且在该计算单元上按照本发明的方式安装有图1所示的状态确定模块107,借助该转速传感器可以测量马达101的马达转速,借助该振动传感器131可以测量手持式工具机100的振动。
手持式工具机100的用户可以通过触发开关109借助电信号传输147来将用户输入139传输到计算单元105。可以通过用户输入139来调节手持式工具机100的功率,该用户输入例如包括触发开关109的触发电平。此外,用户输入139可以设定马达101的旋转方向或手持式工具机100的运行模式,马达的旋转方向例如定义旋拧方向或钻孔方向,手持式工具机的运行模式例如描述带有或不带有冲击功能的旋拧过程。
基于用户输入139,计算单元105控制手持式工具机100并通过电信号传输147将相应的控制信号输出到逆变器133。逆变器133将相应的电能传输141输出到马达101。马达101通过相应的力-扭矩传输143实现到工具117的力传输135,借助该力传输135可以加工工件137。
根据本发明,通过计算单元105实施的用于控制手持式工具机100的方法使用如下运行参量的测量值:基于该运行参量求取手持式工具机100的运行状态。运行参量例如可以是马达电流、马达功率以及马达101的转速或扭矩。在所示的实施方式中,考虑将马达101的马达转速作为运行参量,基于该运行参量通过根据本发明的方法来确定手持式工具机100的运行状态。这些由所示的转速传感器129测量,该转速传感器探测马达101的运动145。此外,在所示的实施方式中,将手持式工具机100或工具117或工件137的振动/运动145考虑作为运行参量。通过振动传感器131测量所述振动/运动。从转速传感器129和振动传感器131将相应的测量信号转发到计算单元105,以进行进一步处理。
振动传感器131例如可以构造为加速度传感器。
根据本发明,为了控制手持式工具机100,通过实施状态确定模块107来分析所测量的转速或所探测的振动,并且求取手持式工具机100的当前运行状态。基于所求取的运行状态,相应地调整手持式工具机100的控制。
参考对以下附图的描述来更详细地描述根据本发明的用于控制手持式工具机100的方法。
手持式工具机100的力传输135可以实现为直接驱动或者实现为通过传动装置实现。
此外,手持式工具机100的在图1和图2中仅示意性说明的驱动装置可以包括不同驱动选项,例如冲击机构、锤击机构或凿子机构。
如已经阐述的,可以通过传动装置实现马达101的力到手持式工具机100的驱动装置的传输。该传动装置例如可以构造为具有两个、三个或更多档位的换挡变速器。传动装置可以与滑动离合器连接,而滑动离合器又具有到驱动装置的直接连接。还能够想到一种不带滑动离合器的替代解决方案,在该替代解决方案中,传动装置直接与驱动装置连接。
由振动传感器131测量的振动或运动例如可以包括由手持式工具机100的用户引起的手持式工具机100的运动。此外,所述运动或振动也可以由马达或传动装置或驱动装置引起。替代地,通过振动传感器131测量的运动或振动可以由螺钉头上的钻头运动引起或者由螺钉作用在待加工的工件137上的力引起。
图3示出手持式工具机100的运行参量119的时间变化过程以及手持式工具机100的马达101的旋转角αrot的时间变化过程。
图a)示出手持式工具机100的运行参量119的时间变化过程。在所示的实施方式中,运行参量119描述手持式工具机100的马达101的马达电流。在所示的实施方式中,手持式工具机100构造为起子机,并且运行参量119的所示变化过程示出如下旋拧过程下的马达电流的变化过程:在该旋拧过程下,将自攻螺钉拧入到由木材或类似材料制成的工件137中。
运行参量119的时间变化过程描述如下时间序列123:该时间序列由马达电流的多个按时间排序的测量值121组成。测量值121是在手持式工具机100的运行期间——即在将螺钉拧入工件时——由手持式工具机100内部的相应电流传感器已经记录的。
图a)描述将自攻螺钉拧入到木材或类似材料中时马达电流I的典型变化过程。马达电流I通过扭矩常数(单位为牛米/安培)表示马达101输出的扭矩。由启动电流产生的扭矩用于在旋拧过程开始时加速电马达101的转子。这导致在时间序列123开始处出现的马达电流I的峰值。转子启动后转速基本上恒定,这导致马达电流I的几乎水平的变化过程。
在图a)中通过运行状态A表征如下区域:在该区域中,首先探测到马达电流I的启动峰值,然后探测到马达电流的几乎水平的变化过程。在运行状态A中,所施加的扭矩的大部分(超过90%)的转化为螺钉或工件上的实际机械功,并且将螺钉相应地拧入到工件中。
在图a)中还标记出两个事件时刻125、126,在这些事件时刻中发生如下转变:运行状态A首先转变到运行状态B,然后再转变到另一运行状态C。
在事件时刻126的区域中,运行状态A中的马达电流I表现出均匀的增长。这是由于螺钉进一步拧入工件中,随着拧入深度的增加,需要增大的扭矩,并且需要增大的马达电流I来产生增大的扭矩。
