专利名称：具有旋转刀头的动力工具的安全切断的制作方法
技术领域：
本发明涉及一种用于带有旋转刀头的手持电动工具的安全切断系统，该安全切断系统能预测当刀头卡在工件中时的阻塞事件。本发明尤其涉及一种电动电锤的安全切断系统。
背景技术：
具有旋转刀头的手持电动工具在使用中的问题是刀头有时卡在工件中，不再相对于工件旋转。这种情况下，施加于刀头的旋转驱动力就会引起工具壳体相对静止刀头的旋转。握紧工具手柄的使用者可能就会受伤。这种阻塞事件的检测必须足够迅速，在工具壳体旋转到足可以伤害使用者的角度之前停止壳体的旋转。并且，这种阻塞事件的检测必须精确以避免当加工越来越困难时刀头的旋转驱动力突然中断，也就是应当避免产生错误的警报。
这个问题曾在US5,584,619中论述过在预定时间间隔内，测定刀头的加速度值并将其运用于预测在预定时间周期内的工具旋转角度。若旋转角度超过预定阈值就中断刀头的旋转驱动。同样的问题还在US5,914,882中论述过用偏转传感器周期地测量一些特定数值，并处理该特定数值以得到一些旋转运动数值，比如角加速度，角速度或偏转角。计算的旋转运动数值特别是通过模糊逻辑经服从预定标准的非线性处理来计算事件发生的概率。如果概率超出了预定阈值，就中断刀头的旋转驱动。这个系统通过计算来自一个或多个测量数值的旋转运动数值，考虑了更多工具在任何时间运行状态的即时因素，也考虑了工具近时的运行状态。然而，上述方法都需要懂得引起阻塞事件的锤的物理特性全面而又详细的知识。
发明内容
本发明旨在提供一精确系统，此系统能够从带有旋转刀头的工具的安全工作运行中识别危险阻塞事件的发生，并且当阻塞事件发生时迅速中断刀头的旋转驱动，并且不依赖于在先于阻塞事件发生之前预知锤的物理特性。
根据本发明，为具有一旋转驱动刀头的手持电动工具提供一安全切断系统，用于防止刀头阻塞引起的事故。所述系统包括
至少一传感器，用来检测工具的运行状态并产生一个表示运行状态的传感器信号；一切断装置，用来中断来自电动机的刀头的旋转驱动力；一处理单元，其响应于传感器信号，产生一个代表阻塞事件发生概率的累加的概率信号，并且当累加的概率信号超出预定阈值时激励切断装置的动作；其特征在于处理单元包括一神经网络。
安全切断系统运用神经网络技术识别阻塞事件。传感器信号被提前训练成能够识别引起阻塞事件的传感器信号图形的神经网络处理。这是通过将一组采样传感器信号输入神经网络系统，更改由神经网络节点施加的隶属函数直到累加概率信号作为和一系列传感器信号有联系的公知的阻塞事件的可靠表达式来完成的。通过这种方法产生阻塞事件的精确概率，并不需要具有引起阻塞事件的动力工具的全面而详细的物理特性的知识。
切断装置可以利用机械或电磁离合器通过电动机与工具或刀头之间的主动齿轮装置中断传输。另外可以替换的是，它可以包括一电动机制动器，比如一制动电动机的电机制动器。
传感器包括以下一种或多种一旋转或线性加速计；一电流传感器，用来感应电动机吸入的电流；一旋转传感器，用来感应电动机单位时间的旋转量；或一扭矩传感器，用来感应锤手柄和主壳体之间的扭矩。
处理单元还可以包括一个或多个信号调节单元，以处理来自该传感器或多个传感器的信号，从而产生一预调信号，并将预调信号输入神经网络中。信号调节单元可包括滤波以除去噪音、阈值测定、子波分析或傅立叶变换分析。
处理单元可包括一产生一组概率信号的神经网络，每一概率信号包括该传感器信号或多个传感器信号的函数；一加法器将一组概率信号相加产生累加的概率信号；一比较器，当累加的概率信号超过预定阈值时产生切断信号用来激励切断装置。
