JP2022527942A - 性能研削ソリューション - Google Patents

性能研削ソリューション Download PDF

Info

Publication number
JP2022527942A
JP2022527942A JP2021557946A JP2021557946A JP2022527942A JP 2022527942 A JP2022527942 A JP 2022527942A JP 2021557946 A JP2021557946 A JP 2021557946A JP 2021557946 A JP2021557946 A JP 2021557946A JP 2022527942 A JP2022527942 A JP 2022527942A
Authority
JP
Japan
Prior art keywords
product
polishing
data
workpiece
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2021557946A
Other languages
English (en)
Inventor
タニケラ、ブラーマナンダム、ブイ．
アルコナ、クリストファー
オズボーン、トーマス、エイチ．
サリバン、ジョセフ、ピー．
マーセル、アンナ
サンガマニ、アルンベル
ジャヤラム、ロビン、シャンドラス
タデパッリ、ラジャッパ
Original Assignee
サンーゴバン アブレイシブズ，インコーポレイティド
サン－ゴバン アブラジフ
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by サンーゴバン アブレイシブズ，インコーポレイティド, サン－ゴバン アブラジフ filed Critical サンーゴバン アブレイシブズ，インコーポレイティド
Publication of JP2022527942A publication Critical patent/JP2022527942A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/006—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation taking regard of the speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/003—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving acoustic means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/40—Software arrangements specially adapted for pattern recognition, e.g. user interfaces or toolboxes therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Acoustics & Sound (AREA)
  • Human Computer Interaction (AREA)
  • Computational Linguistics (AREA)
  • Polishing Bodies And Polishing Tools (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Machine Tool Sensing Apparatuses (AREA)

Abstract

本出願は、リアルタイム研磨データを取得するためのシステムおよび方法に関する。例示的なコンピュータ実装方法は、コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することを含み得る。１つ以上のセンサは、研磨製品または研磨製品と関連付けられた被加工物に近接して配設されている。１つ以上のセンサは、研磨製品または被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている。コンピュータ実装方法は、センサデータに基づいて、機械学習システムを訓練して、研磨製品の製品固有の情報および／または被加工物固有の情報を決定することをさらに含み得る。コンピュータ実装方法はまた、コンピューティングデバイスを使用して、訓練された機械学習システムを提供することをさらに含み得る。