从事件时刻126起,与运行状态A中相对平缓的增长相比,马达电流I的增长更为陡峭。马达电流I的这种更为陡峭的增长是由自攻螺钉的锥形螺钉头贴靠待加工工件的表面上引起的。在事件时刻126,自攻螺钉的锥形螺钉头接触工件的表面。因此,运行状态B的特征在于将锥形螺钉头拧入工件中。由于螺钉头呈锥形,所以为了将螺钉头拧入工件需要增大的扭矩,这导致马达电流I急剧增加。
另一方面,事件时刻125描述从运行状态B到运行状态C的转变,在运行状态B中描述锥形螺钉头到工件中的拧入过程,在运行状态C中螺钉头完全被拧入到工件中。事件时刻125描述螺钉头与工件表面齐平的点。该时刻也称为平齐点(Flush-Point)。由事件时刻126表征的时刻也被称为预平齐点(Pre-Flush-Point),在该时刻发生锥形螺钉头与工件表面的接触。
在所示的实施方式中,在运行状态C中示出马达电流I的平坦化的变化过程。这可能是由于当螺钉进一步拧紧超过平齐点时头部被剪断或工件材料损坏造成的。
图b)示出旋转角αrot的时间变化过程。该时间变化过程示例性示出旋转角发生器的信号。在所示示例中,传感器的唯一性范围为360°。这不是必需的,更小的唯一性范围是足够的。通常,传感器的唯一性范围可以与马达101的转速相关联。可以根据旋转角传感器信号借助所谓的相位展开来获得绝对旋转角信息,该绝对旋转角信息关于从开始(由用户操纵触发开关109)直至期望关断的整个旋拧过程。为此,借助对马达101连续旋转的认知可以认识到:从正180°至例如负179°的切换实际上对应于正181°的旋转角。
在图b)中还标注出旋转时刻trot。在旋转时刻trot处实现了马达101的完整旋转。随后,可将关于马达101的旋转时刻trot或旋转角αrot的认知用于预测事件时刻125、126。在达到上述事件时刻126(锥形螺钉头贴靠在工件的表面上)的情况下,在已知旋转角的情况下可以预测出事件时刻125,在该事件时刻125螺钉与工件表面齐平。图b)还示出作为事件时刻125、126的旋转角αrot之间的差的旋转角差Δrot。
图3所示的情况只是为了示例性说明根据本发明的方法的一种可能应用情况。手持式工具机100不构造为起子机而是例如构造为钻机或凿子或刺锯的其他应用情况也应当被本发明涵盖。还可以考虑比本示例中描述的更多或更少以及不同设计的运行状态(A、B、C)。
例如,手持式工具机100可以构造为起子机。可能的运行状态A、B、C可以描述待拧入的螺钉的旋拧深度、以确定的旋拧模式(冲击模式、拧入/拧出)进行旋拧、工作效率、所限定的扭矩、对所使用的螺钉的选择或高扭矩情况下的反冲。
此外,手持式工具机100可以构造为钻机。运行状态A、B、C可以描述钻孔模式(冲击钻孔等)、手持式工具机100相对于待加工工件的表面的定向、插入式工具的类型(金属钻、木钻、岩石钻)、钻孔深度、手持式工具机100相对于预确定的钻孔位置的定向、线缆或管道的钻孔、钻孔被打掉、钻孔粉尘的出现或突然拧紧手持式工具机100时的反冲。
此外,手持式工具机100可以构造为冲击钻或锤钻。运行状态A、B、C可以描述运行模式、工作进度、损坏风险、振动和噪声或缺乏接触压力。
此外,手持式工具机100可以构造为凿子。可能的运行状态A、B、C可以描述不正确的插入式工具、手持式工具机100的有效保持或工作进度。
此外,无论手持式工具机100的构造如何,可能的运行状态A、B、C包括如下工作安全性/舒适度性方面:振动/噪声产生、振动监控、关于最大扭矩的扭矩控制、手持式工具机100的简单控制、工件在手持式工具机100中的正确夹紧或识别诸如从梯子上掉落、钻入线缆或管道等的情况。
通过相应地训练状态确定模块107的人工智能系统,可以在手持式工具机100运行期间,基于运行参量119的测量值121求取所列出的运行状态A、B、C或类似运行状态,这些运行状态在手持式工具机100运行时可能出现。
运行参量119例如可以包括马达电流I或马达位置角、马达转速、电压源的电压、手持式工具机100内的运动和/或振动或者手持式工具机100的类似的可测量参数。
图4示出根据一个实施方式的手持式工具机100的示意图,其中,示出处于不同运行状态A、B、C的手持式工具机100。
图4以图形表示描述了手持式工具机100的图3中所描述的运行状态A、B、C。手持式工具机100再次构造为起子机,并且运行状态A、B、C描述螺钉169拧入工件137的旋拧过程。螺钉169例如可以是自攻螺钉,工件137可以由木材制成。为此,手持式工具机100还具有起子机钻头168。
图a)示出运行状态A,在该运行状态中,将螺钉169拧入工件137中。
图b)描述运行状态B,该运行状态的特征在于,锥形螺钉头170邻接工件137的表面167并随后拧入工件137中。
图c)描述运行状态C,该运行状态的特征在于,螺钉169与工件137的表面167齐平并因此已经达到平齐点。
如上所述,图3中的图a)示出在将螺钉169拧入工件137期间手持式工具机100的马达101的马达电流在不同运行状态A、B、C下的时间变化过程。