在优选实施例中，神经网络是一模糊神经网络，通过模糊逻辑处理传感器信号。神经网络的训练方法用于建立模糊逻辑电路的隶属函数。这就去掉了模糊逻辑中的试错因素，也不需要懂得在阻塞事件发生之前工具物理性能的详细知识。运用较复杂的模糊回路同样可达到这一点。另外，神经网络可以是一子波神经网络，其中，一个或至少一个传感器信号经过子波变换。运用子波变换可以更好地从传感器信号中获取信息。
根据本发明的第二方面，提供一结合有上述安全切断系统的旋转锤。
根据本发明的第三方面，提供一种切断手持电动工具的旋转驱动刀头的旋转驱动力的方法，从而防止刀头阻塞引起的事故，所述方法包括以下步骤检测一个或多个工具的运行状态并产生一代表每一运行状态的传感器信号；响应于上述一或多个传感器信号生成一代表阻塞事件发生概率的累加的概率信号；当累加的概率信号超过预定阈值时生成一切断信号；利用切断信号激励切断刀头的旋转驱动，特征在于代表一阻塞事件概率的累加概率信号的产生步骤利用了神经网络处理。
具有一旋转刀头并结合有根据本发明的安全切断系统的手持电动工具的一种形式现通过实施例并参考以下附图做出说明图1为具有根据本发明的安全切断系统的电锤的部分纵向剖视图；图2为运用于图1所示锤的安全切断系统的框图；图3为运用于图2所示的神经网络中的子波转换神经网络；图4A为随时间变化的标准输入信号s(t)；图4B所示的是频域内输入信号s(t)的傅立叶变换；图4C所示的是频域内输入信号s(t)的子波变换；图5为图3所示神经网络单元的一部分的详细示意图，其可以用来处理五个输入信号中的任一个；图6为图2所示神经网络单元的一部分的示意图，其运用模糊网络可以处理五个输入信号中的两个。
具体实施例方式
图1所示为一电锤的示意图，其具有一主壳体(2)、一后手柄(4)和一后部位于锤前端的工具夹持器(6)。一工具或刀头(8)可以非旋转地并且可释放地固定在工具夹持器内以便可以往复运动一个有限的程度，正如本领域内公知的那样。锤由一电动机(10)驱动，电动机连接一外部电源，当临近后手柄的触发器开关(12)压下时被驱动。
电机(10)的枢轴旋转驱动一主动齿轮(14)，主动齿轮(14)驱动两从动齿轮(16，18)，两从动齿轮(16，18)每个被非旋转地安装在壳体(2)内的每个轴(20，22)上。轴(20)旋转驱动一曲柄盘(24)，曲柄盘(24)通过一偏心的曲柄销(26)经一曲柄臂(30)驱动一活塞(28)。活塞被滑动的安装在中空轴(32)内，中空轴经轴承(未示出)旋转地安装在锤的主壳体(2)内。柱塞(34)也可滑动的位于轴(32)内，在柱塞周围和轴的内表面之间以及活塞周围和轴的内表面之间都被密封。通过这种方法，在锤正常的工作过程中，在轴(32)中的活塞(28)和柱塞(34)之间形成一个封闭气垫，这样，活塞(28)的往复运动通过封闭的气垫往复驱动柱塞(34)。由于柱塞(34)往复运动，其将重复冲击一节拍调整件，节拍调整件将这种冲击以公知方式传递给工具夹持器(6)中的工具或刀头(8)。这种从工具或刀头(8)传来的冲击将传送给工具或刀头(8)作用的工件。当工具或刀头(8)从工件上移开时，众所周知，锤进入其惰性模式，上述气垫开始排气。
驱动轴(22)经电磁离合器(38)旋转地驱动第一伞齿轮(36)。第一伞齿轮(36)旋转的驱动第二伞齿轮(40)，该第二伞齿轮非旋转的固定在中空轴(32)上。轴(32)的旋转引起工具夹持器(6)以及由此引起安装在工具夹持器上的工具或刀头(8)被旋转驱动。
