[Back]

J. Riedl:
"Clusteranalyse und Entwicklung eines Prozessdetektionsmodells für Zugmaschinen mittels maschinellen Lernens";
Supervisor: C. Hametner; Institut für Mechanik und Mechatronik, 2020.

The aim of this diploma thesis was the development of a system for the automated recognition of the operating or process status of a tractor, which should be used as a basis for assistance systems in tractors. The detected states should serve as a basis for automatic changes and
optimizations of system settings, as a source of information for maintenance management, for increasing driving and operating comfort as well as for decision making of machine parameterization via suggestion functions of the human-machine interface. For the development of the model on which the system for state detection is based, machine learning methods were used. To derive a training data set for a classification algorithm, data and cluster analyses were
performed with previously recorded operational data from a variety of sensors at power interfaces of the tractor. A visualization mask was programmed for these cluster analyses so that data points could be contextualized with the help of a logbook, recording time and GPS
coordinates. The resulting probabilistic model consists of the classification algorithm as a random forest combined with a modified Hidden Markov Model. Once the model development was finalized, the state detection system was implemented on a hardware and connected to the CAN bus of the tractor. The current signal values are passed to the model via CAN bus. Based on probability, the model detects the current state from 15 different classes and the results are sent
back to the CAN bus. These results can be used to implement assistance systems on any CAN bus member.

Ziel dieser Diplomarbeit war die Entwicklung eines Systems zur automatisierten Erkennung des Betriebs- bzw. Prozesszustandes eines Traktors, welche als Grundlage für Assistenzsysteme in
Zugmaschinen eingesetzt werden soll. Die erkannten Zustände sollen als Basis für automatische Änderungen und Optimierungen von Systemeinstellungen, als Informationsquelle für Wartungsmanagement, zur Erhöhung des Fahr- und Bedienkomforts sowie zur Entscheidungsfindung der Maschinenparametrierung über Vorschlagsfunktionen der Mensch-Maschine-Schnittstelle dienen. Zur Entwicklung des Modells, welches dem System zur Zustandserkennung zu Grunde liegt, wurden Methoden aus dem Bereich des Maschinellen Lernens verwendet. Um einen Trainingsdatensatz für einen Klassifizierungsalgorithmus ableiten zu können, wurden Daten- und Clusteranalysen mit vorher aufgezeichneten Betriebsdaten durchgeführt, welche von einer Vielzahl an Sensoren an Leistungsschnittstellen des Traktors stammen. Für diese Clusteranalysen wurde eine Visualisierungsmaske programmiert, damit Datenpunkte mit Hilfe eines Logbuches, Aufzeichnungszeitpunkt und GPS-Koordinaten kontextualisiert werden konnten. Das resultierende probabilistische Modell besteht aus dem Klassifizierungsalgorithmus in Form eines Random Forests kombiniert mit einem Hidden Markov Model, welches für diesen Einsatzzweck modifiziert wurde. Nach abgeschlossener Modellentwicklung wurde die Zustandserkennungssystem auf einer Hardware implementiert und an den CAN-Bus des Traktors angeschlossen. Über den CAN-Bus werden die aktuellen Signalwerte dem Modell übergeben. Dieses detektiert wahrscheinlichkeitsbasiert den momentanen Zustand aus 15 verschiedenen Klassen und die Ergebnisse werden zurück auf den CAN-Bus geschrieben. Mit diesen Ergebnissen lassen sich Assistenz-Systeme auf jedem CAN-Bus-Teilnehmer umsetzen.

Clustering, Hidden Markov Model