WO2022069467A1 - Verfahren zum bestimmen des gewichts einer beladung einer mobilen arbeitsmaschine, lernverfahren für ein datenbasiertes modell und mobile arbeitsmaschine - Google Patents

Verfahren zum bestimmen des gewichts einer beladung einer mobilen arbeitsmaschine, lernverfahren für ein datenbasiertes modell und mobile arbeitsmaschine Download PDF

Info

Publication number
WO2022069467A1
WO2022069467A1 PCT/EP2021/076639 EP2021076639W WO2022069467A1 WO 2022069467 A1 WO2022069467 A1 WO 2022069467A1 EP 2021076639 W EP2021076639 W EP 2021076639W WO 2022069467 A1 WO2022069467 A1 WO 2022069467A1
Authority
WO
WIPO (PCT)
Prior art keywords
value
model
load
working machine
mobile working
Prior art date
Application number
PCT/EP2021/076639
Other languages
English (en)
French (fr)
Inventor
Adrian Trachte
Nils Steker
Benjamin Ehlers
Armin Grieser
Daniel Neyer
Frank Bender
Ozan DEMIR
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Priority to EP21786359.6A priority Critical patent/EP4222460A1/de
Publication of WO2022069467A1 publication Critical patent/WO2022069467A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G19/00—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups
    • G01G19/08—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles
    • G01G19/083—Weighing apparatus or methods adapted for special purposes not provided for in the preceding groups for incorporation in vehicles lift truck scale
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01G—WEIGHING
    • G01G23/00—Auxiliary devices for weighing apparatus
    • G01G23/01—Testing or calibrating of weighing apparatus

Definitions

  • the present invention relates to a method for determining a weight value of a load applied to a work tool of a mobile machine, a method for training a data-based model, in particular in the form of an artificial neural network, which is used to correct a model-based value of such a load is, as well as a computing unit for performing the method and such a mobile machine.
  • Mobile work machines such as excavators, wheel loaders, cranes or telehandlers are used in various areas, e.g. to carry out earthmoving tasks, transport or loading.
  • mobile working machines have a working tool that can be loaded with a load.
  • an excavator has an excavator arm with a bucket into which material such as soil can be placed as a load.
  • a method for determining a weight value of a load a method for training a data-based model, and a computing unit for carrying out the method and a mobile working machine with the features of the independent patent claims are proposed.
  • Advantageous configurations are the subject of the dependent claims and the following description.
  • the invention deals with mobile working machines that have a working tool that can be or is loaded with a load. Estimating the mass or the weight of such a load, which is captured or picked up by a working tool of a mobile working machine, is a function that is offered, for example, by manufacturers of mobile working machines or by retrofitters.
  • a model-based weight value of the load is determined from at least one measured value of at least one variable measured variable of the mobile working machine using a physical model or route model of the mobile working machine.
  • measured variables include, for example, a pressure in a hydraulic fluid in a hydraulic cylinder used to move the working tool, angles that are characteristic of a position of the working tool, positions that are characteristic of a position of the working tool, and accelerations that are characteristic of a position of the working tool.
  • the measured value can first be recorded or measured, e.g. by means of suitable sensors.
  • a moment caused by the working tool can then be determined using a physical model of the mobile working machine and values of physical parameters of the mobile working machine.
  • dimensions and weights or masses as well as centers of gravity of the individual components of the working tool come into consideration as physical parameters.
  • the (model-based) weight value of the load can in turn be determined, taking into account a reference torque when the working tool is unloaded or not provided with a load.
  • the current load on the hydraulic cylinder can be determined on the basis of pressures measured in hydraulic cylinders. With known lever ratios, a moment can be calculated from this load, which holds or moves the work tool of the mobile working machine upwards against gravity. If the unladen weights (or unladen masses), the location of the centers of gravity and the inertia values of the work tool of the mobile working machine are known, it can be calculated on the basis of the physical route model what proportion of the measured torque is attributable to the unloaded or empty working tools are not required. If a moment is measured or determined that goes beyond the corresponding, calculated value of the physical system model, it can be assumed that it is caused by a load on the working tool.