Description

研磨工具は、様々な材料除去作業で使用され得る。そのような工具は、工具の使用を監視し得るセンサを備えている。例えば、動力センサが、負荷によって消費される電力を監視するために工具に組み込まれ得る。
工具に組み込まれた動力センサは、工具に関連した有用な情報を工具のユーザに提供し得るが、センサは、工具の動作および／またはユーザの体験を完全にキャプチャしない場合がある。例えば、動力センサデータは、工具の構成要素が損傷したか、または動作不良であるかを決定するために効果的に使用されることができない。
本開示は、概して、研磨および研磨デバイス用途におけるリアルタイムデータを取得、分析、および利用するためのシステムおよび方法に関する。
第１の態様では、コンピュータ実装方法が提供される。コンピュータ実装方法は、コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することを含む。１つ以上のセンサは、１つ以上の研磨製品または１つ以上の被加工物のうちの少なくとも１つに近接して配設されている。１つ以上のセンサは、１つ以上の研磨製品または１つ以上の被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている。コンピュータ実装方法は、コンピューティングデバイスを使用して、機械学習システムを訓練して、センサデータに基づいて１つ以上の研磨製品の製品固有の情報および／または被加工物固有の情報を決定することを含む。コンピュータ実装方法はまた、コンピューティングデバイスを使用して、訓練された機械学習システムを提供することを含む。
第２の態様では、コンピュータ実装方法が提供される。コンピュータ実装方法は、コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することを含む。１つ以上のセンサは、研磨製品または被加工物のうちの少なくとも１つに近接して配設されている。１つ以上のセンサは、研磨製品または被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている。コンピューティングデバイスは、入力センサデータを受信し、入力センサデータに基づいて研磨製品の製品固有の情報および／または被加工物固有の情報を出力するように構成された、訓練された機械学習システムへのアクセス権を有する。コンピュータ実装方法は、訓練された機械学習システムによって、センサデータに基づいて研磨製品の製品固有の情報および／または被加工物固有の情報を決定することを含む。コンピュータ実装方法は、研磨製品の製品固有の情報または被加工物固有の情報を１つ以上のクライアントデバイスに提供することを追加的に含む。
第３の態様では、システムが提供される。デバイスは、入力センサデータを受信し、入力センサデータに基づいて研磨製品の製品固有の情報または被加工物固有の情報、のうちの少なくとも１つを出力するように構成された、訓練された機械学習システムを含む。システムはまた、クライアントデバイスから、１つ以上のセンサからのセンサデータを受信するように構成されたコンピューティングデバイスを含む。１つ以上のセンサは、研磨製品または被加工物に近接して配設されている。１つ以上のセンサは、研磨製品または被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている。コンピューティングデバイスはまた、センサデータに対して訓練された機械学習システムを適用することによって、研磨製品の製品固有の情報または被加工物固有の情報を決定するように構成されている。コンピューティングデバイスは、研磨製品の製品固有の情報および／または被加工物固有の情報を１つ以上のクライアントデバイスに提供するようにさらに構成されている。
第４の態様では、コンピュータ実装方法が提供される。コンピュータ実装方法は、コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することを含む。１つ以上のセンサは、ユーザによって操作されるハンドヘルド研磨製品に近接して配設されている。１つ以上のセンサは、ハンドヘルド研磨製品を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている。コンピューティングデバイスは、入力センサデータを受信し、入力センサデータに基づいて研磨製品の製品固有の情報を出力するように構成された、訓練された機械学習システムへのアクセス権を有する。コンピュータ実装方法は、訓練された機械学習システムによって、センサデータに基づいて研磨製品情報の製品固有の情報を決定することを含む。コンピュータ実装方法はまた、研磨製品の研磨作業に関する製品固有の情報を１つ以上のクライアントデバイスに提供することを含む。
第５の態様では、コンピュータ実装方法が提供される。コンピュータ実装方法は、コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することを含む。１つ以上のセンサは、自動プロセスによって操作される研磨製品に近接して配設されている。１つ以上のセンサは、研磨製品を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている。コンピューティングデバイスは、入力センサデータを受信し、入力センサデータに基づいて研磨製品の製品固有の情報を出力するように構成された、訓練された機械学習システムへのアクセス権を有する。コンピュータ実装方法は、訓練された機械学習システムによって、センサデータに基づいて研磨製品の製品固有の情報を決定することを含む。コンピュータ実装方法はまた、研磨製品に関する製品固有の情報を１つ以上のクライアントデバイスに提供することを含む。
第６の態様では、コンピュータ実装方法が提供される。コンピュータ実装方法は、コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することを含む。１つ以上のセンサは、１つ以上の研磨製品に近接して配設されている。１つ以上のセンサは、１つ以上の研磨製品を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている。１つ以上の研磨製品は、複数の企業にわたって位置する。コンピュータ実装方法は、コンピューティングデバイスを使用して、機械学習システムを訓練して、センサデータに基づいて１つ以上の研磨製品の製品固有の情報または被加工物固有の情報を決定することをさらに含む。コンピュータ実装方法は、コンピューティングデバイスを使用して、訓練された機械学習システムを提供することを追加的に含む。
例示的な実施形態による、成形された研磨粒子の斜視図を含む。 例示的な実施形態による、図１Ａの成形された研磨粒子の上面図を含む。 例示的な実施形態による、成形された研磨粒子の斜視図を含む。 例示的な実施形態による、制御された高さの研磨粒子（ＣＨＡＰ）の斜視図を含む。 例示的な実施形態による、成形されていない粒子の斜視図を含む。 例示的な実施形態による、微粒子材料を組み込むコーティングされた研磨物品の断面図を含む。 例示的な実施形態による、コーティングされた研磨材の一部分の上面図を含む。 例示的な実施形態による、コーティングされた研磨材の一部分の断面を例示する。 例示的な実施形態による、結合研磨物品の斜視図を含む。 例示的な実施形態による、研磨物品の断面図を例示する。 例示的な実施形態による、電子アセンブリの断面図を例示する。 例示的な実施形態による、本体上の電子アセンブリの解放可能なカップリングの上面図を例示する。 例示的な実施形態による、研磨システムを例示する。 例示的な実施形態による、微視的相互作用を例示する。 例示的な実施形態による、微視的相互作用を例示する。 例示的な実施形態による、微視的相互作用を例示する。 例示的な実施形態による、コンピューティングデバイスのブロック図を例示する。 例示的な実施形態による、機械学習プラットフォームの配置を例示する。 例示的な実施形態による、企業、機械学習システム、入力要求、および出力予測を含むシナリオを図示する。 例示的な実施形態による、機械学習システムに対する入力デバイスを表すシナリオを例示する。 例示的な実施形態による、機械学習システムから予測を受信するデバイスを図示する。 例示的な実施形態による、方法のフローチャートである。 例示的な実施形態による、方法のフローチャートである。 例示的な実施形態による、方法のフローチャートである。 例示的な実施形態による、研磨ホイールを例示する。 例示的な実施形態による、研磨ホイールを例示する。 例示的な実施形態による、タグの構成要素を例示する。 例示的な実施形態による、通信環境を例示する。 例示的な実施形態による、通信環境を例示する。 例示的な実施形態による、方法を例示する。 例示的な実施形態による、状態図を例示する。 例示的な実施形態による、モバイルデバイスの図を例示する。 例示的な実施形態による、モバイルデバイスの図を例示する。 例示的な実施形態による、モバイルデバイスの図を例示する。 例示的な実施形態による、モデルを例示する。 例示的な実施形態による、ウェブアプリケーションの図を例示する。 例示的な実施形態による、着用可能デバイスのいくつかの表示を例示する。 例示的な実施形態による、分析プラットフォームのペインを例示する。 例示的な実施形態による、分析プラットフォームのペインを例示する。 例示的な実施形態による、分析プラットフォームのペインを例示する。 例示的な実施形態による、グラフを例示する。 例示的な実施形態による、グラフを例示する。
例示的な方法、デバイス、およびシステムが本明細書に説明される。「例」、「例示的な」という単語は、「例、事例、または例示として用いる」を意味するように本明細書で使用されることを理解されたい。「例」または「例示的」であるとして本明細書に説明される任意の実施形態または特徴は、他の実施形態または特徴を上回って優位または有利であるように解釈される必要はない。本明細書に提示される主題の範囲から逸脱せずに、他の実施形態が利用されてもよく、他の変更が行われてもよい。
したがって、本明細書に説明される例示的な実施形態は、限定を意味するものではない。本明細書に概して説明され、図に例示される本開示の態様は、多種多様な異なる構成に配置、置換、合成、分離、および設計され得、それらの全てが、本明細書に企図される。
さらに、文脈が別様に示唆しない限り、図の各々に例示される特徴は、互いに組み合わせて使用されてもよい。したがって、図は、概して、１つ以上の実施形態全体の構成要素の態様として見られるべきであり、全ての例示された特徴が、各実施形態に必要である訳ではないことを理解するべきである。
Ｉ．概要
研磨製品は、家の修繕計画から高度に技術的な精密エンジニアリングにわたる、多種多様な産業用および家庭用の作業で、広範囲に使用される。これらの製品の支援で、オペレータは、研削、ポリッシング、バフ研磨、および他の作業を実施して、多くの異なる種類の材料を成形および表面仕上げすることができる。
多くの場合、研磨製品製造者は、製造者の研磨製品の生産性および安全性を改善するために、顧客から作業データを収集する。例えば、製造者は、研磨製品にセンサを備え付けて、研磨製品の入力（例えば、製品を形成する構成要素）、動作（例えば、製品の動力、速度、および／または振動）、および出力（例えば、最終材料表面仕上がり）に関するデータストリームを生成することができる。例えばモノのインターネット（ＩｏＴ）集約ツールを通じて複数のデータストリームを組み合わせることによって、製造者は、広範な研磨製品から診断情報を獲得して、プロセス監視を実施し、顧客問題に対処し、かつ今後の研磨製品の開発を改善する製造者の能力を強化することができる。
さらなる価値を提供するためには、製造者が、診断情報を顧客にとって容易に使用可能な形態に変換することが有益であり得る。例えば、顧客が企業であり得るとすると、企業の生産管理者は、研磨製品の生産性および品質情報に関心があり得るのに対して、企業のオペレータは、リアルタイムの安全性情報に関心があり得る。したがって、製造者が、診断情報をテキスト通知に変換し、かつ生産管理者およびオペレータによって使用されるグラフィカルインターフェースにこの通知を伝送することが有利であり得る。
診断情報を効率的に変換および伝送するために、製造者は、企業内で作業している個人／実体を理解し、かつリアルタイムで診断情報を関連した個人／実体に配信する、リモートでホストされたプラットフォームから利益を受け得る。そのようなプラットフォームの目標は、顧客が、研磨製品データを分析する時間を無駄にせずに、製品で高価値材料を生産することに注力することができるように、顧客の手順のための予測インテリジェンスおよび分析フレームワークを開発することであろう。
この目標を達成するために、研磨製品製造者の顧客に予測分析をインテリジェントに提供し得る機械学習プラットフォームが、本明細書に説明される。そのような機械学習プラットフォームは、顧客からリモートでホストされ得るが、セキュア接続によって顧客からのデータおよびサービスにアクセスしてもよい。機械学習プラットフォームは、ウェブベースであり、かつ多様なインターネット対応のクライアントデバイスからアクセス可能であり得る。例えば、機械学習プラットフォームは、顧客がプラットフォームによって提供される特徴に容易にアクセスすることを可能にするモバイルアプリケーション構成要素（ｉＯＳ／Ａｎｄｒｏｉｄ）およびウェブサービス構成要素を有し得る。
そのような機械学習プラットフォームは、いくつかの望ましい能力および特性を有し得る。例えば、複数の顧客間にわたる集約診断情報を利用することによって、機械学習プラットフォームは、顧客の作業を推奨および／または調整するためのリアルタイムのフィードバックと、顧客の今後のビジネス決定を推進するためのリアルタイムの予想統計量と、を提供する深い洞察を進展させることができる。機械学習プラットフォームのこれらの特性はまた、製造者によって、研磨サービスおよび研磨製品を含む新しいビジネスモデルを開発し、それによって、製造者のさらなる成長を推進するように、活用され得る。そのような機械学習プラットフォームの他の特徴、機能、および利益が、存在し得、以下の議論から認識および理解されるであろう。
したがって、研磨製品の挙動を示す研磨作業データを使用するための方法およびシステムが、本明細書に開示される。本明細書に説明されるように、研磨作業データは、機械学習プラットフォームに送信されて、１つ以上の機械学習モデルを訓練し得る。各機械学習モデルは、研磨作業データに基づいて、研磨製品の１つ以上の挙動を予測するように構成され得る。機械学習プラットフォームは、研磨製品上のインターフェースに、モバイルコンピューティングデバイスに、または分析プラットフォームに、研磨製品に関連した製品固有の情報または被加工物固有の情報を伝送し得る。この情報は、製品を使用するオペレータに人間工学的推奨事項を提供すること、製品の寿命終点を決定すること、および／または作業改善（例えば、ワークフローのベストプラクティス）を決定することを含み得る。
ＩＩ．例示的な研磨粒子
本明細書に使用される際、研磨工具という用語は、研磨物品と使用されるように構成された任意の工具を含む。研磨物品は、少なくとも基材および基材に接続された（例えば、基材の中に収容されるか、または上にある）研磨粒子を含む、固定研磨物品を含み得る。本明細書の実施形態の研磨物品は、結合研磨材、コーティングされた研磨材、不織布研磨材、薄型ホイール、切削ホイール、強化研磨物品、超研磨材、単層研磨物品などとすることができる。そのような研磨物品は、例えば、限定されるものではないが、成形された研磨粒子、一定の高さの研磨粒子、成形されていない研磨粒子（例えば、破壊された、押し出された、または爆発された研磨粒子）などを含む、１つ以上の様々な種類の研磨物品を含み得る。
図１Ａは、一実施形態による、成形された研磨物品の斜視図を含む。成形された研磨粒子１００は、主表面１０２、主表面１０３、および主表面１０２と１０３との間に延在する側面１０４を含む、本体１０１を含み得る。図１Ａに例示されるように、成形された研磨粒子１００の本体１０１は、薄い形状の本体であり得、主表面１０２および１０３は、側面１０４よりも大きい。さらに、本体１０１は、頂点から底部に延在し、主表面１０２または１０３上の中点１５０を通る、長手方向軸１１０を含み得る。長手方向軸１１０は、主表面に沿って、主表面１０２の中点１５０を通る、本体の最長寸法を画定することができる。
ある特定の粒子では、本体の主表面の中点が、容易に明らかでない場合、主表面を俯瞰し、主表面の二次元形状の周囲の最も近くに適合する円を描き、主表面の中点としてその円の中心を使用してもよい。
図１Ｂは、図１Ａの成形された研磨粒子の上面図を含む。とりわけ、本体１０１は、三角形の二次元形状を有する主表面１０２を含む。円１６０が、主表面１０２上の中点１５０の位置を容易にするように三角形の周囲に描かれている。
図１Ａを再び参照すると、本体１０１は、同じ主表面１０２上の長手方向軸１１０に概して垂直に延在する、本体１０１の幅を画定する、横軸１１１をさらに含み得る。最終的には、図示されるように、本体１０１は、縦軸１１２を含み得、これは、薄い形状の本体の文脈において、本体１０１の高さ（または厚さ）を画定することができる。薄い形状の本体では、長手方向軸１１０の長さは、縦軸１１２よりも長い。例示されるように、縦軸１１２に沿った厚さは、主表面１０２と主表面１０３との間の側面１０４に沿って、長手方向軸１１０および横軸１１１によって画定される平面に垂直に延在し得る。本明細書で言及される研磨粒子の長さ、幅、および高さは、例えば、固定研磨材に付着される研磨粒子の群を含む、より大きい群の研磨粒子の好適なサンプリングサイズからとった、平均値についての言及であり得ることが理解されるであろう。
薄い形状の研磨粒子を含む、本明細書の実施形態の成形された研磨粒子は、長さが幅以上であり得るような、第１のアスペクト比の長さ：幅を有し得る。さらに、本体１０１の長さは、高さ以上であり得る。最終的には、本体１０１の幅は、高さ以上であり得る。一実施形態によれば、第１のアスペクト比の長さ：幅は、少なくとも１．１：１、少なくとも１．２：１、少なくとも１．５：１、少なくとも１．８：１、少なくとも２：１、少なくとも３：１、少なくとも４：１、少なくとも５：１、少なくとも６：１、またはさらには少なくとも１０：１などの、少なくとも１：１であり得る。別の非限定的な実施形態では、成形された研磨粒子の本体１０１は、１００：１以下、５０：１以下、１０：１以下、６：１以下、５：１以下、４：１以下、３：１以下、２：１以下、またはさらには１：１以下の第１のアスペクト比の長さ：幅を有し得る。本体１０１の第１のアスペクト比は、上に示された最小比および最大比のうちのいずれかを含む範囲内であり得ることが理解されるであろう。
しかしながら、ある特定の他の実施形態では、幅は、長さよりも長い場合がある。例えば、本体１０１が正三角形であるそのような実施形態では、幅は、長さよりも長い場合がある。かかる実施形態では、第１のアスペクト比の長さ：幅は、少なくとも１：１．１、または少なくとも１：１．２、または少なくとも１：１．３、または少なくとも１：１．５、または少なくとも１：１．８、または少なくとも１：２、または少なくとも１：２．５、または少なくとも１：３、または少なくとも１：４、または少なくとも１：５、または少なくとも１：１０であり得る。また、非限定的な実施形態では、第１のアスペクト比の長さ：幅は、１：１００以下、または１：５０以下、または１：２５以下、または１：１０以下、または５：１以下、または３：１以下であり得る。本体１０１の第１のアスペクト比は、上に示された最小比および最大比のうちのいずれかを含む範囲内であり得ることが理解されるであろう。
さらに、本体１０１は、少なくとも１．１：１、少なくとも１．２：１、少なくとも１．５：１、少なくとも１．８：１、少なくとも２：１、少なくとも３：１、少なくとも４：１、少なくとも５：１、少なくとも８：１、またはさらには少なくとも１０：１などの、少なくとも１：１であり得る第２のアスペクト比の幅：高さを有し得る。また、別の非限定的な実施形態では、本体１０１の第２のアスペクト比の幅：高さは、５０：１以下、１０：１以下、８：１以下、６：１以下、５：１以下、４：１以下、３：１以下、またはさらには２：１以下などの、１００：１以下であり得る。第２のアスペクト比の幅：高さは、上の最小比および最大比のうちのいずれかを含む範囲内であり得ることが理解されるであろう。
別の実施形態では、本体１０１は、少なくとも１．２：１、少なくとも１．５：１、少なくとも１．８：１、少なくとも２：１、少なくとも３：１、少なくとも４：１、少なくとも５：１、少なくとも８：１、またはさらには少なくとも１０：１などの、少なくとも１．１：１であり得る第３のアスペクト比の長さ：高さを有し得る。また、別の非限定的な実施形態では、本体１０１の第３のアスペクト比の長さ：高さは、５０：１以下、１０：１以下、８：１以下、６：１以下、５：１以下、４：１以下、３：１以下などの、１００：１以下であり得る。本体１０１第３のアスペクト比は、最小比および最大比のうちのいずれかを含む範囲内、ならびに上記であり得ることが理解されるであろう。
成形された研磨粒子を含む本明細書の実施形態の研磨粒子は、結晶質材料、より具体的には多結晶質材料を含み得る。とりわけ、多結晶質材料は、研磨粒を含み得る。一実施形態では、例えば、成形された研磨粒子の本体を含む研磨粒子の本体は、本質的に結合材などの有機材料を含まなくてもよい。少なくとも１つの実施形態では、研磨粒子は、本質的に多結晶質材料からなり得る。別の実施形態では、成形された研磨粒子などの研磨粒子は、シランを含まなくてもよく、具体的には、シランコーティングを有さなくてもよい。
研磨粒子は、限定されるものではないが、窒化物、酸化物、炭化物、ホウ化物、オキシ窒化物、オキシホウ化物、ダイヤモンド、炭素含有材料、およびこれらの組み合わせを含む、ある特定の材料で作製され得る。特定の事例では、研磨粒子は、酸化アルミニウム、酸化ジルコニウム、酸化チタン、酸化イットリウム、酸化クロム、酸化ストロンチウム、酸化ケイ素、酸化マグネシウム、希土類酸化物などの酸化物化合物または複合体、およびそれらの組み合わせを含み得る。研磨粒子は、超研磨粒子とすることができる。
特定の一実施形態では、研磨粒子は、過半量のアルミナを含み得る。少なくとも１つの実施形態について、研磨粒子は、少なくとも９０重量％のアルミナ、少なくとも９１重量％のアルミナ、少なくとも９２重量％のアルミナ、少なくとも９３重量％のアルミナ、少なくとも９４重量％のアルミナ、少なくとも９５重量％のアルミナ、少なくとも９６重量％のアルミナ、またはさらに少なくとも９７重量％のアルミナなどの、少なくとも８０重量％のアルミナを含み得る。また、少なくとも１つの特定の実施形態では、研磨粒子は、９９重量％以下のアルミナ、９８．５重量％以下のアルミナ、９７．５重量％以下のアルミナ、９７重量％以下のアルミナ、９６重量％以下のアルミナ、またはさらに９４重量％以下のアルミナなどの、９９．５重量％以下のアルミナを含み得る。本明細書の実施形態の研磨粒子は、上記の最小および最大パーセンテージのいずれかを含む範囲内でアルミナの含有量を含み得ることが理解されるであろう。さらに、特定の事例では、成形された研磨粒子は、種晶ゾルゲルから形成され得る。少なくとも１つの実施形態では、研磨粒子は、本明細書に説明されるように、アルミナおよび特定のドーパント材料から本質的になり得る。
本明細書の実施形態の研磨粒子は、特に、研磨材として使用するために好適であり得る、濃密体を含み得る。例えば、研磨粒子は、少なくとも９６％の理論密度、少なくとも９７％の理論密度、少なくとも９８％の理論密度、またはさらに少なくとも９９％の理論密度などの、少なくとも９５％の理論密度の密度を有する本体を有し得る。
研磨粒子の本体内に含有される研磨粒（すなわち、結晶子）は、概して、約１００マイクロメートル以下である平均粒径（すなわち、平均結晶径）を有し得る。他の実施形態では、平均粒径は、約８０マイクロメートル以下、または約５０マイクロメートル以下、または約３０マイクロメートル以下、または約２０マイクロメートル以下、または約１０マイクロメートル以下、または６マイクロメートル以下、または５マイクロメートル以下、または４マイクロメートル以下、または３．５マイクロメートル以下、または３マイクロメートル以下、または２．５マイクロメートル以下、または２マイクロメートル以下、または１．５マイクロメートル以下、または１マイクロメートル以下、または０．８マイクロメートル以下、または０．６マイクロメートル以下、または０．５マイクロメートル以下、または０．４マイクロメートル以下、または０．３マイクロメートル以下、またはさらに０．２マイクロメートル以下など、小さくてもよい。また、研磨粒子の本体内に含有される研磨粒の平均粒径は、少なくとも約０．０５マイクロメートル、または少なくとも約０．０６マイクロメートル、または少なくとも約０．０７マイクロメートル、または少なくとも約０．０８マイクロメートル、または少なくとも約０．０９マイクロメートル、または少なくとも約０．１マイクロメートル、または少なくとも約０．１２マイクロメートル、または少なくとも約０．１５マイクロメートル、または少なくとも約０．１７マイクロメートル、または少なくとも約０．２マイクロメートル、またはさらに少なくとも約０．３マイクロメートルなどの、少なくとも約０．０１マイクロメートルであり得る。研磨粒子は、上記の最小および最大値のいずれかの間の範囲内の平均粒径（すなわち、平均結晶径）を有し得ることが理解されるであろう。
平均粒径（すなわち、平均結晶径）は、走査電子顕微鏡（ＳＥＭ）顕微鏡写真を使用する、未修正の切片法に基づいて測定することができる。エポキシ樹脂中でベークライトの台を作製し、次いでＳｔｒｕｅｒｓ Ｔｅｇｒａｍｉｎの３０ポリッシングユニットを使用して、ダイアモンドポリッシングスラリーを用いてポリッシングすることによって、研磨粒の試料を調製する。ポリッシングの後に、エポキシをホットプレート上で加熱し、次いでポリッシングした表面を１５０℃未満の焼結温度で５分間熱エッチングする。個々の粒（５～１０グリット）をＳＥＭ台上に取り付け、次いでＳＥＭ準備のために金でコーティングする。３つの個々の研磨粒子のＳＥＭ顕微鏡写真をおよそ５０，０００倍の倍率で撮影し、次いで未修正の結晶子径を以下のステップを使用して計算する：１）写真の底部の黒いデータ帯域を除いて、結晶構造図の１つの角から対向する角へ対角線を引き、２）Ｌ１およびＬ２として対角線の長さを０．１センチメートル単位で測定し、３）対角線の各々が交差する粒界の数（すなわち、粒界交差部Ｉ１およびＩ２）を数え、対角線の各々のこの数を記録し、４）各顕微鏡写真または図面の底部のマイクロメートルで長さを示す横棒（すなわち、「横棒長さ」）の（センチメートルでの）長さを測定することによって、計算された横棒の数値を決定し、（マイクロメートルでの）横棒長さを（センチメートルでの）横棒長さによって除算し、５）顕微鏡写真上に引いた対角線の総センチメートルを加算して（Ｌ１＋Ｌ２）、対角線の長さの合計を得、６）両方の対角線（Ｉ１＋Ｉ２）の粒界交差部の数を加算して、粒界交差部の合計を得、７）センチメートルでの対角線の長さの合計（Ｌ１＋Ｌ２）を粒界交差部の合計（Ｉ１＋Ｉ２）によって除算し、この数を計算された横棒の数値で乗算する。このプロセスを、３つの異なる無作為に選択された試料に対して少なくとも３回別々に完了し、平均結晶子径を得る。
特定の実施形態によると、特定の研磨粒子は、研磨粒子の本体内に少なくとも２つの異なる種類の粒を含む複合物品であり得る。異なる種類の粒が、互いに対して異なる組成を有する粒であることが理解されるであろう。例えば、研磨粒子の本体は、２つの異なる種類の粒を含むように形成され得、２つの異なる種類の粒は、窒化物、酸化物、炭化物、ホウ化物、オキシ窒化物、オキシホウ化物、ダイヤモンド、およびこれらの組み合わせであり得る。
実施形態によると、研磨粒子は、少なくとも約１００マイクロメートルの最大寸法（すなわち、長さ）によって測定されたときに、平均粒径を有し得る。実際、研磨粒子は、少なくとも約２００マイクロメートル、少なくとも約３００マイクロメートル、少なくとも約４００マイクロメートル、少なくとも約５００マイクロメートル、少なくとも約６００マイクロメートル、少なくとも約マイクロメートル、少なくとも約８００マイクロメートル、またはさらに少なくとも約９００マイクロメートルなどの、少なくとも約１５０マイクロメートルの平均粒径を有し得る。また、本明細書の実施形態の研磨粒子は、約３ｍｍ以下、約２ｍｍ以下、またはさらに約１．５ｍｍ以下などの、約５ｍｍ以下である平均粒径を有し得る。研磨粒子は、上記の最小および最大値のいずれかの間の範囲内の平均粒径を有し得ることが理解されるであろう。
図１Ａは、概して三角形の二次元形状を有する、上主表面１０２または主表面１０３の平面によって画定されるような二次元形状を有する、成形された研磨粒子の図を含む。本明細書の実施形態の成形された研磨粒子は、このように限定されず、他の二次元形状を含み得ることが理解されるであろう。例えば、本明細書の実施形態の成形された研磨粒子としては、多角形、正多角形、不規則な多角形、弓状もしくは湾曲した側面、またはそのような側面の部分を含む不規則な多角形、楕円、数字、ギリシャ文字、ラテン文字、キリル文字、漢字、多角形形状の組み合わせを有する複雑な形状、中央領域および中央領域から延在する複数の腕部（例えば、少なくとも３本の腕部）を含む形状（例えば、星形）、ならびにそれらの組み合わせを含む形状の群からの、本体主表面によって画定されるような、二次元形状を有する本体を有する粒子を挙げることができる。特定の多角形形状としては、長方形、台形、四辺形、五角形、六角形、七角形、八角形、九角形、十角形、およびそれらの任意の組み合わせが挙げられる。別の場合では、最終的に形成される成形された研磨粒子は、不規則な四辺形、不規則な長方形、不規則な台形、不規則な五角形、不規則な六角形、不規則な七角形、不規則な八角形、不規則な九角形、不規則な十角形、およびそれらの組み合わせなどの二次元形状を有する本体を有し得る。不規則な多角形形状は、多角形形状を画定する辺のうちの少なくとも１つが、別の辺と比較して寸法（例えば、長さ）が異なるものである。本明細書の他の実施形態に図示されるように、ある特定の成形された研磨粒子の二次元形状は、特定の数の外点または外角を有し得る。例えば、成形された研磨粒子の本体は、長さおよび幅によって画定される平面の観点から二次元多角形形状を有し得、本体は、少なくとも４つの外点（例えば、四辺形）、少なくとも５つの外点（例えば、五角形）、少なくとも６つの外点（例えば、六角形）、少なくとも７つの外点（例えば、七角形）、少なくとも８つの外点（例えば、八角形）、少なくとも９つの外点（例えば、九角形）を有する二次元形状などを含む。
図１Ｃは、別の実施形態による、成形された研磨粒子の斜視図を含む。とりわけ、成形された研磨粒子１７０は、端部表面１７２および１７３と称され得る、表面１７２および１７３を含む、本体１７１を含み得る。本体は、端部表面１７２と端部表面１７３との間に延在し結合されている主表面１７４、１７５、１７６、１７７をさらに含み得る。図１Ｃの成形された研磨粒子は、主表面１７５に沿って、かつ端部表面１７２と端部表面１７３との間の中点１８４を通って延在する長手方向軸１８０を有する、細長く成形された研磨粒子である。図１Ａ～Ｃの成形された研磨粒子などの、識別可能な二次元形状を有する粒子について、長手方向軸は、主表面上の中点を通る本体の長さを画定することが容易に理解されるであろう次元である。例えば、図１Ｃでは、成形された研磨粒子１７０の長手方向軸１８０は、示されるように、主表面を画定する縁部に平行な端部表面１７２と端部表面１７３との間に延在する。かかる長手方向軸は、棒の長さを画定するであろうものと一致する。とりわけ、長手方向軸１８０は、端部表面１７２および１７３を接合する角間、ならびに主表面１７５を画定する縁部を斜めに延在しないが、かかる線は、最も長い寸法を画定し得る。主表面が、完全に平面の表面と比較して、うねりまたは微小な不完全な部分を有する場合、長手方向軸は、うねりを無視して、俯瞰した二次元画像を使用して画定してもよい。
本体１７１が、概して端部表面１７２および１７３によって画定されるように正方形の断面輪郭を有するので、表面１７５は、長手方向軸１８０を図示するために選択されていることが理解されるであろう。したがって、表面１７４、１７５、１７６、および１７７は、互いに対してほぼ同じサイズであり得る。しかしながら、他の細長い研磨粒子の文脈では、表面１７２および１７３は、異なる形状、例えば、長方形形状を有し得、したがって、表面１７４、１７５、１７６、および１７７のうちの少なくとも１つは、他と比較してより大きい場合がある。かかる場合では、最大表面は主表面を画定し得、長手方向軸は、表面のうちの最大のものに沿って中点１８４を通り延在し、主表面を画定する縁部に平行に延在し得る。さらに図示されるように、本体１７１は、表面１７５によって画定される同じ表面内で長手方向軸１８０に垂直に延在する横軸１８１を含み得る。さらに図示されるように、本体１７１は、研磨粒子の高さを画定する縦軸１８２をさらに含み得、縦軸１８２は、表面１７５の長手方向軸１８０および横軸１８１によって画定される平面に垂直方向に延在する。
図１Ａ～Ｂの薄い形状の研磨粒子のように、図１Ｃの細長く成形された研磨粒子は、図１Ａ～Ｂの成形された研磨粒子に対して画定されたものなどのような様々な二次元形状を有し得ることが容易に理解されるであろう。本体１７１の二次元形状は、端部表面１７２および１７３の外周の形状によって画定され得る。細長く成形された研磨粒子１７０は、本明細書の実施形態の成形された研磨粒子の属性のうちのいずれかを有し得る。
図２Ａは、一実施形態による、制御された高さの研磨粒子（ＣＨＡＰ）の斜視図を含む。例示されるように、ＣＨＡＰ２００は、第１の主表面２０２、第２の主表面２０３、および第１の主表面２０２と第２の主表面２０３との間に延在する側面２０４を含む、本体２０１を含み得る。図２Ａに例示されるように、本体２０１は、薄く、比較的平面の形状を有し得、第１および第２の主表面２０２および２０３が、側面２０４よりも大きく、実質的に互いに平行である。さらに、本体２０１は、中点２２０を通って延在し、本体２０１の長さを画定する長手方向軸２１０を含み得る。本体２０１は、第１の主表面２０２上の横軸２１１をさらに含み得、これは、第１の主表面２０２の中点２２０を通って延在し、長手方向軸２１０に垂直であり、本体２０１の幅を画定する。
本体２０１は、縦軸２１２をさらに含み得、これは、本体２０１の高さ（または厚さ）を画定し得る。図示されるように、縦軸２１２は、第１および第２の主表面２０２および２０３の間の側面２０４に沿って、第１の主表面上の軸２１０および２１１によって画定される平面に概して垂直の方向に延在する。図２Ａに例示されるＣＨＡＰ ２００などの薄く成形された本体について、長さは、幅以上であり得、長さは、高さを超え得る。本明細書で言及される研磨粒子の長さ、幅、および高さは、研磨粒子のバッチのうちの好適なサンプリングサイズの研磨粒子からとった、平均値についての言及であり得ることが理解されるであろう。
図１Ａ、１Ｂ、および１Ｃの成形された研磨粒子とは異なり、図２ＡのＣＨＡＰ ２００は、第１または第２の主表面２０２および２０３の外周に基づいて、容易に識別可能な二次元形状を有していない。かかる研磨粒子は、限定されないが、制御された高さを有するが、不規則に形成された平面の主表面を有する研磨粒子を形成するために、材料の薄い層を破砕することを含む、多様な方式で形成され得る。かかる粒子では、長手方向軸は、表面上の中点を通って延在する、主表面上の最長寸法として定義される。主表面が、うねりを有する場合、長手方向軸は、うねりを無視して、俯瞰した二次元画像を使用して画定してもよい。さらに、図１Ｂで上記のように、最も近くに適合する円を使用して、主表面の中点を識別し、ならびに長手方向軸および横軸を識別してもよい。
図２Ｂは、成形されていない粒子の例示を含み、希釈剤粒、充填材、凝集体などのような細長い、成形されていない研磨粒子、または第２の粒子であり得る。成形された研磨粒子は、鋳造、プリンティング、鋳込み、押し出しなどを含む特定のプロセスを通じて形成することができる。成形された研磨粒子は、各粒子が互いに対して実質的に同じ配置の表面および縁部を有するように形成することができる。例えば、成形された研磨粒子の群は、概して互いに対して同じ配置および方向、ならびにまたは二次元形状の表面および縁部を有する。したがって、成形された研磨粒子は、互いに対する表面および縁部の配置において、比較的高い形状の忠実度および一貫性を有する。さらに、一定の高さの研磨粒子（ｃｏｎｓｔａｎｔ ｈｅｉｇｈｔ ａｂｒａｓｉｖｅ ｐａｒｔｉｃｌｅｓ、ＣＨＡＰ）はまた、主表面を俯瞰すると不規則な二次元形状を有し得る薄い形状の本体の形成を容易にする、特定のプロセスを通じて形成することができる。ＣＨＡＰは、成形された研磨粒子よりも低い形状忠実度を有し得るが、実質的に平面の、側面によって離間されている平行な主表面を有し得る。
対照的に、成形されていない粒子は、異なるプロセスを通じて形成され得、成形された研磨粒子およびＣＨＡＰと比較して、異なる形状属性を有する。例えば、成形されていない粒子は、典型的には、材料の塊を形成し、次いで破壊し、ふるいにかけて、ある特定のサイズの研磨粒子を得る、粉砕プロセスによって形成される。しかしながら、成形されていない粒子は、概して無作為な配置の表面および縁部を有し、概して表面および縁部の配置において識別可能な二次元または三次元形状を欠くであろう。さらに、成形されていない粒子は、互いに対して一貫した形状を有する必要はなく、したがって、成形された研磨粒子またはＣＨＡＰと比較して、顕著により低い形状忠実度を有する。成形されていない粒子は、概して、各粒子に対して、および他の成形されていない粒子と比較して、無作為な配置の表面および縁部によって画定される。
図２Ｂは、成形されていない粒子の斜視図を含む。成形されていない粒子２５０は、概して無作為に配置された、本体２５１の外表面に沿って延在する縁部２５５を含む、本体２５１を有し得る。本体は、粒子の最長寸法を画定する長手方向軸２５２をさらに含み得る。長手方向軸２５２は、二次元の観点から、本体の最長寸法を画定する。したがって、長手方向軸が主表面上で測定される成形された研磨粒子およびＣＨＡＰとは異なり、成形されていない粒子の長手方向軸は、粒子の最長寸法の観点を提供する画像または視点を使用して、粒子を二次元的に見ると、互いから最も遠い本体上の点によって画定される。つまり、図２Ｂに例示されるものなどの、細長いが、成形されていない粒子は、長手方向軸を適切に求めるために、最長寸法外観をなす斜視において観察されるべきである。本体２５１は、長手方向軸２５２に垂直に延在し、粒子の幅を画定する横軸２５３をさらに含み得る。横軸２５３は、長手方向軸２５２を同定するのに使用した同じ平面の長手方向軸の中点２５６を通り、長手方向軸２５２に垂直に延在し得る。研磨粒子は、縦軸２５４によって画定されるように、高さ（または厚さ）を有し得る。縦軸２５４は、中点２５６を通るが、長手方向軸２５２および横軸２５３を画定するのに使用した表面に垂直の方向で、延在し得る。高さの値を求めるために、研磨粒子を見る尺度を変えて、長さおよび幅の値を求めるのに使用したものとは異なる視点から粒子を見る必要があり得る。
理解されるであろうように、研磨粒子は、長手方向軸２５２によって画定される長さ、横軸２５３によって画定される幅、および高さを画定する縦軸２５４を有し得る。理解されるであろうように、本体２５１は、長さが幅以上であるような、第１のアスペクト比の長さ：幅を有し得る。さらに、本体２５１の長さは、高さ以上、または高さに等しくてもよい。最終的には、本体２５１の幅は、高さ以上であり得る。一実施形態によれば、第１のアスペクト比の長さ：幅は、少なくとも１．１：１、少なくとも１．２：１、少なくとも１．５：１、少なくとも１．８：１、少なくとも２：１、少なくとも３：１、少なくとも４：１、少なくとも５：１、少なくとも６：１、またはさらには少なくとも１０：１であり得る。別の非限定的な実施形態では、細長く成形された研磨粒子の本体２５１は、１００：１以下、５０：１以下、１０：１以下、６：１以下、５：１以下、４：１以下、３：１以下、またはさらには２：１以下の第１のアスペクト比の長さ：幅を有し得る。本体２５１の第１のアスペクト比は、上に示された最小比および最大比のうちのいずれかを含む範囲内であり得ることが理解されるであろう。
さらに、本体２５１は、少なくとも１．２：１、少なくとも１．５：１、少なくとも１．８：１、少なくとも２：１、少なくとも３：１、少なくとも４：１、少なくとも５：１、少なくとも８：１、またはさらには少なくとも１０：１などの、少なくとも１．１：１の第２のアスペクト比の幅：高さを有し得る。また、別の非限定的な実施形態では、本体２５１の第２のアスペクト比の幅：高さは、５０：１以下、１０：１以下、８：１以下、６：１以下、５：１以下、４：１以下、３：１以下、またはさらには２：１以下などの、１００：１以下であり得る。第２のアスペクト比の幅：高さは、上の最小比および最大比のうちのいずれかを含む範囲を有し得ることが理解されるであろう。
別の実施形態では、本体２５１は、少なくとも１．２：１、少なくとも１．５：１、少なくとも１．８：１、少なくとも２：１、少なくとも３：１、少なくとも４：１、少なくとも５：１、少なくとも８：１、またはさらには少なくとも１０：１などの、少なくとも１．１：１であり得る第３のアスペクト比の長さ：高さを有し得る。また、別の非限定的な実施形態では、本体２５１の第３のアスペクト比の長さ：高さは、５０：１以下、１０：１以下、８：１以下、６：１以下、５：１以下、４：１以下、３：１以下などの、１００：１以下であり得る。本体２５１の第３のアスペクト比は、最小比および最大比のうちのいずれかを含む範囲、ならびに上記を有し得ることが理解されるであろう。
成形されていない粒子２５０は、例えば、限定されないが、組成、微細構造的な特徴（例えば、平均粒径）、硬さ、気孔性などを含む、本明細書の実施形態に説明される研磨粒子の属性のうちのいずれかを有し得る。
本明細書の実施形態の研磨物品は、異なる種類の研磨粒子、異なる種類の第２の粒子、またはこれらの任意の組み合わせを含む、異なる種類の粒子を組み込み得る。例えば、一実施形態では、コーティングされた研磨物品は、成形された研磨粒子を含む第１の種類の研磨粒子、および第２の種類の研磨粒子を含み得る。第２の種類の研磨粒子は、成形された研磨粒子または成形されていない研磨粒子であり得る。
図３は、一実施形態による、微粒子材料を組み込む、コーティングされた研磨物品の断面図を含む。図示されるように、コーティングされた研磨材３００は、基材３０１と、基材３０１の表面を覆うメイクコート３０３と、を含み得る。コーティングされた研磨材３００は、第１の種類の成形された研磨粒子の形態の第１の種類の微粒子材料３０５と、第２の種類の成形された研磨粒子の形態の第２の種類の微粒子材料３０６と、希釈剤研磨粒子、成形されていない研磨粒子、充填材などのような第２の粒子であり得る、第３の種類の微粒子材料３０７と、をさらに含み得る。コーティングされた研磨材３００は、研磨微粒子材料３０５、３０６、３０７、およびサイズコート３０４を覆い、結合させるサイズコート３０４をさらに含み得る。他の層または材料が、基材に追加されてもよく、他の構成要素の層は、例えば、限定されるものではないが、当業者に既知のフロントフィル、バックフィルなどを含むことが理解されるであろう。
一実施形態によれば、基材３０１は、有機材料、無機材料、およびそれらの組み合わせを含み得る。ある特定の場合では、基材３０１としては、織布材料を挙げることができる。しかしながら、基材３０１は、不織布材料から作製され得る。特に好適な基材材料としては、ポリマー、具体的にはポリエステル、ポリウレタン、ポリプロピレン、ＤｕＰｏｎｔからのＫＡＰＴＯＮなどのポリイミド、紙、またはそれらの任意の組み合わせを含む、有機材料を挙げることができる。いくつかの好適な無機材料としては、金属、金属合金、具体的には銅、アルミニウム、鋼、およびそれらの組み合わせの箔を挙げることができる。繊維の開放されたウェブであり得る不織布基材の文脈では、研磨粒子は、１つ以上の接着層によって繊維に接着され得る。そのような不織布製品では、研磨粒子は、繊維をコーティングするが、図３に例示されるように基材の主表面の上を覆うコンフォーマル層を形成する必要はない。そのような不織布製品が本明細書の実施形態に含まれることが理解されるであろう。
メイクコート３０３は、単一プロセスで基材３０１の表面に適用され得るか、または代替的に、微粒子材料３０５、３０６、３０７は、メイクコート３０３材料と組み合わされてもよく、混合物としてメイクコート３０３および微粒子材料３０５～３０７の組み合わせを基材３０１の表面に適用してもよい。ある特定の場合では、メイクコート中の粒子３０５～３０７の制御された堆積または配置には、メイクコート３０３を適用するプロセスを、メイクコート３０３に研磨微粒子材料３０５～３０７を堆積させるプロセスと分けることがより好適であり得る。また、かかるプロセスを組み合わせてもよいことが考慮される。メイクコート３０３の好適な材料としては、有機材料、具体的には、例えば、ポリエステル、エポキシ樹脂、ポリウレタン、ポリアミド、ポリアクリレート、ポリメタクリレート、ポリ塩化ビニル、ポリエチレン、ポリシロキサン、シリコーン、酢酸セルロース、ニトロセルロース、天然ゴム、デンプン、セラック、およびそれらの混合物を含む、ポリマー材料を挙げることができる。一実施形態では、メイクコート３０３としては、ポリエステル樹脂を挙げることができる。次いで、コーティングされた基材を加熱して、樹脂および研磨微粒子材料を基材に硬化させることができる。概して、コーティングされた基材３０１は、この硬化プロセス中約１００℃～約２５０℃未満の温度で加熱され得る。
本明細書の実施形態によれば、微粒子材料３０５～３０７は、異なる種類の研磨粒子を含み得る。異なる種類の研磨粒子としては、異なる種類の成形された研磨粒子、異なる種類の第２の粒子、またはそれらの組み合わせが挙げられ得る。異なる種類の粒子は、組成、二次元形状、三次元形状、粒径、粒子サイズ、硬さ、脆弱性、凝集、およびそれらの組み合わせにおいて、互いに異なり得る。例示されるように、コーティングされた研磨材３００は、概して角錐形状を有する第１の種類の成形された研磨粒子３０５、および概して三角形の二次元形状を有する第２の種類の研磨粒子３０６を含み得る。コーティングされた研磨材３００は、異なる量の第１の種類および第２の種類の成形された研磨粒子３０５および３０６を含み得る。コーティングされた研磨材は、異なる種類の成形された研磨粒子を含む必要がない場合があり、本質的に単一の種類の成形された研磨粒子からなってもよいことが理解されるであろう。理解されるであろうように、本明細書の実施形態の成形された研磨粒子は、異なる種類の成形された研磨粒子、第２の粒子などを含み得る、ブレンドの形態を含む様々な固定研磨材（例えば、結合研磨材、コーティングされた研磨材、不織布研磨材、薄型のホイール、切削ホイール、強化研磨物品など）に組み込まれ得る。
粒子３０７は、第１および第２の種類の成形された研磨粒子３０５および３０６とは異なる第２の粒子であり得る。例えば、第２の粒子３０７は、成形されていない研磨粒子を表す破壊された研磨グリットを含み得る。
研磨微粒子材料３０５～３０７を内部に含有するメイクコート３０３を十分に形成した後に、サイズコート３０４を形成して研磨微粒子材料３０５を覆い、適所で結合させてもよい。サイズコート３０４は、有機材料を含み得、本質的にポリマー材料から作製され得、とりわけ、ポリエステル、エポキシ樹脂、ポリウレタン、ポリアミド、ポリアクリレート、ポリメタクリレート、ポリ塩化ビニル、ポリエチレン、ポリシロキサン、シリコーン、酢酸セルロース、ニトロセルロース、天然ゴム、デンプン、セラック、およびそれらの混合物を使用し得る。
ＩＩＩ．例示的な研磨物品
図４は、実施形態による、コーティングされた研磨材の一部分の上面図を含む。コーティングされた研磨材４００は、第１の領域４１０、第２の領域４２０、第３の領域、４３０および第４の領域４４０などの複数の領域を含み得る。領域４１０、４２０、４３０および４４０の各々は、チャネル領域４５０によって離間され得、チャネル領域４５０が、粒子を含まない裏材の領域を画定する。チャネル領域４５０は、任意のサイズおよび形状を有し得、削り屑の除去および研削作業の改善に特に有用であり得る。チャネル領域は、長さ（すなわち、最長寸法）、および領域４１０、４２０、４３０、および４４０のうちのいずれか内のすぐ隣の研磨粒子間の平均空間よりも大きい幅（すなわち、長さに垂直の最短寸法）を有し得る。チャネル領域４５０は、本明細書の実施形態のうちのいずれかの任意選択的な特色である。
さらに例示されるように、第１の領域４１０は、互いに対して概して無作為な回転方向を有する成形された研磨粒子４１１の群を含み得る。成形された研磨粒子４１１の群は、互いに対して無作為な分布で配置され得るため、成形された研磨粒子４１１の配置に関して識別可能な短距離秩序または長距離秩序がない。とりわけ、成形された研磨粒子４１１の群は、第１の領域４１０内で実質的に均質に分布され得るので、塊（互いに接触している２つ以上の粒子）の形成が限定的である。第１の領域４１０の成形された研磨粒子４１１の群の粒の重量は、コーティングされた研磨材の意図される用途に基づいて制御してもよいことが理解されるであろう。
第２の領域４２０は、互いに対して制御された分布で配置されている成形された研磨粒子４２１の群を含み得る。さらに、成形された研磨粒子４２１の群は、互いに対して規則的かつ制御された回転方向を有し得る。例示されるように、成形された研磨粒子４２１の群は、コーティングされた研磨材４０１の裏材に対して同じ回転角度によって画定される概して同じ回転方向を有し得る。とりわけ、成形された研磨粒子４２１の群は、第２の領域４２０内で実質的に均質に分布され得るので、塊（互いに接触している２つ以上の粒子）の形成が限定的である。第２の領域４２０内の成形された研磨粒子４２１の群の粒の重量は、コーティングされた研磨材の意図される用途に基づいて制御してもよいことが理解されるであろう。
第３の領域４３０は、成形された研磨粒子４２１および第２の粒子４３２の複数の群を含み得る。成形された研磨粒子４３１および第２の粒子４３２の群は、互いに対して制御された分布で配置され得る。さらに、成形された研磨粒子４３１の群は、互いに対して規則的かつ制御された回転方向を有し得る。図示されるように、成形された研磨粒子４３１の群は、概して、コーティングされた研磨材４０１の裏材上で２つの種類の回転方向のうちの１つを有し得る。とりわけ、成形された研磨粒子４３１および第２の粒子４３２の群は、第３の領域４３０内で実質的に均質に分布され得るので、塊（互いに接触している２つ以上の粒子）の形成が限定的である。第３の領域４３０の、成形された研磨粒子４３１および第２の粒子４３２の群の粒の重量は、コーティングされた研磨材の意図される用途に基づいて制御してもよいことが理解されるであろう。
第４の領域４４０は、互いに対して概して無作為な分布を有する成形された研磨粒子４４１および第２の粒子４４２の群を含み得る。追加的に、成形された研磨粒子４４１の群は、互いに対して無作為な回転方向を有し得る。成形された研磨粒子４４１および第２の粒子４４２の群は、互いに対して無作為な分布で配置され得るので、識別可能な短距離秩序または長距離秩序がない。とりわけ、成形された研磨粒子４４１および第２の粒子４４２の群は、第４の領域４４０内で実質的に均質に分布され得るので、塊（互いに接触している２つ以上の粒子）の形成が限定的である。第４の領域４４０の、成形された研磨粒子４４１および第２の粒子４４２の群の粒の重量は、コーティングされた研磨材の意図される用途に基づいて制御してもよいことが理解されるであろう。
図４に例示されるように、コーティングされた研磨物品４００は、異なる領域４１０、４２０、４３０、および４４０を含み得、これらの各々は、成形された粒子および第２の粒子などの、粒子の異なる群を含み得る。コーティングされた研磨物品４００は、本明細書の実施形態のシステムおよびプロセスを使用して作り出すことができる、粒子の異なる種類のグループ分け、配置、および分布を図示することを意図する。例示は、それらの粒子のグループ分けのみに限定することを意図せず、コーティングされた研磨物品は、図４に例示されるような１つの領域のみを含んで作製され得ることが理解されるであろう。また、図４に例示される領域のうちの１つ以上の異なる組み合わせまたは配置を含む、他のコーティングされた研磨物品を作製することができることが理解されるであろう。
別の実施形態によると、コーティングされた研磨物品が形成され得、これは、研磨粒子の異なる群を含み、異なる群は、互いに対して異なる傾斜角を有する。例えば、図５に例示されるように、コーティングされた研磨材の一部分の断面図が提供される。コーティングされた研磨材５００は、裏材５０１および第１の研磨粒子群５０２を含み得、第１の研磨粒子群５０２内の研磨粒子の各々は、第１の平均傾斜角を有する。コーティングされた研磨材５００は、第２の研磨粒子群５０３をさらに含み得、第２の研磨粒子群５０３内の研磨粒子の各々は、第２の平均傾斜角を有する。一実施形態によると、第１の研磨粒子群５０２および第２の研磨粒子群５０３は、チャネル領域５０５によって分離され得る。さらに、第１の平均傾斜角は、第２の平均傾斜角とは異なり得る。より具体的な実施形態では、第１の研磨粒子群は、直立配向に配向され得、第２の研磨粒子群は、傾斜した配向で配向され得る。特定の理論に束縛されることを意図せず、コーティングされた研磨材の異なる領域内の研磨粒子の異なる群の傾斜角の制御された変動が、コーティングされた研磨材の改善された性能を容易にし得ると考えられる。
