-
Die Erfindung betrifft ein Verfahren zum Trainieren eines Klassifikators, ein Verfahren zum Betreiben eines Klassifikators, eine Trainingsvorrichtung, ein Computerprogramm und ein maschinenlesbares Speichermedium.
-
Stand der Technik
-
Aus der nicht vorveröffentlichten
DE 10 2019 209 560.7 ist ein Verfahren zur Datenaugmentierung bekannt.
-
Vorteile der Erfindung
-
Elektrische oder pneumatische Schraubendreher ermöglichen das Eindrehen von Schrauben mit einem hohen Drehmoment. Falls ein elektrischer oder pneumatischer Schraubendreher eine Schraube komplett in ein entsprechendes Werkstück eingedreht hat, kann vorzugsweise die Drehung des Schraubendrehers gestoppt werden, damit die Schraube nicht beschädigt wird.
-
Um zu detektieren, wann eine Schraube komplett eingedreht wurde, kann ein Klassifikator verwendet werden.
-
Es ist wünschenswert den Klassifikator derart zu trainieren, dass er eine bestmögliche Performanz bei der Detektion erzielen kann. Als Performanz kann hier die ein Maß für die Fähigkeit des Klassifikators verstanden werden, korrekt zu klassifizieren, ob eine Schraube bereits komplett eingedreht wurde oder nicht.
-
Die Performanz eines Klassifikators kann gesteigert werden, wenn der Klassifikator mit mehr Trainingsdaten trainiert wird. Falls der Klassifikator nur überwacht trainiert wird, ist dies aber mit einem erheblichen Mehraufwand verbunden, da zusätzliche Daten zum Training annotiert werden müssen, damit der Klassifikator trainiert werden kann.
-
Es ist daher wünschenswert ein Trainingsverfahren für einen Klassifikator eines elektrischen oder pneumatischen Schraubendrehers zu erhalten, welches den Klassifikator auch oder ausschließlich basierend auf unannotierten Daten trainieren kann, i.e., ein teilüberwachtes Trainingsverfahren oder ein unüberwachtes Trainingsverfahren. Dies ist wünschenswert, da das Ermitteln von einer großen Menge zusätzlicher Trainingsdaten im Allgemeinen wesentlich einfacher und weniger aufwändig ist, als das Annotieren der Trainingsdaten.
-
Der Vorteil des Verfahrens mit Merkmalen des unabhängigen Anspruchs 1 ist, dass der Klassifikator derart trainiert wird, dass eine Performanz des Klassifikators gegenüber bekannten Trainingsverfahren verbessert wird. Vorteilhafterweise geschieht dies über den Einbezug von unannotierten Trainingsdaten in das anderweitig überwachte Training des Klassifikators. Zusätzlich erlaubt das Verfahren ein unüberwachtes Trainieren des Klassifikators.
-
Offenbarung der Erfindung
-
In einem ersten Aspekt betrifft die Erfindung ein computerimplementiertes Verfahren zum Trainieren eines Klassifikators, wobei der Klassifikator ausgebildet ist, eine erste Zeitreihe von Sensorsignalen eines Sensors eines elektrischen oder pneumatischen Schraubendrehers entgegenzunehmen und basierend auf der ersten Zeitreihe eine Ausgabe zu ermitteln, wobei die Ausgabe charakterisiert, ob eine vom Schraubendreher gedrehte Schraube komplett eingedreht ist oder nicht und falls sie eingedreht ist, zu welchem Zeitpunkt innerhalb der ersten Zeitreihe die Schraube komplett eingedreht wurde, wobei das Verfahren zum Training die folgenden Schritte umfasst:
- • Ermitteln einer ersten Trainingszeitreihe und einer zweiten Trainingszeitreihe, wobei die erste Trainingszeitreihe und zweite Trainingszeitreihe jeweils Ausschnitte der vordefinierten Anzahl von Sensorsignalen aus einer ursprünglichen Trainingszeitreihe sind und die erste Trainingszeitreihe zu der zweiten Trainingszeitreihe in Bezug zur ursprünglichen Trainingszeitreihe um einen ersten Wert verschoben sind;
- • Ermitteln einer ersten Trainingsausgabe basierend auf der ersten Trainingszeitreihe mittels des Klassifikators und einer zweiten Trainingsausgabe basierend auf der zweiten Trainingszeitreihe mittels des Klassifikators;
- • Ermitteln eines ersten Verlustwertes, der eine Differenz zwischen der ersten Trainingsausgabe und einer verschobenen Trainingsausgabe charakterisiert, wobei die verschobene Trainingsausgabe eine Verschiebung der zweiten Trainingsausgabe gemäß dem ersten Wert charakterisiert;
- • Anpassen zumindest eines Teils einer Mehrzahl von Modellparametern des Klassifikators basierend auf dem ersten Verlustwert.
