DE112019000228T5

DE112019000228T5 - Hochpräzise erkennung anormaler bewegungen für angetriebene werkzeuge

Info

Publication number: DE112019000228T5
Application number: DE112019000228.7T
Authority: DE
Inventors: Chad Thomas GREEN; Ty Batchelor; Destin SANDLIN
Original assignee: Lantern Holdings LLC
Current assignee: BATCHELOR, TY, HARTSELLE, US; SANDLIN, DESTIN, HARTSELLE, US
Priority date: 2018-02-21
Filing date: 2019-02-21
Publication date: 2020-09-10
Also published as: WO2019165079A2; WO2019165079A3; SE543978C2; US20200276680A1; SE2050821A1

Abstract

Es werden ein hochpräziser Apparat mit geringer Fehlalarmrate, ein System und ein Verfahren zur schnellen Reaktion auf plötzliche kinetische Impulse, die durch eine anormale Bewegung eines angetriebenen Werkzeugs verursacht werden, beschrieben. Die Vorrichtung, das System und das Verfahren umfassen eine lokale Messung von Erfassungsmodalitäten mit lokaler Echtzeitverarbeitung und fortgeschrittener digitaler Signalverarbeitung zur Messung der gesamten kinematischen Bewegung eines beliebigen angetriebenen Werkzeugs. Darüber hinaus wird maschinelles Lernen eingesetzt, um eine rechtzeitige Reaktion auf echte kinetische Impulse zu ermöglichen und gleichzeitig charakteristische Schwingungen, die durch einen normalen Gebrauch verursacht werden, zu unterdrücken. Eine reaktive Verriegelung kann aktiviert werden, um uncharakteristische Bewegungen zu verhindern. Zusätzlich können ein oder mehrere elektronische aktive oder passive Geräte zur Authentifizierung eines Benutzers, zur Definition eines Betriebsprofils für einen Benutzer und zum Sperren oder Entsperren eines angetriebenen Werkzeugs verwendet werden.

Description

HINTERGRUND
Diese Spezifikation betrifft ein Integrieren von maschinellem Lernen in ein Bewegungserkennungssystem für angetriebene Werkzeuge (engl.: power tools).
Im Betrieb können angetriebene Werkzeuge für Benutzer gefährlich sein, insbesondere wenn unerwünschte anormale und unerwartete Bewegungen der angetriebenen Werkzeuge auftreten. Zu einer anormalen Bewegung gehört jede relative Bewegung zwischen dem Benutzer und dem angetriebenen Werkzeug, die einen Kontakt zwischen einem beliebigen Teil des Benutzers und einer gefährlichen Oberfläche des angetriebenen Werkzeugs herstellen kann, was zu einem Aufprall, einer Platzwunde oder einer anderen physischen Schädigung des Benutzers führen kann. Zum Beispiel kann ein Benutzer einen Rückschlag (englisch: kick back) von einem angetriebenen Werkzeug erfahren. Ein Rückschlag ist ein plötzlicher, unerwarteter, kraftvoller Rückstoß von einem angetriebenen Werkzeug, der während der Benutzung auftritt. Diese Bewegung tritt häufig auf, wenn eine sich bewegende Klinge des angetriebenen Werkzeugs in ein Werkstück eingeklemmt oder eingezwängt wird, wodurch das angetriebene Werkzeug in Richtung des Körpers des Benutzers des angetriebenen Werkzeugs schnellt. Außerdem kann ein Benutzer infolge von Ermüdung oder Ablenkung unbeabsichtigt eine gefährliche Oberfläche eines angetriebenen Werkzeugs kontaktieren.
Obwohl eine anormale Relativbewegung zwischen angetriebenen Werkzeugen und Nutzern äußerst gefährlich für Nutzer sein kann, ist die Unterscheidung zwischen regulärer Bewegung und uncharakteristischer Bewegung eines angetriebenen Werkzeugs relativ zum Nutzer mit einer akzeptablen Fehlerrate oft sehr schwierig.
ZUSAMMENFASSUNG
Diese Spezifikation beschreibt Technologien in Bezug auf eine Sicherheit von angetriebenen Werkzeugen im Allgemeinen und im Besonderen ein hochpräzises Erkennungsgerät, -system und -verfahren mit niedriger Fehlalarmrate für eine schnelle Reaktion auf anormale Relativbewegung zwischen einem angetriebenen Werkzeug und dem Nutzer, einschließlich plötzlicher kinetischer Impulse, die durch eine anormale Bewegung eines angetriebenen Werkzeugs verursacht werden. Diese Technologien umfassen im Allgemeinen Systeme zur Messung der gesamten kinematischen Bewegung eines beliebigen angetriebenen Werkzeugs, wobei ein Maschinelles-Lernen-Modell (engl.: machine learning model) verwendet wird, um festzustellen, ob bei einer bestimmten kinematischen Bewegung eines angetriebenen Werkzeugs eine anormale Bewegung aufgetreten ist, und eine reaktive Verriegelung aktiviert wird, wenn das Maschinelles-Lernen-Modell feststellt, dass eine anormale Relativbewegung aufgetreten ist, um eine weitere uncharakteristische Bewegung des angetriebenen Werkzeugs zu verhindern.
Im Allgemeinen kann ein innovativer Aspekt des in dieser Spezifikation beschriebenen Gegenstands in einem hochpräzisen Erkennungsgerät, -system und -verfahren mit niedriger Fehlalarmrate zur schnellen Reaktion auf plötzliche kinetische Impulse, die durch eine anormale Bewegung eines angetriebenen Werkzeugs verursacht werden, ausgeführt sein.
Andere Ausführungsformen dieses Aspekts umfassen entsprechende Computersysteme, Vorrichtungen und Computerprogramme, die auf einem oder mehreren Computerspeichergeräten aufgezeichnet sind, wobei jede Vorrichtung so konfiguriert ist, dass sie die Aktionen der Verfahren ausführt. Dass ein System aus einem oder mehreren Computern so konfiguriert ist, dass es bestimmte Operationen oder Aktionen ausführt, bedeutet dies, dass für das System Software, Firmware, Hardware oder eine Kombination davon installiert ist, die im Betrieb das System veranlassen, die Operationen oder Aktionen auszuführen. Dass ein oder mehrere Computerprogramme so konfiguriert sind, dass sie bestimmte Operationen oder Aktionen ausführen, bedeutet, dass das eine oder die mehreren Programme Befehle enthalten, die, wenn sie von einer Datenverarbeitungsvorrichtung ausgeführt werden, die Vorrichtung dazu veranlassen, die Operationen oder Aktionen auszuführen.
Die vorstehenden und andere Ausführungsformen können jeweils optional eines oder mehrere der folgenden Merkmale, allein oder in Kombination, enthalten. Insbesondere enthält eine Ausführungsform alle folgenden Merkmale in Kombination. Ein mehrdimensionales Erkennungssystem für anormale Bewegung zur Erfassung anormaler Bewegungen eines angetriebenen Werkzeugs umfasst: einen dreiachsigen Beschleunigungsmessersensor; einen dreiachsigen Gyroskopsensor; einen dreiachsigen Magnetometersensor; und einen Prozessor, der ein Maschinelles-Lernen-Modell umfasst, das pro angetriebenem Werkzeug trainiert ist, um anormale Bewegungen für das angetriebene Werkzeug zu bestimmen. Das Maschinelles-Lernen-Modell verwendet Daten, die vom Beschleunigungsmesser, Gyroskop und Magnetometer empfangen werden, um zu bestimmen, ob die Bewegung des angetriebenen Werkzeugs anormal ist. Das Erkennungssystem für anormale Bewegung kann ferner Folgendes umfassen: einen oder mehrere Flussratensensoren und einen oder mehrere Entfernungsmesssensoren zur Quantifizierung der relativen Bewegung zwischen dem angetriebenen Werkzeug und einem Werkstück. Das Maschinelles-Lernen-Modell verwendet zusätzlich einen oder mehrere Flussratensensoren-Daten und Entfernungsmesssensor-Daten, um festzustellen, ob die Bewegung des angetriebenen Werkzeugs normal ist. In einigen Implementierungen umfasst das Erkennungssystem für anormaler Bewegungen außerdem einen Präsenz- oder Drehratendetektor für ein Ausgangselement des angetriebenen Werkzeugs. Das Maschinelles-Lernen-Modell verwendet zusätzlich Präsenz-Daten oder Drehraten-Daten, um zu bestimmen, ob die Bewegung des angetriebenen Werkzeugs normal ist. In einer Implementierung umfasst das Erkennungssystem für anormale Bewegung außerdem einen oder mehrere Sensoren, die an dem Nutzer und/oder Werkzeug positioniert sind und eine relative Bewegung zwischen dem angetriebenen Werkzeug und dem Nutzer messen.
In einigen Implementierungen sammelt der Prozessor des Systems zur Erkennung anormaler Bewegungen Daten von allen Sensoren, erstellt Zeitstempel und lädt sie zur weiteren Verarbeitung in einen Kurzzeitspeicher und komprimiert und verschiebt die Sensordaten nach der Verarbeitung zu einem Langzeitspeicher. Die Verarbeitung kann die Verwendung von Sensorfusionsalgorithmen umfassen, die mehrere Sensorströme kombinieren, um die Gesamtbewegung des angetriebenen Werkzeugs in einheitlichen Frames (Rahmen) zu beschreiben. Durch zusätzliche Filterung und digitale Signalverarbeitung kann Rauschen unter Verwendung mindestens einer der folgenden Methoden entfernt werden: Frequenzdomainenanalyse, adaptive Filtertechniken und Kalman-Filter, die auf physikalische, holonomische Einschränkungen des angetriebenen Werkzeugs abgestimmt sind, während das Werkzeug in Betrieb ist.
Die Ausgabe von Filterung und digitaler Signalverarbeitung kann in einer Implementierung in mehrdimensionale, einheitliche Frames kategorisiert werden. Die digitale Signalverarbeitung kann Schlussfolgerungen unter Verwendung eines vortrainierten rekurrenten oder konvolutionären neuronalen Netzwerks, einer Support-Vektor-Maschine oder Regressionstechniken umfassen, um eine schnelle Erkennung eines anormalen Ereignisses des angetriebenen Werkzeugs zu ermöglichen. Ein anormales Ereignis eines angetriebenen Werkzeugs kann durch ein elektrisches, akustisches, optisches oder elektromechanisches Signal an eine entgegenwirkende reaktive Vorrichtung gemeldet werden, um das anormale Ereignis des angetriebenen Werkzeugs zu stoppen, zu verlangsamen oder zu verhindern.
Eine elektronische aktive oder passive Vorrichtung kann einen oder mehrere Nutzer, die einem oder mehreren spezifischen Werkzeugen zugeordnet sind, zuweisen oder registrieren, bevor die Bedienung dieses Werkzeugs durch den Nutzer möglich ist. Bei der elektronischen aktiven oder passiven Vorrichtung kann es sich um ein mobiles Gerät mit drahtloser Konnektivität handeln, und eine Annäherung des Benutzers kann mit dem mobilen Gerät etabliert werden durch Ausführen einer mobilen Anwendung für die Sicherheit des angetriebenen Werkzeugs.
In einer Implementierung wird das angetriebene Werkzeug deaktiviert, wenn sich das mobile Gerät, auf dem die mobile Anwendung für die Sicherheit von angetriebenen Werkzeugen läuft, nicht in der Nähe des Erkennungssystems für anormale Bewegungen befindet.
In einer Implementierung werden anonyme Zeitseriendaten, die durch die Verwendung des angetriebenen Werkzeugs gesammelt wurden, mit dem mobilen Gerät, auf dem die mobile Anwendung für die Sicherheit von angetriebenen Werkzeugen läuft, an ein Cloud-basiertes, tieflernendes (engl.: deep-learning) Maschinelles-Lern-Modell übertragen und zur Verbesserung der Erkennung zukünftiger gefährlicher Zustände verwendet.
In einer Implementierung gibt die mobile Anwendung für die Sicherheit von angetriebenen Werkzeugen eine Warnung an Mitarbeiter oder Ersthelfer in der Nähe aus, wenn der Benutzer des angetriebenen Werkzeugs die mobile Warnung nicht bestätigt und das angetriebene Werkzeug nicht wieder aktiviert.
In einigen Implementierungen umfasst das System zur Erkennung anormaler Bewegungen einen digitalen Signalprozessor, der das maschinelle Lernmodell als ein neuronales Netzwerk enthält, ein Speichergerät, eine Mehrzweck-E/A, drahtlose Konnektivität, mindestens einen Umgebungssensor, eine Batterie und ein Batterieladegerät.