在运行状态A中——在该运行状态中将螺钉169均匀地拧入工件137中,马达电流I表现出基本上水平的变化过程,该马达电流随着拧入深度的增加而具有轻微的斜率。
运行状态B——该运行状态的特征在于锥形螺钉头170邻接工件137的表面167并且将螺钉头170拧入工件137中,马达电流I表现出陡峭增长,这是由于为了将锥形螺钉头170拧入工件137中需要增大的扭矩。
运行状态C——该运行状态的特征在于螺钉头170与表面167闭合,图3中所示的马达电流I表现出平坦化的变化过程,这可能是由于螺钉的损坏或工件137的损坏造成的。
在图4中,手持式工具机100还具有外部传感器171。在所示的实施方式中,外部传感器171构造为摄像机传感器并且能够记录摄像机数据,借助该摄像机数据可以对将螺钉169拧入工件137中的旋拧过程进行成像。如将在下面附图中更详细描述的那样,可以相应的摄像机数据用于训练状态确定模块107或用于训练状态确定模块107的人工智能系统149。
图5示出根据一种实施方式的手持式工具机100的驱动调节装置197的示意图。
图5示出手持式工具机100的调节链。
根据本发明,调节链包括内部调节回路193和外部调节回路191。内部调节回路193用于基于用户的用户输入173来调节手持式工具机100的驱动。
为了基于用户的用户输入173仅通过内部调节回路193来调节手持式工具机100的驱动,首先由用户进行用户输入173。这例如可以通过操纵触发开关109来实现。由此,可以通过用户的用户输入来定义手持式工具机100的控制参数的第一目标值。控制参数例如可以包括马达转速、马达功率、通过马达转速限定的扭矩。替代地,控制参数可以包括(例如在螺钉的拧入或拧出情况下的)旋转方向或运行模式(例如冲击模式或锤击模式)。用户输入173描述控制参数的值。
通过运行参量119的传感器测量175记录控制参数的实际值,该实际值描述手持式工具机100的驱动调节装置197的执行器195的实际状态。
运行参量119的传感器测量175可以包括马达电流的测量、马达转速的测量、马达功率的测量、马达或手持式工具机100的振动的测量或其他有意义的运行参量,借助这些测量能够实现运行状态A、B、C的确定。
在实施数字信号预处理177的情况下,将用户输入的第一目标值173和控制参数的传感器测量175的实际值传输到内部调节回路193。
内部调节回路193将相应的控制信号输出到执行器195,以操控手持式工具机100。
外部调节回路191用于在控制手持式工具机100时考虑手持式工具机100在运行期间所处的运行状态A、B、C。
为此,在经过数字信号预处理197之后,用户输入173的控制参数的第一目标值以及尤其控制参数的传感器测量175的实际值经历模型推导183。在模型推导183中,状态确定模块107的已描述的设计生效。这是因为状态确定模块107设置用于基于传感器测量175或控制参数的相应传感器数据来识别手持式工具机100所处的运行状态A、B、C。替代地或附加地,状态确定模块107可以设置用于基于运行参量119的传感器测量175的传感器数据来预测事件时刻125、126,在所述事件时刻处发生手持式工具机100的不同运行状态A、B、C之间的转变。
在模型推导183中实施的状态确定模块107可以构造为相应训练的人工智能系统,该人工智能系统基于运行参量119的测量值在求取运行状态A、B、C方面或预测事件时刻125、126方面被训练。
在经过后处理187之后,将由以模型推导183构型的状态确定模块107所求取的关于当前运行状态A、B、C或预测的事件时刻125、126信息提供给外部调节回路191。
然后,外部调节回路191设置用于基于模型推导183的关于当前运行状态A、B、C或预测的事件时刻125、126的信息来定义控制参数的相应的第二目标值。使控制参数的由外部调节回路191定义的第二目标值与当前的运行状态A、B、C或相应的预测的事件时刻125、126相匹配。在考虑控制参数的由外部调节回路191产生的第二目标值的情况下,可以使手持式工具机100的控制最佳地匹配于当前的运行状态A、B、C或相应的预测的事件时刻125、126。
然后将控制参数的由调节回路191产生的第二目标值提供给内部调节回路193。
根据本发明,在考虑控制参数的第一目标值和控制参数的另外的第二目标值的情况下,计算输出目标值并基于输出目标值操控手持式工具机100的执行器195,控制参数的第一目标值在用户的用户输入173中提供,控制参数的第二目标值通过外部调节回路191在考虑当前的运行状态A、B、C或预测的事件时刻125、126的情况下提供。