因此，当电机(10)上的触发器开关(12)压下时，枢轴旋转驱动主动齿轮(14)，齿轮(14)旋转驱动从动齿轮(16、18)，从动齿轮(16、18)本身旋转地驱动每个轴(20，22)。主动轴(20)驱动一曲柄装置(24，26，30)从而往复驱动轴中的活塞(28)往复运动，进而将这种重复冲击传递给工具或刀头(8)。同时，主动轴(18)通过一电磁离合器(38)和伞齿轮(36，40)旋转地驱动轴(32)。轴(32)通过工具夹持器(6)驱动工具或刀头(8)，并产生锤旋转。
如图1所示的锤还包括一安全切断系统，其方框图被表示在图2中，用来检测当工具或刀头(8)在工件中阻塞住并且锤的壳体(2)开始在使用者手中旋转时的阻塞事件。安全切断系统包括一中央处理单元(42)，该单元包括信号调节单元(44，36，48)，神经网络单元(50)，加法器单元(52)和预定比较器单元(54)。另外，安全切断系统包括一电流传感器(56)用来检测电动机吸入的电流量；一r.p.m传感器(58)用来检测电动机(10)每分钟的转数；一扭矩传感器(60)用来检测锤的后手柄(4)和其主壳体(2)之间的扭矩；一第一线性加速计(62)用来检测锤壳体(2)在第一方向上的加速度；一第二线性加速计(64)用来检测主壳体(2)在垂直于第一方向的第二方向上的加速度。传感器(56，58，60，62，64)连接到中央处理单元(42)并且每一传感器的输出被中央处理单元以频率为1到5kHz的频率周期地采样，此频率在检测100到150ms的阻塞事件上具有足够高的安全性和可靠性。并不是上面所有传感器对于检测阻塞时件都是必需的，有可能只使用来自线性加速计上得到的信号检测阻塞事件。
从传感器输出的一些信号在输入神经网络(50)之前先经预调节。例如，预调节可以包括为除掉噪音进行滤波，阈值的设定、子波分析或傅立叶变换分析。举例来说，在一预定时间周期内从电流传感器采集来的一组信号将被输入单元(44)以便生成代表电动机电流随时间变化的速度的信号，此后，信号就被输入神经网络(50)。在该被调节信号输入神经网络系统之前，从r.p.m传感器和扭矩传感器输出的信号可以在各自的预调节单元(46，48)中先经过预滤波除去隐藏噪音。其余信号，比如那些来自线性加速计(62，64)的信号可以不经过任何预调节而直接输入神经网络(50)。
神经网络(50)为其所应用的锤的每个不同的模式单独地训练。应用于图1所示的锤的神经网络(50)可被训练来将代表阻塞事件概率的一组信号和从传感器(56，58，70，72，74)输入的信号相关联。这组概率信号(66，68，70，72，74)从神经网络中输出并输入加法器单元(52)。在图2中，输出概率信号(77-74)的数量等于输入传感器信号的数量，但这一点并不是必须的。
因此，对每一个预定时间间隔(在传感器的连续采样之间)，神经网络(50)从每一个传感器(56，58，60，62，64)(经信号调节单元(44，46，48))接收输入并生成一组概率信号。每个概率信号(66-74)表示取决于输入传感器信号和由神经网络施加到输入信号以生成输出概率信号的隶属函数的阻塞事件的概率。接着从神经网络(50)输出的所有概率信号(66-74)被加法器单元(52)累加，以此来生成一阻塞事件的总发生概率。这个概率接着与比较器单元(54)中的预定阈值比较。如果超出预定阈值，比较器单元(50)通过继电器(78)输出一阻塞信号，使电磁离合器断开以切断中空轴(32)的旋转驱动力，并且因此切断刀头或工具(8)的旋转驱动力并通过单元(80)切断电源，制动电动机(10)。