１つの特定の態様によると、裏材の上を覆う研磨粒子の含有量は、意図される用途に基づいて制御され得る。例えば、研磨粒子は、少なくとも１０％、または少なくとも２０％、または少なくとも３０％、または少なくとも４０％、または少なくとも５０％、または少なくとも６０％、または少なくとも７０％、または少なくとも８０％、または少なくとも９０％などの、裏材の総表面積の少なくとも５％、上を覆い得る。さらに別の実施形態では、コーティングされた研磨物品は、本質的にシランを含まなくてもよい。
さらに、本明細書の実施形態の研磨物品は、基材の上を覆う粒子の特定の含有量を有し得る。さらに、開放コーティング密度などの裏材の上の粒子のある特定の含有量に関して、産業は、所望される垂直配向で粒子のある特定の含有量を得ることが困難であることを見出している。一実施形態では、粒子は、約７０粒子／ｃｍ２以下の粒子のコーティング密度を有する開放コーティング研磨製品（すなわち、研磨粒子、第２の粒子、または研磨粒子および第２の粒子の両方）を画定し得る。他の事例では、研磨物品の平方センチメートル当たりの成形された研磨粒子の密度は、約６０粒子／ｃｍ２以下、約５５粒子／ｃｍ２以下、またはさらに約５０粒子／ｃｍ２以下などの、約６５粒子／ｃｍ２以下であり得る。また、１つの非限定的な実施形態では、本明細書の成形された研磨粒子を使用する開放コーティングでコーティングされた研磨材の密度は、少なくとも約５粒子／ｃｍ２、またはさらに少なくとも約１０粒子／ｃｍ２であり得る。研磨粒子の平方センチメートル当たりの成形された研磨粒子の密度は、上記の最小および最大値のいずれかの間の範囲内であり得ることが理解されるであろう。
ある特定の事例では、研磨物品は、物品の外部研磨表面を被覆する、約５０％以下の開放コーティング密度の粒子（すなわち、研磨粒子もしくは第２の粒子、または研磨粒子および第２の粒子の合計）を有し得る。他の実施形態では、粒子が配置される表面の総面積に対する研磨粒子の面積は、約３０％以下、約２５％以下、またはさらに約２０％以下などの、約４０％以下であり得る。また、１つの非限定的な実施形態では、表面の総面積に対する粒子のコーティング率は、少なくとも約１０％、少なくとも約１５％、少なくとも約２０％、少なくとも約２５％、少なくとも約３０％、少なくとも約３５％、またはさらに少なくとも約４０％などの、少なくとも約５％であり得る。研磨表面の総面積に対する粒子の被覆率は、上記の最小および最大値のいずれかの間の範囲内であり得ることが理解されるであろう。
いくつかの研磨物品は、裏材の所与の面積（例えば、リーム、１リーム＝３０．６６ｍ２）に対する粒子（すなわち、研磨粒子もしくは第２の粒子、または研磨粒子および第２の粒子の合計）の特定の含有量を有し得る。例えば、一実施形態では、研磨物品は、少なくとも５ポンド／リーム、または少なくとも１０ポンド／リーム、または少なくとも約１５ポンド／リーム、または少なくとも約２０ポンド／リーム、または少なくとも約２５ポンド／リーム、またはさらに少なくとも約３０ポンド／リームなどの、少なくとも約１ポンド／リーム（１４．８グラム／ｍ２）の粒子の正規化重量を利用し得る。また、１つの非限定的な実施形態では、研磨物品は、８０ポンド／リーム以下、または７０ポンド／リーム以下、または６０ポンド／リーム以下、または約５０ポンド／リーム以下、またはさらに約４５ポンド／リーム以下などの、約９０ポンド／リーム（１３３３．８グラム／ｍ２）以下の粒子の正規化重量を含み得る。本明細書の実施形態の研磨物品が、上記の最小および最大値のいずれかの間の範囲内の粒子の正規化重量を利用し得ることが理解されるであろう。
ある特定の事例では、研磨物品は、特定の被加工物に対して使用され得る。好適な例示的な被加工物は、無機材料、有機材料、天然材料、およびそれらの組み合わせを含み得る。特定の実施形態によると、被加工物は、鉄系材料、ニッケル系材料などのような金属または金属合金を含み得る。一実施形態では、被加工物は、鋼であり得、より具体的には、ステンレス鋼（例えば、３０４ステンレス鋼）から本質的になり得る。
別の実施形態では、固定研磨物品が、結合材料の三次元体積内に収容された研磨粒子を含む、結合研磨材であり得、これは、例えば、概して、メイクコートおよび／またはサイズコートなどの結合材中に含有される研磨粒子の単一層を含むコーティングされた研磨物品を含む、ある特定の他の固定研磨物品とは別個であり得る。さらに、コーティングされた研磨物品は、概して、研磨粒子および結合材の層のための支持体として裏材を含む。対照的に、結合研磨物品は、概して、研磨粒子、結合材料、および任意選択のある程度の気孔性の三次元体積を含む自己支持物品である。結合研磨物品は、基材を含む必要がない場合があり、本質的に基材なしであり得る。
図６は、一実施形態による、結合研磨物品の斜視図を含む。例示されるように、結合研磨物品６２０は、上面６２４、底面６２６、および上面６２４と底面６２６との間に延在する側面６０３を含む、概して円筒形状の本体６０１を有し得る。図６の結合研磨物品は、非限定的な例であり、限定されないが、円錐形、カップ形状、中央がへこんだホイール（例えば、Ｔ４２）などを含む他の形状の本体を利用してもよいことが理解されるであろう。最終的に、さらに図示されるように、本体６０１は、本体６０１を回転させ、かつ材料除去作業を容易にするように構成された機械上に本体６０１を取り付けるための心軸またはシャフトを受容するように構成され得る、中央開口部６８５を含み得る。
結合研磨物品６２０は、例えば、本体６０１の体積内に収容された研磨粒子６０５および６２８の群を含む、研磨粒子を含む本体６０１を有し得る。研磨粒子は、本体６０１の三次元体積全体を通じて延在し得る結合材料６０７によって、本体６０１の三次元体積内に収容され得る。一実施形態によれば、結合材料６０７は、ガラス質、多結晶質、単結晶質、有機質（例えば、樹脂）、金属、金属合金、およびそれらの組み合わせなどの材料を含み得る。
特定の実施形態では、研磨粒子は、結合材料６０７内に封入され得る。本明細書で使用される場合、「封入された」とは、研磨粒子のうちの少なくとも１つが、結合材料の均質な、または概して均質な組成物によって完全に取り囲まれている状態を指す。一実施形態では、結合研磨物品６２０は、本質的に固定層なしであり得る。特定の事例では、結合研磨物品６２０は、本体６０１の体積全体を通して実質的に均一であり得る。より具体的な事例では、本体６０１は、本体６０１の体積全体を通して実質的に均質な組成物を有し得る。
一実施形態によると、結合研磨物品６２０内に含有される研磨粒子は、本明細書の実施形態に説明されるものによる、研磨材料を含み得る。
結合研磨物品６２０は、第１および第２の種類の研磨粒子などの１つ以上の種類の研磨粒子を含む、研磨粒子の組み合わせを含み得る。第１および第２の種類とは、固定研磨物品内の研磨粒子の含有量を指し得、第１の種類の研磨粒子は、第２の種類の研磨粒子よりも高い含有量で存在する。他の場合では、第１と第２の種類の研磨粒子の間の区別は、本体内での研磨粒子の位置に基づき得、第１の研磨粒子が、材料除去の最初の段階を行うか、または第２の研磨粒子と比較して大部分の材料除去を行うように位置し得る。また他の場合では、第１と第２の研磨粒子との間の区別は、研磨粒子の研磨の性質（例えば、硬さ、脆弱性、破砕機構など）に属し得、第１の粒子の研磨の性質が、典型的には、第２の種類の研磨粒子と比較してより頑強である。第２の種類の研磨粒子として考慮され得る研磨粒子のいくつかの好適な例としては、希釈剤粒子、凝集粒子、非凝集粒子、天然材料（例えば、鉱物）、合成材料、およびそれらの組み合わせが挙げられる。
ある特定の事例では、結合研磨物品６２０は、好適な材料除去作業を容易にし得る、特定の含有量の研磨粒子を本体６０１内に含み得る。例えば、本体６０１は、本体の全体積に対して少なくとも０．５体積％、かつ６０体積％以下の研磨粒子の含有量を含み得る。
さらに、結合研磨物品６２０の本体６０１は、結合研磨物品６２０の好適な動作を容易にし得る、結合材料６０７の特定の含有量を含み得る。例えば、本体６０１は、本体の全体積に対して少なくとも０．５体積％、かつ約９０体積％以下の結合材料６０７の含有量を含み得る。
ある特定の場合では、固定研磨物品は、気孔性の含有量を含む本体６０１を有し得る。気孔性は、本体６０１の全体積のうちの少なくとも一部分全体を通じて延在し得、ある特定の場合では、本体６０１の全体積全体を通じて実質的に均一に延在し得る。例えば、気孔性は、密閉気孔性または開放気孔性を挙げることができる。密閉気孔性は、結合材料および／または研磨粒子によって互いから単離されている別個の気孔の形態であり得る。かかる密閉気孔性は、気孔形成剤によって形成することができる。他の場合では、気孔性は、本体６０１の三次元体積のうちの少なくとも一部分全体を通じて延在する、チャネルの相互接続されたネットワークを画定する、開放気孔性であり得る。本体６０１は、密閉気孔性と開放気孔性との組み合わせを含んでもよいことが理解されるであろう。
一実施形態によれば、固定研磨物品は、好適な材料除去作業を容易にし得る、特定の含有量の気孔性を含む、本体６０１を有し得る。例えば、本体６０１は、本体の全体積に対して少なくとも０．５体積％、かつ８０体積％以下の気孔性を有し得る。
別の実施形態によると、結合研磨物品６２０は、ある特定の研削作業を容易にし得る、ある特定の添加剤を含む本体６０１を含み得ることが理解されるであろう。例えば、本体６０１は、充填材、研削補助剤、気孔生成剤、中空材料、触媒、カップリング剤、硬化剤、帯電防止剤、懸濁剤、抗増量剤、潤滑剤、湿潤剤、染料、充填剤、粘度調整剤、分散剤、消泡剤、およびそれらの組み合わせなどの添加剤を含み得る。
図６にさらに例示されるように、本体６０１は、所望の材料除去作業に応じて変動させることができる直径６８３を有し得る。直径とは、特に本体６０１が、円錐形またはカップ形状の輪郭を有する場合の本体の最大直径を指し得る。
さらに、本体６０１は、上面６２４と底面６２６との間で軸状の軸６８０に沿う側面６０３に沿って延在する特定の厚さ６８１を有し得る。本体６０１は、１ｍ以下であり得る、本体６０１の平均厚さであり得る、厚さ６８１を有し得る。
一実施形態によれば、本体６０１は、ある特定の除去作業に好適であり得る直径：厚さの比を定義する、直径６８３と厚さ６８１との間の特定の関係性を有し得る。例えば、本体６０１は、少なくとも１５：１、少なくとも２０：１、少なくとも５０：１、またはさらには少なくとも１００：１などの少なくとも１０：１の直径：厚さの比を有し得る。本体は、１０，０００：１以下、または１０００：１以下の直径：厚さの比を有し得ることが理解されるであろう。
結合研磨物品６２０は、少なくとも１つの強化部材６４１を含み得る。特定の場合では、強化材料６４１は、本体６０１の全幅（例えば、直径６８３）の大部分に延在し得る。しかしながら、他の場合では、強化部材６４１は、本体６０１の全幅（例えば、直径１８３）の一部分にのみ延在し得る。ある特定の事例では、強化部材６４１は、ある特定の材料除去作業のための本体への好適な安定性を追加するために含められ得る。一実施形態によれば、強化部材６４１としては、織布材料、不織布材料、複合材料、積層材料、モノリシック材料、天然材料、合成材料、およびそれらの組み合わせなどの材料を挙げることができる。より具体的には、ある特定の場合では、強化部材６４１としては、単結晶質材料、多結晶質材料、ガラス質材料、非晶質材料、ガラス（例えば、ガラス繊維）、セラミック、金属、有機材料、無機材料、およびそれらの組み合わせなどの材料を挙げることができる。特定の場合では、強化材料６４１は、ガラス繊維を含み得、本質的にガラス繊維から形成され得る。
特定の事例では、強化材料６４１は、本体６０１の三次元体積内、より具体的には、結合材料６０７の三次元体積内に実質的に収容され得る。ある特定の事例では、強化材料６４１は、限定されるものではないが、上面６２４、側面６０３、および／または底面６２６を含む、本体６０１の外面に交差し得る。例えば、強化材料６４１は、上面６２４または底面６２６に交差し得る。少なくとも１つの実施形態では、強化材料６４１は、結合材料６０７が１つ以上の強化材料の間に配設されるように、本体６０１の上面６２４または底面６２６を画定し得る。単一の強化部材６４１が、図６の実施形態に例示されているが、複数の強化部材が、意図される材料除去用途に好適な様々な配置および配向で本体６０１内に提供され得ることが理解されるであろう。
さらに図示されるように、本体６０１は、本体６０１の三次元体積を定義する、ある特定の軸と平面とを含み得る。例えば、固定研磨物品６２０の本体６０１は、軸状の軸６８０を含み得る。さらに図示されるように、軸状の軸６８０に沿って、本体６０１は、本明細書では０°として示される特定の角度方向で本体６０１の特定の直径を通る、軸状の軸６８０に沿って延在する第１の軸平面６３１を含み得る。本体６０１は、第１の軸平面６３１とは異なる第２の軸平面６３２をさらに含み得る。第２の軸平面６３２は、本明細書の例によって３０°として示される角度位置で本体６０１の直径を通る、軸状の軸６８０に沿って延在し得る。本体６０１の第１および第２の軸平面６３１および６３２は、例えば、軸平面６３１内の研磨粒子６９１の軸状集積部、および軸平面６３２内の研磨粒子６９２の軸状集積部を含む、本体６０１内の研磨粒子の特定の軸状集積部を画定し得る。さらに、本体６０１の軸平面は、例えば、本体６０１内の軸平面６３１と６３２との間の領域として画定される区画６８４を含む、軸平面間の区画を画定し得る。区画は、材料除去作業の改善を促進することができる、研磨粒子の特定の群を含み得る。例えば、軸平面内の研磨粒子を含む、本体内の研磨粒子の部分の特色についての本明細書での言及はまた、本体の１つ以上の区画内に収容される研磨粒子の群に関係するであろう。
さらに図示されるように、本体６０１は、軸状の軸６８０に沿って特定の軸位置で、上面６２４および／または底面６２６に実質的に平行である平面に沿って延在する、第１の径方向平面６２１を含み得る。本体は、軸状の軸６８０に沿って特定の軸位置で、上面６２４および／または底面６２６に実質的に平行な様式で延在し得る、第２の径方向平面６２２をさらに含み得る。第１の径方向平面６２１および第２の径方向平面６２２は、本体６０１内で互いから離間し得、より具体的には、第１の径方向平面６２１および第２の径方向平面６２２は、互いから軸方向に離間し得る。さらに例示されるように、ある特定の事例では、１つ以上の強化部材６４１は、第１の径方向平面６２１と第２の径方向平面６２２との間に配設され得る。第１および第２の径方向平面６２１および６２２は、研削性能の改善を促進することができる、互いと比較してある特定の特色を有し得る、例えば、第１の径方向平面６２１の研磨粒子６２８の群、および第２の径方向平面６２２の研磨粒子６０５の群を含む、１つ以上の特定の研磨粒子の群を含み得る。
本明細書の実施形態の研磨粒子は、特定の種類の研磨粒子を含み得る。例えば、研磨粒子は、成形された研磨粒子および／または細長い研磨粒子を含み得、細長い研磨粒子は、少なくとも１．１：１の長さ：幅または長さ：高さのアスペクト比を有し得る。様々な方法が、成形された研磨粒子を得るために利用され得る。粒子は、商業的供給源から得られるか、または調製され得る。成形された研磨粒子を調製するために使用されるいくつかの好適なプロセスは、限定されるものではないが、堆積、プリンティング（例えば、スクリーンプリンティング）、鋳造、プレス、鋳込み、分割、切断、ダイシング、パンチング、プレス、乾燥、硬化、コーティング、押し出し、圧延、およびそれらの組み合わせを含み得る。同様のプロセスが、細長い研磨粒子を得るために利用され得る。細長い成形されていない研磨粒子は、破壊およびふるい分け技術を通じて形成され得る。
図７Ａは、例示的な実施形態による、研磨物品７３０の断面図を例示する。研磨物品７３０は、研磨部分７３２および非研磨部分７３１、ならびに研磨物品７３０の非研磨部分７３１に結合された電子アセンブリ７２０を含む。非研磨部分７３１は、第１の表面７３３、第２の表面７３４、および第１の表面７３３と第２の表面７３４との間に延在する側面７３５を有し得る。第１および第２の表面７３３および７３４は、平面状の主平面であり得る。第２の表面７３４は、第１の表面７３３に対して同じサイズまたは異なるサイズの平面状の主平面であり得る。さらに例示されるように、非研磨部分７３１は、心軸穴などの開口部７０５を含み得る。電子アセンブリ７２０は、第１の表面７３３に結合され得る。電子アセンブリ７２０は、本明細書の実施形態に説明されるような電子デバイス７２２およびパッケージ７２１を含み得る。一実施形態では、電子アセンブリ７２０は、パッケージ７２１内に収容され得る少なくとも１つの電子デバイス７２２を含み得る。パッケージ７２１は、研磨物品７３０の本体に電子アセンブリ７２０を取り付けるのに好適であり得、内部に収容された１つ以上の電子デバイスの何らかの好適な保護を提供し得る。特定の例では、電子デバイス７２２は、パッケージ７２１内に封止され得る。
一実施形態によれば、電子デバイス７２２は、情報を書き込まれ、情報を記憶し、または読み取り操作中に他の対象に情報を提供するように構成され得る。そのような情報は、研磨物品の製造、研磨物品の動作、または電子アセンブリ７２０が遭遇する条件に関連し得る。本明細書で言及される電子デバイスは、１つ以上の電子デバイスを含み得る少なくとも１つの電子デバイスについての言及であると理解されるであろう。少なくとも１つの実施形態では、電子デバイス７２２は、集積回路およびチップ、データトランスポンダ、チップを含むもしくは含まない無線周波数に基づいたタグもしくはセンサ、電子タグ、電子メモリ、センサ、アナログデジタル変換器、伝送器、受信器、トランシーバ、変調器回路、マルチプレクサ、アンテナ、近距離通信デバイス、電源、ディスプレイ（例えば、ＬＣＤまたはＯＬＥＤスクリーン）、光学デバイス（例えば、ＬＥＤ）、全地球測位システム（ＧＰＳ）もしくはデバイス、またはそれらの任意の組み合わせを含む群から選択される少なくとも１つのデバイスを含み得る。いくつかの事例では、電子デバイスは、任意選択で、基板、電源、または両方を含んでもよい。特定の一実施形態では、電子デバイス７２２は、受動無線周波数識別（ＲＦＩＤ）タグなどのタグを含み得る。別の実施形態では、電子デバイス７２２は、能動無線周波数識別（ＲＦＩＤ）タグを含み得る。能動ＲＦＩＤタグは、バッターまたは誘導性容量性（ＬＣ）タンク回路などの電源を含み得る。さらなる実施形態では、電子デバイス１７２２は、有線または無線であり得る。
一態様によれば、電子デバイス７２２は、センサを含み得る。センサは、サプライチェーン内の任意のシステムおよび／または個人によって、選択的に操作され得る。例えば、センサは、研磨物品の形成中における１つ以上の処理条件を感知するように構成され得る。別の実施形態では、センサは、研磨物品の使用中における条件を感知するように構成され得る。さらに別の実施形態では、センサは、研磨物品の環境における条件を感知するように構成され得る。センサは、音響センサ（例えば、超音波センサ）、力センサ、振動センサ、温度センサ、水分センサ、圧力センサ、ガスセンサ、タイマ、加速度計、ジャイロスコープ、またはそれらの任意の組み合わせを含み得る。センサは、センサによって感知される特定の条件に対して、製造者および／または顧客などの研磨物品と関連付けられた任意のシステムおよび／または個人に警告するように構成され得る。センサは、限定されるものではないが、製造者、頒布者、顧客、ユーザ、またはそれらの任意の組み合わせを含む、サプライチェーンの１つ以上のシステムおよび／または個人にアラーム信号を生成するように構成され得る。
別の態様では、電子デバイス７２２は、近距離通信デバイスを含み得る。近距離通信デバイスは、デバイスのある特定の規定の半径、典型的には２０メートル未満内の電磁放射を介して情報を伝送することが可能な任意のデバイスであり得る。近距離通信デバイスは、例えばセンサを含む１つ以上の電子デバイスに結合され得る。特定の一実施形態では、センサは、近距離通信デバイスに結合され、近距離通信デバイスを介してサプライチェーンの１つ以上のシステムおよび／または個人に情報を中継するように構成され得る。
代替的な実施形態では、電子デバイス７２２は、トランシーバを含み得る。トランシーバは、情報を受信および／または情報を伝送し得るデバイスであり得る。読み取り操作のための情報を格納する一般的に読み取り専用のデバイスである受動ＲＦＩＤタグまたは受動近距離通信デバイスとは違って、トランシーバは、アクティブな読み取り操作を実行することを必要せずに、情報をアクティブに伝送することができる。さらに、トランシーバは、様々な選択周波数を介して情報を伝送することが可能であってもよく、サプライチェーンの多様なシステムおよび／または個人との電子アセンブリの通信能力を改善し得る。
図７Ｂは、例示的な実施形態による、電子アセンブリの断面図を例示する。一態様によれば、電子アセンブリ７２０は、例えば電子デバイス７５６および電子デバイス７５７を含む、１つ以上の電子デバイスを含み得る。ある特定の事例では、電子アセンブリ７２０は、基材７５９を含み得、基材７５９上に１つ以上の電子デバイス７５６および７５７が配設され得る。さらに他の事例では、電子アセンブリ７２０は、第１の部分７７１および第２の部分７７２をさらに含み得る。第１の部分７７１および第２の部分７７２は、電子アセンブリ７２０の少なくとも一部分を覆い得るパッケージの部分であり得る。パッケージ７２１は、本質的に第１および第２の部分７７１および７７２からなり得る。例えば、図７Ｂに例示されるように、第１の部分７７１は、基材７５９ならびに１つ以上の電子デバイス７５６および７５７を覆い得る。ある特定の事例では、第１の部分７７１は、第２の部分７７２に、直接接触するなど、結合され得る。さらに別の実施形態では、電子アセンブリ７２０は、基材１７５９ならびに１つ以上の電子デバイス７５６および７５７の少なくとも一部分を覆いかつ部分的に包絡している第１の部分７７１を含み得る。第２の部分７７２は、１つ以上の電子デバイス７５６および７５７の少なくとも一部分を覆い得る。第２の部分７７２は、第１の部分７７１に間接的に結合されていても、直接結合されて（例えば、接触しているか、または接合されて）いてもよい。例示されるように、第１の部分７７１および第２の部分７７２は、１つ以上の電子デバイス７５６全体および７５７ならびに基材７５９全体を取り囲み得る。
第１の部分７７１は、電子デバイス７５７の、少なくとも５０％などの、少なくとも一部分の下にあり得る。第１の部分７７１は、電子デバイス７５７を、電子デバイス７５７が結合された非研磨部分から電気的に絶縁および分離し得る。特定の事例では、第１の部分７７１は、研磨物品の本体との間に配設され、少なくとも１つ以上の電子デバイス７５６および７５７のうちの少なくとも１つを本体から電気的に分離し得る。より具体的には、電子デバイス７５６および／または７５７は、少なくとも１つのアンテナを含み得、第１の部分７７１は、アンテナと研磨物品の本体との間に配設され、かつアンテナを本体から電気的に分離し得る。
ある特定の事例では、第２の部分７７２は、保護層として作用し得る。いくつかの事例では、基材は、保護層として役立つか、または電子アセンブリを本体に接合して、基材の下に配設されている保護層の使用を不要にすることを容易にし得る。別の事例では、保護層は、電子デバイスおよび上面の下にあるように配置され得、電子デバイス７５７または７５６の側面は、保護層によって被覆されていなくてもよい。さらなる実施形態では、電子アセンブリ７２０は、追加の保護のために第２の部分の上および／または下に配設されている増設の保護層を含み得る。第２の部分７７２は、電子アセンブリに対する冷却材および削り屑の影響を制限するための保護層として作用し得る。他の事例では、保護層は、再プロファイル加工、ドレッシング、研磨部分または非研磨部分の保守時に、電子デバイスを機械的損傷または化学的損傷から保護し得る。
図８Ａは、例示的な実施形態による、本体上の電子アセンブリの解放可能なカップリングの上面図を例示する。例えば、本体８０１は、上面８０２を含み得る。電子アセンブリ８０３は、本体８０１の空洞８２０内に収容され得る。電子アセンブリ８０３は、空洞８２０に圧嵌され得る。固定要素８３１を含む固定アセンブリ８３０は、係合位置から係合解除位置まで並進するように構成され得る。係合位置では、図８Ａに例示されるように、固定要素８３１は、電子アセンブリ８０３の上にあってこれを係合させ、したがって、電子アセンブリ８０３を本体８０１に固定し得る。係合解除位置では、固定要素８３１は、電子アセンブリ８０３から離間および係合解除し得る。固定要素８３１は、Ｙ方向に並進することによって、係合位置と係合解除位置とを区別し得る。係合解除位置では、電子アセンブリ８０３は、非固定位置にあり、本体８０１から容易に取り外され得る。そのような事例では、本体８０１からの電子アセンブリ８０３の取り外しは、熱または他の化学添加剤を適用して接着剤を除去または溶解する必要性を伴わずに、達成され得る。
図８Ｂは、例示的な実施形態による、研磨システム８５０を例示する。研磨システム８５０は、ハウジング８５１と、ハウジング８５１内に収容された本体８５２と、を含む。本体８５２は、本体９５２に結合された電子アセンブリ８５３を含み得る。本体８５２は、例示されるように、特定の種類の縁部研削工具であり得、被加工物１９６１は、ガラス片であり得る。ハウジング８５１は、材料除去作業中に研削界面に適用される冷却材８５４をさらに含み得る。一実施形態では、ハウジング８５１は、少なくとも１つの電子デバイス８５５を含み得る。少なくとも１つの電子デバイス８５５は、ハウジング８５１の表面に結合され得るか、またはハウジング８５１の材料中に埋め込まれ得る。電子アセンブリ８５３は、ハウジング８５１内の１つ以上の電子デバイス８５５と通信するように構成された１つ以上の電子デバイスを含む。電子デバイス８５５によって受信される情報は、ハウジング８５１の外部に位置しているリモートの電子デバイス８５６に関連し得る。
さらに例示されるように、被加工物８６１は、被加工物８６１に結合され、かつ電子アセンブリ８５３、電子デバイス８５５、および／または電子デバイス８５６などの、情報を他の電子デバイスのうちの１つに伝送および／またはこれから受信するように構成された、１つ以上の電子デバイス８５７を含み得る。特定の事例では、電子アセンブリ８５３は、冷却材８５４の腐食作用に対して保護を行うように構成された保護層を含むことが好適であり得る。
代替的な実施形態では、電子アセンブリ８５３はまた、本体８５２の表面８５８に結合され得るか、部分的に埋め込まれ得るか、または完全に埋め込まれ得る。電子アセンブリの配置または位置は、電子デバイス８５５、８５６、および／または８５７との通信の改善を容易にし得る。さらに、ある特定の事例では、電子デバイス８５５、８５６、８５７、および／または電子アセンブリ８５３は、垂直偏波アンテナ、ブースターアンテナ、３Ｄ偏波アンテナ、またはそれらの任意の組み合わせを利用し得る。また、ある特定の事例では、本体８５２上で異なる位置におよび配向で位置する複数の電子アセンブリを使用することが好適であり得ることは理解されるであろう。
ＩＶ．例示的な微視的相互作用
図９Ａは、研削プロセスと関連付けられた様々な種類の相互作用を図示している。各種類の相互作用は、本明細書に説明される分析モデルならびに／または機械学習方法およびシステムに組み込まれ得る。例えば、研磨型の相互作用としては、切断（材料除去）、プラウイング（材料変位）、または摺動（表面改質）効果が挙げられ得る。研磨プロセスは、より軟質の材料に対して、研磨粒などの硬質材料を摺動させることを含み、この摺動の間に、より軟質の材料は、変形および表面改質を受ける。いくつかの場合では、このことは、被加工材料が、材料除去または研磨粒と被加工物との間の摺動を伴わずに変位するような、深い引っかき傷またはプラウニングに起因し得る。被加工材料に対する研磨粒の侵入の深さが十分に大きい場合には、研磨粒は、被加工表面からの、新鮮な表面の生成、および「チップ」と呼ばれる破片の除去につながる、刃先として作用し得る。侵入の深さが十分でない場合、硬質の研磨粒は、被加工材料を局所的に変形させやすい。この相互作用または変形は、しばしばプラウイングと称される。最後に、被加工材料に対する研磨粒の侵入の深さが極端に浅い場合、結果は、高接触応力ではあるが、被加工材料に対する研磨粒の摺動となるであろう。端部で生成される表面は、研削プロセス中のすべてのこれらの研磨／加工相互作用の累積効果である。追加的に、または代替的に、様々なチップ／接合、チップ／被加工物、接合／被加工物、および／または他の摺動相互作用が、可能であり、企図される。
図９Ｂは、研削プロセスに対する例示的な力相互作用および関連付けられた分析モデルを図示している。一例として、材料除去速度（ＭＲＲ）は、接線力および／または法線力に比例して増加し得る。さらに、図９Ｂは、ＭＲＲを加えられた力の成分（例えば、接線力Ｆｔおよび法線力Ｆｎ）の関数として例示し、これらの成分は、機械加工およびトライボロジーの原理によって支配される関係に従う。一例として、所与の材料除去に対して、接線力Ｆｔ＝チップを形成するために必要とされる力、Ｆｔｃ＋摩擦力、Ｆｔｆ＋時間ゼロでの閾値力、Ｆｔｔｈ（０）＋時間ｔでの閾値力、Ｆｔｔｈ（ｔ）。同様の関係が、法線力成分に当てはまる。
図９Ｃは、研削プロセスの例示的な力相互作用および関連付けられた分析モデルを図示している。例えば、図９Ｃは、所与のＭＲＲでの時間「ｔ」後の研削力の変動と、その関連付けられた４つの成分、（１）初期閾値力Ｐｔｈ（０）、（２）時間についての閾値力の変化Ｐｔｈ（ｔ）、（３）切断またはチップ作製の力Ｐｃ、および（４）チップ摩擦作用Ｐｆ（ｔ）によって引き起こされたＰｃの変化と、を例示する。また、図９Ａ～９Ｃは、例示的な微視的相互作用の概念的な表現として提示されており、本開示に使用され得る微視的相互作用、分析モデル、または研削プロセスの種類に関して限定することを意図するものではない。
Ｖ．例示的なコンピューティングデバイス
図１０は、例示的な実施形態による、コンピューティングデバイス１０００のブロック図を例示する。具体的には、コンピューティングデバイス１０００は、少なくとも、機械学習プラットフォーム１１１０、企業１１２０、外部ベンダー１１３０、サードパーティユーザ１１４０、機械学習システム１２１０、手動研磨デバイス１３１０、着用可能デバイス１３２０、自動研磨デバイス１３３０、サーバデバイス１３４０、他のセンサ１３５０、研磨製品１４１０、リモートデバイス１４２０、ベンダー１４３０、分析プラットフォーム１４４０、方法１５００、方法１６００、方法１７００、マイクロコントローラ１８１０Ｂ、コントトーラ２０２０、リモートネットワーク２１１０、クライアントネットワーク２１２０、モバイルデバイス２４００、および／または本明細書に説明される他の要素の構成要素に関連した、および／またはこれらに関連した機能を実施するように構成され得る。
コンピューティングデバイス１０００は、データを収集するための１つ以上のセンサ１０１６、収集されたデータを記憶し、かつ命令１０１４を含み得る、データ記憶装置１００４、１つ以上のプロセッサ１００２、リモートのソース（例えば、サーバまたは別のデバイス／センサ）と通信するための通信インターフェース１００６、およびディスプレイ１００８を含み得る。追加的に、コンピューティングデバイス１０００は、聴覚的出力デバイス（例えば、スピーカ）、および触覚フィードバックデバイス（例えば、他の例の中でもとりわけ、偏心回転質量（ＥＲＭ）アクチュエータ、リニア共振アクチュエータ（ＬＲＡ）、または圧電アクチュエータ）を含み得る。
プロセッサ１００２は、１つ以上の汎用プロセッサまたは専用プロセッサ（例えば、ＧＰＵ）を含み得る。プロセッサ１００２は、コンピュータ可読命令１０１４を実行するように構成され得る。例えば、プロセッサ１００２は、少なくとも部分的に、コンピュータ可読命令１０１４に基づいて、１つ以上のセンサ１０１６を制御し得る。プロセッサ１００２は、１つ以上のセンサ１０１６によって収集されたリアルタイムデータを処理するように構成され得る。
データ記憶装置１００４は、非限定的に、磁気ディスク、光学ディスク、有機メモリ、および／またはプロセッサ１００２によって可読な任意の他の揮発性（例えば、ＲＡＭ）もしくは不揮発性（例えば、ＲＯＭ）記憶システムを含み得る、非一時的コンピュータ可読媒体である。データ記憶装置１００４は、センサ読み取り値、機械学習モデル、プログラム設定（例えば、コンピューティングデバイス１０００の挙動を調整するための）、ユーザ入力（例えば、デバイス１０００上のユーザインターフェースから、またはリモートデバイスから伝達される）などのような、データの指示を記憶するためのデータ記憶装置を含み得る。データ記憶装置１００４はまた、プログラム命令１０１４であって、プロセッサ１００２によって、デバイス１０００にこの命令によって指定された動作を実施させるように実行するためのプログラム命令１０１４を含み得る。動作は、本明細書に説明される方法のいずれかを含み得る。
通信インターフェース１００６は、コンピューティングデバイス１０００内、および／またはコンピューティングデバイス１０００と１つ以上の他のデバイスとの間の通信を可能にするハードウェアを含み得る。ハードウェアは、例えば、送信機、受信機、およびアンテナを含み得る。通信インターフェース１００６は、１つ以上の有線または無線通信プロトコルに従って、１つ以上の他のデバイスとの通信を容易にするように構成され得る。例えば、通信インターフェース１００６は、１つ以上のＩＥＥＥ８０１．１１規格、ＺｉｇＢｅｅ規格、ＢＬＵＥＴＯＯＴＨ（登録商標）規格などのような、１つ以上の無線通信規格に従って、コンピューティングデバイス１０００の無線データ通信を容易にするように構成され得る。例えば、通信インターフェース１００６は、ＷｉＦｉ接続を含み、クラウドコンピューティングおよび／またはクラウド記憶能力にアクセスし得る。別の例として、通信インターフェース１００６は、１つ以上の他のデバイスとの有線データ通信を容易にするように構成され得る。
ディスプレイ１００８は、データを表示するように構成された任意の種類のディスプレイ構成要素であり得る。一例として、ディスプレイ１００８は、タッチ画面ディスプレイを含み得る。別の例として、ディスプレイ１００８は、液晶ディスプレイ（ＬＣＤ）または発光ダイオード（ＬＥＤ）ディスプレイなどの、フラットパネルディスプレイを含み得る。
ユーザインターフェース１０１０は、コンピューティングデバイス１０００にデータおよび制御信号を提供するために使用される１つ以上のハードウェアを含み得る。例えば、ユーザインターフェース１０１０は、他の可能な種類のユーザ入力デバイスの中でもとりわけ、マウスもしくはポインティングデバイス、キーボードもしくはキーパッド、マイクロフォン、タッチパッド、またはタッチ画面を含み得る。概して、ユーザインターフェース１０１０は、オペレータが、コンピューティングデバイス１０００によって提供される（例えば、ディスプレイ１００８によって表示される）グラフィカルユーザインターフェース（ＧＵＩ）と対話することを可能にし得る。一例として、ユーザインターフェース１０１０は、オペレータが、コンピューティングデバイス１０００に入力データを提供することを可能にし得る。別の例として、オペレータは、作業を実施するために使用されるべき製品を示す入力、および／またはオペレータが研磨作業を実施し得る被加工物を示す入力を提供し得る。
いくつかの実施形態では、ユーザは、ＧＵＩを利用して、例えばユーザの嗜好および／またはユーザの快適性に基づき得る、所望される動作レベル（例えば、最大の所望される振動レベル、最大の所望されるノイズレベルなど）を提供し得る。ユーザが、他の手段によっても、所望される動作レベルを示す情報を提供し得ることは理解されるであろう。
１つ以上のセンサ１０１６は、コンピューティングデバイス１０００の環境からの、または環境と関連付けられたデータをリアルタイムに収集するように構成され得る。データのリアルタイム収集は、データを周期的または連続的に収集するセンサを伴い得る。例えば、１つ以上のセンサ１０１６は、センサの環境内の音（例えば、センサに近接して動作している研磨デバイスからの）を検出するように構成されている音検出デバイス（例えば、マイクロフォン）を含み得る。追加的に、および／または代替的に、センサ１０１６は、コンピューティングデバイス１０００のオペレータからの、またはオペレータと関連付けられたデータを収集するように構成され得る。例えば、１つ以上のセンサ１０１６は、加速度計を含み得る。本明細書に説明されるように、１つ以上のセンサ１０１６によって収集されたデータは、研磨作業データを決定するために使用され得、研磨作業データは、次いで、研削／研磨作業に関するリアルタイムデータを取得すること、デバイスを使用しているユーザのユーザ体験をキャプチャすること、ならびに／または作業改善および／もしくは企業改善を決定すること（ある期間にわたって収集されたデータに基づいて）のために使用され得る。
１つ以上のセンサ１０１６はまた、ＩＭＵおよびジャイロスコープなどの、動きを検出するための他のセンサを含み得る。さらに、１つ以上のセンサ１０１６は、他の例の中でもとりわけ、位置追跡センサ（例えば、ＧＰＳまたは他の位置特定デバイス）、光強度センサ、温度計、時計、力センサ、圧力センサ、フォトセンサ、ホールセンサ、振動センサ、音圧センサ、磁力計、赤外線センサ、カメラ、および圧電センサなどの、他の種類のセンサを含み得る。センサおよびセンサの構成要素は、小型化され得る。
ＶＩ．例示的な機械学習プラットフォーム
図１１は、例示的な実施形態による、機械学習プラットフォーム１１１０の配置１１００を例示する。図１１に示されるように、機械学習プラットフォーム１１１０は、企業１１２０、外部ベンダー１１３０、およびサードパーティユーザ１１４０に通信可能に結合され得る。機械学習プラットフォーム１１１０は、例えば、機械学習システム１１１２、データベースデバイス１１１４、サーバデバイス１１１６、および分析プラットフォーム１１１８を含み得る。機械学習プラットフォーム１１１０は、機械学習を利用して、企業１１２０によって収集されたセンサデータを処理および／または分析し得る。機械学習プラットフォーム１１１０は、受信されたセンサデータを記憶し、次いで、データを分析して、企業１１２０に関する研磨製品の製品固有の情報および／または研磨製品と関連付けられた被加工物固有の情報を提供し得る。本明細書に使用される際、製品固有の情報は、研磨製品／デバイスの要素、または研磨製品／デバイスによって実施される任意の研磨作業／プロセスの要素に関連した任意の情報を指し得る。例えば、機械学習プラットフォーム１１１０は、企業１１２０に対する最良の作業実務を決定し得る。別の例では、機械学習プラットフォーム１１１０は、異なる研磨製品についての異なる値尺度（例えば、生産性、製品寿命など）を決定し得る。本明細書に使用される際、研磨製品は、研磨工具と関連付けられるか、または研磨工具によって具現化される装置を指し得る。
機械学習システム１１１２は、企業１１２０からセンサデータを受信するように構成された１つ以上の機械学習モデルを含み得る。例えば、センサデータは、研磨製品に関連し、企業１１２０からの研削作業モード、特定の被加工物、特定の研磨工具、または特定の研削条件と相関し得る。センサデータを受信することに応答して、機械学習システム１１１２は、１つ以上の機械学習モデルを訓練して、受信されたセンサデータに関連した製品固有の情報および／または被加工物固有の情報を予測し得る。１つ以上の機械学習モデルが訓練された後、機械学習システム１１１２は、実行時に適用されて、企業１１２０から受信されるリアルタイムのデータに基づいて、予測条件を予測または推測し得る。本明細書に説明されるように、予測された条件は、通知、レポート、注文、または別の種類のアクションなどの、様々なイベントをトリガー、プロンプト、または開始し得る。
データベースデバイス１１１４は、データを１つ以上のデータベースに記憶するように構成された１つ以上のコンピューティングデバイスを含み得る。例えば、データベースデバイスは、１つ以上の関係データベース（例えば、ＳＱＬ）、グラフデータベース（例えば、ｎｅｏ４ｊ）、文書データベース（例えば、ＭｏｎｇｏＤＢ）、コラムデータベース（例えば、Ｃａｓｓａｎｄｒａ）、および／または他のデータベースモデルを含み得る。データベースデバイス１１１４は、機械学習プラットフォーム１１１０の構成要素のデータ記憶装置として作用し得る。一例として、データベースデバイス１１１４は、企業１１２０からのセンサデータを受信および記憶し、かつ１つ以上の機械学習モデルを訓練するためにセンサデータを機械学習システム１１１２に提供するように構成され得る。いくつかの例では、データベースデバイス１１１４は、分析プラットフォーム１１１８の第１のデータソースとして作用するように構成され得る。他の例では、データベースデバイス１１１４は、１つ以上の訓練されたモデルを記憶するように構成され得る。
サーバデバイス１１１６は、１つ以上のウェブサーバ、ファイルサーバ、および／または計算サーバを含み得る。サーバデバイスは、機械学習プラットフォーム１１１０と、企業１１２０、外部ベンダー１１３０、およびサードパーティユーザ１１４０との間の通信を容易にし得る。通信は、ＴＣＰ／ＩＰなどの知られているウェブ通信プロトコルによって容易にされ得る。いくつかの実施形態では、サーバデバイス１１１６は、計算タスクのために機械学習システム１１１２または分析プラットフォーム１１１８によって利用され得る。例えば、サーバデバイス１１１６におけるデバイスは、機械学習システム１１１２の分散訓練アーキテクチャの一部として使用されるＭａｐＲｅｄｕｃｅの一部であり得る。
分析プラットフォーム１１１８は、機械学習システム１１１２およびデータベースデバイス１１１６を利用するように構成されたウェブアプリケーションを含み得る。収集された情報を処理した後、分析プラットフォーム１１１８は、企業１１２０についての様々な予測される今後の条件、ならびに企業１１２０のための様々な規範アクションを生成し得る。本明細書に使用される際、予測される今後の条件は、企業１１２０で起こり得る今後のイベントに関する推定を指す。今後のイベントの例としては、他の可能性の中でもとりわけ、研磨製品／被加工物の予測される故障、研磨製品／被加工物に対する潜在的な損傷の予測、または被加工物の品質が所定の品質レベルを満たさないという予測が挙げられ得る。さらに、本明細書に使用される際、規範アクションは、研磨製品の現在の状態および／または現在の状況が与えられ、かつ／または企業１１２０の現在の状態および／または現在の状況が与えられた場合の、最良のアクション方針の推奨を指す。規範アクションの例としては、他の可能性の中でもとりわけ、研磨製品が異常な挙動を呈している場合に研磨製品を停止させるための指令、研磨ホイールの速度率を適応させるための指令、研磨製品の研磨物品を変更するための通知、または損傷した研磨製品をドレッシングするための通知が挙げられ得る。
いくつかの実施形態では、分析プラットフォーム１１１８は、企業１１２０によって使用される物理的な研磨製品のデジタルバージョンでプログラムされたシミュレーション環境（例えば、「デジタルツイン」）を含む。シミュレーション環境は、これらのデジタルバージョンを使用して、シミュレーション環境とは異なるデジタル研磨製品を追加／再構成／除去することから結果として生じる生産性、コスト、および／または傷害を推定し得る。いくつかの実施形態では、分析プラットフォーム１１１８は、企業１１２０における１つ以上の研磨製品および／または１つ以上の被加工物と関連付けられた尺度をグラフィカル表示するように構成されている。分析プラットフォーム１１１８に関するさらなる詳細は、以下に提供される。
とりわけ、機械学習プラットフォーム１１１０の構成は、一例として提供される。いくつかの場合では、機械学習プラットフォーム１１１０は、１つ以上の追加のデバイスを含み得る。例えば、機械学習プラットフォーム１１１０は、権限のあるユーザからのアクセスを許容し、権限のないユーザからのアクセスを拒否し、侵入検出を提供し、ウィルススキャンを容易にし、および／または他のネットワークセキュリティサービスを提供するためのファイアウォールを含み得る。他の例としては、機械学習プラットフォーム１１１０は、到来するネットワークトラフィックまたは複数のコンピューティングデバイスにわたる要求を機械学習プラットフォーム１１１０内に分散させる（例えば、タスク要求に対処できないデバイスが１つもないように）ための１つ以上の負荷バランサを含み得る。他の例では、機械学習プラットフォーム１１１０は、１つ以上のルータ、仮想マシン、プロキシサーバ、および／または他の一般的なネットワークデバイスを含み得る。機械学習プラットフォーム１１１０はまた、１つ以上のクライアントデバイス（例えば、パーソナルコンピュータまたはモバイルフォン）に接続され得る。いくつかの例では、機械学習プラットフォーム１１１０は、仮想プライベートネットワーク（ＶＰＮ）サービスを提案し得る。
追加的に、および／または代替的に、機械学習プラットフォーム１１１０の構成要素は、複数のコンピューティングデバイスにわたって複製されて、データ複製を提供し、サービスの容量を増加させ得る。これらのコンピューティングデバイスは、異なる物理的位置に位置して、１つの位置での障害の場合に高可用性を保証し得る。したがって、機械学習プラットフォーム１１１０は、異なる物理的位置および何百ものコンピューティングデバイスにわたって構成され得る。
企業１１２０は、例えば、１つ以上の研磨製品１１２２、着用可能デバイス１１２４、サーバデバイス１１２６、およびリモートデバイス１１２８を含み得る。企業１１２０は、複数の研磨機を含む単一の地理的位置を表し得るか、またはいくつかの地理的位置にわたって位置する複数の研磨機を表し得る。さらに、企業１１２０は、機械学習プラットフォーム１１１０を動作させている実体によって製造または保守される製品を利用する複数の企業の単一の企業を表し得る。したがって、機械学習プラットフォーム１１１０は、これらに製品に対するリモートの顧客サポートシステムとして作用し得る。
研磨製品１１２２は、被加工物に対して研削作業を実施する１つ以上のデバイスまたは工具を含み得る。上記のように、研磨製品１１２２は、機械学習プラットフォーム１１１０を動作させている実体によって製造または保守され得る。研磨製品１１２２は、研削作業と関連付けられるか、または研削中の被加工物を伴う研磨作業データを収集する１つ以上のセンサを含み得る。例えば、１つ以上のセンサは、収集された研磨作業データを、ＢＬＵＥＴＯＯＴＨ（登録商標）、ＴＣＰ／ＩＰ、または他のネットワーキングプロトコルを介して、サーバデバイス１１２６に伝送し得る。別の例では、１つ以上のセンサは、収集された研磨作業データを機械学習プラットフォーム１１１０に伝送し得る。
着用可能デバイス１１２４は、研磨製品１１２２の環境からのもしくは環境と関連付けられたデータ、および／またはオペレータの研磨製品１１２２からのもしくはこの研磨製品１１２２と関連付けられたデータを連続的または周期的に収集する１つ以上のセンサを有する着用可能コンピューティングデバイスを含み得る。例えば、着用可能デバイス１１２４によって収集されたデータを使用して、研磨作業データを決定し得る。いくつかの例では、収集されたデータは、例えばＢＬＵＥＴＯＯＴＨ（登録商標）、ＴＣＰ／ＩＰ、または他のネットワーキングプロトコルを介して、サーバデバイス１１２６に送信され得る。他の例では、収集されたデータは、直接機械学習プラットフォーム１１１０に伝送され得る。
サーバデバイス１１２６は、企業１１２０に位置する１つ以上のコンピューティングデバイスを含み得る。サーバデバイスは、研磨製品１１２２および着用可能デバイス１１２４からのセンサデータを受信および集約するように構成され得る。サーバデバイス１１２６は、機械学習プラットフォーム１１１０によって、または企業１１２０によって操作され得る。センサデータを受信すると、サーバデバイス１１２６は、センサデータに、外れ値センサデータを除去し、および／または１つ以上の着用可能デバイス１１２４または研磨製品１１２２からのセンサデータを無視するような、データフィルタを適用し得る。いくつかの例では、サーバデバイス１１２６は、センサデータを、機械学習プラットフォーム１１１０により好適な異なるデータフォーマットに、例えばＪａｖａＳｃｒｉｐｔ Ｏｂｊｅｃｔ Ｎｏｔａｔｉｏｎ（ＪＳＯＮ）に、変換するように構成され得る。別の例として、サーバデバイス１１２６は、本明細書にさらに説明されるように、人間のオペレータがセンサデータにラベルでタグ付けすることを可能にし得る。サーバデバイス１１２６は、機械学習プラットフォーム１１１０から製品固有の情報および／または被加工物固有の情報を受信し、この情報を、リモートデバイス１１２８、研磨製品１１２２、着用可能デバイス１１２４に配信し得るか、またはこのデータを企業１１２０のメンバーによる後のアクセスのために記憶し得る。
いくつかの実施形態では、サーバデバイス１１２６は、データをバッチにグループ分けすることによって、センサデータを機械学習プラットフォーム１１１０に提供し得る。バッチは、周期的に、例えば、１０分毎または３０分毎に伝送され得る。他の例では、サーバデバイス１１２６は、センサデータを、リアルタイムで、ストリーミングフォーマットで、機械学習プラットフォーム１１１０に送信し得る。いくつかの実施形態では、サーバデバイス１１２６は、研磨製品１１２２および着用可能デバイス１１２４に配設されたセンサを監視するように構成され得る。例えば、サーバデバイス１１２６は、センサにハートビートメッセージを送信し得、当該センサは、応答ハートビートメッセージで応答するように構成され得る。このことは、センサが、動作可能であり、例えば動作不良または動力の喪失のために、サーバデバイス１１２６にデータを送信することを停止してはいないことを保証し得る。
リモートデバイス１１２８は、企業１１２０における１つ以上のコンピューティングデバイスに位置するインターフェースを含み得る。例えば、リモートデバイス１１２８として、着用可能デバイス（例えば、スマートウォッチ）、モバイルデバイス（例えば、モバイルフォンまたはタブレット）、および／またはモニタ（例えば、コンピュータスクリーン）が挙げられ得る。リモートデバイス１１２８は、サーバデバイス１１２６または機械学習プラットフォーム１１１０からのデータを受信し、グラフィカルユーザインターフェース（ＧＵＩ）に出力データを表示し、アラーム、警告、通知、レポート、注文、および／または別の種類のアクションを発し得る。
外部ベンダー１１３０は、機械学習プラットフォーム１１１０を動作させている実体のパートナによって管理される１つ以上のコンピューティングシステムを表し得る。例示的な実施形態では、機械学習プラットフォーム１１１０は、機械学習システム１１１２によって行われた予測に基づいて、外部ベンダー１１３０に新しい注文要求、配送要求、および／またはロジスティクス要求を伝送し得る。これらの要求は、企業１１２０に代わって、機械学習プラットフォーム１１１０によって自動で行われ得る。
サードパーティユーザ１１４０は、分析プラットフォーム１１１８の能力を利用する１つ以上の個人または組織を含み得る。例えば、サードパーティユーザ１１４０は、ウェブブラウザを介して、分析プラットフォーム１１１８にアクセスし得、機械学習プラットフォーム１１１０によって分析プラットフォーム１１１８に提供されたデータにアクセスすることが可能であり得る。サードパーティユーザ１１４０は、例えばサブスクリプションベースのモデルを通じた、許可されたアクセスであり得る。分析プラットフォーム１１１８は、各々が、サードパーティユーザ１１４０によって購入されたサブスクリプションに基づく、サードパーティユーザ１１４０へのアクセスの複数のレベルを提供し得る。例えば、アクセスの各レベルは、より機密性が高いデータまたは大量のデータを提供し得る。
とりわけ、配置１１００の構成要素は、例の目的で使用される。他の構成要素および配置も可能である。
ＶＩＩ．例示的な機械学習システム
図１２は、例示的な実施形態による、企業１２０２、機械学習システム１２１０、入力要求１２２０、および出力予測１２３０を含むシナリオ１２００を図示している。シナリオ１２００は、配置１１００の一部として起こり得る。したがって、企業１２０２は、企業１１２０によって具現化され得、機械学習システム１２１０は、機械学習システム１１１２によって具現化され得、訓練データ１２１２は、データベースデバイス１１１４によって具現化され得る。
企業１２０２は、例えば、機械学習システム１２１０のオペレータによって製造または保守される製品を利用する組織を表し得る。上記に議論されたように、企業１２０２は、１つ以上の研磨製品または１つ以上の被加工物を伴う研磨作業と関連付けられた研磨作業データを生成するセンサを含み得る。これらのセンサからのデータは、センサデータに基づいて１つ以上の研磨製品の製品固有の情報および被加工物固有の情報を決定するために、企業１２０２から機械学習システム１２１０に伝送され得る。