-
Eine Schraube kann als komplett eingedreht verstanden werden, wenn ihr Kopf mit einem Werkstück, in das sie eingedreht wird, bündig abschließt. Alternativ oder zusätzlich kann eine Schraube als komplett eingedreht verstanden werden, wenn ein weiteres Eindrehen der Schraube ins Werkstück verhindert wird, beispielsweise, wenn die Schraube auf eine andere Schraube trifft, die bereits ins Werkstück eingedreht wurde.
-
Als erster Sensor können verschiedene Sensoren verwendet werden, insbesondere Sensoren zur Drehrate des Schraubendrehers oder Sensoren zur Leistungsaufnahme des Schraubendrehers.
-
Mittels des Sensors können in vorzugsweise regelmäßigen zeitlichen Abständen Sensorsignale ermittelt werden. Mehrere Sensorsignale können zu einer Zeitreihe zusammengefasst werden. Hierbei können die Sensorsignale in der Zeitreihe vorzugsweise entsprechend eines Zeitpunkts ihrer Aufnahme angeordnet werden.
-
Der Klassifikator kann trainiert werden, indem ihm Zeitreihen und den Zeitreihen entsprechenden Klassen, welche eine gewünschte Ausgabe des Klassifikators charakterisieren, als Trainingsdaten übermittelt werden und der Klassifikator derart angepasst wird, dass er zu einem Sensorsignal eine Ausgabe ermittelt, welche die entsprechende Klasse charakterisiert.
-
Die Performanz des Klassifikators kann als die durchschnittliche Korrektheit des Klassifikators verstanden werden, also einen Anteil, der charakterisiert, wie häufig der Klassifikator für eine Mehrzahl von Sensorsignal die gewünschte Klasse korrekt bestimmt. Im Allgemeinen gilt, dass je größer die Anzahl an unterschiedlichen Trainingsdaten ist, desto größer die Performanz des Klassifikators nach dem Training ist.
-
Zur Verarbeitung einer Zeitreihe kann ein der elektrische oder pneumatische Schraubendreher zumindest eine Recheneinheit umfassen. Da insbesondere bei einem batteriebetriebenen Schraubendreher in seiner Rechenleistung, bedingt durch z.B. Anforderungen an die Größe der verwendeten Recheneinheiten sowie durch Anforderungen an den Energieverbrauch des Schraubendrehers, eingeschränkt sein kann, können die zeitlichen Abstände der Sensorsignale vorzugsweise derart gewählt werden, dass pro Zeiteinheit nicht eine vom Sensor maximal mögliche Anzahl von Sensorsignalen aufgenommen wird, sondern eine Anzahl Sensorsignale, die vom Schraubendreher in Hinblick auf die Rechenleistung und unter den entsprechenden Anforderungen angemessen ist.
-
Der Klassifikator kann derart verstanden werden, dass er jeweils Ausschnitte aus einer größeren Zeitreihe betrachtet und für jeden Ausschnitt eine Klassifikation ermittelt. Die Ausschnitte sind hierbei ebenfalls Zeitreihen, jedoch umfassen die Ausschnitte jeweils die vordefinierte Anzahl von Sensorsignalen.
-
Vorzugsweise umfasst der Klassifikator ein neuronales Netz oder ist durch ein neuronales Netz gegeben. Die Modellparameter des Klassifikators können in diesem Fall insbesondere die Gewichte des neuronalen Netzes umfassen.