  • a weight value for the load can be determined.
  • a more detailed description of such a physical system model and its use as part of a weighing function can be found, for example, in "Dynamical Systems in Applications, Lodz, Tru, December 11-14, 2017” or "A. Renner, H. Wind, O. Sawodny, Online payload estimation for hydraulically actuated manipulators, Mechatronics, Volume 66, 2020, Article 102322".
  • status monitors can be used to identify whether the current dynamics suggest that the physical route model is sufficiently accurate, so that the weight of the load can be estimated. If not, a possibly determined weight value should not be used because it is most likely not accurate enough.
  • the weight value of the load which is determined (or estimated) using the approach described, ultimately shows a certain inaccuracy compared to the actual weight value of the load.
  • One source of inaccuracies are, for example, model inaccuracies with regard to the physical route model of the mobile work machine. These inaccuracies come, among other things, from physical effects that are not fully represented in the plant model (e.g. friction, wear, etc.) or from elements of work equipment that are not taken into account in the modeling (e.g. attachments such as lamps and hoses). Falsified measurements due to the sensors used (e.g. offsets, noise, drift) also have a negative effect on the estimation result.
  • a data-based model or a data-based approach preferably in the form of an artificial neural network, with at least one input value, which includes the at least one measured value, to determine a correction value as the output value in order to use the model-based weight value to correct the load.
  • MLP Multilayer Perceptron
  • a CNN Convolutional Neural Network
  • Other database ized correction methods that can be used within the scope of the invention are, for example, “Gaussian Process Regression” (GPR), "Genetic Programming” (e.g.
  • GPTIPS GPTIPS
  • LOLIMOT Low-Linear Model Trees
  • This therefore corresponds to a data-based correction that provides a more accurate result or a more accurate estimate.
  • the mentioned inaccuracies of the physical plant model can be compensated.
  • the described approach with the physical model is generally optimized for a limited dynamic state of the work machine and delivers less accurate results outside of this state.
  • a data-based correction has the potential to expand the limitation of the dynamic state in such a way that the result can be used for downstream functions, such as stability monitoring, anti-tilt protection or other actions of the mobile work machine.
  • information about the corrected, model-based weight value of the load ie also the corrected weight value itself, can be output for a user or machine operator, for example by means of a display on a display means.
  • measured values (or signals) as for the physical system model are used as input values for the data-based model.
  • measured values of other variable measured variables (or signals) can be used as input values, which are not used for the physical plant model, but which are assigned a (certain) relevance, for example.
  • the oil temperature or generally a temperature of a hydraulic fluid—can be used as the input value of the data-based model.
  • pressures that are not used to determine the model-based weight value for example, also come into consideration, as do control signals that contain information about a shift in the operating point. As has been shown, the influence of such a temperature on the weighing result is very complex to model using the physical system model.
  • the data-based model For training (also referred to as teaching) the data-based model, it is proposed to determine a target value or desired value for an output variable of the data-based model from the model-based weight value of the load and a reference weight value for this.
  • the reference weight value can stand for the actual or measured weight value of the load and can be determined, for example, by weighing.
  • a suitable target value can thus be determined, for example during training, for a specific load whose actual weight is known, which the data-based model should output if possible when the corresponding input values are fed to it.
  • an actual value of the output variable of the data-based model or an (actual) output value is then determined using the data-based model with the at least one input value.
  • parameters of the data-based model can then be used - these are, for example, weights that the individual neurons in the artificial neural network, if the data-based model as such is implemented, link - be adjusted.
  • the target value and the initial value can be supplied to a cost function, so that the parameters can then be adjusted - as optimally as possible - using an optimization algorithm, for example.
  • RMSE Root-Mean-Square Error
  • Predicted Correction Value initial value
  • target value target value
  • RMSE Target Correction Value
  • an algorithm can then be used that minimizes the RMSE calculated in the cost function. In the case of an MLP neural network, this is e.g. a gradient method with a suitable extension.
  • a computing unit according to the invention for example a control device or a control unit of a mobile work machine, is set up, in particular in terms of programming, to carry out a method according to the invention. This applies to both the procedure for determining the weight value of the load and the procedure for training a data-based model. In both cases, the data-based model can be stored on the computing unit.
