Entwicklung und Evaluation eines Wiegesystems für Forstkräne auf Basis von künstlichen neuronalen Netzen

Abstract

Sowohl in der Hackschnitzel- als auch Rundholzlogistik fehlen oft wichtige Referenzmengen fur den dispositiven Einsatz, welche zumeist mit unzureichend genauen Schatzwerten vervollstandigt werden. Um die Informationsqualitat uber die bewegten Holzmengen zu verbessern, konnen optional Kranwaagen zwischen Teleskopauge und Greifer am Kran des Forwarders montiert werden. Dies beeinflusst jedoch die Krankinematik und Manovrierfahigkeit negativ, bei zeitgleich sinkender Maschinenproduktivitat aufgrund einer zur Messung notwendigen Unterbrechung des Ladeprozesses. In diesem Beitrag wird eine datenbasierte Methode prasentiert, welche einen dynamischen Wiegeprozess im kontinuierlichen Ladevorgang bei modernen Forstkranen ermoglicht, ohne dass eine zusatzliche Hardware-Komponente auf der Maschine verbaut werden muss. Bei dieser Methode wird ein Ladezyklus automatisiert erkannt und die geladene Masse anhand eines kunstlichen neuronalen Netzwerkes (KNN) abgeschatzt. Als Eingangsgrosen dienen Signale von Sensoren, die auf auf modernen Forwardern serienmasig installiert sind. Fur die Verarbeitung von zeitbasierten Sensordaten in einem neuronalen Netz hat sich die Long-Short-Term-Memory(LSTM)-Architektur bewahrt. Basierend auf LSTM-Zellen wurde ein entsprechendes Netzwerk entworfen, trainiert und anschliesend optimiert. Im Test zeigt sich fur einen einzelnen Ladezyklus ein mittlerer Gesamtskalenfehler von 1,5 %, bezogen auf 1.000 kg. Fur einen voll beladenen Forwarder resultiert dies in einem Gesamtmassenfehler kleiner 1,2 %.