如上所述，神经网络(50)须根据其所应用的锤的类型进行训练。这是因为，根据本发明的检测系统是基于信号的，其中检测锤运行状态多个独立的信号特性并且神经网络(50)响应其非线性处理的输入信号。根据本发明的系统不同于前面所述的现有技术中讨论的安全切断系统，因为它不是基于预测阻塞事件环境的物理模型的。
神经网络(50)例如可以是子波神经网络或模糊神经网络。
在一个如图6所示的模糊神经网络中，为了确定应用于输入传感器信号的隶属函数以便产生一组从该神经网络输出的概率信号，需要对网络进行训练。隶属函数随工具模式的不同而变化。训练的结果是关于每一概率信号输出的隶属函数。从隶属函数中得来的这组概率信号在加法器单元(52)中累加，可能是加权累加，生成一个总阻塞函数。经训练之后，系统相当于一个简单的模糊系统。从神经网络理论中学到的策略在这里应用来支持和加快模糊逻辑系统的发展，也就是说，没有神经网络理论的应用，函数关系就只能从反复试错中得来。模糊逻辑学提供了用语言描述这一理论的可能性如果特征1小，特征n大那么处理阶段是......
在上述文献中已经叙述了几个模糊神经的概念，在目前的系统中，遵循由Nauck et al提出的NEFCLASS(神经模糊分类)方法。NEFCLASS模型提供了一种从一般模糊感知器中由来的神经模糊分类。这种模型的结构如图6所示，其神经网络同图2所示的神经网络相似，但由于处理两个而不是五个输入信号并且用于生成了两个概率信号输出。神经模糊模型的特征在于有三层拓扑结构。输入层中的输入节点I通过模糊参数μ同隐藏层中的规则节点R相连。出于语义原因，每一规则节点R赋值于输出层中的单输出节点C，为避免加权的规则，将加权固定为1。如若需要，在加法器单元(52)对输出概率信号进行加权相加可以得到加权。为得到最佳分类结果，即阻塞事件的最佳识别，学习算法产生规则并从训练实例中调整模糊参数。
为了初始化，使用者需要定义原始模糊参数，以分割几个输入和可以在隐藏层中生成的规则的最大数值的区域。在训练后，系统对应于一简单的模糊系统并且使用者将会很容易的存取和拓展分类知识。
图2所示的神经网络(50)可选择为一个图3所示的、包括一子波转换单元(80)和一神经网络单元(82)的子波神经网络。在一预定时间间隔内每个传感器所得到的一组采样信号将被输入转换单元(80)。例如，从其中一个传感器中得到的一组采样信号可以是图4a所示的形式。输入转换单元(80)的每一个信号将被用下式所表示的线性一维子波变换转换成图4c所示的信号形式。子波函数一般这样表示Ha,b(t)=1ah[t-ba]]]>线性一维子波变换这样表示W(a,b)=1a∫ts(t)ha,b*[t-ba]dt]]>变量a代表尺度参数，b代表子波函数的移位参数，h*代表h的复共轭，加权因子1/a1/2为所有尺度参数的值将子波规则化为一常量。同将信号s分成不同频率的正弦和余弦函数的傅立叶变换相反，子波变换通过移位和尺度参数分别使时间和频率局部变化来运用时限分析函数。子波分析函数h需要满足几个约束条件，这在上述文献中已经详细解释。经常使用的子波函数是调制的视窗，也就是说，它们作为两个函数的乘积，比如被高斯函数调制的振荡项。子波函数的一个典型例子是Morlet实子波 根据尺度参数a，子波函数是一个加宽的低频函数，但被约束于高频函数的子波函数对小数值a来说范围很窄。由于时限分析函数，子波函数能同时提供给定信号的时间和频率信息。
拿图4a中的例子来说，给定的不稳定信号s(t)特征在于在不同的时间间隔内有两个不同的频率。参考图4b中所示的傅立叶变换，能确定两个频率，但是在不同的频率消失时导致上述信息消失。另一方面，子波转换提供了分析信号的时间-频率图，能提取随时间变化的频率特征，如图4c所示。这一特征使子波变换成为一种对不稳定信号的特征进行提取的理想工具。