  • the subject matter of the invention is also a mobile work machine with a work tool that can be loaded with a load, at least one sensor device for detecting at least one variable measured variable, and a computing unit according to the invention.
  • various types of mobile work machines come into consideration here, such as excavators, wheel loaders, cranes, telehandlers or forklifts.
  • such a computing unit can also be used by way of retrofitting a mobile working machine. It is also conceivable to correspondingly replace or update an existing computing unit that, for example, previously only controlled the weighing function based on the physical model.
  • Suitable data carriers for providing the computer program are, in particular, magnetic, optical and electrical memories, such as hard drives, flash memories, EEPROMs, DVDs, etc. It is also possible to download a program via computer networks (Internet, intranet, etc.).
  • FIG. 1 shows a preferred embodiment of a mobile work machine according to the invention, with which a method according to the invention can be carried out.
  • FIG. 2 schematically shows a sequence of a method according to the invention in a preferred embodiment.
  • FIG. 3 schematically shows a sequence of a method according to the invention in a further preferred embodiment.
  • FIG. 1 shows a mobile work machine 100 according to the invention in a preferred embodiment, here in the form of an excavator, with which a method according to the invention can be carried out.
  • the excavator 100 has a working tool 110 in the form of an excavator arm or working arm, which is movably arranged or fastened to an upper structure 120 as a component of the mobile working machine.
  • the superstructure 120 is in turn connected to an undercarriage 130 such that it can rotate about a vertical axis of the excavator, for example.
  • the working tool 110 has, for example, two components 111 and 112 that are movably connected to one another, as well as a tool 115 designed as a shovel, in order to pick up material or a load 160 .
  • the tool 115 is in turn arranged movably on the component 112.
  • the working tool 110 also has a hydraulic cylinder 114 and other hydraulic cylinders, not explicitly designated, by means of which the components mentioned can be moved relative to one another.
  • three sensor devices or sensors 121, 122 and 125 are arranged on working tool 110, each on a component of working tool 110, by means of which an assigned angle q>i, q>2 or cps can be determined in each case.
  • mobile working machines are usually equipped with sensors or sensor devices for detecting the position of the working tool or for detecting the joint angle. Otherwise, such can also be provided in addition.
  • sensors or sensor devices include, for example, inertial sensors or inertial measurement units (IMUs), angle sensors (encoders) and/or displacement sensors, encoders or cable pulls installed in the cylinders.
  • the angle q>i indicates an angle between the straight line connecting the joints of component 112 (jib) and the superstructure 120 (or a horizontal line there), the angle q>2 indicates an angle between the straight line connecting the joints of component 111 and of the joints of the component 112 and the angle cps indicates an angle between the joint of the joints of the component 112 and the joint of the joint of the tool 115 and its tip.
  • the angle ⁇ PL indicates an angle of attack and is defined, for example, by the opening of the tool 115 in relation to a horizontal H (corresponding to a line between the joint of the tool 115 and its tip).
  • Arrows pointing vertically downwards are shown at the centers of gravity of the various components of the working tool 110 and are intended to represent the weight forces or masses of the relevant components. These arrows are unspecified.
  • an arrow Gz is also shown, which stands for the weight (or the weight value) of the load 160.
  • a moment M results, which acts on the joint on which the component 111 is arranged on the superstructure 120.
  • This moment M consists of a reference moment MR, which stands for a moment when the tool is unloaded, and a moment MG, which stands for the moment that results from the loading.
  • a counter-torque M' must be applied by the hydraulic system in order to hold the working tool in position. This leads to a force F on the hydraulic cylinder 114 or a pressure P therein.
  • the weight value Gz of the load 160 can be estimated using the angle and the pressure.
  • a computing unit 150 designed as a control unit or control device is provided, by means of which, for example, measured values of the sensors can be recorded and the working tool can be controlled.
  • FIG. 2 shows a sequence of a method according to the invention in a preferred embodiment, according to which a weight value of the load is determined or estimated and then corrected.