Eine weitere Implementierung ist ein Verfahren, das Sensordaten von mehreren Sensoren in einem Arbeitsbereich empfängt, wobei die Sensordaten Daten aus einer Messung von Bewegungen eines angetriebenen Werkzeugs in drei Dimensionen umfassen. Die empfangenen Sensordaten werden mit mindestens einem Filter verarbeitet, um unnötiges Rauschen aus den empfangenen Sensordaten zu entfernen, und mit mindestens einem SensorFusionsalgorithmus, um die Sensordaten zu einheitlichen Datenframes zu kombinieren. Die einheitlichen Datenframes werden unter Verwendung eines Maschinellen-Lernen-Modells verarbeitet, das darauf trainiert ist, anormale Bewegungen des angetriebenen Werkzeugs festzustellen, um ein Ausgangssignal zu erzeugen, das bestimmt, ob die Bewegung des angetriebenen Werkzeugs normal ist. Die Ausgabe wird dann an eine reaktive Vorrichtung weitergeleitet. Das Maschinellen-Lernen-Modell kann auf gekennzeichneten (engl.: labeled) Trainingsdaten vortrainiert werden, die erzeugt werden, wenn ein Nutzer ein angetriebenes Werkzeug in einem oder mehreren Trainingsszenarien verwendet. Die Trainingsdaten können als normal gekennzeichnet werden, wenn während der Bewegungserfassung keine anormalen Bewegungsereignisse auftreten. Die Trainingsdaten können als anormal gekennzeichnet und manuell mit einem Zeitstempel eines exakten Ereignisses versehen werden, wenn ein anormales Ereignis eintritt.
Der in dieser Spezifikation beschriebene Gegenstand kann in bestimmten Ausführungsformen implementiert werden, um einen oder mehrere der folgenden Vorteile zu realisieren.
Im Gegensatz zu herkömmlichen Systemen, die nur Bewegungen in 3 oder 6 Freiheitsgraden messen, umfasst das Erkennungssystem für anormale Bewegungen dieser Spezifikation einen Beschleunigungsmesser, ein Gyroskop und einen Magnetometer, um ein System mit neun Freiheitsgraden zu schaffen, in dem Beschleunigung, Rotation und magnetischer Fluss gleichzeitig in allen drei Achsen, z.B. Rollen, Nicken und Gieren, gemessen werden können. Durch die Messung von Daten in neun Freiheitsgraden bietet das System einen höheren Grad an Präzision bei der Erkennung anormaler Bewegungen und führt zu weniger falsch-positiven Ergebnissen als herkömmliche Systeme.
Das System zur Erkennung anormaler Bewegungen koppelt die lokale Messung dieser verschiedenen Erfassungsmodalitäten mit einer lokalen Echtzeitverarbeitung, um die gesamte kinematische Bewegung eines angetriebenen Werkzeugs zu berechnen, während das Werkzeug in Betrieb ist. Die kinetische Gesamtenergie des Systems ist die Summe der linearen Bewegung sowie der Drehbewegung in allen sechs Freiheitsgraden des angetriebenen Werkzeugs im dreidimensionalen Raum.
Das Erkennungssystem für anormale Bewegungen kann auch die Flussrate von Material messen, das die Schneid- oder Bohrvorrichtung von angetriebenen Werkzeugen passiert, z.B. bei der Erkennung von Tischsägebewegungen. Das System kann die 3-dimensionale Relativbewegung eines angetriebenen Werkzeugs und von Material unter Verwendung eines oder mehrerer optischer Flusssensoren und Entfernungsmesssensoren messen. Diese Messung kann dazu beitragen, eine anormale Bewegung des angetriebenen Werkzeugs vom Werkstück zu erkennen. Das System kann dann sofort die Gefahr erkennen und Informationen an eine Steuerung mit entgegenwirkender Technologie senden, um die Energieübertragung vom angetriebenen Werkzeug auf das Werkstück zu stoppen oder erheblich zu verlangsamen. Das System zur Erkennung anormaler Bewegungen kann auch die relative Bewegung zwischen dem angetriebenen Werkzeug und dem Nutzer messen, indem es eine Reihe von am Nutzer und/oder am Werkzeug angebrachten Sensoren verwendet, die Sensoren wie Tiefenkameras, Trägheitsmesseinheiten und Stereokameras umfassen.
Das System verwendet Algorithmen zur Sensorfusion, um die verschiedenen Sensormodalitäten, die jeweils gleichzeitig im dreidimensionalen Raum gemessen werden, zu kombinieren und die echte Relativbewegung zwischen angetriebenen Werkzeugen und ihren jeweiligen Werkstücken zu berechnen.
Mithilfe eines neuronalen Netzwerks, das auf gekennzeichneten Trainingsdaten trainiert wird, um normale von anormalen Bewegungen des angetriebenen Werkzeugs zu unterscheiden, kann das System uncharakteristische oder unerwünschte Bewegungen eines angetriebenen Werkzeugs aus Echtzeit-Nutzungsdaten identifizieren, die während des Betriebs des Werkzeugs erfasst werden. Das System kann auch Daten erfassen, wie z.B. Bewegungsprofile unter verschiedenen Bedingungen, d.h. Tageszeit, Temperatur, Feuchtigkeit, ununterbrochene Nutzungsstunden usw. In einem Offline-Prozess kann das System diese erfassten Daten durch Tiefenlernalgorithmen (deep-learning Algorithmen) laufen lassen, um die Risikobewertungen für angetriebene Werkzeuge zu verfeinern, und die verfeinerten Tiefenlernalgorithmen verwenden, um Trends zu bestimmen, die bei der Vorhersage risikoreicher Nutzungsszenarien helfen können, und die eingesetzten neuronalen Netzwerkmodelle verfeinern, um anormale Bewegungen bei bestimmten Nutzungsszenarien vorherzusagen.
Zusätzlich zur schnellen Erkennung und Vorhersage uncharakteristischer oder unerwünschter Bewegungen kann das System zur Erkennung anormaler Bewegungen optional eine mobile Anwendung umfassen, die Profile für Benutzer von angetriebenen Werkzeugen enthält. Diese benutzerspezifischen Profile helfen dem Erkennungssystem für anormale Bewegungen, die Besitzer von angetriebenen Werkzeugen zu identifizieren und zwischen der typischen Verwendung eines bestimmten angetriebenen Werkzeugs für einen Nutzer und nicht charakteristischen gefährlichen Bedingungen zu unterscheiden. Das System kann die mobile Anwendung auch dazu verwenden, um andere auf Probleme aufmerksam zu machen, wenn schwere anormale Bewegungen erkannt werden.
Das System kann auch drahtlose Konnektivität, eine Speichervorrichtung, eine Mehrzweck-E/A, einen Umgebungssensor, eine Batterie und ein Batterieladegerät umfassen, um ein Sicherheitssystem zu schaffen, das in ein angetriebenes Werkzeug integriert oder einem angetriebenen Werkzeug hinzugefügt werden kann.
Die Einzelheiten einer oder mehrerer Ausführungsformen des Gegenstands dieser Spezifikation sind in den beigefügten Zeichnungen und der nachstehenden Beschreibung aufgeführt. Andere Merkmale, Aspekte und Vorteile des Gegenstands werden aus der Beschreibung, den Zeichnungen und den Ansprüchen ersichtlich.
Figurenliste

1 veranschaulicht ein Erkennungssystem für anormale Bewegungen, das dynamisch bestimmt, ob eine Bewegung eines angetriebenen Werkzeugs in einem Arbeitsbereich anormal ist.
2 veranschaulicht ein Beispiel eines angetriebenen Werkzeugs mit Sensoren und einer Verarbeitungsvorrichtung des in das Werkzeug eingebetteten Systems zur Erkennung anormaler Bewegungen.
3 zeigt ein Erkennungssystem für anormale Bewegungen, das ein intelligentes Headset verwendet, um dynamisch zu bestimmen, ob eine Bewegung eines angetriebenen Werkzeugs in einem Arbeitsbereich anormal ist.
4 illustriert ein Beispiel-Flussdiagramm eines Beispielprozesses für ein dynamisches Bestimmen einer anormalen Bewegung eines angetriebenen Werkzeugs in einem Arbeitsbereich.

Ähnliche Bezugszeichen und Bezeichnungen in den verschiedenen Zeichnungen weisen auf ähnliche Elemente hin.
DETAILLIERTE BESCHREIBUNG
Die Spezifikation beschreibt im Allgemeinen ein Erkennungssystem für anormale Bewegungen, das dynamisch anormale Bewegungen eines angetriebenen Werkzeugs in einem Arbeitsbereich erkennt.
Wie in dieser Spezifikation verwendet, bezieht sich der Begriff „angetriebenes Werkzeug“ auf jedes Werkzeug mit einem oder mehreren bewegten Teilen, die von einem Aktuator bewegt werden, wie z. B. einem Elektromotor, einem Verbrennungsmotor, einem Hydraulik- oder Pneumatikzylinder und dergleichen. Zu den angetriebene Werkzeugen gehören beispielsweise, aber nicht ausschließlich: Kappsägen, Gehrungssägen, Tischsägen, Kreissägen, Säbelsägen, Stichsägen, Bandsägen, Kaltsägen, Cutter, Schlagschrauber, Winkelschleifer, Bohrmaschinen, Verbinder, Nagler, Schleifer, Trimmer und Fräsen.
Darüber hinaus bezieht sich der Begriff „Arbeitsgerät“, wie er in dieser Spezifikation verwendet wird, auf ein bewegliches Teil des angetriebenen Werkzeugs, das während des Betriebs des angetriebenen Werkzeugs zumindest teilweise freiliegt. Beispiele für Arbeitsgeräte in angetriebenen Werkzeugen sind unter anderem: rotierende und hin- und hergehende Sägeblätter, Bohrer, Fräser, Schleifscheiben, Schleifräder und dergleichen.
Das Erkennungssystem für anormale Bewegungen verbessert herkömmliche Bewegungserkennungssysteme für angetriebene Werkzeuge, indem es mit Hilfe eines Maschinelles-Lernen-Modells zur Bestimmung anormaler Bewegungen bei angetriebenen Werkzeugen hochpräzise Genauigkeit und geringe falsch-positive Ergebnisse liefert.
Herkömmliche Systeme erkennen anormale Bewegungen in angetriebenen Werkzeugen mit Hilfe von Beschleunigungsmessern oder Gyroskopen, die die Systeme zur Messung einer Beschleunigung oder Drehung in einer oder mehreren Achsen von angetriebenen Werkzeugen verwenden. Diese herkömmlichen Systeme vergleichen die gemessenen Werte mit einem vorgegebenen Schwellenwert und lösen einen Schaltkreis aus, wenn der Schwellenwert erreicht wird. Beim Auslösen des Schaltkreises wird eine reaktive Vorrichtung aktiviert, die auf die anormale Bewegung reagiert, z.B. die Stromversorgung unterbricht oder eine Bremse betätigt.
Diese herkömmlichen Modalitätssysteme mit nur einem Sensor charakterisieren die Bewegung von angetriebenen Werkzeugen jedoch nicht vollständig und sind anfällig für Fehlalarme, die durch charakteristische Vibration und Drehung sowie inkorrekte oder uneindeutige Messungen aufgrund von Einschränkungen im Erfassungsansatz erzeugt werden.
Da viele angetriebene Werkzeuge eine sehr große Menge an Vibrationen erzeugen, darf der Schwellenwert nicht sehr hoch angesetzt werden, so dass echte anormale Bewegungsereignisse, d.h. Rückschläge, nicht von Vibrationsrauschen unterschieden werden können oder zu spät erkannt werden. Umgekehrt erzeugen konventionelle Systeme, wenn der Schwellenwert zu niedrig eingestellt ist, bei normalem, sicherem Gebrauch zu viele falsch-positive Ergebnisse und halten die Nutzer davon ab, die Sicherheitsfunktion für anormale Bewegungen zu aktivieren. Darüber hinaus verwenden die meisten konventionellen Systeme Abtastmodalitäten, die auf weniger als sechs Freiheitsgrade beschränkt sind, was bedeutet, dass einige Bewegungen möglicherweise nicht erkannt werden, was zu gefährlichen falschnegativen Ergebnissen bei der Erkennung anormaler Bewegungen führt.
Wenn sie beispielsweise unabhängig voneinander verwendet werden, können weder ein 3-Achsen-Beschleunigungsmesser noch ein 3-Achsen-Gyroskop absolute Bewegungen messen. Ein Beschleunigungsmesser ist in der Lage, lineare Beschleunigung in drei Dimensionen zu messen (einschließlich Erdbeschleunigung), aber der Sensor hat Schwierigkeiten, Rotation in allen Achsen genau zu messen. In ähnlicher Weise misst ein Gyroskop die Rotation um jede Achse, ist jedoch unempfindlich gegenüber linearen Bewegungen entlang dieser Achsen. Die Kombination der beiden Sensoren schafft ein System mit sechs Freiheitsgraden, in dem Beschleunigung und Rotation gleichzeitig in allen drei Achsen gemessen werden. Die Fusion aller drei Achsen ist jedoch eine große Herausforderung, insbesondere wenn jeder Sensor diskret mit einem Versatz zwischen den Achsen von Beschleunigungsmesser und Gyroskop verpackt ist.
