Erfassung von Informationen zur Produktnutzung beim Schleifen mit Power-Tools auf Basis von Daten eines Sensormoduls = Acquisition of product usage information for grinding with Power-Tools using data from a sensor module

Wissen über die Produktnutzung ist bedeutsam für die Konstruktion und Auslegung von Produkten. Die Produktnutzung kann datenbasiert über Nutzungselemente, beispielweise aus einer Nutzung resultierende Kräfte, beschrieben werden. Diese Nutzungselemente unbeobachtet in der Nutzungsphase zu erfassen, ist häufig nicht direkt möglich. Daher werden virtuelle Sensoren eingesetzt, um diese Nutzungselemente unbeobachtet in großem Umfang zu erfassen. Virtuelle Sensoren nutzen Sensordaten aus eingebetteten Informationsmodulen oder Sensormodulen und erfassen die Nutzungselemente mithilfe von mathematischen Modellen. ... mehrFür die Umsetzung des Ansatzes des virtuellen Sensors fehlt es an Wissen zur Bildung und Validierung der mathematischen Modelle.
In dieser Forschungsarbeit werden die Bildung und Validierung von mathematischen Modellen für virtuelle Sensoren zur unbeobachteten und skalierbaren Erfassung von Nutzungselementen untersucht. Winkelschleifer sind für diese Untersuchung besonders geeignet, da sie für eine große Vielfalt von Arbeitsaufgaben eingesetzt werden. Daher erfolgt die Untersuchung anhand von drei Nutzungselementen für das Beispielsystem Winkelschleifer in Verbindung mit einem Sensormodul. Konkret werden die Nutzungselemente durchgeführte Tätigkeit, Kräfte im Werkzeugkontakt und Kräfte am Antriebsstrang betrachtet. Eingangsgrößen der mathematischen Modelle sind Sensordaten des Sensormoduls.
Für die Erfassung der durchgeführten Tätigkeiten wurden statistische Modelle mittels Machine-Learning parametriert. Es wurde gezeigt, dass sich das Verfahren Leave-One-Trial-Out Kreuzvalidierung zur Bewertung der Vorhersage unter starkem Einfluss von Störgrößen eignet. Für die Erfassung der Kräfte im Werkzeugkontakt wurde ein Gauß-Prozess-Regression (GPR)-Modell mittels Machine-Learning gebildet. Für die Tangential- und Normalkräfte ist die Vorhersage mit hoher Genauigkeit für verschiedene Abtastraten möglich. Für die Erfassung der Kräfte am Antriebsstrang wurden Übertragungsfunktionen zur Berechnung der Kräfte am Antriebsstrang aus den Kräften im Werkzeugkontakt experimentell ermittelt. Die Ergebnisse zeigen, dass die Übertragungsfunktionen verschiedener Arbeitspunkte zweckmäßig zu einer arbeitspunktunabhängigen Übertragungsfunktion zusammengeführt werden können.
Zentrale Ergebnisse dieser Forschungsarbeit sind die gebildeten Modelle zur Erfassung der durchgeführten Tätigkeit, der Kräfte im Werkzeugkontakt und der Kräfte am Antriebsstrang bei Winkelschleifern sowie die damit verbundenen, erfolgreich angewandten Vorgehensweisen zur Modellbildung und -validierung. Die Zusammenfassung dieser Modelle ermöglicht die unbeobachtete und skalierbare Erfassung von Nutzungselementen an Winkelschleifern über virtuelle Sensoren in Verbindung mit einem Sensormodul.

Knowledge about product usage is important for the design and dimensioning of products. Product usage can be described in a data-based manner by usage elements. It is often not possible to directly capture these usage elements unobserved in the usage phase. Therefore, virtual sensors are used to capture these usage elements unobserved on large scale. Virtual sensors use sensor data from embedded information modules or sensor modules and capture the usage elements using mathematical models. To implement the virtual sensor approach, knowledge of the modeling and validation of mathematical models is lacking. ... mehr
In this thesis, the modeling and validation of mathematical models for virtual sensors for the unobserved and scalable acquisition of usage elements are investigated. Angle grinders are particularly suitable for this investigation because they are used for a wide variety of work tasks. Therefore, the investigation is conducted using three usage elements for the example system of angle grinders in conjunction with a sensor module. Specifically, the usage elements are activity performed, forces in tool contact, and forces on the drive train. Input variables of the mathematical models are sensor data of the sensor module.
Statistical models were parameterized using machine learning to capture the activities performed. It was shown that the validation strategy Leave-One-Trial-Out crossvalidation is suitable for strong disturbance variables. A Gaussian Process Regression (GPR) model was built using machine learning for the detection of the forces in the tool contact. The validation of the model shows that a prediction of the tangential and normal forces with different sampling rates is possible with high accuracy. Transfer functions for calculating the forces on the drive train from the forces in the tool contact were determined experimentally. It was shown that the transfer functions of different working points can be well combined into a transfer function independent of working points.
The central results of this thesis are the models to capture the activity performed, the forces in tool contact, and the forces on the drive train for angle grinders, as well as the associated successfully applied approaches to modeling and validation. The summary of these models enables the unobserved and scalable acquisition of usage elements on angle grinders using virtual sensors in conjunction with a sensor module.