Forschung für den Mittelstand - Die IGF-Projektdatenbank

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

In Baumaschinen werden Assistenzsysteme eingesetzt, um den Fahrer zu entlasten, die Varianz in der Fahrzeugbedienung zu reduzieren und die Effizienz und Produktivität zu steigern. Heutige Assistenzsysteme adressieren nur einzelne Teilaufgaben und erfordern meist eine vorherige Eingabe des Maschinisten (Teach-In). Sie basieren auf festen Regeln und können sich nicht selbstständig an veränderte Umgebungs- und Arbeitsbedingungen anpassen. Abhilfe können hier Machine Learning (ML) Modelle schaffen, die auf dem Erfahrungswissen von Experten aufbauen und sich kontinuierlich optimieren. Ziel dieses Projekts ist die Entwicklung einer Vorgehensweise zur Explizierung menschlichen Expertenwissens durch ML-Methoden und die Nutzung dieses Wissens in lernfähigen Assistenzsystemen und Steuerungen. Am Beispiel einer Tunnelbohrmaschine, für die umfangreiche Maschinendaten und Bedienereingaben verfügbar sind, wird die Explizierung von Expertenwissen auf Basis historischer Daten untersucht. So werden aufgezeichnete Entscheidungen der Bediener vom ML-Modell erlernt und verstanden. Für einen Radlader, bei dem üblicherweise nur wenige Maschinendaten und Bedienereingaben vorliegen, wird ein hybrider Ansatz erarbeitet. Die vorliegenden Messdaten werden zur Parametrierung eines Simulationsmodells verwendet, um anschließend die Datenbasis simulativ zu vergrößern. Für den Radlader wird ein trainiertes ML-Modell als prototypisches Assistenzsystem auf dem Fahrzeug umgesetzt und in Feldtests erprobt. Das Projektergebnis ist ein Methodenleitfaden, der es Anwendern ermöglicht implizites Expertenwissen durch geeignete ML-Methoden zu explizieren und damit lernfähige Assistenz- und Steuerungssysteme zu entwickeln. Kleinen und mittleren Baumaschinenherstellern bietet sich so die Möglichkeit, den Umgang mit modernen ML-Methoden zu erlernen, erhobene Prozessdaten intelligent und automatisiert auszuwerten und geeignete Handlungsempfehlungen abzuleiten, wodurch ihre Marktposition nachhaltig gestärkt wird.

Ergebniszusammenfassung:

Ziel des Forschungsvorhabens war die Explizierung des impliziten Expertenwissens von Maschinenbedienern mithilfe lernender maschineller Verfahren. Das gewonnene Wissen steht für die Entwicklung neuer Assistenzsysteme zur Verfügung. Dieses Ziel wurde durch folgende Teilziele erreicht:

1. Systematische Anforderungserhebung.

2. Datenvorverarbeitung für das Trainieren von Machine Learning Modellen.

3. Modellbasierte Erzeugung einer Datengrundlage für den Anwendungsfall Radlader.

4. Erfassung des Zusammenhangs zwischen Bedienereingaben und Kenngrößen der Produktivität und Effizienz.

5. Validierung der entwickelten Modelle.

6. Entwicklung eines Methodenleitfadens zur Übertragbarkeit der Ergebnisse auf andere Anwendungsfälle.

Das Projekt umfasste zwei Forschungspfade mit eigenen Anwendungsbeispielen:

1. Explizierung von Expertenwissen basierend auf historischen Daten einer Tunnelbohrmaschine.

2. Explizierung von Expertenwissen basierend auf kombinierten Simulations- und Messdaten eines Radladers.

Im ersten Pfad wurden Messdaten analysiert und mithilfe von Machine Learning Modellen sowie Reinforcement Learning Agenten wurden Expertenklassen und optimale Bedienereingaben ermittelt. Die Modelle wurden validiert, und performante Architekturen sowie robuste Erklärbarkeitsmethoden identifiziert.

Im zweiten Pfad wurde ein Simulationsmodell für den Radlader erstellt. Auf Basis von neuronalen Netzen wurden Methoden entwickelt, um Teilprozesse des kurzen Ladespiels und den Grad der Schaufelfüllung zu erkennen. Die Modelle wurden mit Messdaten und erweiterten Simulationsdaten trainiert und validiert.

Aufgrund der Ergebnisse beider Anwendungsbeispiele wurde ein Methodenleitfaden formuliert, der Empfehlungen zur Übertragbarkeit der Ergebnisse auf andere Anwendungsfälle gibt. Dieser Leitfaden soll Interessierten der Baumaschinenbranche bei der Anwendung von ML-Methoden helfen.