guest ::
A method for dynamic payload estimation in hydraulic excavators = Eine Methode zur dynamischen Lasterfassung am Beispiel eines Hydraulikbaggers
2022 & 2023
Dissertation, RWTH Aachen University, 2022
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2023
Genehmigende Fakultät
Fak04
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2022-05-06
Online
DOI: 10.18154/RWTH-2023-00533
URL: https://publications.rwth-aachen.de/record/862531/files/862531.pdf
Einrichtungen
Inhaltliche Beschreibung (Schlagwörter)
Nutzfahrzeugtechnik (frei) ; Wiegesysteme (frei) ; commercial vehicle technology (frei) ; weighing systems (frei)
Thematische Einordnung (Klassifikation)
DDC: 620
Kurzfassung
Die vorliegende Arbeit beschäftigt sich mit der Entwicklung einer Methode zur Lasterfassung von Land- und Baumaschinen bei Erdarbeiten und deren praktischer Anwendung am Beispiel eines mobilen hydraulischen Baggers. Die Methodenentwicklung erfolgt unter den Maßgaben, dass erstens der Fehler der ermittelten Last weniger als 1% beträgt. Zweitens, dass die Methode für beliebige Trajektorien des Arbeitsspiels zuverlässige Ergebnisse liefert und drittens, dass alle Eingangsgrößen anhand von ggf. zusätzlich anzubringenden Standardsensoren messbar sind bzw. anhand von ggf. zusätzlich zu entwickelnden Methoden abgeschätzt werden können. In einem ersten Schritt wird dazu ein analytisches Modell, das auf den Grundlagen der technischen Mechanik basiert, entwickelt. In diesem wird die Last als eine Funktion der Gelenkmomente und der Bewegungsgrößen formuliert. Die Trägheitsparameter der Glieder und die Reibmomente werden durch im Zuge der Arbeit entwickelte Methoden abgeschätzt. Die Verifikation des analytischen Modells erfolgt anhand eines Mehrkörpersimulation-Modells (MKS) des im weiteren Verlauf der Arbeit verwendeten hydraulischen Baggers. Die MKS-Simulationsergebnisse zeigen, dass die geforderte Genauigkeit des Verfahrens aufgrund der teilweise abgeschätzten Eingangsgrößen nicht erzielt werden kann. Zur signifikanten Verbesserung der Genauigkeit wird das analytische Modell in einem weiteren Schritt mit Methoden des maschinellen Lernens (ML) erweitert. Im letzten Schritt erfolgt die Validierung des mit Methoden des maschinellen Lernens erweiterten analytischen Modells an einem realen hydraulischen Bagger. Die Validierungsergebnisse zeigen, dass mit der Kombination vom analytischen und dem ML Modell die Anforderungen zur Lasterfassung erfolgreich erfüllt werden konnten.This work discusses the development and application of payload estimation for mobile hydraulic excavators. The methods and results described here are however broadly applicable to any agricultural and construction machines that interact with the environment using a mechanical manipulator. Three key requirements were laid out to define the boundary conditions for the payload estimation method. The first was derived from the standard requirement for on-board weighing scales for construction equipment, which states that the estimate should be within 1% of the full-scale value of the machine. The second states that the accuracy of the payload estimate must be reliable for any given trajectory performed by machine. The third was that the payload estimation should be self-sufficient in the sense that all input parameters necessary to estimate the payload must also either be measurable using standard measurement devices or should also be estimated using a separate identification process. To this end, an analytical model relying on the principles of general technical mechanics was first developed, which expresses the payload as a function of joint torques and motion parameters. The required inertial parameters of the manipulator links and the friction effects were estimated using parameter identification for reference trajectories. For model verification, a multi-body simulation (MBS) model of the target excavator was developed. The MBS verification experiments showed that estimation accuracy falls short of the requirement, primarily due to the quality of the estimation of the input parameters. Accordingly, the model for payload estimation was complimented using a machine-learning (ML) model that uses a data-driven approach to significantly increase the accuracy of the payload estimate. In the final step, the combination of the analytical and ML model was validated using real world measurements performed on the target excavator. The validation results showed that the requirements for the payload estimation were successfully met using the combination of the physics-based analytical model and the data-driven ML-model.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis/Book
Format
online, print
Sprache
English
Externe Identnummern
HBZ: HT021706636
Interne Identnummern
RWTH-2023-00533
Datensatz-ID: 862531
Beteiligte Länder
Germany
|
The record appears in these collections: |