可以通过内部调节回路193计算输出目标值,例如作为用户输入173的第一目标值与外部调节回路191的第二目标值的乘积。通过第一目标值与第二目标值的乘积,用户输入173的第一目标值因此可以通过外部调节回路191的第二目标值敏感化,该第二目标值是关于当前运行状态A、B、C或预测的事件时刻125、126已经求取的、即匹配于相应的运行状态A、B、C或期望的事件时刻125、126。替代地,可以将输出目标值定义为第一目标值和第二目标值的最小值或最大值。由此,可以将输出目标定义为第一目标值和第二目标值的最佳地匹配于分别求取的运行状态A、B、C的值。
替代地,如果外部调节回路191的第二目标值小于预定义的阈值,则输出目标值可以通过用户输入173的第一目标值定义,并且如果第二目标值大于或等于预定义的阈值,则输出目标值可以被定义为预定义的目标值。预定义的目标值可以作为控制参数的恒定值给出,该恒定值例如在手持式工具机100的预设置情况下已经匹配于现有的运行状态A、B、C或先前的事件时刻125、126。预定义的阈值例如可以根据经验地通过相应测量而匹配于分别出现的运行状态A、B、C以及可能的第二目标值。
替代地,如果外部调节回路191的第二目标值小于预定义的阈值,则输出目标值可以被定义为用户输入173的第一目标值与第一预定义的目标值的乘积,并且如果外部调节回路191的第二目标值大于或等于预定义的阈值,则输出目标值可以被定义为用户输入173的第一目标值与第二预定义的目标值的乘积。因此,根据由外部调节回路191求取的第二目标值,用户输入173的第一目标值可以以第一和第二预定义的目标值的形式敏感化于或匹配于当前的运行状态A、B、C或期望的事件时刻125、126,所述第一和第二预定义的目标值可以分别被定义为控制参数的恒定值并能够被匹配于当前的运行状态或期望的事件时刻。第一和第二预定义的目标值和预定义的阈值又可以针对可能的运行状态A、B、C根据经验地求取。
因此,在考虑由手持式工具机100的用户操纵的用户输入173和控制参数的相应的第一目标值的情况下,并且在考虑控制参数的关于当前的运行状态A、B、C和期望的事件时刻125、126所求取的第二目标值的情况下,可以以由内部调节回路193求取的输出目标值的形式操控手持式工具机100。
在图3和图4的实施方式中,控制参数例如可以是手持式工具机100的马达101的转速,在所述实施方式中,手持式工具机100构造为起子机,并且在所述实施方式中描述一种旋拧过程——在该旋拧过程中将自攻螺钉169拧入木制工件137中,并且在所述实施方式中描述不同的运行状态A、B、C,在运行状态A中将螺钉169拧入工件137,在运行状态B中将锥形螺钉头170拧入工件137,在工作状态C中使螺钉头170与工件137的表面167闭合。
用户输入173例如可以包括由用户操纵的触发开关109的信号,借助该信号定义马达转速的相应的第一目标值。
在传感器测量175中求取的运行参量119例如可以由手持式工具机100的马达101的马达电流I给出。
状态确定模块107可以相应地设置用于基于马达电流I、根据图3中的图A求取不同的运行状态A、B、C,所述状态确定模块根据模型推导183而应用于马达电流I的测量值。此外,状态确定模块107可以设置用于基于测量值121来预测相应的事件时刻125、126。
在下文中,在如下应用情况中描述上述过程、尤其描述通过外部调节回路191对第二目标值的求取或通过内部调节回路193对输出目标值的求取:在所述应用情况中,根据图3和图4的实施方式,手持式工具机100构造为起子机,并且通过该起子机将螺钉169拧入工件137中。
基于触发开关109的操纵的用户输入173例如可以将马达转速的相应较高的值定义为第一目标值。另一方面,基于马达电流的传感器测量175,状态确定模块107求取出,手持式工具机100已经处于图3的运行状态C,在该运行状态中已经达到平齐点并且实现螺钉头170与工件137的表面167的闭合。基于此,外部调节回路191计算出马达转速的明显较低的值作为第二目标值,以防止在用户输入173的高马达转速下可能出现的螺钉或工件137的损坏。通过由内部调节回路193求取输出目标值,可以通过马达转速的由外部调节回路193计算的明显较低的第二目标值来减小用户输入173的马达转速的明显过高的目标值,以便因此根据本发明的运行状态C来操控并必要时关断手持式工具机100。
为此,第二目标值以及第一和第二预定义的目标值可以取数值0。输出目标值同样可以减小到数值0,由此可以使手持式工具机100停机。
在所示的实施方式中,也可以将模型推导183的信息显示在状态显示器189中。
此外,可以使模型推导经历复位过程,在该复位过程中,模型运行被复位为初始值。这例如可以在单独的旋拧过程情况下进行。例如,可以针对每个新的旋拧过程——在该旋拧过程中将单个螺钉拧入工件137或从工件拧出——将状态确定模块107复位。替代地或附加地,还可以在接通或关断手持式工具机100时实施复位。
为此,首先基于传感器测量175执行复位预处理181并且基于此实现复位决策185。还可以在考虑模型推导183的结果的情况下实现复位决策185。
可以以数字形式或准模拟形式提供模型推导183的和后处理187的信息。