-
Das Verfahren zum Training des Klassifikators kann als eine Form der Regularisierung verstanden werden. Falls eine Zeitreihe charakterisiert, dass eine Schraube zu einem ersten Zeitpunkt eingedreht wurde, so charakterisiert typischerweise eine zweite Zeitreihe, die im Verhältnis zur ersten um einen ersten Zeitwert verschoben ist, einen zweiten Zeitpunkt des kompletten Eindrehens der Schraube, wobei der erste und zweite Zeitpunkt um den ersten Zeitwert verschoben sind. Als Zeitpunkt des kompletten Eindrehens kann der Zeitpunkt verstanden werden, an dem die Schraube komplett eingedreht wurde. Das Trainingsverfahren kann daher derart verstanden werden, dass es die Verschiebungseigenschaft vorteilhafterweise zur Regularisierung des Trainings des Klassifikators verwendet.
-
Insbesondere kann der Klassifikator zu einer ersten Trainingszeitreihe, also einer Zeitreihe, die fürs Training verwendet wird, und einer zweiten Trainingszeitreihe jeweils eine Ausgabe ermitteln, die einen Zeitpunkt eines kompletten Eindrehens einer Schraube charakterisiert, wobei die zeitliche Verschiebung zwischen der ersten Trainingszeitreihe und der zweiten Trainingszeitreihe bekannt ist oder vorgegeben werden kann. Da beide Ausgaben jeweils bis auf die zeitliche Verschiebung den gleichen Zeitpunkt charakterisieren sollen, kann diese Eigenschaft zum Training des Klassifikators verwendet werden. Insbesondere ist vorstellbar, dass der erste Verlustwert charakterisiert, wie weit eine erste Ausgabe bezüglich der ersten Trainingszeitreihe und eine zweite Ausgabe bezüglich der Trainingszeitreihe in Bezug zum Zeitpunkt des kompletten Eindrehens von der bekannten zeitlichen Verschiebung abweichen. Diese Abweichung kann dann als erster Verlustwert verstanden werden, den es mittels des Trainings des Klassifikators zu minimieren gilt.
-
Vorteilhafterweise erlaubt das Trainingsverfahren das Training des Klassifikators mit unannotierten Zeitreihen. Mit anderen Worten, das Trainingsverfahren ist teilüberwacht oder unüberwacht anwendbar.
-
In einer bevorzugten Ausprägung ist vorstellbar, dass das Verfahren zum Trainieren des Weiteren die folgenden Schritte umfasst:
- • Ermitteln einer dritten Trainingszeitreihe und einer für die dritte Trainingszeitreihe gewünschten dritten Ausgabe des Klassifikators;
- • Ermitteln einer dritten Trainingsausgabe basierend auf der dritten Trainingszeitreihe mittels des Klassifikators;
- • Ermitteln eines zweiten Verlustwertes, der eine Differenz zwischen der gewünschten dritten Ausgabe und der ermittelten dritten Trainingsausgabe charakterisiert;
- • Anpassen zumindest eines Teils der Mehrzahl von Modellparametern des Klassifikators basierend auf dem zweiten Verlustwert.
-
In dieser Ausprägung des Verfahrens zum Trainieren werden zusätzlich zum reinen Training mit unannotierten Trainingsdaten auch annotierte Trainingsdaten verwenden, in Worten die dritte Trainingszeitreihe und die gewünschte Ausgabe des Klassifikators. Die Information, die in diesen annotierten Trainingsdaten enthalten sind können über ein überwachtes Training dem Klassifikator zugeführt werden. Hierdurch erhöht sich vorteilhafterweise die Performanz des Klassifikators weiter.
-
Insbesondere ist auch vorstellbar, dass die dritte Trainingszeitreihe ein Ausschnitt der ursprünglichen Trainingszeitreihe ist.
-
Zum Beispiel ist denkbar, dass zum Aufzeichnen der Trainingsdaten eine größere Zeitreihe aufgenommen wird, von der jeweils nur Teile annotiert werden. Die unannotierten Teile können in diesem Fall weiterhin zur Ermittlung des ersten Verlustwertes verwendet werden, während die annotierten Teile insbesondere zur Ermittlung des zweiten Verlustwertes verwendet werden können.