Ein Beispiel für ein System zur Erkennung anormaler Bewegungen, wie in dargestellt, bestimmt, ob eine erkannte Bewegung des angetriebenen Werkzeugs bei bestimmten Sensordaten, z.B. Daten vom angetriebenen Werkzeug selbst und, optional, Daten vom Benutzer und/oder von externen Sensoren, normal ist. Das System misst mehrere Erfassungsmodalitäten in drei Dimensionen, um die gesamte kinematische Bewegung eines angetriebenen Werkzeugs während des Einsatzes zu berechnen. Das System verwendet auch Algorithmen zur Sensorfusion, um die Sensormodalitäten zu kombinieren und die wahre Relativbewegung zwischen einem angetriebenen Werkzeug, einem Werkstück und einem Benutzer zu berechnen. Das System führt dann Inferenz (Rückschlüsse) auf einem vortrainierten neuronalen Netzwerk aus, um festzustellen, ob die vom angetriebenen Werkzeug erfasste Bewegung für das jeweilige angetriebene Werkzeug erwünscht oder unerwünscht ist.
In einigen Implementierungen kann das System das neuronale Netzwerk anhand benutzerspezifischer Daten vortrainieren, um festzustellen, ob die vom angetriebenen Werkzeug erfasste Bewegung normal oder anormal ist, basierend auf dem spezifischen Benutzer, der das Werkzeug verwendet. In anderen Implementierungen trainiert das System das neuronale Netzwerk anhand von Trainingsdaten vor, die von mehreren Benutzern gesammelt wurden und die generisch normale und anormale Werkzeugbewegungen zeigen.
1 veranschaulicht ein Beispiel für das Erkennungssystem 100 für anormale Bewegungen, das dynamisch bestimmt, ob die Bewegung eines angetriebenen Werkzeugs 105 in einem Arbeitsbereich 110 anormal ist. Das Erkennungssystem 100 für anormale Bewegungen ist ein Beispiel für ein System, das als Computerprogramm auf einem oder mehreren Computern an einem oder mehreren Standorten implementiert ist und in dem die unten beschriebenen Systeme, Komponenten und Techniken implementiert werden können.
In einigen Implementierungen kann das Erkennungssystem 100 für anormale Bewegungen die Verwendung des angetriebenen Werkzeugs 105, bevor ein registrierter Benutzer 102 anwesend ist, um das Werkzeug zu verwenden, verhindern, indem es seinen Standardzustand als ausgeschaltet hat.
Ein oder mehrere elektronische aktive oder passive drahtlose Annäherungsvorrichtungen (englisch: proximity device) können verwendet werden, um einen oder mehrere Benutzer, die einem oder mehreren spezifischen Werkzeugen zugeordnet sind, zuzuweisen oder zu registrieren, bevor der Betrieb dieses Werkzeugs durch den Benutzer möglich ist. Ein solches Gerät kann einen mobilen elektronischen Schlüsselanhänger oder eine mobile Anwendung auf einem Telefon oder einem anderen Gerät umfassen, um einen Benutzer als Eigentümer oder als dem Werkzeug zugeordnet zu registrieren. In einigen Ausführungsformen können solche Geräte es einem oder mehreren Benutzern nur dann erlauben, das Werkzeug zu bedienen, wenn die Annäherungsvorrichtung auf den spezifischen Benutzer geschlüsselt ist, um ein oder mehrere spezifizierte Werkzeuge zu benutzen. Eine Verarbeitungsvorrichtung 114 innerhalb des Werkzeugs oder anderweitig mit dem Werkzeug verbunden, kann über eine drahtlose Verbindung 117 verfügen, z.B. Bluetooth, um mit einem elektronischen Gerät, z.B. einem Smartphone, zu kommunizieren. In einer Ausführungsform werden ein Mobiltelefon und eine Anwendung verwendet, und in einigen Implementierungen wird das Telefon bei dem Werkzeug registriert, indem sich ein Benutzer bei der Anwendung anmeldet und das Werkzeug mit dem Telefon verbindet. Sobald das Werkzeug im Registrierungsprozess mit dem Telefon verbunden wird, kann das Werkzeug als Bluetooth-Bake fungieren.
Das System 100 kann dann eine mobile Anwendung verwenden, die auf dem dem Benutzer zugeordneten Mobilgerät 101 läuft, um festzustellen, wann der Besitzer des Werkzeugs oder eine andere dem Werkzeug zugeordnete Person das Werkzeug bedient. Wenn das Werkzeug das Telefon eines registrierten Benutzers in einer vorher festgelegten Nähe erkennt, kann sich das Werkzeug selbst entsperren. Diese mobile Anwendungsfunktion ist optional und nicht in jeder Implementierung des Erkennungssystems für anormale Bewegungen erforderlich und braucht überhaupt nicht verwendet werden. Darüber hinaus sind die Funktionen der mobilen Anwendung nicht auf die Verwendung auf einer mobilen Anwendung beschränkt und können in jede Art von Gerät implementiert werden, das eine Kommunikation über eine drahtlose Verbindung ermöglicht, die ein Synchronisieren eines oder mehrerer Benutzer mit einem bestimmten Werkzeug und die Aktivierung des Werkzeugs ermöglicht.
Wie in 1 dargestellt, überwacht das Erkennungssystem 100 für anormale Bewegungen die Bewegung eines angetriebenen Werkzeugs 105, während es von einem Benutzer 102 verwendet wird, und sammelt Sensordaten von mehreren Sensoren, z.B. Sensor 103, 104, 106, 107 und 109, in einem Arbeitsbereich 110 eines Benutzers 102, der ein angetriebenes Werkzeug 105 auf einem Werkstück 108 verwendet.
Bewegungssensoren 104 können sich im Hauptsensorgehäuse eines angetriebenen Werkzeugs 105 befinden. Diese Bewegungssensoren können einen Beschleunigungsmesser 104a, ein Gyroskop 104b und einen Magnetometer 104c umfassen. Die Bewegungssensoren 104 können auch ein Barometer zur Höhenmessung umfassen. Die Bewegungssensoren 104 können zusätzlich Temperatur- und Feuchtigkeitssensoren umfassen. Einer oder mehrere der Sensoren messen in drei orthogonalen Achsen, X (Rollen), Y (Nicken) und Z (Gieren).
In einer Ausführung können sich die Bewegungssensoren 104 auf einem einzigen Chip befinden, der in oder auf dem angetriebenen Werkzeug 105 platziert ist. In einigen Implementierungen sind diese Sensoren zusammen in einem einzigen Chip angeordnet. Der Chip kann sich auf einer Leiterplatte befinden, die typischerweise in den Griff passt und mit der Auslöseelektronik eines angetriebenen Werkzeugs verbunden ist. Zum Beispiel kann das System 100 zur Erkennung anormaler Bewegungen einen Sensorchip verwenden, der einen vollständig integrierten multimodalen, mehrachsigen Sensor mit eingebetteten Algorithmen zur Sensorfusion in einem einzigen Chip besitzt. Dieser Chip verfügt über einen Sensor mit neun Freiheitsgraden, der einen 3-Achsen-Beschleunigungsmesser, ein 3-Achsen-Gyroskop und ein 3-Achsen-Magnetometer mit einem integrierten Prozessor und einem vorprogrammierten Sensorfusionsalgorithmus verwendet. Es kann jedoch jeder vergleichbare Sensorchip in den Ausführungsformen der Erfindung verwendet werden.
Mit Hilfe der Bewegungssensoren 104 kann das Erkennungssystem 100 für anormale Bewegungen die gesamte kinematische Bewegung eines angetriebenen Werkzeugs 105 berechnen, während das Werkzeug in Betrieb ist. Die kinetische Gesamtbewegung bezieht sich auf die Summe der linearen Bewegung sowie der Rotationsbewegung in allen sechs Achsen. Algorithmen zur Sensorfusion kombinieren mehrere Sensormodalitäten, die jeweils gleichzeitig im dreidimensionalen Raum gemessen werden, so dass das System eine echte Relativbewegung zwischen einem angetriebenen Werkzeug 105 und einem Werkstück 108 berechnen kann.
Fernsensoren 103 sind Sensoren, die an dem Werkzeug z.B. in der Nähe einer Kette, einer Schneide, einer Führung oder eines Motors des angetriebenen Werkzeugs 105 platziert werden können, jedoch getrennt von den Bewegungssensoren in dem Sensorchip. Bei einigen Werkzeugen ohne elektrisches Feld an einem Motor, z.B. einer gasbetriebenen Kettensäge, kann ein zusätzlicher Hall-Effekt-Sensor in der Nähe der Kette angebracht werden, um eine Rotation zu erfassen. Bei einigen Implementierungen enthalten die Fernsensoren 103 einen zusätzlichen Beschleunigungsmesser an einem Motor des angetriebenen Werkzeugs, um die durch den Motor verursachten Eigenschwingungen zu erkennen, die von der gesamten Werkzeugbewegung abgezogen werden.
Ein Umgebungssensor 106 ist ein Sensor, der Informationen über die Umgebung des Arbeitsbereichs 110 liefert. Das System 100 kann mit mindestens einem Umgebungssensor 106 ausgestattet sein, der Informationen über Zeit, Temperatur, Umgebungslicht und Feuchtigkeit liefern kann, aber nicht auf diese beschränkt ist. Der Umgebungssensor 106 kann alternativ oder zusätzlich geo-lokalisierende Sensoren wie GPS, NFC, WIFI und/oder Mobilfunkmasten-Triangulation umfassen. Umgebungssensoren können auch an dem angetriebenen Werkzeug angebracht werden.
Ein Werkstück-Entfernungsmesser-Sensor 107, z.B. ein mechanischer Entfernungsmesser, ein Ultraschall-Entfernungsmesser oder eines von vielen optischen Entfernungsmessgeräten, kann an einem angetriebenen Werkzeug 105 platziert werden, oder optische Referenzpunkte können an einem Werkstück 108 platziert werden, um Entfernungsdaten zu erfassen. Messbereichssensoren können werkzeugspezifisch sein, und welcher Messbereichssensor auch immer für ein bestimmtes Werkzeug erforderlich ist, kann am Werkzeug angebracht werden, wobei das Werkstück betrachtet oder berührt werden kann. Ein mechanischer Entfernungsmesssensor kann zum Beispiel ein Stößel- oder ein Peitschenschalter sein. Ein optischer Entfernungsmesssensor kann ein Time-of-Flight-Ranger, Triangulation durch Reflexion oder ein Kontinuierliche-Welle-Phasen-Detektor (englisch: continuous wave phase detector) sein. Optische Referenzpunkte sind Aufkleber, die ein Benutzer an ein Werkstück anhaften kann, und eine Kamera an dem Werkzeug kann auf den Aufkleber fokussieren, um eine Flussrate zu messen.
Ein oder mehrere Werkstück-Flussmesser-Sensoren 109, z.B. ein magnetischer Flussratensensor, ein Ultraschall-Flussratensensor, ein HF-Flussratensensor, ein kapazitiver Flussratensensor, ein mechanischer Flussratensensor (z.B. Trackball) oder ein optischer Flussratensensor ähnlich dem, der üblicherweise in einer optischen Maus an einem angetriebenen Werkzeug 105 zu finden ist, oder ein anderes optisches Verfahren verwendend optische Referenzpunkte, die an dem Werkstück angebracht werden. Dieser Werkstück-Flussmesser-Sensor 109 misst die Flussrate von Material, welches das Schneid- oder Bohrwerkzeug 105 passiert. Unter Verwendung eines optischen Flussratensensors sowie eines üblichen IR-Näherungssensors kann das System 100 die dreidimensionale Relativbewegung von Werkzeug und Material messen.
Ein oder mehrere Flussraten-Sensoren können auch in einer Anwendung mit festem Werkzeug, wie z.B. einer Tischsäge, verwendet werden. Beispielsweise kann ein optischer Sensor an der Unterseite einer Tischsäge positioniert werden, die zum Werkstück hinaufschaut. Sensoren können an mehreren Stellen an beiden Seiten des Sägeblatts angebracht werden und die Bewegung des Materials beobachten, das in unmittelbarer Nähe vorbeiläuft. Wenn das Material in der Ebene des Tisches zu schnell beschleunigt wird oder sich zu schnell von der Tischoberfläche abhebt, kann das System feststellen, dass das Material vom Sägeblatt erfasst wurde und vom Werkzeug ausgestoßen wird. In diesen Fällen kann das System ein reaktives Gerät 115 alarmieren, um das Sägeblatt schnell anzuhalten.
Unter Bezugnahme auf 2 kann bei einigen Implementierungen der größte Teil des Systems 100 zur Erkennung von Anomalien an einem angetriebenen Werkzeug 200, z.B. einer Kettensäge, konsolidiert sein. Wie dargestellt, enthält das angetriebene Werkzeug 200 die Verarbeitungsvorrichtung 114 und Bewegungssensoren 104 in seinem Griff. Umgebungssensoren für Temperatur, Feuchtigkeit und ein Barometer können im Griff oder an anderen geeigneten Stellen des Werkzeugs angebracht werden. Fernsensoren 103 sind in der Nähe einer Kette oder eines Motors des angetriebenen Werkzeugs 200 angebracht. Ein oder mehrere Flussratensensoren 109 und ein Entfernungsmesssensor sind an der Grundplatte der Säge 200 angebracht. Das Werkzeug kann einen Blick durch das Loch in der Grundplatte werfen, um die X-Y-Z-Bewegung des Werkstücks zu messen, wobei X-Y die Ebene des Werkstücks und Z senkrecht zu dieser Ebene ist. Die Sensoren 103, 104 und 109 können über drahtgebundene oder drahtlose Kommunikation mit der Verarbeitungsvorrichtung 114 kommunizieren.