  • the pressure p as a measured value of a measured variable 200 and the three angles q>i , cpz and cps shown as measured values of measured variables 202 are supplied as input variables to a physical system model 204 of the working tool.
  • a model-based weight value G*z is then determined there as an estimated value for the weight of the load, taking into account geometric parameters 206, which include, for example, the aforementioned geometric dimensions and lengths of the components of the working tool.
  • the measurement variables 200, 202 mentioned are also used as input variables for a data-based model 210 implemented here as an artificial neural network.
  • this artificial neural network 210 also includes a value of a further measured variable 208 as an input variable, which can be, for example, a temperature of a hydraulic fluid used in the hydraulic system of the mobile working machine.
  • the artificial neural network 210 then supplies a correction value K as an output variable, with which the model-based weight value G*z is corrected additively, for example, so that the corrected weight value G**z is obtained. This can then be displayed to a user on a display means 212, for example.
  • FIG. 3 schematically shows a sequence of a method according to the invention in a further preferred embodiment, according to which the data-based model implemented as an artificial neural network, the use of which was described with reference to FIG. 2, is trained.
  • a model-based weight value G*z of the load is determined.
  • a reference weight value GZ,R for this, for example a measured weight value of the load
  • the correction value should compensate for a difference between the model-based weight value G*z and the reference weight value GZ,R. If the model-based weight value G*z for a specific case (with a specific load and specific position or position of the work tool) is 5% higher than the reference weight value GZ,R, i.e. the actual weight value is estimated too high, the target value Kz is negative and is approximately 5% of the reference weight value GZ,R.
  • the target value Kz and the output value K are then fed to a cost function 300, taking into account the parameters 304 within the scope of an optimization algorithm 302—here, in particular, weights in the artificial neural network—are adapted. If, in the above example, the correction value K is initially only about 3% of the reference weight value GZ,R, for example, the parameters can be adjusted in such a way that the correction value becomes higher.
  • the artificial neural network 210 can be taught or trained by carrying out this process for different positions of the working tool and different weight values of the loads. This can be done in advance before the first use (as described with reference to FIG. 2), but also repeatedly during operation.
  • an artificial neural network can be provided with which a weighing function in a mobile working machine that is based on a physical model can sometimes be significantly improved.
  • the underlying physical model could also be simplified without losing accuracy.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Numerical Control (AREA)
  • Operation Control Of Excavators (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bestimmen eines Gewichtswerts einer Beladung, mit der ein Arbeitswerkzeug einer mobilen Arbeitsmaschine beaufschlagt ist, wobei aus wenigstens einem Messwert wenigstens einer veränderlichen Messgröße (200, 202) der mobilen Arbeitsmaschine unter Verwendung eines physikalischen Modells (204) der mobilen Arbeitsmaschine ein modellbasierter Gewichtswert (G*Z) der Beladung ermittelt wird, wobei weiterhin unter Verwendung eines datenbasierten Modells, wie z.B. eines künstlichen neuronalen Netzes (210), mit wenigstens einem Eingangswert, der den wenigstens einen Messwert umfasst, ein Korrekturwert (K) als Ausgangswert bestimmt wird, womit der modellbasierte Gewichtswert (G*Z) der Beladung korrigiert wird, ein Verfahren zum Trainieren eines datenbasierten Modells, wie z.B. eines künstlichen neuronalen Netzes (210) sowie eine solche mobile Arbeitsmaschine.

Description

Verfahren zum Bestimmen des Gewichts einer Beladung einer mobilen Arbeitsmaschine, Lernverfahren für ein datenbasiertes Modell und mobile Arbeitsmaschine
Beschreibung
Die vorliegende Erfindung betrifft ein Verfahren zum Bestimmen eines Gewichtswerts einer Beladung, mit der ein Arbeitswerkzeug einer mobilen Arbeitsmaschine beaufschlagt ist, ein Verfahren zum Trainieren eines datenbasierten Modells, insbesondere, in Form eines künstlichen neuronalen Netzes, das zur Korrektur eines modellbasierten Werts einer solchen Beladung verwendet wird, sowie eine Recheneinheit zur Durchführung der Verfahren und eine solche mobile Arbeitsmaschine.
