Arbeitsgeräteidentifikation mittels Smartwatches

In zahlreichen Branchen wie etwa der Forstwirtschaft, dem Straßenbau und der verarbeitenden Industrie werden motorisierte, handgeführte Arbeitsgeräte verwendet, die schädliche Vibrationen auf das Hand-Arm-System ihres Benutzers übertragen können. Langfristig kann dies zu gravierenden Gesundheitsschäden führen. Bisherige Überwachungstechnik zum Schutz vor Vibrationsbelastung ist kostenintensiv und erfordert in der Regel zusätzliche Arbeitsschritte. Diese Arbeit stellt ein Konzept zur automatischen Erkennung handgeführter Arbeitsgeräte durch handelsübliche Smartwatches vor. Dabei werden auf Basis der Daten von Beschleunigungssensor, Drehratensensor und Mikrofon Merkmale extrahiert, um durch Verfahren des maschinellen Lernens eine Differenzierung verschiedener Arbeitsgeräte untereinander sowie von Inaktivität zu ermöglichen. Als Nachweis der Umsetzbarkeit wurde mit 6 Arbeitsgeräten und 13 Probanden eine Evaluierung durchgeführt. Diese ergab, dass sich die Benutzung verschiedener Arbeitsgeräte unter den Versuchsbedingungen mit hoher Genauigkeit unterscheiden ließ. Grundsätzlich gelang dies auch anhand der Merkmale einzelner Sensoren. Die prototypische Implementierung gestattet eine Echtzeitüberwachung sowie eine langfristige Verfolgung der persönlichen Exposition gegenüber schädlichen Vibrationen. Durch eine semiautomatische Annotierung neuer Daten ist sie zudem in der Lage, auf einfache Weise um neue Arbeitsgeräte erweitert zu werden.

In many sectors such as forestry, road construction and manufacturing industry motorized, hand-held tools are used. Many of those can transfer damaging vibrations to their user's hand -arm system, which can lead to serious health problems in the long term. Existing health monitoring technology for protection against human vibration is costly and effectively creates additional steps in the user's work flow. This work presents a concept for the automatic recognition of hand-held tools with commercially available smart watches. Therefore, data from acceleration sensor, rate sensor and microphone is used to extract features. Methods of machine learning were used to distinguish tools with each other and inactivity. A proof of feasibility with 6 tools and 13 subjects was carried out. It showed that the use of different tools could be recognized with high accuracy under the experimental conditions. In principle this was also possible based on the data of individual sensors. The prototypical implementation allows real-time monitoring as well as a long-term follow-up of personal exposure to harmful vibrations. Through a semi-automatic annotation of new data, it is also able to be easily extended with new tools.