图6示出根据一个实施方式的用于选择用于训练人工智能系统149的数据的系统的图形表示。
在所示的实施方式中,系统包括计算单元105和模型关系403,该模型关系安装在计算单元105上并且能够在计算单元上实施。计算单元105例如可以是台式计算机、笔记本电脑或服务器架构。模型关系403可以构造为在待训练的人工智能系统149的训练中使用的数据集401的数量与在人工智能系统149的训练中针对相应数量的数据集401实现的训练性能之间的数学关系。根据本发明,将数据集401用于训练数据集,以训练人工智能系统149。人工智能系统149的训练主要涉及手持式工具机100的控制并且尤其涉及手持式工具机100的运行状态A、B、C的识别。
所使用的数据集401包括手持式工具机100的至少一个运行参量119的测量值121。
运行参量例如可以是手持式工具机100的马达电流、马达位置角、马达转速、电压源的电压或者其他物理上可测量的参量。
根据本发明,接收手持式工具机100的运行参量119的测量值121的多个数据集401。这些数据集可以来自单个手持式工具机100,这些数据集已经在该手持式工具机的运行期间的不同时刻被记录。替代地,数据集401可以已经由相同类型的多个不同的手持式工具机100记录。例如,多个数据集401可以来自手持式工具机100的“队列”,这些手持式工具机分别在运行期间将相应的数据集401发送到计算单元105。
数据集401可以包括运行参量119的测量值121,这些测量值分别反映手持式工具机的完整的或部分完整的工作过程。例如,完整的工作过程可以描述将螺钉完整地拧入到工件中,而部分完整的工作过程仅描述将螺钉部分地拧入到工件中。
为了从多个所接收的数据集401中选择出用于训练人工智能系统的数据集401,实施模型关系403。模型关系403例如可以构造为幂关系。幂关系描述为了所述训练而使用的数据集401的数量与在训练中使用的损失函数的常用误差之间的关系。损失函数例如描述在训练人工神经网络中使用的典型损失函数。
根据一个实施方式,幂关系的幂值是根据经验地求取的。为此,可以已经实施了至少一个测量序列,该测量序列记录用于训练待训练的人工智能系统149的数据集401的数量与在训练中针对相应数量的数据集401已经能够实现的相应训练性能之间的关系。
基于这样求取的模型关系403,可以从多个所接收的数据集401中选择出相应数量的数据集401,所述相应数量的数据集根据模型关系403导致期望的训练性能。然后,可以将相应数量的所选的数据集401组合为训练数据集400。
根据另一实施方式,针对训练数据集400优选选择偏离手持式工具机100的平均实施情况的数据集401。为此,例如可以选择反映如下工作过程的数据集401:在这些工作过程中,通过手持式工具机100的用户的用户输入173终止根据上述实施方式的对手持式工具机100的自动控制。手持式工具机100的用户输入173例如可以包括操纵手持式工具机100的触发开关109。
根据一个实施方式,尤其关于另一选择标准来选择不同手持式工具机100的数据集401。该选择标准例如可以包括手持式工具机100的使用位置、手持式工具机100的数据集401的累积量或手持式工具机100的使用频繁性。在此,例如可以注意,针对训练数据集400主要选择手持式工具机100的如下数据集401:这些数据集在多个不同的使用位置使用。此外,可以注意在训练数据集400中考虑尽可能不同的手持式工具机100的数据集,使得单个手持式工具机100的数据集401的累积量尽可能最小化。此外,可以在训练数据集400中区分优先级地考虑相应频繁使用的手持式工具机100或相应较少使用的手持式工具机100的数据集401。
图7示出根据一个实施方式的用于选择用于训练人工智能系统149的数据的方法200的流程图。
在第一方法步骤201中,首先接收手持式工具机100的至少一个运行参量119的测量值121的多个数据集401。这些数据集401已经通过所述手持式工具机100的或相同类型的多个手持式工具机100的运行参量119的多个测量产生。
在另一方法步骤203中,通过在为了所述训练而使用的数据集401的数量与在训练中实现的训练性能之间实施模型关系403来求取在人工智能系统149的训练中导致最佳训练性能的数据集401的数量。
在另一方法步骤205中,根据所需数据集401的所求取的数量来从多个所接收的数据集401中选择相应的数据集401。
图8示出用于训练人工智能系统149的方法300的流程图。
在第一方法步骤301中,首先实施根据上述实施方式的用于选择用于训练人工智能系统149的数据的方法200,该人工智能系统用于控制手持式工具机100。相应地,从所接收的数据集401中选择一定数量的数据集401。
在另一方法步骤303中,将所选数量的数据集401组合成训练数据集400。将所选数据集401组合成训练数据集400可以包括:将数据集401分配给共同的训练数据集400。
图9示出模型关系403的图形表示。