Hintergrund der Erfindung
Mobile Arbeitsmaschinen wie z.B. Bagger, Radlader, Krane oder Telehandler, werden in verschiedenen Bereichen eingesetzt, z.B. zur Durchführung von Erdbewegungsaufgaben, dem Transport oder der Verladung. Solche mobile Arbeitsmaschinen weisen hierzu ein Arbeitswerkzeug auf, das mit einer Beladung beaufschlagbar ist. So weist ein Bagger z.B. einen Baggerarm mit einer Schaufel auf, in die Material wie Erde als Beladung eingebracht werden kann.
Offenbarung der Erfindung
Erfindungsgemäß werden ein Verfahren zum Bestimmen eines Gewichtswerts einer Beladung, ein Verfahren zum Trainieren eines datenbasierten Modells, sowie eine Recheneinheit zur Durchführung der Verfahren und eine mobile Arbeitsmaschine mit den Merkmalen der unabhängigen Patentansprüche vorgeschlagen. Vorteilhafte Ausgestaltungen sind Gegenstand der Unteransprüche sowie der nachfolgenden Beschreibung. Die Erfindung beschäftigt sich mit mobilen Arbeitsmaschinen, die ein Arbeitswerkzeug aufweisen, das mit einer Beladung (hier kann auch von einer Nutzlast oder engl.: "payload" gesprochen werden) beaufschlagbar bzw. beaufschlagt ist. Die Schätzung der Masse bzw. des Gewichts einer solchen Beladung, die von einem Arbeitswerkzeug einer mobilen Arbeitsmaschine erfasst bzw. aufgenommen wird ist eine Funktion, die z.B. von Herstellern mobiler Arbeitsmaschinen oder von Nachrüstern angeboten wird.
Im Rahmen einer solchen Funktion, auch als Wiegefunktion oder Wägefunktion bezeichnet, wird aus wenigstens einem Messwert wenigstens einer veränderlichen Messgröße der mobilen Arbeitsmaschine unter Verwendung eines physikalischen Modells oder Streckenmodells der mobilen Arbeitsmaschine ein modellbasierter Gewichtswert der Beladung ermittelt. Als solche Messgrößen kommen z.B. ein Druck in einem Hydraulikfluid in einem zur Bewegung des Arbeitswerkzeugs verwendeten Hydraulikzylinders, für eine Stellung des Arbeitswerkzeugs charakteristische Winkel, für eine Stellung des Arbeitswerkzeugs charakteristischen Positionen und für eine Stellung des Arbeitswerkzeugs charakteristischen Beschleunigungen in Betracht.
Insbesondere kann der Messwert dabei, z.B. mittels geeigneter Sensoren, zunächst erfasst bzw. gemessen werden, unter Verwendung eines physikalischen Modells der mobilen Arbeitsmaschine und Werten physikalischer Parameter der mobilen Arbeitsmaschine kann dann ein durch das Arbeitswerkzeug verursachtes Moment ermittelt werden. Als physikalische Parameter kommen dabei insbesondere Abmessungen und Gewichte bzw. Massen sowie Schwerpunkte der einzelnen Komponenten des Arbeitswerkzeugs in Betracht. Basierend auf dem ermittelten Moment wiederum kann unter Berücksichtigung eines Referenzmoments bei unbeladenem bzw. nicht mit einer Beladung versehenem Arbeitswerkzeug der (modellbasierte) Gewichtswert der Beladung ermittelt werden.