-
Weiterhin ist vorstellbar, dass zumindest ein Teil der Mehrzahl von Modellparametern des Klassifikators basierend auf einer Summe des ersten Verlustwertes und des zweiten Verlustwertes ermittelt wird.
-
Der Vorteil dieser Ausprägungsform ist, dass der Klassifikator jeweils mit annotierten und unannotierten Trainingsdaten trainiert werden kann. Dies ist insbesondere dann hilfreich, wenn die annotierten oder die unannotierten Trainingsdaten einen Bias aufweisen und das Training so negativ beeinflussen würden. Durch die Kombination unannotierter und annotierter Trainingsdaten im Trainingsverfahren kann so vorteilhafterweise die Performanz des Klassifikators noch weiter verbessert werden.
-
Insbesondere ist weiterhin vorstellbar, dass die Summe eine gewichtete Summe ist.
-
Hierdurch kann für das Training feinjustiert werden, in wie weit die annotierten Trainingsdaten bzw. die unannotierten Trainingsdaten einen Einfluss auf das Training des Klassifikators haben sollen. Hierdurch kann das jeweilige Training an die gegebenen Trainingsdaten angepasst werden, wodurch sich die Performanz des Klassifikators weiter erhöht.
-
Weiterhin ist vorstellbar, dass der Klassifikator in einer ersten Phase des Verfahrens basierend auf einem zweiten Verlustwert oder einem ersten und einem zweiten Verlustwert trainiert wird und in einer zweiten Phase des Verfahren nur basierend auf einem ersten Verlustwert trainiert wird, wobei die zweite Phase der ersten Phase folgt.
-
Diese Ausprägung des Verfahrens zum Trainieren kann derart verstanden werden, dass der Klassifikator zunächst überwacht trainiert wird oder überwacht und unüberwacht trainiert wird und anschließend nur unüberwacht trainiert wird. Insbesondere ist vorstellbar, dass der Klassifikator zur Entwicklungszeit des Wearable mit annotierten Trainingsdaten trainiert wird und während der Laufzeit des Wearable, also während eines Betriebs des Wearable durch einen Benutzer, unüberwacht weiter trainiert wird, um sich den Gegebenheiten der Umgebung des Wearable oder den Gegebenheiten des Benutzers anzupassen. Vorteilhafterweise kann das beschriebene Nachtrainieren des Klassifikators mittels des ersten Verlustwertes während des Betriebs durchgeführt werden, da hierfür keine annotierten Trainingsdaten notwendig sind. Vielmehr können die Trainingsdaten „live“ aufgezeichnet werden und direkt ins Nachtraining des Klassifikators einfließen. Zusätzlich ist auch vorstellbar, dass der Klassifikator zur Entwicklungszeit auch unüberwacht trainiert wird. In den beiden beschriebenen Ausprägungsformen des Verfahrens kann die Performanz des Klassifikators durch das nachtrainieren im Betrieb verbessert werden.
-
In einem weiteren Aspekt betrifft die Erfindung ein Verfahren zum Ansteuern des elektrischen oder pneumatischen Schraubendrehers, wobei das Verfahren die folgenden Schritte umfasst:
- • Trainieren eines Klassifikators gemäß einer der bereits beschriebenen Ausprägungen des Verfahrens zum Trainieren;
- • Ermitteln einer Zeitreihe von Sensorsignalen eines ersten Sensors des elektrischen oder pneumatischen Schraubendrehers;
- • Ermitteln einer Ausgabe basierend auf der Zeitreihe mittels des Klassifikators;
- • Ansteuern des elektrischen oder pneumatischen Schraubendrehers abhängig von der ermittelten Ausgabe.
-
Der Vorteil dieses Aspekts ist, dass der Schraubendreher automatisch derart angesteuert werden kann, dass ein Einschrauben einer Schraube gestoppt wird, sobald festgestellt wird, dass die Schraube komplett eingedreht wurde. Hierdurch kann vorteilhafterweise ein Verschleiß eines Schraubenkopfes der Schraube minimiert werden. Ebenso kann ein Verschleiß des Schraubendrehers selber minimiert werden.