在所示的曲线图中,损失函数的误差Δ与数据集401的数量N相对应地示出。所示的图示以双对数表示。
所示曲线图分为三个区域a)、b)、c)。区域a)的特征在于数据集401的数量N非常低,而区域c)的特征在于数据集401的数量N非常高。
在区域a)中,损失函数具有高误差Δ,该高误差在数据集401的数量N很低的情况下接近最佳猜测误差ΔBG。最佳猜测误差ΔBG描述待训练的神经网络149的如下训练性能:该训练性能将最佳猜测作为待训练人工智能系统149的结果。在该区域内,人工智能系统149应当被视为未经训练的。
另一方面,区域c)描述具有非常高的训练性能的区域,该训练性能在数据集401的很高数量N的情况下接近不可约误差ΔIRR。训练性能405的变化过程在区域c)中具有基本上恒定的变化过程,这表明数据集401的数量N的增加不会导致损失函数的误差Δ的改善,并与此相关联地也不会导致训练性能405的改善。
然而在区域b)中,训练性能405根据模型关系403具有幂关系,该幂关系在所示出的双对数表示中描述线性变化过程,并与此相关联地描述在所述训练中使用的数据集401的数量N与损失函数的误差Δ之间的线性关系。
下面所示的等式示出模型关系403的幂关系的数学关系。
根据本发明,可以根据经验地求取模型关系403的幂关系。为此,可以在可用数据集401的子集上执行人工智能系统149的训练,并且可以以损失函数的相应误差Δ的形式求取相应的训练性能405。例如,可以在可用数据集401的5%、10%、20%、50%、75%上实施训练。然后,基于该经验数据可以求取训练性能405的模型关系403的上面所示的幂关系。
Δ(N)~αNβ
这里,Δ是损失函数的误差,N是在所述训练中使用的数据集401的数量,α是归一化常数,β是幂关系的幂值,该幂值定义所示曲线图中的幂关系的斜率。
本发明基于以下构思:借助根据经验地求取的模型关系403可以确切地确定和选择对于人工智能系统的训练的期望训练性能所需的数据集的量。在存在大量可用的数据集的情况下,这就可以避免借助太少的数据集或不必要的大量数据集执行训练,从而获得不佳的训练性能。
图10示出人工智能系统149的示意图,该人工智能系统设置用于控制手持式工具机100。
状态确定模块107可以包括相应训练的人工智能系统149,该人工智能系统被训练以基于运行参量119的测量值求取当前的运行状态A、B、C或预测事件时刻125、126。状态确定模块107还可以构造用于求取第二目标值或求取输出目标值。
图10示出这种人工智能系统149的一个实施方式,该人工智能系统能够用于求取运行状态A、B、C或预测事件时刻125、126。
在所示的实施方式中,人工智能系统149构造为人工神经网络、尤其长短期记忆LSTM网络。
在所示的实施方式中,人工神经网络包括用于记录输入数据151的输入层153。输入数据可以包括运行参量119的适当预处理形式的传感器数据。
此外,人工神经网络包括两个密集层155和两个池化层157,它们以交替的方式相继布置。另外,人工神经网络包括两个LSTM层159,在这两个LSTM层159之间布置有Dropout层161。最后,人工神经网络还包括两个密集层和一个输出层163。
在数据处理中,首先通过输入层153、前两个密集层155和两个池化层157实现下采样164。两个接下来的LSTM层159和处于中间的Dropout层161实现特征提取165。最后的两个密集层155和输出层163能够实现预测166。
与所示的实施方式不同,所使用的人工智能系统149还可以以另一模型架构构建,该另一模型架构能够基于运行参量119的测量值121的时间序列123执行回归或分类。然而,人工智能系统149的所使用的模型架构的先决条件是,可以以如下格式提供相应模型:该格式能够在手持式工具机100的微控制器上实施。
对于此处描述的实施方式,可以使用具有如下所示架构的Tensorflow/Keras模型。在完成训练后,可以首先将模型转换为Tensorflow-Lite格式,然后可以借助TVM转换器将该格式转换为用于微控制器的C代码。
三个输入通道例如可以是马达101的马达电流I、触发开关109的触发电压以及每秒的马达转数。
所使用的架构可以构造如下:
所使用的参数的绝对数量:7801
其中可训练的参数:7801
不可训练的参数:0
第一密集层155可以构造有6×8的核和8偏置。第二密集层155可以构造有8×16的核和16偏置。第一LSTM层159可以构造有16×128的核、32×128的循环核和128偏置。第二LSTM层159可以构造有32×32的核、8×32的循环核和32偏置。第三密集层155可以构造有8×4的核和4偏置。第四密集层155可以构造有4×1的核和1偏置。
密集层155和LSTM层159可以构造有TanH激活函数。