In einer Implementierung ist das angetriebene Werkzeug 200 eine Tischsäge, die keine Bewegungssensoren benötigt, da das Werkzeug stationär ist. Die Flussraten- und Entfernungsmesssensoren schauen nach oben und messen das Werkstück, das sich über eine Tischoberfläche bewegt. Diese Sensoren sind für eine Erkennung anormaler Bewegungen, z.B. Rückschlag, von entscheidender Bedeutung. Die Tischsäge kann auch Temperatur-, Feuchtigkeits- und Fernsensoren am Motor oder Sägeblatt umfassen, um nützliche Informationen zu sammeln.
Auf 1 zurückkommend ermöglicht bei einigen Implementierungen die Bluetooth-Kommunikation zwischen dem Telefon des Benutzers und dem angetriebenen Werkzeug dem Erkennungssystem 100 für anormale Bewegungen, die Beziehung zwischen dem Benutzer und dem angetriebenen Werkzeug zu verstehen. Beispielsweise kann das System in der Lage sein, festzustellen, wann sich der Benutzer in einer definierten Nähe des angetriebenen Werkzeugs befindet, so dass das Werkzeug in einem sicheren Zustand verriegelt werden kann, wenn sich der Benutzer außerhalb der definierten Nähe befindet, und entriegelt und einsatzbereit ist, wenn sich der Benutzer innerhalb der definierten Nähe befindet.
Wie in 1 dargestellt, werden im System 100 Sensordaten in Echtzeit erfasst und von der Verarbeitungsvorrichtung 114, z.B. einem Mikrocontroller, verarbeitet. Die Verarbeitungsvorrichtung 114 kann eine oder mehrere der folgenden Komponenten enthalten: einen Speicher 110 zum Speichern von Sensordaten, einen Umgebungssensor 106d zum Sammeln von Informationen über die Umgebung des Arbeitsbereichs 110, eine drahtlose Verbindung 117, einen Mehrzweck-Ein-/Ausgang 118, eine Batterie 119, ein Batterieladegerät 120 und ein Maschinelles-Lernen-Modell 112, das darauf trainiert ist, anormale Bewegungen eines angetriebenen Werkzeugs zu bestimmen.
Die Sensordaten, z.B. Bewegungsdaten von einem oder mehreren Sensoren, können drahtlos oder über ein Kabel an die Verarbeitungsvorrichtung 114 gesendet werden. In einigen Implementierungen werden die Sensordaten mit einem Sensor erfasst, der sich auf derselben Leiterplatte wie die Verarbeitungsvorrichtung 114 befindet. In anderen Implementierungen verlässt sich das System 100 auf die Netzwerkfähigkeiten der Sensoren, um die Daten direkt an die Verarbeitungsvorrichtung 114 zu senden. Ein oder mehrere Umgebungssensoren 106d können sich auf dem angetriebenen Werkzeug 105 befinden und von der Verarbeitungsvorrichtung 114 verarbeitet werden.
Sobald die Verarbeitungsvorrichtung 114 die Sensordaten empfängt, kann die Verarbeitungsvorrichtung die Daten in einem Speicher 110 speichern. In einigen Implementierungen bildet ein Speicher-Controller 110 der Verarbeitungsvorrichtung 114 eine Schnittstelle mit jedem Sensor, um jede Messung des einen oder der mehreren Sensoren zu erfassen, zeitlich zu synchronisieren und zu speichern. Die Messungen können zur schnellen Wiederherstellung während der Verarbeitung in einem Speicher mit wahlfreiem Zugriff (random access memory) oder zur Langzeitspeicherung in einem Flash-Speicher gespeichert werden. In einigen Implementierungen sammelt die Verarbeitungsvorrichtung 114 Daten von allen Sensoren, versieht sie mit Zeitstempeln und lädt sie zur weiteren Verarbeitung in einen Kurzzeitspeicher und komprimiert und verschiebt die Sensordaten nach der Verarbeitung in einen Langzeitspeicher.
Während der Verarbeitung, z.B. einer digitalen Signalverarbeitung, verarbeitet die Verarbeitungsvorrichtung 114 die Sensordaten mit Hilfe von Filtern und Fusionsalgorithmen. Das System 100 verwendet Filteralgorithmen und -verfahren, um störendes oder unnötiges Rauschen aus Signaleingangsströmen zu entfernen. Zu den Filtern können gehören: Hoch- und/oder Tiefpassfilterung oder Bandpassfrequenzfilterung; Anwendung bekannter physikalischer Einschränkungen von angetriebenen Werkzeugen, z.B. da sich eine Kreissäge beim Schneiden nur vorwärts und rückwärts bewegt, können geringfügige seitliche Bewegungen herausgefiltert werden; Glättungsfilter wie laufende Mittelwerte oder Spline-Interpolation; prädiktive Filter und Dead-Reckoning wie Kalman-Filter.
Der Prozessor 114 wendet Algorithmen und Methoden zur Sensorfusion an, um Daten von allen Bewegungssensoren zu kombinieren und so eine vollständige Charakterisierung der Bewegung des Werkzeugs zu erstellen. Alle Daten werden ordnungsgemäß skaliert, normalisiert und gefiltert. Dieser Prozess erstellt einen einheitlichen Frame für jeden Zeitschritt der erfassten Bewegung.
Das System 100 zur Erkennung anormaler Bewegungen verwendet den einheitlichen Frame für jeden Zeitschritt der erfassten Bewegung als Input für ein Maschinelles-Lern-Modell 112 des Prozessors 114, um festzustellen, ob eine Bewegung von einem angetriebenen Werkzeug 105 anormal ist.
In einigen Implementierungen ist das Maschinelles-Lernen-Modell 112 ein neuronales Netzwerk. Neuronale Netze sind Maschinelles-Lernen-Modelle, die eine oder mehrere Schichten von Neuronen verwenden, um eine Ausgabe, z.B. eine oder mehrere Klassifikationen, für eine empfangene Eingabe zu erzeugen. Neuronale Netze können zusätzlich zu einer Ausgabeschicht eine oder mehrere verborgene Schichten (hidden layer) enthalten. Die Ausgabe jeder verborgenen Schicht kann als Eingabe für die nächste Schicht des Netzwerks, d.h. die nächste verborgene Schicht oder die Ausgabeschicht, verwendet werden, und Verbindungen können auch Schichten umgehen oder innerhalb derselben Schicht zurückkehren, wie es in einer wiederkehrenden Netzwerkeinheit (recurrent network unit) der Fall ist. Jede Schicht des neuronalen Netzes erzeugt aus ihren Eingaben eine Ausgabe in Übereinstimmung mit der Netzwerkarchitektur und einem entsprechenden Satz von Parametern für die Schicht. Zusätzlich zu typischen Gewichten und systematischen Abweichungen (bias), die durch übliche Praktiken trainiert werden müssen, wie z.B., aber nicht beschränkt auf, stochastischen Gradientenabstieg (stochastic gradient descent), kann das Netzwerk Gatter zum Halten von Speicher sowie Gatter zum Entfernen von Daten aus dem Speicher enthalten, wie z.B. in einem LSTM-Netzwerk (Long Short-Term Memory). Ein zustandsbehaftetes Netzwerk wie das LSTM hilft bei einer Sequenzklassifizierung und ermöglicht es dem Netzwerk, den Kontext aktueller Daten auf der Grundlage früherer Ereignisse zu verstehen.
Das Maschinelles-Lernen-Modell 112 ist darauf trainiert, anormales Verhalten für bestimmte angetriebene Werkzeuge zu bestimmen. In einem repräsentativen Testsystem, z.B. einem angetriebenen Werkzeug 105, ist eine Datenerfassungseinheit, z.B. eine Verarbeitungsvorrichtung 114, installiert, die dieselben Sensoren aufweist, die auch in dem in einem Arbeitsbereich eingesetzten System zur Erkennung anormaler Bewegungen verwendet werden. Das Testsystem sammelt in Testszenarien Daten mit der gleichen Abtastrate, wie sie beim Einsatz und Betrieb des Systems 100 zur Erkennung anormaler Bewegungen in einem Nicht-Testmodus verwendet wird. Während des Testens führt ein Benutzer normale tägliche Operationen mit einem angetriebenen Werkzeug durch, und das System 100 im Testmodus erfasst und speichert die normalen Betriebsdaten. Wenn keine anormalen Bewegungsereignisse auftreten, z.B. keine Kickbacks, speichert das System 100 den Datensatz in einer Datenbank, die als normal bezeichnet wird. Dieser Vorgang wird mit einer repräsentativen Stichprobe von Benutzern wiederholt, die eine repräsentative Stichprobe der täglichen Operationen mit dem Werkzeug durchführen. Darüber hinaus können ein 3D-Modell des Werkzeugs und eine physikbasierte Simulation verwendet werden, um synthetische Trainingsdaten für den normalen Gebrauch zu erzeugen.
Um einen robusten Datensatz für jedes Werkzeug zu erstellen, generiert das System 100 im Testmodus auch eine Datenbank mit anormalen Bewegungsereignissen für jedes Werkzeug. Da es unsicher ist, Benutzer aufzufordern, ein angetriebenes Werkzeug absichtlich falsch zu verwenden, wird eine Testvorrichtung konstruiert, um das Werkzeug zu sichern und Verletzungen zu verhindern. Die anormale Bewegung wird durch absichtliches Aufprallen des Schneidearbeitsgeräts auf das zu schneidende Material hervorgerufen.
Als Beispiel kann eine Kreissäge verwendet werden, um ein Brett bis auf halbe Länge zu schneiden und dann mit einer Klemme in ein Material eingeklemmt zu werden. Der Auslöser wird in der Ein-Position befestigt, so dass beim Anlegen der Spannung die Hinterkante des Sägeblatts sofort auf dem Brett Halt findet und das Werkzeug vom Brett springt. Ein solches Szenario ist nicht 100%ig repräsentativ für ein reales Ereignis, aber ausreichend, um das neuronale Netz für das Maschinelles-Lernen-Modell 112 zu trainieren. Zusätzlich kann ein auf 3D-Physik basierender Simulator programmiert werden, um synthetische Daten eines repräsentativeren anormalen Bewegungsereignisses aus der realen Welt zu erzeugen.
Die Zeitreihendaten, die anormale Bewegungsereignisse repräsentieren, werden gekennzeichnet (gelabelt) und manuell mit einem Zeitstempel des genauen Ereignisses versehen. Beispielsweise kann eine Zeitreihe, die ein Kickback-Ereignis enthält, 250 ms lang sein, wobei das tatsächliche Kickback-Ereignis 150 ms in der Zeitreihe auftritt. Die gesamten Zeitreihendaten von 250 ms können als anormale Bewegung gekennzeichnet werden, wobei das tatsächliche Ereignis bei 150 ms als Rückschlag-Ereignis bezeichnet werden kann. Dieser Kennzeichnungsvorgang erfolgt durch manuelle Prüfung der Daten und Bestimmung des Zeitpunkts, an dem das Ereignis eintrat.
In einigen Implementierungen, z. B. bei Ereignissen an Testvorrichtungen, wird die Inspektion durch den Einsatz von zeitsynchronisierten Videogeräten unterstützt. Bei synthetisierten Ereignissen in der Simulation ist eine manuelle Inspektion nicht erforderlich, da der Zeitpunkt des Ereignisses in die Simulation integriert ist. Ebenso ist für „normale“ Anwendungsfälle kein Zeitstempel erforderlich, da keine anormale Bewegung aufgetreten ist.
Daten sowohl aus dem normalen Gebrauch als auch aus Ereignissen anormaler Bewegung werden dann konsolidiert und in zwei Kategorien unterteilt: Training und Testen. Im Allgemeinen werden 60% bis 80% der Daten für das Training verwendet und der Rest ist für das Testen des neuronalen Netzes des Maschinelles-Lernen-Modell 112 während des Trainings reserviert. Das Maschinelles-Lernen-Modell 112 wird mit Hilfe von Techniken wie z.B. stochastischem Gradientenabstieg und Rückpropagation (back propagation) auf die Trainingsdaten trainiert, ist aber nicht darauf beschränkt. Das Training des Maschinelles-Lernen-Modells des Systems 100 zur Erkennung anormaler Bewegungen mit bekannter normaler Bewegung sowie bekannter anormaler Bewegung des angetriebenen Werkzeugs ermöglicht es dem Modell, die Unterschiede zwischen normaler und anormaler Bewegung für einzelne angetriebene Werkzeuge effektiver zu erkennen.
