具体实施方式

本文描述了示例方法、设备和系统。应当理解，词语“示例”和“示例性”在本文中用于意指“用作示例、实例或展示”。本文描述为“示例”或“示例性”的任何实施例或特征未必解释为相比其他实施例或特征是优选的或有利的。在不脱离本文提出的主题的范围的情况下，可利用其他实施例，并可进行其他改变。

因此，本文所述的示例实施例并不意味着是限制性的。如本文大体上描述的以及在附图中展示的本公开的各方面可以各种不同的配置来布置、替换、组合、分离和设计，所有这些都被考虑在本文中。

进一步地，除非上下文另有说明，否则在每个附图中展示的特征可彼此组合使用。因此，应将附图一般地视为一个或多个总体实施例的组成方面，但应理解，对于每个实施例而言，并非所有展示的特征都是必需的。

I.概述

磨料产品广泛用于各种工业性作业和家庭作业，范围从家庭装修项目到高科技精密工程。在这些产品的辅助下，操作者可执行研磨、抛光、磨光和其他操作，以对许多不同类型的材料进行成形和表面光洁。

通常，磨料产品制造商从客户收集操作数据，以改善其磨料产品的生产率和安全性。例如，制造商可为磨料产品配备传感器，以生成有关磨料产品的输入(例如，形成产品的部件)、操作(例如，产品的功率、速度和/或振动)和输出(例如，末端材料表面光洁度)的数据流。通过组合多个数据流(例如通过物联网(IoT)聚合工具)，制造商可从各种磨料产品中获取诊断信息，从而增强制造商执行过程监视、解决客户问题以及改善未来磨料产品的开发的能力。

为了提供更多价值，制造商将诊断信息转换为客户易于使用的形式可能是有益的。例如，假设客户可为企业，来自该企业的生产经理可能关心磨料产品的生产率和质量信息，而来自该企业的操作者可能关心实时安全信息。因此，制造商将诊断信息转换为文本通知并将该通知传输至由生产经理和操作者使用的图形界面可能是有利的。

为了有效地转换并传输诊断信息，制造商可受益于远程托管平台，该远程托管平台可了解在企业内进行操作的个人/实体并将诊断信息实时分发给相关个人/实体。此类平台的目标是为客户的程序开发预测智能和分析框架，使得客户可专注于用产品产生高价值的材料，而不是浪费时间分析磨料产品数据。

为了实现该目标，本文描述了一种机器学习平台，该机器学习平台可智能地向磨料产品制造商的客户提供预测分析。此类机器学习平台可从客户进行远程托管，但可借助于安全连接来访问来自客户的数据和服务。机器学习平台可基于网络并且可从各种支持互联网的客户端设备进行访问。例如，机器学习平台可具有移动应用程序组件(iOS/Android)和网络服务组件，这允许客户轻松访问由平台提供的特征。

此类机器学习平台可具有若干期望的能力和特性。例如，通过利用跨多个客户的聚合诊断信息，机器学习平台可发展出深入洞察，该深入洞察提供实时反馈以实时推荐并且/或者调整客户操作和所预测的统计数据，以推动客户未来的业务决策。也可由制造商利用机器学习平台的这些特性以开发新的商业模式，包括磨料服务和磨料产品，从而推动制造商的进一步增长。此类机器学习平台的其他特征、功能和益处可能存在并且将从以下讨论中领会和理解。

因此，本文公开了用于使用指示磨料产品的行为的磨料操作数据的方法和系统。如本文所述，可将磨料操作数据发送至机器学习平台以训练一个或多个机器学习模型。每个机器学习模型均可配置为基于磨料操作数据来预测磨料产品的一种或多种行为。机器学习平台可传输至磨料产品上的界面、传输至移动计算设备或传输至分析平台与磨料产品有关的产品特定信息或工件特定信息。该信息可包括向使用该产品的操作者提供符合人体工程学建议、确定产品的使用寿命终结和/或确定操作改善(例如，工作流最佳实践)。

II.示例性磨料颗粒

如本文所用，术语磨料工具包括配置成与磨料制品一起使用的任何工具。磨料制品可包括固定的磨料制品，所述固定的磨料制品至少包括基底和连接到基底(例如，容纳在基底内或覆盖在基底上)的磨料颗粒。本文实施例的磨料制品可以是粘结的磨料、涂覆磨料、非织造磨料、薄轮、切割轮、增强磨料制品、超硬磨料(superabrasive)、单层磨料制品等。此类磨料制品可包括一种或多种各种类型的磨料颗粒，该磨料颗粒包括例如但不限于成形磨料颗粒、恒定高度磨料颗粒、未成形磨料颗粒(例如，压碎、挤压或爆破的磨料颗粒)等。

图1A包括根据一个实施例的成形磨料颗粒的透视图图示。成形磨料颗粒100可包括主体101，该主体包括主表面102、主表面103以及在主表面102和主表面103之间延伸的侧表面104。如图1A所示，成形磨料颗粒100的主体101可为薄形主体，其中主表面102和主表面103大于侧表面104。此外，主体101可包括从点延伸到基部并且延伸穿过主表面102或103上的中点150的纵向轴线110。纵向轴线110可限定主体的沿着主表面并且穿过主表面102的中点150的最长尺寸。

在某些颗粒中，如果主体的主表面的中点不容易看清，则可从上往下观察主表面，在主表面的二维形状周围绘制最近拟合圆，并使用圆的中心作为主表面的中点。

图1B包括图1A的成形磨料颗粒的顶视图图示。值得注意的是，主体101包括具有三角形二维形状的主表面102。围绕三角形绘制圆160，以方便将中点150定位在主表面102上。

再次参考图1A，主体101可进一步包括侧向轴线111，该侧向轴线限定在同一主表面102上大致垂直于纵向轴线110延伸的主体101的宽度。最后，如图所示，主体101可包括垂直轴线112，在薄形主体的上下文中可限定主体101的高度(或厚度)。对于薄形主体，纵向轴线110的长度大于垂直轴线112。如图所示，沿垂直轴线112的厚度可沿侧表面104在主表面102和主表面103之间延伸，并且垂直于由纵向轴线110和横向轴线111限定的平面。应当理解，本文中提及的磨料颗粒的长度、宽度和高度可以指取自较大组的磨料颗粒的合适取样量的平均值，该组包括例如一组附连到固定磨料的磨料颗粒。

本文实施例的成形磨料颗粒，包括薄的成形磨料颗粒，可具有以长度:宽度表示的主纵横比，使得长度可大于或等于宽度。此外，主体101的长度可大于或等于高度。最后，主体101的宽度可大于或等于高度。根据一个实施例，主纵横比(长度:宽度)可为至少1:1，诸如至少1.1:1、至少1.2:1、至少1.5:1、至少1.8:1、至少2:1、至少3:1、至少4:1、至少5:1、至少6:1或甚至至少10:1。在另一个非限制性实施例中，成形磨料颗粒的主体101可具有不大于100:1、不大于50:1、不大于10:1、不大于6:1、不大于5:1、不大于4:1、不大于3:1、不大于2:1或甚至不大于1:1的主纵横比，该主纵横比以长度:宽度表示。应当理解，主体101的主纵横比可在包括上文提到的任何最小比率至最大比率之间的范围内。

然而，在某些其他实施例中，宽度可大于长度。例如，在其中主体101为等边三角形的那些实施例中，宽度可大于长度。在此类实施例中，以长度:宽度表示的主要纵横比可为至少1:1.1、或至少1:1.2、或至少1:1.3、或至少1:1.5、或至少1:1.8、或至少1:2、或至少1:2.5、或至少1:3、或至少1:4、或至少1:5、或至少1:10。另外，在一个非限制性实施例中，主要纵横比长度:宽度可不大于1:100、或不大于1:50、或不大于1:25、或不大于1:10、或不大于5:1、或不大于3:1。应当理解，主体101的主纵横比可在包括上文提到的任何最小比率至最大比率之间的范围内。

此外，主体101可具有以宽度:高度表示的第二纵横比，该第二纵横比可为至少1:1，诸如至少1.1:1、至少1.2:1、至少1.5:1、至少1.8:1、至少2:1、至少3:1、至少4:1、至少5:1、至少8:1或甚至至少10:1。另外，在另一个非限制性实施例中，主体101的第二纵横比(宽度:高度)可不大于100:1，诸如不大于50:1、不大于10:1、不大于8:1、不大于6:1、不大于5:1、不大于4:1、不大于3:1或甚至不大于2:1。应当理解，以宽度:高度表示的第二纵横比可在包括上文的任何最小比率和最大比率的范围内。

在另一个实施例中，主体101可具有以长度:高度表示的第三纵横比，该第三纵横比可为至少1.1:1，诸如至少1.2:1、至少1.5:1、至少1.8:1、至少2:1、至少3:1、至少4:1、至少5:1、至少8:1或甚至至少10:1。另外，在另一个非限制性实施例中，主体101的第三纵横比(长度:高度)可不大于100:1，诸如不大于50:1、不大于10:1、不大于8:1、不大于6:1、不大于5:1、不大于4:1、不大于3:1。应当理解，主体101的第三纵横比可在包括上文的任何最小比率和最大比率的范围内。

本文实施例的磨料微粒(包括成形磨料颗粒)可包括晶体材料，并且更具体地包括多晶材料。值得注意的是，多晶材料可包括磨粒。在一个实施例中，磨料颗粒的主体(例如包括成形磨料颗粒的主体)可基本上不含有机材料，诸如粘结剂。在至少一个实施例中，磨料颗粒可基本上由多晶材料组成。在另一个实施例中，诸如成形磨料颗粒的磨料颗粒可不含硅烷，并且具体地，可不具有硅烷涂层。

磨料颗粒可由某些材料制成，包括但不限于氮化物、氧化物、碳化物、硼化物、氧氮化物、氧硼化物、金刚石、含碳材料和它们的组合。在特定情况下，磨料颗粒可包括氧化物化合物或复合物，诸如氧化铝、氧化锆、氧化钛、氧化钇、氧化铬、氧化锶、氧化硅、氧化镁、稀土氧化物和它们的组合。磨料颗粒可以是超硬磨料颗粒。

在一个特定实施例中，磨料颗粒可包含大多数含量的氧化铝。对于至少一个实施例，磨料颗粒可包含至少80wt％的氧化铝，诸如至少90wt％的氧化铝、至少91wt％的氧化铝、至少92wt％的氧化铝、至少93wt％的氧化铝、至少94wt％的氧化铝、至少95wt％的氧化铝、至少96wt％的氧化铝或甚至至少97wt％的氧化铝。另外，在至少一个特定实施例中，磨料颗粒可包含不大于99.5wt％的氧化铝，诸如不大于99wt％的氧化铝、不大于98.5wt％的氧化铝、不大于97.5wt％的氧化铝、不大于97wt％的氧化铝、不大于96wt％的氧化铝、或甚至不大于94wt％的氧化铝。应当理解，本文实施例的磨料颗粒可包含在包括上文提到的任何最小百分比和最大百分比之间的范围内的氧化铝含量。此外，在特定情况下，成形磨料颗粒可由引晶溶胶-凝胶形成。在至少一个实施例中，磨料颗粒可基本上由氧化铝和本文所述的某些掺杂剂材料组成。

具体地，本文的实施例的磨料颗粒可包括致密体，其可适合用作磨料。例如，磨料颗粒可具有密度为至少95％理论密度，诸如至少96％理论密度、至少97％理论密度、至少98％理论密度或甚至至少99％理论密度的主体。

容纳在磨料颗粒的主体内的磨粒(即，微晶)可具有一般不大于约100微米的平均晶粒尺寸(即，平均晶体尺寸)。在其他实施例中，平均晶粒尺寸可更小，诸如不大于约80微米、或不大于约50微米、或不大于约30微米、或不大于约20微米、或不大于约10微米、或不大于6微米、或不大于5微米、或不大于4微米、或不大于3.5微米、或不大于3微米、或不大于2.5微米、或不大于2微米、或不大于1.5微米、或不大于1微米、或不大于0.8微米、或不大于0.6微米、或不大于0.5微米、或不大于0.4微米、或不大于0.3微米、或甚至不大于0.2微米。另外，容纳在磨料颗粒的主体内的磨粒的平均晶粒尺寸可为至少约0.01微米，诸如至少约0.05微米、或至少约0.06微米、或至少约0.07微米、或至少约0.08微米、或至少约0.09微米、或至少约0.1微米、或至少约0.12微米、或至少约0.15微米、或至少约0.17微米、或至少约0.2微米、或甚至至少约0.3微米。应当理解，磨料颗粒可具有在上文提到的任何最小值和最大值之间的范围内的平均晶粒尺寸(即，平均晶体尺寸)。

可使用扫描电子显微镜(SEM)显微照片基于未校正的拦截方法来测量平均晶粒尺寸(即，平均晶体尺寸)。磨粒样品的制备方法是：在环氧树脂中制成胶木支架，然后使用Struers Tegramin 30抛光单元用金刚石抛光浆料抛光。抛光后，将环氧树脂在热板上加热，然后在低于烧结温度的150℃下对抛光表面进行5分钟的热蚀刻。将单个晶粒(5-10粒)安装在SEM支架上，然后镀金以准备SEM观察。在大约50,000X的放大倍数下拍摄三个单个的磨料颗粒的SEM显微照片，然后使用以下步骤来计算未校正的微晶尺寸：1)从晶体结构视图的一个拐角到相对拐角绘制对角线，但不包括照片底部的黑色数据带；2)测量对角线的长度L1和L2，精确到0.1厘米；3)计算每条对角线相交的晶界数(即，晶界交点I1和I2)，并为每条对角线记录该数；4)通过测量每个显微照片或观察屏底部的微米条的长度(以厘米为单位)(即，“条长”)来确定计算出的条数，然后将条长(以微米为单位)除以条长(以厘米为单位)；5)将显微照片上绘制的对角线的总厘米数相加(L1+L2)，得出对角线长度的总和；6)将两条对角线的晶界交点数相加(I1+I2)，得到晶界交点的总和；7)将对角线长度的总和(L1+L2)(以厘米为单位)除以晶界交点数的总和(I1+I2)，然后将该数字乘以计算出的条数。对于三个不同的、随机选择的样品，在至少三个不同的时间完成该过程，以获得平均微晶尺寸。

根据某些实施例，某些磨料颗粒可以是复合制品，其在磨料颗粒的主体内包括至少两种不同类型的晶粒。应当理解，不同类型的晶粒是彼此具有不同组成的晶粒。例如，磨料颗粒的主体可形成为使得其包括至少两种不同类型的晶粒，其中两种不同类型的晶粒可以是氮化物、氧化物、碳化物、硼化物、氧氮化物、氧硼化物、金刚石和它们的组合。

根据一个实施例，磨料颗粒可具有如以最大尺寸(即，长度)测量的至少约100微米的平均粒度。事实上，磨料颗粒可具有至少约150微米，诸如至少约200微米、至少约300微米、至少约400微米、至少约500微米、至少约600微米、至少约微米、至少约800微米、或甚至至少约900微米的平均粒度。然而，本文中的实施例的磨料颗粒可具有不大于约5mm，诸如不大于约3mm、不大于约2mm、或甚至不大于约1.5mm的平均粒度。应当理解，磨料颗粒可具有在上文提到的任何最小值和最大值之间的范围内的平均粒度。

图1A包括具有由上部主表面102或主表面103的平面所限定的二维形状的成形磨料颗粒的图示，其具有大致三角形的二维形状。应当理解，本文实施例的成形磨料颗粒不受此限制，并且可包括其他二维形状。例如，本文实施例的成形磨料颗粒可包括具有主体的颗粒，该主体具有由主体的主表面所限定的二维形状，该二维形状选自由以下形状组成的组：多边形，规则多边形，不规则多边形，包括弧形或弯曲侧边或侧边部分的不规则多边形，椭圆形，数字，希腊字母字符，拉丁字母字符，俄罗斯字母字符，汉字字符，具有多边形形状组合的复杂形状，包括中心区域和从中心区域延伸的多条臂(例如，至少三条臂)的形状(例如，星形)，以及它们的组合。特定的多边形形状包括矩形、梯形、四边形、五边形、六边形、七边形、八边形、九边形、十边形以及它们的任意组合。在另一个实例中，最终形成的成形磨料颗粒可具有二维形状的主体，该二维形状为诸如不规则四边形、不规则矩形、不规则梯形、不规则五边形、不规则六边形、不规则七边形、不规则八边形、不规则九边形、不规则十边形以及它们的组合。不规则多边形形状是指定义多边形形状的至少一条侧边相对于另一条侧边在尺寸(例如，长度)上不同的多边形形状。如本文的其他实施例所示，某些成形磨料颗粒的二维形状可具有特定数量的外点或外角。例如，在由长度和宽度限定的平面中观察时，成形磨料颗粒的主体可具有二维多边形形状，其中主体包含二维形状，该二维形状具有至少4个外点(例如，四边形)、至少5个外点(例如，五边形)、至少6个外点(例如，六边形)、至少7个外点(例如，七边形)、至少8个外点(例如，八边形)、至少9个外点(例如，九边形)等。

图1C包括根据另一个实施例的成形磨料颗粒的透视图图示。值得注意的是，成形磨料颗粒170可包括主体171，该主体包括表面172和表面173，其可以被称为端面172和端面173。主体可进一步包括主表面174、主表面175、主表面176、主表面177，这些主表面在端面172和端面173之间延伸并且联接至这些端面。图1C的成形磨料颗粒为细长的成形磨料颗粒，其具有纵向轴线180，该纵向轴线沿着主表面175延伸并且延伸穿过端面172与端面173之间的中点184。对于具有可标识的二维形状的颗粒，诸如图1A-1C的成形磨料颗粒，纵向轴线是易于理解的尺寸，其用于定义通过主表面上的中点的主体长度。例如，在图1C中，如图所示，成形磨料颗粒170的纵向轴线180在端面172与端面173之间平行于限定主表面的边缘延伸。这样的纵向轴线与如何限定杆的长度一致。值得注意的是，纵向轴线180在连接端面172和173的拐角与限定主表面175的边缘之间不对角地延伸，即使这样的线可限定最大长度的尺寸。就主表面相对完美平坦表面具有起伏或微小缺陷来说，可使用忽略了起伏的顶视图二维图像来确定纵向轴线。

应当理解，选择表面175来表示纵向轴线180，因为主体171具有由端面172和端面173限定的大致正方形的横截面轮廓。因此，表面174、表面175、表面176和表面177相对于彼此可具有大致相同的尺寸。但是，在其他细长磨料颗粒的上下文中，表面172和表面173可具有不同的形状，例如矩形形状，因此，表面174、表面175、表面176和表面177中的至少一个相对于彼此可以更大。在此类情况下，最大表面可限定主表面，并且纵向轴线将沿着其中的最大表面延伸穿过中点184并且可平行于限定主表面的边缘延伸。如图中进一步示出，主体171可包括在由表面175所限定的同一平面内垂直于纵向轴线180延伸的横向轴线181。如图中进一步示出，主体171可进一步包括限定磨料颗粒的高度的垂直轴线182，该垂直轴线182在垂直于由表面175的纵向轴线180和横向轴线181所限定的平面的方向上延伸。

应当理解，与图1A-1B的薄形磨料颗粒相似，图1C的细长的成形磨粒可具有各种二维形状，诸如关于图1A-1B的成形磨料颗粒定义的那些。主体171的二维形状可由端面172和173的周边的形状限定。细长成形磨料颗粒170可具有本文实施例的成形磨料颗粒的任何属性。

图2A包括根据一个实施例的高度受控的磨料颗粒(CHAP)的透视图图示。如图所示，CHAP 200可包括主体201，该主体包括第一主表面202、第二主表面203以及在第一主表面202和第二主表面203之间延伸的侧表面204。如图2A所示，主体201可具有薄的相对平面形状，其中第一主表面202和第二主表面203大于侧表面204，并且彼此基本平行。此外，主体201可包括延伸穿过中点220并限定主体201的长度的纵向轴线210。主体201可进一步包括第一主表面202上的横向轴线211，该横向轴线垂直于纵向轴线210延伸穿过第一主表面202的中点220，并且限定主体201的宽度。

主体201可进一步包括垂直轴线212，该垂直轴线可限定主体201的高度(或厚度)。如图所示，垂直轴线212可在第一主表面202和第二主表面203之间沿着侧表面204在大体垂直于第一主表面上的轴线210和211所限定的平面的方向上延伸。对于诸如图2A所示的CHAP200的薄形主体，长度可等于或大于宽度，并且长度可大于高度。应当理解，本文中提及的磨料颗粒的长度、宽度和高度可以指取自一批磨料颗粒的合适的取样量的磨料颗粒的平均值。

与图1A、图1B和图1C的成形磨料颗粒不同，基于第一主表面202或第二主表面203的周边，图2A的CHAP 200不具有易于标识的二维形状。此类磨料颗粒可以多种方式形成，包括但不限于压裂材料的薄层以形成具有受控高度但具有不规则形成的平坦主表面的磨料颗粒。对于此类颗粒，纵向轴线限定为在主表面上延伸穿过表面上的中点的最长尺寸。就主表面具有起伏来说，可使用忽略了起伏的顶视图二维图像来确定纵向轴线。此外，如图1B中所提到的，可使用最近拟合圆来标识主表面的中点以及标识纵向轴线和横向轴线。

图2B包括非成形颗粒的图示，该非成形颗粒可为细长的非成形磨料颗粒或二次颗粒，诸如稀释剂晶粒、填料、团聚体等。可通过包括模制、印刷、浇铸、挤出等的特定过程来形成成形磨料颗粒。成形磨料颗粒可形成为使得每个颗粒均具有相对于彼此基本上相同的表面和边缘布置。例如，一组成形磨料颗粒的表面和边缘通常具有彼此相同的布置和方向和/或二维形状。因此，成形磨料颗粒相对于彼此在表面和边缘的布置中具有相对高的形状保真度和一致性。此外，等高磨料颗粒(CHAP)也可通过特定过程来形成，这些过程便于形成薄形主体，当从上向下观察主表面时，这些薄形主体可具有不规则的二维形状。CHAP可具有比成形磨料颗粒更小的形状保真度，但可具有由侧表面分开的大致平坦且平行的主平面。

相比之下，与成形磨料颗粒和CHAP相比，非成形颗粒可通过不同的过程形成并且具有不同的形状属性。例如，通常通过粉碎工艺形成非成形颗粒，其中形成大量材料，然后破碎并筛分以获得一定尺寸的磨料颗粒。然而，非成形颗粒将具有表面和边缘的一般随机布置，并且通常在表面和边缘布置中缺乏任何可标识的二维形状或三维形状。此外，非成形颗粒不必具有彼此一致的形状，因此与成形磨料颗粒或CHAP相比，其形状保真度低得多。非成形颗粒通常由每个颗粒相对于其他非成形颗粒的表面和边缘的随机布置来限定。

图2B包括非成形颗粒的透视图图示。非成形颗粒250可具有主体251，该主体包括沿着主体251的外表面延伸的边缘255的大体随机布置。主体可进一步包括限定颗粒的最长尺寸的纵向轴线252。纵向轴线252限定以二维方式观察的主体的最长尺寸。因此，与其中纵向轴线是在主表面上测量的成形磨料颗粒和CHAP不同，非成形颗粒的纵向轴线是由主体上的彼此之间最远的点限定的，因为以使用了图像或有利位置的二维方式来观察颗粒，该图像或有利位置提供了颗粒的最长尺寸的视图。即，应当以透视图的方式观察诸如图2B中所示的细长颗粒但非成形颗粒，以使最长的尺寸显而易见，从而适当地评估纵向轴线。主体251可进一步包括横向轴线253，该横向轴线垂直于纵向轴线252延伸并且限定颗粒的宽度。横向轴线253可在用于标识纵向轴线252的同一平面中垂直于纵向轴线252延伸穿过纵向轴线的中点256。磨料颗粒可具有如由垂直轴线254所限定的高度(或厚度)。垂直轴线254可延伸穿过中点256，但在垂直于用于限定纵向轴线252和横向轴线253的平面的方向上延伸。为了评估高度，可能必须改变磨料颗粒的视角，以从不同于评估长度和宽度的有利角度观察磨料颗粒。