图11示出计算机程序产品500的示意图,该计算机程序产品包括指令,该指令在由数据处理单元运行程序时促使该数据处理单元实施根据前述实施方式中任一项的用于选择用于训练人工智能系统149的数据的方法200和/或用于产生训练数据集400的方法300,该人工智能系统用于控制手持式工具机100。
在所示实施方式中,计算机程序产品500存储在存储介质501上。存储介质501可以是由现有技术已知的任意的存储介质。
Claims (12)
1.一种用于选择用于训练人工智能系统(149)的数据的方法(200),所述人工智能系统用于控制手持式工具机(100),所述方法包括:
接收(201)所述手持式工具机(100)的至少一个运行参量(119)的测量值(121)的多个数据集(401),其中,所述数据集(401)已经通过所述手持式工具机(100)的或相同类型的多个手持式工具机(100)的运行参量(119)的多个测量产生;
通过在为了所述训练而使用的数据集(401)的数量与在所述训练中实现的训练性能之间实施模型关系(403)来求取(203)在所述人工智能系统(149)的训练中导致最佳训练性能的数据集(401)的数量;
根据所需的数据集(401)的所求取的数量来选择(205)所述运行参量(121)的测量值(121)的所接收的数据集(401)。
2.根据权利要求1所述的方法(200),其中,所述模型关系(403)被构造为在为了所述训练而使用的数据集(401)的数量与在所述训练中使用的损失函数的常用误差之间的幂关系。
3.根据权利要求2所述的方法(200),其中,根据经验地求取所述幂关系的幂值。
4.根据权利要求2或3所述的方法(200),其中,由所述幂关系外推数据集(401)的对于所述训练的待实现的最佳训练性能所需的数量。
5.根据以上权利要求中任一项所述的方法(200),其中,测量值(121)的数据集(401)分别反映所述手持式工具机(100)的完整的或部分完整的工作过程。
6.根据权利要求5所述的方法(200),其中,在具有自动关断功能的手持式工具机(100)的情况下选择如下数据集(401):所述数据集反映由所述手持式工具机(100)的用户通过用户输入(173)已经终止的工作过程。
7.根据以上权利要求中任一项所述的方法(200),其中,在选择标准方面选择不同的手持式工具机(100)的数据集(401),其中,所述选择标准包括以下列表中的一项或多项:手持式工具机(100)的使用位置、手持式工具机(100)的数据集(401)的累计量、手持式工具机(100)的使用频繁性。
8.根据以上权利要求中任一项所述的方法(200),其中,所述运行参量(119)包括以下列表中的一项或多项:手持式工具机(100)的马达电流、马达位置角、马达转速、电压源的电压。
9.一种用于产生用于训练人工智能系统(149)的训练数据集(400)的方法(300),所述方法包括:
实施(301)根据以上权利要求1至8中任一项所述的用于选择用于训练人工智能系统(149)的数据的方法(200),所述人工智能系统用于控制手持式工具机(100);
将所选数量的数据集(401)组合(303)成训练数据集(400)。
10.一种用于训练用于控制手持式工具机(100)的人工智能系统(149)的训练数据集(400),其中,所述训练数据集(400)按照根据权利要求9所述的用于产生用于训练人工智能系统(149)的训练数据集(400)的方法(300)产生。
11.一种计算单元(105),所述计算单元设置用于实施根据以上权利要求1至8中任一项所述的用于选择用于训练人工智能系统(149)的数据的方法(200)和/或根据权利要求9所述的用于产生训练数据集(400)的方法(300),所述人工智能系统用于控制手持式工具机(100)。
12.一种包括指令的计算机程序产品(500),所述指令在由数据处理单元运行程序时促使所述数据处理单元实施根据以上权利要求1至8中任一项所述的用于选择用于训练人工智能系统(149)的数据的方法(200)和/或根据权利要求9所述的用于产生训练数据集(400)的方法(300),所述人工智能系统用于控制手持式工具机(100)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102023200618.9A DE102023200618A1 (de) | 2023-01-26 | 2023-01-26 | Verfahren zum Auswählen von Daten für ein Training einer künstlichen Intelligenz, Verfahren zum Erzeugen eines Trainingsdatensatzes, Trainingsdatensatz |
DE102023200618.9 | 2023-01-26 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118393861A true CN118393861A (zh) | 2024-07-26 |