In einer Studie aus dem Jahr 2015, die vom International Journal of Occupational Safety and Ergonomics veröffentlicht wurde, charakterisiert Andrzej Dabrowski zum Beispiel die Gesamtenergie, die einer Kettensäge durch Rückschlag beim Schneiden von Holz unterschiedlicher Härte, Feuchtigkeitsniveaus und Temperatur zugeführt wird. Es wird angenommen, dass aus logistischen und/oder Sicherheitsgründen nur eine einzige Bewegungsebene untersucht wurde. Die theoretische Gesamtenergie ist durch die folgende Gleichung gegeben $E_{p} = \frac{J_{s} \times (ω_{s}^{2} - ω_{s 1}^{2}) + J_{p} \times ω_{s}^{2}}{2} (J),$
wobei JP = die Trägheit des Kettensägeblattes und des Tragsystems und JS = die Trägheit des Motors und des Tragsystems. Die Gleichung beschreibt die Gesamtenergie, die potenziell in lineare oder rotatorische kinetische Energie der gesamten Kettensägenbaugruppe umgewandelt werden könnte, wodurch der Nutzer auf gefährliche Weise die Kontrolle über das System verlieren könnte.
Die umgewandelte Gesamtenergie wurde mittels Hochgeschwindigkeitsvideo gemessen, um die lineare und rotatorische Bewegung während des Ereignisses zu bewerten. Die umgewandelte Gesamtenergie wird angegeben als $E_{o} = W_{h} + W_{r} (J),$
wobei Wh = Energie der Horizontalbewegung und Wr = Energie der Drehbewegung. Unter Berücksichtigung dieser beiden Gleichungen wird ein Koeffizient (ko) definiert als das Verhältnis der gesamten Rückschlagenergie zur maximalen kinetischen Energie, die von dem sich bewegenden Motor und dem Sägeblatt zur Verfügung steht. ko wird unter verschiedenen Testbedingungen und verschiedenen Prüfgegenständen gemessen und verglichen. $k_{o} = \frac{E_{0}}{E_{p}},$
Während der Experimente hat sich gezeigt, dass Rückschlagenergie und -winkel von vielen Faktoren abhängen, einschließlich der Richtung der Holzfasern im Verhältnis zur Schnittfuge sowie von Härte, Temperatur und Feuchtigkeitsgehalt. Die Linear- und Drehbewegung des Rückschlags ist jedoch auf eine einzige Ebene beschränkt. In einem realen Szenario würde die Drehbewegung des Motors sowie des Blattes eine gyroskopische Präzession orthogonal zur Drehachse induzieren, was für die vorliegende Erfindung relevant ist. Ein Messen von Bewegung und Rotation in weniger als 6 Freiheitsgraden eliminiert mindestens eine Komponente des Gesamtbewegungsvektors und schwächt ab oder verzerrt die Messung proportional. Diese Abschwächung oder Verzerrung unterstreicht die Notwendigkeit einer vollständigen Bewegungscharakterisierung.
Der Rückschlagwinkel in diesen Experimenten wurde als zwischen 5 und 52 Grad variierend gemessen, was darauf hindeutet, dass ein vorgegebenen Schwellenwert für die Drehbewegung unzureichend wäre.
Durch periodisches Testen des neuronalen Netzes des Maschinelles-Lernen-Modells 112 mit Daten, die es während des Trainings nicht gesehen hat, kann die Leistung des Trainings überwacht und die erwartete Leistung anhand von Daten aus der realen Welt vorhergesagt werden.
Sobald das Training abgeschlossen ist (d.h. die Genauigkeit ist ausreichend hoch und der Fehler (Verlust) ausreichend gering, wie an den Testdaten über viele Trainingszyklen hinweg gemessen wurde), werden die Gewichte, systematischen Abweichungen und Gatter des Netzwerkes eingefroren und in einer minimierten, einsatzfähigen Version des neuronalen Netzes 100 gespeichert. Dieses eingefrorene neuronale Netzwerk des Maschinelles-Lernen-Modells 112 wird dann in Software und/oder Firmware auf dem eingebetteten Prozessor 114 implementiert. Der Prozessor 114 kann innerhalb des Werkzeugs montiert oder auf dem Werkzeug platziert werden und in Kommunikation mit Datennetzwerken mittels drahtgebundener oder drahtloser Technologie stehen.
Nach dem Training kann das System 100 das eingefrorene neuronale Netz des maschinellen Lernmodells 112 auf Echtzeitdaten anwenden, um anormale Bewegungen in realen Szenarien zu bestimmen. Sobald das System 100 in einem Arbeitsbereich 110 eingesetzt und ein angetriebenes Werkzeug 105 aktiviert wurde, sammelt das System Sensordaten in Echtzeit vom angetriebenen Werkzeug 105. Die Verarbeitungsvorrichtung 114 verarbeitet die gesammelten Sensordaten in gefilterten Zeitschritten einheitlicher Frames. Das Maschinelles-Lernen-Modell 112 beginnt die Ausführung, d.h. die Inferenz, mit der Annahme einheitlicher Frames, d.h. der gefilterten Sensordaten, die für jeden Zeitschritt zu einheitlichen Frames verschmolzen wurden. Jeder einheitliche Frame zeigt die Bewegung des angetriebenen Werkzeugs für einen Zeitschritt. In einigen Implementierungen verwendet das Maschinelles-Lernen-Modell 112 Verarbeitungstechniken zur Durchführung eines Mustervergleichs und zur Erkennung der dreidimensionalen Bewegung, um eine anormale Bewegung für ein bestimmtes Werkzeug zu bestimmen. Das Modell des maschinellen Lernens gibt einen Dezimalwert zwischen 0 und 1 aus, der eine Wahrscheinlichkeit einer anormalen Bewegung darstellt. Auf der Grundlage von Benutzereinstellungen aus der optionalen Anwendung im Mobilgerät 101 kann einem Schwellenwert ein Dezimalwert zugewiesen werden, bei dem das reaktive Gerät 115 auslöst.
Während der Laufzeit führt der eingebettete Prozessor 114 eine Vorwärtspass-Inferenz durch das neuronale Netzwerk aus, um Vorhersagen für jeden vereinheitlichten Echtzeit-Frame von Sensordaten zu treffen. Wenn ein anormales Bewegungsereignis erkannt wird, unabhängig davon, ob es sich um einen echten oder einen falschen Alarm handelt, kann das System die relevanten Daten aus dem Ereignis im lokalen Speicher 110 speichern. Wenn das Werkzeug innerhalb eines kurzen Zeitraums wieder aktiviert wird, kann das System das Ereignis als höchstwahrscheinlich einen Fehlalarm annotieren. Andernfalls kann das System das Ereignis als wahrscheinlich einen Fall einer echten anormalen Bewegung angebend annotieren, und das System kann den Benutzer über eine optionale mobile Anwendung, die auf dem Mobilgerät 101 läuft, auffordern, das Ereignis genauer zu beschreiben. Das System kann dann Daten vom Werkzeug an die Anwendung übertragen, wo sie komprimiert und in einen zentralen Speicher hochgeladen werden können.
Der zentrale Speicher wird in einem Offline-Prozess auf Trends bei Fehlalarmen und spezifische Szenarien überwacht, die das Risiko von anormalen Bewegungsereignissen erhöhen. Neuronale-Netzwerk-Modelle können dann kontinuierlich verfeinert werden, indem zusätzliche Daten aus der realen Welt nachgeschult werden, während sie vor Ort erfasst und dem Speicher hinzugefügt werden. Beispielsweise können anonyme Zeitreihendaten, die durch den Einsatz des angetriebenen Werkzeugs erfasst wurden, mit dem mobilen Gerät, auf dem die mobile Anwendung für die Sicherheit des angetriebenen Werkzeugs läuft, an den zentralen Speicher oder direkt an ein entferntes tiefenlernendes (deep learning) Maschinelles-Lernen-Modell, z.B. ein Cloud-basiertes tiefenlernendes Modell, übertragen und zur Verbesserung der Erkennung zukünftiger gefährlicher Zustände verwendet werden. Neue Versionen des neuronalen Netzes können auf dem System 100 auf verschiedene Weise eingesetzt werden, z.B. mit der mobilen Anwendung, die mit dem angetriebenen Werkzeug verbunden ist, und nach Wahl des Benutzers.
In einigen Implementierungen umfasst das System 100 zur Erkennung anormaler Bewegungen eine mobile Anwendung, die zum Authentifizieren und Registrieren von Benutzern von angetriebenen Werkzeugen, zum Übertragen eines Eigentums an angetriebenen Werkzeugen, zum Benachrichtigen des Systems über eine Position und/oder einen Standort des Benutzers, zum Überwachen von Arbeitsplatzbedingungen, zum Vorhersagen von Ergebnissen aus bestimmten Szenarien und zum Bereitstellen von Warnmeldungen für den Benutzer und andere verwendet werden kann.
Wenn ein Benutzer ein angetriebenes Werkzeug erwirbt, kann er oder sie die mobile Anwendung nutzen, um sich selbst als Eigentümer des angetriebenen Werkzeugs zu registrieren. Der Benutzer kann auch die Möglichkeit haben, die Profile mehrerer anderer Personen als aktive Benutzer des angetriebenen Werkzeugs zu registrieren. Die mobile Anwendung kann Informationen über mehrere Benutzer für jedes angetriebene Werkzeug speichern. Die Anwendung kann die Registrierungsinformationen verwenden, um einen bestimmten Benutzer zu authentifizieren, wenn der Benutzer das angetriebene Werkzeug benutzen möchte. Zum Beispiel, während des Registrierungsvorgangs, kann der Benutzer ein Passwort angeben und ein Mobiltelefon registrieren, wenn das System das richtige Passwort für den Benutzer erhält und feststellt, dass sich das Telefon des Benutzers in der Nähe des registrierten angetriebene Werkzeugs befindet, kann das System das angetriebene Werkzeug für die Verwendung durch den Benutzer aktivieren.
Die Anwendung kann auch Warnmeldungen an einen Benutzer eines angetriebenen Werkzeugs senden, wenn das System 100 erkennt, dass die Bewegung des angetriebenen Werkzeugs anormal wird. Darüber hinaus kann die Anwendung Warnungsmeldungen an Ersthelfer oder andere Notfallkontakte senden, wenn das System eine anormale Bewegung eines angetriebenen Werkzeugs feststellt, die für den Bediener gefährlich geworden ist. Notfallkontakte können während der Werkzeugregistrierung hinzugefügt werden. Ersthelfer-Informationen können vorprogrammiert oder auf der Grundlage des aktuellen Standorts des Benutzers bestimmt werden. Die mobile Anwendung hat auch das Potenzial, Mitarbeiter oder Ersthelfer schneller zur Hilfe zu bringen, da der Mikrocontroller, der das vortrainierte neuronale Netzwerk betreibt, Bluetooth und/oder WIFI-fähig sein kann. Der Controller kann über Bluetooth oder WIFI ein Signal einer anormalen Bewegung an das Telefon eines Benutzers senden, wenn das System 100 zur Erkennung von Anormalitäten ein Problem feststellt.
Bei einigen Implementierungen kann das System zum Erkennen anormaler Bewegungen eine relative Bewegung zwischen dem angetriebenen Werkzeug und dem Benutzer messen. Dies kann mit Hilfe eines am Benutzer angebrachten Sensors oder einer Reihe von Sensoren erfolgen, die im Handel erhältlich sind, wie z.B. ein intelligentes Headset und sogar ein Augmented-Reality-Headset, das Sensoren wie Tiefenkameras, Trägheitsmesseinheiten und stereoskopische Kameras umfasst. Zu den Sensoren gehören z.B. Headsets, die inside-out Augmented-Reality-Geräte sind und in Echtzeit eine Pose von 6 Freiheitsgraden und eine absolute Position des Kopfes des Benutzers sowie eine Hand- und Fingerposition innerhalb eines Raums oder relativ zu statischen Objekten liefern. Alternativ dazu kann der benutzerseitig angebrachte Sensor einen oder mehrere Tiefenkameras aufweisen, die stereoskopische Bilder liefern, kombiniert mit einem Laserprojektor für einen Sensor für strukturiertes sichtbares Licht plus Tiefe (RGB-D). Alternativ kann der benutzerseitig angebrachte Sensor aus einer oder mehreren Kameras für sichtbares Licht, Infrarot oder Wärme einschließlich eines trainierten tiefen neuronalen Netzwerks bestehen, das in der Lage ist, Hände, Finger und menschliche Gesten aus zweidimensionalen Bildfolgen zu erkennen.
Alternativ kann eine relative Bewegung zwischen dem Benutzer und dem angetriebenen Werkzeug mit Hilfe eines relativ zu dem angetriebenen Werkzeug fixierten Sensors durchgeführt werden. Eine oder mehrere der oben beschriebenen Erfassungsmodalitäten können an einer statischen Stelle relativ zur gefährlichen Oberfläche des angetriebenen Werkzeugs angebracht sein, um die Nähe menschlicher Extremitäten zu gefährlichen Oberflächen des angetriebenen Werkzeugs zu überwachen. Gefährliche Oberflächen können unter anderem bewegliche oder rotierende Oberflächen sein, die zu einem Aufprall, einer Verletzung oder Amputation von Teilen der Person des Benutzers führen können.