機械学習システム１２１０は、機械学習技術を利用して、パターンを検出するための訓練データで１つ以上の機械学習モデルを訓練し、訓練データに関する出力予測を提供し得る。結果として生じる訓練された機械学習モデルは、訓練された機械学習モデルと称され得る。例えば、シナリオ１２００は、機械学習モデル１２１４が訓練データ１２１２で訓練されて、訓練された機械学習モデル１２１６になることを例示する。予測時間中、訓練された機械学習モデル１２１６は、入力要求１２２０を受信し、出力予測１２３０を応答可能に提供し得る。
訓練データ１２１２は、企業１２０２からのセンサデータを受信および記憶し、かつ１つ以上の機械学習モデルを訓練するように設計された１つ以上のデータベースを含み得る。例えば、訓練データ１２１２は、関係データベース（例えば、ＳＱＬ）、グラフデータベース（例えば、ｎｅｏ４ｊ）、文書データベース（例えば、ＭｏｎｇｏＤＢ）、コラムデータベース（例えば、Ｃａｓｓａｎｄｒａ）、および／または他のデータベースモデルを含み得る。
機械学習モデル１２１４といては、限定されるものではないが、ロジスティックまたは線形回帰、サポートベクターマシン（ＳＶＭ）、ベイジアンネットワーク、人工ニューラルネットワーク（ＡＮＮ）、（畳み込みニューラルネットワーク（ＣＮＮ）および再帰型畳み込みニューラルネットワーク（ＲＮＮ）を含む）、ナイーブベイズ分類器、Ｋ近傍法、自動符号化器、隠れマルコフモデル（ＨＭＭ）、マルコフ決定過程、決定木、ランダムフォレスト、アンサンブル法（ブースティングおよびバギングを含む）、および／またはヒューリスティック機械学習モデルなどのアルゴリズムが挙げられ得る。ルールベースアルゴリズム（例えば、関連付けルールモデル、学習分類器モデルなど）を組み込む機械学習モデルまたは反復アルゴリズム（例えば、期待値最大アルゴリズム）もまた、本出願の範囲内で企図され、可能である。
機械学習モデル１２１４は、訓練され得、オンライン学習またはオフライン学習を利用し得る。訓練中、機械学習モデル１２１４は、訓練データ１２１２を利用して、１つ以上のモデルの重みおよび／または他のパラメータを調整し得る。機械学習モデル１２１４は、訓練中に、Ｌ１正則化、Ｌ２正則化、訓練の早期停止、および／またはドロップアウト法などの様々な正則化技術を使用して、過剰適合を低減し得る。機械学習モデル１２１４は、訓練中に、勾配ベース法（最急勾配法、確率的勾配降下法、Ａｄａｍ最適化）、サーチベース技術（遺伝的アルゴリズム、グリッドサーチ、ランダムサーチ）、および／または他の技術などの様々な最適化方法を使用して、オープン以上のパラメータおよび／またはハイパーパラメータを学習し得る。
いくつかの実施形態では、機械学習モデル１２１４は、教師あり学習を使用して、ラベル付けされた訓練データ１２１２に基づいて出力予測を決定し得る。これらの出力予測は、訓練データ１２１２に対するラベルと関連付けられた正確な結果に基づいて、受容または補正され得る。一例として、線形回帰を使用して、研磨製品の入力ＲＰＭデータが与えられた場合の、研磨製品のオペレータのアイドル時間を予測し得る。このことは、例えば、オペレータの予測されるアイドル時間と、入力ＲＰＭデータと関連付けられたオペレータの実際のラベル付けされたアイドル時間と、の間の差に基づいて、二乗損失関数を最適化することを含み得る。
いくつかの実施形態では、機械学習モデル１２１４は、教師なし学習を使用して、ラベル付けされていない訓練データ１２１２に基づく特徴のパターン、構造を学習し得る。一例として、クラスタリングアルゴリズム（例えば、ｋ平均法、階層クラスタリング）を使用して、類似の特徴を有するセンサデータをクラスタにグループ分けし得、クラスタを異常検出に使用し得る（例えば、いずれのクラスタにも分類されない特徴を有するセンサが警告され得る）。別の例では、自動符号化器を使用して、センサデータの新しい表現（典型的には次元性が低減される）を学習し得る。次いで、センサデータのこれらの新しい表現は、分類タスクに使用され得る。
いくつかの実施形態では、機械学習モデル１２１４は、訓練データ１２１２のすべてではなく一部にラベルを有することによる半教師あり学習を使用し得る。したがって、教師あり学習は、ラベルを有する訓練データ１２１２の一部分に使用され得、教師なし学習は、ラベルを有しない訓練データ１２１２の一部分に使用され得る。いくつかの実施形態では、機械学習モデル１２１４は、強化学習を使用して、環境でのアクションに応答して、報酬値を受け取り得る。例えば、強化学習中、機械学習モデル１２１４は、寿命終点を示すクライアントデバイスにテキスト通知を提供するなどのアクションをとり、企業１２０２から報酬値を受け取り得る。報酬に応答して、機械学習モデル１２１４は、追加のアクションをとるか、または新しい潜在的なアクションを模索する（クライアントデバイスに異なる種類の通知を提供する）ことによって、報酬を最大化しようと試み得る。
いくつかの実施形態では、機械学習モデル１２１４は、様々なユーザ体験および／または知識に基づいて訓練され得る。例えば、研修開発人員および／またはアプリケーションエンジニアからの体験に基づいて、作業限界が設定または提案され得る。そのようなシナリオでは、機械学習モデル１２１４は、限定されるものではないが、オペレータ体験、管理者体験、および／または顧客フィードバックなどの、研磨作業のいつかまたはすべての態様に関する組織「ノウハウ」および／またはフィードバックを利用し得る。
いくつかの実施形態では、機械学習モデル１２１４の訓練は、グラフィック処理ユニット（ＧＰＵ）、テンソル処理ユニット（ＴＰＵ）、および／またはデジタル信号プロセッサ（ＤＳＰ）などの、専用プロセッサを使用して加速され得る。いくつかの実施形態では、機械学習モデル１２１４を訓練することは、センサデータの異なるセットに対して異なる機械学習モデルを訓練することを含み得る。センサデータのセットは、センサデータの収集元の研磨製品の一意の識別子に基づき得る。例えば、センサデータのセットは、類似の文字を共有する研磨製品を表し得る「Ｘ＿１２」で始まる一意の識別子を有する研磨製品から集取されたすべてのセンサデータを含み得る。別の例として、センサデータのセットは、振動センサなどの同じ量および種類のセンサを共有する研磨製品から集取されたすべてのセンサデータを含み得る。
いくつかの実施形態では、機械学習モデル１２１４は、企業１２０２から受信された新しいセンサデータで定期的に再訓練されるように構成され得る。例えば、企業１２０２からのセンサデータは、データがセンサによって収集された時を示すタイムスタンプと関連付けられ得る。したがって、機械学習モデル１２１４は、昨週、昨月、または昨年に収集されたすべてのデータなどの、タイムスタンプによって決定される新しいセンサデータのサブセットで再訓練されるように構成され得る。いくつかの例では、機械学習モデル１２１４を定期的に再訓練することは、古いセンサデータのタイムスタンプに基づいて訓練データ１２１２から古いセンサデータ除去することを含み得る。例えば、２年、３年、または４年を超えるセンサデータ集は、訓練データ１２１２から除去され得る。
訓練後、機械学習モデル１２１４が訓練データ１２１２で訓練されて、訓練された機械学習モデル１２１６になり、訓練された機械学習モデル１２１６は、機械学習システム１２１０に常駐して実行されて、１つ以上のコンピューティングデバイスからの要求に対する予測を提供し得る。いくつかの場合では、訓練された機械学習モデル１２１６は、１つ以上のコンピューティングデバイスに常駐して実行されて、１つ以上のコンピューティングデバイスからの要求に対する予測を行い得る。
いくつかの実施形態では、訓練された機械学習モデル１２１６は、企業１２０２から入力要求１２２０を受信し、入力要求１２２０に関する１つ以上の出力予測１２３０を生成し、１つ以上の出力予測を企業１２０２に提供し得る。例えば、入力要求１２２０は、企業１２０２からの、研磨デバイスの寿命終点を予測する要求であり得る。したがって、入力要求１２２０は、研磨デバイスのＲＰＭデータを含み得る。そのような例では、企業１２０２は、訓練データ１２１２の提供者であり得る。他の実施形態では、訓練された機械学習モデル１２１６は、外部ソース１２４０から入力要求１２２０を受信し、入力要求１２２０に関する１つ以上の出力予測１２３０を生成し、１つ以上の出力予測を外部ソース１２４０に伝送し得る。例えば、入力要求１２２０は、外部ソース１２４０からの、研磨デバイスの寿命終点を予測する要求であり得る。したがって、入力要求１２２０は、研磨デバイスのＲＰＭデータを含み得る。そのような例では、外部ソース１２４０は、訓練データ１２１２の提供者でなくてもよく、したがって、企業１２０２からの訓練データに依存して、予測を行い得る。
いくつかの実施形態では、出力予測１２３０は、訓練された械学習モデル１２１６をさらに改善するために、後続の訓練段階中にラベル付けおよび利用され得る。例えば、出力予測１２３０は、研磨製品についての問題を解決するための１つ以上の製品固有のソリューションとして提供され得る。これらの製品固有のソリューションは、企業１２０２に提供され得、次いで、企業１２０２は、１つ以上の製品固有のソリューションから製品固有のソリューションを選択する。ソリューションを選択すると、企業１２０２は、選択された製品固有のソリューションを記録し得、選択されたソリューションとしての研磨製品のラベルを決定し得る。次いで、これは、訓練された機械学習モデル１２１６の改善に使用するために訓練データ１２１２に伝送され得る。
ＶＩＩＩ．例示的な入力
図１３は、例示的な実施形態による、機械学習システムに対する入力デバイスを表すシナリオ１３００を例示する。シナリオ１３００は、企業１１２０で起こり、手動研磨デバイス１３１０、着用可能デバイス１３２０、自動研磨デバイス１３３０、およびサーバデバイス１３４０を含み得る。したがって、手動研磨デバイス１３１０および自動研磨デバイス１３３０は、研磨製品１１２２によって具現化され得、サーバデバイス１３４０は、サーバデバイス１１２６によって具現化され得る。本明細書に使用される際、研磨デバイスは、研磨工具と関連付けられるか、または研磨工具によって具現化されるデバイスを指し得る。
手動研磨デバイス１３１０は、被加工物（図１３には例示されていない）に対して手動研削作業を実施するように構成されている任意の工具であり得る。そのような研削作業は、研削、ポリッシング、バフ研磨、ホーニング、切断、穴あけ、研ぎ、ヤスリがけ、ラッピング、サンディング、および／または他の同様のタスクを含み得る。しかしながら、振動および／またはノイズを含み得る他の種類の手動機械作業が企図される。例えば、ハンマリング、のみ加工、圧着、ストライキング、または他の手動作業が、本開示の文脈内で可能である。したがって、手動研磨デバイス１３１０は、研磨作業のうちの１つ以上を実施するために構成されているデバイスであり得る。例えば、手動研磨デバイス１３１０は、他の例の中でもとりわけ、直角研削工具、電動ドリル、ハンマドリルおよび／またはパーカッションハンマ、のこぎり、かんな、ドライバ、ルータ、サンダ、アングルグラインダ、園芸用品、および／または多機能ツールであり得る。
自動研磨デバイス１３３０は、被加工物（図１３には例示されていない）に対して自動研削作業を実施するように構成されている任意の工具であり得る。そのような研削作業は、研削、ポリッシング、バフ研磨、ホーニング、切断、穴あけ、研ぎ、ヤスリがけ、ラッピング、サンディング、および／または他の同様のタスクを含み得る。例えば、自動研磨デバイス１３３０として、切断工具、サンディング工具、バフ研磨工具、および／またはポリッシング工具が挙げられ得る。
オペレータは、概して、手動研磨デバイス１３１０を操作するのに対して、本開示では、コントローラが、自動研磨デバイス１３３０を操作する。コントローラは、他の可能性の中でもとりわけ、コンピューティングデバイス１０００の形態をとり得、自動研磨デバイス１３３０をターンオンすること、自動研磨デバイス１３３０をターンオフすること、自動研磨デバイス１３３０の回転速度を設定すること、被加工物に対する所望される位置および／または角度で所望される研削または切断力を加えることなどの、様々なアクションを実施するように構成され得る。いくつかの実装形態では、コントローラのアクションは、機械学習システム１２１０からの出力に基づいて構成される。例えば、機械学習システム１２１０は、自動研磨デバイス１３３０のコントローラから受信された研磨作業データ（例えば、振動データ、電流データ、ホイール速度データなど）に基づいて予測を行い得る。予測を行った後、機械学習システム１２１０は、予測に従って、例えばコントローラの新しい最大回転速度を設定することによって、コントローラを再構成し得る。いくつかの例では、自動研磨デバイス１３３０は、コンピュータ数値制御（ＣＮＣ）研削機の形態をとり得、上記のコントローラは、ＣＮＣコントローラであり得る。ただし、他の種類の自動研磨デバイスが、可能性あり、企図される。
手動研磨デバイス１３１０はおよび自動研磨デバイス１３３０は、研磨作業のうちの１つ以上を実施することを可能にする１つ以上の構成要素を含み得る。具体的には、手動研磨デバイス１３１０および自動研磨デバイス１３３０は、説明される１つ以上の作業を実施するための研磨物品を含み得る。研磨物品は、被加工物を成形するか、または仕上げるために使用され得る１つ以上の材料を含み得る。１つ以上の材料は、方解石（炭酸カルシウム）、エメリ（不純コランダム）、ダイヤモンド、ＣＢＮ、ダイヤモンドダスト（例えば、人工ダイヤモンド）、ノバキュライト、軽石、ルージュ、砂、コランダム、ガーネット、砂岩、トリポリ、粉末長石、スタウロライト、ボラゾン、セラミック、セラミック酸化アルミニウム、セラミック酸化鉄、コランダム、ガラス粉末、スチール研磨剤、炭化ケイ素（カーボランダム）、ジルコニアアルミナ、炭化ホウ素、およびスラグなどの研磨鉱物を含み得る。追加的に、および／または代替的に、１つ以上の材料は、プレスされ、結合材を使用して一緒に結合される粗粒骨材を含む、複合材料を含み得る。複合材料は、粘土、樹脂、ガラス、ゴム、酸化アルミニウム、炭化ケイ素、炭化タングステン、ガーネット、および／またはガーネットセラミックを含み得る。
さらに、研磨物品は、多くの形状のうちの１つを有し得る。例えば、物品は、他の例の中でもとりわけ、ブロック、スティック、ホイール、リング、またはディスクの形態をとり得る。図１３に示される例では、手動研磨デバイス１３１０は、ホイール形状の研磨物品１３１６を含み得る。追加的に、手動研磨デバイス１３１０および自動研磨デバイス１３３０は、作業を実施するために研磨物品を作動するように構成され得る動力源を含み得る。例の中では、動力源は、電気モータ、ガソリンエンジン、または圧縮空気であり得る。手動研磨デバイス１３１０および自動研磨デバイス１３３０はまた、動力源を収容するハウジングを含み得る。ハウジングは、他の例の中でもとりわけ、硬質プラスチック、フェノール樹脂、または中硬性ゴムから形成され得る。
いくつかの実施形態では、手動研磨デバイス１３１０および自動研磨デバイス１３３０は、刻印または固定され得るスキャン可能な識別子（例えば、ＱＲコード（登録商標）、バーコード、シリアル番号など）などの識別特徴を含み得る。識別特徴は、工具の種類、工具の製造者、工具のモデル、および／または工具の一意の識別子を識別するために使用され得る。追加的に、および／または代替的に、手動研磨デバイス１３１０および自動研磨デバイス１３３０の個々の構成要素は、識別特徴を含み得る。例えば、研磨物品は、研磨物品に刻印および／または固定されている識別特徴を含み得る。識別特徴は、研磨物品の種類、研磨物品の製造者、研磨物品のモデル、および／または研磨物品の一意の識別子を識別するために使用され得る。
手動研磨デバイス１３１０および自動研磨デバイス１３３０は、（例えば、工具のハンドル、本体内に、および／または研磨製品に結合された、）工具の環境からおよび／または工具自体からリアルタイムでデータを収集し得る１つ以上のセンサを含み得る。いくつかの実施形態では、システムは、作業が実施されている環境中に配設されているリモートセンサを追加的に含み得る。これらのセンサおよび埋め込みセンサは、収集されたデータをサーバデバイス１３４０に伝送するように構成され得る。センサは、工具の作業データおよび工具の一意の識別子を伝送するように構成され得る。
着用可能デバイス１３２０は、ユーザの手１３２２の手首上に取り付けられる手首装着可能デバイスの形態であり得る。ユーザの手１３２２は、タスクを実施するときにオペレータによって選好されるオペレータの利き手であり得る。ここで、オペレータは、手１３２２（その上に着用可能デバイス１３２０が装着される）を使用して、手動研磨デバイス１３１０のハンドル１３１２を把持し得る。着用可能デバイス１３２０は、研磨作業データを決定するために使用され得るリアルタイムのデータを取得するように構成され得る。リアルタイムデータを取得するために、着用可能デバイス１３２０は、研磨製品の環境からおよび／または研磨製品自体からリアルタイムでデータを収集し得るセンサを含み得る。着用可能デバイス１３２０は、研磨製品上のリモートセンサと、および／または研磨製品と関連付けられた１つ以上のセンサと通信するように構成され得る。追加的に、着用可能デバイスは、収集されたデータを、例えばリアルタイムでおよび／または同期式で、サーバデバイス１３４０に伝送するための通信インターフェースを含み得る。いくつかの実施形態では、着用可能デバイス１３２０は、ウェブアプリケーションを実行するように動作可能であり得、ウェブアプリケーションは、他の可能性の中でもとりわけ、Ｎｏｄｅ．ｊｓ（例えば、ＪａｖａＳｃｒｉｐｔ ｅｖｅｒｙｗｈｅｒｅ）ランタイム環境で動作するイベント駆動スクリプトを含み得る。
いくつかの実施形態では、着用可能デバイス１３２０のセンサは、手動研磨デバイス１３１０の識別特徴、または手動研磨デバイス１３１０の研磨物品を読み取るかまたはスキャンするように構成され得る。例えば、センサは、種類を決定するために、手動研磨デバイス１３１０の画像をキャプチャおよび分析し得る、または識別特徴１３１４をスキャンし得る、画像キャプチャデバイス（例えば、カメラ）を含み得る。工具および／またはその構成要素を識別することは、着用可能デバイス１３２０が、工具および／またはその構成要素と関連付けられた情報をオペレータに提供することを可能にし得る。追加的に、および／または代替的に、識別は、着用可能デバイス１３２０が、環境内のセンサによって収集されたデータを、所望される作業を実施するために使用されている手動研磨デバイス１３１０および／または特定の構成要素と関連付けることを可能にし得る。
シナリオ１３００では、手動研磨デバイス１３１０、着用可能デバイス１３２０、自動研磨デバイス１３３０、および他のセンサ１３５０のセンサは、手動研磨デバイス１３１０および自動研磨デバイス１３３０の動作からの、または動作と関連付けられたデータを、連続的に、または定期的に収集し得る。例えば、収集された研磨作業データは、音データ、加速度データ、振動データ、ジャイロスコープデータ、ならびに／または音データ、加速度データ、および／もしくは振動データ（例えば、加えられた力、ＲＰＭデータ、使用率など）から外挿されたデータを含み得る。例示的な実施形態では、収集された研磨作業データは、材料、材料除去速度、作業条件、消費される動力、または比研削エネルギーと相関し得る。
追加的に、手動研磨デバイス１３１０、着用可能デバイス１３２０、自動研磨デバイス１３３０、および他のセンサ１３５０のセンサは、研磨デバイス／工具および／または作用を受ける被加工物に対して様々な位置に位置し得る。例えば、振動センサ、ジャイロスコープ、マイクロフォン、および／または任意の他のセンサが、工具または工具のハンドル内に埋め込まれ得る。他の例では、センサは、工具および／または被加工物の近くに位置し得る。さらに別の例では、センサは、被加工物が置かれ得る加工表面上に装着され得る。さらに他の例では、センサは、壁または天井の位置に装着され得る。複数のセンサが、「ステレオ」またはマルチセンサの組み合わせを提供するために、工具および／または被加工物の近くの様々な位置に位置し得ることが理解されるであろう。そのような複数のセンサの組み合わせは、立体視または多視点の感知に基づいて、工具が使用されている情報、および／または特定の音を明確化する情報を提供し得る。
いくつかの実施形態では、センサは、３軸（ｘ、ｙ、およびｚ）での加速度情報を測定および記録するように動作可能であり得る加速度計を含み得る。例えば、着用可能デバイス１３２０は、手動研磨デバイス１３１０の操作時にユーザの手１３２２に関連した加速度データを収集するように構成された加速度計を含み得る。したがって、加速度計は、振動の結果として手の加速度を測定し得る。手の振動が工具の振動の結果であるため、加速度計によって収集された加速度情報は、工具の振動を示し得る。このシナリオでは、加速度情報は、工具の振動の程度を決定するために使用され得る。研磨作業データの例である振動データは、他の研磨作業データを外挿するために使用され得る。一例として、振動データは、動作状態および動作時間などの工具の動作情報を決定するために使用され得る。例えば、動作状態は、他の可能性の中でもとりわけ、「停止」、「アイドル」、および「サンディング」を含み得る。別の例として、振動データは、変数の中でもとりわけ、加工角度、グリップの締め付け、加えられた圧力、角速度（例えば、回転／分、ＲＰＭ）などの実施された研磨作業の研削情報を決定するために使用され得る。
いくつかの実施形態では、センサは、研磨作業から音データを収集するように構成されたマイクロフォンを含み得る。収集された音データを使用して、研磨製品の異なるＲＰＭ値の既知の音振幅との相関について音データの振幅を分析することによって、研磨製品を動作させるＲＰＭを決定し得る。
いくつかの実施形態では、センサは、ディスクの研削ホイールへの視覚的／磁気的なアタッチメントを検出し、かつ研削ホイールまたはディスクの角速度（ＲＰＭ）に関する情報を提供するように構成された動作可能な光学または磁気センサを含み得る。
いくつかの実施形態では、センサは、研削ホイールまたはディスクに取り付けられた感知ターゲットの回転を検出し、かつ研削ホイールまたはディスクの角速度（ＲＰＭ）に関する情報を提供するように構成されたスパーク不変センサを含み得る。いくつかの実施形態では、センサは、研削工具に加わる気圧を決定するためのセンサを含み得る。
例示的な実施形態では、決定されたＲＰＭ値は、研磨作業データを外挿するために使用され得る。例えば、ＲＰＭ値は、特定の工具のＲＰＭと工具によって及ぼされた研削動力との間の相関を示すデータ（例えば、表）を使用することによって、工具の研削動力を決定し得る。別の例として、ＲＰＭ値は、特定の工具のＲＰＭと工具によって及ぼされた研削動力との間の相関を示すデータ（例えば、表）を使用することによって、被加工物に加わる力を決定し得る。
いくつかの実施形態では、センサは、被加工物を示す情報を収集し得る。例えば、センサは、被加工物の画像をキャプチャするように構成されたキャプチャデバイス（例えば、カメラ）を含み得る。画像は、被加工物の種類、被加工物の材料、被加工物の寸法、被加工物の表面特性、および／または環境内の被加工物の配置（例えば、環境内の基準点に対する配向、角度、位置）を含む、被加工物の状態を決定するために分析され得る。いくつかの実施形態では、被加工物に関する情報は、他の種類のセンサ情報に基づいて決定され得る。例えば、研削が進行している間、研削工具と様々な被加工物との間の相互作用は、種々のノイズおよび振動データを提供し得る。例示的な実施形態では、タグ付けされたノイズおよび振動データのデータベースは、様々な被加工物材料を具体的に識別し得る。そのようなシナリオでは、後にキャプチャされたノイズおよび振動データが、所与の被加工物に関する情報を提供するために、タグ付けされたノイズおよび振動データベース内のエントリと比較され得る。
いくつかの実施形態では、センサは、研削ゾーンで起こる微視的相互作用を示す情報を収集し得る。（すなわち、研削ホイールと被加工材料との間の領域）。例えば、センサは、研削プロセスの各ステップ中における被加工物に対する研磨粒の侵入の深さを外挿するように構成された振動センサを含み得る。次いで、侵入の各深さが、切断（例えば、材料除去）、プラウイング（例えば、材料変位）、摺動（例えば、表面改質）などの固有の微視的相互作用に結びつけられ得る。とりわけ、研削プロセスの終了時に生成された表面は、異なる種類の微視的相互作用の累積作用であり得る。
サーバデバイス１３４０は、手動研磨デバイス１３１０、着用可能デバイス１３２０、自動研磨デバイス１３３０、および他のセンサ１３５０のセンサからのセンサデータを受信および集約するように構成された１つ以上のコンピューティングデバイスを含み得る。これらのセンサとサーバデバイス１３４０との間の通信は、ワイヤレスフィデリティ（Ｗｉ－Ｆｉ）接続、ＢＬＵＥＴＯＯＴＨ（登録商標）接続、ライトフィデリティ（Ｌｉ－Ｆｉ）接続、赤外線接続、近距離通信（ＮＦＣ）接続、またはいくつかの他の無線接続を介して容易にされ得る。いくつかの実施形態では、センサは、Ｍｅｓｓａｇｅ Ｑｕｅｕｉｎｇ Ｔｅｌｅｍｅｔｒｙ Ｔｒａｎｓｐｏｒｔ（ＭＱＴＴ）または別の種類のメッセージングプロトコルを使用してサーバデバイス１３４０と通信するように構成され得る。
センサデータを受信すると、サーバデバイス１３４０は、センサデータにデータフィルタを適用するか、またはセンサデータを異なるデータフォーマットに変換し得る。サーバデバイス１３４０は、手動研磨デバイス１３１０、着用可能デバイス１３２０、自動研磨デバイス１３３０、および他のセンサ１３５０に関連した製品固有の情報および／または被加工物固有の情報を決定するために、機械学習プラットフォーム１１１０などの機械学習プラットフォームに、センサデータを伝送し得る。
いくつかの実施形態では、サーバデバイス１３４０は、人間のオペレータがセンサデータをタグ付けすることを可能にするように構成され得る。具体的には、タグは、１つ以上の機械学習モデルを訓練するためのラベルまたは追加の訓練特徴として利用され得る。例えば、タグは、センサデータと関連付けられた１つ以上の研磨製品の製品固有の情報を識別し得る。これは、振動データに関連した動作状態を含み得る。一例として、「歩行」の動作状態は、小さいピークを有する振動データに割り当てられ得る。別の例では、「アイドル」の動作状態は、安定した傾斜を有する振動データに割り当てられ得る。
いくつかの実施形態では、タグは、研磨製品関連イベントの直前に研磨作業データのパターンを識別し得る。例えば、研磨製品関連イベントは、研磨製品を使用するオペレータの重傷を含み得る。したがって、タグは、傷害前のオペレータの着用可能デバイスからの振動センサデータと関連付けられ得る。例えば、「臨界」タグが、傷害１時間前の振動データと関連付けられ得、「危険」タグが、傷害直前または１分未満前の振動データと関連付けられ得る。
いくつかの実施形態では、サーバデバイス１３４０は、人間のオペレータが、研磨製品の特定の条件または性能インジケータを示すパターンを外挿するのを支援するためのセンサデータのグラフを提供し得る。本明細書に説明されるように、人間のオペレータは、パターンを外挿するための１つ以上のデータ分析方法を使用し得る。一例として、センサグラフが、振動データにタグを割り当てるために、動作中の工具に供給された動力信号と、動作中の工具の振動と、の間の相関を外挿するために使用され得る。具体的には、一期間／段階中に閾値よりも大きい振幅を有する振動データは、その期間／段階の時間に「動力が投入された」タグを研磨製品に割り当てることを示し得る。さらに、一期間／段階中に第２の閾値よりも大きい振幅を有する振動データは、その期間／段階の間、「過酷な条件」タグを研磨製品に割り当てることを示し得る。別の例では、過酷な条件下で研磨製品を操作するとき、加速度データは、通常条件下で研磨製品を操作するときよりも高いピークを含み得る。したがって、振動データにおける閾値を超えるピークは、「過酷な条件」タグを示し得る。
いくつかの実施形態では、人間のオペレータは、センサデータをタグ付けするのを支援するための機械学習（例えば、ベイジアン分類器、サポートベクターマシン、線形分類器、ｋ近傍分類器、決定木、ランダムフォレスト）、高速フーリエ変換（ＦＦＴ）、人工知能（ＡＩ）方法（例えば、ニューラルネットワーク、ファジー論理、クラスタ分析、またはパターン認識）、フィルタリング、ピーク値、平均値、標準偏差、歪度、および／または尖度などの方法を使用し得る。例えば、人間のオペレータは、センサデータのタグを作成を支援するための、機械学習プラットフォーム１１１０などの機械学習プラットフォームを使用し得る。とりわけ、次いで、作成されたタグを使用して、同じ機械学習プラットフォーム上で１つ以上の機械学習モデルを訓練し得る。
他のセンサ１３５０は、手動研磨デバイス１３１０、着用可能デバイス１３２０、および自動研磨デバイス１３３０の周りの環境に配設された他のセンサを含み得る。例えば他のセンサは、手動研磨デバイス１３１０および自動研磨デバイス１３３０の周りの環境の温度を検出するための温度センサを含み得る。いくつかの例では、手動研磨デバイス１３１０、着用可能デバイス１３２０、および自動研磨デバイス１３３０、ならびに他のセンサ１３５０は、機械学習プラットフォーム１１１０などの機械学習プラットフォームと直接通信し得る。
ＩＸ．例示的な出力
図１４は、例示的な実施形態による、機械学習システム１２１０から予測を受信するデバイスを表すシナリオ１４００を図示している。シナリオ１４００は、研磨製品１４１０、リモートデバイス１４２０、ベンダー１４３０、および分析プラットフォーム１４４０を含み得る。とりわけ、研磨製品１４１０は、研磨製品１１２２によって具現化され得、分析プラットフォーム１４４０は、分析プラットフォーム１１１８によって具現化され得、ベンダー１４３０は、外部ベンダー１１３０によって具現化され得、リモートデバイス１４２０は、リモートデバイス１１２８によって具現化され得る。
研磨製品１４１０は、例えば、本明細書に説明されるように、自動研磨デバイス１４１２、手動研磨デバイス１４１４、および手動研磨デバイス１４１４に通信可能に結合された着用可能デバイス１４１６を含み得る。したがって、機械学習システム１２１０は、研磨製品１４１０の研磨作業データに関連する予測情報を出力し得る。そのような研磨作業データは、研磨製品１４１０上に、またはこれの近くに配設されたセンサによって集取され得る。例えば、研磨作業データは、研削ホイールの角速度（ＲＰＭ）、作業の過酷さ、および工具が受ける衝撃に関する情報を含み得る。別の例では、研磨作業データは、加工角度、グリップの締め付け、および加えられた圧力を含む、手動研磨デバイス１４１４の研削パラメータを含み得る。別の例として、ノイズセンサおよびスパーク不変センサは、自動研磨デバイス１４１２および／または手動研磨デバイス１４１４の電力情報を提供し得る。さらなる例では、研磨作業データは、（例えば、被加工物を示す、画像などのセンサデータに基づいて）作業が実施されている被加工物を示すジャイロスコープデータを含み得る。
この研磨作業データに基づいて、機械学習システム１２１０は、研磨製品１４１０の製品固有の情報、および／または研磨製品１４１０が作用する被加工物の被加工物固有の情報を決定し得る。次いで、機械学習システム１２１０は、研磨製品１４１０に、製品固有の情報または被加工物固有の情報を警告する１つ以上の通知を提供し得る。表示を受信することに応答して、研磨製品１４１０は、視覚的、触覚的、および／または聴覚的な警告を出力し得るか、または自動化されたアクションをとり得る。例えば、研磨製品１４１０は、表示される通知に対して視覚的なグラフィカルユーザインターフェース（ＧＵＩ）または取り付けられたインジケータ光を含み得る。別の例では、研磨製品１４１０は、聞こえる聴覚的な警告のための、埋め込みスピーカなどの、電気インパルスを音に変換する装置を含み得る。さらなる例として、研磨製品１４１０は、機械学習システム１２１０からの表示に応答して研磨製品１４１０の研磨作業を自動で改変し得る埋め込みコンピューティングデバイスを含み得る。さらに別の例では、着用可能デバイス１４１６は、警告が振動として着用可能デバイス１４１６に伝達され得るような振動機構を含み得る。
いくつかの実施形態では、機械学習システム１２１０は、研磨製品１４１０の特定の研磨ホイールの動作速度が、作用を受けている特定の被加工物、特定の研磨ホイール、またはそれらの組み合わせに対して安全なまたは生産性のある動作範囲内にあるかどうかを決定し得る。例えば、機械学習システム１２１０は、研磨製品１４１０に、警報光の形態の警報信号を提供し得る。別の例では、機械学習システム１２１０は、研磨製品１４１０に、ＲＰＭ、ターンオン、および／またはターンオフを調整するための自動的な命令を提供し得る。例えば、この自動的な命令は、流体制御バルブ、例えばエアバルブに、グラインダの速度、または研磨ホイールの表面をドレッシングするための研削ドレッサを使用する表示を調整するための信号であり得る。
いくつかの実施形態では、機械学習システム１２１０は、研磨製品１４１０の研磨物品が損傷しているか、または動作不良であると決定し得る。例えば、機械学習システム１２１０は、加速度データおよび／またはノイズデータを分析して、研磨物品が損傷している、および／または動作不良であると決定し得る。このことは、損傷しているか、または動作不良である研磨物品を示し得る加速度データおよび／またはノイズデータの１つ以上のパターンを検出することを伴い得る。例えば、第１のパターンのスパイクまたはピークは、損傷した研磨製品を示し得、第２のパターンのスパイクまたはピークは、動作不良である研磨製品を示し得る。決定をした後、機械学習システム１２１０は、研磨製品１４１０に、研磨物品が損傷しているか、または動作不良であるという表示を提供し得る。そのような表示は、視覚的、触覚的、および／または聴覚的な警告であり得る。いくつかの実施形態では、機械学習システム１２１０は、加速度データおよび／またはノイズデータが予め定義された閾値（例えば、最大の所望される工具振動レベル、最大の所望される工具ノイズレベルなど）を超えると、表示を送信するように構成されている。そのような実施形態では、表示は、１つ以上の研磨製品１４１０を停止させる命令であり得る。追加的に、警告は、ＧＵＩを介して、交換物品を注文するか、または物品の保守を要求する選択肢をユーザに提供し得る。
いくつかの実施形態では、機械学習システム１２１０は、ジャイロスコープデータに基づいて、ユーザが、手動研磨デバイス１４１４を推奨される角度とは異なる角度に位置させていると決定し得る。この研磨作業データに基づいて、機械学習システム１２１０は、手動研磨デバイス１４１４のユーザが作業を不正確に実施していると決定し得る。次いで、機械学習システム１２１０は、手動研磨デバイス１４１４および／または着用可能デバイス１４１６に、ユーザが作業を不正確に実施しているという表示を提供し得る。表示の受信に応答して、手動研磨デバイス１４１４および／または着用可能デバイス１４１６は、ユーザが作業を不正確に実施していることをユーザに示す、視覚的、触覚的、および／または聴覚的な警告を出力し得る。追加的に、および／または代替的に、機械学習システム１２１０は、研磨作業に関連した通知を提供することによって、作業の正確な実施を示すフィードバックをユーザに連続的に提供し得る。
いくつかの実施形態では、機械学習システム１２１０は、手動研磨デバイス１４１４を操作しているユーザの人間工学的状態を決定し得る。例えば、決定は、手動研磨デバイス１４１４からキャプチャされたデータの分析に基づき得る。機械学習システム１２１０は、ユーザが、推奨される時間を超える期間、作業を実施していると決定し得、および／またはユーザが、所望されるよりも高い／低い力、振動、および／またはＲＰＭで手動研磨デバイス１４１４を操作していると決定し得る。例えば、オペレータおよび／または研磨製品製造者は、機械学習システム１２１０に、力、振動、および／またはＲＰＭの上限および下限を提供し得る。上限および下限は、機械学習システム１２１０、分析プラットフォーム（例えば、分析プラットフォーム１１１８）を介して決定され得、および／または今日または将来のいずれかに施行される労働安全規格に基づき得る。例えば、上限および下限は、労働安全衛生局（ＯＳＨＡ）、米国労働安全衛生研究所（ＮＩＯＳＨ）、欧州労働安全衛生機関（ＥＵ－ＯＳＨＡ）、または国際標準化機構（ＩＳＯ）によって設定された規格に基づき得る。したがって、機械学習システム１２１０は、手動研磨デバイス１４１４を操作しているユーザから収集された力、振動、および／またはＲＰＭデータが、「最適ゾーン」内にある、例えば上限と下限との間に入る、かどうかを決定し得る。ユーザが最適ゾーン内で作業する時間率が十分に低い場合、機械学習システム１２１０は、いくつかの実施形態では、作業改善、作業の推奨される角度などを提供する視覚的、触覚的、および／または聴覚的な警告を出力することによって、手動研磨デバイス１４１４および／または着用可能デバイス１４１６に、「最適ゾーン」にある時間率を増加させるための情報を提供し得る。そのような様式では、本明細書に説明されるシステムおよび方法は、労働者の安全性に関する作業条件、および／または国際、連邦（例えば、ＯＳＨＡ）、州、および／またはローカルのルールおよびガイドラインの遵守を監視し得る。いくつかの実施形態では、安全性マージン（例えば、最大の限界値の１～１０％）が、遵守を保証するため、および例えばセンサ誤較正または他の軽微なセンサ誤差に起因する、不注意な違反を回避するために、含められ得る。
いくつかの実施形態では、異なる研磨作業および／または工具に関連する最適ゾーンは、作業依存であり得る。例えば、手動研磨デバイスから受信される振動データの最適ゾーンは、ハンドヘルド研磨デバイスから受信される振動データの最適ゾーンとは異なり得る。別の例として、より軽いハンドヘルド研磨デバイスから受信される振動データの最適ゾーンは、より重いハンドヘルド研磨デバイスから受信される振動データの最適ゾーンとは異なり得る。
さらに、最適ゾーンは、研磨デバイスの最大の尺度に基づいて計算された測定値であり得る。例えば、研磨デバイスがＭＡＸ＿ＰＲＭという最大ＲＰＭを有するものとすれば、その研磨デバイスの最適ゾーンは、０．６＊ＭＡＸ＿ＲＰＭ～０．７＊ＭＡＸ＿ＲＰＭのどこかとして計算され得る。
最適ゾーンは、手動研磨デバイス１４１４から収集されたデータに基づいて議論されたが、最適ゾーンは、自動研磨デバイス１４１２から収集されたデータに対して同様に展開され得る。
いくつかの実施形態では、機械学習システム１２１０は、研磨製品１４１０の寿命推定値を決定し得る。例えば、決定は、故障した、および／または廃止された同様の研磨製品の履歴ＲＰＭデータまたは製品寿命データの分析に基づき得る。次いで、機械学習システム１２１０は、研磨製品１４１０、または研磨製品１４１０のオペレータの監督者に、研磨製品１４１０は寿命終点に近いという表示を提供し得る。この表示は、オペレータが研磨製品１４１０を安全に使用し得る推定時間を含み得る。いくつかの場合では、機械学習システム１２１０はまた、研磨製品１４１０の交換デバイスを自動注文するように構成され得る。
リモートデバイス１４２０としては、例えば、受信されたデータを集計すること、受信されたデータをフィルタリングすること、および／またはデータの受信を表示することを含む動作を容易にする、モバイルコンピューティングデバイス、データベースデバイス、タブレットコンピューティングデバイス、および／または他のコンピューティングデバイスが挙げられ得る。リモートデバイス１４２０はまた、ウェブアプリケーションを実行する能力を含み得る。機械学習システム１２１０は、企業における複数の研磨デバイスの集計された研磨作業データに関連する予測情報を、リモートデバイス１４２０に出力し得る。したがって、この情報は、１人以上の監督者による分析のためにリモートデバイス１４２０によって表示され得る。例えば、集計された研磨作業データは、割り当てられたタスクを実施することに費やされた時間、研磨デバイスオペレータのアイドル時間、および／または研磨デバイスオペレータの生産時間の長さを含み得る。例えば、音データおよび／または振動データは、研磨デバイスが動作中であると決定するために使用され得る。
機械学習システム１２１０は、集計された研磨作業データを収集し、実施された研磨作業による収集されたデータ、研磨作業の長さ、研磨作業と関連付けられた被加工物、使用された研磨デバイス、研磨作業を実施しているオペレータ、および研磨作業が実施された時間、研磨作業に対するフィードバック（例えば、マンガーまたは顧客）、振動、ノイズ、生産性、製品寿命などを維持分類するように構成され得る。
企業における複数の研磨デバイスから収集された集計された研磨作業データに基づいて、機械学習システム１２１０は、職場／企業運営の改善の予測を提供し得る。例えば、機械学習システム１２１０は、タスクに関連した情報、タスクを実施するときの最良の実務に関連した情報、およびある特定の研磨デバイスを使用してタスクを完成させる方法を記述する情報を含む知識ベースのデータベースを利用することによって、特定の種類のタスクを実施するためのワークフローおよび／または最良の実務を予測し得る。別の例では、機械学習システム１２１０は、企業における１つ以上の研磨デバイスと関連付けられた尺度を提供し得る。尺度としては、使用率、総作業時間、ダウンタイム、動作不良の数、修理要求の数などが挙げられ得る。これらの尺度は、所与のタスクに使用される研磨デバイス間で、またはオペレータ間で比較され得る。
例示的な実装形態では、リモートデバイス１４２０をプログラムして、最良の実務、ワークフロー、および機械学習システム１２１０から受信された尺度の予測を表示し得る。これらは、グラフィカルな視覚化（例えば、ヒストグラム、棒グラフ、時間に対するプロット傾向）、企業の重要業績評価指標（ＫＰＩ）などを含み得る。いくつかの実施形態では、リモートデバイス１４２０をプログラムして、他の可能性の中でもとりわけ、積極的な安全性アクション（例えば、研磨角度を修正すること、推奨される安全性確認を実施すること、推奨される保守を実施することなど）または積極的な作業アクション（例えば、最高／最速のスループットを有すること、１分間当たりに最も多い部品を生産することなど）などの、研磨デバイスオペレータによって実施される積極的なアクションに応答して現れる仮想報酬を表示し得る。そのような実施形態では、中央のサーバデバイス（例えば、サーバデバイス１１２６または機械学習プラットフォーム１１１０）は、各リモートデバイス１４２０と関連付けられた仮想報酬が互いに比較され、したがって、各オペレータがさらなる積極的なアクションを実施することによって自分の仮想報酬を増加させることに励み得る仮想協議を、リモートデバイス１４２０の中に確立し得る。リモートデバイス１４２０はまた、以下で議論されるように、分析プラットフォーム１４４０へのアクセス権を有し得る。
ベンダー１４３０は、機械学習システム１２１０のオペレータ、機械学習システム１２１０のオペレータのパートナ、および／または機械学習システム１２１０を使用する企業のパートナによって管理される１つ以上のコンピューティングシステムを表し得る。例えば、ベンダー１４３０は、１つ以上の研磨デバイスの構成要素を組み立てる責務を有する製造者、企業に／から構成要素を配送する責務を有する物流センター、研磨デバイス作業を改善する責務を有する研究開発（Ｒ＆Ｄ）センター、研磨デバイスの安全性の責務を有するＯＳＨＡ検査官、欠陥を有する研磨デバイスを修理する責務を有する研磨デバイス修理技術者などと関連付けられたコンピューティングシステムを含み得る。潜在的なベンダー間の柔軟性を可能にするために、機械学習システム１２１０は、通信に対してベンダーを追加および／または除去する能力を提供し得る。ベンダーを追加することは、機械学習システム１２１０を、ベンダーによって提供されるフォーマットのデータを処理し、データを既知のフォーマットで伝送するように構成することを伴い得る。ベンダーを追加することはまた、機械学習システム１２１０を、ベンダー間の競合アクションを解決するように構成することを伴い得る。例えば、機械学習システム１２１０は、主ベンダーに対するアクションにデフォルト設定することによって、競合アクションを解決し得る。
ベンダー１４３０との通信は、機械学習システム１２１０が、予測された結果に応答して、サプライチェーンスタ製造動作を自動調整することを可能にし得る。一例として、機械学習システム１２１０は、オペレータまたは研磨デバイスの寿命にわたって時間的な研磨作業データを収集して、研磨製品寿命、研磨製品条件、および／またはオペレータ条件の推定値を提供し得る。時間的な研磨作業データからの予測出力に基づいて、機械学習システム１２１０は、直接ベンダー１４３０に指令を伝送するように構成され得る。そのような指令は、予測された寿命終点に近い研磨製品の新しい構成要素の自動注文、予測された安全上の危険に基づく規制法を遵守するＯＳＨＡ検査官の自動要求、および／または寿命終点の予測された延長に基づく注文のキャンセルを含み得る。
いくつかの例では、機械学習システム１２１０は、研削プロセス中の研磨デバイスと被加工物との間の微視的相互作用と関連付けられたデータを収集し得る。微視的相互作用の各セットは、研削プロセスの終了時に生成される表面の種類でタグ付けされ得る。したがって、機械学習システム１２１０は、生成されたこの種類の表面を利用して、微視的相互作用がどのようにして、機械工具能力、研磨粒、接合、表面と工具との間の粒／接合相互作用、または構造、被加工材料特性、研磨デバイス特徴および仕様、ならびに所望される表面を作成するための、ツルーイングおよびドレッシング、サイクル設計、冷却材適用などの作業要因に基づいて、個々に、または何らかの組み合わせで、操作され得るかを予測し得る。追加的に、研磨デバイスの動力、デバイス工具の研削効率、およびデバイスの切断効率を収集し、所望される表面を作成するために使用し得る。
例示的な実施形態では、機械学習システム１２１０は、そのような関係を利用し、関係に基づく予測を提供し、および／または予測を研磨製造ベンダーに伝送して、微視的相互作用の固有のセットを達成し、被加工物との種々の微視的相互作用を有する新しい研磨粒または研磨工具を構築し、および／または顧客の要件に対処するためのカスタム研磨製品および研削プロセスを作成する、改善された研磨製品または研削プロセスを生産することに役立て得る。
いくつかの実施形態では、機械学習システム１２１０は、企業に、ベンダー１４３０に送信される自動警告の種類を構成する選択肢を提供し得る。例えば、機械学習システム１２１０は、構成要素のコスト、構成要素の配送時間などのために、構成要素が必要とされる研磨物品の種類に基づいて新しい構成要素のみを注文するように構成され得る。
分析プラットフォーム１４４０は、複数の企業間で、機械学習システム１２１０によって作製された研磨作業データおよび予測を受信するように構成されたウェブアプリケーションを含み得る。複数の企業間でデータを利用することによって、分析プラットフォーム１４４０は、研磨製品の動作をシミュレートし、新しい研磨製品を購入するコストを見積もり、および／または他の分析動作を実施するためのサービスを提供し得る。例えば、特有の研磨製品へのアクセス権がない企業は、分析プラットフォーム１４４０を利用して、この特有の研磨製品と関連付けられたコストまたは生産性を見積もり得る。分析プラットフォーム１４４０は、ウェウブラウザを通して１人以上のユーザによってアクセスされ得る。
いくつかの実施形態では、分析プラットフォーム１４４０は、階層化されたサービスを提供し得る。各層は、ユーザに情報の異なる部分を提供し得る。例えば、上位層は、分析プラットフォーム１４４０上のすべてのサービスにユーザアクセス権を与え得る一方、下位層は、分析プラットフォーム１４４０上のサービスの一部分にユーザアクセス権を与えるのみであり得る。層は、サービス機構に対する無料もしくはサブスクリプションベース、または別途の支払いに基づいて、ユーザに割り当てられ得る。
いくつかの実施形態では、分析プラットフォーム１４４０は、機械学習システム１２１０からの受信された研磨作業データおよび予測を匿名化ように構成され得る。例えば、ｋ匿名化などの非識別方法を利用して、少なくともｋ個の企業からのデータが識別不能であることを保証することによって、研磨作業データを企業から関連付け解除し得る。別の例として、分析プラットフォーム１４４０は、各企業から制限を選択するように構成され得、制限は、共有され得る研磨作業データの種類と、共有されない場合がある研磨作業データの種類と、を示す。
様々な実施形態では、分析プラットフォーム１４４０は、企業によって使用される物理的な研磨製品のデジタルバージョンでプログラムされたシミュレーション環境（例えば、「デジタルツイン」）を含む。シミュレーション環境は、これらのデジタルバージョンを使用して、シミュレーション環境とは異なるデジタル研磨製品を追加／再構成／除去することから結果として生じる生産性、コスト、および／または傷害を推定し得る。シミュレーション環境は、例えば、ＰｒｏＭｏｄｅｌ（商標）などのモデリングソフトウェアによってモデル化され得る。
いくつかの例では、シミュレーション環境は、物理的な研磨製品のデジタルバージョンを使用して、合成センサデータを生成し得る。合成センサデータは、物理的な研磨製品から生成された実際のセンサデータを反映し得る。ただし、実際のセンサデータとは異なり、合成センサデータは、製造するのが迅速かつ容易であるという利点を有し得る。合成センサデータは、コスト見積もり、スループット分析、エネルギー使用率などのために企業に提供され得る。追加的に、合成センサデータは、機械学習システム（例えば、機械学習システム１２１０）に提供され、１つ以上の機械学習モデルを訓練するために使用され得る。
さらに、シミュレーション環境は、新しい研磨製品の構築をシミュレートする能力を提供し得る。例えば、シミュレーション環境は、ＡｕｔｏＣＡＤ（商標）などのコンピュータ支援設計（ＣＡＤ）プログラムを介して、全く新しい研磨製品または既存の研磨製品の新しいバリエーションをモデル化する能力を提供し得る。次いで、機械学習システム１２１０は、ＲＰＭなどの研磨作業データ、および新しい研磨製品の動作から結果として生じ得る関連する予測（例えば、コスト、アイドル時間）を推定し得る。このことは、ユーザが新しい研磨製品を実際に作成および製造するかどうかを決定することを支援し得る。
Ｘ．例示的な方法
図１５は、例示的な実施形態による、方法１５００のフローチャートである。方法１５００は、ブロック１５０２で開始し得、着用可能デバイス１３２０などの着用可能デバイスは、研磨作業からセンサデータを収集し得る。例えば、研磨作業は、手動アングルグラインダを使用して被加工物（例えば、１つの板金）に対して研削する、着用可能デバイスを有するオペレータを含み得る。研削作業中、着用可能デバイスは、埋め込みジャイロスコープセンサに基づいて、Ｘ、Ｙ、およびＺ軸に対する着用可能デバイスの角速度値を決定し得る。これらの値は、ユーザによる手動アングルグラインダの位置を推定し得る。さらに、着用可能デバイスは、アングルグラインダに埋め込まれた音センサとの通信に基づいて、アングルグラインダ上の回転する研削ホイールから発せられる音の周波数、振幅、および波長を決定し得る。このデータを使用して、アングルグラインダの動作状態を推定し得る。とりわけ、音データおよびジャイロスコープデータは、ブロック１５０２で収集され得るセンサデータの例にすぎない。実際には、図１３および図１４に関して説明される任意のセンサデータが利用され得る。
ブロック１５０４では、機械学習システム１２１０は、サーバデバイス１３４０などの、着用可能デバイスから、または着用可能デバイス上の１つ以上のセンサから直接、センサデータを集計するように構成された１つ以上のサーバデバイスからセンサデータを受信し得る。次いで、機械学習システム１２１０は、受信されたセンサデータを、１つ以上の機械学習モデルへの入力のための特徴ベクトルに変換し得る。例えば、機械学習システム１２１０は、所与のタイムスタンプで収集されたセンサデータのために（関連付けられたラベルを有する）特徴ベクトルを作成するように構成され得る。つまり、機械学習システム１２１０は、時間Ｔ＿１に収集されたセンサデータを記述するための特徴ベクトルＶ＿１を作成し得、時間Ｔ＿２に収集されたセンサデータを記述するための特徴ベクトルＶ＿２を作成し得る。機械学習システム１２１０はまた、製品種別などの、センサから収集されたカテゴリーデータを、ワンホットエンコーディングに変換し得る。ブロック１５０６では、機械学習システム１２１０は、特徴ベクトルを前処理して、より正確な予測を可能にし得る。例えば、前処理として、正規化手法（単位ノルムへのスケーリング）、連続的な特徴の離散化（例えば、ビニング）、および／または他の知られている方法論が挙げられ得る。