子波神经网络(WNNs)分类的原理是将为达到高效率频率特征提取目的的子波变换概念同神经网络方法的判定能力相结合。子波神经网络可被看作是一具有所谓的作为频域特征提取处理单元的所谓子波节点的扩展感知器。图5用图表详细的表示出了图3所示的、同五个输入信号中的一个相关联的子波神经网络中的一部分。
子波层部分(80)由预处理输入信号s(t)和提取经过多层感知器(MLP)(81)特征的子波节点(W)组成，这形成图3所示的神经网络(82)的第一处理阶段。子波节点(W)应用于移位和调制的母子波函数描述的输入信号s(t)。kth子波节点用对应于子波变换的参数---移位参数bk和尺度参数ak来描述。每一个子波节点的输出在形式上是子波函数hk和输入信号s(t)的内积。假设只有实数子波，那么kth子波节点的输出可以如下计算ok(a,b)=∫ts(t)hk[t-bka]dt]]>子波节点的输出可以解释为调整的子波hk和输入信号s之间相关。MLP(81)表示基于建立在子波节点输出基础之上分类判定的分类部分。感知器层中的神经元(L)通过定向和加权连接而互相连接。神经元的输出被后续层中的所有神经元处理，神经元的输入是在前层中的神经元的加权输出。可以用前面第n层的k输出onk和它的激励函数定义神经元的输出om。在这里用的分析图解中，使用S形激励函数。在第m层中神经元的输出可以这样计算om=[1+exp(-Σkwk,mon,k)]-1]]>在处理阶段，训练模式sj在整个网络中重复传输，并调整参数使预定输出d和网络输出onet之间距离的最小二乘拟和方差E最小化E=12Σj(dj-onet)2=min]]>用迭代梯度法即所谓的Δ-规则解决最小化问题。通过输出误差的反向传播(BP)，计算该误差关于网络参数也就是加权参数wij，转换参数bk，尺度参数ak的偏导数来调整神经网络的参数。对于运算法则的完整推导，在文献中已经介绍过。
使用子波转换可以得到输入信号的时间频率的表达式，该表达式能够提取随时间变化的输入信号特征。从第一处理阶段中得到的信号接着被输入到以传统方式设置的神经网络(82)。然后针对应用子波神经网络的锤的每一个模式训练神经网络(82)，神经网络(82)随每一种锤的不同而不同。
权利要求
1.一种用于具有一旋转驱动刀头(8)的手持电动工具的安全切断系统，用来防止刀头阻塞引起的事故，所述系统包括至少一传感器(56，58，60，62，64)，用来检测工具的运行状态并产生代表运行状态的传感器信号；一切断装置(38，80)，用来中断来自电动机(10)的刀头的旋转驱动力；一处理单元(42)，响应于上述传感器信号，用来产生表示阻塞事件发生概率的累加的概率信号，并且当累加的概率信号超出预定阈值时使切断装置动作，其特征在于处理单元包括一神经网络(50，80，81，82)。
2.如权利要求1所述的系统，其中切断装置是一种通过位于电动机(10)和刀头(8)之间的主动齿轮装置(18，36)中断传输的离合器(38)。
3.如权利要求1或2所述的系统，其中切断装置包括一用于制动电动机(10)的电动机制动器(80)。
4.如以上任何一项权利要求所述的系统，所述传感器或其中一个传感器是一旋转或线性加速计(62，64)。
5.如以上任何一项权利要求所述的系统，所述传感器或其中一个传感器是一旋转传感器(58)，用来检测电动机每单位时间内的转数。