3 zeigt eine Implementierung, bei der ein System 300 zur Erkennung anormaler Bewegungen ein intelligentes Headset 305 verwendet, wie z.B. ein Inside-Out Augmented Reality (AR)-Headset. Das Headset kann simultane Lokalisierungs- und Mapping-Algorithmen (SLAM-Algorithmen) im Headset ausführen und kann einen oder mehrere Ranging-Sensoren, eine stereoskopische Kamera, Bewegungssensoren usw. enthalten und kann zur Erkennung und Lokalisierung von Handgesten zum Bestimmen einer relativen Position zwischen dem Werkzeug, einer Benutzerposition, einem Schneidwerkzeug und dem Werkstück verwendet werden. Diese Sensoren und Algorithmen ermöglichen es dem System 300, die gesamte kinematische Bewegung des angetriebenen Werkzeugs 105 zu berechnen. Mit den oben genannten Informationen, die vom Headset erfasst werden, kann das System 300 auch die reaktive Vorrichtung 115 auslösen, wenn die relative Position des Benutzers (einschließlich der Extremitäten) innerhalb einer vorbestimmten Sperrzone des Werkzeugs liegt oder sich dieser Sperrzone mit einer Geschwindigkeit und in eine Nähe oberhalb eines vorbestimmten Schwellenwertes nähert. Obwohl aus Gründen der Übersichtlichkeit vereinfacht, kann das System 300 zum Erkennen anormaler Bewegungen alle Merkmale des System 300 zum Erkennen anormaler Bewegungen 100 mit einem zusätzlichen Augmented-Reality-Headset 305 enthalten. Das Headset 305 überträgt seine Daten über drahtlose Verbindungen an die interne Verarbeitungsvorrichtung 114 des Werkzeugs, wo sie mit den anderen Sensordaten verarbeitet werden.
4 ist ein Flussdiagramm eines Beispielprozesses 400 zur dynamischen Bestimmung anormaler Bewegungen eines angetriebenen Werkzeugs in einem Arbeitsbereich. Der Einfachheit halber wird der Prozess 400 so beschrieben, dass er von einem System mit einem oder mehreren Computern ausgeführt wird, die sich an einem oder mehreren Orten befinden und entsprechend dieser Spezifikation programmiert sind. Beispielsweise kann ein System zur Erkennung anormaler Bewegungen, z.B. das System 100 zur Erkennung anormaler Bewegungen aus 1, das entsprechend programmiert ist, den Prozess 400 auszuführen.
Das System 100 kann zunächst ein angetriebenes Werkzeug in einem deaktivierten Modus bereitstellen, bis ein registrierter Benutzer anwesend ist. Das System 100 kann durch Authentifizierung mit Hilfe einer mobilen Anwendung, die auf dem mobilen Gerät des Benutzers läuft, und/oder irgendeines elektronischen aktiven oder passiven drahtlosen Näherungsgeräts feststellen, ob ein registrierter Benutzer anwesend ist. Während der Registrierung kann der Benutzer ein Mobiltelefon registrieren. Das System kann die Stärke eines Bluetooth-Signals nutzen, um die Nähe des Telefons des Benutzers zu dem Gerät zu erkennen. Wenn sich das Telefon eines registrierten Benutzers in der Nähe eines angetriebenen Werkzeugs befindet, d.h. wenn das erkannte Bluetooth-Signal stark ist, kann das System das angetriebene Werkzeug aktivieren. Wenn das System einen registrierten Benutzer in der Nähe des Werkzeugs erkennt, deaktiviert das System die Sperre und erlaubt dem Werkzeug, sich in einem Status für die Benutzung zu befinden.
Das System 100 beginnt den Prozess 400, indem es Sensordaten von mehreren Sensoren in einem Arbeitsbereich empfängt, in dem der Benutzer das angetriebene Werkzeug benutzt. Wie oben beschrieben, umfassen die Sensoren Sensoren zur Messung mehrerer Aspekte der Bewegung des angetriebenen Werkzeugs in drei Dimensionen (402). Das System kann aktiv Sensordaten von Sensoren anfordern oder kann passiv Sensordaten empfangen, z.B. in zeitlichen Abständen. In einigen Implementierungen speichert das System die Sensordaten vor der Verarbeitung entweder kurz- oder langfristig im Speicher. Das System verarbeitet dann die empfangenen Sensordaten unter Verwendung mindestens eines Filters, um unnötiges Rauschen aus Signaleingangsströmen zu entfernen, die die empfangenen Sensordaten enthalten, und mindestens eines Sensorfusionsalgorithmus, um Daten von mehreren Sensoren zu einem einheitlichen Frame für einen gegebenen Zeitstempel zu kombinieren (404). In einer Implementierung werden alle Sensordaten von dem Sensor gesammelt und zur weiteren Verarbeitung an den Prozessor 114 gesendet. Das System liefert den vereinheitlichten Frame, der an das vortrainierte neuronale Netz eines Maschinelles-Lernen-Modells eingegeben wurde, um eine Ausgabe zu erzeugen, die angibt, ob die erfasste Bewegung des angetriebenen Werkzeugs normal ist (406). Wie oben beschrieben, erfordert dieser Inferenzprozess, dass das Maschinelles-Lernen-Modell Zeitreihen aus den aus den Sensordaten erstellten vereinheitlichten Frames extrahiert und sortiert. Das System vergleicht dann extrahierte Zeitreihendaten mit bekannten, gekennzeichneten Daten von angetriebenen Werkzeugen, um zu bestimmen, ob die erfasste Bewegung für das gegebene angetriebene Werkzeug und den gegebenen Benutzer normal oder anormal ist. Das Maschinelles-Lernen-Modell gibt einen Dezimalwert zwischen 0 und 1 aus, der die Wahrscheinlichkeit einer anormalen Bewegung darstellt. Auf der Grundlage von Benutzereinstellungen aus der optionalen Anwendung in dem Mobilgerät 101 kann einem Schwellenwert ein Dezimalwert zugewiesen werden, bei dem das reaktive Gerät 408 auslöst. Das System liefert dann die Ausgabe an ein reaktives Gerät (408). Nach Erhalt der Information, dass die Bewegung eines angetriebenen Werkzeugs anormal ist, kann das reaktive Gerät die Situation schnell entschärfen. In einigen Anwendungen kann die reaktive Vorrichtung das Schneide-, Mahl- oder Zerkleinerungswerkzeug usw. anhalten oder schnell verlangsamen.
Wenn sich zum Beispiel Holz in einer Tischsäge verfangen hat und beginnt, sich hin zu dem Benutzer zu beschleunigen, erkennt das System die Gefahr mit Hilfe von Sensoren und dem oben beschriebenen Maschinelles-Lernen-Modell. Das System kann dann einen Ausgang an die reaktive Vorrichtung senden, z.B. ein diskretes Logiksignal oder eine serialisierte Nachricht an die Steuerung der reaktiven Vorrichtung, um die Energieübertragung vom Sägeblatt zum Holz zu stoppen oder erheblich zu verlangsamen.
Das System 100 kann anormale Bewegungen in vielen verschiedenen Arten von angetriebenen Werkzeugen erkennen, die die gleichen Systeme wie oben beschrieben verwenden. Geringfügige Abweichungen in Bezug auf ein bestimmtes Werkstück, Schneidarbeitsgerät und Sensoren, die einem bestimmten Werkzeug zugeordnet sind, wie z.B. der Durchfluss- und Messbereichssensor, können genutzt werden.
Wenn beispielsweise ein Handbohrgerät verwendet wird, erwartet das System eine lineare, eintauchende Bewegung. Wenn der Bohrer sich in Material verfängt, wird die Rotationsträgheit des Motors und des Bohrers auf das Gehäuse des Bohrmotors übertragen, wodurch sich das Bohrergehäuse unkontrolliert dreht. Das System zur Erkennung anormaler Bewegungen ist, wie beschrieben, in der Lage, die Drehung des Motors (elektromagnetisch), die Drehung des Gehäuses (Gyroskop) sowie die laterale und vertikale Durchflussrate des Materials (optischer Abstandsmesser und ein oder mehrere Flussraten-Sensoren) zu erfassen.
Wenn eine Rückschlagbedingung auftritt, erhöht sich die Drehung des Gehäuses, um der Drehung des Motors zu entsprechen, und die lineare Eintauchbewegung stoppt. Das System erkennt den Zustand sofort und sendet ein Signal an die entgegenwirkende elektrische Bremse. Zusätzlich zum Stoppen des Rückschlags bietet das System auch Präzisionsmessungen der Eintauchtiefe.
Eine Abtastmethode für eine Ständerbohrmaschine ist gleich, aber entgegengesetzt zu einer Handbohrmaschine. In einem Rückschlagzustand bleibt die Drehung des Gehäuses fixiert, aber die Drehgeschwindigkeit des Werkstücks erhöht sich entsprechend der Drehung (oder des Werkzeugs). Dieser Zustand wird sofort erfasst, und ein Auslöser wird an die entgegenwirkende elektrische Bremse für den Rückschlag gesendet.
Eine Säbelsäge umfasst ein Sägeblatt, das in einer einzigen Bewegungsebene vorwärts und rückwärts geschoben wird. Wenn das Sägeblatt im Material gefangen wird, beginnt der Körper der Säge, sich in derselben Ebene hin- und herzubewegen, oder das Sägeblatt „rattert“ auf dem Material, wodurch das Werkstück möglicherweise ruiniert wird. In diesem Rückschlagzustand wird der plötzliche kinetische Impuls (unter Verwendung eines Beschleunigungsmessers) als eine Abweichung vom charakteristischen kinematischen Modell erkannt. Der Abstand zwischen dem Gehäuse und Werkstück beginnt zu oszillieren und wird (unter Verwendung eines Entfernungsmesssensors) erfasst, und ein Auslöser wird an die entgegenwirkende elektronische Bremse gesendet.
Eine Tischsäge ist ein feststehendes Werkzeug, bei dem der Elektromotor und das sich drehende Blatt stationär sind und Material in einer einzigen, horizontalen Ebene dem Blatt zugeführt wird. Eine häufige Rückschlagbedingung tritt auf, wenn sich das Material beim Verlassen des Schneidbereichs verfängt. Das rotierende Sägeblatt nimmt das Material auf und schleudert es mit hoher Geschwindigkeit auf den Bediener zu. Ein optischer Flussratensensor kann unter dem Deck der Tischsäge angebracht sein, um das darüber laufende Material hochschauend zu beobachten. Mehrere Flussratensensoren können an dem Deck, in der Nähe des Eingangs des Schneidbereichs, in der Mitte des Schneidbereichs und am Ausgang angebracht werden. Die Sensoren können auf beiden Seiten des Schneideblatts platziert sein.
Während die Säge noch dabei ist, Material zu schneiden, messen alle Sensoren eine ähnliche Flussrate. Nach Beendigung des Schneidevorgangs kann sich die Flussrate auf beiden Seiten des Sägeblatts verlangsamen, da das Material nun diskontinuierlich ist, aber die Flussrate sollte sich niemals schnell umkehren. Wenn eine Rückwärtsbewegung erkannt wird, erkennt das System sofort die Gefahr und sendet einen Auslöser an die entgegenwirkende Vorrichtung, um die Bewegung der Säge zu verlangsamen oder anzuhalten und dadurch eine Übertragung der kinetischen Energie zwischen dem Sägeblatt und dem Werkstück zu reduzieren oder zu eliminieren. Zusätzlich überwacht das intelligente Headset 305, wie oben beschrieben, die relative Position zwischen dem Benutzer, einschließlich aller Anhängsel (insbesondere Hand und Finger), und dem Tischsägeblatt. Mit den oben genannten Informationen, die vom Headset erfasst werden, kann das System 100 auch die reaktive Vorrichtung 115 auslösen, wenn die relative Position des Benutzers (einschließlich der Extremitäten) innerhalb einer vorbestimmten Sperrzone des Geräts liegt oder sich dieser Sperrzone mit einer Geschwindigkeit und in einer Nähe oberhalb eines vorbestimmten Schwellenwertes nähert. Dieses Verfahren wird auch im Fall einer Gehrungssäge (Kappsäge) verwendet, um die Stromversorgung zu der Säge zu sperren, wenn die relative Position des Benutzers (einschließlich der Extremitäten) innerhalb einer vorbestimmten Sperrzone des Geräts liegt. Als Alternative zum Smart-Headset können ein oder mehrere visuelle Sensoren in Sichtweite des Schneidegeräts platziert werden, und ein neuronales Netzwerk, das auf Hand- und Fingererkennung trainiert ist, kann die Anwesenheit menschlicher Anhängsel innerhalb der vorbestimmten Sperrzone erkennen.
Ähnlich wie bei der Tischsäge ist ein Bandschleifer fixiert und das Material in einer einzigen Ebene in das Werkzeug geführt. Wenn sich das Material am Band oder auf der falschen Seite der Kreisscheibe verfängt, kann das Werkstück in die Luft geschleudert werden. In diesem Zustand erkennt der Materialfluss sofort die Bewegung weg von der Schleifebene und sendet einen Auslöser an entgegenwirkende Vorrichtung, um die Bewegung des Bandes oder der Scheibe zu verlangsamen oder zu stoppen.