-
Nachfolgend werden Ausführungsformen der Erfindung unter Bezugnahme auf die beiliegenden Zeichnungen näher erläutert. In den Zeichnungen zeigen:
- 1 schematisch ein Trainingssystem zum Trainieren eines Klassifikators;
- 2 schematisch ein Steuerungssystems;
- 3 schematisch einen elektrischen Schraubendreher.
-
Beschreibung der Ausführungsbeispiele
-
1 zeigt ein Trainingssystem (140), welches ausgebildet ist einen Klassifikator (60) eines elektrischen Schraubendrehers mittels eines Trainingsdatensatzes (T) zu trainieren. Der Trainingsdatensatz (T) enthält zu diesem Zweck Trainingszeitreihen von Sensorsignalen eines Sensors des Schraubendrehers, wobei basierend auf einer Trainingszeitreihe ein ermittelt werden kann, ob eine durch den Schraubdreher gedrehte Schraube vollständig eingedreht ist. Zumindest Teile der Trainingszeitreihen sind mit jeweils einer Annotation versehen, wobei die Annotation einer jeweiligen Trainingszeitreihe charakterisiert, ob und wenn ja zu welchem Zeitpunkt in der Zeitreihe die Schraube komplett eingedreht wurde. Zu diesem Zweck kann der Klassifikator (60) vorzugsweise so eingerichtet sein, dass er Zeitreihen einer vordefinierten Anzahl von Sensorsignalen entgegennimmt und eine Ausgabe bestimmt, die einen Zeitpunkt eines kompletten Eindrehens der Schraube charakterisiert. Für den Fall, dass kein Zeitpunkt eines kompletten Eindrehens der Schraube durch eine Zeitreihe charakterisiert wird, kann der Klassifikator (60) ausgebildet sein eine entsprechende Klasse auszugeben, die anzeigt, dass kein komplettes Eindrehen stattgefunden hat.
-
Vorzugsweise umfassen die Trainingszeitreihen des Trainingsdatensatzes (T) jeweils mehr Sensorsignale als die vordefinierte Anzahl.
-
Zum Training greift eine Trainingsdateneinheit (150) auf eine computerimplementierte Datenbank (St2) zu, wobei die Datenbank (St2) den Trainingsdatensatz (T) zur Verfügung stellt. Die Trainingsdateneinheit (150) ermittelt zumindest eine ursprüngliche Trainingszeitreihe aus dem Trainingsdatensatz (T).
-
Auf Basis der ursprünglichen Trainingszeitreihe kann die Trainingsdateneinheit (150) dann eine erste Trainingszeitreihe (xi) ermitteln, indem die Trainingsdateneinheit (150) aus der ursprünglichen Trainingszeitreihe vorzugsweise zufällig einen Ausschnitt wählt, der die vordefinierte Anzahl von Sensorsignalen umfasst. Die erste Trainingszeitreihe (x1) kann dann vom Klassifikator (60) klassifiziert werden und eine so ermittelte erste Trainingsausgabe (ŷ1) wieder an die Trainingsdateneinheit (150) zurückgeleitet werden. Die Trainingsdateneinheit (150) kann dann eine zweite Trainingszeitreihe (x2) ermitteln, die ebenfalls ein Ausschnitt der ursprünglichen Trainingszeitreihe ist, wobei der Ausschnitt die vordefinierte Anzahl von Sensorsignalen enthält und im Verhältnis zum Ausschnitt der ersten Trainingszeitreihe (x1) um einen Zeitwert verschoben ist. Für den Fall, dass die erste Trainingsausgabe (ŷ1) einen komplettes Eindrehen charakterisiert, kann die Trainingsdateneinheit (150) eine gewünschte zweite Ausgabe (y2) ermitteln, die einen Zeitpunkt eines kompletten Eindrehens charakterisiert, wobei der Zeitpunkt durch eine Verschiebung des durch die erste Trainingsausgabe (x1) charakterisierten Zeitpunkts um den Zeitwert ermittelt wird. Für den Fall, dass die erste Trainingsausgabe (x1) kein komplettes Eindrehen charakterisiert, kann die gewünschte zweite Ausgabe (y2) ebenfalls so gewählt werden, dass sie kein komplettes Eindrehen charakterisiert. Die zweite Trainingszeitreihe (x2) kann dann ebenfalls an den Klassifikator (60) übergeben werden, wobei der Klassifikator (60) zur zweiten Trainingszeitreihe (x2) eine zweite Trainingsausgabe (ŷ2) ermittelt.
