Statistische Modellierung von Radlader-Kenngrößen mit Bayes´schen Netzen

Abstract

Die vorliegende Dissertation entstand in Zusammenarbeit mit der Firma Liebherr Bischofshofen GmbH und untersucht die Zusammenhänge zwischen Maschinenparametern und Performance-Kenngrößen eines Radladers.<br />Dabei werden ausgehend von statistisch ausgewerteten Messdaten mathematische Modelle in Form von Bayes'schen Netzen und Polynomen entwickelt.<br />Zu Beginn der Untersuchungen steht eine ausführliche Planung der notwendigen Messungen mithilfe von Design of Experiment. Als Zielgrößen werden die Performance-Kenngrößen Umschlagsleistung, Kraftstoffverbrauch und Schädigung gewählt. Die Einflüsse von Schaufelvolumen, -breite, -bodenlänge, Reifendurchmesser, installierter Zugkraft und Fahrweise werden untersucht. Eine sorgfältige Auswahl von Messbedingungen und zu messenden Maschinenkonfigurationen soll eine effiziente Vorgangsweise gewährleisten.<br />Aufgrund der zyklischen Arbeitsweise können die einzelnen Arbeitszyklen als Basis für statistische Auswertungen herangezogen werden. Zu diesem Zweck werden geeignete Methoden zur Erkennung der Zyklengrenzen an unterschiedlichen Stellen des Ladespiels entwickelt, welche auch zur Identifikation der einzelnen Phasen eines Arbeitszyklus verwendet werden können. Um aussagekräftige statistische Auswertungen zu ermöglichen, werden die Zyklen auf atypische Charakteristik und Messfehler überprüft. Fehlerhafte Zyklen werden ausgeschieden. Für die einzelnen Messungen werden im Anschluss statistische Modelle in Form von gemittelten Zeitverläufen, Häufigkeitsverteilungen und einfachen charakteristischen Kennwerten entwickelt.<br />Die berechneten Kennwerte für die zu Beginn definierten Zielgrößen dienen in der Folge als Ausgänge für ein Regressionsproblem mit den betrachteten Maschinenparametern als Eingängen. Als Strukturen für diese Hypermodelle werden sowohl Polynome als auch Neuronale Netze mit Bayes'scher Regularisierung herangezogen. Methoden für die Schätzung der Modellparameter sowie deren Unsicherheiten werden vorgestellt.<br />Für eine Bewertung der Modelle werden geeignete Validierungsverfahren entwickelt. Eine Validierung der Modelle anhand eigens generierter Testdaten zeigt die Vor- und Nachteile der betrachteten Methoden. Die Anwendung auf die ausgewerteten Radlader-Messungen bestätigt die folgenden Ergebnisse:<br />Neuronale Netze können nicht nur komplexere Zusammenhänge darstellen, sie weisen aufgrund der Bayes'schen Regularisierung auch eine wesentlich bessere Prädiktionsfähigkeit auf. Polynomialmodelle sind bei einfachen Zusammenhängen sinnvoll, wo die optimale Modellordnung leicht zu ermitteln ist. Sind die Nichtlinearitäten nur schwach oder gar nicht ausgeprägt, so liefern lineare Modelle robuste Ergebnisse.<br />In Bezug auf die Anwendung sind aufgrund der geringen Anzahl gemessener Konfigurationen und der teilweise schlechten Reproduzierbarkeit noch wenige konkrete Aussagen möglich. Auffallend ist der dominierende Einfluss der Fahrweise. Mit den vorgestellten Methoden sind jedoch im Hinblick auf eine zukünftige Erweiterung der Datenbasis vielversprechende Ergebnisse zu erwarten.<br />

This dissertation was done in co-operation with Liebherr Bischofshofen GmbH and analyses the relation between machine parameters and performance values of wheel loaders. Based on a statistical examinations of measured data, mathematical models using polynomials and Bayesian Networks are developed.<br />In a first step, measurements are accurately planned using Design of Experiment. The target variables chosen are defined as the performance values bulk material, fuel consumption and damage. The influence of three shovel parameters, wheel diameter, traction force and operation mode is investigated.<br />Due to the cyclic operating characteristic, the individual loading cycles can be considered as a basis for further statistical examinations. To this purpose, accurate methods for the detection of the cycle borders are developed. The same methods can be used for the identification of different operating phases during each cycle. To guarantee meaningful statistics, the cycles are checked for measurement errors and atypical characteristics, and incorrect cycles are eliminated. For the individual measurements statistical models in terms of averaged time functions, frequency distributions and characteristic values are developed.<br />The calculated values for the predefined target variables are considered as output variables for a regression problem with the machine parameter as input variables. For these hypermodels, polynomials as well as Neural Networks with Bayesian regularization are examined. Methods for the estimation of model parameters and model errors are presented.<br />Accurate validation methods for model assessment are developed. Model validation by the means of simulated test data shows the benefits and drawbacks of the considered methods. An application to the measured data of a specific wheel loader confirms these results: Neural Networks are able to fit complex nonlinearities and have a good ability of prediction due to Bayesian regularization. Polynomial models are meaningful for simple relations where the optimal order is easily detectable. Linear models yield a robust performance only if the nonlinearities are weak.<br />Concerning the application to wheel loaders, only few concrete conclusions are possible due to the small amount of measurement data and the partly poor reproducibility. A dominant driver influence is noticeable. The presented methods provide promising results with regard to a future enlargement of the measurement database.