ブロック１５０８では、機械学習システム１２１０は、特徴ベクトルを、訓練された機械学習モデルに実行のために割り当て得る。上記のように、機械学習システム１２１０は、各々が研磨製品の特有のサブセットに対する予測を行うように訓練された、複数の訓練された機械学習モデルを含み得る。例えば、機械学習システム１２１０は、識別特徴１３１４などの一意の識別子（着用可能デバイスによってセンサとともに伝送されている場合がある）を使用して、入力特徴ベクトルが手動アングルグラインダに対応することを認識し得る。これとともに、機械学習システム１２１０は、同等の手動アングルグラインダからのセンサデータで訓練された機械学習モデルを選択し得る。上記の例から継続して、選択された機械学習モデルは、識別された研磨製品のオペレータが安全でない研磨作業を実施しているかどうかを予測する人工ニューラルネットワーク（ＡＮＮ）モデルであり得る。ただし、図１２に関連して説明されるような任意の機械学習モデルが利用され得る。
ブロック１５１０では、機械学習システム１２１０は、選択された機械学習モデルを入力特徴ベクトルで実行して、１つ以上の出力を予測し得る。本例によれば、ＡＮＮモデルは、ソフトマックス関数を使用して、ＡＮＮの非正規化出力を、予測出力にわたる確率分布にマッピングする。例えば、予測出力は、「良好」、「臨界に近付きつつある」、および「臨界」などのオペレータ条件を含み得る。ブロック１５１２では、予測された確率は、ランク付けされ得、最も高い確率出力または予測閾値を超える任意の確率出力は、着用可能デバイスに提供され得る。さらに、この予測出力に基づいて、機械学習システム１２１０は、予測される任意の有害な条件を解決するための推奨を着用可能デバイスに提供するように構成され得る。他の予測出力も可能である。
ブロック１５１４では、着用可能デバイスは、機械学習システム１２１０からの通知を、オペレータに提供するための１つ以上の推奨とともに受信し得る。例えば、着用可能デバイスは、視覚的な通知を表示するためのグラフィカルユーザインターフェースを含み得る。この表示は、オペレータが研磨デバイスを使用して危険な作業を実施していることを示す点滅警報であり得る。この表示に応答して、オペレータは、アングルグラインダの位置を変更し得る。この位置の変更は、変更された位置が危険を解決したかどうかを決定するための、機械学習システム１２１０による別の予測をもたらし得る。とりわけ、図１５に関して説明されるような、他の種類の通知および表示機構が可能である。
図１６は、例示的な実施形態による、方法１６００のフローチャートである。方法１６００は、ブロック１６０２で開始し得、自動研磨デバイス１３３０などの自動研磨デバイスは、研磨作業からセンサデータを収集し得る。例えば、研磨作業は、被加工物（例えば、１つの板金）に対して動作する自動研磨デバイスを含み得る。研削作業中、自動研磨デバイスは、埋め込まれたスパーク不変センサに基づいて、自動研磨デバイスの研削ホイールのＲＰＭを決定し得る。例えば、スパーク不変センサは、研削ホイールに取り付けられた感知ターゲットの回転を検出するように構成され得る。とりわけ、ＲＰＭデータは、ブロック１６０２で収集され得るセンサデータの例にすぎない。実際には、図１３および図１４に関して説明される任意のセンサデータが利用され得る。
ブロック１６０４では、機械学習システム１２１０は、サーバデバイス１３４０などの、自動研磨デバイスから、または自動研磨デバイス上の１つ以上のセンサから直接、センサデータを集計するように構成された１つ以上のサーバデバイスからセンサデータを受信し得る。次いで、機械学習システム１２１０は、受信されたセンサデータを、１つ以上の機械学習モデルへの入力のための特徴ベクトルに変換し得る。例えば、機械学習システム１２１０は、所与のタイムスタンプで収集されたセンサデータのために（関連付けられたラベルを有する）特徴ベクトルを作成するように構成され得る。つまり、機械学習システム１２１０は、時間Ｔ＿１に収集されたセンサデータを記述するための特徴ベクトルＶ＿１を作成し得、時間Ｔ＿２に収集されたセンサデータを記述するための特徴ベクトルＶ＿２を作成し得る。機械学習システム１２１０はまた、製品種別などの、センサから収集されたカテゴリーデータを、ワンホットエンコーディングに変換し得る。ブロック１６０６では、機械学習システム１２１０は、特徴ベクトルを前処理して、より正確な予測を可能にし得る。例えば、前処理として、正規化手法（単位ノルムへのスケーリング）、連続的な特徴の離散化（例えば、ビニング）、および／または他の知られている方法論が挙げられ得る。
ブロック１６０８では、機械学習システム１２１０は、特徴ベクトルを、訓練された機械学習モデルに実行のために割り当て得る。上記のように、機械学習システム１２１０は、各々が研磨製品の特有のサブセットに対する予測を行うように訓練された、複数の訓練された機械学習モデルを含み得る。例えば、機械学習システム１２１０は、一意の識別子を使用して、入力特徴ベクトルが自動研磨デバイスに対応することを認識し得る。これとともに、機械学習システム１２１０は、同等の自動研磨デバイスからのセンサデータで訓練された機械学習モデルを選択し得る。上記の例から継続して、選択された機械学習モデルは、自動研磨デバイスが動作しており動作不良であるかまたは欠陥を有するかどうかを予測するサポートベクトルマシン（ＳＶＭ）であり得る。ただし、図１２に関連して説明されるような任意の機械学習モデルが利用され得る。
ブロック１６１０では、機械学習システム１２１０は、選択された機械学習モデルを入力特徴ベクトルで実行して、１つ以上の出力を予測し得る。本例によれば、ＳＶＭモデルは、１対１の訓練機構（例えば、クラス／予測出力の各ペアは、マルチクラスＳＶＭの１つのＳＶＭに割り当てられる）を利用して、予測出力の各々についてのスコアを決定するマルチクラスＳＶＭであり得る。例えば、予測出力は、「良好」、「動作不良」、「過熱」、および「危険」などのデバイス条件を含み得る。ブロック１６１２では、スコアは、ランク付けされ得、最も高いスコアを有する予測出力、または予測閾値を超えるスコアを有する予測出力は、自動研磨デバイスに提供され得る。さらに、この予測出力に基づいて、機械学習システム１２１０は、任意の有害な条件を解決するための制御命令を自動研磨デバイスに提供するように構成され得る。他の予測出力も可能である。
ブロック１６１４では、自動研磨デバイスは、機械学習システム１２１０からの通知を、１つ以上の命令とともに受信し得る。例えば、自動研磨デバイスは、自動研磨デバイスの動作を制御し得る埋め込みコンピューティングデバイスを含み得る。埋め込みコンピューティングデバイスは、通知を受信して回転速度を調整し、通知を提供し、工具をターンオンするかまたは工具をターンオフし得る代替的に、および／または追加的に、機械学習システム１２１０は、自動研磨デバイスが動作不良であると予測すると、自動研磨デバイスを修繕するための新しい部品を注文する自動要求を行うように構成され得る。とりわけ、図１６に関して説明されるような、他の種類の通知および表示機構が可能である。
図１７は、例示的な実施形態による、方法１７００のフローチャートである。方法１７００は、ブロック１７０２で開始し得、機械学習システム１２１０は、１つ以上の企業から受信されたセンサデータに対応する１つ以上の予測を出力する。例えば、予測は、企業において研磨作業を実施しているオペレータの平均推定アイドル時間を含み得る。本明細書に説明されるような他の予測が可能である。
ブロック１７０４では、ブロック１７０２からの予測が、一緒に集計されて、全体平均予測を計算し得る。例えば、研磨作業を実施しているオペレータの平均推定アイドル時間は、複数の企業にわたって集計され得る。ブロック１７０６では、１つ以上の全体平均予測が、予め定義された期間（例えば、１０年間、２０年間）にわたって人工的な企業の研磨作業を模倣するシミュレーションエンジンへの入力として利用され得る。したがって、シミュレーションエンジンは、シミュレーションを誘導し、かつ合成研磨作業データを生成するためのパラメータとしての１つ以上の全体平均予測に依存し得る。
ブロック１７０８では、傷害の数、総生産時間、および／または総コストなどの、合成研磨作業データから決定されたシミュレーションからの出力統計が提供される。これらの出力統計は、分析プラットフォーム１４４０のユーザが、さらなる研磨デバイスを注文すべきかどうか、さらなるオペレータを雇用すべきどうか、または新しいサプライチェーン戦略を作成すべきかどうかなどの決定を行うことを支援し得る。他の選択肢も可能である。
ＸＩ．例示的な研磨ホイール
組み立てプロセス中、研磨製品製造者は、識別タグ（または「タグ」と俗称される）を研磨製品に結合し得る。これらのタグを通じて、各研磨ホイールに一意の情報が、確認され得る。例えば、タグは、研磨ホイールの製造日、表面材料、環境内のＧＰＳ位置、サイズ、および／または使用期限に関する詳細を提供し得る。好適には、研磨製品製造者および／または研磨製品製造者の顧客は、タグを利用して、知得に基づく決定を行い得る。
いくつかの態様では、タグを使用して、企業環境内で研磨ホイールの動きを追跡し得る。例えば、企業環境は、所与の環境内にいくつかのタグリーダ（または「リーダ」と俗称される）を備え得る。これらのリーダは、タグと通信して、いずれの研磨ホイールが環境の所与の領域に入っていくか、およびいずれの研磨ホイールがそのような領域から出ていくかを確定し得る。
いくつかの態様では、タグは、研磨デバイスのセットアップ効率を改善し得る。例えば、研磨ホイールを研磨デバイスに取り付けると、研磨デバイスは、研磨ホイールのタグと自動通信して、研磨ホイールの特徴（例えば、直径、構造、材料）を決定し得る。この情報を使用して、研磨デバイスは、研磨ホイールを適切に動作させるための最良の動作パラメータ（例えば、ＲＰＭ速度、加えられる圧力、供給速度、切断の深さ、横断速度、冷却材要因、ドレッシング要因など）を決定し得る。
いくつかの態様では、タグは、研磨デバイスの安全性を向上させ得る。例えば、研磨ホイールを研磨デバイスに取り付けると、研磨デバイスは、研磨ホイールのタグと自動通信して、研磨ホイールの劣化のレベル（例えば、研磨ホイールの外側コーティングの警報）を決定し得る。劣化が閾値レベルを超えている場合、研磨デバイスは、監督者またはデバイスオペレータに、劣化した研磨ホイールを新しい研磨ホイールと交換すべきであることを通知し得る。
いくつかの態様では、タグは、企業の物流を改善し得る。例えば、企業は、タグを使用して、部品在庫を動的に維持し、新しい研磨ホイールを注文すべきかどうか、および／またはいつそうすべきかを決定し得る。
いくつかの態様では、タグは、ユーザフレンドリなフォーマットでタグ情報を表示し得るソフトウェアアプリケーションと組み合わされ得る。さらに、ソフトウェアアプリケーションは、タグ情報を取得することに応答して、新しい研磨ホイールを注文することなどのアクションを実施する能力をユーザに提案し得る。
例示的な動作として、研磨製品製造者は、顧客の環境内で研磨ホイールの使用を追跡したい場合がある。そうするために、研磨製品製造者は、研磨ホイールにタグを結合し得、顧客に、タグと通信するためのソフトウェアアプリケーションを提供し得る。次いで、研磨ホイールの使用時に、顧客は、ソフトウェアアプリケーションを介して、タグを更新して、研磨ホイールがいくつの被加工物に作用したか、研磨ホイールがどのくらいの時間使用されていたかなどを反映し得る。そのような使用情報は、顧客によって、研磨製品製造者に利用可能にされ得る。そのようなシナリオでは、研磨ホイールが修理および／または改修のために研磨製品製造者に輸送されて戻された場合、研磨製品製造者は、研磨ホイールの履歴に対して精通し得、ひいては、研磨ホイールの使用履歴および特定のユースケースに対処するための最適な修理戦略を決定し得る。
他の特徴、機能、および利益が、存在し得、以下の議論から認識および理解されるであろう。
図１８Ａおよび１８Ｂは、例示的な実施形態による１８００、研磨ホイールを例示する。研磨ホイール１８００は、既に本明細書に説明された研磨ホイールまたは研削ホイールの特性のうちのすべてまたはいくつかを具備し得る。例では、研磨ホイール１８００は、タグ１８１０および接続機構１８１２を含む。研磨ホイール１８００は、手動研磨デバイス１３１０または自動研磨デバイス１３３０などの研磨デバイスまたは研磨製品の研削構成要素として役立ち得、場合によっては、接続機構１８１２を介して、研磨デバイスに物理的に接続され得る。いくつかの実施形態では、タグ１８１０は、クイックレスポンス（ＱＲ）コード、バーコード、無線識別（ＲＦＩＤ）タグ（能動および受動の両方）、近距離通信（ＮＦＣ）タグ、ＢＬＵＥＴＯＯＴＨ（登録商標） ＬＯＷ ＥＮＥＲＧＹ（ＢＬＥ）タグ、または別の種類のタグを含み得る。例では、タグ１８１０は、研削ホイール１８００に関する情報を含み得、および／またはポインタ参照として使用され得る、汎用一意識別子（ＵＵＩＤ）などの、一意の識別子を含み得る。ポインタ参照は、コンピューティングデバイスを、データベースデバイスまたはそれ以外の場所に記憶されている研磨ホイール１８００に関する情報に導き得る。研磨ホイール１８００がここで説明されているが、接合された研磨材、コーティングされた研磨材、不織布研磨材、薄型ホイール、切断ホイール、強化研磨物品、超研磨材、単層研磨物品、および多層研磨粒子などの、他の種類の研磨製品もすべて可能であり、本明細書で企図されることは理解されるであろう。これらの他の種類の研磨製品の任意のものがまた、識別子を含み得、以下に説明されるように利用され得る。
図１９は、例示的な実施形態による、タグ１８１０の構成要素を例示する。具体的には、タグ１８１０は、１つ以上のセンサ１８１０Ａ、マイクロコントローラ１８１０Ｂ、ＲＦＩＤ集積回路（ＩＣ）１８１０Ｃ、およびアンテナ１８１０Ｄを含むように示されている。いくつかの例では、タグ１８１０は、図１９に示されるよりも多い、少ない、および／または異なる種類の構成要素を有し得る。
センサ１８１０Ａは、既に本明細書に説明されたセンサの特性のうちのすべてまたはいくつかを具備し得る。いくつかの実施形態では、センサ１８１０Ａは、タグ１８１０の物理的に範囲外にあり得るが、タグ１８１０内の構成要素に通信可能に結合され得る。他の実施形態では、センサ１８１０Ａは、図１９に図示されるように、タグ１８１０の物理的に範囲内にあり得る。
いくつかの実施形態では、センサ１８１０Ａは、研磨ホイール１８００が作用する被加工物の周囲磁場を感知するように構成された磁力計を含み得る。磁場は、アナログまたはデジタル電気信号に変換され、マイクロコントローラ１８１０Ｂに伝送され得、マイクロコントローラ１８１０Ｂは、磁場データを等価な配向データに変換するように構成され得る。
いくつかの実施形態では、センサ１８１０Ａは、研磨ホイール１８００の周りの環境温度および湿度のレベルに関する情報を提供するように構成された温度センサおよび湿度センサを含み得る。読み取り値は、等価なアナログまたはデジタル電気信号に変換され、マイクロコントローラ１８１０Ｂに伝送され得る。
いくつかの実施形態では、センサ１８１０Ａは、振動、配向、表面音響レベル、回転／分（ＲＰＭ）、および／または研磨ホイール１８００の角加速度を測定するように構成された加速度計を含み得る。これらの測定値は、アナログまたはデジタル電気信号に変換され、マイクロコントローラ１８１０Ｂに伝送され得る。
いくつかの実施形態では、センサ１８１０Ａは、容量性プレートおよび／または配線間の容量の揺らぎによって、研磨ホイール１８００に関連した材料密度の変動または潜在的な損傷を測定することができる容量性入力インターフェースを含み得る。これらの測定値は、デジタル電気信号に変換され、マイクロコントローラ１８１０Ｂに伝送され得る。
マイクロコントローラ１８１０Ｂは、コンピューティングデバイス１０００の特性のうちのすべてまたはいくつかを具備し得る。いくつかの実施形態では、マイクロコントローラ１８１０Ｂは、タグ１８１０の物理的に範囲外にあり得るが、タグ１８１０内の構成要素に通信可能に接続され得る。例では、マイクロコントローラ１８１０Ｂは、センサ１８１０Ａからデジタル電気信号を受信し、かつ受信信号をデータとしてＲＦＩＤ ＩＣ １８１０Ｃのメモリに書き込むように構成され得る。いくつかの実施形態では、マイクロコントローラ１８１０Ｂは、タグ１８１０の物理的に範囲外にあり得るが、タグ１８１０内の構成要素に通信可能に結合され得る。他の実施形態では、マイクロコントローラ１８１０Ｂは、図１９に図示されるように、タグ１８１０の物理的に範囲内にあり得る。
ＲＦＩＤ ＩＣ １８１０Ｃは、情報を記憶および処理するとともに、信号を変調／復調する集積回路であり得る。ＲＦＩＤ ＩＣ １８１０Ｃは、コンピューティングデバイス１０００の特性のうちのすべてまたはいくつかを具備し得る。例では、ＲＦＩＤ ＩＣ １８１０Ｃは、一意のタグ識別子、一意のタグシリアル番号、パスワード、または、場合によっては、研磨ホイール１８００に関連した在庫番号、ロット番号もしくはバッチ番号、製造日、または他の固有の情報などの製品関連情報を含み得る。追加的に、ＲＦＩＤ ＩＣ １８１０Ｃは、センサ１８１０Ａから収集されたデータなどの、マイクロコントローラ１８１０Ｂによって提供された情報を記憶することが可能であり得る。ＲＦＩＤ ＩＣ １８１０Ｃを動作させる動力は、タグ１８１０に取り付けられたバッテリから生じ得るか、またはアンテナ１８１０Ｄの動作から取得され得る。いくつかの実施形態では、ＲＦＩＤ ＩＣ １８１０Ｃは、タグ１８１０の物理的に範囲外にあり得るが、タグ１８１０内の構成要素に通信可能に結合され得る。他の実施形態では、ＲＦＩＤ ＩＣ １８１０Ｃは、図１９に図示されるように、タグ１８１０の物理的に範囲内にあり得る。
アンテナ１８１０Ｄは、信号を受信および伝送するように構成されている、タグ１８１０によって使用されるアンテナ構造および関連付けられた回路を含み得る。例では、アンテナ１８１０Ｄは、ＲＦＩＤ ＩＣ １８１０Ｃに通信可能に結合され得る。いくつかの実施形態では、アンテナ１８１０Ｄは、タグ１８１０の構成要素に動力を提供する誘導アンテナコイルを含み得る。アンテナ１８１０Ｄは、多様な材料から作製され得、タグ１８１０上に印刷、エッチング、スタンプ、または蒸着され得る。いくつかの実施形態では、アンテナ１８１０Ｄは、タグ１８１０の物理的に範囲外にあり得るが、タグ１８１０内の構成要素に通信可能に結合され得る。他の実施形態では、アンテナ１８１０Ｄは、図１９に図示されるように、タグ１８１０の物理的に範囲内にあり得る。
図２０は、例示的な実施形態による、タグ１８１０とリーダ２０２２との間の通信環境２０００を例示する。タグ１８１０とリーダ２０２２との間の通信は、通信媒体２０１０を介し得、通信媒体２０１０は、超高（例えば、９００メガヘルツまたはその近くでの）、高（例えば、１４メガヘルツまたはその近くでの）、または低（例えば、１３０キロヘルツまたはその近くでの）周波数にわたるＲＦＩＤ、ＮＦＣ、および／またはＢＬＥ通信を含み得、タグ１８１０とリーダ２０２２との間の通信中の物理的距離は、周波数および通信媒体２０１０の種類に基づいて変動し得る。リーダ２０２２によって受信されるデータは、研磨ホイール１８００および／または研磨ホイール１８００の一意の識別子に関連した情報であり得る。
いくつかの実施形態では、リーダ２０２２は、ポータブル、無線リーダシステムの形態を具備し得る。動作中、リーダ２０２２は、タグ１８１０からの情報を受信し、この情報を、ＢＬＵＥＴＯＯＴＨ（登録商標）またはＷｉ－Ｆｉなどの無線プロトコルを介して、コントローラ２０２０またはポータブルモバイルデバイスに直ちに伝送し得る。
いくつかの例では、リーダ２０２２は、モバイルデバイスに物理的に接続されたポータブル、無線リーダシステムの形態を具備し得る。動作中、リーダ２０２２は、タグ１８１０からの情報を受信し、この情報を、ＵＳＢ接続、マイクロＵＳＢ接続、または同様の物理接続機構を介して、モバイルデバイスに直ちに伝送し得る。
いくつかの例では、リーダ２０２２は、タグ１８１０と通信し得るアンテナを備えた固定式リーダシステムを具備し得る。動作中、リーダ２０２２は、タグ１８１０からの情報を受信し、この情報を、上記で議論された無線プロトコルを介して、モバイルデバイスまたはコントローラ２０２０に続いて伝送し得る。
図２１は、例示的な実施形態による、クライアントネットワーク２１２０とリモートネットワーク２１１０との間の通信環境２１００を例示する。クライアントネットワーク２１２０は、図１１を参照して例示および説明されるような、企業１１２０の特性のうちのすべてまたはいくつかを具備し得る。クライアントネットワーク２１１０は、図１１を参照して例示および説明されるような、機械学習プラットフォーム１１１０の特性のうちのすべてまたはいくつかを具備し得る。例では、クライアントネットワーク２１２０は、研磨作業を管理するために実体によって使用されるクライアントネットワークであり得る。クライアントネットワーク２１２０は、コントローラ２０２０、データ記憶装置２１２２（例えば、データベースデバイス、ファイルシステム）、サーバデバイス２１２４（例えば、リモートでホストされるサーバデバイス、構内サーバデバイス、仮想マシンなど）、研磨デバイス２１２６（例えば、手動研磨デバイス１３１０または自動研磨デバイス１３３０を含む、ハンドヘルド研削デバイス、自動研磨デバイス）、およびユーザデバイス２１２８（例えば、図１３を参照して例示および説明されるようなモバイルデバイスおよび／または着用可能デバイス１３２０）を含み得る。クライアントネットワーク２１２０は、リモートネットワーク２１１０に通信可能に結合され得、リモートネットワーク２１１０は、クライアントネットワーク２１２０の態様を管理するように構成され得る。
データ複製を提供し、サービスの容量を増加させるために、リモートネットワーク２１１０および／またはクライアントネットワーク２１２０上の任意の構成要素が、複数のコンピューティングデバイスにわたって複製され、および／またはサードパーティネットワーク（例えば、クラウドネットワーク）によってホストされ得ることに留意されたい。複製された構成要素は、１つのコンピューティング位置での動力障害に備えて高可用性を保証するために、様々なコンピューティング位置に位置し得る。いくつかの場合では、リモートネットワーク２１１０および／またはクライアントネットワーク２１２０は、少ないデバイスおよび少数の構成要素からなり得る。他の展開では、リモートネットワーク２１１０および／またはクライアントネットワーク２１２０は、複数の物理位置にまたがり得、何百、何千、またはより多いデバイスおよび他の構成要素を含み得る。いくつかの場合では、クライアントネットワーク２１２０上の固有の構成要素は、リモートネットワーク２１１０によって管理され得る。例えば、本明細書の様々な実施形態をサポートするために、１つ以上のサーバデバイス２１２４またはコントローラ２０２０が、リモートネットワーク２１１０によってクライアントネットワーク２１２０上に設置され得る。
図２２は、例示的な実施形態による、方法２２００を例示する。具体的には、方法２２００は、実施されると、リモートネットワーク２１１０がクライアントネットワーク２１２０からタグ情報を集取し、更新された状態情報をユーザデバイス２１２８に提供することを可能にする、特有のシーケンスのアクションまたは一連のアクションを表し得る。例として、方法２２００は、動作中、リモートネットワーク２１１０、クライアントネットワーク２１２０、およびユーザデバイス２１２８を利用し得る。ただし、追加の構成要素、ステップ、またはブロックが、方法２２００に追加され得る。例えば、リモートネットワーク２１１０に関して説明されるステップは、クライアントネットワーク２１２０上に位置するサーバデバイス（例えば、サーバデバイス２１２４）上、またはクライアントネットワーク２１２０によって動作されるサードパーティネットワーク（例えば、ＡＭＡＺＯＮ ＷＥＢ ＳＥＲＶＩＣＥ（商標））上で、全体的または部分的に行われ得る。そのようなシナリオは、「ローカルにホストされるソリューション」と称され得、クライアントネットワーク２１０２が、クライアントネットワーク２１２０内に方法２２００を実行している実体のうちのすべてまたはいくつかを有することによって、高レベルのセキュリティおよび柔軟性を維持しながら、方法２２００の動作を実行することを可能にし得る。
方法２２００は、ステップ２２０２で開始し得、クライアントネットワーク２１２０は、タグ１８１０などの１つ以上のタグからデータを集取する。上記のように、研磨ホイールからタグデータを集取するために、いくつかの手段が利用され得る。例えば、ポータブルの無線リーダを使用して、タグデータを収集し、タグデータをコントローラ２０２０に伝送し得る。別の例として、固定式リーダシステムを使用して、タグデータを収集し得る。別の例では、モバイルデバイスのユーザが、場合によっては、研磨ホイールの特性を物理的に検査した後に、タグデータを手動で入力し得る。他の可能性も存在し得る。さらに、ステップ２２０２は、クライアントネットワーク２１２０上で行われている連続的な手順の典型例であり得、リーダ２０２２などの１つ以上のリーダが連続的に動作して、クライアントネットワーク２１２０内の１つ以上のタグからデータを収集する。
ステップ２２０４では、クライアントネットワーク２１２０は、タグデータをリモートネットワーク２１１０に伝送し得る。ステップ２２０４は、クライアントネットワーク２１０２内のいくつかの実体によって推進され得る。例えば、コントローラ２０２０は、リモートネットワーク２１１０にデータを伝達し得、ユーザデバイス２１２８は、リモートネットワーク２１１０にデータを伝達し得、および／またはリーダ２０２２は、リモートネットワーク２１１０にタグデータを伝達し得る。例では、クライアントネットワーク２１２０からリモートネットワーク２１１０へのデータの伝送は、所定の周波数間隔（例えば、１ｍｓまたは１ｓ毎）に基づいて、またはクライアントネットワーク２１２０上で起こっているイベント（例えば、任意の時間にタグデータが収集される）に基づいて、起こり得る。
ステップ２２０６では、リモートネットワーク２１１０は、内部情報を更新して、ステップ２２０４からの受信されたタグデータを反映し得る。したがって、ステップ２２０６は、データベースレコード、ファイルエントリ、ソフトウェアパラメータなどを更新することを含み得る。続いて、ステップ２２０８で、リモートネットワーク２１０１は、更新されたユーザインターフェースをユーザデバイス２１２８に提供し得る。ユーザインターフェースは、リモートネットワーク２１１０によってホストされ、かつユーザデバイス２１２８に提供されるウェブページまたは一連のウェブページによって表され得る。例えば、いくつかの実施形態では、ユーザデバイス２１２８に提示されるユーザインターフェースは、一連の選択可能な項目としてクライアントネットワーク２１２０内で現在使用されているすべての研磨ホイールの概観を提供し得る。いくつかのそのようなシナリオでは、選択可能な項目は、ユーザが、それぞれの各研磨ホイールについての収集されたタグデータを見ることを可能にするように構成され得る。追加的に、ユーザインターフェースは、全在庫レベルなどの重要業績評価指標（ＫＰＩ）、ならびにユーザ実装可能なアクションを提供し得る。
ステップ２２１０では、ユーザが少なくとも１つの実装可能なアクションを選択するか、または別様に選定すると、少なくとも１つのアクションは、ユーザデバイス２１２８によってリモートネットワーク２１１０に伝送され得る。これに応答して、ステップ２２１２では、ステップ２２１０で伝送された少なくとも１つのアクションは、リモートネットワーク２１１０によって実行され得る。
いくつかの場合では、少なくとも１つのアクションを実行することは、クライアントネットワーク２１２０上の研磨デバイス２１２６との１つ以上の対話を含み得る。例えば、リモートネットワーク２１１０は、クライアントネットワーク２１２０上の研磨デバイス２１２６との通信を確立して、ある特定の研磨デバイスの動作を停止させ、研磨デバイスの動作を再開させるなどの要求を送信し得る。
いくつかの場合では、少なくとも１つのアクションを実行することは、交換部品を注文するか、または動作不良もしくは中古の研磨ホイールを修理／改修するために、外部ベンダー１１３０などのサードパーティベンダーと対話することを含み得る。いくつかの場合では、少なくとも１つのアクションを実行することは、リモートネットワーク２１１０が、例えば、クライアントネットワーク２１２０によって決定される在庫不足に備えて、新しい研磨ホイールを出荷する要求を行うことを伴い得る。
いくつかの場合では、少なくとも１つのアクションを実行することは、テキストメッセージ、電子メール警告、別の他の種類の通信の形態の警告を、クライアントネットワーク２１２０上の他のユーザデバイス２１２８に提供することを伴い得る。例えば、クライアントネットワーク２１２０からの管理者は、潜在的な生産問題に起因して、ある特定の製品ラインのすべてのユーザに、作業を停止させるメッセージを伝送し得る。
とりわけ、２２１２に関連して上記されたアクションは、限定的であることを意図するものではない。実際は、他のアクションもまた、可能であり得る。
図２３は、例示的な実施形態による、状態図２３２０を例示する。具体的には、状態図２３２０は、研磨ホイール１８００がどのようにして、その寿命の過程で様々な動作状態の間を動き得るかを概念的に例証する。本明細書に使用される際、動作状態は、研磨ホイール１８００によって、またはその上で実施されている現在の位置または機能を指し得る。いくつかの動作状態は、ゼロ回または２回以上巡回され得る。また、いくつかの動作状態は、２つ以上の可能な次の状態を有し、したがって、タグ１８１０内の情報に基づいて決定が行われることを表し得る。状態図２３２０内の新しい状態に移行すると、タグ１８１０は、研磨ホイール１８００のこの新しい状態を反映させるように「タグ付け」され得る。
研磨ホイール１８００は、製造者状態２３２２で開始し得、製造者状態２３２２は、リモートネットワーク２１１０と関連付けられた物理環境を表し得る。ここで、研磨ホイール１８００が、構築され、タグ１８１０と結合され得る。
製造者状態２３２２から、研磨ホイール１８００は、ゲート状態２３２４へ移動し得、ゲート状態２３２４は、クライアントネットワーク２１２０と関連付けられた物理環境への研磨ホイール１８００の到達を表し得る。ゲート状態２３２４では、リーダ２２２２などの１つ以上のリーダを利用して、通信し、研磨ホイール１８００の一意の識別子に関するタグ１８１０からの情報、および／または研磨ホイール１８００と関連付けられた注文数を取得し得る。一意の識別子および注文数が、クライアントネットワーク２１２０のレコードと一致した（例えば、クライアントネットワーク２１２０は、それらがリモートネットワーク２３１０から研磨ホイール１８００を実際に購入したというレコードを有する）場合、研磨ホイール１８００は、作業現場状態２３２６に進み得る。いくつかの例では、研磨ホイール１８００は、ゲート状態２３２４からタグ付け解除され、製造者状態２３２２状態に戻り得る。
作業現場状態２３２６は、クライアントネットワーク２１２０と関連付けられた研削環境への研磨ホイール１８００の到達を表し得る。作業現場状態２３２６になると、リーダ２２２２などの１つ以上のリーダを利用して、通信し、研磨ホイール１８００の寸法および適切な動作速度に関するタグ１８１０から情報を取得し得る。寸法および適切な動作速度が、クライアントネットワーク２１２０のレコードと一致した（例えば、クライアントネットワーク２１２０は、研磨ホイール１８００の寸法および適切な動作速度がクライアントネットワーク２１２０と関連付けられた研削環境内で動作している少なくとも１つの研磨デバイスの受容可能なパラメータに一致すると決定する）場合、研磨ホイール１８００は、ホイールバランシング状態２３２８に進み得る。そうでない場合、研磨ホイール１８００は、作業現場状態２３２６からタグ付け解除され、製造者状態２３２２に戻り得る。
ホイールバランシング状態２３２８では、研磨ホイール１８００は、潜在的に研磨デバイスオペレータに害を与え／被加工物を損傷し得る非平衡問題について検査され得る。非平衡問題が予め定義された許容誤差レベルを超える場合、研磨ホイール１８００は、ホイールバランシング状態２３２８からタグ付け解除され、修理のために作業現場状態２３２６に戻され得る。そうでない場合、研磨ホイール１８００は、作業状態２３３０に進み得る。
作業状態２３３０では、研磨ホイール１８００は、研磨デバイス、例えば手動研磨デバイス１３１０または自動研磨デバイス１３３０、に取り付けられて、研磨作業を実施し得る。作業状態２３３０中、タグ１８１０は、更新されて、研磨ホイール１８００がいくつの被加工物に作用したか、研磨ホイール１８００がどのくらいの時間使用されているかなどを反映し得る。研磨ホイール１８００が劣化を示し始めた後、１つ以上のリーダを利用して、タグ１８１０と通信し、研磨ホイール１８００の使用期限日および製造日に関する情報をタグ１８１０から取得し得る。いくつかの実施形態では、研磨ホイール１８００が寿命終点に近い場合、研磨ホイール１８００は、作業状態２３３０からタグ付け解除され得、スクラップ状態２３３２に移行し得、スクラップ状態２３３２は、研磨ホイール１８００の寿命終点を意味し得る。他の例では、研磨ホイール１８００は、作業状態２３３０からタグ付け解除され、修理のために製造者状態２３２２に移行し得る。
ＸＩＩ．例示的なモバイルデバイス
図２４Ａは、例示的な実施形態による、モバイルデバイス２４００の図を例示する。例では、モバイルデバイス２４００は、パスコード、二要素認証、指紋識別、顔認識、または他の生体情報の検証を含み得る、認証機構を用いて構成され得る。そのような認証機構は、ユーザアクセスの様々なレベルまたは種類を提供し得る。例えば、ユーザアクセスのレベルは、クライアントネットワーク２１２０からのユーザ、クライアントネットワーク２１２０の管理者、および／またはクライアントネットワーク２１２０からの非管理者のためのアクセスのレベルを含み得る。現在のユーザのアクセスのレベルに基づいて、モバイルデバイス２４００は、異なる配置の情報を表示する、異なる種類の情報へのアクセスを提供する、および／または様々な機能を提案し得る。
モバイルデバイス２４００に関する情報は、保守情報、クライアントネットワーク２１２０の状態に関連した情報（例えば、利用可能な研磨ホイールの数、研磨ホイールのサービス寿命など）などを含み得る。上記のように、モバイルデバイス２４００はまた、アクションを実施するための選択可能な選択肢を含み得る。例として、アクションは、製品情報２４０２を検討すること、および／または現在の在庫情報２４０４を検討することを含み得る。モバイルデバイス２４００としては、スマートフォン、タブレット、ラップトップコンピュータ、または別の種類のコンピューティングデバイスが挙げられ得ることは理解されるであろう。またさらに、モバイルデバイス２４００は、例えば、頭部装着可能ディスプレイ（ＨＭＤ）、ヘッドアップディスプレイ（ＨＵＤ）、またはユーザインターフェースを有するか、もしくは有していない別の種類のポータブルコンピューティングデバイスを含み得る。
そのような実施形態は、顧客が研磨製品を再注文するためのより容易な方法を提供し得る。そのようなシナリオでは、所与の研磨製品の差し迫った有効寿命終点の情報を受信すると、モバイルデバイス２４００は、そのような情報の通知をユーザに提供し得る。追加的に、または代替的に、モバイルデバイス２４００は、製品カタログ、および／または有効寿命終点に達した研磨製品を機能的に置き換え得る製品を表示するように構成され得る。したがって、そのような例では、ユーザは、モバイルデバイス２４００と対話して、所与の研磨物品、量、出荷種類、所望される配送日などを要求し得る。モバイルデバイス２４０は、要求をクライアントネットワーク２１２０および／またはリモートネットワーク２１１０に転送し得る。そのようなシステムおよび方法は、手動注文の労力および／または書類事務を低減し得、より環境に優しい可能性がある。モバイルデバイス２４００を介して行われる再注文要求は、適切な許可を有するユーザ（例えば、管理者、マネージャ、および／または販売員）によって承認され得る。
図２４Ｂは、例示的な実施形態による、モバイルデバイス２４００の第２の図を例示する。具体的には、図２４Ｂは、モバイルデバイス２４００がどのように、ユーザが様々な機能を実施するのを支援するための複数のナビゲーションメニューを含み得るかを例示する。例えば、在庫メニュー２４０６は、特定のユーザによって購入されたすべての研磨ホイールに関する情報を表示するインターフェースを提供し得る。作業メニュー２４０８は、場合によっては、センサ１８１０Ａによって収集されたデータを表示する、研磨ホイールの動作に関するデータを表示するインターフェースを提供し得る。ゲートエントリ２４１０は、場合によっては、モバイルデバイス２４００上に埋め込まれるか、またはモバイルデバイス２４００に通信可能に接続されたリーダを可能にすることによって、研磨ホイールに結合されたタグとのユーザ対話を可能にするインターフェースを提供し得る。作業現場メニュー２４１２は、状態図２３２０との関連で既に議論されたように、どの研磨ホイールが現在、作業現場状態または作業状態にあるかに関する情報を表示するインターフェースを提供し得る。破棄メニュー２４１４は、場合によっては、状態図２３２０のスクラップ状態２３３２との関連で、ユーザが研磨ホイールをタグ付け解除することを可能にするインターフェースを提供し得る。とりわけ、他のナビゲーションメニューもまた、可能である。
図２４Ｃは、例示的な実施形態による、モバイルデバイス２４００第３の図を例示する。具体的には、図２４Ｃは、特定の研磨ホイールに関して確認され得る情報項目のいくつかの非限定的な例を例示する。例えば、図２４Ｃは、研磨ホイールの製品ＩＤ、注文ＩＤ、製品名、製品種別、寸法、製造日、使用期限日、顧客ＩＤ、顧客名、動作速度、在庫時間、在庫保管コスト、保管待機時間、保管コストに関する情報が確認され得ることを例示する。とりわけ、他の情報項目（例えば、研磨ホイールのＧＰＳ位置）もまた、可能である。
ＸＩＩＩ．例示的なウェブアプリケーションおよびデータモデル
上記のように、ウェブアプリケーションは、リモートセンサ、着用可能デバイス、研磨デバイス、研磨デバイスオペレータなどを表示するように構成され得る。これは、クラウドコンピューティングデバイスによってホストされ、要求時にユーザに提供されるウェブページまたは一連のウェブページによって達成され得る。これらのウェブページ内の情報のレイアウトおよび編集は、リモートセンサ、着用可能デバイス、研磨デバイス、研磨デバイスオペレータなどに関する関連情報の効率的な検討を可能にし得る。追加的に、ウェブページは、直感的な視覚的要素および理解することが容易な尺度を有するグラフィックスを使用して情報を編成および配置し得る。
追加の特徴として、ウェブアプリケーションは、ユーザが、研磨デバイス、着用可能デバイス、研磨デバイスオペレータ、およびプラント（例えば、研磨作業が実施されている環境）の間の関連付けを行うことを可能にし得る。例えば、ユーザは、研磨デバイスＡＴ１がプラントＰ１内で動作していることを示すために、プラントＰ１を研磨デバイスＡＴ１と関連付け得る。ユーザは、次いで、着用可能デバイスＷＤ２によって収集されたデータが研磨デバイスＡＴ１の動作に関するものであることを示すために、研磨デバイスＡＴ１を着用可能デバイスＷＤ２と関連付け得る。最終的に、ユーザは、オペレータＯ１が着用可能デバイスＷＤ１を着用していることを示すために、着用可能デバイスＷＤ１をオペレータＯ１と関連付け得る。このようにして、研磨デバイス、着用可能デバイス、研磨デバイスオペレータ、およびプラントは、ウェブアプリケーション上の別個の論理実体になり、これらは、互いに整合して混合され得る。
別個の論理実体を有することは、多くの利点を有し得る。例えば、着用可能デバイスＷＤ１がオペレータＯ１と恒久的に関連付けられたと仮定する。オペレータＯ１が、突然手があかなくなった場合、手があいていない間、着用可能デバイスＷＤ１からデータを収集することができない。一方、着用可能デバイスＷＤ１がオペレータＯ１とは別個の論理実体であったと仮定する。オペレータＯ１が、手があかなくなった場合、着用可能デバイスＷＤ１は、オペレータＯ３と迅速に関連付けられ得、データは、着用可能デバイスＷＤ１に関して依然として収集され得る。有利には、データは、オペレータＯ１またはオペレータＯ３にかかわらず、着用可能デバイスＷＤ１から収集され得る。他の利点も考えられる。
図２５は、例示的な実施形態による、モデル２５００を例示する。モデル２５００は、４つの基本表である、プラント表２５１０、デバイス表２５３０、着用可能表２５５０、およびオペレータ表２５５０と、３つのリンク表である、プラントデバイス表２５２０、デバイス着用可能表２５４０、およびオペレータ着用可能表２５６０と、を含み得る。ユニットとして、これらの表は、プラント、研磨デバイス、着用可能デバイス、およびオペレータの間の関係をキャプチャするために必要な情報を提供する。いくつかの例では、モデル２５００は、図２５に示されるよりも多い、少ない、および／または異なる種類の表を有し得る。さらに、モデル２５００の表は、明確さの目的で簡略化され得る。しかし、実際、これらの表は、より多い、より少ない、および／または異なるエントリを含み得る。
プラント表２５１０は、プラント用のエントリを含み得る。具体的には、プラント表２５１０内の各エントリは、プラント用の一意の識別子、およびプラント用の関連付けられた情報を有し得る。いくつかの例では、ユーザは、例えば、クラウドコンピューティングデバイスによって提供されたウェブページまたは一連のウェブページを通じて、情報を入力して、プラント表２５１０をポピュレートし得る。
プラントデバイス表２５２０は、プラント表２５１０からの所与のプラントを、所与のプラント内で動作する、デバイス表２５３０からの研磨デバイスにマッピングするエントリを含み得る。具体的には、上記のウェブアプリケーションは、プラントデバイス表２５２０内のエントリを動的にポピュレートするための手段を提供し得る。例えば、ウェブアプリケーションは、ユーザが、プラントと、それらのプラント内で動作する研磨デバイスとの間の関連付けを行うことを可能にするために、一連のドロップダウンメニューを提供し得る。
デバイス表２５３０は、手動研磨デバイス１３１０などの研磨デバイス用のエントリを含み得る。具体的には、デバイス表２５３０内の各エントリは、研磨デバイス用の一意の識別子、および研磨デバイス用の関連付けられた情報を有し得る。いくつかの例では、ユーザは、例えば、クラウドコンピューティングデバイスによって提供されたウェブページまたは一連のウェブページを通じて、情報を入力して、デバイス表２５３０をポピュレートし得る。他の例では、デバイス表２５３０内の情報は、上記のようにリモートセンサおよび／または着用可能デバイスからポピュレートされ得る。
デバイス着用可能表２５４０は、デバイス表２５３０からの研磨デバイスを、その研磨デバイスと関連付けられたデータを収集する着用可能表２５５０からの着用可能にマッピングするエントリを含み得る。具体的には、上記のウェブアプリケーションは、デバイス着用可能表２５４０内のエントリを動的にポピュレートするための手段を提供し得る。例えば、ウェブアプリケーションは、ユーザが、研磨デバイスと着用可能デバイスとの間の関連付けを行うことを可能にするために、一連のドロップダウンメニューを提供し得る。いくつかの場合では、デバイス着用可能表２５４０内のエントリは、上記のように、リーダを通じて自動的にポピュレートされ得る。例えば、研磨デバイスは、識別特徴１３１４などのＲＦＩＤタグを含み得、着用可能デバイスは、着用可能デバイスを研磨デバイスと関連付けるために、研磨デバイスのＲＦＩＤタグを読み取り得るＲＦＩＤリーダを含み得る。
着用可能表２５５０は、着用可能デバイス１３２０などの着用可能デバイス用のエントリを含み得る。具体的には、着用可能表２５５０内の各エントリは、着用可能デバイス用の一意の識別子、および着用可能デバイス用の関連付けられた情報を有し得る。いくつかの例では、ユーザは、例えば、クラウドコンピューティングデバイスによって提供されたウェブページまたは一連のウェブページを通じて、情報を入力して、着用可能表２５５０をポピュレートし得る。他の例では、着用可能表２５５０内の情報は、上記のようにリモートセンサからポピュレートされ得る。
オペレータ着用可能表２５６０は、着用可能表２５５０からの着用可能デバイスを、着用可能デバイスを着用する、オペレータ表２５７０からのオペレータにマッピングするエントリを含み得る。具体的には、上記のウェブアプリケーションは、オペレータ着用可能表２５６０内のエントリを動的にポピュレートするための手段を提供し得る。例えば、ウェブアプリケーションは、ユーザが、着用可能デバイスとオペレータとの間の関連付けを行うことを可能にするために、一連のドロップダウンメニューを提供し得る。いくつかの場合では、オペレータ着用可能表２５６０内のエントリは、上記のように、リーダを通じて自動的にポピュレートされ得る。例えば、着用可能デバイスは、ＲＦＩＤタグを含み得、オペレータは、着用可能デバイスをオペレータと関連付けるために、着用可能デバイスのＲＦＩＤタグを読み取り得るＲＦＩＤリーダを有し得る。
オペレータ表２５７０は、着用可能デバイスを着用するオペレータ用のエントリを含み得る。具体的には、オペレータ表２５７０内の各エントリは、オペレータ用の一意の識別子、およびオペレータ用の関連付けられた情報を有し得る。いくつかの例では、ユーザは、例えば、クラウドコンピューティングデバイスによって提供されたウェブページまたは一連のウェブページを通じて、情報を入力して、オペレータ表２５７０をポピュレートし得る。
総合すると、モデル２５００の表は、（ｉ）どのオペレータがどの着用可能デバイスと関連付けられているか、（ｉｉ）どの着用可能デバイスがどの研磨デバイスと関連付けられているか、および（ｉｉｉ）どの研磨デバイスがどのプラントと関連付けられているか、を確立するために情報を提供する。いくつかの場合、ウェブアプリケーションは、この情報を使用して、プラント、着用可能デバイス、研磨デバイス、およびオペレータに関連する尺度を提供し得る。
図２６は、例示的な実施形態による、ウェブページ２６００を例示する。ウェブページ２６００は、上記のウェブアプリケーションによってユーザに提供され得る。具体的には、ウェブページ２６００は、プラント、着用可能デバイス、研磨デバイス、およびオペレータに関連する尺度を提供する。
図２６に示されるように、プラントドロップダウン２６１０は、ユーザが尺度を受信することを望む、複数のプラントからのプラントをユーザが示すことを可能にする。デバイスドロップダウン２６２０は、ユーザが尺度を受信することを望む１つ以上のデバイスをユーザが選択することを可能にする。デバイスドロップダウン２６２０内の利用可能なデバイスは、プラントドロップダウン２６１０、およびプラントデバイス表２５２０内のエントリに対するユーザの選択に基づき得る。日付範囲２６３０は、ユーザが尺度を受信することを望む日付範囲をユーザが選択することを可能にする。プラントドロップダウン２６１０、デバイスドロップダウン２６２０、および日付範囲２６３０に対する選択を行った後、ユーザは、「検索」を押すことによって進み得る。このアクションは、プラントドロップダウン２６１０、デバイスドロップダウン２６２０、および日付範囲２６３０（例えば、エントリ２６４０）内の情報に対応する１つ以上のエントリを表示し得る。
エントリ２６４０は、デバイスドロップダウン２６２０から選択されたデバイスを使用する、プラントドロップダウン２６１０から選択されたプラント内の、日付範囲２６３０から選択された時間範囲の間の特定のオペレータに関連する尺度を含む。特定のオペレータは、オペレータ着用可能表２５６０、着用可能表２５５０、およびデバイス着用可能表２５４０内のエントリに基づいて決定され得る。エントリ２６４０は、特定のオペレータに対する、研削時間尺度２６５０、最適研削尺度２６６０、および振動曝露尺度２６７０を示す。
研削時間尺度２６５０は、日付範囲２６３０中の特定のオペレータの総研削時間の棒グラフを表示する。具体的には、研削時間尺度２６５０は、以下にさらに説明されるように、グラフ２９００およびグラフ３０００に関して説明された実施形態を使用して決定され得る。
最適研削尺度２６６０は、最適研削パラメータ内で研削している間の、特定のオペレータによって費やされた時間の棒グラフを表示する。具体的には、最適研削尺度２６６０は、グラフ２９００およびグラフ３０００に関して説明された実施形態を使用して決定され得る。最適研削尺度２６６０は、棒グラフとして例示されるが、最適研削パラメータ内で研削している間の時間量またはそのような時間のパーセンテージもしくは比率が、様々な異なる形態で表される、および／または表示され得ることが理解されるであろう。例えば、最適研削尺度２６６０は、パイチャート、レーダーチャート、線グラフ、または別の種類の情報表現もしくはインフォグラフィックとして表され得る。
振動曝露尺度２６７０は、特定のオペレータに対する振動曝露時間のパイチャートを３つの分類で表示する。具体的には、振動曝露尺度２６７０は、グラフ２９００およびグラフ３０００に関して説明された実施形態を使用して決定され得る。振動曝露尺度２６７０がパイチャートとして例示されているが、それぞれの振動曝露条件下の時間量が、様々な異なる形態で表される、および／または表示され得ることが理解されるであろう。例えば、振動曝露尺度２６７０は、棒グラフ、レーダーチャート、線グラフ、または別の種類の情報表現もしくはインフォグラフィックとして表され得る。
ＲＰＭグラフ２６８０は、デバイスドロップダウン２６２０内で指定されるデバイスのＲＰＭレベルを示すプロットである。ＲＰＭグラフ２６８０のｘ軸は、時間値に対応する一方、ＲＰＭグラフ２６８０のｙ軸は、ＲＰＭ値に対応する。
ウェブページ２６００が、例の目的で提示されることが理解されるであろう。他の実施形態では、ウェブページ２６００は、他の種類の尺度およびそのような尺度を表示する代替的な方法を提供し得る。
図２７は、例示的な実施形態による、着用可能デバイス１３２０の表示２７００、２７１０、２７２０、および２７３０を例示する。具体的には、図２７に示される表示は、着用可能デバイス１３２０のユーザインターフェース構成要素上に現れ得る異なるビューを例示する。しかしながら、図２７に示される表示は、限定ではなく、他の表示が本開示の範囲内で企図され、可能であることに留意されたい。
表示２７００は、着用可能デバイス１３２０の平均振動に関する視覚的合図、バッテリ寿命（左上に示される）、現在時刻（上部中央に示される）、およびＷｉＦｉ信号が着用可能デバイス１３２０に存在するか否か（右上に示される）を提供する。
表示２７１０もまた、バッテリ寿命、現在時刻、および着用可能デバイス１３２０のＷｉＦｉ信号を図示するが、例えば、図２９および３０で議論されたグラフ２９００およびグラフ３０００を使用して計算され得る、研削時間尺度を追加的に示す。
表示２７２０もまた、バッテリ寿命、現在時刻、および着用可能デバイス１３２０のＷｉＦｉ信号を図示するが、例えば、図２９および３０で議論されたグラフ２９００およびグラフ３０００を使用して計算され得る、最適研削時間尺度を追加的に示す。
表示２７３０もまた、バッテリ寿命、現在時刻、および着用可能デバイス１３２０のＷｉＦｉ信号を図示するが、オペレータが研磨作業を実施しているときの、現在のＲＰＭおよび振動の瞬間ビューを追加的に示す。
ＸＩＶ．例示的な分析ダッシュボード
上記の議論に従って、分析プラットフォーム１１１８は、企業１１２０内の１つ以上の研磨製品および／または１つ以上の被加工物と関連付けられた尺度を表示するように構成され得る。例えば、分析プラットフォーム１１１８は、手法指向の尺度（例えば、被加工物、寿命終点が近い研磨デバイス／工具の表面品質など）、財務指向の尺度（例えば、研磨工具当たりの見積もりコスト、見積もり作業現場効率、見積もりスループットレベルなど）、および／または他の種類の尺度を表示し得る。
分析プラットフォーム１１１８は、１つ以上のペインを含むＧＵＩによってそのような尺度を表示し得る。本明細書に説明されるように、「ペイン」という用語は、情報を表示する１つ以上の位置、および／またはボタンまたはタブなどの１つ以上のユーザ選択可能な項目を含む、ＧＵＩ構成要素を指し得る。いくつかの実施形態では、ペインは、ページまたはＧＵＩウィンドウと等価であるか、またはこれの内部に包含され得るが、そのようなウィンドウは、複数のペインを包含し得る。ボタンおよび／またはタブは、ペイン内に追加の情報を表示するグラフィカルな制御要素であり得る。
例示的なペインが、以下で、図２８Ａ、２８Ｂ、および２８Ｃに例示されている。これらの例示的なペインは、直感的な視覚要素および理解することが容易な図を有するグラフィックスを使用して情報を編成および配置する。結果として、分析プラットフォーム１１１８のユーザは、企業１１２０で行われる研磨作業に関する関連情報を、迅速かつ効率的に検討し得る。とりわけ、以下のペインの例は、例示の目的のためにすぎず、限定的であることを意図するものではない。情報の代替的な配置を含む他のペインも存在し得る。
図２８Ａは、例示的な実施形態による、電流時系列ペイン２８１０を図示する。電流時系列ペイン２８１０は、マシンドロップダウン２８１２、日付範囲２８１４、電流トレースグラフ２８２０、工具ＩＤグラフ２８２２、およびパーツカウントグラフ２８２４を含む。電流時系列ペイン２８１０はまた、ナビゲーションバー２８１０を含み、ナビゲーションバー２８１０は、「電流時系列」、「作業要因」、「サイクル比較」、および「性能尺度」のタブを含む。とりわけ、「電流時系列」のタブは、このタブの情報が現在表示されていることを示すために破線で示されている。