Zusätzlich zu der typischen Rückschlaggefahr eines Schleifrades tritt ein weiterer gefährlicher Zustand auf, wenn ein Rad installiert ist, das für die Geschwindigkeit der Schleifmaschine zu groß ist. In diesem Szenario übersteigen die Fliehkräfte auf die Scheibe die Zugfestigkeit der Scheibe und sie kann auseinander fliegen und mit enormer Kraft auf alles in der Rotationsebene aufschlagen.
Ähnlich wie beim Hall-Effekt-Sensor an der Kreissäge würde ein zusätzlicher Fluss- und Entfernungsmesssensor am Körper des Werkzeugs angebracht werden, der den Fluss bei der maximalen Distanz sowie das Vorhandensein einer Scheibe über den von dem Schleifrad erlaubten maximalen Radius hinaus erfasst. Wenn die Scheibe zu groß ist oder wenn sich eine Scheibe normaler Größe zu schnell dreht, wird ein Auslöser an eine beliebige entgegenwirkenden Vorrichtung gesendet, um den Benutzer zu warnen oder die Stromversorgung der Schleifmaschine zu sperren, bis die Situation behoben ist. Dies erfolgt zusätzlich zur Erfassung von Abstand und Flussrate des Werkstücks relativ zur Schleifmaschine für die Rückschlag-Erkennung.
Wie bereits beschrieben, weist eine gasbetriebene Kettensäge eines der höchsten Vibrationsprofile unter den handgeführten angetriebenen Werkzeugen auf. Außerdem verfügt sie bereits über ein Kettenbremssystem, um die Kette unter bestimmten Bedingungen anzuhalten. Es gibt verschiedene Varianten der Kettenbremse von verschiedenen Herstellern, aber alle sind mechanisch und beruhen entweder auf einem Eingriff durch den Benutzer (Anschlagen eines mechanischen Hebels in der Nähe des vorderen oder hinteren Griffs) oder auf einem erheblichen Trägheitsereignis, um die Bremse auszulösen.
Beim Beschneiden eines großen Baumstammes kann der Bediener die Kettensäge schnell auf, ab und um alle Seiten des Stammes drehen. Ein geübter Bediener tut dies in einer sehr schnellen Bewegung, die, wie gezeigt, mit Sicherheit alle grundlegenden Schwellenwertansätze zur Erkennung von Rückschlägen auslösen würde. Darüber hinaus gibt es mehr Freiheitsgrade, in denen Rückschlag auftritt. Dies ist auf das sehr lange Sägeblatt und den kurzen Radius an der Spitze des Sägeblatts zurückzuführen. Die Kette kann sich an jeder Oberfläche des Blattes verfangen und eine sehr große Menge kinetischer Energie auf den Benutzer übertragen.
In einem typischen Rückschlag-Szenario wird die Säge horizontal gehalten, wobei sich das Kettenblatt in einer vertikalen Ebene dreht. Wenn sich die obere vordere Spitze (als Rückschlag-Ecke bezeichnet) der Säge verfangen hat, wird das Blatt vertikal in dieselben Rotationsebene wie die Kette gezwungen. Typische „automatische“ Trägheitsbremsen lösen am leichtesten in dieser vertikalen Ebene aus, da die Schwerkraft beim Auslösen der Bremse hilft. Der Nutzer kann sich jedoch gelegentlich dafür entscheiden, die Säge in einer beliebigen horizontalen oder vertikalen Ausrichtung zu drehen. Obwohl davon abgeraten wird, arbeiten Baumschneider oft über Kopf mit der Säge in einer Hand. Ein übliches Rückschlag-Szenario in dieser Ausrichtung wird als „Kletter-Rückschlag“ bezeichnet. Die Säge wird während des Beschneidens vertikal an einem vertikalen Baumstamm ausgerichtet, wenn sich die Unterkante der Säge verhakt und die Säge sehr nahe am Gesicht des Bedieners auf den Stamm „klettert“. Trägheitsbremsen sind in dieser gefährlichen vertikalen Ausrichtung am wenigsten wirksam.
Wenn kein Elektromotor vorhanden ist, kann ein zusätzlicher Sensor zur Messung der mechanischen Bewegung des Verbrennungsmotors erforderlich sein, damit diese von der von den primären Bewegungssensoren erfassten Bewegung abgezogen werden kann. Auch ein elektromechanischer Aktuator zum Auslösen der mechanischen Trägheitsbremse kann erforderlich sein.
Durch die Unterdrücken des inhärenten Vibrationsrauschens der Maschine, dem Messen der gesamten kinematischen Bewegung und dem Überwachen des relativen Flusses zwischen Säge und Material können anormale Bewegungen in jeder Ausrichtung erkannt werden, selbst bei den anspruchsvollsten Anwendungen. Mit fortschrittlicher Signalverarbeitung und maschinellem Lernen kann nicht nur das Rauschen unterdrückt werden, sondern die Bewegungsmodelle für das System können im Laufe der Zeit verfeinert werden, um Fehlalarmraten kontinuierlich zu verbessern.
Ausführungsformen des Gegenstands und der in dieser Spezifikation beschriebenen Funktionsabläufe können in digitalen elektronischen Schaltungen, in materiell ausgeführter Computer-Software oder -Firmware, in Computer-Hardware, einschließlich der in dieser Spezifikation beschriebenen Strukturen und ihrer strukturellen Entsprechungen oder in Kombinationen aus einer oder mehreren von ihnen implementiert werden. Ausführungsformen des in dieser Spezifikation beschriebenen Gegenstands können als ein oder mehrere Computerprogramme implementiert werden, d.h. als ein oder mehrere Module von Computerprogrammbefehlen, die auf einem materiellen, nicht-flüchtigen Speichermedium kodiert sind, um von einer Datenverarbeitungsvorrichtung ausgeführt zu werden oder um den Betrieb eines solchen zu steuern. Das Computerspeichermedium kann eine maschinenlesbare Speichervorrichtung, ein maschinenlesbares Speichersubstrat, eine Speichervorrichtung mit wahlfreiem oder seriellem Zugriff oder eine Kombination aus einem oder mehreren davon sein. Alternativ oder zusätzlich können die Programmbefehle in ein künstlich erzeugtes, sich ausbreitendes Signal kodiert werden, z.B. ein maschinell erzeugtes elektrisches, optisches oder elektromagnetisches Signal, das erzeugt wird, um Informationen zur Übertragung an ein geeignetes Empfangsgerät zur Ausführung durch eine Datenverarbeitungsvorrichtung zu kodieren.
Der Begriff „Datenverarbeitungsvorrichtung “ bezieht sich auf Datenverarbeitungs-Hardware und umfasst alle Arten von Geräten, Vorrichtungen und Maschinen zur Verarbeitung von Daten, einschließlich beispielsweise eines programmierbaren Prozessors, eines Computers oder mehrerer Prozessoren oder Computer. Die Vorrichtung kann auch eine logische Schaltung für spezielle Zwecke sein oder darüber hinaus eine solche enthalten, z.B. ein FPGA (Field Programmable Gate Array) oder eine ASIC (Application Specific Integrated Circuit). Der Apparat kann optional zusätzlich zur Hardware Code enthalten, der eine Ausführungsumgebung für Computerprogramme schafft, z.B. Code, der Prozessor-Firmware, einen Protokollstapel, ein Datenbankverwaltungssystem, ein Betriebssystem oder eine Kombination von einem oder mehreren davon darstellt.
Ein Computerprogramm, das auch als ein Programm, eine Software, eine Softwareanwendung, eine Anwendung (App), ein Modul, ein Softwaremodul, ein Skript oder ein Code bezeichnet oder beschrieben werden kann, kann in jeder Form von Programmiersprache geschrieben sein, einschließlich kompilierter oder interpretierter Sprachen oder deklarativer oder prozeduraler Sprachen; und es kann in jeder Form eingesetzt werden, einschließlich als eigenständiges Programm oder als Modul, Komponente, Unterprogramm oder andere Einheit, die zur Verwendung in einer Computerumgebung geeignet ist. Ein Programm kann, muss aber nicht, einer Datei in einem Dateisystem entsprechen. Ein Programm kann in einem Teil einer Datei gespeichert sein, die andere Programme oder Daten enthält, z.B. ein oder mehrere Skripte, die in einem Markup Language-Dokument gespeichert sind, in einer einzigen Datei, die dem betreffenden Programm gewidmet ist, oder in mehreren koordinierten Dateien, z.B. Dateien, die ein oder mehrere Module, Unterprogramme oder Codeteile speichern. Ein Computerprogramm kann so eingesetzt werden, dass es auf einem Computer oder auf mehreren Computern ausgeführt werden kann, die sich an einem Standort befinden oder über mehrere Standorte verteilt und durch ein Datenkommunikationsnetz miteinander verbunden sind.
Die in dieser Spezifikation beschriebenen Prozesse und logischen Abläufe können von einem oder mehreren programmierbaren Computern ausgeführt werden, die ein oder mehrere Computerprogramme ausführen, um Funktionen auszuführen, indem sie mit Eingabedaten arbeiten und Ausgaben erzeugen. Die Prozesse und logischen Flüsse können auch von speziellen Logikschaltungen, z.B. einem FPGA oder einem ASIC, oder von einer Kombination aus speziellen Logikschaltungen und einem oder mehreren programmierten Computern ausgeführt werden.
Computer, die für die Ausführung eines Computerprogramms geeignet sind, können auf allgemeinen oder speziellen Mikroprozessoren oder auf beiden oder auf jeder anderen Art von zentraler Verarbeitungseinheit basieren. Im Allgemeinen empfängt eine zentrale Verarbeitungseinheit Befehle und Daten aus einem Nur-Lese-Speicher oder einem Direktzugriffsspeicher oder aus beiden. Die wesentlichen Elemente eines Computers sind eine zentral Verarbeitungseinheit zur Ausführung oder Durchführung von Befehlen und ein oder mehrere Speichervorrichtungen zur Speicherung von Befehlen und Daten. Die Zentralverarbeitungseinheit und der Speicher können durch eine spezielle Logikschaltung ergänzt oder in diese integriert werden. Im Allgemeinen enthält ein Computer auch ein oder mehrere Massenspeichergeräte zur Speicherung von Daten, z.B. magnetische, magnetooptische Platten oder optische Platten, oder ist operativ gekoppelt, um Daten von einem oder mehreren Massenspeichergeräten zur Speicherung von Daten zu empfangen oder Daten an diese zu übertragen, oder beides. Ein Computer muss jedoch nicht über solche Geräte verfügen. Darüber hinaus kann ein Computer in ein anderes Gerät eingebettet sein, z.B. in ein Mobiltelefon, einen persönlichen digitalen Assistenten (PDA), einen mobilen Audio- oder Videoplayer, eine Spielkonsole, einen GPS-Empfänger (Global Positioning System) oder ein tragbares Speichergerät, z.B. einen USB-Stick (Universal Serial Bus), um nur einige zu nennen.
Zu den computerlesbaren Medien, die zur Speicherung von Computerprogrammbefehlen und -daten geeignet sind, gehören alle Formen nichtflüchtiger Speicher, Medien und Speichergeräte, einschließlich z.B. Halbleiterspeichergeräte, z.B. EPROM, EEPROM und Flash-Speichergeräte; Magnetplatten, z.B. interne Festplatten oder Wechseldatenträger; magnetooptische Platten; und CD-ROM- und DVD-ROM-Platten.
Um eine Interaktion mit einem Benutzer zu ermöglichen, können Ausführungsformen des in dieser Spezifikation beschriebenen Gegenstands auf einem Computer implementiert werden, der über ein Anzeigegerät, z.B. einen CRT- (Kathodenstrahlröhre) oder LCD-(Flüssigkristallanzeige) Monitor, zum Anzeigen von Informationen für den Benutzer, und eine Tastatur und ein Zeigegerät, z.B. eine Maus oder einen Trackball, verfügt, mit dem der Benutzer Eingaben für den Computer machen kann. Es können auch andere Arten von Geräten verwendet werden, um die Interaktion mit einem Benutzer zu ermöglichen; beispielsweise kann das Feedback, das dem Benutzer gegeben wird, jede Form von sensorischem Feedback sein, z.B. visuelles Feedback, auditives Feedback oder taktiles Feedback; und die Eingabe des Benutzers kann in jeder Form empfangen werden, einschließlich akustischer, sprachlicher oder taktiler Eingabe. Darüber hinaus kann ein Computer mit einem Benutzer interagieren, indem er Dokumente an ein Gerät sendet und von einem Gerät empfängt, das vom Benutzer benutzt wird; z.B. durch Senden von Webseiten an einen Webbrowser auf dem Gerät des Benutzers als Antwort auf Anfragen, die vom Webbrowser empfangen werden. Außerdem kann ein Computer mit einem Benutzer interagieren, indem er Textnachrichten oder andere Formen von Nachrichten an ein persönliches Gerät, z.B. ein Smartphone, sendet, eine Nachrichtenanwendung ausführt und im Gegenzug antwortende Nachrichten vom Benutzer empfängt.