-
Alternativ oder zusätzlich ist vorstellbar, dass die ursprüngliche Trainingszeitreihe annotiert ist. In diesem Fall kann eine dritte Trainingszeitreihe (x3) aus der ursprünglichen Trainingszeitreihe durch einen Ausschnitt der vordefinierten Anzahl an Sensorsignalen ermittelt werden. Da die ursprüngliche Trainingszeitreihe annotiert ist, kann über die Annotation der ursprünglichen Trainingszeitreihe bestimmt werden, ob ein komplettes Eindrehen durch die dritte Trainingszeitreihe (x3) charakterisiert wird und wenn ja zu welchem Zeitpunkt. Die Trainingsdateneinheit (150) kann dann eine gewünschte dritte Ausgabe (y3) ermitteln, die entsprechend der Annotation charakterisiert, ob die dritte Trainingszeitreihe (x3) ein komplettes Eindrehen beschreibt und wenn ja zu welchem Zeitpunkt. Die dritte Trainingszeitreihe (x3) kann dann an den Klassifikator (60) übermittelt werden, um eine dritte Trainingsausgabe (y3) zu ermitteln.
-
Die gewünschte zweite Ausgabe (y2) und ermittelte zweite Trainingsausgabe (y2) werden dann an eine Veränderungseinheit (180) übermittelt. Falls eine gewünschte dritte Ausgabe (y3) und eine ermittelte dritte Trainingsausgabe (y3) vorliegen, werden die gewünschte dritte Ausgabe (y3) und die dritte Trainingsausgabe (y3) an die Veränderungseinheit (180) weitergeleitet.
-
Basierend auf der oder den übermittelten gewünschten Ausgaben (y2,y3) bzw. der oder den ermittelten Trainingsausgaben (ŷ2,ŷ3) werden dann von der Veränderungseinheit (180) neue Modellparameter (Φ') für den Klassifikator (60) bestimmt. Hierfür vergleicht die Veränderungseinheit (180) die ermittelte zweite Trainingsausgabe (y2) mit der gewünschten zweiten Ausgabe (y2) mittels einer Verlustfunktion (engl.: Loss Function). Die Verlustfunktion ermittelt einen ersten Verlustwert, der charakterisiert, wie weit die ermittelte Trainingsausgabe (y2) von der gewünschten zweiten Ausgabe (y2) abweicht. Als Verlustfunktion kann vorzugsweise eine negative logarithmierte Plausibilitätsfunktion (engl.: negative loglikehood function) gewählt werden. In alternativen Ausführungsbeispielen sind auch andere Verlustfunktion denkbar, beispielsweise eine Verlustfunktion basierend auf einem euklidischen Abstand.
-
Falls der Veränderungseinheit (180) eine gewünschte dritte Ausgabe (y3) und eine ermittelte dritte Trainingsausgabe (y3) vorliegen, kann die Veränderungseinheit (180) eine Verlustfunktion ferner verwenden, um einen zweiten Verlustwert zu ermitteln, wobei die Ermittlung mutatis mutandis entsprechend dem Vorgehen zum Ermitteln des ersten Verlustwertes geschehen kann.
-
Falls die Veränderungseinheit (180) einen ersten Verlustwert und einen zweiten Verlustwert ermittelt hat, kann ein Gesamtverlustwert durch eine vorzugsweise gewichtete Summe der beiden Verlustwerte ermittelt werden. Die Gewichte der Summe sind in diesem Fall Hyperparameter des Trainings des Klassifikators (60) und können für das Training entsprechend optimiert werden, z.B. mittels einer Rastersuche (engl.: Grid Search).