应当理解，磨料颗粒可具有由纵向轴线252限定的长度、由横向轴线253限定的宽度以及由垂直轴线254限定的高度。应当理解，主体251可具有以长度:宽度表示的主纵横比，使得长度等于或大于宽度。此外，主体251的长度可大于或等于高度。最后，主体251的宽度可大于或等于高度。根据一个实施例，主纵横比(长度:宽度)可为至少1.1:1、至少1.2:1、至少1.5:1、至少1.8:1、至少2:1、至少3:1、至少4:1、至少5:1、至少6:1或甚至至少10:1。在另一个非限制性实施例中，细长成形磨料颗粒的主体251可具有不大于100:1、不大于50:1、不大于10:1、不大于6:1、不大于5:1、不大于4:1、不大于3:1或甚至不大于2:1的主纵横比，该主纵横比以长度:宽度表示。应当理解，主体251的主纵横比可在包括上文提到的任何最小比率至最大比率之间的范围内。

此外，主体251可包括以宽度:高度表示的第二纵横比，该第二纵横比可为至少1.1:1，诸如至少1.2:1、至少1.5:1、至少1.8:1、至少2:1、至少3:1、至少4:1、至少5:1、至少8:1或甚至至少10:1。另外，在另一个非限制性实施例中，主体251的第二纵横比(宽度:高度)可不大于100:1，诸如不大于50:1、不大于10:1、不大于8:1、不大于6:1、不大于5:1、不大于4:1、不大于3:1或甚至不大于2:1。应当理解，以宽度:高度表示的第二纵横比可在包括上文提到的任何最小比率至最大比率之间的范围内。

在另一个实施例中，主体251可具有以长度:高度表示的第三纵横比，该第三纵横比可为至少1.1:1，诸如至少1.2:1、至少1.5:1、至少1.8:1、至少2:1、至少3:1、至少4:1、至少5:1、至少8:1或甚至至少10:1。另外，在另一个非限制性实施例中，主体251的第三纵横比(长度:高度)可不大于100:1，诸如不大于50:1、不大于10:1、不大于8:1、不大于6:1、不大于5:1、不大于4:1、不大于3:1。应当理解，主体251的第三纵横比可在包括上文提到的任何最小比率和最大比率之间的范围内。

非成形磨料颗粒250可具有本文的实施例中所述的磨料颗粒的任何属性，包括例如但不限于组成、微结构特征(例如，平均晶粒尺寸)、硬度、孔隙率等。

本文的实施例的磨料制品可结合有不同类型的颗粒，包括不同类型的磨料颗粒、不同类型的二次颗粒或它们的任意组合。例如，在一个实施例中，涂覆磨料制品可包括：第一类型的磨料颗粒，该第一类型的磨料颗粒包括成形磨料颗粒；以及第二类型的磨料颗粒。第二类型的磨料颗粒可以是成形磨料颗粒或非成形磨料颗粒。

图3包括根据一个实施例的结合有微粒材料的涂覆磨料制品的横截面图示。如图所示，涂覆磨料300可包括基底301和覆盖基底301的表面的底胶层303。涂覆磨料300可进一步包括：第一类型的颗粒材料305，其为第一类型的成形磨料颗粒的形式；第二类型的颗粒材料306，其为第二类型的成形磨料颗粒的形式；以及第三类型的颗粒材料307，其可为二次颗粒，诸如稀释剂磨料颗粒、非成形磨料颗粒、填料等。涂覆磨料300可进一步包括复胶层304，该复胶层覆盖并粘结至磨料微粒材料305、306、307，以及底胶层304。应当理解，可以将其他层或材料添加至基底的其他组分层，包括但不限于本领域普通技术人员已知的前填料、后填料等。

根据一个实施例，基底301可包括有机材料、无机材料以及它们的组合。在某些实例中，基底301可包括织造材料。但是，基底301可由非织造材料制成。特别合适的基底材料可包括有机材料，其中包括聚合物，尤其是聚酯、聚氨酯、聚丙烯、聚酰亚胺诸如DuPont的KAPTON、纸或它们的任意组合。一些合适的无机材料可包括金属、金属合金，尤其是铜、铝、钢及其组合的箔。在可以是纤维的开放幅材的非织造基底的上下文中，磨料颗粒可以通过一个或多个粘合剂层粘附到纤维上。在此类非织造产品中，磨料颗粒涂覆纤维，但不一定形成覆盖基底主表面的保形层，如图3所示。应当理解，此类非织造产品包括在本文的实施例中。

底胶层303可在单个过程中施加至基底301的表面，或另选地，微粒材料305、306、307可与底胶层303材料结合并且底胶层303和微粒材料305-307的组合可作为混合物施加至基底301的表面。在某些情况下，通过将施加底胶层303的过程与磨料微粒材料305-307沉积在底胶层303中的过程分开，可更好地适合微粒305-307在底胶层中的受控沉积或放置。另外，可以设想的是，可将此类过程结合。合适的底胶层303材料可包括有机材料，特别是聚合物材料，其包括例如，聚酯、环氧树脂、聚氨酯、聚酰胺、聚丙烯酸酯、聚甲基丙烯酸酯、聚氯乙烯、聚乙烯、聚硅氧烷、硅树脂、醋酸纤维素、硝酸纤维素、天然橡胶、淀粉、虫胶以及它们的混合物。在一个实施例中，底胶层303可包括聚酯树脂。然后可加热带涂层的基底，以将树脂和磨料微粒材料固化到基底上。通常，在此固化过程中，可将带涂层基底301加热到约100℃至小于约250℃的温度。

微粒材料305-307可包括根据本文实施例所述的不同类型的磨料颗粒。不同类型的磨料颗粒可包括不同类型的成形磨料颗粒、不同类型的二次颗粒或它们的组合。不同类型的颗粒在组成、二维形状、三维形状、晶粒尺寸、粒度、硬度、脆性、团聚或它们的组合方面可彼此不同。如图所示，涂覆磨料300可包括具有大体金字塔形的第一类型的成形磨料颗粒305和具有大体三角形二维形状的第二类型的成形磨料颗粒306。涂覆磨料300可包括不同量的第一类型的成形磨料颗粒305和第二类型的成形磨料颗粒306。应当理解，涂覆磨料可不必包括不同类型的成形磨料颗粒，而是可基本上由单一类型的成形磨料颗粒组成。可以理解，本文的实施例的成形磨料颗粒可结合到各种固定磨料中(例如，粘结磨料、涂覆磨料、非织造磨料、薄轮、切割轮、增强磨料制品等)，包括共混物的形式，其可包括不同类型的成形磨料颗粒、二次颗粒等。

颗粒307可以是不同于第一类型的成形磨料颗粒305和第二类型的成形磨料颗粒306的二次颗粒。例如，二次颗粒307可包括表示非成形磨料颗粒的压碎的磨料粒。

在充分形成其中容纳有磨料微粒材料305-307的底胶层303之后，可形成复胶层304以覆盖磨料微粒材料305并将其粘结到适当位置。复胶层304可包括有机材料，可基本上由聚合物材料制成，并且值得注意的是，可使用聚酯、环氧树脂、聚氨酯、聚酰胺、聚丙烯酸酯、聚甲基丙烯酸酯、聚氯乙烯、聚乙烯、聚硅氧烷、硅树脂、醋酸纤维素、硝酸纤维素、天然橡胶、淀粉、虫胶以及它们的混合物。

III.示例性磨料制品

图4包括根据一个实施例的涂覆磨料的一部分的顶视图。涂覆磨料400可包括多个区域，诸如第一区域410、第二区域420、第三区域430和第四区域440。区域410、420、430和440中的每一个均可由通道区域450分开，其中通道区域450限定背衬的不含颗粒的区域。通道区域450可具有任何尺寸和形状，并且对于去除切屑和改善研磨操作可能特别有用。通道区域的长度(即，最长尺寸)和宽度(即，垂直于长度的最短尺寸)可大于区域410、420、430和440中的任一个区域中的紧邻的磨料颗粒之间的平均间距。对于本文的实施例中的任何一个，通道区域450为可选的特征。

如进一步示出，第一区域410可包括一组成形磨料颗粒411，该组成形磨料颗粒相对于彼此具有大体随机旋转取向。该组成形磨料颗粒411可相对于彼此以随机分布布置，使得关于成形磨料颗粒411的放置没有可辨别的短程或长程有序。值得注意的是，该组成形磨料颗粒411可基本上均匀地分布在第一区域410内，从而限制了团块(两个或更多个彼此接触的颗粒)的形成。应当理解，可基于涂覆磨料的预期应用来控制第一区域410中的该组成形磨料颗粒411的粒重。

第二区域420可包括一组成形磨料颗粒421，该组成形磨料颗粒相对于彼此以受控分布布置。此外，该组成形磨料颗粒421可具有相对于彼此规则的和受控的旋转取向。如图所示，该组成形磨料颗粒421可具有与如由涂覆磨料401的背衬上的相同旋转角所定义的大体相同的旋转取向。值得注意的是，该组成形磨料颗粒421可基本上均匀地分布在第二区域420内，从而限制了团块(两个或更多个彼此接触的颗粒)的形成。应当理解，可基于涂覆磨料的预期应用来控制第二区域420中的该组成形磨料颗粒421的粒重。

第三区域430可包括多组成形磨料颗粒421和二次颗粒432。该组成形磨料颗粒431和二次颗粒432可相对于彼此以受控分布布置。此外，该组成形磨料颗粒431可具有相对于彼此规则的和受控的旋转取向。如图所示，该组成形磨料颗粒431在涂覆磨料401的背衬上一般可具有两种类型的旋转取向中的一种。值得注意的是，该组成形磨料颗粒431和二次颗粒432可在第三区域430内基本上均匀地分布，从而限制了团块(两个或更多个彼此接触的颗粒)的形成。应当理解，可基于涂覆磨料的预期应用来控制第三区域430中的该组成形磨料颗粒431和二次颗粒432的粒重。

第四区域440可包括一组成形磨料颗粒441和二次颗粒442，该组成形磨料颗粒和二次颗粒相对于彼此具有大体随机分布。另外，该组成形磨料颗粒441可具有相对于彼此的随机旋转取向。该组成形磨料颗粒441和二次颗粒442可相对于彼此以随机分布布置，使得不存在可辨别的短程或长程有序。值得注意的是，该组成形磨料颗粒441和二次颗粒442可在第四区域440内基本上均匀地分布，从而限制了团块(两个或更多个彼此接触的颗粒)的形成。应当理解，可基于涂覆磨料的预期应用来控制第四区域440中的该组成形磨料颗粒441和二次颗粒442的粒重。

如图4所示，涂覆磨料制品400可包括不同的区域410、420、430和440，其中的每一者均可包括不同组的颗粒，诸如成形颗粒和二次颗粒。涂覆磨料制品400旨在示出可使用本文的实施例的系统和过程产生的颗粒的不同类型的分组、布置和分布。该说明并不旨在仅限于那些组的颗粒，并且应当理解，可以制造涂覆磨料制品，所述涂覆磨料制品仅包括一个区域，如图4所示。还应当理解，可以制造其他涂覆磨料制品，所述其他涂覆磨料制品包括图4所示的一个或多个区域的不同组合或布置。

根据另一个实施例，可形成包括不同组的磨料颗粒的涂覆磨料制品，其中不同的组相对于彼此具有不同的倾斜角。例如，如图5所示，提供了涂覆磨料的一部分的横截面图示。涂覆磨料500可包括背衬501和第一组磨料颗粒502，其中第一组磨料颗粒502中的每一个磨料颗粒均具有第一平均倾斜角。涂覆磨料500可进一步包括第二组磨料颗粒503，其中第二组磨料颗粒503中的每一个磨料颗粒均具有第二平均倾斜角。根据一个实施例，第一组磨料颗粒502和第二组磨料颗粒503可通过通道区域505分开。此外，第一平均倾斜角可不同于第二平均倾斜角。在一个更具体实施例中，第一组磨料颗粒可以直立取向来取向，而第二组磨料颗粒可以倾斜取向来取向。尽管不希望受特定理论的约束，但是据认为对于涂覆磨料的不同区域中的不同组的磨料颗粒，倾斜角的受控变化可便于改善涂覆磨料的性能。

根据一个特定方面，可基于预期的应用来控制覆盖背衬的磨料颗粒的含量。例如磨料颗粒可覆盖背衬的总表面积的至少5％诸如至少10％、或至少20％、或至少30％、或至少40％、或至少50％、或至少60％、或至少70％、或至少80％或至少90％。在再一个实施例中，涂覆磨料制品可基本上不含硅烷。

此外，本文的实施例的磨料制品可具有覆盖基底的特定含量的颗粒。此外，应当指出的是，对于背衬上的颗粒的某些含量(诸如疏涂层密度)，本行业已发现，在期望的垂直取向上获得颗粒的某些含量是具有挑战性的。在一个实施例中，这些颗粒可限定疏涂层磨料产品，其颗粒(即，磨料颗粒、二次颗粒或者磨料颗粒和二次颗粒两者)的涂层密度不大于约70个颗粒/cm²。在其他情况下，每平方厘米磨料制品的成形磨料颗粒的密度可不大于约65个颗粒/cm²，诸如不大于约60个颗粒/cm²、不大于约55个颗粒/cm²、或甚至不大于约50个颗粒/cm²。另外，在一个非限制性实施例中，使用本文的成形磨料颗粒的疏涂层涂覆磨料的密度可为至少约5个颗粒/cm²或甚至至少约10个颗粒/cm²。应当理解，每平方厘米磨料制品的成形磨料颗粒的密度可在上述任何最小值和最大值之间的范围内。

在某些情况下，磨料制品的疏涂层密度可不大于覆盖制品的外部磨料表面的颗粒(即，磨料颗粒或二次颗粒或者全部的磨料颗粒和二次颗粒)的约50％。在其他实施例中，相对于其上放置有颗粒的表面的总面积，磨料颗粒的面积可不大于约40％，诸如不大于约30％、不大于约25％、或甚至不大于约20％。另外，在一个非限制性实施例中，相对于表面的总面积，颗粒的涂层百分比可为至少约5％，诸如至少约10％、至少约15％、至少约20％、至少约25％、至少约30％、至少约35％、或甚至至少约40％。应当理解，磨料表面的总面积的颗粒覆盖百分比可在上述任何最小值和最大值之间的范围内。

对于给定面积(例如，令，其中1令＝30.66m²)的背衬，一些磨料制品可具有特定含量的颗粒(即，磨料颗粒或二次颗粒或者全部的磨料颗粒和二次颗粒)。例如，在一个实施例中，磨料制品可利用至少约1磅/令(14.8克/m²)，诸如至少5磅/令、或至少10磅/令、或至少约15磅/令、或至少约20磅/令、或至少约25磅/令、或甚至至少约30磅/令的归一化颗粒重量。另外，在一个非限制性实施例中，磨料制品可包含不大于约90磅/令(1333.8克/m²)，诸如不大于80磅/令、或不大于70磅/令、或不大于60磅/令、或不大于约50磅/令、或甚至不大于约45磅/令的归一化颗粒重量。应当理解，本文的实施例的磨料制品可利用在上述任何最小值和最大值之间的范围内的归一化颗粒重量。

在某些情况下，磨料制品可用在特定工件上。合适的示例性工件可包含无机材料、有机材料、天然材料和它们的组合。根据特定实施例，工件可包含金属或金属合金，诸如铁基材料、镍基材料等。在一个实施例中，工件可以是钢，并且更具体地，可基本上由不锈钢(例如，304不锈钢)组成。

在另一个实施例中，固定磨料制品可以是粘结磨料，包括容纳在粘结材料的三维体积内的磨料颗粒，其可不同于某些其他的固定磨料制品，包括例如涂覆磨料制品，所述涂覆磨料制品通常包括粘结剂(诸如底胶层和/或复胶层)中容纳的单层磨料颗粒。此外，涂覆磨料制品通常包括背衬作为磨料颗粒和粘结剂的层的支撑件。相比之下，粘结磨料制品通常是自支撑制品，包括三维体积的磨料颗粒、粘结材料以及任选的一些孔隙率。粘结磨料制品可不必包括基底，并且可基本上没有基底。

图6包括根据一个实施例的粘结磨料制品的透视图图示。如图所示，粘结磨料制品620可具有大致圆柱形的主体601，该主体包括上表面624、底表面626和在上表面624和底表面626之间延伸的侧表面603。应当理解，图6的固定磨料制品为非限制性实例，并且可利用主体的其他形状，包括但不限于锥形、杯形、凹陷中心轮(例如，T42)等。最后，如进一步示出的，主体601可包括中心开口685，该中心开口可配置成接受用于将主体601安装在机器上的杆或轴，该机器配置成旋转主体601并促进材料去除操作。

粘结磨料制品620可具有包括磨料颗粒的主体601，所述磨料颗粒包括例如容纳在主体601的体积内的磨料颗粒组605和628。磨料颗粒可由粘结材料607容纳在主体601的三维体积内，该粘结材料可延伸遍及主体601的整个三维体积。根据一个实施例，粘结材料607可包括诸如玻璃、多晶、单晶、有机(例如，树脂)、金属、金属合金及其组合的材料。

在特定实施例中，磨料颗粒可封装在粘结材料607内。如本文所用，“封装”是指其中至少一个磨料颗粒被均匀或大致均匀的粘结材料组合物完全包围的状态。在一个实施例中，粘结磨料制品620可基本上没有固结层。在特定情况下，粘结磨料制品620在主体601的整个体积上可以是基本均匀的。在更特定的情况下，主体601可在主体601的整个体积内具有基本均匀的组成。

根据一个实施例，容纳在粘结磨料制品620内的磨料颗粒可包括根据本文实施例中描述的那些的磨料材料。

粘结磨料制品620可包括磨料颗粒的组合，所述磨料颗粒包括一种或多种类型的磨料颗粒，诸如初次类型的磨料颗粒和二次类型的磨料颗粒。初次类型和二次类型可指固定磨料制品的主体内的磨料颗粒的含量，其中初次类型磨料颗粒的含量高于二次类型磨料颗粒的含量。在其他情况下，初次类型的磨料颗粒和二次类型的磨料颗粒之间的区别可基于磨料颗粒在主体内的位置，其中初次磨料颗粒可定位成进行材料去除的初始阶段或与二次磨料颗粒相比进行大部分材料去除。在再其他情况下，初次磨料颗粒和二次磨料颗粒之间的区别可涉及磨料颗粒的磨料性质(例如，硬度、易碎性、断裂力学等)，其中初次磨料颗粒的初次性质通常比二次类型的磨料颗粒更坚固。可被视为二次类型的磨料颗粒的磨料颗粒的一些合适实例包括稀释剂颗粒、团聚颗粒、未团聚颗粒、天然存在的材料(例如，矿物)、合成材料以及它们的组合。

在某些情况下，粘结磨料制品620可在主体601内包括特定含量的磨料颗粒，其可促进适当的材料去除操作。例如，主体601可包括的磨料颗粒的含量占主体的总体积的至少0.5vol％且不大于60vol％。

此外，粘结磨料制品620的主体601可包含特定含量的粘结材料607，其可促进粘结磨料制品620的适当操作。例如，主体601可包括的粘结材料607的含量占主体的总体积的至少0.5vol％且不大于约90vol％。

在某些情况下，固定磨料制品可具有包含某一孔隙率含量的主体601。孔隙率可延伸穿过主体601的整个体积的至少一部分，并且在某些情况下，可基本上均匀地延伸穿过主体601的整个体积。例如，孔隙率可包括闭合孔隙率或开放孔隙率。闭合孔隙率可为由粘结材料和/或磨料颗粒彼此隔离的离散孔隙的形式。这种闭合孔隙率可由造孔剂形成。在其他情况下，孔隙率可为开放孔隙率，其限定了延伸穿过主体601的三维体积的至少一部分的通道的互连网络。应当理解，主体601可包括闭合孔隙率和开放孔隙率的组合。

根据一个实施例，固定磨料制品可具有主体601，该主体包括特定含量的孔隙率，其可促进适当的材料去除操作。例如，主体601可具有的孔隙率占所述主体的总体积的至少0.5vol％且不大于80vol％。

根据另一个实施例，应当理解，粘结磨料制品620可包括主体601，该主体包含可促进某些研磨操作的某些添加剂。例如，主体601可包含多种添加剂，诸如填料、助磨剂、孔诱导剂、中空材料、催化剂、偶联剂、固化剂、抗静电剂、悬浮剂、抗负载剂、润滑剂、润湿剂、染料、填料、粘度改进剂、分散剂、消泡剂和它们的组合。

如图6进一步所示，主体601可具有直径683，其可根据期望的材料去除操作而变化。直径可指主体的最大直径，特别是在主体601具有圆锥形或杯形轮廓的情况下。

此外，主体601可具有沿着轴向轴线680，在上表面624和底表面626之间沿着侧表面603延伸的特定厚度681。主体601可以具有厚度681，该厚度可以是主体601的平均厚度，其可不大于1m。

根据一个实施例，主体601可在直径683和厚度681之间具有特定的关系，限定可适用于某些材料去除操作的直径:厚度比。例如，主体601可具有至少10:1，诸如至少15:1、至少20:1、至少50:1、或甚至100:1的直径:厚度比。应当理解，主体可具有不大于10,000:1、或不大于1000:1的直径:厚度比。

粘结磨料制品620可包括至少一个加强构件641。在特定情况下，加强材料641可延伸达主体601的整个宽度(例如，直径683)的大部分。然而，在其他情况下，加强构件641可仅延伸达主体601的整个宽度(例如，直径183)的一小部分。在某些情况下，可包括加强构件641以针对某些材料去除操作为主体增加合适的稳定性。根据一个实施例，加强构件641可包含某种材料，诸如织造材料、非织造材料、复合材料、层压材料、整体材料、天然材料、合成材料和它们的组合。更具体地，在某些情况下，加强构件641可包括某种材料，诸如单晶材料、多晶材料、玻璃材料、非晶形材料、玻璃(例如，玻璃纤维)、陶瓷、金属、有机材料、无机材料和它们的组合。在特定情况下，加强材料641可包括玻璃纤维，并且可基本上由玻璃纤维形成。

在特定情况下，加强材料641可基本容纳在主体601的三维体积内，更具体地，容纳在粘结材料607的三维体积内。在某些情况下，加强材料641可与主体601的外表面相交，包括但不限于上表面624、侧面603和/或底表面626。例如，加强材料641可与上表面624或底表面626相交。在至少一个实施例中，加强材料641可限定主体601的上表面624或底表面626，使得粘结材料607设置在一种或多种加强材料之间。应当理解，尽管在图6的实施例中展示了单个加强构件641，但是可适用于预期的材料去除应用的各种布置和取向在主体601内提供多个加强构件。

如进一步示出的，主体601可包括限定主体601的三维体积的某些轴线和平面。例如，固定磨料制品620的主体601可包括轴向轴线680。如沿着轴向轴线680进一步示出的，主体601可包括第一轴向平面631，该第一轴向平面沿着轴向轴线680延伸并以特定角取向(在本文指定为0°)延伸穿过主体601的特定直径。主体601可进一步包括与第一轴向平面631不同的第二轴向平面632。第二轴向平面632可沿着轴向轴线680延伸并在角位置穿过主体601的直径，如本文中示例性地指定为30°。主体601的第一轴向平面631和第二轴向平面632可限定主体601内的磨料颗粒的特定轴向集合，包括例如轴向平面631内的磨料颗粒691的轴向集合和轴向平面632内的磨料颗粒692的轴向集合。此外，主体601的轴向平面可在它们之间限定扇区，包括例如被定义为主体601内的轴向平面631和632之间的区域的扇区684。扇区可包括可特定的磨料颗粒组，其促进材料去除操作的改进。本文中对主体内的磨料颗粒部分的特征的引用，包括例如轴向平面内的磨料颗粒，也将与主体的一个或多个扇区内包含的磨料颗粒组有关。

如进一步示出的，主体601可包括第一径向平面621，该第一径向平面在沿着轴向轴线680的特定轴向位置处，沿着基本上平行于上表面624和/或底表面626的平面延伸。主体可进一步包括第二径向平面622，该第二径向平面可在沿着轴向轴线680的特定轴向位置处，以基本平行的方式延伸至上表面624和/或底表面626。第一径向平面621和第二径向平面622可在主体601内彼此分离，并且更具体地，第一径向平面621和第二径向平面622可彼此轴向分离。如进一步所示，在某些情况下，一个或多个加强构件641可设置在第一径向平面621和第二径向平面622之间。第一径向平面621和第二径向平面622可包括一个或多个特定磨料颗粒组，包括例如第一径向平面621的磨料颗粒组628和第二径向平面622的磨料颗粒组605，它们彼此之间可能具有某些特征，这些特征可促进研磨性能的改进。

本文实施例的磨料颗粒可包括特定类型的磨料颗粒。例如，磨料颗粒可包括成形磨料颗粒和/或细长磨料颗粒，其中细长磨料颗粒可具有至少为1.1:1的以长度:宽度或长度:高度表示的纵横比。可利用各种方法来获得成形磨料颗粒。颗粒可从商业来源获得或被制造。用于制造成形磨料颗粒的一些合适工艺可包括但不限于沉积、印刷(例如，丝网印刷)、模制、压制、浇铸、切片、切割、切丁、冲孔、冲压、干燥、固化、涂覆、挤出、轧制和它们的组合。可利用类似的工艺获得细长磨料颗粒。可通过粉碎和筛分技术形成细长的未成形磨料颗粒。

图7A展示了根据一个示例实施例的磨料制品730的剖视图。磨料制品730包括磨料部分732和非磨料部分731，以及耦接至磨料制品730的非磨料部分731的电子组件720。非磨料部分731可具有第一表面733、第二表面734和在第一表面733与第二表面734之间延伸的侧表面735。第一表面733和第二表面734可为主要平坦表面。第二表面734可为相对于第一表面733具有相同尺寸或不同尺寸的主要平坦表面。如进一步所示，非磨料部分731可包括开口705，例如心轴孔。电子组件720可耦接至第一表面733。电子组件720可包括如本文的实施例中所述的电子设备722和包装721。在一个实施例中，电子组件720可包括可容纳在包装721内的至少一个电子设备722。包装721可适用于将电子组件720附接至磨料制品730的主体，并且可对其中容纳的所述一个或多个电子设备提供某种适当的保护。在特定实例中，电子设备722可封装在包装721内。

根据一个实施例，电子设备722可配置为写入信息、存储信息或在读取操作期间向其他物体提供信息。此类信息可能与磨料制品的制造、磨料制品的操作或电子组件720遇到的条件有关。本文中对电子设备的引用将被理解为对至少一个电子设备的引用，其可包括一个或多个电子设备。在至少一个实施例中，电子设备722可包括选自包括以下项的组的至少一个设备：集成电路和芯片、数据转发器、带有或不带有芯片的基于射频的标签或传感器、电子标签、电子存储器、传感器、模数转换器、发射器、接收器、收发器、调制器电路、多路复用器、天线、近场通信设备、电源、显示器(例如，LCD屏或OLED屏)、光学设备(例如，LED)、全球定位系统(GPS)或设备、或它们的任意组合。在一些实例中，电子设备可任选地包括基底、电源或两者。在一个特定实施例中，电子设备722可包括标签，诸如无源射频识别(RFID)标签。在另一个实施例中，电子设备722可包括有源射频识别(RFID)标签。有源RFID标签可包括电源，诸如电池或电感电容(LC)储能电路。在另一个实施例中，电子设备1722可以是有线或无线的。

根据一个方面，电子设备722可包括传感器。传感器可由供应链中的任何系统和/或个人选择性地操作。例如，传感器可被配置为在磨料制品的形成期间感测一个或多个处理条件。在另一个实施例中，传感器可被配置为感测磨料制品使用期间的条件。在又一个实施例中，传感器可被配置为感测磨料制品的环境中的条件。传感器可包括声传感器(例如，超声波传感器)、力传感器、振动传感器、温度传感器、湿度传感器、压力传感器、气体传感器、定时器、加速度计、陀螺仪或它们的任意组合。传感器可被配置为向与磨料制品相关联的任何系统和/或个人(诸如制造商和/或顾客)发出传感器感测到的特定条件。传感器可被配置为向供应链中的一个或多个系统和/或个人(包括但不限于制造商、分销商、顾客、用户或它们的任意组合)生成报警信号。

在另一个实施例中，电子设备722可包括近场通信设备。近场通信设备可以是能够经由电磁辐射在设备的一定限定半径内(通常小于20米)发送信息的任何设备。近场通信设备可耦接至一个或多个电子设备，包括例如传感器。在一个特定实施例中，传感器可耦接至近场通信设备并且被配置为经由近场通信设备将信息中继到供应链中的一个或多个系统和/或个人。

在一个另选的实施例中，电子设备722可包括收发器。收发器可以是可接收信息和/或发送信息的设备。与一般为只读设备(其存储信息以用于进行读取操作)的无源RFID标签或无源近场通信设备不同，收发器可主动发送信息，而不必进行有源读取操作。此外，收发器可以在各种选择的频率之上传送信息，这可改进电子组件与供应链中的各种系统和/或个人的通信能力。

图7B展示了根据一个示例实施例的电子组件的剖视图。根据一方面，电子组件720可包括一个或多个电子设备，所述一个或多个电子设备包括例如电子设备756和电子设备757。在某些情况下，电子组件720可包括基底759，所述一个或多个电子设备756和757可设置在该基底上。在其他情况下，电子组件720可进一步包括第一部分771和第二部分772。第一部分771和第二部分772可为可以覆盖电子组件720的至少一部分的包装的一部分。包装721可基本上由第一部分771和第二部分772组成。例如，如图7B所示，第一部分771可在基底759和一个或多个电子设备756和757之下。在某些情况下，第一部分771可耦接至(例如，直接接触)第二部分772。在再一个实施例中，电子组件720可包括第一部分771，该第一部分位于基底1759和所述一个或多个电子设备756和757的至少一部分之下并且部分地包围该部分。第二部分772可覆盖所述一个或多个电子设备756和757的至少一部分。第二部分772可间接耦接或直接耦接(例如，直接接触或粘结至)第一部分771。如图所示，第一部分771和第二部分772可基本上围绕整个一个或多个电子设备756和757以及基底759。

第一部分771可位于电子设备757的至少一部分(例如，至少50％)之下。第一部分771可将电子设备757与其耦接的非磨料部分电绝缘并隔离。在特定情况下，第一部分771可设置在所述至少一个或多个电子设备756和757中的至少一者与磨料制品的主体之间并且将所述至少一个或多个电子设备中的至少一者与磨料制品的主体电绝缘。更具体地，电子设备756和/或757可包括至少一个天线，并且第一部分771可设置在天线与磨料制品的主体之间并且将天线与磨料制品的主体电绝缘。

在某些情况下，第二部分772可充当保护层。在一些实例中，基底可用作保护层或可便于电子组件至主体的粘结，以避免对设置在基底之下的保护层的使用。在另一个实例中，保护层可设置为位于电子设备之下，并且电子设备757或756的上表面和侧表面可不被保护层覆盖。在另一个实施例中，电子组件720可包括额外的保护层，该额外的保护层设置在第二部分上方和/或下方以用于提供附加的保护。第二部分772可充当保护层以限制冷却剂和切屑对电子组件的影响。在其他情况下，保护层可保护电子设备在磨料部分或非磨料部分的重塑、修整、维护等过程中免受机械损坏或化学损坏。

图8A展示了根据一个示例实施例的电子组件在主体上的可释放耦接的顶视图。如图所示，主体801可包括上表面802。电子组件803可包含在主体801中的型腔820内。电子组件803可压配合在型腔820中。包括固定元件831的固定组件830可配置为从接合位置平移到脱离位置。在接合位置，如图8A所示，固定元件831可覆盖并接合电子组件803，从而将电子组件803固定至主体801。在脱离位置，固定元件831可与电子组件803间隔开并脱离。固定元件831可通过在Y方向上平移而在接合位置与脱离位置之间进行关节连接。在脱离位置，电子组件803在非固定位置并且可容易地从主体801移除。在此类情况下，可在无需施加热量或其他化学添加剂以去除或溶解粘合剂的情况下完成从主体801去除电子组件803。

图8B展示了根据一个示例实施例的磨料系统850。磨料系统850包括壳体851和包含在壳体851内的主体852。主体852可包括耦接至主体952的电子组件853。如图所示，主体852可为特定类型的边缘研磨工具，其中工件1961可为一块玻璃。壳体851可进一步包括在材料去除操作期间施加至研磨界面的冷却剂854。在一个实施例中，壳体851可包括至少一个电子设备855。所述至少一个电子设备855可耦接至表面或嵌入壳体851的材料中。电子组件853包括配置为与壳体851中的所述一个或多个电子设备855通信的一个或多个电子设备。由电子设备855接收的信息可能与定位在壳体851外部的远程电子设备856有关。

如进一步所示，工件861可包括一个或多个电子设备857，所述一个或多个电子设备耦接至工件861并且配置为从其他电子设备中的一个电子设备(诸如电子组件853、电子设备855和/或电子设备856)发送和/或接收信息。在特定情况下，电子组件853包括配置为防止冷却剂854的腐蚀作用的保护层可能是合适的。

在一个另选的实施例中，电子组件853还可耦接至、部分嵌入或完全嵌入在主体852的表面858中。电子组件的放置和定位可促进与电子设备855、856和/或857的经改善的通信。此外，在某些情况下，电子设备855、856、857和/或电子组件853可利用垂直极化天线、增益天线、3D极化天线或它们的任何组合。还应当理解，在某些情况下，使用位于主体852上不同位置和取向处的多个电子组件可能是合适的。

IV.示例性微观相互作用

图9A描绘了与研磨过程相关联的各种类型的相互作用。每种类型的相互作用均可并入本文描述的分析模型和/或机器学习方法和系统中。例如，研磨式相互作用可包括切割(材料去除)、犁耕(材料位移)或滑动(表面改性)作用。磨损过程包括将硬质材料(例如，磨粒)抵靠较软的材料滑动，在此期间较软的材料会发生变形和表面改性。在某些情况下，这可能是由于较深的划痕或犁耕造成的，例如在没有材料去除或磨粒与工件之间滑动的情况下移动加工材料。如果磨粒对加工材料的穿透深度足够大，则磨粒可充当切削刃，导致生成新的表面并从工作表面去除称为“切屑”的碎屑。如果穿透深度不足，则硬磨粒可能会使加工材料局部变形。该相互作用或变形通常被称为犁耕。最后，如果磨粒对加工材料的穿透深度极浅，结果将是磨粒抵靠加工材料上滑动，尽管接触应力较高。在结束时生成的表面为研磨过程中所有这些磨料/工件相互作用的累积效应。另外地或另选地，各种切屑/粘结剂、切屑/工件、粘结剂/工件和/或其他滑动相互作用也是可能的和被考虑的。

图9B描绘了关于研磨过程的示例性力相互作用和相关联的分析模型。作为实例，材料去除率(MRR)可与切向力和/或法向力成比例地增加。此外，图9B将MRR展示为所施加的力(例如，切向力Ft和法向力Fn)的分量的函数，该函数遵循由机加工和摩擦学的原理制约的关系。作为实例，对于给定的材料去除率，切向力Ft＝形成切屑所需的力Ft_c+摩擦力Ft_f+时间为零时的阈值力Ft_th(0)+时间t时的阈值力Ft_th(t)。类似的关系适用于法向力分量。

图9C描绘了研磨过程的示例性功率相互作用和相关联的分析模型。例如，图9C展示了在给定MRR下时间“t”之后的研磨功率的变化及其相关联的四个分量：(1)初始阈值功率P_th(0)，(2)阈值功率随时间的变化P_th(t)，(3)用于切割或制造切屑的功率P_c，以及(4)由切屑摩擦效应引起的P_c变化P_f(t)。还应当理解，图9A-9C呈现为示例性微观相互作用的概念性表示并且不旨在相对于可用于本公开的微观相互作用的类型、分析模型或研磨过程进行限制。

V.示例性计算设备

图10展示了根据一个示例实施例的计算设备10 00的框图。特别地，计算设备1000可配置为至少执行与机器学习平台1110、企业1120、外部供应商1130、第3方用户1140、机器学习系统1210、手动磨料设备1310、可穿戴设备1320、自动化磨料设备1330、服务器设备1340、其他传感器1350、磨料产品1410、远程设备1420、供应商1430、分析平台1440、方法1500、方法1600、方法1700、微控制器1810B、控制器2020、远程网络2110、客户端网络2120、移动设备2400和/或本文所述的其他元件有关和/或与以上各项的部件有关的功能。

计算设备1000可包括：一个或多个传感器1016，所述一个或多个传感器用于收集数据；数据存储器1004，所述数据存储器可存储所收集的数据并且可包括指令1014；一个或多个处理器1002；通信接口1006，所述通信接口用于与远程源(例如，服务器或另一个设备/传感器)通信；以及显示器1008。另外，计算设备1000可包括音频输出设备(例如，扬声器)和触觉反馈设备(例如，偏心旋转质量(ERM)致动器、线性共振致动器(LRA)或压电致动器以及其他实例)。

处理器1002可包括一个或多个通用处理器或专用处理器(例如，GPU)。处理器1002可配置为执行计算机可读指令1014。例如，处理器1002可至少部分地基于计算机可读指令1014来控制所述一个或多个传感器1016。处理器1002可配置为处理由所述一个或多个传感器1016收集的实时数据。

数据存储器1004为非暂态计算机可读介质，其可包括但不限于磁盘、光盘、有机存储器和/或可由处理器1002读取的任何其他易失性(例如RAM)或非易失性(例如ROM)存储系统。数据存储器1004可包括用于存储数据指示的数据存储器，该数据指示为诸如传感器读数、机器学习模型、程序设置(例如，以调整计算设备1000的行为)、用户输入(例如，来自设备1000上的用户界面或传送自远程设备)等。数据存储器1004还可包括由处理器1002执行以使得设备1000执行由指令指定的操作的程序指令1014。该操作可包括本文所述的任何方法。

通信接口1006可包括硬件，以使得能够在计算设备1000内和/或在计算设备1000与一个或多个其他设备之间进行通信。硬件可包括例如发射机、接收机和天线。通信接口1006可配置为根据一种或多种有线或无线通信协议来促进与一个或多个其他设备的通信。例如，通信接口1006可配置为根据一种或多种无线通信标准(诸如一种或多种IEEE 801.11标准、ZigBee标准、蓝牙标准等)促进计算设备1000的无线数据通信。例如，通信接口1006可包括WiFi连接性以及云计算和/或云存储能力的访问权限。作为另一个实例，通信接口1006可配置为促进与一个或多个其他设备的有线数据通信。

显示器1008可为配置为显示数据的任何类型的显示部件。作为一个实例，显示器1008可包括触摸屏显示器。作为另一个实例，显示器1008可包括平板显示器，诸如液晶显示器(LCD)或发光二极管(LED)显示器。

用户界面1010可包括用于向计算设备1000提供数据和控制信号的一个或多个硬件。例如，用户界面1010可包括鼠标或定点设备、键盘或小键盘、麦克风、触摸板、或触摸屏、以及其他可能类型的用户输入设备。通常，用户界面1010可使操作者能够与由计算设备1000提供的图形用户界面(GUI)交互(例如，由显示器1008显示)。作为实例，用户界面1010可允许操作者向计算设备1000提供输入数据。作为另一个实例，操作者可提供指示将用于执行操作的产品的输入和/或指示操作者可在其上执行磨料操作的工件的输入。

在一些实施例中，用户可利用GUI以提供期望的操作级别(例如，最大期望振动级别、最大期望噪声级别等)，这可基于例如用户偏好和/或用户舒适度。应当理解，用户也可通过其他方式提供指示期望操作级别的信息。

一个或多个传感器1016可配置为实时收集来自计算设备1000的环境的数据或收集与该计算设备的环境相关联的数据。数据的实时收集可涉及传感器周期性地或连续地收集数据。例如，所述一个或多个传感器1016可包括声音检测设备(例如，麦克风)，该声音检测设备配置为检测传感器的环境中的声音(例如，来自在传感器附近操作的磨料设备)。另外和/或另选地，传感器1016可配置为收集来自计算设备1000的操作者的数据或收集与该计算设备的操作者相关联的数据。例如，所述一个或多个传感器1016可包括加速度计。如本文所述，由所述一个或多个传感器1016收集的数据可用于确定磨料操作数据，然后可将其用于获得关于研磨/磨料操作的实时数据、捕获正在使用该设备的用户的用户体验、和/或确定操作和/或企业改进(例如，基于一段时间内收集的数据)。

所述一个或多个传感器1016还可包括用于检测运动的其他传感器，诸如IMU和陀螺仪。进一步地，所述一个或多个传感器1016可包括其他类型的传感器，诸如位置跟踪传感器(例如，GPS或其他定位设备)、光强度传感器、温度计、时钟、力传感器、压力传感器、光电传感器、霍尔传感器、振动传感器、声压传感器、磁力计、红外传感器、相机和压电传感器以及其他实例。传感器及其部件可小型化。

VI.示例性机器学习平台

图11展示了根据一个示例实施例的机器学习平台1110的布置1100。如图11所示，机器学习平台1110可通信地耦接至企业1120、外部供应商1130和第3方用户1140。机器学习平台1110可包括例如机器学习系统1112、数据库设备1114、服务器设备1116和分析平台1118。机器学习平台1110可利用机器学习以处理和/或分析由企业1120收集的传感器数据。机器学习平台1110可存储所接收的传感器数据，然后分析数据以提供磨料产品的产品特定信息和/或与企业1120上的磨料产品相关联的工件特定信息。如本文所用，产品特定信息可指与磨料产品/设备的元件或由磨料产品/设备执行的任何磨料操作/过程的元件有关的任何信息。例如，机器学习平台1110可确定企业1120的最佳操作实践。在另一个实例中，机器学习平台1110可针对不同的磨料产品确定不同的价值度量(例如，生产率、产品寿命等)。如本文所用，磨料产品可指与磨料工具相关联或由磨料工具体现的装置。

机器学习系统1112可包括一个或多个机器学习模型，其配置为从企业1120接收传感器数据。例如，传感器数据可与磨料产品有关并且与来自企业1120的研磨操作模式、特定工件、特定磨料工具或特定研磨条件有关。响应于接收到传感器数据，机器学习系统1112可训练所述一个或多个机器学习模型以预测与所接收的传感器数据有关的产品特定信息和/或工件特定信息。在一个或多个机器学习模型已经过训练之后，机器学习系统1112可在运行时被应用以基于从企业1120接收的实时数据来预测或推断预测状况。如本文所述，预测的状况可触发、提示或发起各种事件，诸如通知、报告、命令或另一种类型的行动

数据库设备1114可包括配置为将数据存储至一个或多个数据库中的一个或多个计算设备。例如，数据库设备可包括一个或多个关系数据库(例如，SQL)、图形数据库(例如，neo4j)、文档数据库(例如，MongoDB)、列式数据库(例如，Cassandra)和/或其他数据库模型。数据库设备1114可充当机器学习平台1110的部件的数据存储器。例如，数据库设备1114可配置为接收并存储来自企业1120的传感器数据并且将传感器数据提供给机器学习系统1112以用于训练一个或多个机器学习模型。在一些实例中，数据库设备1114可配置为充当分析平台1118的主要数据源。在其他实例中，数据库设备1114可配置为存储一个或多个经训练的模型(例如，所学习的参数)。

服务器设备1116可包括一个或多个网络服务器、文件服务器和/或计算服务器。服务器设备可促进机器学习平台1110与企业1120、外部供应商1130和第3方用户1140之间的通信。可通过已知的网络通信协议(例如TCP/IP)来促进通信。在一些实施例中，服务器设备1116可由机器学习系统1112或分析平台1118用于计算任务。例如，服务器设备1116中的设备可为用作机器学习系统1112的分布式训练架构的一部分的MapReduce集群的一部分。

分析平台1118可包括配置为利用从机器学习系统1112和数据库设备1116收集的信息的网络应用程序。在处理所收集的信息之后，分析平台1118可为企业1120生成各种预测未来状况以及为企业1120生成各种规范行动。如本文所用，预测未来状况是指关于可能发生在企业1120处的未来事件的估计。未来事件的实例可包括磨料产品/工件的预测失效、对磨料产品/工件的潜在损坏的预测、或工件质量不符合预定质量水平的预测，以及其他可能性。进一步地，如本文所用，规范行动是指在给定的磨料产品的当前状态和/或当前情况和/或给定的企业1120的当前状态和/或当前情况的情况下对最佳行动方案的推荐。规范行动的实例可包括在磨料产品显示异常行为时关闭磨料产品的命令、调整磨轮的速率的命令、更换磨料产品的磨料制品的通知、或修整损坏的磨料产品的通知，以及其他可能性。

在一些实施例中，分析平台1118包括用由企业1120使用的物理磨料产品的数字版本(例如，“数字孪生”)编程的模拟环境。模拟环境可使用这些数字版本以估计因从模拟环境中添加/重新配置/移除不同数字磨料产品而导致的生产率、成本和/或损害。在一些实施例中，分析平台1118配置为以图形方式显示与企业1120中的一种或多种磨料产品和/或一种或多种工件相关联的度量。下面提供了关于分析平台1118的更多细节。

值得注意的是，提供机器学习平台1110的配置作为实例。在某些情况下，机器学习平台1110可包括一个或多个附加设备。例如，机器学习平台1110可包括防火墙以允许来自授权用户的访问、拒绝来自未授权用户的访问、提供入侵检测、促进病毒扫描并且/或者提供其他网络安全服务。作为另一个实例，机器学习平台1110可包括一个或多个负载平衡器以跨机器学习平台1110内的多个计算设备分发传入网络流量或请求(例如，使得不会有单个设备被任务请求所淹没)。在其他实例中，机器学习平台1110可包括一个或多个路由器、虚拟机、代理服务器和/或其他常见网络设备。机器学习平台1110还可连接至一个多个客户端设备(例如，个人计算机或移动电话)。在一些实例中，机器学习平台1110可提供虚拟专用网络(VPN)服务。

另外和/或另选地，机器学习平台1110的部件可跨多个计算设备进行复制以提供数据复制并增加服务的容量。这些计算设备可位于不同物理位置，以确保在一个位置处发生故障时的高可用性。因此，机器学习平台1110可跨不同物理位置和数百个计算设备来进行配置。

企业1120可包括例如一种或多种磨料产品1122、可穿戴设备1124、服务器设备1126和远程设备1128。企业1120可表示包含多个研磨机的单个地理位置或可表示位于若干地理位置的多个研磨机。此外，企业1120可表示多个企业中的单个企业，所述多个企业利用由操作机器学习平台1110的实体制造或维护的产品。因此，机器学习平台1110可充当这些产品的远程客户支持系统。

磨料产品1122可包括在工件上执行研磨操作的一个或多个设备或工具。如上所述，磨料产品1122可由操作机器学习平台1110的实体制造或维护。磨料产品1122可包含一个或多个传感器，所述一个或多个传感器收集与研磨操作相关联或涉及被研磨的工件的磨损操作数据。例如，所述一个或多个传感器可经由蓝牙、TCP/IP或其他联网协议将所收集的磨损操作数据传输至服务器设备1126。在另一个实例中，所述一个或多个传感器可将所收集的磨损操作数据传输至机器学习平台1110。

可穿戴设备1124可包括具有一个或多个传感器的可穿戴计算设备，所述一个或多个传感器连续地或周期性地收集来自磨料产品1122的环境的数据或收集与该磨料产品的环境相关联的数据，并且/或者收集来自操作者的磨料产品1122的数据或收集与该操作者的磨料产品相关联的数据。例如，由可穿戴设备1124收集的数据可用于确定磨料操作数据。在一些实例中，可将所收集的数据发送至服务器设备1126(例如，经由蓝牙、TCP/IP或其他联网协议)。在其他实例中，所收集的数据可直接传输至机器学习平台1110。

服务器设备1126可包括位于企业1120上的一个或多个计算设备。服务器设备可配置为从磨料产品1122和可穿戴设备1124接收并聚合传感器数据。服务器设备1126可由机器学习平台1110或由企业1120操作。在接收到传感器数据时，服务器设备1126可将数据过滤器应用于传感器数据，诸如移除来自一个或多个可穿戴设备1124或磨料产品1122的离群传感器数据并且/或者忽略来自所述一个或多个可穿戴设备或磨料产品的传感器数据。在一些实例中，服务器设备1126可配置为将传感器数据转换为更适用于机器学习平台1110的不同数据格式，例如转换为JavaScript对象表示法(JSON)。作为另一个实例，服务器设备1126可允许人类操作者用标签来标记传感器数据，如本文进一步描述的。服务器设备1126可从机器学习平台1110接收产品特定信息和/或工件特定信息并将该信息分发至远程设备1128、磨料产品1122、可穿戴设备1124，或者可存储该数据以供企业1120的成员以后进行访问。

在一些实施例中，服务器设备1126可通过将数据分批进行分组来向机器学习平台1110提供传感器数据。可周期性地传输批次，例如每10分钟或30分钟。在其他实例中，服务器设备1126可实时地以流格式发送传感器数据机器学习平台1110。在一些实施例中，服务器设备1126可配置为监视设置在磨料产品1122和可穿戴设备1124中的传感器。例如，服务器设备1126可向传感器发送心跳消息，该传感器继而可配置为以响应的心跳消息进行响应。这可确保传感器为可操作的并且没有停止将数据发送至服务器设备1126，例如，因为故障或断电。

远程设备1128可包括位于企业1120中的一个或多个计算设备上的接口。例如，远程设备1128可包括可穿戴设备(例如，智能手表)、移动设备(例如，移动电话或平板电脑)和/或监视器(例如，计算机屏幕)。远程设备1128可从服务器设备1126或机器学习平台1110接收数据并在图形用户界面(GUI)上显示输出数据或发出警报、警告、通知、报告、命令和/或其他类型的行动。

外部供应商1130可表示由操作机器学习平台1110的实体的合作伙伴管理的一个或多个计算系统。在示例实施例中，机器学习平台1110可基于由机器学习系统1112做出的预测而向外部供应商1130传输新订购请求、交付请求和/或其他物流请求。这些请求可由机器学习平台1110代表企业1120自动做出。

第3方用户1140可包括利用分析平台1118的能力的一个或多个个人或组织。例如，第3方用户1140可经由网络浏览器来访问分析平台1118，并且能够访问由机器学习平台1110提供给分析平台1118的数据。例如，可通过基于订阅的模型来授权第3方用户1140进行访问。分析平台1118可提供第3方用户1140的多个级别的访问权限，每个级别的访问均基于由第3方用户1140购买的订阅。例如，每个访问级别均可能提供更敏感或更大量的数据。

值得注意的是，布置1100的部件用于示例的目的。其他部件和布置也是可能的。

VII.示例性机器学习系统

图12描绘了根据一个示例实施例的包含企业1202、机器学习系统1210、输入请求1220和输出预测1230的场景1200。场景1200可作为布置1100的一部分而发生。因此，企业1202可由企业1120体现，机器学习系统1210可由机器学习系统1112体现，并且训练数据1212可由数据库设备1114体现。

企业1202可表示例如利用由机器学习系统1210的操作者制造或维护的产品的组织。如上面所讨论的，企业1202可包含产生与磨料操作相关联的磨损操作数据的传感器，该磨料操作涉及一种或多种磨料产品或者一种或多种工件。来自这些传感器的数据可从企业1202传输至机器学习系统1210，以便基于传感器数据来确定所述一种或多种磨料产品的产品特定信息和工件特定信息。

机器学习系统1210可利用机器学习技术以用训练数据训练一个或多个机器学习模型，以检测模式并提供关于训练数据的输出预测。所得经训练的机器学习模型可称为经训练的机器学习模型。例如，场景1200展示了机器学习模型1214在训练数据1212上进行训练以成为经训练的机器学习模型1216。在预测时间期间，经训练的机器学习模型1216可接收输入请求1220并响应地提供输出预测1230。

训练数据1212可包括一个或多个数据库，所述一个或多个数据库设计为接收并存储来自企业1202的传感器数据并提供传感器数据以训练一个或多个机器学习模型。例如，训练数据1212可包括关系数据库(例如，SQL)、图形数据库(例如，neo4j)、文档数据库(例如，MongoDB)、列式数据库(例如，Cassandra)和/或其他数据库模型。

机器学习模型1214可包括但不限于诸如逻辑或线性回归等算法、支持向量机(SVM)、贝叶斯网络、人工神经网络(ANN)(包括卷积神经网络(CNN)和递归神经网络(RNN))、朴素贝叶斯分类器、K最近邻、自动编码器、隐马尔科夫模型(HMM)、马尔可夫决策过程、决策树、随机森林、集成方法(包括boosting和bagging)和/或启发式机器学习模型。并入了基于规则的算法(例如，关联规则模型、学习分类器模型等)或迭代算法(例如，期望最大化算法)的机器学习模型也被考虑在内并且在本申请的范围内是可能的。

可利用在线或离线学习来训练机器学习模型1214。在训练期间，机器学习模型1214可利用训练数据1212以调整一个或多个模型的权重和/或其他参数。机器学习模型1214可在训练期间使用各种正则化技术(诸如L1正则化、L2正则化、训练的提前终止和/或辍学方法)以减少过拟合。机器学习模型1214可在训练期间使用各种优化方法，诸如基于梯度的方法(批量梯度下降、随机梯度下降、Adam优化)、基于搜索的技术(遗传算法、网格搜索、随机搜索)和/或其他技术以学习开放或更多参数和/或超参数。

在一些实施例中，机器学习模型1214可使用监督式学习以基于标记的训练数据1212来确定输出预测。可基于与训练数据1212上的标签相关联的正确结果来接受或校正这些输出预测。作为实例，线性回归可用于在给定磨料产品的输入RPM数据的情况下，预测磨料产品的操作者的空闲时间。这可包括例如基于操作者的预测空闲时间与操作者的实际标记空闲时间之间的差异来优化平方损失函数，该操作者的实际标记空闲时间与输入RPM数据相关联。

在一些实施例中，机器学习模型1214可使用非监督式学习以学习基于未标记的训练数据1212的特征的模式、结构。作为实例，聚类算法(例如：k-均值聚类、层次聚类)可用于将具有类似特征的传感器数据分组至集群中，这可用于异常检测(例如，具有不属于的任何集群的特征的传感器可能会收到警报)。在另一个实例中，可使用自动编码器来学习传感器数据的新表示(通常具有降低的维度)。然后可将传感器数据的这些新表示用于分类任务。

在一些实施例中，机器学习模型1214可通过具有针对部分而非全部训练数据1212的标签来使用半监督式学习。因此，监督式学习可用于具有标签的训练数据1212的一部分，而非监督式学习可用于不具有标签的训练数据1212的一部分。在一些实施例中，机器学习模型1214可使用强化学习以响应于环境中的行动来接收奖励值。例如，在强化学习期间，机器学习模型1214可采取行动，诸如向客户端设备提供指示使用寿命终结的文本通知，以及从企业1202接收奖励值。响应于奖励，机器学习模型1214可尝试通过采取额外行动(提供另一个文本通知)或探索新的潜在行动(向客户端设备提供不同类型的通知)来最大化奖励值。

在一些实施例中，可基于各种用户体验和/或知识来训练机器学习模型1214。例如，可基于来自研发人员和/或应用工程师的经验来设置或建议操作限制。在此类场景中，机器学习模型1214可利用关于磨料操作的一些或所有方面的组织性“技术诀窍”和/或反馈，诸如但不限于操作者经验、经理经验和/或客户反馈.

在一些实施例中，机器学习模型1214的训练可使用专用处理器来进行加速，诸如图形处理单元(GPU)、张量处理单元(TPU)和/或数字信号处理器(DSP)。在一些实施例中，训练机器学习模型1214可包括针对传感器数据的不同组来训练不同的机器学习模型。传感器数据的组可基于从其收集传感器数据的磨料产品的唯一标识符。例如，一组传感器数据可包括从具有以“X_12”开头的唯一标识符的磨料产品收集的所有传感器数据，该唯一标识符可表示共享类似特性的磨料产品。作为另一个实例，一组传感器数据可包括从共享相同数量和类型的传感器(例如振动传感器)的磨料产品收集的所有传感器数据。

在一些实施例中，机器学习模型1214可配置为用从企业1202接收的新的传感器数据来进行周期性再训练。例如，来自企业1202的传感器数据可与指示传感器收集数据的时间的时间戳相关联。因此，机器学习模型1214可配置为在由时间戳确定的新的传感器数据(诸如上个周、上个月或去年收集的所有数据)的子集上再训练。在一些实例中，周期性地再训练机器学习模型1214可包括基于旧的传感器数据的时间戳从训练数据1212中移除旧的传感器数据。例如，可从训练数据1212中移除收集超过两年、三年或四年的传感器数据。

在训练机器学习模型1214在训练数据1212上经过训练以成为经训练的机器学习模型1216之后，经训练的机器学习模型1216可位于机器学习系统1210上并在其上执行，以提供对来自一个或多个计算设备的请求的预测。在某些情况下，经训练的机器学习模型1216可位于一个或多个计算设备上并在其上执行，以对来自所述一个或多个计算设备的请求做出预测。

在一些实施例中，经训练的机器学习模型1216可从企业1202接收输入请求1220，生成关于输入请求1220的一个或多个输出预测1230，并向企业1202提供所述一个或多个输出预测。例如，输入请求1220可为来自企业1202的用于预测磨料设备的使用寿命终结的请求。因此，输入请求1220可包括用于磨料设备的RPM数据。在此类实例中，企业1202可为训练数据1212的提供者。在其他实施例中，经训练的机器学习模型1216可从外部源1240接收输入请求1220，生成关于输入请求1220的一个或多个输出预测1230，并将所述一个或多个输出预测传输至外部源1240。例如，输入请求1220可为来自外部源1240的用于预测磨料设备的使用寿命终结的请求。因此，输入请求1220可包括用于磨料设备的RPM数据。在此类实例中，外部源1240可能不是训练数据1212的提供者，并且因此可依赖来自企业1202的训练数据以做出预测。

在一些实施例中，输出预测1230可被标记并且在随后的训练阶段期间被利用以进一步改善经训练的机器学习模型1216。例如，输出预测1230可作为用于解决磨料产品的问题的一种或多种产品特定解决方案来加以提供。可向企业1202提供这些产品特定解决方案，该企业继而从所述一种或多种产品特定解决方案中选择产品特定的解决方案。在选择解决方案时，企业1202可记录所选择的产品特定解决方案并且可将磨料产品的标签确定为所选择的解决方案。然后可将该解决方案传输至训练数据1212以用于改善经训练的机器学习模型1216。

VIII.示例性输入

图13展示了根据一个示例实施例的表示输入设备至机器学习系统的场景1300。场景1300可发生在企业1120中并且包括手动磨料设备1310、可穿戴设备1320、自动化磨料设备1330和服务器设备1340。因此，手动磨料设备1310和自动化磨料设备1330可由磨料产品1122体现，并且服务器设备1340可由服务器设备1126体现。如本文所用，磨料设备可指与磨料工具相关联或由磨料工具体现的设备。

手动磨料设备1310可以是配置为在工件(图13中未示出)上执行手动研磨操作的任何工具。此类研磨操作可包括研磨、抛光、磨光、珩磨、切割、钻孔、磨锐、锉削、精磨、砂磨和/或其他类似任务。然而，考虑了可包括振动和/或噪声的其他类型的手动机械操作。例如，在本公开的上下文中，锤击、凿开、压接、敲击或其他手动操作是可能的。因此，手动磨料设备1310可以是配置为执行一个或多个磨料操作的设备。例如，手动磨料设备1310可为直角研磨工具、电钻、锤钻和/或敲击锤、锯具、刨具、螺丝起子、槽刨机、砂磨机、角磨机、园林用具和/或多功能工具以及其他实例。

在实例中，自动化磨料设备1330可以是配置为在工件(图13中未示出)上执行自动化研磨操作的任何工具。此类研磨操作可包括研磨、抛光、磨光、珩磨、切割、钻孔、磨锐、锉削、精磨、砂磨和/或其他类似任务。例如，自动化磨料设备1330可包括切割工具、砂磨工具、磨光工具和/或抛光工具。

尽管操作者通常操作手动磨料设备1310，但在本公开中，控制器操作自动化磨料设备1330。控制器可采取计算设备1000的形式并且可配置为执行各种行动，诸如打开自动化磨料设备1330，关闭自动化磨料设备1330，设置自动化磨料设备1330的旋转速度，在相对于工件的期望的位置和/或角度处施加期望的研磨或切割力，以及其他可能性。在一些实施方式中，控制器的行动基于来自机器学习系统1210的输出来进行配置。例如，机器学习系统1210可基于从自动化磨料设备1330的控制器接收的磨料操作数据(例如，振动数据、电流数据、轮速数据等)做出预测。在做出预测之后，机器学习系统1210可根据该预测重新配置控制器，例如，通过在控制器处设置新的最大旋转速度。在一些实例中，自动化磨料设备1330可采取计算机数控(CNC)研磨机的形式，并且前述控制器可为CNC控制器。然而，其他类型的自动化磨料设备也是可能的和被考虑的。

手动磨料设备1310和自动化磨料设备1330可包括使该工具能够执行一种或多种磨料操作的一个或多个部件。特别地，手动磨料设备1310和自动化磨料设备1330可包括用于执行所述一种或多种操作的磨料制品。磨料制品可包括一种或多种可用于成形或精加工工件的材料。所述一种或多种材料可包括磨料矿物，诸如方解石(碳酸钙)、金刚砂(不纯刚玉)、金刚石、CBN、金刚石粉(例如，合成金刚石)、均密石英岩、浮石、红铁粉、砂土、刚玉、石榴石、砂岩、硅藻岩、粉状长石、十字石、氮化硼、陶瓷、陶瓷氧化铝、陶瓷氧化铁、刚玉、玻璃粉、钢磨料、碳化硅(金刚砂)、氧化锆氧化铝、碳化硼和矿渣。另外和/或另选地，所述一种或多种材料可包括复合材料，该复合材料包括利用粘结剂被压制并粘结在一起的粗颗粒聚集体。该复合材料可包括粘土、树脂、玻璃、橡胶、氧化铝、碳化硅、碳化钨、石榴石和/或石榴石陶瓷。

此外，磨料制品可具有多种形状中的一种。例如，该制品可采取片材、块、棍、轮、环或盘以及其他实例的形式。在图13所示的实例中，手动磨料设备1310可包括轮形磨料制品1316。另外，手动磨料设备1310和自动化磨料设备1330可包括电源，该电源可配置为致动磨料制品以执行操作。在实例中，电源可以是电动马达、汽油发动机或压缩空气。手动磨料设备1310和自动化磨料设备1330还可包括容纳电源的壳体。壳体可由硬塑料、酚醛树脂或中等硬度橡胶以及其他实例形成。

在一些实施例中，手动磨料设备1310和自动化磨料设备1330可包括标识特征，诸如可雕刻或附连的可扫描标识符(例如，QR代码、条形码、序列号等)。标识特征可用于标识工具的类型、工具的制造商、工具的模型和/或工具的唯一标识符。另外和/或另选地，手动磨料设备1310和自动化磨料设备1330的各个部件可包括标识特征。例如，磨料制品可包括雕刻在磨料制品中和/或附连至磨料制品的标识特征。标识特征可用于标识磨料制品的类型、磨料制品的制造商、磨料制品的模型和/或磨料制品的唯一标识符。

手动磨料设备1310和自动化磨料设备1330可包括一个或多个传感器，所述一个或多个传感器可从工具的环境和/或从工具本身(例如，在工具的手柄、主体内并且/或者耦接至磨料产品)实时收集数据。在一些实施例中，该系统可另外包括设置在其中正在执行操作的环境中的远程传感器。这些传感器和嵌入式传感器可配置为将所收集的数据传输至服务器设备1340。传感器可配置为传输工具的操作数据和工具的唯一标识符。

可穿戴设备1320为腕戴式设备的形式，该腕戴式设备安装在用户的手1322的腕部上。用户的手1322可以是操作者在执行任务时偏爱的主导手。在此，操作者可使用手1322(可穿戴设备1320安装在其上)以抓握手动磨料设备1310的手柄1312。可穿戴设备1320可配置为获得可用于确定磨料操作数据的实时数据。为了获得实时数据，可穿戴设备1320可包括传感器，该传感器可从磨料产品的环境和/或从磨料产品本身实时收集数据。可穿戴设备1320可配置为与磨料产品上的远程传感器和/或与与磨料产品相关联的所述一个或多个传感器通信。另外，可穿戴设备可包括通信接口以例如以实时和/或异步方式将所收集的数据传输至服务器设备1340。在一些实施例中，可穿戴设备1320可用于运行网络应用程序，该网络应用程序可包括在Node.js(例如，随处可见的JavaScript)运行时环境中进行操作的事件驱动脚本，以及其他可能性。

在一些实施例中，可穿戴设备1320的传感器可配置为读取或扫描手动磨料设备1310的标识特征或手动磨料设备1310的磨料制品。例如，传感器可包括图像捕获设备(例如，相机)，该图像捕获设备可捕获和分析手动磨料设备1310的图像以便确定类型或可扫描标识特征1314。标识工具和/或其部件可允许可穿戴设备1320为操作者提供与工具和/或其部件相关联的信息。另外和/或另选地，该标识可允许可穿戴设备1320将由环境中的传感器收集的数据与用于执行期望操作的手动磨料设备1310和/或特定部件相关联。

在场景1300中，手动磨料设备1310、可穿戴设备1320、自动化磨料设备1330的传感器以及其他传感器1350可连续地或周期性地收集来自手动磨料设备1310和自动化磨料设备1330的操作的数据或收集与该手动磨料设备和自动化磨料设备的操作相关联的数据。例如，所收集的磨料操作数据可包括声音数据、加速度数据、振动数据、陀螺仪数据和/或从声音、加速度和/或振动数据外推的数据(例如，所施加的力数据、RPM数据、使用率等)。在示例实施例中，所收集的磨料操作数据可能与材料、材料去除率、操作条件、消耗的功率或比磨削能相关。

另外，手动磨料设备1310、可穿戴设备1320、自动化磨料设备1330的传感器以及其他传感器1350可定位在相对于磨料设备/工具的各个位置和/或在其上操作的工件的各个位置。例如，振动传感器、陀螺仪、麦克风和/或任何其他传感器可嵌入工具或工具的手柄内。在其他实例中，传感器可位于工具和/或工件附近。在又一个实例中，传感器可安装在工件可在其上放置的工作表面上。在甚至更进一步实例中，传感器可安装在墙壁或天花板位置。应当理解，多个传感器可位于工具和/或工件附近的各个位置处，以提供“立体”或多传感器组合。这样的多个传感器组合可基于立体或多视感测来提供关于正在使用哪个工具的信息和/或消除特定声音的歧义。

在一些实施例中，传感器可包括加速度计，该加速度计可用于测量并记录三个轴线(x、y和z)上的加速度信息。例如，可穿戴设备1320可包括加速度计，该加速度计配置为在操作手动磨料设备1310时收集与用户的手1322有关的加速度数据。因此，加速度计可测量由于振动而引起的手的加速度。因为手的振动是工具振动的结果，所以加速度计收集的加速度信息可指示工具的振动。在这种场景下，加速度信息可用于确定工具的振动程度。振动数据是磨料操作数据的一个实例，可用于外推其他磨料操作数据。作为实例，振动数据可用于确定工具的操作信息，诸如操作状态和操作时间。例如，操作状态可包括“OFF(关闭)”、“IDLE(空闲)”和“SANDING(砂磨)”，以及其他可能性。作为另一个实例，振动数据可用于确定所执行的磨料操作的研磨信息，诸如工作角度、抓握力、施加的压力、角速度(例如，每分钟转数，RPM)以及其他变量。

在一些实施例中，传感器可包括配置为从磨料操作收集声音数据的麦克风。通过分析声音数据的幅值与磨料产品不同RPM值的已知声音幅值的相关性，所收集的声音数据可用于确定磨料产品操作的RPM。

在一些实施例中，传感器可包括光学或磁性传感器，其可操作地配置为检测与盘的研磨轮的可见/磁性附接并且提供关于研磨轮或盘的角速度(RPM)的信息。

在一些实施例中，传感器可包括火花恒定传感器，该火花恒定传感器配置为检测附接至研磨轮或盘的感测目标的旋转并提供关于研磨轮或盘的角速度(RPM)的信息。在一些实施例中，传感器可包括压力传感器以确定施加至研磨工具的空气压力。

在示例实施例中，所确定的RPM值可用于外推磨料操作数据。例如，RPM值可通过使用指示特定工具的RPM与由该工具施加的研磨功率之间的相关性的数据(例如，表格)来确定该工具的研磨功率。作为另一个实例，RPM值可通过使用指示特定工具的RPM与由该工具施加的研磨功率之间的相关性的数据(例如，表格)来确定施加至工件的力。

在一些实施例中，传感器可收集指示工件的信息。例如，传感器可包括配置为捕获工件的图像的图像捕获设备(例如，相机)。可分析图像以便确定工件的状态，包括工件的类型、工件的材料、工件的尺寸、工件的表面特性和/或工件在环境中的布置(例如，相对于环境中的参考点的取向、角度、位置)。在一些实施例中，可基于其他类型的传感器信息来确定关于工件的信息。例如，在研磨过程中，研磨工具与各种工件材料之间的相互作用可提供不同的噪声和振动数据。在示例实施例中，经标记的噪声和振动数据的数据库可具体地识别各种工件材料。在此类场景中，随后捕获的噪声和振动数据可与经标记的噪声和振动数据库中的条目进行比较，以便提供关于给定工件材料的信息。

在一些实施例中，传感器可收集指示发生在研磨区域中的微观相互作用(例如，摩擦学)的信息。(即，研磨轮与加工材料之间的区域)。例如，传感器可包括振动传感器，该振动传感器配置为在研磨过程的每个步骤期间外推磨粒对工件的穿透深度。然后，每个穿透深度可与特定的微观相互作用(诸如，切割(例如，材料去除)、犁耕(例如，材料位移)、滑动(例如，表面改性))相关联。值得注意的是，研磨过程结束时生成的表面可能为不同类型微观相互作用的累积效应。

服务器设备1340可包括一个或多个计算设备，所述一个或多个计算设备配置为接收并聚合来自手动磨料设备1310、可穿戴设备1320、自动化磨料设备1330的传感器以及其他传感器1350的传感器数据。这些传感器与服务器设备1340之间的通信可经由以下项来促进：无线保真(Wi-Fi)连接、蓝牙连接、光保真(Li-Fi)连接、红外连接、近场通信(NFC)连接或一些其他无线连接。在一些实施例中，传感器可配置为使用消息队列遥测传输(MQTT)或另一种类型的消息传递协议来与服务器设备1340通信。

在接收到传感器数据时，服务器设备1340可将数据过滤器应用于传感器数据或将传感器数据转换为不同的数据格式。服务器设备1340可将传感器数据传输至机器学习平台(例如机器学习平台1110)以便确定与手动磨料设备1310、可穿戴设备1320、自动化磨料设备1330和/或其他传感器1350有关的产品特定信息和/或工件特定信息。

在一些实施例中，服务器设备1340可配置为允许人类操作者标记传感器数据。特别地，标记可用作标签或额外的训练特征以用于训练一个或多个机器学习模型。例如，标记可识别与传感器数据相关联的所述一种或多种磨料产品的产品特定信息。这可能包括与振动数据有关的操作状态。作为实例，“行走”的操作状态可分配给具有小峰值的振动数据。在另一个实例中，“空闲”的操作状态可分配给具有稳定斜率的振动数据。

在一些实施例中，标记可在磨料产品相关事件之前立即识别磨损操作数据的模式。例如，磨料产品相关事件可包括使用磨料产品的操作者的严重受伤。因此，标记可与来自受伤前的操作者的可穿戴设备的振动传感器数据相关联。例如，“临界”标记可能与受伤前一小时的振动数据相关联，而“危险”标记可能与受伤前几分钟或不到一分钟的振动数据相关联。

在一些实施例中，服务器设备1340可提供传感器数据的图表以帮助人类操作者外推指示磨料产品的特定条件或性能指标的模式。如本文所解释的，人类操作者可使用一种或多种数据分析方法以外推模式。作为实例，传感器曲线图可用于外推在操作期间供应给工具的功率信号与操作期间工具的振动之间的相关性，以便将标记分配给振动数据。特别地，具有在一定的时间段/阶段期间大于阈值的幅值的振动数据可指示在该时间段/时间阶段内向磨料产品分配“通电”标记。此外，具有在一定的时间段/阶段内大于第二阈值的幅值的振动数据可指示在该时间段/阶段期间向磨料产品分配“严酷条件”标记。在另一个实例中，当在严酷条件下操作磨料产品时，加速度数据可包括比在正常条件下操作磨料产品时更高的峰值。因此，大于振动数据中的阈值的峰值可指示“严酷条件”标记。

在一些实施例中，人类操作者可使用诸如以下方法以辅助对传感器数据进行标记：机器学习(例如，贝叶斯分类器、支持向量机、线性分类器、k最近邻分类器、决策树、随机森林)、快速傅里叶变换(FFT)、人工智能(AI)方法(例如神经网络、模糊逻辑、聚类分析或模式识别)、过滤、峰值、均值、标准差、偏度和/或峰度。例如，人类操作者可使用机器学习平台(例如机器学习平台1110)以辅助创建传感器数据的标记。值得注意的是，所创建的标记然后可用于在同一机器学习平台上训练一个多个机器学习模型。

其他传感器1350可包括设置在手动磨料设备1310、可穿戴设备1320和自动化磨料设备1330周围环境中的其他传感器。例如，其他传感器可包括温度传感器以检测手动磨料设备1310和自动化磨料设备1330周围环境的温度。在一些实例中，手动磨料设备1310、可穿戴设备1320和自动化磨料设备1330中的传感器以及其他传感器1350可与机器学习平台(例如机器学习平台1110)直接通信。

IX.示例性输出

图14描绘了根据一个示例实施例的表示从机器学习系统1210接收预测的设备的场景1400。场景1400可包括磨料产品1410、远程设备1420、供应商1430和分析平台1440。值得注意的是，磨料产品1410可由磨料产品1122体现，分析平台1440可由分析平台1118体现，供应商1430可由外部供应商1130体现，并且远程设备1420可由远程设备1128体现。

磨料产品1410可包括例如自动化磨料设备1412、手动磨料设备1414和可通信地耦接至手动磨料设备1414的可穿戴设备1416，如本文所述。因此，机器学习系统1210可输出与磨料产品1410的磨料操作数据相关的预测信息。此类磨料操作数据可由设置在磨料产品1410上或附近的传感器来进行收集。例如，磨料操作数据可包括关于研磨轮的角速度(RPM)、操作的严重性和工具所经历的震动的信息。在另一个实例中，磨料操作数据可包括手动磨料设备1414的研磨参数，包括工作角度、抓握紧度和施加的压力。作为另一个实例，噪声传感器和火花恒定传感器可提供自动化磨料设备1412和/或手动磨料设备1414的电功率信息。在进一步的实例中，磨料操作数据可包括指示正在其上执行操作的工件的陀螺仪数据(例如，基于指示工件的传感器数据，例如图像)。

基于该磨料操作数据，机器学习系统1210可确定磨料产品1410的产品特定信息和/或由磨料产品1410操作的工件的工件特定信息。然后机器学习系统1210可向磨料产品1410提供一个或多个提醒产品特定信息或工件特定信息的通知。响应于接收到指示，磨料产品1410可输出视觉、触觉和/或音频警报或可采取自动化行动。例如，磨料产品1410可包括图形用户界面(GUI)或用于显示通知的附接指示灯。在另一个实例中，磨料产品1410可包括将电脉冲转换为声音的装置(例如嵌入式扬声器)以用于听到音频警报。作为进一步的实例，磨料产品1410可包括嵌入式计算设备，该嵌入式计算设备可响应于来自机器学习系统1210的指示而自动改变磨料产品1410的磨料操作。在又一个实例中，可穿戴设备1416可包括振动机制，使得警报可作为振动传送至可穿戴设备1416。

在一些实施例中，机器学习系统1210可确定磨料产品1410的特定磨轮的操作速度是否在在其上操作的特定工件、特定磨轮或它们的组合的安全性或生产性操作范围内。例如，机器学习系统1210可以警告灯的形式向磨料产品1410提供警告信号。在另一个实例中，机器学习系统1210可向磨料产品1410提供自动指令以调整RPM、打开和/或关闭。例如，该自动指令可为到流体控制阀(例如空气阀)的信号，以调整研磨机的速度；或者为使用研磨修整器以修整磨轮的表面的指示。

在一些实施例中，机器学习系统1210可确定磨料产品1410的磨料制品损坏或发生故障。例如，机器学习系统1210可分析加速度和/或噪声数据以确定磨料制品损坏和/或发生故障。这可涉及检测加速度和/或噪声数据中的一种或多种模式，其可指示磨料制品损坏或发生故障。例如，尖峰或峰值的第一模式可指示磨料产品损坏，而尖峰或峰值的第二模式可指示磨料产品发生故障。在做出确定之后，机器学习系统1210可向磨料产品1410提供磨料制品损坏或发生故障的指示。此类指示可为视觉、触觉和/或音频警报。在一些实施例中，机器学习系统1210配置为在加速度和/或噪声数据超过预定阈值(例如，最大期望工具振动级别、最大期望工具噪声级别等)时发送指示。在此类实施例中，该指示可为关闭一种或多种磨料产品1410的指令。另外，该警报可经由GUI向用户提供订购替换制品或请求维护制品的选项。

在一些实施例中，机器学习系统1210可基于陀螺仪数据来确定用户正在以不同于推荐角度的角度定位手动磨料设备1414。基于该磨料操作数据，机器学习系统1210可确定手动磨料设备1414的用户正在不正确地执行操作。然后，机器学习系统1210可向手动磨料设备1414和/或可穿戴设备1416提供用户正在不正确地执行操作的指示。响应于接收到指示，手动磨料设备1414和/或可穿戴设备1416可输出视觉、触觉和/或音频警报，该警报向用户指示用户正在不正确地执行操作。另外和/或另选地，机器学习系统1210可通过提供与磨料操作有关的通知来连续地向用户提供指示操作的正确执行的反馈。

在一些实施例中，机器学习系统1210可确定操作手动磨料设备1414的用户的人体工程学状态。例如，该确定可基于对从手动磨料设备1414捕获的数据的分析。机器学习系统1210可确定用户已经执行操作超过推荐时间的时间段和/或可确定用户正在以高于/低于期望的力、振动和/或RPM水平操作手动磨料设备1414。例如，操作者和/或磨料产品制造商可向机器学习系统1210提供力、振动和/或RPM的上限和下限。上限和下限可经由机器学习系统1210、分析平台(例如，分析平台1118)确定并且/或者可基于当今或未来实施的职业安全标准。例如，上限和下限可基于由职业安全与健康管理局(OSHA)、国家职业安全与健康研究所(NIOSH)、欧洲工作安全与健康局(EU-OSHA)或国际标准化组织(ISO)设定的标准。因此，机器学习系统1210可确定从操作手动磨料设备1414的用户收集的力、振动和/或RPM数据是否在“最佳区域”内，例如落在上限与下限之间。如果用户在最佳区域内操作的时间百分比足够低，则机器学习系统1210可向手动磨料设备1414和/或可穿戴设备1416提供信息以增加“最佳区域”中的时间百分比(在一些实施例中，通过输出提供操作改善、推荐的操作角度等的视觉、触觉和/或音频警报来提供)。以此类方式，本文所述的系统和方法可监视与工人安全和/或遵守国际、联邦(例如，OSHA)、国家和/或地方规则和指南有关的操作条件。在一些实施例中，可包括安全裕度(例如，最大限值的1％-10％)以便确保合规性并避免由于例如传感器校准误差或其他轻微传感器错误而造成的无意违规。

在一些实施例中，与不同磨料操作和/或工具相关的最佳区域在操作上可能是相关的。例如，从手动磨料设备接收的振动数据的最佳区域可能不同于从手持式磨料设备接收的振动数据的最佳区域。作为另一个实例，从较轻的手持式磨料设备接收的振动数据的最佳区域可能不同于从较重的手持式磨料设备接收的振动数据的最佳区域。

进一步地，最佳区域可为基于磨料设备的最大度量来计算的测量值。例如，如果磨料设备的最大RPM为MAX_PRM，则该磨料设备的最佳区域可计算为0.6*MAX_RPM至0.7*MAX_RPM之间的任何位置。

应当注意，虽然基于从手动磨料设备1414收集的数据讨论了最佳区域，但可类似地针对从自动化磨料设备1412收集的数据而开发最佳区域。

在一些实施例中，机器学习系统1210可确定磨料产品1410的使用寿命终结估计。例如，该确定可基于对发生故障和/或停用的类似磨料产品的历史RPM数据或产品寿命数据的分析。然后，机器学习系统1210可向磨料产品1410或磨料产品1410的操作者的监管者提供磨料产品1410接近使用寿命终结的指示。该指示可包括操作者可安全地使用磨料产品1410的估计时间量。在某些情况下，机器学习系统1210还可配置为自动订购磨料产品1410的替换设备。

远程设备1420可包括例如移动计算设备、数据库设备、平板计算设备，和/或有利于包括聚合所接收的数据、过滤所接收的数据和/或显示接收数据的操作的其他计算设备。远程设备1420还可包括执行网络应用程序的能力。机器学习系统1210可向远程设备1420输出与企业中多个磨料设备的聚合磨料操作数据相关的预测信息。因此，该信息可由远程设备1420显示，以用于由一个或多个监管者进行分析。例如，聚合磨料操作数据可包括执行所分配的任务所花费的时间长度、磨料设备操作者的空闲时间和/或磨料设备操作者的工作时间。例如，声音数据和/或振动数据可用于确定磨料设备在操作中。

机器学习系统1210可配置为收集聚合磨料操作数据并通过以下项来对所收集的数据保持分类：所执行的磨料操作、磨料操作的长度、与磨料操作相关联的工件、所使用的磨料设备、执行磨料操作的操作者，以及执行磨料操作的时间、对磨料操作的反馈(例如，来自经理或客户)、振动、噪声、生产率、产品寿命等。

基于从企业中的多个磨料设备收集的聚合磨料操作数据，机器学习系统1210可向经改善的工作场所/企业操作提供预测。例如，机器学习系统1210可通过利用知识库文章的数据库来预测用于执行特定类型任务的工作流和/或最佳实践，该知识库文章包括与任务有关的信息、与执行任务时的最佳实践有关的信息以及描述如何使用某些磨料设备以完成任务的信息。在另一个实例中，机器学习系统1210可提供与企业中的一个或多个磨料设备相关联的度量。度量可包括使用率、总操作时间、停机时间、故障数量、维修请求数量等。可在给定任务中使用的磨料设备之间和操作者之间比较这些度量。

在示例性实施方式中，远程设备1420可编程为显示从机器学习系统1210接收的最佳实践、工作流和度量的预测。这些可能包括图形可视化(例如，直方图、条形图、标绘图随时间推移的趋势)、企业的关键绩效指标(KPI)等。在一些实施例中，远程设备1420可编程为显示响应于由磨料设备操作者执行的积极行动而出现的虚拟奖励，诸如积极的安全行动(例如，修改研磨角度、执行推荐安全检查、执行推荐维护等)或积极的操作行动(例如，具有最高/最快的吞吐量，每分钟生产最多的零件等)，以及其他可能性。在此类实施例中，中央服务器设备(例如，服务器设备1126或机器学习平台1110)可在远程设备1420之间建立虚拟竞争，其中将与每个远程设备1420相关联的虚拟奖励相互比较，从而可能鼓励每个操作者通过执行进一步的积极行动来增加他们的虚拟奖励。远程设备1420也可具有分析平台1440的访问权限，如下面所讨论的。

供应商1430可表示由机器学习系统1210的操作者、机器学习系统1210的操作者的合作伙伴和/或使用机器学习系统1210的企业的合作伙伴管理的一个或多个计算系统。例如，供应商1430可包括与以下项相关联的计算系统：负责组装一个或多个磨料设备的部件的制造商、负责向/从企业递送部件的物流中心、负责改善磨料设备操作的研发(R&D)中心、负责磨料设备安全的OSHA检查员，负责维修存在缺陷的磨料设备的磨料设备维修技术人员等。为了允许在潜在供应商之间的灵活性，机器学习系统1210可提供从通信中添加和/或移除供应商的能力。添加供应商可涉及配置机器学习系统1210以便以供应商提供的格式处理数据，以及以供应商已知的格式传输数据。添加供应商还可涉及配置机器学习系统1210以解决供应商之间的冲突行动。例如，机器学习系统1210可通过默认对主要供应商的行动来解决冲突行动。

与供应商1430的通信可使机器学习系统1210能够响应于预测输出来自动调整供应链/制造操作。作为实例，机器学习系统1210可在操作者或磨料设备的寿命期间收集时间性磨料操作数据，以提供对磨料产品寿命、磨料产品状况和/或操作者状况的估计。基于来自时间性磨料操作数据的预测输出，机器学习系统1210可配置为将命令直接传输至供应商1430。此类命令可能包括自动订购接近所预测的使用寿命终结的磨料产品的新部件，基于预测的安全危害而自动请求OSHA检查以符合监管法律，和/或基于所预测的使用寿命终结的延长而取消订购。

在一些实例中，机器学习系统1210可收集与研磨过程中磨料设备与工件之间的微观相互作用相关联的数据。每组微观相互作用均可用研磨过程结束时生成的表面类型来进行标记。因此，机器学习系统1210可利用生成的该类型的表面以预测微观相互作用可如何单独地或以某种组合方式进行操纵，以创建期望的表面，该预测基于机床能力、磨粒、粘结剂、表面与工具之间的磨粒/粘结剂相互作用，或结构、加工材料特性、磨料设备特征和规格，以及操作因素(诸如修整、循环设计、冷却剂应用)。另外，磨料设备的功率、设备工具的研磨效率和设备的切割效率可被收集并用于产生期望的表面。

在示例实施例中，机器学习系统1210可利用此类关系，基于该关系来提供预测，并且/或者将预测传输至磨料制造供应商，以帮助产生实现了特定组的微观相互作用的经改善的磨料产品或研磨过程，构造具有与工件发生不同微观相互作用的新的磨粒或磨料工具，并且/或者创建定制磨料产品和研磨过程以满足客户的要求。

在一些实施例中，机器学习系统1210可向企业提供配置发送至供应商1430的自动警报类型的选项。例如，机器学习系统1210可配置为仅基于需要部件的磨料制品的类型、部件的成本、部件的交付时间等来订购新部件。

分析平台1440可包括网络应用程序，该网络应用程序配置为跨多个企业接收磨损操作数据以及由机器学习系统1210做出的预测。通过利用跨多个企业的数据，分析平台1440可提供模拟磨料产品的操作、估计购买新的磨料产品的成本和/或执行其他分析操作的服务。例如，无法访问特定磨料产品的企业可利用分析平台1440以估计与特定磨料产品相关联的成本或生产率。分析平台1440可由一个或多个用户通过网络浏览器来进行访问。

在一些实施例中，分析平台1440可提供分层服务。每个分层可向用户提供不同部分的信息。例如，较高层可给予用户对分析平台1440上的所有服务的访问权限，而较低层可仅给予用户对分析平台1440上的部分服务的访问权限。可基于费用或订阅或另一种付费服务机制来向用户分配分层。

在一些实施例中，分析平台1440可配置为匿名化从机器学习系统1210接收的磨损操作数据和预测。例如，通过确保来自至少k个企业的数据不可区分，可利用例如k匿名化的去标识化方法将磨损操作数据与企业分离。作为另一个实例，分析平台1440可配置为从每个企业获取限制，该限制指示可共享的磨损操作数据的类型和不可共享的磨损操作数据的类型。

在各种实施例中，分析平台1440包括用由企业使用的物理磨料产品的数字版本(例如，“数字孪生”)编程的模拟环境。模拟环境可使用这些数字版本以估计因从模拟环境中添加/重新配置/移除不同数字磨料产品而导致的生产率、成本和/或损害。例如，可通过例如ProModel^TM的建模软件来对模拟环境进行建模。

在一些实例中，模拟环境可使用物理磨料产品的数字版本以生成合成传感器数据。合成传感器数据可反映从物理磨料产品生成的实际传感器数据。然而，与实际传感器数据不同，合成传感器数据可具有快速且易于产生的优点。合成传感器数据可提供给企业以用于成本估计、吞吐量分析、能量使用率等。另外，合成传感器数据可提供给机器学习系统(例如，机器学习系统1210)并用于训练一个或多个机器学习模型。

进一步地，模拟环境可提供模拟新的磨料产品的构造的能力。例如，模拟环境可提供经由计算机辅助设计(CAD)程序(例如AutoCAD^TM)来对全新的磨料产品或现有磨料产品的新变体进行建模的能力。然后，机器学习系统1210可估计磨料操作数据(例如RPM)以及可能由新的磨料产品的操作产生的相关预测(例如，成本、空闲时间)。这可帮助用户决定是否实际创建并制造新的磨料产品。

X.示例性方法

图15为根据示例实施例的方法1500的流程图。方法1500可在框1502处开始，其中可穿戴设备(例如，可穿戴设备1320)可从磨料操作收集传感器数据。例如，磨料操作可包括具有可穿戴设备的操作者使用手动角磨机在工件(例如，一块片材金属)上进行研磨。在研磨操作期间，可穿戴设备可基于嵌入式陀螺仪传感器来确定可穿戴设备相对于X、Y和Z轴线的角速度值。这些值可用于估计用户对手动角磨机的定位。此外，可穿戴设备可基于与嵌入角磨机中的声音传感器的通信来确定从角磨机上的旋转研磨轮发出的声音的频率、幅值和波长。该数据可用于估计角磨机的操作状态。值得注意的是，声音数据和陀螺仪数据仅为可在框1502处收集的传感器数据的实例。实际上，可利用关于图13和图14描述的任何传感器数据。

在框1504处，机器学习系统1210可从一个或多个服务器设备接收传感器数据，所述一个或多个服务器设备配置为聚合来自可穿戴设备(例如，服务器设备1340)的传感器数据或直接来自可穿戴设备上的所述一个或多个传感器的传感器数据。然后，机器学习系统1210可将所接收的传感器数据转换为特征向量，以用于输入至一个或多个机器学习模型中。例如，机器学习系统1210可配置为针对在给定时间戳收集的传感器数据而创建特征向量(具有相关联的标签)。换言之，机器学习系统1210可创建特征向量V_1以描述在时间T_1处收集的传感器数据，并且可创建特征向量V_2以描述在时间T_2处收集的数据。机器学习系统1210还可将从传感器收集的分类数据(例如产品类型)转换为独热编码。在框1506处，机器学习系统1210可预处理特征向量以实现更准确的预测。例如，预处理可包括归一化技术(缩放到单位范数)、连续特征的离散化(例如，分箱)和/或其他已知方法。

在框1508处，机器学习系统1210可将特征向量分配给经训练的机器学习模型以用于执行。如上所述，机器学习系统1210可包含多个经训练的机器学习模型，每个经训练的机器学习模型均经过训练以对磨料产品的特定子集做出预测。例如，机器学习系统1210可使用唯一标识符(例如标识特征1314，该标识特征可连同传感器数据一起由可穿戴设备传输)以认识到输入特征向量对应于手动角磨机。由此，机器学习系统1210可选择已经用来自可比较的手动角磨机的传感器数据训练的机器学习模型。继续以上实例，所选择的机器学习模型可为前馈人工神经网络(ANN)模型，该前馈人工神经网络模型预测所识别的磨料产品的操作者是否正在执行不安全的磨料操作。然而，可利用关于图12描述的任何机器学习模型。

在框1510处，机器学习系统1210可使用输入特征向量来执行所选择的机器学习模型以预测一个或多个输出。根据本实例，ANN模型可使用softmax函数将ANN的非归一化输出映射至预测输出的概率分布。例如，预测输出可包括操作者状况，诸如“OK(正常)”、“APPROACHING CRITICAL(接近临界)”和“CRITICAL(临界)”。在框1512处，可对预测概率进行排序并且可向可穿戴设备提供最高概率输出或大于预定阈值的任何概率输出。此外，基于该预测输出，机器学习系统1210可配置为向可穿戴设备提供建议以解决所预测的任何有害状况。其他预测输出也是可能的。

在框1514处，可穿戴设备可从机器学习系统1210接收具有一个或多个推荐的通知以提供给操作者。例如，可穿戴设备可包括用于待显示的视觉通知的图形用户界面。该指示可为指示操作者正在使用磨料设备执行危险操作的闪光警告。响应该指示，操作者可改变角磨机的位置。定位的这种改变可导致机器学习系统1210的另一个预测，以确定改变的位置是否已经解决了危害。值得注意的是，关于图15描述的其他类型的通知和显示机制也是可能的。

图16为根据示例实施例的方法1600的流程图。方法1600可在框1602处开始，其中自动化磨料设备(例如，自动化磨料设备1330)可从磨料操作收集传感器数据。例如，磨料操作可包括自动化磨料设备在工件(例如，一块片材金属)上进行操作。在研磨操作期间，自动化磨料设备可基于嵌入式火花恒定传感器来确定自动化磨料设备的研磨轮的RPM。例如，火花恒定传感器可配置为检测附接至研磨轮的感测目标的旋转。值得注意的是，RPM数据仅为可在框1602处收集的传感器数据的实例。实际上，可利用关于图13和图14描述的任何传感器数据。

在框1604处，机器学习系统1210可从一个或多个服务器设备接收传感器数据，所述一个或多个服务器设备配置为聚合来自自动化磨料设备(例如，服务器设备1340)的传感器数据或直接来自自动化磨料设备的所述一个或多个传感器的传感器数据。然后，机器学习系统1210可将所接收的传感器数据转换为特征向量，以用于输入至一个或多个机器学习模型中。例如，机器学习系统1210可配置为针对在给定时间戳收集的传感器数据而创建特征向量(具有相关联的标签)。换言之，机器学习系统1210可创建特征向量V_1以描述在时间T_1处收集的传感器数据，并且可创建特征向量V_2以描述在时间T_2处收集的数据。机器学习系统1210还可将从传感器收集的分类数据(例如产品类型)转换为独热编码。在框1606处，机器学习系统1210可预处理特征向量以实现更准确的预测。例如，预处理可包括归一化技术(缩放到单位范数)、连续特征的离散化(例如，分箱)和/或其他已知方法。

在框1608处，机器学习系统1210可将特征向量分配给经训练的机器学习模型以用于执行。如上所述，机器学习系统1210可包含多个经训练的机器学习模型，每个经训练的机器学习模型均经过训练以对磨料产品的特定子集做出预测。例如，机器学习系统1210可使用唯一标识符以认识到输入特征向量对应于自动化磨料设备。由此，机器学习系统1210可选择已经用来自可比较的自动化磨料设备的传感器数据训练的机器学习模型。继续以上实例，所选择的机器学习模型可为支持向量机(SVM)，该支持向量机预测正在操作的自动化磨料设备是否发生故障或存在缺陷。然而，可利用关于图12描述的任何机器学习模型。

在框1610处，机器学习系统1210可使用输入特征向量来执行所选择的机器学习模型以预测一个或多个输出。根据本实例，SVM模型可为多类SVM，其利用一对一训练机制(例如，每对分类/预测输出被分配给多类SVM的一个SVM)以确定预测输出中的每一者的分数。例如，预测输出可包括设备状况，诸如“OK(正常)”、“MALFUNCTIONING(发生故障)”、“OVERHEATING(过热)”和“DANGER(危险)”。在框1612处，可对分数进行排序并且可将具有最高分数的预测输出或任何具有大于预定阈值的分数的预测输出提供给自动化磨料设备。此外，基于该预测输出，机器学习系统1210可配置为向自动化磨料设备提供控制指令以解决任何有害状况。其他预测输出也是可能的。

在框1614处，自动化磨料设备可从机器学习系统1210接收具有一个或多个控制指令的通知。例如，自动化磨料设备可包括可以控制自动化磨料设备的操作的嵌入式计算设备。该嵌入式计算设备可接收通知并调整旋转速度、提供通知、打开工具或关闭工具。另选和/或另外地，机器学习系统1210在预测到自动化磨料设备发生故障时，可配置为提出订购新零件的自动化请求以修理自动化磨料设备。值得注意的是，关于图16描述的其他类型的通知和显示机制也是可能的。

图17为根据示例实施例的方法1700的流程图。方法1700可在框1702处开始，其中机器学习系统1210输出对应于从一个或多个企业接收的传感器数据的一个或多个预测。例如，预测可包括在企业中执行磨料操作的操作者的平均估计空闲时间。如本文所述的其他预测是可能的。

在框1704处，可将来自框1702的预测聚合在一起以计算全局平均预测。例如，执行磨料操作的操作者的平均估计空闲时间可跨多个企业进行聚合。在框1706处，一个或多个全局平均预测可用作进入模拟引擎中的输入，该模拟引擎在预定时间段(例如，10年、20年)内模拟人工企业的磨料操作。因此，模拟引擎可依赖所述一个或多个全局平均预测作为参数以指导模拟并产生合成磨料操作数据。

在框1708处，提供了来自根据合成磨料操作数据而确定的模拟的输出统计数据，诸如伤员数量、总工作时间和/或总成本。这些输出统计数据可帮助分析平台1440的用户做出诸如是否订购更多磨料设备、是否雇用更多操作者或是否创建新的供应链策略的决定。其他选项也是可能的。

XI.示例性磨轮

在组装过程中，磨料产品制造商可能会将识别标记(或通俗地称为“标记”)耦接至磨轮。通过这些标记，可确定每个磨轮独有的信息。例如，标记可提供关于磨轮的制造日期、表面材料、环境内的GPS位置、尺寸和/或失效日期的详情。适当地，磨料产品制造商和/或磨料产品制造的客户可利用标记以做出明智的决定。

在一些方面，标记可用于跟踪企业环境内的磨轮的移动。例如，企业环境可能在给定环境内配备有若干标记读取器(或通俗地称为“读取器”)。这些读取器可与标记通信以确定哪些磨轮正在进入环境的给定区域以及哪些磨轮正在离开此类区域。

在一些方面，标记可改善磨料设备的设置效率。例如，在将磨轮附接至磨料设备时，磨料设备可自动与磨轮的标记通信以确定磨轮的特征(例如，直径、结构、材料)。使用该信息，磨料设备可确定正确操作磨轮的最佳操作参数(例如，RPM速度、施加的压力、进给速率、切削深度、横移速率、冷却剂因素、修整因素等)。

在一些方面，标记可增加磨料设备的安全性。例如，在将磨轮附接至磨料设备时，磨料设备可自动与磨轮的标记通信以确定磨轮的劣化水平(例如，磨轮外涂层的减弱)。如果劣化超过阈值水平，则磨料设备可通知监管者或设备操作者应该用新的磨轮替换劣化的磨轮。

在一些方面，标记可改善企业的物流方面。例如，企业可使用标记以动态保持零件库存并确定是否和/或何时应该订购新的磨轮。

在一些方面，标记可与能够以用户友好格式显示标记信息的软件应用程序进行组合。此外，响应于获得标记信息，软件应用程序可向用户提供执行行动的能力，例如订购新的磨轮。

作为示例性操作，磨料产品制造商可能希望跟踪客户环境内的磨轮的使用情况。为此，磨料产品制造商可将标记耦接至磨轮并且可向客户提供软件应用程序以与标记通信。然后，当客户使用磨轮时，可经由软件应用程序来更新标记，以反映磨轮在其上进行操作的工件的数量，磨轮使用了多长时间等。此类使用信息可由客户提供给磨料产品制造商。在此类场景中，如果将磨轮运回磨料产品制造商进行维修和/或翻新，磨料产品制造商可能了解磨轮的历史，继而可确定最佳维修策略以解决磨轮的使用历史和特定用例。

标记的其他特征、功能和益处可能存在并且将从以下讨论中领会和理解。

图18A和18B展示了根据示例实施例的磨轮1800。磨轮1800可具有本文先前所述的磨轮或研磨轮的全部或部分特性。在实例中，磨轮1800包含标记1810和连接机构1812。磨轮1800可用作磨料设备或磨料产品(诸如手动磨料设备1310或自动化磨料设备1330)的研磨部件，并且可物理连接至磨料设备，也许经由连接机构1812来连接。在一些实施例中，标记1810可包括快速响应(QR)代码、条形码、射频识别(RFID)标记(有源和无源)、近场通信(NFC)标记、蓝牙低能耗(BLE)设备或其他类型的标记。在实例中，标记1810可包含关于磨轮1800的信息，和/或可包括可用作指针引用的唯一标识符，例如通用唯一标识符(UUID)。指针引用可将计算设备导向关于磨轮1800的信息，该信息存储在数据库设备或其他地方。尽管目前描述了磨轮1800，但应当理解其他类型的磨料产品(诸如粘结磨料、涂覆磨料、非织造磨料、薄轮、切割轮、增强磨料制品、超硬磨料、单层磨料磨料制品和多层磨料制品)在本文中均为可能的和被考虑的。这些其他类型的磨料产品中的任一者也可包括标识符并且可如下所述进行利用。

图19展示了根据示例实施例的标记1810的部件。特别地，标记1810示出为包括一个或多个传感器1810A、微控制器1810B、RFID集成电路(IC)1810C和天线1810D。在一些实例中，标记1810可具有比图19中所示的更多、更少和/或不同类型的部件。

传感器1810A可具有本文先前所述的传感器的全部或部分特性。在一些实施例中，传感器1810A在物理上可在标记1810的范围之外，但是可以可通信地耦接至标记1810内的部件。在其他实施例中，传感器1810A在物理上可在标记1810的范围之内，如图19所描绘。

在一些实施例中，传感器1810A可包括磁力计，该磁力计配置为感测由磨轮1800操作的工件的周围磁场。磁场可转换为模拟或数字电子信号并且传输至微控制器1810B，该微控制器可配置为将磁场数据转换为等效的取向数据。

在一些实施例中，传感器1810A可包括温度和湿度传感器，其配置为提供关于磨轮1800周围的环境温度和湿度水平的信息。该读数可转换为等效的模拟或数字电子信号并传输至微控制器1810B。

在一些实施例中，传感器1810A可包括加速度计，该加速度计配置为测量磨轮1800的振动、取向、表面声级、每分钟转数(RPM)和/或角加速度。这些测量可转换为模拟或数字电子信号并传输至微控制器1810B。

在一些实施例中，传感器1810A可包括电容输入接口，该电容输入接口能够借助于电容极板和/或导线之间的电容波动来测量与磨轮1800有关的材料密度或潜在损坏的变化。这些测量可转换为数字电子信号并传输至微控制器1810B。

微控制器1810B可具有计算设备1000的全部或部分特性。在一些实施例中，微控制器1810B在物理上可在标记1810的范围之外，但是可以可通信地连接至标记1810内的部件。在实例中，微控制器1810B可配置为从传感器1810A接收数字电子信号并将接收信号作为数据写入RFID IC 1810C的存储器中。在一些实施例中，微控制器1810B在物理上可在标记1810的范围之外，但是可以可通信地耦接至标记1810内的部件。在其他实施例中，微控制器1810B在物理上可在标记1810的范围之内，如图19所描绘。

RFIDIC1810C可为存储并处理信息以及调制/解调信号的集成电路。RFID IC1810C可具有计算设备1000的全部或部分特性。在实例中，RFIDIC 1810C可包含关于唯一标记标识符、唯一标记序列号、密码的信息，或可能与产品有关的信息(诸如库存号、批号、生产日期)或与磨轮1800有关的其他特定信息.另外，RFID IC 1810C可能能够存储由微控制器1810B提供的信息，例如从传感器1810A收集的数据。操作RFID IC 1810C的电力可来自附接至标记1810的电池组，或者可从天线1810D的操作获得。在一些实施例中，RFID IC 1810C在物理上可在标记1810的范围之外，但是可以可通信地耦接至标记1810内的部件。在其他实施例中，RFID IC 1810C在物理上可在标记1810的范围之内，如图19所描绘。

天线1810D可包括天线结构以及配置为接收和传输信号的、由标记1810使用的相关联的电路。在实例中，天线1810D可以可通信地耦接至RFID IC 1810C。在一些实施例中，天线1810D可包括向标记1810的部件提供电力的感应天线线圈。天线1810D可由各种材料制成，并且可印刷、蚀刻、压印或气相沉积至标记1810上。在一些实施例中，天线1810D在物理上可在标记1810的范围之外，但是可以可通信地耦接至标记1810内的部件。在其他实施例中，天线1810D在物理上可在标记1810的范围之内，如图19所描绘。

图20展示了根据示例实施例的标记1810与读取器2022之间的通信环境2000。标记1810与读取器2022之间的通信可通过通信介质2010进行，该通信介质可包括在超高(例如，处于或接近900兆赫)、高(例如，处于或接近14兆赫)或低(例如，处于或接近130千赫)频率进行通信的RFID、NFC和/或BLE通信，其中在标记1810与读取器2022之间的通信期间的物理距离可基于通信介质2010的频率和类型而变化。由读取器2022接收的数据可为与磨轮1800和/或磨轮1800的唯一标识符有关的信息。

在一些实例中，读取器2022可采取便携式无线读取器系统的形式。在操作中，读取器2022可从标记1810接收信息并立即经由无线协议(诸如蓝牙或Wi-Fi)将信息传输至控制器2020或便携式移动设备。

在一些实例中，读取器2022可采取物理连接至移动设备的便携式无线读取器的形式。在操作中，读取器2022可从标记1810接收信息并且立即经由USB连接、微型USB连接或类似的物理连接机构将信息传输至移动设备。

在一些实例中，读取器2022可采取配备有可与标记1810通信的天线的固定式读取器系统的形式。在操作中，读取器2022可从标记1810接收信息并且随后经由上面讨论的无线协议将信息传输至移动设备或控制器2020。

图21展示了根据一个示例实施例的客户端网络2120与远程网络2110之间的通信环境2100。客户端网络2120可具有企业1120的全部或部分特性，如参考图11示出和描述的。远程网络2110可具有机器学习平台1110的全部或部分特性，如参考图11示出和描述的。在实例中，客户端网络2120可为由实体使用以管理磨料操作的计算机网络。客户端网络2120可包括控制器2020、数据存储器2122(例如，数据库设备、文件系统)、服务器设备2124(例如，远程托管的服务器设备、本地服务器设备、虚拟机等)、磨料设备2126(例如，手持式研磨设备、自动化研磨设备，包括手动磨料设备1310或自动化磨料设备1330)和用户设备2128(例如，参考图13示出和描述的移动设备和/或可穿戴设备1320)。客户端网络2120可通信地耦接至远程网络2110，该远程网络可配置为管理客户端网络2120的各方面。

应当指出的是，远程网络2110和/或客户端网络2120上的任何部件可跨多个计算设备进行复制，并且/或者由第三方网络(例如，云网络)托管以提供数据复制并增加服务的容量。复制的部件可位于各个计算位置，以确保在一个计算位置处发生电源故障时的高可用性。在某些情况下，远程网络2110和/或客户端网络2120可由少数设备和少量部件组成。在其他部署中，远程网络2110和/或客户端网络2120可跨多个物理位置并且可包括数百、数千或更多设备和其他部件。在某些情况下，客户端网络2120上的特定部件可由远程网络2110管理。例如，一个或多个服务器设备2124或控制器2020可通过远程网络2110安装至客户端网络2120上以便支持本文的各种实施例。

图22展示了根据一个示例实施例的方法2200。特别地，方法2200可表示特定序列或系列的行动，其在执行时允许远程网络2110从客户端网络2120收集标记信息并向用户设备2128提供更新的状态信息。以举例的方式，方法2200可在操作期间利用远程网络2110、客户端网络2120和用户设备2128。然而，还可将额外的部件、步骤或框添加至方法2200。例如，关于远程网络2110所述的步骤可全部或部分地发生在服务器设备(例如，服务器设备2124)上，该服务器设备位于客户端网络2120或由客户端网络2120操作的第三方网络(例如，AMAZON WEB SERVICES^TM)上。此类场景可称为“本地托管的解决方案”并且可允许客户端网络2102执行方法2200的操作，同时通过使全部或部分实体在客户端网络2120内执行方法2200来保持高水平的安全性和灵活性。

方法2200可在步骤2202处开始，此时客户端网络2120从一个或多个标记(例如标记1810)收集数据。如上所述，可利用若干方式来从磨轮收集标记数据。例如，便携式无线读取器可用于收集标记数据并将标记数据传输至控制器2020。作为另一个实例，固定式读取器系统可用于收集标记数据。在另一个实例中，移动设备的用户也许会在物理检查磨轮的特性之后手动输入标记数据。还可能存在其他可能性。此外，步骤2202可例示在客户端网络2120上发生的连续过程，其中一个或多个读取器(例如读取器2022)连续操作以从客户端网络2120内的一个或多个标记收集数据。

在步骤2204处，客户端网络2120可将标记数据传输至远程网络2110。步骤2204可由客户端网络2102内的若干实体来进行促进。例如，控制器2020可将数据传送至远程网络2110，用户设备2128可将数据传送至远程网络2110，并且/或者读取器2022可将标记数据传送至远程网络2110。在实例中，从客户端网络2120至远程网络2110的数据传输可基于预定频率间隔(例如，每1ms或1s)或基于发生在客户端网络2120上的事件(例如，收集到新的标记数据的任何时间)而发生。

在步骤2206处，远程网络2110可更新内部信息以反映从步骤2204接收的标记数据。因此，步骤2206可包括更新数据库记录、文件条目、软件参数等。随后，在步骤2208处，远程网络2101可向用户设备2128提供更新的用户界面。用户界面可借助于由远程网络2110托管并提供给用户设备2128的网页或一系列网页来表示。例如，在一些实施例中，呈现给用户设备2128的用户界面可提供当前在客户端网络2120内使用的全部磨轮的概述作为一系列可选项。在一些此类场景中，可选项可配置为允许用户查看为每个相应的磨轮收集的标记数据。另外，用户界面可提供关键绩效指标(KPI)，诸如总体库存水平以及用户可实施的行动。

在步骤2210处，在用户选择或以其他方式选择至少一个可实施的行动时，所述至少一个行动可由用户设备2128传输至远程网络2110。作为响应，在步骤2212处，在步骤2210处传输的所述至少一个行动可由远程网络2110执行。

在某些情况下，执行所述至少一个行动可包括与客户端网络2120上的磨料设备2126的一个或多个交互作用。例如，远程网络2110可与客户端网络2120上的磨料设备2126建立通信以发送请求，以停止某些磨料设备的操作、恢复磨料设备的操作等。

在某些情况下，执行所述至少一个行动可包括与第三方供应商(例如外部供应商1130)交互以订购替换零件或维修/翻新发生故障或使用过的磨轮。在某些情况下，例如，在由客户端网络2120确定库存短缺的情况下，执行所述至少一个行动可涉及远程网络2110提出运送新的磨轮的请求。

在某些情况下，执行所述至少一个行动可涉及以文本消息、电子邮件警报、另一种其他类型的通信的形式向客户端网络2120上的其他用户设备2128提供警报。例如，由于潜在的生产问题，来自客户端网络2120的管理员可向某条产品线的所有用户传输消息以停止操作。

值得注意的是，上面讨论的关于2212的行动并不旨在进行限制。在实践中，其他行动也是可能的。

图23展示了根据一个示例实施例的状态图2320。特别地，状态图2320概念性地展示了磨轮1800在其使用寿命过程中如何可以在各种操作状态之间移动。如本文所用，操作状态可指由磨轮1800执行或在该磨轮上执行的当前位置或功能。一些操作状态可能被访问零次或多于一次。而且，一些操作状态可能具有多于一个可能的下一状态，因此表示基于标记1810内的信息而做出的决定。应当注意，在进入状态图2320内的新状态时，标记1810可被“标记”以反映磨轮1800的该新状态。

磨轮1800可在制造商状态2322下开始，该制造商状态可表示与远程网络2110相关联的物理环境。在此，磨轮1800可被构造并与标记1810耦接。

磨轮1800可从制造商状态2322移动至门状态2324，该门状态可表示磨轮1800到达与客户端网络2120相关联的物理环境。在门状态2324处，一个或多个读取器(例如读取器2222)可用于传送和获得来自标记1810的关于磨轮1800的唯一标识符和/或与磨轮1800相关联的订单号的信息。如果唯一标识符和订单号与客户端网络2120的记录匹配(例如，客户端网络2120具有它们从远程网络2310实际购买磨轮1800的记录)，则磨轮1800可继续至工作场所状态2326。在一些实例中，磨轮1800可从门状态2324去标记并且回到制造商状态2322。

工作场所状态2326可表示磨轮1800到达与客户端网络2120相关联的研磨环境。一旦处于工作场所状态2326，一个或多个读取器(例如读取器2222)可用于通信并从标记1810获得关于磨轮1800的尺寸和适当操作速度的信息。如果尺寸和适当操作速度与客户端网络2120的记录匹配(例如，客户端网络2120确定磨轮1800的尺寸和适当操作速度匹配在与客户端网络2120相关联的研磨环境内操作的至少一个磨料设备的可接受参数)，则磨轮1800可继续至轮平衡状态2328。否则，磨轮1800可从工作场所状态2326去标记并且回到制造商状态2322。

在轮平衡状态2328处，可检查磨轮1800的不平衡问题，该不平衡问题可能潜在地伤害磨料设备操作者/损坏工件。如果不平衡问题超过预定耐受水平，则磨轮1800可从轮平衡状态2328去标记并且发送回工作场所状态2326以进行维修。否则，磨轮1800可继续操作状态2330。

在操作状态2330，磨轮1800可附接至磨料设备(例如手动磨料设备1310或自动化磨料设备1330)以执行磨料操作。在操作状态2330期间，可更新标记1810以反映磨轮1800在其上进行操作的工件的数量，磨轮1800使用了多长时间等。在磨轮1800开始示出劣化之后，一个或多个读取器可用于与标记1810通信并从该标记获得关于磨轮1800的失效日期和制造日期的信息。在一些实施例中，如果磨轮1800接近其使用寿命终结，则磨轮1800可从操作状态2330去标记，可进入废弃状态2332，该废弃状态可表示磨轮1800的使用寿命终结状态。在其他实例中，磨轮1800可从操作状态2330去标记并且进入制造商状态2322以进行维修。

XII.示例性移动设备

图24A展示了根据示例实施例的移动设备2400的视图。在实例中，移动设备2400可配置有认证机制，该认证机制可包括密码、双因素认证、指纹识别、面部识别或其他生物特征信息的验证。这样的认证机制可提供不同级别或类型的用户访问。例如，用户访问级别可包括来自客户端网络2120的用户、来自客户端网络2120的管理员和/或来自客户端网络2120的非管理员的访问级别。基于当前用户的访问级别，移动设备2400可显示信息的不同排列、提供对不同类型信息的访问权限和/或提供各种功能。

关于移动设备2400的信息可包括维护信息、与客户端网络2120的状态有关的信息(例如，可用的磨轮的数量、磨轮的使用寿命等)等。如上所述，移动设备2400还可包含可选选项来执行行动。作为实例，该行动可包括查看产品信息2402和/或查看当前库存信息2404。应当理解，移动设备2400可包括智能手机、平板电脑、膝上型计算机或另一种类型的计算设备。更进一步地，移动设备2400可包括例如具有或没有用户界面的头戴式显示器(HMD)、抬头式显示器(HUD)或另一种类型的便携式计算设备。

此类实施例可向客户提供一种更简单的方式以再订购磨料产品。在此类场景中，在接收到给定磨料产品的使用寿命终结即将发生的信息时，移动设备2400可向用户提供此类信息的通知。另外或另选地，移动设备2400可配置为显示产品目录和/或可在功能上替换即将到达其使用寿命终结的磨料产品的产品。因此，在此类实例中，用户可与移动设备2400交互以请求给定的磨料制品、量、运送类型、期望的交付日期等。移动设备240可将请求转发至客户端网络2120和/或远程网络2110。此类系统和方法可减少人工订购工作量和/或文书工作，这可能更环保。经由移动设备2400做出的再订购请求可由具有适当权限的用户(例如，管理员、经理和/或销售人员)授权。

图24B展示了根据示例实施例的移动设备2400的另一视图。特别地，图24B展示了移动设备2400可如何包括多个导航菜单以辅助用户执行各种功能。例如，库存菜单2406可提供显示以下信息的界面：关于已由特定用户购买的全部磨轮的信息。操作菜单2408可提供显示关于磨轮操作的数据的界面，也许显示由传感器1810A收集的数据。门条目2410可提供使用户能够与耦接至磨轮的标记交互的界面，也许通过启用嵌入至移动设备2400上或可通信地连接至移动设备2400的读取器来进行。工作场所菜单2412可提供显示关于哪些磨轮当前处于工作场所状态或操作状态下的信息的界面，如先前结合状态图2320所讨论的。废弃菜单2414可提供允许用户对磨轮进行去标记的界面，也许结合状态图2320中的废弃状态2332来进行。值得注意的是，其他导航菜单也是可能的。

图24C展示了根据示例实施例的移动设备2400的又一视图。特别地，图24C展示了可关于特定磨轮而确定的信息项的若干非限制性实例。例如，图24C展示了关于以下项信息可加以确定：磨轮的产品ID、订单ID、产品名称、产品类型、尺寸、制造日期、失效日期、客户ID、客户姓名、操作速度、库存时间、库存存储成本、存储等待时间和存储成本。值得注意的是，其他信息项(例如，磨轮的GPS位置)也是可能的。

XIII.示例网络应用程序和数据模型

如上所述，网络应用程序可配置为显示与远程传感器、可穿戴设备、磨料设备、磨料设备操作者等有关的信息。这可借助于由云计算设备托管并根据请求提供给用户的网页或一系列网页来实现。这些网页中的信息的布局和汇编可实现高效查看与远程传感器、可穿戴设备、磨料设备、磨料设备操作者等有关的相关信息。另外，网页可使用具有直观视觉效果和易于理解的度量的图形来组织和排列信息。

作为额外的特征，网络应用程序可允许用户在磨料设备、可穿戴设备、磨料设备操作者与车间(例如，正在其中执行磨料操作的环境)之间建立关联。例如，用户可将车间P1与磨料设备AT1相关联，以指示磨料设备AT1正在车间P1内操作。然后，用户可将磨料设备AT1与可穿戴设备WD2相关联，以指示由可穿戴设备WD2收集的数据与磨料设备AT1的操作有关。最后，用户可将可穿戴设备WD1与操作者O1相关联，以指示操作者O1穿戴着可穿戴设备WD1。以这种方式，磨料设备、可穿戴设备、磨料设备操作者和车间成为网络应用程序上的不同的逻辑实体，该逻辑实体可彼此匹配地混合在一起。

具有不同的逻辑实体可能会带来许多益处。例如，假设可穿戴设备WD1与操作者O1永久相关。如果操作者O1突然变得不可用，则在不可用期间无法从可穿戴设备WD1收集任何数据。另一方面，假设可穿戴设备WD1是与操作者O1不同的逻辑实体。如果操作者O1变得不可用，则可穿戴设备WD1可迅速与操作者O3关联，并且仍可为可穿戴设备WD1收集数据。有利地，无论是操作者O1还是操作者O3，都可从可穿戴设备WD1收集数据。其他优点也是可能的。

图25展示了根据示例实施例的模型2500。模型2500可包括四个基本表格——车间表2510、设备表2530、可穿戴表2550和操作者表2550——以及三个链接表格——车间设备表2520、设备可穿戴表2540和操作者可穿戴表2560。这些表格作为一个整体提供了必要的信息，以捕获车间、磨料设备、可穿戴设备与操作者之间的关系。在一些实例中，模型2500可具有比图25中所示的更多、更少和/或不同类型的表格。此外，为了清楚起见，可对模型2500中的表格进行删节。但是实际上，这些表格可包含更多、更少和/或不同的条目。

车间表2510可以包括车间的条目。特别地，车间表2510中的每个条目可具有用于车间的唯一标识符以及用于车间的相关信息。在一些实例中，用户可例如通过由云计算设备提供的网页或一系列网页来输入信息以填充车间表2510。

车间设备表2520可包括将来自车间表2510的给定车间映射至来自在该给定车间中操作的设备表2530的磨料设备的条目。特别地，上文所述的网络应用程序可提供用于动态填充车间设备表2520中的条目的方式。例如，网络应用程序可提供一系列下拉菜单，以允许用户在车间与在这些车间内操作的磨料设备之间建立关联。

设备表2530可包括用于磨料设备(例如手动磨料设备1310)的条目。特别地，设备表2530中的每个条目可具有用于磨料设备的唯一标识符以及用于磨料设备的相关信息。在一些实例中，用户可例如通过由云计算设备提供的网页或一系列网页来输入信息以填充设备表2530。在其他实例中，可如上所述从远程传感器和/或可穿戴设备填充设备表2530中的信息。

设备可穿戴表2540可包括将来自设备表2530的磨料设备映射至来自可穿戴表2550的可穿戴的条目，该可穿戴表收集与该磨料设备相关联的数据。特别地，上文所述的网络应用程序可提供用于动态填充设备可穿戴表2540中的条目的方式。例如，网络应用程序可提供一系列下拉菜单，以允许用户在磨料设备与可穿戴设备之间建立关联。在某些情况下，如上所述，可通过读取器自动填充设备可穿戴表2540中的条目。例如，磨料设备可包括RFID标记，例如标识特征1314，并且可穿戴设备可包括RFID读取器，该读取器可读取磨料设备的RFID标记以将可穿戴设备与磨料设备相关联。

可穿戴表2550可包括用于可穿戴设备(诸如可穿戴设备1320)的条目。特别地，可穿戴表2550中的每个条目可具有用于可穿戴设备的唯一标识符以及用于可穿戴设备的相关信息。在一些实例中，用户可例如通过由云计算设备提供的网页或一系列网页来输入信息以填充可穿戴表2550。在其他实例中，可如上所述从远程传感器填充可穿戴表2550中的信息。

操作者可穿戴表2560可包括将来自可穿戴表2550的可穿戴设备映射到来自操作者表2570的穿戴可穿戴设备的操作者的条目。特别地，上文所述的网络应用程序可提供用于动态填充操作者可穿戴表2560中的条目的方式。例如，网络应用程序可提供一系列下拉菜单，以允许用户在可穿戴设备与操作者之间建立关联。在某些情况下，如上所述，可通过读取器自动填充操作者可穿戴表2560中的条目。例如，可穿戴设备可包括RFID标签，并且操作者可具有RFID读取器，该读取器可读取可穿戴设备的RFID标签以将可穿戴设备与操作者相关联。

操作者表2570可包括用于穿戴可穿戴设备的操作者的条目。特别地，操作者表2570中的每个条目可具有用于操作者的唯一标识符以及用于操作者的相关信息。在一些实例中，用户可例如通过由云计算设备提供的网页或一系列网页来输入信息以填充操作者表2570。

综上所述，模型2500的表格提供信息以建立：(i)哪些操作者与哪些可穿戴设备相关联，(ii)哪些可穿戴设备与哪些磨料设备相关联，以及(iii)哪些磨料设备与哪些车间相关联。在某些情况下，网络应用程序可使用该信息以提供与车间、可穿戴设备、磨料设备和操作者有关的度量。

图26展示了根据示例实施例的网页2600。网页2600可由上文所述的网络应用程序提供给用户。特别地，网页2600提供与车间、可穿戴设备、磨料设备和操作者有关的度量。

如图26所示，车间下拉列表2610允许用户指示他们想要针对其接收度量的多个车间中的车间。设备下拉列表2620允许用户选择他们想要针对其接收度量的一个或多个设备。设备下拉列表2620中可用的设备可基于用户对车间下拉列表2610以及对车间设备表2520中的条目的选择。日期范围2630允许用户选择他们想要针对其接收度量的日期范围。在针对车间下拉列表2610、设备下拉列表2620和日期范围2630做出选择之后，用户可通过按下“搜索”继续。该动作可显示与车间下拉列表2610、设备下拉列表

2620和日期范围2630中的信息相对应的一个或多个条目(例如，条目

2640)。

条目2640包括与使用选自设备下拉列表2620的设备、在选自车间下拉列表2610的车间内以及在选自日期范围2630的时间范围期间的特定操作者有关的度量。可基于操作者可穿戴表2560、可穿戴表2550和设备可穿戴表2540中的条目来确定特定操作者。条目2640显示了特定操作者的研磨时间度量2650、最佳研磨度量2660和振动暴露度量2670。

研磨时间度量2650显示了在日期范围2630期间特定操作者的总研磨时间的条形图。特别地，可使用关于曲线图2900和曲线图3000的实施例来确定研磨时间度量2650，如下文进一步所述。

最佳研磨度量2660显示了特定操作者在最佳研磨参数内研磨时所花费的时间的条形图。特别地，可使用关于曲线图2900和曲线图3000描述的实施例来确定最佳研磨度量2660。尽管最佳研磨度量2660被展示为条形图，但应理解，在最佳研磨参数内研磨时的时间量或这种时间的百分比或比例可以各种不同的形式来表示和/或显示。例如，最佳研磨度量2660可表示为饼图、雷达图、折线图或另一种类型的信息表示或信息图。

振动暴露度量2670在三个类别中显示特定操作者的振动暴露时间的饼图。特别地，可使用关于曲线图2900和曲线图3000描述的实施例来确定振动暴露度量2670。尽管将振动暴露度量2670展示为饼图，但应理解，可以各种不同的形式来表示和/或显示在相应振动暴露条件下的时间量。例如，振动暴露度量2670可表示为饼图、雷达图、折线图或另一种类型的信息表示或信息图。

RPM曲线图2680为指示在设备下拉列表2620中指定的设备的RPM水平的标绘图。RPM曲线图2680的x轴线对应于时间值，而RPM曲线图2680的y轴线对应于RPM值。

应当理解，出于示例的目的呈现了网页2600。在其他实施例中，网页2600可提供其他类型的度量以及显示这样的度量的另选方法。

图27展示了根据示例实施例的可穿戴设备1320的显示2700、2710、2720和2730。特别地，图27中所示的显示展示了可出现在可穿戴设备1320的用户接口部件上的不同视图。然而，应当注意，图27所示的显示并非是限制性的；在本公开的范围内，其他显示也被考虑在内并且是可能的。

显示2700提供了有关可穿戴设备1320的平均振动、电池电量(显示在顶部左侧)、当前时间(显示在顶部中间)以及可穿戴设备1320上是否存在WiFi信号(显示在顶部右侧)。

显示2710还描绘了可穿戴设备1320的电池电量、当前时间和WiFi信号，但是另外示出了研磨时间度量，该研磨时间度量可例如使用在图29和30中讨论的曲线图2900和曲线图3000来计算。

显示2720还描绘了可穿戴设备1320的电池电量、当前时间和WiFi信号，但是另外示出了最佳研磨时间度量，该最佳研磨时间度量可例如使用在图29和30中讨论的曲线图2900和曲线图3000来计算。

显示2730还描绘了可穿戴设备1320的电池电量、当前时间和WiFi信号，但是另外示出了当操作者执行磨料操作时的当前RPM和振动的瞬时视图。

XIV.示例性分析仪表板

与以上讨论相一致，分析平台1118可配置为显示与企业1120中的一种或多种磨料产品和/或一种或多种工件相关联的度量。例如，分析平台1118可显示技术取向性度量(例如，工件的表面质量、接近使用寿命终结的磨料设备/工具等)、经济取向性度量(例如，每个磨料工具的估计成本、所估计的工作场所效率、所估计的吞吐量水平等)和/或其他类型的度量。

分析平台1118可借助于包含一个或多个窗格的GUI来显示此类度量。如本文所述，术语“窗格”可指包含一个或多个位置(以显示信息)和/或一个或多个用户可选项(诸如按钮或选项卡)的GUI部件。在一些实施例中，窗格可等同于或包含在页面或GUI窗口内，尽管此类窗口可包含多个窗格。按钮和/或选项卡可为在窗格内显示附加信息的图形控制元素。

示例性窗格如下图28A、28B和28C所示。这些示例性窗格使用具有直观视觉效果和易于理解的图表的图形来组织和排列信息。结果，分析平台1118的用户可迅速且有效地查看关于发生在企业1120处的磨料操作的相关信息。值得注意的是，以下窗格的实例仅出于说明的目的，并不旨在进行限制。可能存在包括信息的替代布置的其他窗格。

图28A描绘了根据示例实施例的当前时间序列窗格2810。当前时间序列窗格2810包括机器下拉列表2812、日期范围2814、当前迹线图2820、工具ID图2822和零件计数图2824。当前时间序列窗格2810还包括导航栏2810，该导航栏包括“当前时间序列”、“操作因素”、“循环比较”和“性能度量”选项卡。值得注意的是，“当前时间序列”选项卡以虚线示出，以指示当前显示该选项卡的信息。

机器下拉列表2812允许用户选择他们想要针对其接收度量的一个或多个磨料设备。机器下拉列表2812中可用的设备可包括在企业1120中操作(或已经操作)的全部设备。在图28A所示的实例中，已选择磨料设备“13333”。

日期范围2814允许用户选择他们想要针对其接收度量的日期范围。在图28A所示的实例中，日期范围为从“11/01/2019”至“11/02/2019”。

在针对机器下拉列表2812和日期范围2814进行选择之后，当前时间序列窗格2810可响应地显示与迹线图2820、工具ID图2822和零件计数图2824中的选择有关的度量。

迹线图2820为描绘磨料设备“13333”随时间经历的电流的标绘图。迹线图2820的x轴线对应于时间值，而y轴线对应于电流值(以安培计)。如图所示，磨料设备“13333”的电流随时间变化。在某些时间段，电流较高。这些可对应于磨料设备“13333”执行磨料操作的时间段。在其他时间段，电流较低。这些可对应于磨料设备“13333”不执行磨料操作的时间段。进一步地，迹线图2820示出了许多重复模式。例如，模式2820A类似于模式2820B。这些重复模式可对应于磨料设备“13333”执行类似磨料操作的时间段。

与以上讨论相一致，在一些实施例中，分析平台1118可配置为允许操作者在迹线图2820中标记各条迹线。例如，“研磨”的操作状态可被分配给迹线图2820中具有较大峰值的迹线。作为另一个实例，“空闲”的操作状态可被分配给迹线图2820中具有稳定斜率的迹线。标记可用作标签或额外的训练特征以用于训练一个或多个机器学习模型，如本文先前所述。

工具ID图2822为描绘磨料设备“13333”随时间使用的磨料工具(例如，磨轮)的标绘图。工具ID图2822的x轴线对应于时间值，而y轴线对应于磨料工具ID值。如图所示，由磨料设备“13333”使用的磨料工具随时间变化。例如，在对应于模式2820A的时间段内，磨料设备“13333”使用磨料工具2822A和磨料工具2822B两者。

零件计数图2824为描绘磨料设备“13333”随时间操作的工件的标绘图。零件计数图2824的x轴线对应于时间值，而y轴线对应于工件ID值。如图所示，由磨料设备“13333”操作的工件随时间变化。例如，在对应于模式2820A的时间段内，磨料设备“13333”在工件2824A上操作，而在对应于模式2820B的时间段内，磨料设备“13333”在工件2824B上操作。

在示例实施例中，迹线图2820、工具ID图2822和零件计数图2824可用于理解修改磨料操作的影响。例如，模式2820A可对应于修改磨料操作之前的时间段，而模式2820B可对应于修改之后的时间段。如果模式2820A和模式2820B在迹线图2820中表现出类似的迹线，则可以确定该修改对磨料操作没有任何实质性影响。另一方面，如果模式2820A和模式2820B在迹线图2820中表现出不同的迹线，则可以确定该修改确实具有实质性影响。对磨料操作的示例性修改可包括改变操作者、改变操作速度等。

在一些实施例中，磨料设备的操作者可利用迹线图2820、工具ID图2822和零件计数图2824以对磨料操作进行实时调整。例如，如果确定每次磨料设备“13333”使用磨料工具2822A时，迹线图2820上磨料设备“13333”的电流值便增加，则这可能指示磨料工具2822A正在变钝(例如，需要更多能量以便以相同的速度操作)。因此，操作者可在磨料工具2822A上执行修整工艺以使其变锋利并回到操作状况。作为另一个实例，如果迹线图2820上的磨料设备“13333”的电流值超过预设上限，则操作者可关闭磨料设备“13333”。其他实例也是可能的。

在一些实施例中，迹线图2820、工具ID图2822和零件计数图2824可用于理解与磨料操作有关的经济度量。例如，如果确定用磨料工具2822A研磨工件2824A所花费的时间小于用磨料工具2822B研磨工件2824A所花费的时间，则订购更多的磨料工具2822A而不是磨料工具2822B在经济上有利，因为使用磨料工具2822A将减少总研磨循环时间。经济度量的其他实例也是可能的。

图28B描绘了根据示例实施例的循环比较窗格2802。与当前时间序列窗格2800一样，循环比较窗格2802包括机器下拉列表2812和日期范围2814。然而，与当前时间序列窗格2800不同，循环比较窗格2802包括循环比较图2830和度量下拉列表2832。循环比较窗格2802还包含导航栏2810，该导航栏包括“当前时间序列”、“操作因素”、“循环比较”和“性能度量”选项卡。值得注意的是，“循环比较”选项卡以虚线示出，以指示当前显示该选项卡的信息。

循环比较图2830包括显示在某一时间段内各个磨料设备的当前使用情况的数据图。循环比较图2830的x轴线对应于时间值，而y轴线对应于电流值(以安培计)。如图28B所示，循环比较图2830同时标绘了两个磨料设备：磨料设备“43128”(橙色标绘图)和磨料设备“43131”(蓝色标绘图)的当前使用情况。循环比较图2830可能是有益的，因为该循环比较图允许用户在一个数据图上同时查看与若干磨料设备相关联的多个度量，从而能够在这些磨料设备的性能之间进行视觉比较。

如果用户决定从机器下拉列表2812中选择附加磨料设备，则将该附加磨料设备的附加标绘图添加至循环比较图2830。理论上，循环比较图2830可包括数十个甚至数百个磨料设备的数据图。

度量下拉列表2832可为允许用户选择替代度量以显示在循环比较图2830上的下拉菜单。示例性度量可包括电流、振动、进给速率或RPM，以及其他可能性。在示例实施例中，循环比较图2830可响应于在度量下拉列表2832处的选择而自动更新自身。例如，代替在循环比较图2830的y轴线中显示电流值，可在y轴线上显示经由度量下拉列表2832选择的值。

图28C描绘了根据示例实施例的性能度量窗格2804。与当前时间序列窗格2800一样，性能度量窗格2804包括机器下拉列表2812和日期范围2814。然而，与当前时间序列窗格2800不同，性能度量窗格2804包括性能度量图2840。此外，性能度量窗格2804包含导航栏2810，该导航栏包括“当前时间序列”、“操作因素”、“循环比较”和“性能度量”选项卡。值得注意的是，“性能度量”选项卡以虚线示出，以指示当前显示该选项卡的信息。

性能度量图2840可包括跟踪若干磨料工具的随时间变化的集成电流的各种标绘图。性能度量图2840的x轴线对应于时间值，而y轴线对应于电流值(以安培计)。类似于循环比较图2830，性能度量图2840可能是有益的，因为该性能度量图允许用户在一个数据图上同时查看与若干磨料工具相关联的多个度量，从而能够在这些磨料工具的性能之间进行视觉比较。

XV.用于计算的示例性系统和方法

如前所述，磨料产品/工具可包括检测研磨轮或盘的角速度(RPM)的传感器。可穿戴设备1320可与这些传感器通信以接收RPM信息并确定磨料产品/工具的研磨功率和/或施加的研磨力。另外和/或另选地，可穿戴设备1320可使用声音数据来确定研磨轮或盘的RPM。特别地，可穿戴设备1320可分析声音数据的幅值，然后使用相关性表格将声音幅值映射至估计的RPM值。声音幅值与估计的RPM值之间的映射可根据磨料产品/工具的类型而变化。

在以上场景中的任一种中，可穿戴设备1320依赖于与传感器的通信或磨料产品/工具的类型(例如，用于映射)以确定RPM信息。然而，使可穿戴设备1320的依赖性与磨料产品/工具分离可以是有利的。这样做例如可允许可穿戴设备1320确定任何研磨轮或盘的RPM，而与可穿戴设备1320的用户如何保持磨料产品/工具无关，无论所保持的磨料产品/工具的类型如何，并且无论磨料产品/工具上是否存在任何通信传感器。

为了独立地确定RPM，可使用振动信号。特别地，可从可穿戴设备1320的加速度计确定振动信号。如上所述，加速度计收集与用户的手的振动有关的加速度数据。因为手的振动是由磨料产品/工具的振动引起的，所以加速度数据指示磨料产品/工具的振动。然后，加速度数据可用于计算随时间变化的gRMS值，从而产生振动信号。值得注意的是，可对可穿戴设备1320、对远程设备(诸如前述云计算设备)、或者部分地对可穿戴设备1320以及部分地对远程设备执行gRMS的计算。

图29展示了根据示例实施例的曲线图2900。如图29中所示，曲线图2900包括信号2902，该信号表示可穿戴设备1320随时间变化的振动。即，信号2902是由用户穿戴着可穿戴设备1320并使用磨料产品/工具时经历的振动产生的。曲线图2900的x轴线对应于时间值，而y轴线对应于振动值(以gRMS计)。

应认识到的重要一点是，因为研磨轮或盘的RPM贡献于信号2902，所以可对信号2902执行傅立叶变换(例如，快速傅立叶变换(FFT)、短时傅立叶变换(STFT)等)以确定RPM值。例如，嵌入可穿戴设备1320上的软件可从t0到t3之间的时间段对信号2902执行傅立叶变换，以确定从t0到t3的研磨轮或盘的RPM。

在一些实施例中，盘的研磨轮的RPM可随时间变化。例如，用户可更用力地将研磨轮或盘推入工件中(工件的摩擦力从而使转速降低)，磨料设备/工具的功率水平可发生变化，依此类推。为了解决这个问题，可将信号2902划分/采样为较短的片段，然后嵌入可穿戴设备1320中的软件可对每个较短的片段计算傅立叶变换。例如，可从t0至t1之间的时间段、从t1至t2之间的时间段等对信号2902执行傅立叶变换。可绘制每个时间段的RPM，以确定RPM随时间变化的曲线图(如图30所示)。

在一些实施例中，信号2902可由多个基础频率组成和/或可具有混杂频率/假频。为了确定与研磨轮或盘的RPM相对应的确切频率，可使用具有最高幅值的频率或具有在预定范围内的幅值的频率。另选地，在其中信号2902被划分成较短的片段的场景中，给定时间段的RPM可基于具有显示出与先前的时间段几乎无偏差的幅值的频率来确定。其他方法也是可能的。

在一些实施例中，信号2902表示可穿戴设备1320相对于给定轴线的振动(例如，加速度计可用于测量和记录三个轴线(x、y和z)上的振动数据)。在这些情况下，可针对每个轴线确定振动信号，并可通过加权/组合每个轴线的单个的振动信号来确定研磨轮或盘的聚集/复合振动信号。在一些实例中，加权/组合可基于职业安全标准，诸如本文讨论的ISO5349标准。为了说明，应用ISO 5349标准可涉及借助于均方根计算来组合来自每个轴线的振动信号，其中在复合振动信号中每个轴线的权重不同。然而，本文还考虑了其他职业安全标准及其用于确定聚集/复合振动信号的对应算法。可穿戴设备1320可配置成另外和/或另选地执行ISO 5349标准的那些算法。

如上面所讨论的，可对信号2902设置限制。更具体地，上限2904和下限2906可用于表示振动的上限和下限，其中上限2904和下限2906之间的区域是磨料产品/工具的振动的“最佳区域”。在一些实施例中，上限2904和下限2906可由可穿戴设备1320的制造商或磨料产品/工具的制造商确定。在其他实施例中，上限2904和下限2906可基于当今或未来实施的职业安全标准。例如，上限2904和下限2906可基于由职业安全与健康管理局(OSHA)、国家职业安全与健康研究所(NIOSH)、欧洲工作安全与健康局(EU-OSHA)或国际标准化组织(ISO)设定的标准。在一些情况下，上限2904和下限2906可基于ISO 5349暴露风险。

在一些实施例中，可基于制造时安装到可穿戴设备1320的固件中的值或动态加载到可穿戴设备1320的固件中的用户定义的值来确定上限2904和下限2906。在实例中，用户定义的值可经由可穿戴设备1320的用户接口部件传送至可穿戴设备1320，可经由网络应用程序(诸如下文所述的网络应用程序)传送至可穿戴设备1320，或者从云计算设备(诸如上文所述的云计算设备)传送至可穿戴设备1320。还存在其他可能性。

因为将磨料产品/工具的振动保持在最佳区域内对用户而言可能是有价值的，所以可穿戴设备1320可确定与最佳区域的偏差。例如，可穿戴设备1320可确定暴露时间2908，其对应于振动处于最佳区域中的时间长度。可将暴露时间2908与总操作时间(例如，t3-t0)进行比较，以确定最佳区域内的时间百分比。如果在最佳区域内的时间百分比足够低，则可穿戴设备1320可提供信息以增加时间百分比，这也许是通过输出视觉、触觉和/或音频警报来提供的，该警报提供了操作上的改进、推荐的操作角度等。

作为另一个实例，可穿戴设备1320可确定临界暴露时间2910，该临界暴露时间表示高于上限2904的振动时期。因为超过临界暴露时间2910的操作可能对用户有害，所以可穿戴设备1320可提供信息以减少临界暴露时间2910，这也许是通过与如上所述类似的方式输出视觉、触觉和/或音频警报来提供的。

图30展示了根据示例实施例的曲线图3000。如图30中所示，曲线图3000包括信号3002，该信号可表示研磨轮或盘随时间变化的RPM。即，信号3002可由对来自曲线图2900的信号2902执行的傅立叶变换产生。曲线图3000的x轴线对应于时间值，而y轴线对应于RPM值(以gRMS计)。

与曲线图2900类似，曲线图3000包含上限3004和下限3006，分别表示RPM的上限和下限。上限3004和下限3006之间的区域是研磨轮或盘的RPM的“最佳区域”。在一些实施例中，上限3004和下限3006可由可穿戴设备1320的制造商或磨料产品/工具的制造商确定。在其他实施例中，上限3004和下限3006可基于当今或未来实施的职业安全标准。

在一些实施例中，可基于制造时安装到可穿戴设备1320的固件中的值或动态加载到可穿戴设备1320的固件中的用户定义的值来确定上限3004和下限3006。在实例中，用户定义的值可经由可穿戴设备1320的用户接口部件传送至可穿戴设备1320，可经由网络应用程序(诸如下文所述的网络应用程序)传送至可穿戴设备1320，或者从云计算设备(诸如上文所述的云计算设备)传送至可穿戴设备1320。还存在其他可能性。

与曲线图2900非常相似，将RPM保持在曲线图3000的最佳区域内对于用户而言可能是有价值的。因此，可穿戴设备1320可用于确定RPM与最佳区域的偏差。例如，可穿戴设备1320可确定临界时间3008，该临界时间对应于RPM高于上限3004的时间长度。同样，可穿戴设备1320可用于确定低使用时间3010，该低使用时间对应于RPM低于下限3006的时间长度。在任一情况下，可穿戴设备1320可提供信息以减少临界时间3008和低使用时间3010，也许通过输出提供操作改进、推荐的操作角度等的视觉、触觉和/或音频警报来提供。

在一些实施例中，来自曲线图2900和/或曲线图3000的数据可由可穿戴设备1320传输至云计算设备以用于存储和另外的计算。例如，云计算设备可执行上文所述的机器学习算法以发现关于信号2902和/或信号3002的模式(例如，研磨时间、最佳RPM时间、过载时间、最佳振动时间等)。然后可将发现的模式传输至向用户提供信息的网络应用程序。另外和/或另选地，网络应用程序可包括可穿戴设备1320随时间变化的振动的曲线图(例如，曲线图2900)和/或可包括可穿戴设备1320随时间变化的RPM的曲线图(例如，曲线图3000)。该网络应用程序可以是可自动缩放的——能够在平板设备、台式计算设备、移动设备等上查看。进一步地，网络应用程序可配置成为各个用户建立专用帐户，并且可具有适当的安全措施来隔离每个用户的数据并确保隐私。在一些实施例中，例如，可将云计算设备或网络应用程序用于通过将软件更新传输至可穿戴设备1320的通信接口106来更新可穿戴设备1320的固件。

值得注意的是，尽管关于振动和RPM数据讨论了上述实施例，但是在本文的公开内容中还考虑了其他类型的数据。

在一个实例中，温度传感器/相对湿度传感器可用于提供有关可穿戴设备1320周围的环境温度和湿度水平的数据。继而，由温度传感器/相对湿度传感器收集的数据可用于测量由可穿戴设备1320的用户操作的磨料产品/工具的热暴露时间。例如，温度传感器/相对湿度传感器可计算出磨料产品/工具在55°F的环境中操作2小时，然后在105°F的环境中操作6小时。然后可将计算出的热暴露时间用于确定磨料产品/工具的剩余产品寿命/生产率。例如，如果磨料产品/工具经常在高温环境下操作，则磨料产品/工具的预计产品寿命可能比经常在中等温度环境下操作的磨料产品/工具的寿命短。

在另一个实例中，磁力计可用于提供与可穿戴设备1320或由可穿戴设备1320的用户操作的工件的周围磁场/取向有关的数据。

在又一个实例中，电容传感器可用于提供关于与可穿戴设备1320或磨料工具有关的材料密度或潜在损坏的数据。

在进一步的实例中，可从磨料工具获得电流测量值并将所述电流测量值转换成功率数据。功率数据可用于提供磨料工具的研磨周期数据，并且在某些情况下，可将所述功率数据与前述振动和RPM数据进行比较，以进一步了解磨料操作。此外，上文所述的数据以及来自其他传感器(诸如惯性传感器、压力传感器和/或力传感器)的数据可被图形化、变换、显示在仪表板上(诸如上文所述的显示2700、2710、2720和2730)以及与阈值上限和阈值下限相关联，如与关于曲线图2900和曲线图3000所述类似的。

XVI.列举的示例实施例

本公开的实施例可涉及下文列出的列举的示例实施例(EEE)之一。

EEE 1为一种计算机实现的方法，其包括：

在计算设备处接收来自一个或多个传感器的传感器数据，其中所述一个或多个传感器设置在磨料产品或与磨料产品相关联的工件附近，其中所述一个或多个传感器配置为收集与磨料操作相关联的磨损操作数据，该磨料操作涉及磨料产品或工件；

借助于计算设备并基于传感器数据来训练机器学习系统，以确定磨料产品的产品特定信息或工件的工件特定信息；以及

借助于计算设备来提供经训练的机器学习系统。

EEE 2为EEE 1的计算机实现的方法，进一步包括：标记传感器数据的至少一部分以提供经标记的传感器数据，其中经标记的传感器数据包括一个或多个标记，每个标记识别磨料产品的不同产品特定信息。

EEE 3为EEE 2的计算机实现的方法，其中所述一个或多个标记在磨料产品相关事件之前识别一段持续时间的磨损操作数据的模式。

EEE 4为EEE 3的计算机实现的方法，其中磨损操作数据的模式包括一个或多个阶段，每个阶段与一个或多个传感器阈值相关联，其中所述一个或多个标记基于所述一个或多个传感器阈值与阶段相关联。

EEE 5为EEE 1的计算机实现的方法，其中训练机器学习系统包括训练一个或多个机器学习模型，其中每个模型用来自磨料产品的传感器数据进行训练，该磨料产品具有来自共享标识符集合的唯一标识符。

EEE 6为EEE 1的计算机实现的方法，其中来自一个或多个传感器的传感器数据由本地计算设备聚合以提供聚合的传感器数据，并且其中接收传感器数据包括从本地计算设备接收聚合的传感器数据。

EEE 7为EEE 1的计算机实现的方法，其中所述一个或多个传感器设置在可穿戴设备中，其中来自一个或多个传感器的传感器数据由可穿戴设备聚合以提供聚合的传感器数据，并且其中接收传感器数据包括从可穿戴设备接收聚合的传感器数据。

EEE 8为EEE 7的计算机实现的方法，其中传感器数据包括指示磨料产品的每分钟转数(RPM)值的信息。

EEE 9为一种计算机实现的方法，其包括：

在计算设备处接收来自一个或多个传感器的传感器数据，其中所述一个或多个传感器设置在磨料产品或与磨料产品相关联的工件附近，其中所述一个或多个传感器配置为收集与磨料操作相关联的磨损操作数据，该磨料操作涉及磨料产品或工件，并且其中计算设备具有经训练的机器学习系统的访问权限，该经训练的机器学习系统配置为接收输入传感器数据并输出磨料产品的产品特定信息或工件的工件特定信息；

通过对传感器数据应用经训练的机器学习系统来确定磨料产品的产品特定信息或工件的工件特定信息；以及

向一个或多个客户端设备提供产品特定信息或工件特定信息。

EEE 10为EEE 9的计算机实现的方法，其中所述一个或多个传感器设置在可穿戴设备中，其中来自一个或多个传感器的传感器数据由可穿戴设备聚合以提供聚合的传感器数据，并且其中接收传感器数据包括从可穿戴设备接收聚合的传感器数据。

EEE 11为EEE 10的计算机实现的方法，其中传感器数据包括指示磨料产品的每分钟转数(RPM)值的信息。

EEE 12为EEE 9的计算机实现的方法，其中所述一个或多个客户端设备包括以下中的至少一者：可穿戴设备、移动设备、仪表板设备、网络服务器、分析处理引擎或第三方服务器。

EEE 13为EEE 9的计算机实现的方法，其中提供产品特定信息包括提供与新的磨料产品或更新的磨料产品相关联的信息，其中该信息至少部分地包括用于构造新的磨料产品或更新的磨料产品的指令。

EEE 14为EEE 9的计算机实现的方法，其中提供产品特定信息或工件特定信息包括向所述一个或多个客户端设备提供通知。

EEE 15为EEE 9的计算机实现的方法，其中提供产品特定信息或工件特定信息包括向所述一个或多个客户端设备提供用于解决磨料产品的问题的一个或多个产品特定解决方案。

EEE 16为EEE 15的计算机实现的方法，其中所述一个或多个客户端设备配置为：

在图形用户界面上显示所述一个或多个产品特定解决方案，

经由图形用户界面来接收对所述一个或多个产品特定解决方案中的一者的选择；

基于所选择的产品特定解决方案来确定用于经训练的机器学习系统的训练数据；以及

将训练数据传输至计算设备。

EEE 17为EEE 9的计算机实现的方法，其中磨料产品为由用户操作的手持式磨料产品。

EEE 18为EEE 17的计算机实现的方法，其中磨料操作数据包括以下中的至少一者：与手持式磨料产品相关联的振动数据或与手持式磨料产品相关联的加速度数据。

EEE 19为EEE 17的计算机实现的方法，其中提供产品特定信息或工件特定信息包括向由用户穿戴的可穿戴设备的图形界面提供通知。

EEE 20为EEE 17的计算机实现的方法，其中产品特定信息包括以下中的至少一者：执行分配给用户的任务所花费的时间、用户的空闲时间或用户的工作时间。

EEE 21为EEE 17的计算机实现的方法，其中产品特定信息包括以下中的至少一者：用户相对于手持式磨料产品的工作角度、手持式磨料产品相对于工件的工作角度、用户对手持式磨料产品的抓握力，或用户对手持式磨料产品施加的压力。

EEE 22为EEE 17的计算机实现的方法，其中产品特定信息包括手持式磨料产品的使用寿命终结估计，其中使用寿命终结估计包括用户可安全地使用手持式磨料产品的估计时间量。

EEE 23为EEE 9的计算机实现的方法，其中磨料产品为由控制器操作的自动化磨料产品。

EEE 24为EEE 23的计算机实现的方法，其中所述一个或多个传感器包括配置为收集自动化磨料产品的操作速度的火花恒定传感器。

EEE 25为EEE 23的计算机实现的方法，其中提供产品特定信息包括提供如下确定：自动化磨料产品的一个或多个磨料制品损坏或发生故障。

EEE 26为EEE 25的计算机实现的方法，其中在提供该确定时，计算设备进一步配置为：

通过产品数据库来识别自动化磨料产品的一个或多个替换磨料制品；以及

响应于识别所述一个或多个替换磨料制品，提出关于一个或多个替换制品或翻新处理的请求。

EEE 27为EEE 23的计算机实现的方法，其中提供产品特定信息包括将至少一个控制指令传输至自动化磨料产品的控制器，其中所述至少一个控制指令包括以下中的至少一者：调整自动化磨料产品的旋转速度，向自动化磨料产品提供通知，打开自动化磨料产品，或关闭自动化磨料产品。

EEE 28为EEE 9的计算机实现的方法，进一步包括：

经由图形用户界面提供搜索界面，其中搜索界面包括多个用户可选标准，其中用户可选标准包括以下中的至少一者：位置菜单、设备菜单、日期范围或工件菜单；

经由图形用户界面从用户可选标准接收用户选择的搜索标准；

基于用户选择的搜索标准来确定一个或多个度量；以及

经由图形用户界面来显示所述一个或多个度量。

EEE 29为EEE 28的计算机实现的方法，其中所述一个或多个度量包括以下中的至少一者：研磨时间度量、最佳研磨度量、振动度量、切削深度、当前迹线、工具标识符或零件计数。

EEE 30为EEE 29的计算机实现的方法，进一步配置为经由图形用户界面来接收选自度量菜单的期望度量，其中显示所述一个或多个度量基于期望度量。

EEE 31为EEE 9的计算机实现的方法，进一步包括：经由图形用户界面来提供循环比较界面，其中循环比较界面配置为以多个周期性时间序列的重叠排列来显示传感器数据的至少一部分。

EEE 32为EEE 9的计算机实现的方法，进一步包括：比较传感器数据的至少一部分的多个周期性时间序列，其中确定磨料产品的产品特定信息或工件的工件特定信息至少部分地基于该比较。

EEE 33为EEE 9的计算机实现的方法，其中确定磨料产品的产品特定信息或工件的工件特定信息包括确定以下项中的一项或多项：磨料产品的预测未来状况或工件的预测未来状况。

EEE 34为EEE 33的计算机实现的方法，其中提供产品特定信息或工件特定信息包括提供以下中的至少一者：磨料产品的预测未来状况或工件的预测未来状况。

EEE 35为EEE 9的计算机实现的方法，其中确定磨料产品的产品特定信息或工件的工件特定信息包括确定规范行动。

EEE 36为EEE 35的计算机实现的方法，其中提供产品特定信息或工件特定信息包括提供规范行动，其中规范行动包括以下中的至少一者：调整研磨机的操作参数、执行维护操作、修复磨料产品或替换磨料产品。

EEE 37为一种计算系统，该计算系统包括：

一个或多个处理器；以及

数据存储器，其中数据存储器已存储了计算机可执行指令，当由所述一个或多个处理器执行时，该计算机可执行指令使得计算系统执行操作，这些操作包括：

接收来自一个或多个传感器的传感器数据，其中所述一个或多个传感器设置在磨料产品或与磨料产品相关联的工件附近，其中所述一个或多个传感器配置为收集与磨料操作相关联的磨损操作数据，该磨料操作涉及磨料产品或工件；

基于传感器数据来训练机器学习系统，以确定磨料产品的产品特定信息或工件的工件特定信息；以及

提供经训练的机器学习系统。

EEE 38为EEE 37的计算系统，其中操作进一步包括：标记传感器数据的至少一部分以提供经标记的传感器数据，其中经标记的传感器数据包括一个或多个标记，每个标记识别磨料产品的不同产品特定信息。

EEE 39为EEE 38的计算系统，其中所述一个或多个标记在磨料产品相关事件之前识别一段持续时间的磨损操作数据的模式。

EEE 40为EEE 39的计算系统，其中磨损操作数据的模式包括一个或多个阶段，每个阶段与一个或多个传感器阈值相关联，其中所述一个或多个标记基于所述一个或多个传感器阈值与阶段相关联。

EEE 41为EEE 37的计算系统，其中训练机器学习系统包括训练一个或多个机器学习模型，其中每个模型用来自磨料产品的传感器数据进行训练，该磨料产品具有来自共享标识符集合的唯一标识符。

EEE 42为EEE 37的计算系统，其中传感器数据由本地计算设备聚合以提供聚合的传感器数据，并且其中接收传感器数据包括从本地计算设备接收聚合的传感器数据。

EEE 43为EEE 37的计算系统，其中所述一个或多个传感器设置在可穿戴设备中，其中来自一个或多个传感器的传感器数据由可穿戴设备聚合以提供聚合的传感器数据，并且其中接收传感器数据包括从可穿戴设备接收聚合的传感器数据。

EEE 44为EEE 37的计算系统，其中传感器数据包括指示磨料产品的每分钟转数(RPM)值的信息。

EEE 45为计算系统，该计算系统包括：

经训练的机器学习系统，该经训练的机器学习系统配置为接收输入传感器数据并基于输入传感器数据来输出产品特定信息或工件特定信息；以及

计算设备，该计算设备配置为：

接收来自一个或多个传感器的传感器数据，其中所述一个或多个传感器设置在磨料产品或与磨料产品相关联的工件附近，其中所述一个或多个传感器配置为收集与磨料操作相关联的磨损操作数据，该磨料操作涉及磨料产品或工件；

通过对传感器数据应用经训练的机器学习系统来确定磨料产品的产品特定信息或工件的工件特定信息；以及

向一个或多个客户端设备提供产品特定信息或工件特定信息。

EEE 46为EEE 45的计算系统，其中所述一个或多个客户端设备包括以下中的至少一者：可穿戴设备、移动设备、仪表板设备、网络服务器、分析处理引擎或第三方服务器。

EEE 47为EEE 45的计算系统，其中提供产品特定信息包括提供与新的磨料产品或更新的磨料产品相关联的信息，其中该信息至少部分地包括用于构造新的磨料产品或更新的磨料产品的指令。

EEE 48为EEE 45的计算系统，其中提供产品特定信息或工件特定信息包括向所述一个或多个客户端设备提供通知。

EEE 49为EEE 45的计算系统，其中提供产品特定信息或工件特定信息包括向所述一个或多个客户端设备提供用于解决磨料产品的问题的一个或多个产品特定解决方案。

EEE 50为EEE 49的计算系统，其中所述一个或多个客户端设备配置为：

在图形用户界面上显示所述一个或多个产品特定解决方案，

经由图形用户界面来接收对所述一个或多个产品特定解决方案中的一者的选择；

基于所选择的产品特定解决方案来确定用于经训练的机器学习系统的训练数据；以及

将训练数据传输至计算设备。

EEE 51为EEE 45的计算系统，其中磨料产品为由用户操作的手持式磨料产品。

EEE 52为EEE 51的计算系统，其中磨料操作数据包括以下中的至少一者：与手持式磨料产品相关联的振动数据或与手持式磨料产品相关联的加速度数据。

EEE 53为EEE 51的计算系统，其中提供产品特定信息或工件特定信息包括向由用户穿戴的可穿戴设备的图形界面提供通知。

EEE 54为EEE 51的计算系统，其中产品特定信息包括以下中的至少一者：执行分配给用户的任务所花费的时间、用户的空闲时间或用户的工作时间。

EEE 55为EEE 51的计算系统，其中产品特定信息包括以下中的至少一者：用户相对于手持式磨料产品的工作角度、手持式磨料产品相对于工件的工作角度、用户对手持式磨料产品的抓握力，或用户对手持式磨料产品施加的压力。

EEE 56为EEE 51的计算系统，其中产品特定信息包括手持式磨料产品的使用寿命终结估计，其中使用寿命终结估计包括用户可安全地使用手持式磨料产品的估计时间量。

EEE 57为EEE 45的计算系统，其中磨料产品为由控制器操作的自动化磨料产品。

EEE 58为EEE 57的计算系统，其中所述一个或多个传感器包括配置为收集自动化磨料产品的操作速度的火花恒定传感器。

EEE 59为EEE 57的计算系统，其中提供产品特定信息包括提供如下确定：自动化磨料产品的一个或多个磨料制品损坏或发生故障。

EEE 60为EEE 59的计算系统，其中在提供该确定时，计算设备进一步配置为：

通过产品数据库来识别自动化磨料产品的一个或多个替换磨料制品；以及

响应于识别所述一个或多个替换磨料制品，提出关于一个或多个替换制品的请求。

EEE 61为EEE 57的计算系统，其中提供产品特定信息包括将至少一个控制指令传输至自动化磨料产品的控制器，其中所述至少一个控制指令包括以下中的至少一者：调整自动化磨料产品的旋转速度，向自动化磨料产品提供通知，打开自动化磨料产品，或关闭自动化磨料产品。

EEE 62为EEE 45的计算系统，其中所述一个或多个传感器设置在可穿戴设备中，其中来自一个或多个传感器的传感器数据由可穿戴设备聚合以提供聚合的传感器数据，并且其中接收传感器数据包括从可穿戴设备接收聚合的传感器数据。

EEE 63为EEE 59的计算系统，其中传感器数据包括指示磨料产品的每分钟转数(RPM)值的信息。

EEE 64为EEE 45的计算系统，进一步包括：

显示器，该显示器配置为提供具有搜索界面的图形用户界面，其中搜索界面包括多个用户可选标准，其中用户可选标准包括以下中的至少一者：位置菜单、设备菜单、日期范围或工件菜单，其中图形用户界面配置为：

接收来自用户可选标准的用户选择的搜索标准

基于用户选择的搜索标准来确定一个或多个度量；以及

经由图形用户界面来显示所述一个或多个度量。

EEE 65为EEE 64的计算系统，其中所述一个或多个度量包括以下中的至少一者：研磨时间度量、最佳研磨度量、振动度量、切削深度、当前迹线、工具标识符或零件计数。

EEE 66为EEE 65的计算系统，其中图形用户界面进一步配置为接收选自度量菜单的期望度量，其中显示所述一个或多个度量基于期望度量。

EEE 67为EEE 64的计算系统，其中显示器进一步配置为经由图形用户界面来提供循环比较界面，其中循环比较界面配置为以多个周期性时间序列的重叠排列来显示传感器数据的至少一部分。

EEE 68为EEE 45的计算系统，其中计算设备进一步配置为：

比较传感器数据的至少一部分的多个周期性时间序列，其中确定磨料产品的产品特定信息或工件的工件特定信息至少部分地基于该比较。

EEE 69为EEE 45的计算系统，其中产品特定信息或工件特定信息包括指示远程设备的一个或多个操作参数的信息。

EEE 70为计算系统，该计算系统包括：

经训练的机器学习系统，该经训练的机器学习系统配置为接收输入传感器数据并基于输入传感器数据来输出与磨料产品相关的产品特定信息或与工件相关的工件特定信息，该工件与磨料产品相关联；以及

计算设备，该计算设备配置为：

从一个或多个传感器接收传感器数据，其中所述一个或多个传感器设置在多种磨料产品附近，并且其中所述一个或多个传感器配置为收集与磨料操作相关联的磨损操作数据，该磨料操作涉及所述多种磨料产品；

通过对传感器数据应用经训练的机器学习系统来确定所述多种磨料产品的产品特定信息或与所述多种磨料产品相关联的多种工件的工件特定信息；以及

向一个或多个客户端设备提供产品特定信息或工件特定信息。

EEE 71为EEE 70的计算系统，其中所述多种磨料产品位于多个企业。

EEE 72为EEE 71的计算系统，其中计算设备配置为匿名化传感器数据，以便将传感器数据与所述多个企业中的每一者分离。

EEE 73为EEE 70的计算系统，其中传感器数据包括合成传感器数据，其中合成传感器数据由所述多种磨料产品的数字孪生生成。

EEE 74为一种计算设备，该计算设备包括：

一个或多个处理器；以及

数据存储器，其中数据存储器已存储了计算机可执行指令，当由所述一个或多个处理器执行时，该计算机可执行指令使得计算设备执行包括EEE 1-36中任一项的计算机实现的方法的功能。

EEE 75为一种制品，该制品包括一种或多种计算机可读介质，所述一种或多种计算机可读介质存储有非暂态计算机可读指令，当由计算设备的一个或多个处理器执行时，该非暂态计算机可读指令使得计算设备执行包括EEE 1-36中任一项的计算机实现的方法的功能。

EEE 76为一种计算设备，该计算设备包括：

用于执行EEE 1-36中任一项的计算机实现的方法的装置。

EEE 77为一种系统，该系统包括：

包括标记的磨料产品，其中磨料产品与通用唯一标识符(UUID)相关联；

包括用户界面和标记读取器的移动设备，其中移动设备配置为执行操作，该操作包括：

使用标记读取器询问标记以确定UUID；

基于UUID，执行以下中的至少一者：

经由用户界面来显示关于类似磨料产品的库存信息；

经由用户界面来显示关于类似磨料产品的产品信息或GPS信息；或者

生成对类似磨料产品的再订购请求，并将再订购请求传输至客户端网络或远程网络。

EEE 78为一种方法，该方法包括：

用移动设备的标记读取器询问磨料产品的标记以确定相关联的通用唯一标识符(UUID)；

基于UUID，执行以下中的至少一者：

经由移动设备的用户界面来显示关于类似磨料产品的库存信息；

经由用户界面来显示关于类似磨料产品的产品信息或GPS信息；或者

生成对类似磨料产品的再订购请求，并将再订购请求传输至客户端网络或远程网络。

EEE 79为一种方法，该方法包括：

通过标记读取器从客户端网络获取标记信息，其中标记信息与具有通

用唯一标识符(UUID)的磨料产品的标记相关联；

将标记信息传输至远程网络；

用标记信息更新至少一个数据库；

使用用户界面显示标记信息；

基于与用户界面的用户交互作用来选择至少一个可实施的行动，其中

所述至少一个可实施的行动包括以下中的至少一者：

与磨料设备建立通信，该磨料设备与磨料产品相关联；

调整与磨料产品相关联的磨料设备的操作；

通知供应商订购一个或多个替换零件；

通知供应商维修或翻新磨料产品；或

借助于文本消息或电子邮件来通知磨料产品的用户。

EEE 80为一种方法，该方法包括：

用移动设备的标记读取器询问磨料产品的标记以确定相关联的通用唯

一标识符(UUID)；

基于UUID从多个可能的操作状态中确定磨料产品的操作状态，其中

所述多个可能的操作状态包括以下中的至少一者：

制造商状态；

门状态；

工作场所状态；

轮平衡状态；

操作状态；和

废弃状态；和

将磨料产品的操作状态存储在以下中的至少一者中：产品数据库或与标记相关联的存储器。

EEE 81为一种移动设备，该移动设备包括：

认证系统，该认证系统配置为基于用户标识从多个可能的访问级别中确定访问级别；以及

用户界面，该用户界面配置为基于所确定的访问级别来提供磨料产品

信息，其中磨料产品信息包括以下中的至少一者：

维护信息；

GPS信息；

客户端网络的状态；

磨料产品详情；或者

当前库存信息。