Ausführungsformen des in dieser Spezifikation beschriebenen Gegenstands können in einem Computersystem implementiert werden, das eine Back-End-Komponente, z.B. als Datenserver, oder eine Middleware-Komponente, z.B. einen Anwendungsserver, oder eine Front-End-Komponente, z.B. einen Client-Computer mit einer grafischen Benutzeroberfläche, einen Web-Browser oder eine Anwendung, über die ein Benutzer mit einer Implementierung des in dieser Spezifikation beschriebenen Gegenstands interagieren kann, oder eine Kombination aus einer oder mehreren solcher Back-End-, Middleware- oder Front-End-Komponenten enthält. Die Komponenten des Systems können durch jede Form oder jedes Medium der digitalen Datenkommunikation miteinander verbunden werden, z.B. durch ein Kommunikationsnetz. Beispiele für Kommunikationsnetzwerke sind ein lokales Netzwerk (LAN) und ein Weitverkehrsnetzwerk (WAN), z.B. das Internet.
Das Computersystem kann Clients und Server umfassen. Ein Client und ein Server sind in der Regel voneinander entfernt und interagieren in der Regel über ein Kommunikationsnetzwerk. Die Beziehung zwischen Client und Server entsteht durch Computerprogramme, die auf den jeweiligen Computern laufen und in einer Client-Server-Beziehung zueinander stehen. In einigen Ausführungsformen überträgt ein Server Daten, z.B. eine HTML-Seite, an ein Benutzergerät, z.B. um einem Benutzer, der mit dem Gerät, das als Client fungiert, interagiert, Daten anzuzeigen und Benutzereingaben von ihm zu empfangen. Daten, die auf dem Benutzergerät erzeugt werden, z.B. ein Ergebnis der Benutzerinteraktion, können auf dem Server von dem Gerät empfangen werden.
Obwohl diese Spezifikation viele spezifische Implementierungsdetails enthält, sind diese nicht als Einschränkungen des Umfangs einer Erfindung oder des Umfangs dessen, was beansprucht werden kann, zu verstehen, sondern vielmehr als Beschreibungen von Merkmalen, die für bestimmte Ausführungsformen bestimmter Erfindungen spezifisch sein können. Bestimmte Merkmale, die in dieser Spezifikation im Zusammenhang mit separaten Ausführungsformen beschrieben werden, können auch in Kombination in einer einzigen Ausführungsform implementiert werden. Umgekehrt können verschiedene Merkmale, die im Zusammenhang mit einer einzigen Ausführungsform beschrieben werden, auch in mehreren Ausführungsformen getrennt oder in jeder geeigneten Unterkombination implementiert werden. Darüber hinaus können, obwohl Merkmale oben als in bestimmten Kombinationen wirkend beschrieben und sogar zunächst als solche beansprucht werden können, in einigen Fällen ein oder mehrere Merkmale aus einer beanspruchten Kombination aus der Kombination herausgeschnitten werden, und die beanspruchte Kombination kann auf eine Unterkombination oder eine Variation einer Unterkombination gerichtet sein.
In ähnlicher Weise sollte, auch wenn Operationen in den Zeichnungen in einer bestimmten Reihenfolge dargestellt sind, dies nicht so verstanden werden, dass diese Operationen in der gezeigten Reihenfolge oder in sequentieller Reihenfolge ausgeführt werden müssen oder dass alle dargestellten Operationen ausgeführt werden müssen, um gewünschte Ergebnisse zu erzielen. Unter bestimmten Umständen können Multitasking und Parallelverarbeitung vorteilhaft sein. Darüber hinaus sollte die Trennung verschiedener Systemmodule und - komponenten in den oben beschriebenen Ausführungsformen nicht so verstanden werden, dass eine solche Trennung in allen Ausführungsformen erforderlich ist, und es sollte verstanden werden, dass die beschriebenen Programmkomponenten und Systeme im Allgemeinen zusammen in ein einziges Softwareprodukt integriert oder in mehrere Softwareprodukte verpackt werden können.
Es wurden bestimmte Ausführungsformen des Gegenstands beschrieben. Andere Ausführungsformen fallen in den Umfang der folgenden Ansprüche. Beispielsweise können die in den Ansprüchen genannten Handlungen in einer anderen Reihenfolge ausgeführt werden und dennoch wünschenswerte Ergebnisse erzielen. Ein Beispiel: Die in den begleitenden Abbildungen dargestellten Vorgänge erfordern nicht unbedingt die dargestellte besondere Reihenfolge oder sequenzielle Reihenfolge, um wünschenswerte Ergebnisse zu erzielen. In einigen Fällen können Multitasking und Parallelverarbeitung vorteilhaft sein.

Claims

Ein mehrdimensionales Erkennungssystem (100) für anormale Bewegung zur Erkennung anormaler Bewegungen eines angetriebenen Werkzeugs, umfassend: einen dreiachsigen Beschleunigungsmessersensor (104a); einen dreiachsigen Gyroskopsensor (104b); einen dreiachsigen Magnetometersensor (104c); und einen Prozessor (114) mit einem Maschinelles-Lernen-Modell (112), das pro angetriebenem Werkzeug trainiert ist, um eine anormale Bewegung für das angetriebene Werkzeug zu bestimmen, wobei das Maschinelles-Lernen-Modell Daten verwendet, die von dem Beschleunigungsmesser (104a), dem Gyroskop (104b) und dem Magnetometer (104c) empfangen werden, um zu bestimmen, ob die Bewegung des angetriebenen Werkzeugs anormal ist.
Erkennungssystem für anormale Bewegung nach Anspruch 1, das ferner einen oder mehrere Flussratensensoren und einen oder mehrere Entfernungsmesssensoren zum Quantifizieren einer Relativbewegung zwischen dem angetriebenen Werkzeug und einem Werkstück umfasst, und wobei das Maschinelles-Lernen-Modell zusätzlich ein oder mehrere Daten von Flussratensensoren und Entfernungsmesssensoren verwendet, um zu bestimmen, ob eine Bewegung des angetriebenen Werkzeugs normal ist.
Erkennungssystem für anormale Bewegung nach Anspruch 1, das ferner einen Präsenz- oder Drehratendetektor für ein Ausgangselement des angetriebenen Werkzeugs umfasst, und wobei das Maschinelles-Lernen-Modell zusätzlich Präsenz- und/oder Drehratendaten verwendet, um zu bestimmen, ob eine Bewegung des angetriebenen Werkzeugs normal ist.
Erkennungssystem für anormale Bewegung nach Anspruch 1, ferner umfassend einen oder mehrere Sensoren, die an dem Benutzer und/oder Werkzeug positioniert sind und die relative Bewegung zwischen dem angetriebene Werkzeug und dem Benutzer messen.
Erkennungssystem für anormale Bewegung nach Anspruch 1, bei dem der Prozessor Daten von allen Sensoren sammelt, mit Zeitstempeln versieht und zur weiteren Verarbeitung in einen Kurzzeitspeicher lädt und nach der Verarbeitung die Sensordaten komprimiert und in einen Langzeitspeicher verschiebt.
Erkennungssystem für anormale Bewegung nach Anspruch 5, wobei die Verarbeitung eine Verwendung von Algorithmen zur Sensorfusion umfasst, die mehrere Sensorströme kombinieren, um eine Gesamtbewegung des angetriebenen Werkzeugs in einheitlichen Frames zu beschreiben.
Erkennungssystem für anormale Bewegung nach Anspruch 5, bei dem zusätzliche Filterung und digitale Signalverarbeitung Rauschen unter Verwendung von mindestens einem der folgenden Verfahren entfernt: Frequenzdomainenanalyse, adaptive Filtertechniken und Kalman-Filter, die auf physikalische, holonomische Einschränkungen des angetriebene Werkzeugs abgestimmt sind, während das Werkzeug in Betrieb ist.
Erkennungssystem für anormale Bewegung nach Anspruch 1, wobei das Erkennungssystem für anormale Bewegung einen digitalen Signalprozessor, der das Maschinelles-Lernen-Modell als ein neuronales Netzwerk enthält, eine Speichervorrichtung, eine Mehrzweck-E/A, drahtlose Konnektivität, mindestens einen Umgebungssensor, eine Batterie und ein Batterieladegerät umfasst.
Erkennungssystem für anormale Bewegung nach Anspruch 7, bei dem die Ausgabe der Filterung und digitalen Signalverarbeitung in mehrdimensionale, einheitliche Frames kategorisiert wird.
Erkennungssystem für anormale Bewegung nach Anspruch 7, bei dem die digitale Signalverarbeitung eine Inferenz unter Verwendung eines vortrainierten rekurrenten oder konvolutionären neuronalen Netzwerkes, einer Support-Vektor-Maschine oder Regressionstechniken umfasst, um eine schnelle Erkennung eines anormalen Ereignisses des angetriebenen Werkzeug-Ereignisses zu ermöglichen.
Erkennungssystem für anormale Bewegung nach Anspruch 10, wobei das anormale Ereignis des angetriebenen Werkzeugs durch ein elektrisches, akustisches, optisches oder elektromechanisches Signal an eine entgegenwirkende reaktive Vorrichtung gemeldet wird, um das anormale Ereignis des angetriebenen Werkzeugs zu stoppen, zu verlangsamen oder zu verhindern.
Erkennungssystem für anormale Bewegung nach Anspruch 8, bei dem eine elektronische aktive oder passive Vorrichtung einen oder mehrere Nutzer, die einem oder mehreren spezifischen Werkzeugen zugeordnet sind, zuweist oder registriert, bevor ein Betrieb dieses Werkzeugs durch den Benutzer möglich ist.
Erkennungssystem für anormale Bewegung nach Anspruch 8, wobei die elektronische aktive oder passive Vorrichtung ein mobiles Gerät mit drahtloser Konnektivität ist und eine Nähe zum Benutzer hergestellt wird, wobei das mobile Gerät eine mobile Anwendung für die Sicherheit von angetriebenen Werkzeugen ausführt.
Erkennungssystem für anormale Bewegung nach Anspruch 13, wobei das angetriebene Werkzeug deaktiviert wird, wenn das mobile Gerät, auf dem die mobile Anwendung für die Sicherheit des angetriebenen Werkzeugs läuft, sich nicht in der Nähe des Erkennungssystem für anormale Bewegung befindet.
Erkennungssystem für anormale Bewegung nach Anspruch 13, bei dem anonyme Zeitreihendaten, die durch die Verwendung des angetriebenen Werkzeugs gesammelt wurden, unter Verwendung des mobilen Geräts, auf dem die mobile Anwendung für die Sicherheit von angetriebenen Werkzeugen läuft, an ein Cloud-basiertes tieflernendes Maschinelles-Lernen-Modell übertragen und zur Verbesserung der Erkennung zukünftiger gefährlicher Zustände verwendet werden.
Erkennungssystem für anormale Bewegung nach Anspruch 13, bei dem die mobile Anwendung für die Sicherheit von angetriebenen Werkzeugen eine Warnung an Mitarbeiter oder Ersthelfer in der Nähe ausgibt, wenn der Benutzer des angetriebenen Werkzeugs die mobile Warnung nicht bestätigt und das angetriebene Werkzeug nicht wieder aktiviert.
Verfahren aufweisend: Empfangen von Sensordaten von mehreren Sensoren in einem Arbeitsbereich, wobei die Sensordaten Daten aus einer Messung von Bewegungen eines angetriebenen Werkzeugs in drei Dimensionen enthalten (402); Verarbeiten der empfangenen Sensordaten unter Verwendung mindestens eines Filters, um unnötiges Rauschen aus den empfangenen Sensordaten zu entfernen, und mindestens eines Sensorfusionsalgorithmus, um die Sensordaten zu kombinieren, um einheitliche Datenframes zu erzeugen (404); Verarbeiten der einheitlichen Datenframes unter Verwendung eines Maschinelles-Lernen-Modells, das darauf trainiert ist, eine anormale Bewegung eines angetriebenen Werkzeugs zu bestimmen, um eine Ausgabe zu erzeugen, die bestimmt, ob die Bewegung des angetriebenen Werkzeugs normal ist (406); und Bereitstellung der Ausgabe an ein reaktives Gerät (408).
Verfahren nach Anspruch 17, bei dem das Maschinelles-Lernen-Modell an gekennzeichneten Trainingsdaten vortrainiert ist, die erzeugt werden, wenn ein Benutzer ein angetriebenes Werkzeug in einem oder mehreren Trainingsszenarien benutzt.
Verfahren nach Anspruch 17, bei dem die Trainingsdaten als normal gekennzeichnet werden, wenn während einer Bewegungserfassung keine Ereignisse anormaler Bewegung auftreten.
Verfahren nach Anspruch 17, bei dem die Trainingsdaten als anormal gekennzeichnet und manuell mit einem Zeitstempel eines exakten Ereignisses versehen werden, wenn ein anormales Ereignis auftritt.