マシンドロップダウン２８１２は、ユーザが尺度を受信することを望む１つ以上の研磨デバイスをユーザが選択することを可能にする。マシンドロップダウン２８１２内で利用可能なデバイスは、企業１１２０内で動作している（または動作された）すべてのデバイスを含み得る。図２８Ａに示される例では、研磨デバイス「１３３３３」が選択されている。
日付範囲２８１４は、ユーザが尺度を受信することを望む日付範囲をユーザが選択することを可能にする。図２８Ａに示される例では、日付範囲は、「２０１９年１月１１日～２０１９年２月１１日」である。
マシンドロップダウン２８１２および日付範囲２８１４についての選択が行われた後、電流時系列ペイン２８１０は、トレースグラフ２８２０、工具ＩＤグラフ２８２２、およびパーツカウントグラフ２８２４に関連した尺度を、応答可能に表示し得る。
トレースグラフ２８２０は、経時的に研磨デバイス「１３３３３」が受ける電流を図示するプロットである。トレースグラフ２８２０のｘ軸は、時間値に対応する一方、ｙ軸は、電流値（アンペア単位）に対応する。示されるように、研磨デバイス「１３３３３」の電流は、経時的に変動する。いくつかの期間において、電流は、高い。これらは、研磨デバイス「１３３３３」が研磨作業を実施している期間に対応し得る。他の期間において、電流は、低い。これらは、研磨デバイス「１３３３３」が研磨作業を実施していない期間に対応し得る。さらに、トレースグラフ２８２０は、多くの繰り返しパターンを示す。例えば、パターン２８２０Ａは、パターン２８２０Ｂと同様である。これらの繰り返しパターンは、研磨デバイス「１３３３３」が同様の研磨作業を実施している期間に対応し得る。
上記の議論に従って、いくつかの実施形態では、分析プラットフォーム１１１８は、オペレータがトレースグラフ２８２０の様々なトレースをタグ付けすることを可能にするように構成され得る。例えば、「研削」の動作状態は、大きなピークを有するトレースグラフ２８２０のトレースに割り当てられ得る。別の例として、「アイドル」の動作状態は、安定した傾斜を有するトレースグラフ２８２０のトレースに割り当てられ得る。タグは、既に本明細書に説明されたように、１つ以上の機械学習モデルを訓練するためのラベルまたは追加の訓練特徴として利用され得る。
工具ＩＤグラフ２８２２は、経時的に研磨デバイス「１３３３３」によって使用される研磨工具（例えば、研磨ホイール）を図示するプロットである。工具ＩＤグラフ２８２２のｘ軸は、時間値に対応する一方、ｙ軸は、研磨工具ＩＤ値に対応する。示されるように、研磨デバイス「１３３３３」によって使用される研磨工具は、経時的に変動する。例えば、パターン２８２０Ａに対応する期間中、研磨デバイス「１３３３３」は、研磨工具２８２２Ａと研磨工具２８２２Ｂとの両方を使用する。
パーツカウントグラフ２８２４は、経時的に研磨デバイス「１３３３３」が作用している被加工物を図示するプロットである。パーツカウントグラフ２８２４のｘ軸は、時間値に対応する一方、ｙ軸は、被加工物ＩＤ値に対応する。示されるように、研磨デバイス「１３３３３」が作用している被加工物は、経時的に変動する。例えば、パターン２８２０Ａに対応する期間中、研磨デバイス「１３３３３」は、被加工物２８２４Ａに作用していたのに対して、パターン２８２０Ｂに対応する期間中、研磨デバイス「１３３３３」は、被加工物２８２４Ｂに作用していた。
例示的な実施形態では、トレースグラフ２８２０、工具ＩＤグラフ２８２２、およびパーツカウントグラフ２８２４を利用して、修正研磨作業の効果を理解し得る。例えば、パターン２８２０Ａは、研磨作業に対する修正の前の期間に対応し得、パターン２８２０Ｂは、修正の後の期間に対応し得る。パターン２８２０Ａおよびパターン２８２０Ｂがトレースグラフ２８２０に同様のトレースを呈する場合には、修正が研磨作業に対して何ら実質的な効果を有しなかったと決定され得る。一方、パターン２８２０Ａおよびパターン２８２０Ｂがトレースグラフ２８２０に異なるトレースを呈する場合には、修正が実質的な効果を有したと決定され得る。研磨作業に対する例示的な修正は、オペレータを変更すること、動作速度を変更することなどを含み得る。
いくつかの実施形態では、研磨デバイスのオペレータは、トレースグラフ２８２０、工具ＩＤグラフ２８２２、およびパーツカウントグラフ２８２４を利用して、研磨作業に対するリアルタイムの調整を行い得る。例えば、研磨デバイス「１３３３３」が研磨工具２８２２Ａを使用するたびに、トレースグラフ２８２０上の研磨デバイス「１３３３３」の電流値が増加する場合、そのことは、研磨工具２８２２Ａが鈍っている（例えば、同じ速度で動作するのにより多くのエネルギーを必要とする）ことを示し得る。したがって、オペレータは、研磨工具２８２２Ａに対してドレッシングプロセスを実施して、研磨工具２８２２Ａを鋭利にし、動作条件に戻し得る。別の例として、トレースグラフ２８２０上の研磨デバイス「１３３３３」の電流値が、予め設定された上限を超える場合には、オペレータは、研磨デバイス「１３３３３」を停止させ得る。他の例もまた、可能である。
いくつかの実施形態では、トレースグラフ２８２０、工具ＩＤグラフ２８２２、およびパーツカウントグラフ２８２４を利用して、修正研磨作業に関連した経済的な尺度を理解し得る。例えば、研磨工具２８２２Ａで被加工物２８２４Ａを研削するのに、研磨工具２８２２Ｂで被加工物２８２４Ａを研削するのに要する時間未満の時間を要する場合には、研磨工具２８２２Ａを使用することで全体的な研磨サイクル時間が低減するため、研磨工具２８２２Ｂではなく研磨工具２８２２Ａのほうをより多く注文するのが経済的に有利であり得る。経済的な尺度の他の例もまた、可能である。
図２８Ｂは、例示的な実施形態による、サイクル比較ペイン２８０２を図示する。電流時系列ペイン２８００と同様に、サイクル比較ペイン２８０２は、マシンドロップダウン２８１２および日付範囲２８１４を含む。ただし、電流時系列ペイン２８００とは異なり、サイクル比較ペイン２８０２は、サイクル比較グラフ２８３０および尺度ドロップダウン２８３２を含む。サイクル比較ペイン２８０２はまた、ナビゲーションバー２８１０を含み、ナビゲーションバー２８１０は、「電流時系列」、「作業要因」、「サイクル比較」、および「性能尺度」のタブを含む。とりわけ、「サイクル比較」のタブは、このタブの情報が現在表示されていることを示すために破線で示されている。
サイクル比較グラフ２８３０は、ある期間にわたる様々な研磨デバイスの電流使用量を表示するデータプロットを含む。サイクル比較グラフ２８３０のｘ軸は、時間値に対応する一方、ｙ軸は、電流値（アンペア単位）に対応する。図２８Ｂに示されるように、サイクル比較グラフ２８３０は、２つの研磨デバイス、すなわち、研磨デバイス「４３１２８」（橙色のプロット）および研磨デバイス「４３１３１」（青色のプロット）の電流使用量を同時にプロットする。サイクル比較グラフ２８３０は、ユーザが、１つのデータプロット上でいくつかの研磨デバイスと関連付けられた尺度を同時に見ることを可能にし、したがって、それらの研磨デバイスの性能間の視覚的な比較を可能にするため、有益であり得る。
ユーザがマシンドロップダウン２８１２から追加の研磨デバイスを選択することを決定した場合、その追加の研磨デバイスの追加のプロットが、サイクル比較グラフ２８３０に追加される。理論では、サイクル比較グラフ２８３０は、何百もの研磨デバイスではないにしても、何十の研磨デバイスについてのデータプロットを含み得る。
尺度ドロップダウン２８３２は、ユーザが、サイクル比較グラフ２８３０上で表示するための代替的な尺度を選択することを可能にするドロップダウンメニューであり得る。例示的な尺度として、可能性の中でもとりわけ、電流、振動、供給速度、またはＲＰＭが挙げられ得る。例示的な実施形態では、サイクル比較グラフ２８３０は、尺度ドロップダウン２８３２での選択に応答して、サイクル比較グラフ２８３０自体を自動更新し得る。例えば、サイクル比較グラフ２８３０のｙ軸に電流値を表示することに代えて、尺度ドロップダウン２８３２を介して選択された値が、ｙ軸上に表示され得る。
図２８Ｃは、例示的な実施形態による、性能尺度ペイン２８０４を図示する。電流時系列ペイン２８００と同様に、性能尺度ペイン２８０４は、マシンドロップダウン２８１２および日付範囲２８１４を含む。ただし、電流時系列ペイン２８００とは異なり、性能尺度ペイン２８０４は、性能尺度グラフ２８４０を含む。さらに、性能尺度ペイン２８０４は、ナビゲーションバー２８１０を含み、ナビゲーションバー２８１０は、「電流時系列」、「作業要因」、「サイクル比較」、および「性能尺度」のタブを含む。とりわけ、「性能尺度」のタブは、このタブの情報が現在表示されていることを示すために破線で示されている。
性能尺度グラフ２８４０は、経時的にいくつかの研磨工具の積分された電流を追跡する様々なプロットを含み得る。性能尺度グラフ２８４０のｘ軸は、時間値に対応する一方、ｙ軸は、電流値（アンペア単位）に対応する。サイクル比較グラフ２８３０と同様に、性能尺度グラフ２８４０は、ユーザが、１つのデータプロット上でいくつかの研磨工具と関連付けられた尺度を同時に見ることを可能にし、したがって、それらの研磨工具の性能間の視覚的な比較を可能にするため、有益であり得る。
ＸＶ．例示的な計算のためのシステムおよび方法
既に議論されたように、研磨製品／工具は、研削ホイールまたは研削ディスクの角速度（ＲＰＭ）を検出するセンサを含み得る。着用可能デバイス１３２０は、ＲＰＭ情報を受信するためにこれらのセンサと通信し、研磨製品／工具の研削動力および／または適用された研削力を決定し得る。追加的に、および／または代替的に、着用可能デバイス１３２０は、研削ホイールまたは研削ディスクのＲＰＭを決定するために音データを使用し得る。具体的には、着用可能デバイス１３２０は、音データの振幅を分析し、次いで、相関表を使用して、推定されたＲＰＭ値に音の振幅をマッピングし得る。音の振幅と推定されたＲＰＭ値との間のマッピングは、研磨製品／工具の種類に依存して変化し得る。
上記のシナリオのいずれかでは、着用可能デバイス１３２０は、ＲＰＭ情報を決定するために、センサとの通信または研磨製品／工具の種類（例えば、マッピングのために）に依存する。なお、着用可能デバイス１３２０の依存を研磨製品／工具から解除することは、有利であり得る。そのようにすることは、例えば、着用可能デバイス１３２０が、保持されている研磨製品／工具の種類にかかわらず、およびいずれかの通信センサが研磨製品／工具上に存在しているかどうかにかかわらず、どのように研磨製品／工具が着用可能デバイス１３２０のユーザによって保持されているかということから独立して、任意の研削ホイールまたは研削ディスクのＲＰＭを決定することを可能にし得る。
ＲＰＭを独立して決定するために、振動信号が使用され得る。具体的には、振動信号は、着用可能デバイス１３２０の加速度計から決定され得る。上記のように、加速度計は、ユーザの手の振動に関する加速度データを収集する。手の振動が研磨製品／工具の振動から結果的に生じるため、加速度データは、研磨製品／工具の振動を示す。加速度データは、次いで、振動信号を結果的にもたらす、経時的なｇＲＭＳ値を計算するために使用され得る。とりわけ、ｇＲＭＳの計算は、着用可能デバイス１３２０上、上記のクラウドコンピューティングデバイスなどのリモートデバイス上、または部分的に着用可能デバイス１３２０上および部分的にリモートデバイス上で実施され得る。
図２９は、例示的な実施形態による、グラフ２９００を例示する。図２９に例示されるように、グラフ２９００は、経時的な着用可能デバイス１３２０の振動を表す信号２９０２を含む。すなわち、信号２９０２は、着用可能デバイス１３２０を着用し、研磨製品／工具を使用するときに、ユーザが受ける振動から結果的に生じる。グラフ２９００のｘ軸は、時間値に対応するが、一方、ｙ軸は、振動値（ｇＲＭＳ単位）に対応する。
理解するために重要な点は、研削ホイールまたは研削ディスクのＲＰＭが信号２９０２に寄与するため、フーリエ変換（例えば、高速フーリエ変換（ＦＦＴ）、短時間フーリエ変換（ＳＴＦＴ）など）が、ＲＰＭ値を決定するために信号２９０２上で実施され得ることである。例えば、着用可能デバイス１３２０上に埋め込まれたソフトウェアは、ｔ０～ｔ３の研削ホイールまたは研削ディスクのＲＰＭを決定するために、ｔ０～ｔ３の期間からの信号２９０２に対してフーリエ変換を実施し得る。
いくつかの実施形態では、ディスクの研削ホイールのＲＰＭは、経時的に変化し得る。例えば、ユーザが、研削ホイールまたは研削ディスクを被加工物に強固に押し当て得（被加工物の摩擦によって回転スピードが遅くなる）、研磨製品／工具の動力レベルが変化し得る、などである。これを考慮するために、信号２９０２は、より短いセグメントに分割／サンプリングされ得、次いで、着用可能デバイス１３２０上に埋め込まれたソフトウェアは、各より短いセグメントに対するフーリエ変換を計算し得る。例えば、信号２９０２に対するフーリエ変換は、ｔ０～ｔ１の期間、ｔ１～ｔ２の期間などから実施され得る。各時間セグメントのＲＰＭは、経時的なＲＰＭのグラフを決定するためにプロットされ得る（図３０に示されるように）。
いくつかの実施形態では、信号２９０２は、複数の基礎となる周波数から構成され得る、および／または交絡／エイリアス周波数を有し得る。研削ホイールまたは研削ディスクのＲＰＭに対応する正確な周波数を決定するために、最高振幅を有する周波数または所定範囲内の振幅を有する周波数が使用され得る。代替的に、信号２９０２がより短いセグメントに分割されるシナリオでは、所与の時間セグメントのＲＰＭは、以前の時間セグメントからの偏差をほとんど示さない振幅を有する周波数に基づいて決定され得る。他の方法もまた、可能である。
いくつかの実施形態では、信号２９０２は、所与の軸に対する着用可能デバイス１３２０の振動を表す（例えば、加速度計は、３つの軸（ｘ、ｙ、およびｚ）の振動データを測定および記録するように動作可能であり得る）。これらの状況では、振動信号は、各軸に対して決定され得、研削ホイールまたは研削ディスクの集約／複合振動信号が、各軸の個々の振動信号を重み付け／合成することによって決定され得る。いくつかの例では、重み付け／合成は、本明細書に議論されるＩＳＯ５３４９規格などの、労働安全規格に基づき得る。例示のために、ＩＳＯ５３４９規格を適用することは、二乗平均平方根計算によって各軸からの振動信号を合成することを伴い得、各軸は、複合振動信号で異なって重み付けされる。しかしながら、他の労働安全規格および集約／複合振動信号を決定するためのそれらの対応するアルゴリズムもまた、本明細書で企図される。着用可能デバイス１３２０は、ＩＳＯ５３４９規格に追加的に、および／または代替的に、それらのアルゴリズムを実行するように構成され得る。
上記に議論されたように、限界が、信号２９０２に対して配置され得る。より具体的には、上限２９０４および下限２９０６が、振動の上限および下限を表すために使用され得、上限２９０４と下限２９０６との間の領域は、研磨製品／工具の振動の「最適ゾーン」である。いくつかの実施形態では、上限２９０４および下限２９０６は、着用可能デバイス１３２０の製造者または研磨製品／工具の製造者によって決定され得る。他の実施形態では、上限２９０４および下限２９０６は、今日または将来施行される、労働安全規格に基づき得る。例えば、上限２９０４および下限２９０６は、労働安全衛生局（ＯＳＨＡ）、米国労働安全衛生研究所（ＮＩＯＳＨ）、欧州労働安全衛生機関（ＥＵ－ＯＳＨＡ）、または国際標準化機構（ＩＳＯ）によって設定された規格に基づき得る。いくつかの場合、上限２９０４および下限２９０６は、ＩＳＯ５３４９の曝露危険性に基づき得る。
いくつかの実施形態では、上限２９０４および下限２９０６は、製造時に着用可能デバイス１３２０のファームウェアにインストールされた値、または着用可能デバイス１３２０のファームウェアに動的に読み込まれるユーザ定義された値に基づいて決定され得る。例では、ユーザ定義された値は、着用可能デバイス１３２０のユーザインターフェース構成要素を介して着用可能デバイス１３２０に伝達され得るか、ウェブアプリケーションを介して着用可能デバイス１３２０に伝達され得るか、または上記のクラウドコンピューティングデバイスなどのクラウドコンピューティングデバイスから着用可能デバイス１３２０に伝達される。他の可能性も存在する。
最適ゾーン内の研磨製品／工具の振動を保つことがユーザにとって有用であるため、着用可能デバイス１３２０は、最適ゾーンからの偏差を決定し得る。例えば、着用可能デバイス１３２０は、振動が最適ゾーンにある時間の長さに対応する曝露時間２９０８を決定し得る。曝露時間２９０８は、最適ゾーン内の時間のパーセンテージを決定するために、作業の総時間（例えば、ｔ３－ｔ０）と比較され得る。最適ゾーン内の時間のパーセンテージが顕著に低い場合、着用可能デバイス１３２０は、場合によっては、作業改善、推奨される作業角度などを提供する視覚的、触覚的、および／または聴覚的警告を出力することによって、時間のパーセンテージを増加させるための情報を提供し得る。
別の例として、着用可能デバイス１３２０は、上限２９０４を上回る振動期間を表す、臨界曝露時間２９１０を決定し得る。臨界曝露時間２９１０を超える作業がユーザに有害であり得るため、着用可能デバイス１３２０は、場合によっては、上記と同様に、視覚的、触覚的、および／または聴覚的警告を出力することによって、臨界曝露時間２９１０を減少させるために情報を提供し得る。
図３０は、例示的な実施形態による、グラフ３０００を例示する。図３０に例示されるように、グラフ３０００は、経時的な研削ホイールまたは研削ディスクのＲＰＭを表し得る信号３００２を含む。すなわち、信号３００２は、グラフ２９００からの信号２９０２に対して実施されたフーリエ変換から結果的に生じ得る。グラフ３０００のｘ軸は、時間値に対応するが、一方、ｙ軸は、ＲＰＭ値（ｇＲＭＳ単位）に対応する。
グラフ２９００と同様に、グラフ３０００は、上限３００４および下限３００６を含み、それぞれ、ＲＰＭの上限および下限を表し、上限３００４と下限３００６との間の領域は、研削ホイールまたは研削ディスクのＲＰＭの「最適ゾーン」である。いくつかの実施形態では、上限３００４および下限３００６は、着用可能デバイス１３２０の製造者または研磨製品／工具の製造者によって決定され得る。他の実施形態では、上限３００４および下限３００６は、今日または将来施行される、労働安全規格に基づき得る。
いくつかの実施形態では、上限３００４および下限３００６は、製造時に着用可能デバイス１３２０のファームウェアにインストールされた値、または着用可能デバイス１３２０のファームウェアに動的に読み込まれるユーザ定義された値に基づいて決定され得る。例では、ユーザ定義された値は、着用可能デバイス１３２０のユーザインターフェース構成要素を介して着用可能デバイス１３２０に伝達され得るか、ウェブアプリケーションを介して着用可能デバイス１３２０に伝達され得るか、または上記のクラウドコンピューティングデバイスなどのクラウドコンピューティングデバイスから着用可能デバイス１３２０に伝達される。他の可能性も存在する。
グラフ２９００とほぼ同様に、グラフ３０００の最適ゾーン内にＲＰＭを保つことは、ユーザにとって有用であり得る。したがって、着用可能デバイス１３２０は、最適ゾーンからのＲＰＭの偏差を決定するように動作し得る。例えば、着用可能デバイス１３２０は、ＲＰＭが上限３００４を上回った時間の長さに対応する臨界時間３００８を決定し得る。同様に、着用可能デバイス１３２０は、ＲＰＭが下限３００６を下回った時間の長さに対応する低使用時間３０１０を決定するように動作し得る。いずれの場合も、着用可能デバイス１３２０は、場合によっては、作業改善、推奨される作業角度などを提供する視覚的、触覚的、および／または聴覚的警告を出力することによって、臨界時間３００８および低使用時間３０１０を減少させるための情報を提供し得る。
いくつかの実施形態では、グラフ２９００および／またはグラフ３０００からのデータは、着用可能デバイス１３２０によって、記憶および追加の計算のためのクラウドコンピューティングデバイスに送信され得る。例えば、クラウドコンピューティングデバイスは、信号２９０２および／または信号３００２に関するパターン（例えば、研削時間、最適ＲＰＭ時間、過負荷時間、最適振動時間など）を発見するために上記に議論された機械学習アルゴリズムを実行し得る。発見されたパターンは、次いで、ユーザに情報を提供するウェブアプリケーションに送信され得る。追加的に、および／または代替的に、ウェブアプリケーションは、経時的な着用可能デバイス１３２０の振動のプロット（例えば、グラフ２９００）を含み得る、および／または経時的な着用可能デバイス１３２０のＲＰＭのプロット（例えば、グラフ３０００）を含み得る。ウェブアプリケーションは、オートスケーラブルであり得、タブレットデバイス、デスクトップコンピューティングデバイス、モバイルデバイスなどで閲覧することができる。さらに、ウェブアプリケーションは、様々なユーザの専用アカウントを確立するように構成され得、各ユーザのデータを分離し、プライバシーを確保するために、適所にセキュリティ対策を有し得る。いくつかの実施形態では、クラウドコンピューティングデバイスまたはウェブアプリケーションは、例えば、着用可能デバイス１３２０の通信インターフェース１０６にソフトウェア更新を送信することによって、着用可能デバイス１３２０のファームウェアを更新するために使用され得る。
とりわけ、上記の実施形態が振動およびＲＰＭデータに関して議論されているが、他の種類のデータもまた、本明細書の開示で企図される。
一例では、温度センサ／相対湿度センサが、着用可能デバイス１３２０の周囲の環境温度および湿度レベルに関するデータを提供するために使用され得る。そして、温度センサ／相対湿度センサによって収集されたデータは、着用可能デバイス１３２０のユーザによって操作されている研磨製品／工具の熱曝露時間を測定するために使用され得る。例えば、温度センサ／相対湿度センサは、研磨製品／工具が、２時間、５５°Ｆの環境で操作され、次いで、６時間、１０５°Ｆの環境で操作されたことを計算し得る。計算された熱曝露時間は、次いで、研磨製品／工具の残りの製品寿命／生産性を決定するために使用され得る。例えば、研磨製品／工具が高温環境で頻繁に操作された場合、研磨製品／工具の計画された製品寿命は、研磨製品／工具が適温で頻繁に操作された場合よりも短くなり得る。
別の例では、磁力計が、着用可能デバイス１３２０または着用可能デバイス１３２０のユーザが作用する被加工物の周囲磁場／配向に関するデータを提供するために使用され得る。
さらに別の例では、静電容量センサが、着用可能デバイス１３２０または研磨工具に関連する材料密度または潜在的な損傷に関するデータを提供するために使用され得る。
さらなる例では、電流測定値が、研磨工具から取得され、動力データに変換され得る。研磨工具の研削サイクルデータを提供するために使用される動力データは、いくつかの場合、研磨作業のさらなる洞察を獲得するために、上述の振動およびＲＰＭデータと比較され得る。さらに、慣性センサ、圧力センサ、および／または力センサなどの他のセンサからのデータとともに、上記のデータで説明されるデータは、上記に説明される表示２７００、２７１０、２７２０、および２７３０などのダッシュボード上にグラフ化、変換、表示され、グラフ２９００およびグラフ３０００に関して同様に説明された上限閾値および下限閾値と関連付けられ得る。
ＸＶＩ．列挙される例示的な実施形態
本開示の実施形態は、以下に挙げられる列挙される例示的な実施形態（ＥＥＥ）のうちの１つに関連し得る。
ＥＥＥ１は、コンピュータ実装方法であって、
コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することであって、１つ以上のセンサが、研磨製品または研磨製品と関連付けられた被加工物に近接して配設されており、１つ以上のセンサが、研磨製品または被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている、受信することと、
コンピューティングデバイスによって、かつセンサデータに基づいて、研磨製品の製品固有の情報または被加工物の被加工物固有の情報を決定するための機械学習システムを訓練することと、
コンピューティングデバイスによって、訓練された機械学習システムを提供することと、を含む、コンピュータ実装方法である。
ＥＥＥ２は、センサデータの少なくとも一部分をタグ付けして、タグ付けされたセンサデータを提供することをさらに含み、タグ付けされたセンサデータが、１つ以上のタグを含み、各タグが、研磨製品の異なる製品固有の情報を識別する、ＥＥＥ１に記載のコンピュータ実装方法である。
ＥＥＥ３は、１つ以上のタグが、研磨製品関連イベントの前の継続期間からの研磨作業データのパターンを識別する、ＥＥＥ２に記載のコンピュータ実装方法である。
ＥＥＥ４は、研磨作業データのパターンが、１つ以上の段階を含み、各段階が、１つ以上のセンサ閾値の値と関連付けられており、１つ以上のタグが、１つ以上のセンサ閾値の値に基づく段階と関連付けられている、ＥＥＥ３に記載のコンピュータ実装方法である。
ＥＥＥ５は、機械学習システムを訓練することが、１つ以上の機械学習モデルを訓練することを含み、各モデルが、共有された識別子セットからの一意の識別子を有する研磨製品からのセンサデータで訓練される、ＥＥＥ１に記載のコンピュータ実装方法である。
ＥＥＥ６は、１つ以上のセンサからのセンサデータが、ローカルのコンピューティングデバイスによって集約されて、集約されたセンサデータを提供し、センサデータを受信することが、ローカルのコンピューティングデバイスから集約されたセンサデータを受信することを含む、ＥＥＥ１に記載のコンピュータ実装方法である。
ＥＥＥ７は、１つ以上のセンサが、着用可能デバイスに配設されており、１つ以上のセンサからのセンサデータが、着用可能デバイスによって集約されて、集約されたセンサデータを提供し、センサデータを受信することが、着用可能デバイスから集約されたセンサデータを受信することを含む、ＥＥＥ１に記載のコンピュータ実装方法である。
ＥＥＥ８は、センサデータが、研磨製品の回転／分（ＲＰＭ）値を示す情報を含む、ＥＥＥ７に記載のコンピュータ実装方法である。
ＥＥＥ９は、コンピュータ実装方法であって、
コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することであって、１つ以上のセンサが、研磨製品または研磨製品と関連付けられた被加工物に近接して配設されており、１つ以上のセンサが、研磨製品または被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されており、コンピューティングデバイスが、入力センサデータを受信し、研磨製品の製品固有の情報または被加工物の被加工物固有の情報を出力するように構成されている訓練された機械学習システムへのアクセス権を有する、受信することと、
センサデータに対して訓練された機械学習システムを適用することによって、研磨製品の製品固有の情報または被加工物の被加工物固有の情報を決定することと、
１つ以上のクライアントデバイスに、製品固有の情報または被加工物固有の情報を提供することと、を含む、コンピュータ実装方法である。
ＥＥＥ１０は、１つ以上のセンサが、着用可能デバイスに配設されており、１つ以上のセンサからのセンサデータが、着用可能デバイスによって集約されて、集約されたセンサデータを提供し、センサデータを受信することが、着用可能デバイスから集約されたセンサデータを受信することを含む、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ１１は、センサデータが、研磨製品の回転／分（ＲＰＭ）値を示す情報を含む、ＥＥＥ１０に記載のコンピュータ実装方法である。
ＥＥＥ１２は、１つ以上のクライアントデバイスが、着用可能デバイス、モバイルデバイス、ダッシュボードデバイス、ウェブサーバ、分析処理エンジン、またはサードパーティサーバのうちの少なくとも１つを含む、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ１３は、製品固有の情報を提供することが、新しい研磨製品または更新された研磨製品と関連付けられた情報を提供することを含み、情報が、少なくとも部分的に、新しい研磨製品または更新された研磨製品を構築するための命令を含む、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ１４は、製品固有の情報または被加工物固有の情報を提供することが、１つ以上のクライアントデバイスに通知を提供することを含む、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ１５は、製品固有の情報または被加工物固有の情報を提供することが、１つ以上のクライアントデバイスに、研磨製品についての問題を解決するための１つ以上の製品固有のソリューションを提供することを含む、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ１６は、１つ以上のクライアントデバイスが、
グラフィカルユーザインターフェースに、１つ以上の製品固有のソリューションを表示することと、
グラフィカルユーザインターフェースを介して、１つ以上の製品固有のソリューションのうちの１つの選択を受信することと、
選択された製品固有のソリューションに基づいて、訓練された機械学習システムの訓練データを決定することと、
コンピューティングデバイスに、訓練データを伝送することと、を行うように構成されている、ＥＥＥ１５に記載のコンピュータ実装方法である。
ＥＥＥ１７は、研磨製品が、ユーザによって操作されるハンドヘルド研磨製品である、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ１８は、研磨作業データが、ハンドヘルド研磨製品と関連付けられた振動データ、またはハンドヘルド研磨製品と関連付けられた加速度データのうちの少なくとも１つを含む、ＥＥＥ１７に記載のコンピュータ実装方法である。
ＥＥＥ１９は、製品固有の情報または被加工物固有の情報を提供することが、ユーザによって着用された着用可能デバイスのグラフィカルインターフェースに通知を提供することを含む、ＥＥＥ１７に記載のコンピュータ実装方法である。
ＥＥＥ２０は、製品固有の情報が、ユーザに割り当てられたタスクを実施するために費やされた時間、ユーザのアイドル時間、またはユーザの生産時間のうちの少なくとも１つを含む、ＥＥＥ１７に記載のコンピュータ実装方法である。
ＥＥＥ２１は、製品固有の情報が、ハンドヘルド研磨製品に対するユーザの加工角度、被加工物に対するハンドヘルド研磨製品の加工角度、ハンドヘルド研磨製品に対するユーザのグリップの締め付け、またはハンドヘルド研磨製品に対するユーザの加えられた圧力、のうちの少なくとも１つを含む、ＥＥＥ１７に記載のコンピュータ実装方法である。
ＥＥＥ２２は、製品固有の情報が、ハンドヘルド研磨製品の寿命推定値を含み、寿命推定値が、ユーザがハンドヘルド研磨製品を安全に使用することができる推定時間を含む、ＥＥＥ１７に記載のコンピュータ実装方法である。
ＥＥＥ２３は、研磨製品が、コントトーラによって操作される自動研磨製品である、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ２４は、１つ以上のセンサが、自動研磨製品の動作スピードを収集するように構成されたスパーク不変センサを含む、ＥＥＥ２３に記載のコンピュータ実装方法である。
ＥＥＥ２５は、製品固有の情報を提供することが、自動研磨製品の１つ以上の研磨物品が損傷しているかまたは動作不良であるという決定を提供することを含む、ＥＥＥ２３に記載のコンピュータ実装方法である。
ＥＥＥ２６は、決定を提供すると、コンピューティングデバイスが、
製品データベースによって、自動研磨製品の１つ以上の交換研磨物品を識別することと、
１つ以上の交換研磨物品を識別することに応答して、１つ以上の交換研磨物品または改修処置を要求することと、を行うようにさらに構成されている、ＥＥＥ２５に記載のコンピュータ実装方法である。
ＥＥＥ２７は、製品固有の情報を提供することが、自動研磨製品のコントローラに少なくとも１つの制御命令を伝送することを含み、少なくとも１つの制御命令が、自動研磨製品の回転速度を調整すること、自動研磨製品に通知を提供すること、自動研磨製品をターンオンすること、または自動研磨製品をターンオフすること、のうちの少なくとも１つを含む、ＥＥＥ２３に記載のコンピュータ実装方法である。
ＥＥＥ２８は、
グラフィカルユーザインターフェースを介して、検索インターフェースを提供することであって、検索インターフェースが、複数のユーザ選択可能な基準を含み、ユーザ選択可能な基準が、位置メニュー、デバイスメニュー、日付範囲、または被加工物メニューのうちの少なくとも１つを含む、提供することと、
グラフィカルユーザインターフェースを介して、ユーザ選択可能な基準からユーザ選択可能な検索基準を受信することと、
ユーザ選択された検索基準に基づいて、１つ以上の尺度を決定することと、
グラフィカルユーザインターフェースを介して、１つ以上の尺度を表示することと、をさらに含む、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ２９は、１つ以上の尺度が、研削時間尺度、最適研削尺度、振動尺度、切削の深さ、電流トレース、工具識別子、またはパーツカウントのうちの少なくとも１つを含む、ＥＥＥ２８に記載のコンピュータ実装方法である。
ＥＥＥ３０は、グラフィカルユーザインターフェースを介して、尺度メニューから選択された所望の尺度を受信することをさらに含み、１つ以上の尺度を表示することが、所望の尺度に基づく、ＥＥＥ２９に記載のコンピュータ実装方法である。
ＥＥＥ３１は、グラフィカルユーザインターフェースを介して、サイクル比較インターフェースを提供することをさらに含み、サイクル比較インターフェースが、複数の周期時系列の重なり合う配置でセンサデータの少なくとも一部分を表示するように構成されている、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ３２は、センサデータの少なくとも一部分の複数の周期時系列を比較することをさらに含み、研磨製品の製品固有の情報または被加工物の被加工物固有の情報を決定することが、少なくとも部分的に、比較に基づく、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ３３は、研磨製品の製品固有の情報、または被加工物の被加工物固有の情報を決定することが、研磨製品の予測される今後の条件、または被加工物の予測される今後の条件のうちの１つ以上を決定することを含む、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ３４は、製品固有の情報または被加工物固有の情報を提供することが、研磨製品の予測される今後の条件、または被加工物の予測される今後の条件のうちの少なくとも１つを提供することを含む、ＥＥＥ３３に記載のコンピュータ実装方法である。
ＥＥＥ３５は、研磨製品の製品固有の情報、または被加工物の被加工物固有の情報を決定することが、規範アクションを決定することを含む、ＥＥＥ９に記載のコンピュータ実装方法である。
ＥＥＥ３６は、製品固有の情報または被加工物固有の情報を提供することが、規範アクションを提供することを含み、規範アクションが、研磨機の動作パラメータを調整すること、保守作業を実施すること、研磨製品を矯正すること、または研磨製品を交換すること、のうちの少なくとも１つを含む、ＥＥＥ３５に記載のコンピュータ実装方法である。
ＥＥＥ３７は、コンピューティングシステムであって、
１つ以上のプロセッサと、
データ記憶装置であって、データ記憶装置が、コンピュータ実行可能な命令を記憶しており、命令が、１つ以上のプロセッサによって実行されると、コンピューティングシステムに、動作を実行させ、動作が、
１つ以上のセンサからセンサデータを受信することであって、１つ以上のセンサが、研磨製品または研磨製品と関連付けられた被加工物に近接して配設されており、１つ以上のセンサが、研磨製品または被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている、受信することと、
センサデータに基づいて、研磨製品の製品固有の情報または被加工物の被加工物固有の情報を決定するための機械学習システムを訓練することと、
訓練された機械学習システムを提供することと、を含む、コンピューティングシステムである。
ＥＥＥ３８は、センサデータの少なくとも一部分をタグ付けして、タグ付けされたセンサデータを提供することをさらに含み、タグ付けされたセンサデータが、１つ以上のタグを含み、各タグが、研磨製品の異なる製品固有の情報を識別する、ＥＥＥ３７に記載のコンピューティングシステムである。
ＥＥＥ３９は、１つ以上のタグが、研磨製品関連イベントの前の継続期間からの研磨作業データのパターンを識別する、ＥＥＥ３８に記載のコンピューティングシステムである。
ＥＥＥ４０は、研磨作業データのパターンが、１つ以上の段階を含み、各段階が、１つ以上のセンサ閾値の値と関連付けられており、１つ以上のタグが、１つ以上のセンサ閾値の値に基づく段階と関連付けられている、ＥＥＥ３９に記載のコンピューティングシステムである。
ＥＥＥ４１は、機械学習システムを訓練することが、１つ以上の機械学習モデルを訓練することを含み、各モデルが、共有された識別子セットからの一意の識別子を有する研磨製品からのセンサデータで訓練される、ＥＥＥ３７に記載のコンピューティングシステムである。
ＥＥＥ４２は、センサデータが、ローカルのコンピューティングデバイスによって集約されて、集約されたセンサデータを提供し、センサデータを受信することが、ローカルのコンピューティングデバイスから集約されたセンサデータを受信することを含む、ＥＥＥ３７に記載のコンピューティングシステムである。
ＥＥＥ４３は、１つ以上のセンサが、着用可能デバイスに配設されており、１つ以上のセンサからのセンサデータが、着用可能デバイスによって集約されて、集約されたセンサデータを提供し、センサデータを受信することが、着用可能デバイスから集約されたセンサデータを受信することを含む、ＥＥＥ３７に記載のコンピューティングシステムである。
ＥＥＥ４４は、センサデータが、研磨製品の回転／分（ＲＰＭ）値を示す情報を含む、ＥＥＥ３７に記載のコンピューティングシステムである。
ＥＥＥ４５は、コンピューティングシステムであって、
入力センサデータおよび入力センサデータに基づく出力、製品固有の情報、または被加工物固有の情報を受信するように構成された、訓練された機械学習システムと、
コンピューティングデバイスであって、
１つ以上のセンサからセンサデータを受信することであって、１つ以上のセンサが、研磨製品または研磨製品と関連付けられた被加工物に近接して配設されており、１つ以上のセンサが、研磨製品または被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている、受信することと、
センサデータに対して訓練された機械学習システムを適用することによって、研磨製品の製品固有の情報または被加工物の被加工物固有の情報を決定することと、
１つ以上のクライアントデバイスに、製品固有の情報または被加工物固有の情報を提供することと、を行うように構成されたコンピューティングデバイスと、を含む、コンピューティングシステム。
ＥＥＥ４６は、１つ以上のクライアントデバイスが、着用可能デバイス、モバイルデバイス、ダッシュボードデバイス、ウェブサーバ、分析処理エンジン、またはサードパーティサーバのうちの少なくとも１つを含む、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ４７は、製品固有の情報を提供することが、新しい研磨製品または更新された研磨製品と関連付けられた情報を提供することを含み、情報が、少なくとも部分的に、新しい研磨製品または更新された研磨製品を構築するための命令を含む、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ４８は、製品固有の情報または被加工物固有の情報を提供することが、１つ以上のクライアントデバイスに通知を提供することを含む、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ４９は、製品固有の情報または被加工物固有の情報を提供することが、１つ以上のクライアントデバイスに、研磨製品についての問題を解決するための１つ以上の製品固有のソリューションを提供することを含む、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ５０は、１つ以上のクライアントデバイスが、
グラフィカルユーザインターフェースに、１つ以上の製品固有のソリューションを表示することと、
グラフィカルユーザインターフェースを介して、１つ以上の製品固有のソリューションのうちの１つの選択を受信することと、
選択された製品固有のソリューションに基づいて、訓練された機械学習システムの訓練データを決定することと、
コンピューティングデバイスに、訓練データを伝送することと、を行うように構成されている、ＥＥＥ４９に記載のコンピューティングデバイスである。
ＥＥＥ５１は、研磨製品が、ユーザによって操作されるハンドヘルド研磨製品である、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ５２は、研磨作業データが、ハンドヘルド研磨製品と関連付けられた振動データ、またはハンドヘルド研磨製品と関連付けられた加速度データのうちの少なくとも１つを含む、ＥＥＥ５１に記載のコンピューティングシステムである。
ＥＥＥ５３は、製品固有の情報または被加工物固有の情報を提供することが、ユーザによって着用された着用可能デバイスのグラフィカルインターフェースに通知を提供することを含む、ＥＥＥ５１に記載のコンピューティングシステムである。
ＥＥＥ５４は、製品固有の情報が、ユーザに割り当てられたタスクを実施するために費やされた時間、ユーザのアイドル時間、またはユーザの生産時間のうちの少なくとも１つを含む、ＥＥＥ５１に記載のコンピューティングシステムである。
ＥＥＥ５５は、製品固有の情報が、ハンドヘルド研磨製品に対するユーザの加工角度、被加工物に対するハンドヘルド研磨製品の加工角度、ハンドヘルド研磨製品に対するユーザのグリップの締め付け、またはハンドヘルド研磨製品に対するユーザの加えられた圧力、のうちの少なくとも１つを含む、ＥＥＥ５１に記載のコンピューティングシステムである。
ＥＥＥ５６は、製品固有の情報が、ハンドヘルド研磨製品の寿命推定値を含み、寿命推定値が、ユーザがハンドヘルド研磨製品を安全に使用することができる推定時間を含む、ＥＥＥ５１に記載のコンピューティングシステムである。
ＥＥＥ５７は、研磨製品が、ユーザによって操作される自動研磨製品である、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ５８は、１つ以上のセンサが、自動研磨製品の動作スピードを収集するように構成されたスパーク不変センサを含む、ＥＥＥ５７に記載のコンピューティングシステムである。
ＥＥＥ５９は、製品固有の情報を提供することが、自動研磨製品の１つ以上の研磨物品が損傷しているかまたは動作不良であるという決定を提供することを含む、ＥＥＥ５７に記載のコンピューティングシステムである。
ＥＥＥ６０は、決定を提供すると、コンピューティングデバイスが、
製品データベースによって、自動研磨製品の１つ以上の交換研磨物品を識別することと、
１つ以上の交換研磨物品を識別することに応答して、１つ以上の交換研磨物品を要求することと、を行うようにさらに構成されている、ＥＥＥ５９に記載のコンピューティングシステムである。
ＥＥＥ６１は、製品固有の情報を提供することが、自動研磨製品のコントローラに少なくとも１つの制御命令を伝送することを含み、少なくとも１つの制御命令が、自動研磨製品の回転速度を調整すること、自動研磨製品に通知を提供すること、自動研磨製品をターンオンすること、または自動研磨製品をターンオフすること、のうちの少なくとも１つを含む、ＥＥＥ５７に記載のコンピューティングシステムである。
ＥＥＥ６２は、１つ以上のセンサが、着用可能デバイスに配設されており、１つ以上のセンサからのセンサデータが、着用可能デバイスによって集約されて、集約されたセンサデータを提供し、センサデータを受信することが、着用可能デバイスから集約されたセンサデータを受信することを含む、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ６３は、センサデータが、研磨製品の回転／分（ＲＰＭ）値を示す情報を含む、ＥＥＥ５９に記載のコンピューティングシステムである。
ＥＥＥ６４は、
検索インターフェースを有するグラフィカルユーザインターフェースを提供するように構成されたディスプレイをさらに含み、検索インターフェースが、複数のユーザ選択可能な基準を含み、ユーザ選択可能な基準が、位置メニュー、デバイスメニュー、日付範囲、または被加工物メニューのうちの少なくとも１つを含み、グラフィカルユーザインターフェースが、
ユーザ選択可能な基準からユーザ選択された検索基準を受信することと、
ユーザ選択された検索基準に基づいて、１つ以上の尺度を決定することと、
グラフィカルユーザインターフェースを介して、１つ以上の尺度を表示することと、を行うように構成されている、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ６５は、１つ以上の尺度が、研削時間尺度、最適研削尺度、振動尺度、切削の深さ、電流トレース、工具識別子、またはパーツカウントのうちの少なくとも１つを含む、ＥＥＥ６４に記載のコンピューティングシステムである。
ＥＥＥ６６は、グラフィカルユーザインターフェースが、尺度メニューから選択された所望の尺度を受信するようにさらに構成されており、１つ以上の尺度を表示することが、所望の尺度に基づく、ＥＥＥ６５に記載のコンピューティングシステムである。
ＥＥＥ６７は、ディスプレイが、グラフィカルユーザインターフェースを介して、サイクル比較インターフェースを提供するようにさらに構成されており、サイクル比較インターフェースが、複数の周期時系列の重なり合う配置でセンサデータの少なくとも一部分を表示するようにさらに構成されている、ＥＥＥ６４に記載のコンピューティングシステムである。
ＥＥＥ６８は、コンピューティングデバイスが、
センサデータの少なくとも一部分の複数の周期時系列を比較するようにさらに構成されており、研磨製品の製品固有の情報または被加工物の被加工物固有の情報を決定することが、少なくとも部分的に、比較に基づく、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ６９は、製品固有の情報または被加工物固有の情報が、リモートデバイスの１つ以上の動作パラメータを示す情報を含む、ＥＥＥ４５に記載のコンピューティングシステムである。
ＥＥＥ７０は、コンピューティングシステムであって、
入力センサデータおよび入力センサデータに基づく出力、製品固有の情報に関連した製品固有の情報、または研磨製品と関連付けられた被加工物に関連した被加工物固有の情報を受信するように構成された、訓練された機械学習システムと、
コンピューティングデバイスであって、
１つ以上のセンサから、センサデータを受信することであって、１つ以上のセンサが、複数の研磨製品に近接して配設されており、１つ以上のセンサが、複数の研磨製品を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている、受信することと、
センサデータに対して訓練された機械学習システムを適用することによって、複数の研磨製品の製品固有の情報、または複数の研磨製品と関連付けられた複数の被加工物の被加工物固有の情報を決定することと、
１つ以上のクライアントデバイスに、製品固有の情報または被加工物固有の情報を提供することと、を行うように構成されたコンピューティングデバイスと、を含む、コンピューティングシステムである。
ＥＥＥ７１は、複数の研磨製品が、複数の企業にわたって位置する、ＥＥＥ７０に記載のコンピューティングシステムである。
ＥＥＥ７２は、コンピューティングデバイスが、センサデータを複数の企業の各々から関連付け解除するように、センサデータを匿名化するように構成されている、ＥＥＥ７１に記載のコンピューティングシステムである。
ＥＥＥ７３は、センサデータが、合成センサデータを含み、合成センサデータが、複数の研磨製品のデジタルツインから生成される、ＥＥＥ７０に記載のコンピューティングシステムである。
ＥＥＥ７４は、コンピューティングデバイスであって、
１つ以上のプロセッサと、
データ記憶装置と、を含み、データ記憶装置が、コンピュータ実行可能命令をその上に記憶しており、コンピュータ実行可能命令が、１つ以上のプロセッサによって実行されると、コンピューティングデバイスに、ＥＥＥ１～３６のいずれか１つに記載のコンピュータ実装方法を含む機能を実行させる、コンピューティングデバイスである。
ＥＥＥ７５は、非一時的コンピュータ可読命令を記憶した１つ以上のコンピュータ可読媒体を含む製造の物品であって、非一時的コンピュータ可読命令が、コンピューティングデバイスの１つ以上のプロセッサによって実行されると、コンピューティングデバイスに、ＥＥＥ１～３６のいずれか１つに記載のコンピュータ実装方法を含む機能を実行させる、製造の物品である。
ＥＥＥ７６は、コンピューティングデバイスであって、
ＥＥＥ１～３６のいずれか１つに記載のコンピュータ実装方法を実行するための手段を含む、コンピューティングデバイスである。
ＥＥＥ７７は、システムであって、
タグを含む研磨製品であって、研磨製品が、汎用一意識別子（ＵＵＩＤ）と関連付けられている、研磨製品と、
ユーザインターフェースおよびタグリーダを含むモバイルデバイスであって、モバイルデバイスが、動作を実行するように構成されており、動作が、
タグリーダで、タグを調べてＵＵＩＤを決定することと、
ＵＵＩＤに基づいて、
ユーザインターフェースを介して、同様の研磨製品に関する在庫情報を表示すること、
ユーザインターフェースを介して、同様の研磨製品に関する製品情報もしくはＧＰＳ情報を表示すること、または
同様の研磨製品の再注文要求を生成し、再注文要求をクライアントネットワークまたはリモートネットワークに伝送すること、のうちの少なくとも１つを実施することと、を含む、システムである。
ＥＥＥ７８は、方法であって、
モバイルデバイスのタグリーダで、研磨製品のタグを調べて、関連付けられた汎用一意識別子（ＵＵＩＤ）を決定することと、
ＵＵＩＤに基づいて、
モバイルデバイスのユーザインターフェースを介して、同様の研磨製品に関する在庫情報を表示すること、
ユーザインターフェースを介して、同様の研磨製品に関する製品情報もしくはＧＰＳ情報を表示すること、または
同様の研磨製品の注文注要求を生成し、再注文要求をクライアントネットワークまたはリモートネットワークに伝送すること、のうちの少なくとも１つを実施することと、を含む、方法である。
ＥＥＥ７９は、方法であって、
タグリーダによって、クライアントネットワークからタグ情報を取得することであって、タグ情報が、汎用一意識別子（ＵＵＩＤ）を有する研磨製品のタグと関連付けられている、取得することと、
タグ情報をリモートネットワークに伝送することと、
タグ情報で少なくとも１つのデータベースを更新することと、
ユーザインターフェースでタグ情報を表示することと、
ユーザインターフェースとのユーザ相互作用に基づいて、少なくとも１つの実施可能なアクションを選択することであって、少なくとも１つの実施可能なアクションが、
研磨製品と関連付けられた研磨デバイスとの通信を確立すること、
研磨製品と関連付けられた研磨デバイスの動作を調整することと、
１つ以上の交換部品を注文するようにベンダーに通知すること、
研磨製品を修理または改造するようにベンダーに通知すること、または
テキストメッセージまたは電子メールによって、研磨製品のユーザに通知することを、のうちの少なくとも１つを含む、選択することと、を含む、方法である。
ＥＥＥ８０は、方法であって、
モバイルデバイスのタグリーダで、研磨製品のタグを調べて、関連付けられた汎用一意識別子（ＵＵＩＤ）を決定することと、
ＵＵＩＤに基づいて、複数の可能な動作状態の中から研磨製品の動作状態を決定することであって、複数の可能な動作状態が、
製造者状態、
ゲート状態、
作業現場状態、
ホイールバランシング状態、
作業状態、および
スクラップ状態のうちの少なくとも１つを含む、決定することと、
研磨製品の動作状態を、タグと関連付けられた製品データベースまたはメモリに記憶することと、を含む、方法である。
ＥＥＥ８１は、モバイルデバイスであって、
ユーザアイデンティティに基づいて、複数の可能なアクセスレベルの中からアクセスレベルを決定するように構成された認証システムと、
決定されたアクセスレベルに基づいて研磨製品情報を提供するように構成されたユーザインターフェースと、を含み、研磨製品が、
保守情報、
ＧＰＳ情報、
クライアントネットワークの状態、
研磨製品詳細、または
現在の在庫情報のうちの少なくとも１つを含む、モバイルデバイスである。

