[Back]

A. Lorenz:
"Modellierung von Radlader-Kenngrößen mit Bayes´schen Netzen";
Supervisor, Reviewer: H. Jörgl, K. Hoffmann; Institut für Mechanik und Mechatronik 325, 2008; oral examination: 2008-04-30.

Die vorliegende Dissertation entstand in Zusammenarbeit mit der Firma Liebherr Bischofshofen GmbH und untersucht die Zusammenh¨ange zwischen Maschinenparametern und Performance-Kenngr¨oßen eines Radladers. Dabei werden ausgehend von statistisch ausgewerteten Messdaten mathematische Modelle in Form von Bayes´schen Netzen und Polynomen entwickelt. Zu Beginn der Untersuchungen steht eine ausf¨uhrliche Planung der notwendigen Messungen mithilfe von Design of Experiment. Als Zielgr¨oßen werden die Performance-Kenngr¨oßen Umschlagsleistung, Kraftstoffverbrauch und Sch¨adigung gew¨ahlt. Die Einfl¨usse von Schaufelvolumen, -breite, -bodenl¨ange, Reifendurchmesser, installierter Zugkraft und Fahrweise werden untersucht. Eine sorgf¨altige Auswahl von Messbedingungen und zu messenden Maschinenkonfigurationen soll eine effiziente Vorgangsweise gew¨ahrleisten.
Aufgrund der zyklischen Arbeitsweise k¨onnen die einzelnen Arbeitszyklen als Basis f¨ur 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 k¨onnen. Um aussagekr¨aftige statistische Auswertungen zu erm¨oglichen, werden die Zyklen auf atypische Charakteristik und Messfehler ¨uberpr¨uft. Fehlerhafte Zyklen werden ausgeschieden. F¨ur die einzelnen Messungen werden im Anschluss statistische Modelle in Form von gemittelten eitverl¨aufen, H¨aufigkeitsverteilungen und einfachen charakteristischen Kennwerten entwickelt.
Die berechneten Kennwerte f¨ur die zu Beginn definierten Zielgr¨oßen dienen in der Folge als Ausg¨ange f¨ur ein Regressionsproblem mit den betrachteten Maschinenparametern als Eing¨angen. Als Strukturen f¨ur diese Hypermodelle werden sowohl Polynome als auch Neuronale Netze mit
Bayes´scher Regularisierung herangezogen. Methoden f¨ur die ch¨atzung der Modellparameter sowie deren Unsicherheiten werden vorgestellt. F¨ur 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 best¨atigt die folgenden Ergebnisse: Neuronale Netze k¨onnen nicht nur komplexere Zusammenh¨ange darstellen, sie weisen
aufgrund der Bayes´schen Regularisierung auch eine wesentlich bessere Pr¨adiktionsf¨ahigkeit auf. Polynomialmodelle sind bei einfachen Zusammenh¨angen sinnvoll, wo die optimale Modellordnung leicht zu ermitteln ist. Sind die Nichtlinearit¨aten nur schwach oder gar nicht ausgepr¨agt, so liefern lineare Modelle robuste Ergebnisse.
In Bezug auf die Anwendung sind aufgrund der geringen Anzahl gemessener Konfigurationen und der teilweise schlechten Reproduzierbarkeit noch wenige konkrete Aussagen m¨oglich. Auffallend
ist der dominierende Einfluss der Fahrweise. Mit den vorgestellten Methoden sind jedoch im Hinblick auf eine zuk¨unftige Erweiterung der Datenbasis vielversprechende Ergebnisse zu erwarten.