-
Die Veränderungseinheit (180) ermittelt auf Grundlage des ersten Verlustwertes oder des zweiten Verlustwertes oder des Gesamtverlustwertes die neuen Modellparameter (Φ'). Vorzugsweise geschieht dies mittels eines Gradientenabstiegsverfahren, vorzugsweise Stochastic Gradient Descent, Adam, oder AdamW.
-
Die ermittelten neuen Modellparameter (Φ') werden in einem Modellparameterspeicher (St1) gespeichert. Vorzugsweise werden die ermittelten neuen Modellparameter (Φ') als Modellparameter (Φ) bereitgestellt.
-
In weiteren bevorzugten Ausführungsbeispielen wird das beschriebene Training iterativ für eine vordefinierte Anzahl an Iterationsschritten wiederholt oder iterativ wiederholt, bis zumindest einer der Verlustwerte einen vordefinierten Schwellenwert unterschreitet. In mindestens einer der Iterationen werden die in einer vorherigen Iteration bestimmten neuen Modellparameter (Φ') als Modellparameter (Φ) des Klassifikators (60) verwendet.
-
Des Weiteren kann das Trainingssystem (140) mindestens einen Prozessor (145) und mindestens ein maschinenlesbares Speichermedium (146) umfassen, welches Befehle enthält, welche, wenn sie durch den Prozessor (145) ausgeführt werden, das Trainingssystem (140) veranlassen, ein Trainingsverfahren nach einem der Aspekte der Erfindung auszuführen.
-
2 zeigt ein Steuerungssystem (40), welches Sensorsignale (S) eines Sensors (30) mittels des trainierten Klassifikators (60) klassifiziert und abhängig von der Klassifikation eine Antriebseinheit (10) oder eine Anzeigevorrichtung (10a) eines pneumatischen oder elektrischen Schraubendrehers ansteuert. Dabei ist der Sensor (30) derselbe Sensor, der zum Ermitteln des Trainingsdatensatzes (T) verwendet wurde, oder ein Sensor des gleichen Typs wie der Sensor, der zum Ermitteln der Trainingsdaten (T) verwendet wurde.
-
Ein Sensorsignal (S) des Sensors (30) wird an das Steuerungssystem (40) übermittelt. Das Steuerungssystem (40) empfängt somit eine Folge von Sensorsignalen (S). Das Steuerungssystem (40) ermittelt hieraus Ansteuersignale (A), welche an die Antriebseinheit (10) oder das übertragen werden.
-
Das Steuerungssystem (40) empfängt die Folge von Sensorsignalen (S) des Sensors (30) in einer Empfangseinheit (50), die die Folge von Sensorsignalen (S) in eine Zeitreihe (x) für den Klassifikator (60) umwandelt.
-
Mit anderen Worten wird die Zeitreihe (x) abhängig vom Sensorsignal (S) ermittelt. Die Zeitreihe (x) wird dem Klassifikator (60) zugeführt.
-
Der Klassifikator (60) wird vorzugsweise parametriert durch Parameter (φ), die in einem Parameterspeicher (P) hinterlegt sind und von diesem bereitgestellt werden.
-
Der Klassifikator (60) ermittelt aus der ihm zugeführten Zeitreihe (x) Ausgabesignale (y). Die Ausgabesignale (y) werden einer optionalen Umformeinheit (80) zugeführt, die hieraus Ansteuersignale (A) ermittelt, welche der Antriebseinheit (10) und/oder der Anzeigevorrichtung (10a) zugeführt werden, um die Antriebseinheit (10) bzw. die Anzeigevorrichtung (10a) entsprechend anzusteuern.
-
Die Antriebseinheit (10) und/oder die Anzeigevorrichtung (10a) empfangen die Ansteuersignale (A), wird entsprechend angesteuert und führt eine entsprechende Aktion aus. Die Antriebseinheit (10) und/oder die Anzeigevorrichtung (10a) können hierbei eine (nicht notwendigerweise baulich integrierte) Ansteuerlogik umfassen, welches aus dem Ansteuersignal (A) ein zweites Ansteuersignal ermittelt, mit dem dann die Antriebseinheit (10) bzw. die Anzeigevorrichtung (10a) angesteuert wird.