6.如以上任何一项权利要求所述的系统，所述传感器或其中一个传感器是一扭矩传感器(60)，用来检测锤的手柄(4)和其主壳体(2)之间的扭矩。
7.如以上任何一项权利要求所述的系统，所述传感器或其中一个传感器是一电流传感器(56)，用来检测电动机(10)吸入的电流。
8.如以上任何一项权利要求所述的系统，其中处理单元包括一或多个信号调节单元(44，46，48)，用来处理来自相应传感器(56，58，60)的信号以产生预调节信号并将预调节信号输入所述神经网络(50)。
9.如以上任何一项权利要求所述的系统，其中所述阈值是可调节的。
10.如以上任何一项权利要求所述的系统，其中处理单元包括一神经网络(50，80，81，82)，用来产生一组概率信号，每一概率信号包括所述传感器信号或所述多个传感器信号的函数；一加法器(52)，用来将一组概率信号相加以产生累加的概率信号；和一比较器(54)，用于当累加的概率信号超出预定阈值时，产生切断信号(78)，以激励切断装置。
11.如以上任何一项权利要求所述的系统，所述神经网络是一用模糊逻辑处理传感器信号的模糊神经网络。
12.如以上任何一项权利要求所述的系统，所述神经网络是一子波神经网络(80，81，82)，在网络中所述传感器信号或所述至少一个传感器信号经过子波变换。
13.具有以上任何一项权利要求所述的安全切断系统的电锤。
14.一种为了避免刀头阻塞引发事故而切断手持电动工具旋转驱动刀头(8)的旋转驱动力的方法，所述方法包括以下步骤检测刀头的一或多个运行状态，生成一个代表每一运行状态的传感器信号；响应所述传感器信号，生成一代表阻塞事件发生概率的累加的概率信号；当累加的概率信号超过一预定阈值时，产生一切断信号(78)；并且用切断信号促使切断刀头的旋转驱动力；其特征在于生成累加的概率信号的步骤中运用了神经网络处理步骤。
15.根据权利要求14所述的方法，其中在生成累加的概率信号步骤之前，还包括处理一个或多个传感器信号以生成预调节信号的步骤。
16.根据权利要求14或15所述的方法，其中阈值是可调节的。
17.根据权利要求14至16中任意一项所述的方法，其中生成累加的概率信号包括以下步骤用神经网络处理步骤生成一组概率信号，每一概率信号包括所述传感器信号或所述多个传感器信号的函数；将上组概率信号相加产生累加的概率信号。
18.根据权利要求14至17中任意一项所述的方法，其中神经网络处理步骤使用模糊逻辑处理传感器信号。
19.根据权利要求14至17中任意一项所述的方法，其中神经网络处理步骤包括将所述传感器信号或至少一个传感器信号运用子波变换。
全文摘要
一种用于具有旋转驱动刀头(8)的手持电动工具的安全切断系统，用于避免刀头阻塞引起的事故。此系统包括至少一个传感器(56，58，60，62，64)用来检测工具的运行状态并产生代表运行状态的传感器信号；一切断装置(38，80)，用来中断来自于电动机(10)的刀头的旋转驱动力。一包括神经网络(50，80，81，82)的处理单元(42)，其响应于传感器信号生成代表阻塞事件概率是累加的概率信号，当累加的概率信号超过预定阈值时就激励切断装置动作。通过运用神经网络，可以得到阻塞事件发生的精确概率，而并不需要运用引起阻塞事件的动力工具物理特性的全面而详细的知识。
文档编号G05B13/02GK1494973SQ03125558
公开日2004年5月12日 申请日期2003年9月10日 优先权日2002年9月11日
发明者A·杰库巴什, C·弗雷, H·－B·昆泽, 赖因哈德·普利奇, A 杰库巴什, だピ, 德 普利奇 申请人:布莱克-德克尔公司