Claims (37)

  1. コンピュータ実装方法であって、
    コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することであって、前記１つ以上のセンサが、研磨製品または前記研磨製品と関連付けられた被加工物に近接して配設されており、前記１つ以上のセンサが、前記研磨製品または前記被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている、受信することと、
    前記コンピューティングデバイスによって、かつ前記センサデータに基づいて、前記研磨製品の製品固有の情報または前記被加工物の被加工物固有の情報を決定するための機械学習システムを訓練することと、
    前記コンピューティングデバイスによって、前記訓練された機械学習システムを提供することと、を含む、コンピュータ実装方法。
  2. 前記センサデータの少なくとも一部分をタグ付けして、タグ付けされたセンサデータを提供することをさらに含み、前記タグ付けされたセンサデータが、１つ以上のタグを含み、各タグが、前記研磨製品の異なる製品固有の情報を識別する、請求項１に記載のコンピュータ実装方法。
  3. 前記１つ以上のタグが、研磨製品関連イベントの前の継続期間からの前記研磨作業データのパターンを識別する、請求項２に記載のコンピュータ実装方法。
  4. 前記研磨作業データの前記パターンが、１つ以上の段階を含み、各段階が、１つ以上のセンサ閾値の値と関連付けられており、前記１つ以上のタグが、前記１つ以上のセンサ閾値の値に基づく段階と関連付けられている、請求項３に記載のコンピュータ実装方法。
  5. 前記機械学習システムを訓練することが、１つ以上の機械学習モデルを訓練することを含み、各モデルが、共有された識別子セットからの一意の識別子を有する研磨製品からのセンサデータで訓練される、請求項１に記載のコンピュータ実装方法。
  6. １つ以上のセンサからの前記センサデータが、ローカルのコンピューティングデバイスによって集約されて、集約されたセンサデータを提供し、前記センサデータを受信することが、前記ローカルのコンピューティングデバイスから前記集約されたセンサデータを受信することを含む、請求項１に記載のコンピュータ実装方法。
  7. 前記１つ以上のセンサが、着用可能デバイスに配設されており、１つ以上のセンサからの前記センサデータが、前記着用可能デバイスによって集約されて、集約されたセンサデータを提供し、前記センサデータを受信することが、前記着用可能デバイスから前記集約されたセンサデータを受信することを含む、請求項１に記載のコンピュータ実装方法。
  8. 前記センサデータが、前記研磨製品の回転／分（ＲＰＭ）値を示す情報を含む、請求項７に記載のコンピュータ実装方法。
  9. コンピュータ実装方法であって、
    コンピューティングデバイスにおいて、１つ以上のセンサからセンサデータを受信することであって、前記１つ以上のセンサが、研磨製品または前記研磨製品と関連付けられた被加工物に近接して配設されており、前記１つ以上のセンサが、前記研磨製品または前記被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されており、前記コンピューティングデバイスが、入力センサデータを受信し、前記研磨製品の製品固有の情報または前記被加工物の被加工物固有の情報を出力するように構成されている訓練された機械学習システムへのアクセス権を有する、受信することと、
    前記センサデータに対して前記訓練された機械学習システムを適用することによって、前記研磨製品の製品固有の情報または前記被加工物の被加工物固有の情報を決定することと、
    １つ以上のクライアントデバイスに、前記製品固有の情報または前記被加工物固有の情報を提供することと、を含む、コンピュータ実装方法。
  10. 前記１つ以上のセンサが、着用可能デバイスに配設されており、１つ以上のセンサからの前記センサデータが、前記着用可能デバイスによって集約されて、集約されたセンサデータを提供し、前記センサデータを受信することが、前記着用可能デバイスから前記集約されたセンサデータを受信することを含む、請求項９に記載のコンピュータ実装方法。
  11. 前記センサデータが、前記研磨製品の回転／分（ＲＰＭ）値を示す情報を含む、請求項１０に記載のコンピュータ実装方法。
  12. 前記１つ以上のクライアントデバイスが、着用可能デバイス、モバイルデバイス、ダッシュボードデバイス、ウェブサーバ、分析処理エンジン、またはサードパーティサーバのうちの少なくとも１つを含む、請求項９に記載のコンピュータ実装方法。
  13. 前記製品固有の情報を提供することが、新しい研磨製品または更新された研磨製品と関連付けられた情報を提供することを含み、前記情報が、少なくとも部分的に、前記新しい研磨製品または前記更新された研磨製品を構築するための命令を含む、請求項９に記載のコンピュータ実装方法。
  14. 前記製品固有の情報または前記被加工物固有の情報を提供することが、前記１つ以上のクライアントデバイスに通知を提供することを含む、請求項９に記載のコンピュータ実装方法。
  15. 前記製品固有の情報または前記被加工物固有の情報を提供することが、前記１つ以上のクライアントデバイスに、前記研磨製品についての問題を解決するための１つ以上の製品固有のソリューションを提供することを含む、請求項９に記載のコンピュータ実装方法。
  16. 前記１つ以上のクライアントデバイスが、
    グラフィカルユーザインターフェースに、前記１つ以上の製品固有のソリューションを表示することと、
    前記グラフィカルユーザインターフェースを介して、前記１つ以上の製品固有のソリューションのうちの１つの選択を受信することと、
    前記選択された製品固有のソリューションに基づいて、前記訓練された機械学習システムの訓練データを決定することと、
    前記コンピューティングデバイスに、前記訓練データを伝送することと、を行うように構成されている、請求項１５に記載のコンピュータ実装方法。
  17. 前記研磨製品が、ユーザによって操作されるハンドヘルド研磨製品である、請求項９に記載のコンピュータ実装方法。
  18. 前記研磨作業データが、前記ハンドヘルド研磨製品と関連付けられた振動データ、または前記ハンドヘルド研磨製品と関連付けられた加速度データのうちの少なくとも１つを含む、請求項１７に記載のコンピュータ実装方法。
  19. 前記製品固有の情報または前記被加工物固有の情報を提供することが、前記ユーザによって着用された着用可能デバイスのグラフィカルインターフェースに通知を提供することを含む、請求項１７に記載のコンピュータ実装方法。
  20. 前記製品固有の情報が、前記ユーザに割り当てられたタスクを実施するために費やされた時間、前記ユーザのアイドル時間、または前記ユーザの生産時間のうちの少なくとも１つを含む、請求項１７に記載のコンピュータ実装方法。
  21. 前記製品固有の情報が、前記ハンドヘルド研磨製品に対する前記ユーザの加工角度、前記被加工物に対する前記ハンドヘルド研磨製品の加工角度、前記ハンドヘルド研磨製品に対する前記ユーザのグリップの締め付け、または前記ハンドヘルド研磨製品に対する前記ユーザの加えられた圧力、のうちの少なくとも１つを含む、請求項１７に記載のコンピュータ実装方法。
  22. 前記製品固有の情報が、前記ハンドヘルド研磨製品の寿命推定値を含み、前記寿命推定値が、前記ユーザが前記ハンドヘルド研磨製品を安全に使用することができる推定時間を含む、請求項１７に記載のコンピュータ実装方法。
  23. 前記研磨製品が、コントローラによって操作される自動研磨製品である、請求項９に記載のコンピュータ実装方法。
  24. 前記１つ以上のセンサが、前記自動研磨製品の動作スピードを収集するように構成されたスパーク不変センサを含む、請求項２３に記載のコンピュータ実装方法。
  25. 前記製品固有の情報を提供することが、前記自動研磨製品の１つ以上の研磨物品が損傷しているかまたは動作不良であるという決定を提供することを含む、請求項２３に記載のコンピュータ実装方法。
  26. 前記決定を提供すると、前記コンピューティングデバイスが、
    製品データベースによって、前記自動研磨製品の１つ以上の交換研磨物品を識別することと、
    前記１つ以上の交換研磨物品を識別することに応答して、前記１つ以上の交換研磨物品または改修処置を要求することと、を行うようにさらに構成されている、請求項２５に記載のコンピュータ実装方法。
  27. 前記製品固有の情報を提供することが、前記自動研磨製品の前記コントローラに少なくとも１つの制御命令を伝送することを含み、前記少なくとも１つの制御命令が、前記自動研磨製品の回転速度を調整すること、前記自動研磨製品に通知を提供すること、前記自動研磨製品をターンオンすること、または前記自動研磨製品をターンオフすること、のうちの少なくとも１つを含む、請求項２３に記載のコンピュータ実装方法。
  28. 前記研磨製品の前記製品固有の情報、または前記被加工物の被加工物固有の情報を決定することが、前記研磨製品の予測される今後の条件、または前記被加工物の予測される今後の条件のうちの１つ以上を決定することを含む、請求項９に記載のコンピュータ実装方法。
  29. 前記製品固有の情報または前記被加工物固有の情報を提供することが、前記研磨製品の前記予測される今後の条件、または前記被加工物の前記予測される今後の条件のうちの少なくとも１つを提供することを含む、請求項２８に記載のコンピュータ実装方法。
  30. 前記研磨製品の前記製品固有の情報、または前記被加工物の被加工物固有の情報を決定することが、規範アクションを決定することを含む、請求項９に記載のコンピュータ実装方法。
  31. 前記製品固有の情報または前記被加工物固有の情報を提供することが、前記規範アクションを提供することを含み、前記規範アクションが、研磨機の動作パラメータを調整すること、保守作業を実施すること、前記研磨製品を矯正すること、または前記研磨製品を交換すること、のうちの少なくとも１つを含む、請求項３０に記載のコンピュータ実装方法。
  32. コンピューティングシステムであって、
    入力センサデータおよび前記入力センサデータに基づく出力、製品固有の情報、または被加工物固有の情報を受信するように構成された、訓練された機械学習システムと、
    コンピューティングデバイスであって、
    １つ以上のセンサからセンサデータを受信することであって、前記１つ以上のセンサが、研磨製品または前記研磨製品と関連付けられた被加工物に近接して配設されており、前記１つ以上のセンサが、前記研磨製品または前記被加工物を伴う研磨作業と関連付けられた研磨作業データを収集するように構成されている、受信することと、
    前記センサデータに対して前記訓練された機械学習システムを適用することによって、前記研磨製品の製品固有の情報または前記被加工物の被加工物固有の情報を決定することと、
    １つ以上のクライアントデバイスに、前記製品固有の情報または前記被加工物固有の情報を提供することと、を行うように構成されたコンピューティングデバイスと、を含む、コンピューティングシステム。
  33. 検索インターフェースを有するグラフィカルユーザインターフェースを提供するように構成されたディスプレイをさらに含み、前記検索インターフェースが、複数のユーザ選択可能な基準を含み、前記ユーザ選択可能な基準が、位置メニュー、デバイスメニュー、日付範囲、または被加工物メニューのうちの少なくとも１つを含み、前記グラフィカルユーザインターフェースが、
    前記ユーザ選択可能な基準からユーザ選択された検索基準を受信することと、
    前記ユーザ選択された検索基準に基づいて、１つ以上の尺度を決定することと、
    前記グラフィカルユーザインターフェースを介して、前記１つ以上の尺度を表示することと、を行うように構成されている、請求項３２に記載のコンピューティングシステム。
  34. 前記１つ以上の尺度が、研削時間尺度、最適研削尺度、振動尺度、切削の深さ、電流トレース、工具識別子、またはパーツカウントのうちの少なくとも１つを含む、請求項３３に記載のコンピューティングシステム。
  35. 前記グラフィカルユーザインターフェースが、尺度メニューから選択された所望の尺度を受信するようにさらに構成されており、前記１つ以上の尺度を表示することが、前記所望の尺度に基づく、請求項３３に記載のコンピューティングシステム。
  36. 前記ディスプレイが、前記グラフィカルユーザインターフェースを介して、サイクル比較インターフェースを提供するようにさらに構成されており、前記サイクル比較インターフェースが、複数の周期時系列の重なり合う配置で前記センサデータの少なくとも一部分を表示するように構成されている、請求項３３に記載のコンピューティングシステム。
  37. 前記コンピューティングデバイスが、
    前記センサデータの少なくとも一部分の複数の周期時系列を比較するようにさらに構成されており、前記研磨製品の前記製品固有の情報または前記被加工物の被加工物固有の情報を決定することが、少なくとも部分的に、前記比較に基づく、請求項３２に記載のコンピューティングシステム。
JP2021557946A 2019-03-29 2020-03-28 性能研削ソリューション Pending JP2022527942A (ja)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201962826971P 2019-03-29 2019-03-29
US62/826,971 2019-03-29
IN201941020668 2019-05-24
IN201941020668 2019-05-24
PCT/US2020/025583 WO2020205674A1 (en) 2019-03-29 2020-03-28 Performance grinding solutions