-
In weiteren Ausführungsformen umfasst das Steuerungssystem (40) den Sensor (30). In noch weiteren Ausführungsformen umfasst das Steuerungssystem (40) alternativ oder zusätzlich auch die Antriebseinheit (10) und/oder die Anzeigevorrichtung (10a).
-
In weiteren bevorzugten Ausführungsformen umfasst das Steuerungssystem (40) eine Ein- oder Mehrzahl von Prozessoren (45) und wenigstens ein maschinenlesbares Speichermedium (46), auf dem Anweisungen gespeichert sind, die dann, wenn sie auf den Prozessoren (45) ausgeführt werden, das Steuerungssystem (40) veranlassen, das erfindungsgemäße Verfahren auszuführen.
-
3 zeigt, wie das Steuerungssystem (40) zur Ansteuerung eines elektrischen Schraubendrehers (400) verwendet werden kann. Der Schraubendreher (400) ist ausgebildet eine Schraube (401) in ein Werkstück (402) einzuschrauben. Der Schraubendreher (400) verfügt über einen Drehratensensor (30), mittels welchem eine Drehbewegung des Schraubendrehers (400) gemessen werden kann.
-
Auf Basis der gemessenen Drehraten ermittelt das Steuerungssystem (40) intern ein Ausgabesignal (y), welches charakterisiert, ob die vom Schraubendreher (400) gedrehte Schraube (401) komplett ins Werkstück (402) eingedreht ist oder nicht. Falls erkannt wurde, dass die Schraube (401) komplett eingedreht wurde, übermittelt das Steuerungssystem (40) ein Ansteuersignal (A) an einen Motor (10) des Schraubendrehers (400), welches den Motor (10) veranlasst die Drehbewegung zu stoppen.
-
In alternativen Ausführungsbeispielen steuert das Steuerungssystem (40) zusätzlich oder alternativ zum Motor (10) eine Anzeigevorrichtung (10a) an. Die Anzeigevorrichtung (10a) kann beispielsweise ein Bildschirm des Schraubendrehers (400) sein, auf welchem angezeigt wird, dass die Schraube komplett eingedreht wurde.
-
Alternativ oder zusätzlich ist vorstellbar, dass die Anzeigevorrichtung (10a) ein Leuchtmittel, beispielsweise eine LED, ist, welches eingeschaltet wird, wenn die Schraube komplett eingedreht wurde.
-
Alternativ oder zusätzlich ist denkbar, dass die Anzeigevorrichtung (10a) eine haptische Vorrichtung ist, zum Beispiel ein Vibrationsaktor. Der Vibrationsaktor kann beispielsweise ein haptisches Signal an einen Benutzer des Schraubendrehers (400) übermitteln, falls die Schraube komplett eingedreht wurde. Das haptische Signal kann beispielsweise mittels eines Vibrierens des Griffs des Schraubendrehers an den Benutzer übermittelt werden.
-
In alternativen Ausführungsbeispielen (nicht abgebildet) kann anstelle eines elektrischen Schraubendrehers (400) auch ein pneumatischer Schraubendreher (400) verwendet werden. In diesem Fall kann das Steuerungssystem (40) eine ein Druckluftventil (10) des Schraubendrehers ansteuern. Das Druckluftventil (10) kann geschlossen werden, sobald die Schraube komplett eingedreht wurde.
-
Der Begriff „Computer“ umfasst beliebige Geräte zur Abarbeitung vorgebbarer Rechenvorschriften. Diese Rechenvorschriften können in Form von Software vorliegen, oder in Form von Hardware, oder auch in einer Mischform aus Software und Hardware.
-
Im Allgemeinen kann eine Mehrzahl als indexiert verstanden werden, d.h. jedem Element der Mehrzahl wird ein eindeutiger Index zugewiesen, vorzugsweise durch Zuweisung aufeinanderfolgender Ganzzahlen an die in der Mehrzahl enthaltenen Elemente. Vorzugsweise, wenn eine Mehrzahl N Elemente umfasst, wobei N die Anzahl der Elemente in der Mehrzahl ist, werden den Elementen die ganzen Zahlen von 1 bis N zugewiesen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-