Machine Learning

 

KI-Assistenzsystem für Baumaschinen

Integration menschlichen Expertenwissens in die Steuerung von Baumaschinen durch Machine Learning Methoden

 

Motivation

Die Gesamteffizienz einer mobilen Arbeitsmaschine wird in einem erheblichen Maße durch den Maschinenbediener bestimmt. Beispielsweise beträgt die Varianz in der Produktivität zwischen erfahrenen Maschinenbedienern bei Umschlagarbeiten mit einem Radlader bis zu 300%. Daher bietet eine Verbesserung der Fahrzeugsteuerung neben der Optimierung mechanischer Komponenten ein großes Potential zur Effizienzsteigerung. Gegenwärtig werden zur Erhöhung der Reproduzierbarkeit eines Arbeitsprozesses Assistenzsysteme eingesetzt, die den Maschinenbediener bei Teilprozessen anhand vordefinierter Regeln unterstützen. Eine Reaktion auf veränderte Arbeits- und Umgebungsbedingungen bedarf einer Anpassung der Sollvorgaben, die auf dem Erfahrungswissen des Maschinenbedieners beruhen. Die Nutzung des impliziten Wissens erfahrener Maschinenbediener in einem Assistenzsystem bietet somit weiteres Potential zur Effizienzsteigerung.

 
  Nutzung der Daten eines Radladers und einer Tunnelbohrmaschine für Assistenzsystemtraining Urheberrecht: © MSE
 
 

Forschungsziele

Das Ziel des Forschungsvorhabens ist es, das implizit vorhandene Wissen erfahrener Maschinenbediener über Arbeitsabläufe und -aufgaben zu explizieren und zur Unterstützung aller Maschinenbediener in Form eines Assistenzsystems zugänglich zu machen. Mittels Methoden des maschinellen Lernens werden die Bedienereingaben sowie maschinenverfügbare Daten analysiert, bewertet und Handlungsempfehlungen zur Prozessoptimierung ausgesprochen.

  • Definition exemplarischer Untersuchungsszenarien für die Beispielanwendungen „Tunnelbohrmaschine“ und „Radlader“
  • Aufbereitung historischer Daten (Tunnelbohrmaschine) für ML-Methoden
  • Generierung von Daten mittels Simulationsmodell (Radlader) für ML-Methoden
  • Prädiktion der Bedienereingaben anhand historischer (Tunnelbohrmaschine) und simulierter (Radlader) Daten
  • Validierung der Prädiktion anhand historischer Daten (Tunnelbohrmaschine) und Feldmessungen (Radlader)
  • Entwicklung eines Methodenleitfadens zur Explizierung menschlichen Expertenwissens in Anwendung bei weiteren Baumaschinen
 

Forschungs- und Projektpartner

  • Cybernetics Lab IMA & IfU der RWTH Aachen University
  • Atlas Weyhausen GmbH
  • BAUER Maschinen GmbH
  • Herrenknecht AG
  • Hotsprings GmbH
  • Inspirient GmbH
  • Liebherr-Hydraulikbagger GmbH
  • Nivelsteiner Sandwerke und Sandsteinbrüche GmbH
  • talpasolutions GmbH
  • Welotec GmbH
  • Wirtgen GmbH
 

Gefördert durch

Bundesministerium für Wirtschaft und Klimaschutz Urheberrecht: © BMWK

Das Forschungsprojekt wird über die Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF) im Rahmen des Programms zur Förderung der industriellen Gemeinschaftsforschung (IGF) durch das Bundesministerium für Wirtschaft und Klimaschutz aufgrund eines Beschlusses des Deutschen Bundestages gefördert (IGF-Vorhaben-Nr. 21250 N). Die zuständige AiF-Forschungsvereinigung ist das Forschungskuratorium Maschinenbau e.V..

 

Projektträger

Forschungskuratorium Maschinenbau e.V.

  FKM und AiF Urheberrecht: © FKM AiF