Publications (1)

Publication Number Publication Date
JP2022527942A true JP2022527942A (ja) 2022-06-07

Family

ID=72604203

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021557946A Pending JP2022527942A (ja) 2019-03-29 2020-03-28 性能研削ソリューション

Country Status (10)

Country Link
US (2) US20200306927A1 (ja)
EP (1) EP3948702A4 (ja)
JP (1) JP2022527942A (ja)
KR (1) KR20210149109A (ja)
CN (1) CN113767404A (ja)
AU (1) AU2020253350A1 (ja)
BR (1) BR112021019580A2 (ja)
CA (1) CA3135451A1 (ja)
MX (1) MX2021011834A (ja)
WO (1) WO2020205674A1 (ja)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6957096B2 (ja) 2017-08-22 2021-11-02 株式会社ディスコ ドレッシングボード、その使用方法及び切削装置
CN113646713A (zh) * 2019-04-03 2021-11-12 西门子工业软件有限公司 使用多轴机床来设计和制造的系统和方法
EP3761193A1 (en) * 2019-07-04 2021-01-06 Siemens Aktiengesellschaft Safety analysis of technical systems comprising human objects
IT202000010255A1 (it) * 2020-05-07 2021-11-07 Leonardo Spa Monitoraggio in tempo reale dell'utilizzo e dell'usura di utensili per lavorazioni meccaniche per una gestione intelligente di un parco utensili
KR20230028552A (ko) * 2020-12-18 2023-02-28 어플라이드 머티어리얼스, 인코포레이티드 적응형 슬러리 분배 시스템
CN112676925B (zh) * 2020-12-29 2022-11-11 襄阳华中科技大学先进制造工程研究院 航空发动机叶片磨抛方法、装置、设备及存储介质
US11184328B1 (en) * 2021-01-28 2021-11-23 Malwarebytes Inc. Learning system for virtual private network orchestration, anonymization and quality of service
EP4050321A1 (en) * 2021-02-25 2022-08-31 RI-Flex Abrasives S.R.L. A device for testing abrasive discs
US20240134341A1 (en) * 2021-06-03 2024-04-25 Saint-Gobain Abrasives, Inc. Analytics for abrasive products and processes
CN114167221B (zh) * 2021-12-13 2023-06-13 华北电力大学（保定） 不同电压频率下环氧树脂绝缘老化判别检验方法
CN114406807B (zh) * 2022-01-28 2023-02-14 上海交通大学 砂带磨削材料去除率预测方法、装置、设备及存储介质
GB2620729A (en) * 2022-06-24 2024-01-24 Stellar Advanced Concepts Ltd Sensor for sensing fluid flow, touch and/or vibration
CN115256063B (zh) * 2022-07-08 2023-12-26 广州大学 一种高效加工圆锥滚子轴承的超声强化研磨方法
CN115338709A (zh) * 2022-10-18 2022-11-15 徐州艾奇川自动化设备有限公司 一种基于工业智能化的数控加工智能监测控制系统
CN115677346B (zh) * 2022-11-07 2023-09-12 北京赛乐米克材料科技有限公司 彩色锆宝石陶瓷鼻托的制备方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01284413A (ja) * 1988-05-07 1989-11-15 Mitsubishi Electric Corp 研磨装置
JPH1110535A (ja) * 1997-06-26 1999-01-19 Noritake Co Ltd 砥石寿命判定装置
JPH1133909A (ja) * 1997-07-25 1999-02-09 Kubota Corp 回転押圧装置
US20160375570A1 (en) * 2014-01-27 2016-12-29 Robert Bosch Gmbh Machine Tool Device
US20180108241A1 (en) * 2015-02-10 2018-04-19 Positec Power Tools (Suzhou) Co., Ltd. Wearable device and system
JP2018118372A (ja) * 2017-01-23 2018-08-02 不二越機械工業株式会社 ワーク研磨方法およびワーク研磨装置
WO2018147011A1 (ja) * 2017-02-08 2018-08-16 コニカミノルタ株式会社 研磨作業支援装置
JP2018144207A (ja) * 2017-03-08 2018-09-20 ファナック株式会社 仕上げ加工量予測装置及び機械学習装置
CN109249300A (zh) * 2018-10-25 2019-01-22 北京木业邦科技有限公司 木材加工控制方法、装置、电子设备及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2480300A (en) * 1998-12-16 2000-07-03 University Of Massachusetts Grinding wheel system
DE10303006B4 (de) * 2003-01-27 2019-01-03 Hilti Aktiengesellschaft Handgeführtes Arbeitsgerät
EP2868437A1 (de) * 2013-10-29 2015-05-06 HILTI Aktiengesellschaft Handgeführtes oder halbstationäres Werkzeuggerät oder Arbeitsgerät
US9230208B2 (en) * 2013-12-18 2016-01-05 International Business Machines Corporation Haptic-based artificial neural network training
DE102014207434A1 (de) * 2014-04-17 2015-10-22 Robert Bosch Gmbh Verfahren zum Betreiben einer Handwerkzeugmaschine, Handwerkzeugmaschine
US20160091965A1 (en) * 2014-09-30 2016-03-31 Microsoft Corporation Natural motion-based control via wearable and mobile devices
SE539698C2 (en) * 2016-06-03 2017-10-31 Atlas Copco Ind Technique Ab METHOD FOR DIAGNOSING POWER TOOL CONDITION.
EP3589448A2 (en) * 2017-02-28 2020-01-08 3M Innovative Properties Company Abrasive product for communication with abrading tool
CN109410208A (zh) * 2018-11-14 2019-03-01 成都极致智造科技有限公司 砂带磨损的机器学习识别与工艺参数优化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01284413A (ja) * 1988-05-07 1989-11-15 Mitsubishi Electric Corp 研磨装置
JPH1110535A (ja) * 1997-06-26 1999-01-19 Noritake Co Ltd 砥石寿命判定装置
JPH1133909A (ja) * 1997-07-25 1999-02-09 Kubota Corp 回転押圧装置
US20160375570A1 (en) * 2014-01-27 2016-12-29 Robert Bosch Gmbh Machine Tool Device
US20180108241A1 (en) * 2015-02-10 2018-04-19 Positec Power Tools (Suzhou) Co., Ltd. Wearable device and system
JP2018118372A (ja) * 2017-01-23 2018-08-02 不二越機械工業株式会社 ワーク研磨方法およびワーク研磨装置
WO2018147011A1 (ja) * 2017-02-08 2018-08-16 コニカミノルタ株式会社 研磨作業支援装置
JP2018144207A (ja) * 2017-03-08 2018-09-20 ファナック株式会社 仕上げ加工量予測装置及び機械学習装置
CN109249300A (zh) * 2018-10-25 2019-01-22 北京木业邦科技有限公司 木材加工控制方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
BR112021019580A2 (pt) 2021-12-14
CN113767404A (zh) 2021-12-07
US20200306927A1 (en) 2020-10-01
AU2020253350A1 (en) 2021-10-28
WO2020205674A1 (en) 2020-10-08
EP3948702A4 (en) 2023-07-26
KR20210149109A (ko) 2021-12-08
MX2021011834A (es) 2022-02-22
CA3135451A1 (en) 2020-10-08
US20230182263A1 (en) 2023-06-15
EP3948702A1 (en) 2022-02-09

Similar Documents

Publication Publication Date Title
JP2022527942A (ja) 性能研削ソリューション
KR102636780B1 (ko) 실시간 마모 데이터 획득용 시스템 및 방법
CN110402185B (zh) 用于与研磨工具通信的磨料产品
US9460170B2 (en) Server of a computer network
US20210308825A1 (en) A system for monitoring one or more of an abrading tool, a consumable abrasive product and a workpiece
CN101479075A (zh) 研磨制品、cmp监测系统及方法
WO2017123834A1 (en) Cmp pad conditioner, pad conditioning system and method
US20240134341A1 (en) Analytics for abrasive products and processes
Rowe Towards high productivity in precision grinding
Baseri et al. Analysis of the disc dressing effects on grinding performance—part 1: simulation of the disc dressed wheel surface
CA3135979C (en) Abrasive article, abrasive system and method for using and forming same
WO2021217044A1 (en) System and method for conducting an abrasive operation

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211124

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20220119

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221111

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230213

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230612

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230911

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231225

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240321