Family
ID=91852523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410111537.9A Pending CN118393861A (zh) | 2023-01-26 | 2024-01-26 | 用于选择用于训练人工智能系统的数据的方法、用于产生训练数据集的方法和训练数据集 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN118393861A (zh) |
DE (1) | DE102023200618A1 (zh) |
-
2023
- 2023-01-26 DE DE102023200618.9A patent/DE102023200618A1/de active Pending
-
2024
- 2024-01-26 CN CN202410111537.9A patent/CN118393861A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102023200618A1 (de) | 2024-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112055636B (zh) | 包括机器学习块的电动工具 | |
CN107073692B (zh) | 用于运行电动工具的方法 | |
AU2020316444A1 (en) | Power tool including a machine learning block for controlling a seating of a fastener | |
WO2021155156A1 (en) | Automatic step bit detection | |
CN106483846B (zh) | 电动工具的控制方法及执行该控制方法的电动工具 | |
CN107544426B (zh) | 一种电动工具的控制方法、装置及电动工具 | |
US20220176527A1 (en) | Method for Detecting a First Operating State of a Handheld Power Tool | |
CN109648503B (zh) | 一种伺服锁付装置 | |
US20220347811A1 (en) | Power tool including a machine learning block for controlling field weakening of a permanent magnet motor | |
US12059733B2 (en) | Smart electric power tool and control method thereof | |
US10486281B2 (en) | Overload detection in a power tool | |
CN115697637A (zh) | 电动工具装置和方法 | |
US20220258315A1 (en) | Method for Detecting Work Progress of a Handheld Power Tool | |
CN118393861A (zh) | 用于选择用于训练人工智能系统的数据的方法、用于产生训练数据集的方法和训练数据集 | |
CN118393863A (zh) | 用于选择用于训练人工智能系统的数据的方法、用于产生训练数据集的方法和训练数据集 | |
US20230188064A1 (en) | Adaptive trigger mapping | |
CN118393870A (zh) | 选择用于训练人工智能的数据的方法、生成训练数据集的方法、训练数据集 | |
CN118393867A (zh) | 用于控制手持式工具机的方法和手持式工具机 | |
CN118393866A (zh) | 用于控制手持式工具机的方法和手持式工具机 | |
CN118393868A (zh) | 用于生成训练数据集的方法、用于训练人工智能的方法、人工智能、计算单元、计算机程序产品和手持式工具机 | |
CN118393869A (zh) | 用于控制手持式工具机的方法和手持式工具机 | |
CN118393862A (zh) | 用于控制手持式工具机的方法和手持式工具机 | |
CN118393865A (zh) | 用于控制手持式工具机的方法和手持式工具机 | |
CN118393864A (zh) | 用于控制手持式工具机的方法和手持式工具机 | |
KR20230087594A (ko) | 휴대용 전동 공구의 작동 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |