JP2004261952A - 回転式ツールビットを有する動力工具の安全遮断装置 - Google Patents

Abstract

【課題】 ブロック事故の正確な確率を、ブロック事故を発生する、動力工具の物理的特性の十分で詳細な知識の適用の必要無しで生成する。
【解決手段】 ブロックしたビットによる事故の防止のためであって、前記回転駆動式ビット（８）を有する携帯型電動式工具のための安全遮断装置は、前記工具の運転状態を検知し且つ前記運転状態を代表するセンサ信号を生成する、少なくとも一つのセンサ（５６等）と、モータ（１０）から前記ビットに対する回転駆動を阻止するための遮断装置部（３８，８０）と、を具備する。処理ユニット（４２）は、前記センサ信号、又はブロック事故の確率を代表する合計された確率信号を生成するための信号、に対応していて、前記合計された確率信号が前記遮断装置部の作動を引き起こすための事前設定された閾値を超えた場合に対応する、ニューラルネットワーク（５０等）を具備する。
【選択図】 図２

Description

本発明は、回転式ビットを有していて且つ携帯式の電動式工具（ツール）のための安全遮断装置（システム）に係り、その安全遮断装置は、ビットが工作物において噛み込んでしまった障害事故を予知可能である。特別には本発明は、電動式回転ハンマーのための安全遮断装置（システム）に関する。

工具の使用において、ビットが、工作物に対してもはや回転不能なような状態で、前記ビットが工作物において噛み込んでしまうことがしばしば発生し得ることは、回転式ビットを有する携帯式動力式（パワー）工具（ツール）に関する問題である。この場合において、ビットに対する回転式駆動部は、工具のハウジングを静止したビットに対して回転させる。工具のハウジングのハンドルを掴んでいる工具の使用者はその際、傷つけられる可能性がある。その様な障害事故の検知は、ハウジングが使用者を傷つけるのに十分な角度で回転してしまう前に、工具のハウジングの回転が停止可能であるように、十分速くなければならない。また、これらの噛み込み事故の検知は、加工作業が難しくなる場合に、ビットに対する回転式駆動部の動作の妨害を回避するように正確でなければならない、即ち、誤りの警報は回避されるべきである。

この問題は米国特許第5,584,619号において取り扱われており、そこでは事前設定された時間間隔において、ビットの加速度は、計測されて、前もって決められた時間期間にわたる工具の回転角度を予測するように使用される。もし回転角度が事前設定された閾値を超えると、その場合ビットに対する回転駆動は阻止される。同じ問題が、米国特許第5,914,882号において取り扱われており、そこでは変位センサが、特定の値を定期的に計測しており、前記特定の値はその後、角加速度、角速度又は変位角度等の回転動値を決定するために処理される。計算された回転動値はその後、事故の確率を計算するために、前もって決められた条件に従う非線形的処理が、特にはファジー理論を使用して、実施される。もしこの確率が前もって決められた閾値を超える場合には、ビットに対する回転駆動は阻止される。一以上の計測値から回転動値を計算することにより、このシステム（装置）は、任意のある時間における工具の運転状態の瞬間的状態以上のものを検討しており、更に工具の直近の挙動を考慮する。しかし上記の解決方法は、ブロック（噛み込み）事故に導く、ハンマーの物理的特性の十分且つ詳細な知識を必要とする。

本発明は、回転式ビットを有するツールの安全オペレーションから危険なブロック事故を識別するための、及び危険なブロック事故が発生した場合にビットに対する回転駆動を素速く阻止するための、正確なシステム（装置）であって、ブロック事故に先行するハンマーの物理的特性の予測に依存しないシステム（装置）を提供することを目的とする。

本発明に従い、動かなくさせられたビットにより引き起こされる事故の防止のためであって、前記回転駆動されるビットを有する携帯型電動式工具のための安全遮断装置（システム）が提供される。
該装置（システム）は、
前記工具の運転状態を検知するためで且つ前記運転状態を代表するセンサ信号を生成するための少なくとも一つのセンサと、
モータによる前記ビットに対する回転駆動を阻止するための遮断装置部と、
前記センサ信号、又はブロック（噛み込み）事故の確率を代表する合計された確率信号を生成するための信号、に対応する処理ユニットであって、前記合計された確率信号が遮断装置部を作動させるための事前設定された閾値を超えた場合に対応する、処理ユニットと、
を具備しており、
前記処理ユニットはニューラルネットワーク（神経回路網）を具備することを特徴とする。

前記安全遮断装置（システム）は、ブロック事故を認識するためにニューラルネットワーク技術を使用する。前記センサ信号は、ニューラルネットワークにより処理されており、前記ニューラルネットワークは、ブロック（噛み込み）事故に導くセンサ信号のパターンを認識するように事前に訓練されている。このことは、前記ニューラルネットワークにセンサ信号のサンプルセットを入力することと、前記合計された確率信号が、前記セットのセンサ信号に関係することが知られている、ブロック事故の実際の確率の信頼可能な代表値になるまで、前記ニューラルネットワークのノード（節点）により適用されるメンバーシップ（membership）関数を変化することと、により実施される。この方法において、ブロック事故の正確な確率は、ブロック事故に導く動力式工具の物理的特性の十分で詳細な知識を適用する必要なしで生成可能である。

前記遮断装置部は、機械式又は電磁式クラッチにより形成されても良く、前記クラッチは前記モータと前記工具又はビットとの間の駆動ギア装置部を介しての伝達を遮断する。これとは別に又は追加的に、それは、前記モータをブレーキするための電子式モータブレーキ等のモータブレーキを具備しても良い。

前記単数又は複数のセンサは、下記のものの一以上を具備しており、下記のものとは、
回転式又は直線式加速時計と、
前記モータにより消費される電流を計測するための電流センサと、
前記モータの単位時間当たりの回転を計測するための回転センサと、
前記ハンマーのハンドルと前記ハンマーの主ハウジングとの間のトルクを計測するためのトルクセンサとである。

前記処理ユニットは、事前調整された信号を生成するためにセンサからの信号を処理するため、及び前記事前調整された信号を前記ニューラルネットワークに入力するための、一以上の信号調整ユニットをこれとは別に具備しても良い。前記信号調整は、ノイズ除去フィルタ操作、閾値評価、ウェーブレット分析、又はフーリエ変換分析を具備しても良い。

前記処理ユニットは、一式の確率信号を生成するためのニューラルネットワークを具備しても良く、各確率信号は複数の又は単数の前記センサ信号の関数を具備しており；更に前記処理ユニットは、前記合計された確率信号を生成するための前記一式の確率信号を加えるための加算部と；前記合計された確率信号が前記事前設定された閾値を超える場合に、前記遮断装置部を作動させるための遮断信号を生成するための比較器（コンパレータ）とを具備しても良い。

好適な実施の形態において、前記ニューラルネットワークはファジーニューラルネットワークであり、それはファジー論理を使用して前記センサ信号を処理する。その後ニューラルネットワークからの訓練技術は、ファジー論理回路のメンバーシップ関数の設定に使用可能である。このことは、ファジー論理における試行錯誤（トライアルアンドエラー）要因を除去し、更にブロック事故の発生前に、前記動力式工具において発生する物理的状態の詳細な知識の必要性を排除する。これは、さもなければ達成可能なものに比べてより複雑なファジー回路の使用を可能にする。これとは別に前記ニューラルネットワークは、ウェーブレット・ニューラルネットワークであっても良く、そこでは前記センサ信号またはそれらの少なくとも一つがウェーブレット変換される。ウェーブレット変換の使用は、前記センサ信号からの情報の改善された抽出を可能にする。

本発明の第２の形態に従い、上記の安全遮断装置（システム）を組み込んだ回転式ハンマーが提供される。

本発明の第３の形態に従い、動かなくさせられたビットにより引き起こされる事故の防止のために、携帯式電動工具の前記回転駆動させるビットに対する回転駆動部の遮断方法が提供される。該方法は、前記工具の一以上のオペレーション状態を検知して、各オペレーション状態又はそのオペレーション状態を代表するセンサ信号を生成する手順と；前記単数又は複数のセンサ信号に対する応答において、ブロック（噛み込み）事故の確率を代表する合計された確率信号を生成する手順と；前記合計された確率信号が事前設定された閾値を超える場合に、遮断信号を生成させる手順と；更に前記遮断信号を使用して、前記ビットに対する回転駆動の遮断を作動させる手順と；を具備しており、ブロック事故の確率を代表する合計された確率信号を生成する前記手順は、ニューラルネットワーク処理手順を使用することを特徴とする。

回転式ビットを有していて且つ本発明に従う安全遮断を組み込んだ携帯式電動工具の１つの形は、添付図を参照して例により以下で説明される。

図１は、主ハウジング（２）と後部ハンドル（４）と工具ホルダー（６）とを有する回転ハンマーを図式的に示しており、その後者（工具ホルダー（６））はハンマーの前端部に位置する。工具又はビット（８）は、従来技術において公知であるように、工具ホルダー内において限られた範囲で往復動するように、工具ホルダー内に回転不能で取り外し可能に固定可能である。ハンマーは電動モータ（１０）により駆動されており、その電動モータ（１０）は外部電源に接続されており、後部ハンドルに隣接して設置されるトリガースイッチ（１２）が押し下げられると作動する。

モータ（１０）のアーマチャーシャフトは駆動ギア（歯車）（１４）を回転するように駆動しており、駆動ギア（１４）自身は、各々がハンマーハウジング（２）内のそれぞれのスピンドル（２０，２２）に回転不能に設置される、２つの駆動ギア（１６，１８）を駆動する。スピンドル（２０）はクランク板（２４）を回転するように駆動しており、クランク板（２４）は偏心したクランクピン（２６）を介して、ピストン（２８）をクランクアーム（３０）を介して、往復動するように駆動する。ピストンは中空のスピンドル（３２）内に滑動可能に設置されており、その中空のスピンドルはハンマーの主ハウジング（２）においてベアリング（図示されない）を介して回転可能に設置される。ラム（３４）がまた、スピンドル（３２）内に滑動可能に設置されており、ラムの周囲とスピンドルの内面との間、及びピストンの周囲とスピンドルの内面との間に配置されるシールが存在する。この様にして、閉鎖されたエアクッションは、ハンマーの通常のオペレーションにおいてピストン（２８）とラム（３４）との間において、スピンドル（３２）内に形成されるので、ピストン（２８）の往復動は閉鎖されたエアクッションを介してラム（３４）を往復動するように駆動する。ラム（３４）が往復動するので、それはビートピース（打撃片）を繰り返し打撃し、そのビートピースは、従来技術において公知な方法で、工具ホルダー（６）内に取り付けられた工具又はビット（８）にこれらの打撃を伝達する。工具又はビット（８）からの打撃は、それに対して工具又はビット（８）が押しつけられる工作物に伝達される。工具又はビット（８）が工作物から取り外されると、従来技術において公知なように、ハンマーはそのアイドル（無負荷）モードに入り、エアクッションは排気される。

駆動されるスピンドル（２２）は電磁クラッチ（３８）を介して、第１のベベルギア（３６）を回転するように駆動する。第１のベベルギア（３６）は第２のベベルギア（４０）を回転するように駆動し、その第２のベベルギアは中空のスピンドル（３２）に回転不能に設置される。スピンドル（３２）の回転は、工具ホルダー（６）及びそれにより、工具ホルダー内に設置される工具又はビット（８）を回転するように駆動する。

従って、モータ（１０）のトリガースイッチ（１２）が押し下げられると、アーマチャーシャフトは駆動ギア（１４）を回転するように駆動しており、駆動ギア（１４）は、それら自身がそれぞれのシャフト（２０，２２）を回転するように駆動する、被駆動ギア（１６，１８）を回転するように駆動する。駆動シャフト（２０）はクランク装置（２４，２６，３０）を駆動して、スピンドル内のピストン（２８）を往復動するように駆動して、それにより繰り返しの打撃を工具又はビット（８）に伝達させる。同時に駆動シャフト（１８）は電磁クラッチ（３８）及びベベルギア（３６，４０）を介してスピンドル（３２）を回転するように駆動する。スピンドル（３２）は工具ホルダー（６）を介して工具又はビット（８）を回転するように駆動し、回転ハンマーリング（打撃作業）が実施される。

工具又はビット（８）が工作物において噛み込んでしまって、ハンマーハウジング（２）が使用者の手において回転し始める、噛み込み事故を検知するための安全遮断装置（システム）を、図１に示すハンマーもまた組み込んでおり、そのブロック図が図２に示される。安全遮断装置は、信号調整ユニット（４４，４６，４８）を具備する中央処理ユニット（４２）と、ニューラルネットワークユニット（５０）と、加算ユニット（５２）と、事前設定可能なコンパレータ（比較器）ユニット（５４）とを具備する。更に安全遮断装置は、モータ（１０）に供給される電流の量を検知するための電流センサ（５６）と、モータ（１０）の分当たりの回転数を検知するためのｒ．ｐ．ｍ．センサ（５８）と、ハンマーの後部ハンドル（４）とハンマーの主ハウジング（２）との間のトルクを検知するためのトルクセンサ（６０）と、第１の方向におけるハンマーハウジング（２）の加速度を検知するための第１のリニア加速時計（６２）と、第１の方向に対して垂直な第２の方向におけるハンマーハウジング（２）の加速度を検知するための第２のリニア加速時計（６４）とを具備する。センサ（５６，５８，６０，６２，６４）は中央処理ユニット（４２）に接続されており、各センサの出力は中央処理ユニット（４２）により、約１から５kHzの周波数で定期的にサンプル採りされており、その１から５kHzの周波数は100から150msの範囲内での噛み込み事故の安全で信頼性のある検知にとって十分に高いものである。上記のセンサの全てが噛み込み事故を信頼可能に検知するのに必要なわけではなく、リニア加速時計からの信号を使用して噛み込み事故を検知することが可能である。

前記センサの信号の幾つかは、ニューラルネットワーク（５０）に入力される前に事前調整される。例えば、前記事前調整は、ノイズ除去のためのフィルタリング、閾値評価、ウェーブレット解析、又はフーリエ変換解析を具備しても良い。例として、事前設定された時間間隔にわたり前記電流センサからサンプル採りされた一式の信号は、ユニット（４４）に入力されて信号を発生しており、その信号は時間に関するモータ電流の変化速度を示しており、その後者の信号はその後ニューラルネットワーク（５０）に入力される。ｒ．ｐ．ｍ．センサ（５８）及びトルクセンサ（６０）からの信号は、前記調整された信号がニューラルネットワーク（５０）に入力される前に、それぞれの事前調整ユニット（４６，４８）において信号から超過ノイズを除去するためにプリ（事前）フィルタリングされても良い。例えば、リニア加速時計（６２，６４）等からの別の信号は、任意の事前調整が実施されないで、ニューラルネットワーク（５０）に直接入力されても良い。

ニューラルネットワーク（５０）は、それが適用される各異なるモデルのハンマーに関して別個に訓練される。図１のハンマーにおいて使用されるニューラルネットワーク（５０）は、センサ（５６，５８，６０，６２，６４）からそれへの入力により、それぞれが噛み込み事故の確率を表わす一式の信号に関係するように訓練される。前記一式の確率信号（６６，６８，７０，７２，７４）は、ニューラルネットワークからの出力であり、更に加算ユニット（５２）への入力である。図２において、出力確率信号（７７−７４）の数は入力センサ信号の数に等しいが、これは原則ではない。

この様に、各前もって決められた時間間隔間に（センサの継続的サンプリングの間）、ニューラルネットワーク（５０）は、各センサ（５６，５８，６０，６２，６４）から（この場合使用される信号調整（４４，４６，４８）を介して）入力を受信し、一式の確率信号を生成する。各確率信号（６６−７４）は、入力センサ信号と、出力確率信号を生成するためにニューラルネットワーク（５０）により入力信号に適用される、メンバシップ関数と、に依存する噛み込み事故の確率を表す。その後ニューラルネットワーク（５０）から出力される全ての確率信号（６６−７４）は、加算ユニット（５２）により合計されて、噛み込み事故の全体的確率を生成する。この確率はその後、コンパレータユニット（５４）において事前設定された閾値と比較される。その後もし事前設定された閾値を超過している場合には、コンパレータユニット（５４）はリレイ（７８）を介して噛み込み信号を出力し、そのリレイ（７８）は電磁クラッチ（３８）の切り離しにより、回転駆動部を中空のスピンドル（３２）、従って工具又はビット（８）に対して切り離させて、更にユニット（８０）により電流源を切り離してモータ（１０）にブレーキをかける。

上記の如く、ニューラルネットワーク（５０）は、それが配備される各ハンマーのタイプに関して訓練（教育）されなければならない。この理由は、本発明による検知装置（システム）は、ハンマーの稼働条件の複数の別個の信号の特性が検知され、且つニューラルネットワーク（５０）が非線形的に処理する入力信号に、ニューラルネットワーク（５０）が対応することに基づく信号であることによる。本発明による装置（システム）は従来技術において既知な安全遮断装置（システム）とは異なっており、それは上記で検討したように、噛み込み事故に先行する状況の物理的モデルに基づいていないからである。

ニューラルネットワーク（５０）は例えば、ウェーブレットニューラルネットワーク又はニューロ−ファジイ・ニューラルネットワークであっても良い。

図６に示されるようなファジイニューラルネットワークにおいて、ネットワークの訓練は、ネットワークから出力される一式の確率信号を生成するために、入力センサ信号に適用されるべきメンバシップ関数を決定するために必要とされる。メンバシップ関数は工具の異なるモデルに関して変化する。訓練の結果は、各確率信号出力に関連するメンバシップ関数である。メンバシップ関数から抽出される一式の確率信号はその後、たぶん重み付け加算である、加算を加算ユニット（５２）において実施されて、全体の噛み込み関数を生成する。訓練後に、システム（装置）は単純なファジイシステムに対応する。ニューラルネットワーク理論からの学習戦略の使用は本明細書において、ファジイ理論システムの開発、即ちニューラルネットワーク理論の使用無しで、の支援及び加速に使用されており、メンバシップ関数は試行錯誤により抽出されなければならない。ファジイ理論は、「もし特徴（feature）ｌが小さく、特徴ｎが大きい場合」「プロセス（処理）フェーズは．．．である」等の、言語的（linguistic）ルール（規則）により知識開示の可能性を提供する。

幾つかのニューロファジイ概念については文献において開示されてきており、本システム（装置）においては、Nauck等により提案されたNEFCLASS(Neuro Fuzzy CLASSification)の研究が以下記載される。NEFCLASSモデルは、一般的なファジイパーセプトロン（学習機械）から導き出されたニューロファジイクラシフィケーション (classification)方法を提供する。モデルの構造は図６に示されており、その構造は図２のそれ（構造）に類似のニューラルネットワークを示しているが、しかし５つの入力信号の代わりに２つを処理するためで、２つの確率信号出力を生成するためのものである。前記ニューロファジイモデルは３層技術により特徴づけられる。入力層における入力ノード（節点）Ｉは、ファジイセット（集合）μにより、隠された層のルールノード（rule node）Ｒに接続される。語義的な（sementical）理由に関して、各ルールノードＲは、重み付けルールを回避するために、出力層の単一の出力ノードＣに指定されており、従って重み(weight)はＩに固定される。必要であれば、加算ユニット（５２）において出力確率信号の重み付け加算を実施することにより、重み付けが実施可能である。最適なクラシフィケーション結果、即ち噛み込み事故の最適認識、を得るために、学習アルゴリズム（算法）は、ルールを生成し、訓練例からファジイセットを調整する。

初期化に関して使用者は、隠された層において生成されても良いルールの最大数及び幾つかの入力のドメイン(domains)の分割のために初期ファジイセットを定義しなければならない。訓練後に、システム（装置）は単一のファジイシステムに対応しており、クラシフィケーション知識はその後、使用者により容易にアクセス（呼び出し）可能であり、拡張可能である。

図２のニューラルネットワーク（５０）はこれとは別に、図３に示されるタイプのウェーブレットニューラルネットワークであっても良く、それはウェーブレット変換ユニット（８０）及びニューラルネットワークユニット（８２）を具備する。事前設定された時間間隔にわたって各センサからの一式のサンプルされた信号は、変換ユニット（８０）に入力される。例えば、センサの１つからの一式のサンプルされた信号は、添付の図４Ａの形で形成可能である。変換ユニット（８０）への各信号入力は、下記に示される形の線形一次元ウェーブレット変換を使用して、図４Ｃに示される信号の形に変換される。ウェーブレット変換は一般的に下記の形式を有する。

線形一次元ウェーブレット変換は下記の形式を有する。

変数ａは、スケールパラメータを表し、ｂはウェーブレット関数のシフトパラメータを表し、ｈ^*はｈの共役複素数を表す。重み付け係数「１／ａ^１／２」は、一定エネルギに対してスケールパラメータの全ての値に関するウェーブレットを正規化する。信号を異なる周波数のサイン(sine)及びコサイン(cosine)関数に分解する、フーリエ変換とは対照的に、ウェーブレット変換は、それぞれシフト及びスケールパラメータにより、時間と周波数とにおいて局所設定された、時間限定の分析関数を使用する。ウェーブレット解析関数ｈは幾つかの拘束条件（コンストレイン）を満たさなければならないが、それについては前記文献において詳細に説明されている。頻繁に使用されるウェーブレット関数は、変調された（modulated）ウィンドウズ（windows）であり、即ちそれらはガウス関数により変調された振動ターム（oscillating term）等の二つの関数の積として構成される。ウェーブレット関数の典型的な例はリアル(real)モルレー(Morlet)ウェーブレットである。

スケールパラメータに依存して、ウェーブレット関数は拡大された低（low）周波数関数（frequency function）であるが、これに反してウェーブレット関数の小さな値は抑制されており、それは高周波数関数（frequency function）を生じる。時間限定解析関数により、ウェーブレット変換は与えられた信号の時間及び周波数情報を同時に提供できる。

図４Ａの例として、与えられた静止していない信号ｓ（ｔ）は、異なる時間間隔における２つの異なる周波数により特徴づけられる。図４Ｂに示されるようなフーリエ変換により、２つの周波数が決定されるが、しかし異なる周波数の発生する瞬間に情報は失われる。他方においてウェーブレット変換は、図４Ｃに示されるように、分析された信号の時間−周波数マップを提供し、時間と共に変化する周波数特徴の抽出を可能にする。この特性により、ウェーブレット変換は静止していない信号の特徴抽出のための理想的なツールとなる。

クラシフィケーションのためのウェーブレット・ニューラルネットワーク（ＷＮＮs）の概念は、有効な周波数特徴抽出の目的のためのウェーブレット変換の形態を、ニューラルネットワーク方法の決定能力と組み合わせる。ＷＮＮは、周波数ドメイン特徴抽出処理ユニットとして、所謂ウェーブレット・ノードを有する拡大されたパーセプトロンとして説明可能である。５つの入力信号の１つに関連する図３のウェーブレット・ニューラルネットワークの一部分は、図５においてより詳細に図式的に示される。

ウェーブレット層（８０）の一部分は、多層（multilayer）パーセプトロン（ＭＬＰ）（８１）へ通過させられる、特徴の抽出及び入力信号ｓ（ｔ）の処理のためのウェーブレットノード（Ｗ）により構成されており、多層パーセプトロン（８１）は図３のニューラルネットワーク（８２）の第１の処理ステージを形成する。ウェーブレットノード（Ｗ）は、シフトされた入力信号ｓ（ｔ）及びマザーウェーブレット変換の調整されたバージョンに適用される。第ｋのウェーブレットノードは、ウェーブレット変換のパラメータに対応する、シフトパラメータｂ_kとスケールパラメータａ_kとにより説明される。形式的には、各ウェーブレットノードの出力は、ウェーブレット関数ｈ_kと入力信号ｓ（ｔ）の内積である。実数のウェーブレットのみと仮定すると、第ｋのウェーブレットノードの出力は下記のように計算される。

ウェーブレットノードの出力は、修正されたウェーブレットｈ_kと入力信号ｓとの間の相関として解釈できる。ＭＬＰ（８１）はクラシフィケーション部分を表し、クラシフィケーション部分はウェーブレットノードの出力におけるクラシフィケーション決定を根拠とする。パーセプトロン層のニューロン（神経単位）（Ｌ）は、方向付けされていて且つ重み付けされたリンクにより相互接続される。ニューロンの出力は、後続の層の全てのニューロンにより処理されており、その入力は前の層のニューロンの重み付けされた出力である。ニューロンの出力ｏ_ｍは、前の層ｎの第ｋの出力ｏ_ｎ，ｋの重み付け合計及びそのアクティベイション関数(activation function)により規定される。本明細書において使用される診断案において、Ｓ字状（sigmoid）のアクティベイション関数が使用される。層ｍにおけるニューロンの出力は下記のように計算される。

訓練フェーズにおいて、訓練パターンｓ_ｊは、ネットワークを通して繰り返し伝えられており、パラメータは、所望の出力ｄとネットワーク出力Ｏ_ｎｅｔ，との間の距離の最小平方誤差（エラー）Ｅを、下記のように、最小化するように調整される。

最小化の問題は、反復的（iterative）グラジエント（gradient）技術、所謂一般化されたデルタ−ルール(delta-rule)、により解決される。出力誤差の戻り伝搬（backpropagation）（ＢＰ）により、ニューラルネットワークのパラメータは、ネットワークのパラメータ、即ち重みｗ_ｉｊ，とシフトｂ_ｋとスケールａ_ｋと、に対する誤差の偏微分関数（デリバティブ）を計算することにより調整される。学習アルゴリズムの完全な導出に関して、幾つかの研究が文献において提示されている。

ウェーブレット変換の使用は、抽出されるべき入力信号の時間周波数表示を可能にしており、そのことは、時間と共に変化する、入力信号の特徴の抽出を可能にする。処理の第１のステージ（段階）から抽出される信号はその後、従来の方法で調整される、ニューラルネットワーク（８２）に入力される。再度、ニューラルネットワーク（８２）はハンマーの各モデルに関して訓練されており、その各モデルにおいて、ウェーブレット・ニューラルネットワークは展開されており、ニューラルネットワーク（８２）はハンマーの異なるモデルに関して異なる。

図１は、本発明による安全遮断装置（システム）を組み込む、回転ハンマーの部分切断長手方向断面図を示す。 図２は、図１のハンマーにおいて使用される、安全遮断装置（システム）のブロック図を示す。 図３は、図２においてニューラルネットワークとして使用可能である、ウェーブレット変換ニューラルネットワークを示す。 図４Ａは、典型的な入力信号ｓ（ｔ）を示しており、それは時間に関して変化する。 図４Ｂは、周波数ドメインにおける入力信号ｓ（ｔ）のフーリエ変換を示す。 図４Ｃは、周波数ドメインにおける入力信号ｓ（ｔ）のウェーブレット変換を示す。 図５は、５つの入力信号の任意の一つの処理に適した、図３のニューラルネットワークユニットの一部分をより詳細に図式的に示す。 図６は、５つの入力信号の２つの処理に適した、図２のニューラルネットワークユニットの一部分を示しており、そこではファジイ−ニューロ案が使用される。

符号の説明

２…主ハウジング
４…後部ハンドル
６…工具ホルダー
８…工具又はビット
１０…電動モータ
１２…トリガースイッチ
１４，１６，１８…駆動ギア
２８…ピストン
３０…クランクアーム
３２…スピンドル
３４…ラム
４２…中央処理ユニット
４４，４６，４８…信号調整ユニット
５０…ニューラルネットワーク
５２…加算ユニット
５４…コンパレータユニット
５６…電流センサ
５８…ｒ．ｐ．ｍ．センサ
６０…トルクセンサ
６２…第１のリニア加速度計
６４…第２のリニア加速度計
６６，６８，７０，７２，７４…出力確率信号
７８…リレイ
８０…ウェーブレット変換ユニット
８２…ニューラルネットワーク

Claims (19)

1. 動かなくさせられたビットにより引き起こされる事故の防止のためであって、前記回転駆動されるビット（８）を有する携帯型電動式工具のための安全遮断装置において、該装置は、
   前記工具の運転状態を検知するためで且つ前記運転状態を代表するセンサ信号を生成するための少なくとも一つのセンサ（５６，５８，６０，６２，６４）と、
   モータ（１０）による前記ビットに対する回転駆動を阻止するための遮断装置部（３８，８０）と、
   前記センサ信号、又は噛み込み事故の確率を代表する合計された確率信号を生成するための信号、に対応する処理ユニット（４２）であって、前記合計された確率信号が前記遮断装置部を作動させるための事前設定された閾値を超えた場合に対応する、処理ユニットと、
   を具備しており、更に
   前記処理ユニットはニューラルネットワーク（５０，８０，８１，８２）を具備することを特徴とする装置。
2. 前記遮断装置部はクラッチ（３８）であり、前記クラッチは前記モータ（１０）と前記ビット（８）との間の駆動ギア装置部を（１８，３６）介しての伝達を遮断する請求項１に記載の装置。
3. 前記遮断装置部は、前記モータ（１０）にブレーキをかけるためのモータブレーキ（８０）を具備する請求項１又は２のいずれかに記載の装置。
4. 前記センサの内の１つ又は複数のものは、回転式又は直線式加速時計（６２，６４）である請求項１から３いずれか一項に記載の装置。
5. 前記センサの内の１つ又は複数のものは、前記モータの単位時間当たりの回転を計測するための回転センサ（５８）である請求項１から４いずれか一項に記載の装置。
6. 前記センサの内の１つ又は複数のものは、前記ハンマーのハンドル（４）と前記ハンマーの主ハウジング（２）との間のトルクを計測するためのトルクセンサ（６０）である請求項１から５いずれか一項に記載の装置。
7. 前記センサの内の１つ又は複数のものは、前記モータ（１０）により消費される電流を計測するための電流センサ（５６）である請求項１から６いずれか一項に記載の装置。
8. 前記処理ユニットは、事前調整された信号を生成するために対応するセンサ（５６，５８，６０）からの信号を処理するため、及び前記事前調整された信号を前記ニューラルネットワーク（５０）に入力するための、一以上の信号調整ユニット（４４，４６，４８）を追加的に具備する請求項１から７いずれか一項に記載の装置。
9. 前記閾値は調整可能である請求項１から８いずれか一項に記載の装置。
10. 前記処理ユニットは、
    一式の確率信号を生成するためのニューラルネットワーク（５０，８０，８１，８２）であって、各確率信号が複数の又は単数の前記センサ信号の関数を具備する、ニューラルネットワークと；
    前記合計された確率信号を生成するための前記一式の確率信号を加えるための加算部（５２）と；
    前記合計された確率信号が前記事前設定された閾値を超える場合に、前記遮断装置部を作動させるための遮断信号（７８）を生成するためのコンパレータ（５４）と、
    を具備する請求項１から９いずれか一項に記載の装置。
11. 前記ニューラルネットワークは、ファジー論理を使用して前記センサ信号を処理する、ファジーニューラルネットワークである請求項１から１０いずれか一項に記載の装置。
12. 前記ニューラルネットワークは、ウェーブレット・ニューラルネットワーク（８０，８１，８２）であり、そこでは前記センサ信号またはそれらの少なくとも一つがウェーブレット変換される請求項１から１１いずれか一項に記載の装置。
13. 請求項１から１２のいずれか一項に記載の安全遮断装置を有する回転式ハンマー。
14. 動かなくさせられたビットにより引き起こされる事故の防止のために、携帯式電動工具の前記回転駆動させるビット（８）に対する回転駆動部の遮断方法において、該方法は、
    前記工具の一以上のオペレーション状態を検知して、各オペレーション状態又はそのオペレーション状態を代表するセンサ信号を生成する手順と；
    前記単数又は複数のセンサ信号に対する応答において、噛み込み事故の確率を代表する合計された確率信号を生成する手順と；
    前記合計された確率信号が事前設定された閾値を超える場合に、遮断信号（７８）を生成させる手順と；更に
    前記遮断信号を使用して、前記ビットに対する回転駆動の遮断を作動させる手順と；
    を具備しており、
    合計された確率信号を生成する前記手順は、ニューラルネットワーク処理手順を使用することを特徴とする、方法。
15. 前記一以上のセンサ信号を処理して、前記合計された確率信号を生成する手順の前に、事前調整された信号を生成する、追加的な処理の手順を具備する、請求項１４に記載の方法。
16. 前記閾値は調整可能である請求項１４又は１５のいずれかに記載の方法。
17. 前記合計された確率信号を生成する手順は、
    ニューラルネットワーク処理手順を使用して一式の確率信号を生成する手順であって、各確率信号は、前記センサ信号又は前記複数のセンサ信号の関数を具備する、生成する手順と、
    前記合計された確率信号を生成するために、前記一式の確率信号を加算する手順と、
    を具備する請求項１４から１６いずれか一項に記載の方法。
18. 前記ニューラルネットワーク処理手順は、ファジイ理論を使用して前記センサ信号を処理する、請求項１４から１７いずれか一項に記載の方法。
19. 前記ニューラルネットワーク処理手順は、前記センサ信号又は前記センサ信号の内の少なくとも一つに対してウェーブレット変換を適用する手順を具備する、請求項１４から１７いずれか一項に記載の方法。
    

Images