Beispielsweise kann auf Grundlage von in Hydraulikzylindern gemessenen Drücken die aktuelle Last am Hydraulikzylinder ermittelt werden. Bei bekannten Hebelverhältnissen lässt sich aus dieser Last ein Moment berechnen, das das Arbeitswerkzeug der mobilen Arbeitsmaschine gegen die Schwerkraft nach oben hält oder bewegt. Wenn die Leergewichte (bzw. Leermassen), die Lage der Schwerpunkte und die Trägheitswerte des Arbeitswerkzeugs der mobilen Arbeitsmaschine bekannt sind, kann auf Grundlage des physikalischen Streckenmodells berechnet werden, welcher Anteil des gemessenen Moments auf das unbeladene bzw. leere Arbeitswerkzeug entfällt. Wird ein Moment gemessen bzw. bestimmt, das über den entsprechenden, berechneten Wert des physikalischen Streckenmodells hinausgeht, so kann angenommen werden, dass es von einer Beladung des Arbeitswerkzeugs verursacht wird. Unter Annahme der Lage des Schwerpunkts der Beladung bzw. der Beladungsmasse kann damit ein Gewichtswert für die Beladung bestimmt werden. Eine nähere Beschreibung eines solchen physikalischen Streckenmodells sowie dessen Verwendung im Rahmen einer Wiegefunktion sind z.B. in "Dynamical Systems in Applications, Lodz, Poland, December 11- 14, 2017" oder "A. Renner, H. Wind, O. Sawodny, Online payload estimation for hydraulically actuated manipulators, Mechatronics, Volume 66, 2020, Artikel 102322" zu finden.
Es gibt nun Möglichkeiten, wie mit Modellungenauigkeiten bzgl. des physikalischen Streckenmodells umgegangen werden kann. Es können beispielweise Zustandsüberwacher eingesetzt werden, um zu identifizieren, ob die aktuelle Dynamik eine hinreichende Genauigkeit des physikalischen Streckenmodells vermuten lässt und so eine Gewichtsschätzung der Beladung möglich ist. Wenn nicht, sollte ein ggf. ermittelter Gewichtswert also nicht verwendet werden, weil er höchstwahrscheinlich nicht genau genug ist.
Der Gewichtswert der Beladung, der nach dem beschriebenen Ansatz ermittelt (bzw. geschätzt) wird, weist letztlich eine gewisse Ungenauigkeit gegenüber dem tatsächlichen Gewichtswert der Beladung auf. Eine Quelle für Ungenauigkeiten sind z.B. Modellungenauigkeiten bzgl. des physikalischen Streckenmodells der mobilen Arbeitsmaschine. Diese Ungenauigkeiten kommen unter anderem von physikalischen Effekten, die nicht komplett im Streckenmodell abgebildet werden (z.B. Reibung, Abnutzung, etc.) oder von Elementen einer Arbeitsausrüstung, die nicht in der Modellierung berücksichtigt werden (z.B. Anbaugeräte wie Lampen und Schläuche). Ebenfalls nachteilig auf das Schätzergebnis wirken sich verfälschte Messungen durch die eingesetzte Sensorik aus (z.B. Offsets, Rauschen, Drift).
Vor diesem Hintergrund wird vorgeschlagen, weiterhin unter Verwendung eines datenbasierten Modells bzw. eines datenbasierten Ansatzes, bevorzugt in Form eines künstlichen neuronalen Netzes, mit wenigstens einem Eingangswert, der den wenigstens einen Messwert umfasst, einen Korrekturwert als Ausgangswert zu bestimmen, um damit den modellbasierten Gewichtswert der Beladung zu korrigieren. Als (künstliche) neuronales Netz kommt hierbei insbesondere eines der Klasse "Multilayer Perceptron" (MLP) in Betracht. Denkbar ist aber ebenso die Anwendung eines CNN ("Convolutional Neural Network"). Andere datenba- sierte Korrekturverfahren, die im Rahmen der Erfindung verwendet werden können, sind z.B. "Gaussian Process Regression" (GPR), "Genetic Programming" (z.B. als GPTIPS), oder "Nonlinear System Identification" bzw. "Local Linear Model Trees" (LOLIMOT). Dies entspricht somit einer datenbasierten Korrektur, die für ein genaueres Ergebnis bzw. eine genauere Schätzung sorgt. Die erwähnten Ungenauigkeiten des physikalischen Streckenmodells können ausgeglichen werden. Zudem ist der beschriebene Ansatz mit dem physikalischen Modell in der Regel auf einen beschränkten dynamischen Zustand der Arbeitsmaschine hin optimiert und liefert außerhalb dieses Zustands weniger genaue Ergebnisse. Eine datenbasierte Korrektur hat hingegen das Potenzial , die Beschränkung des dynamischen Zustands derart auszuweiten, dass eine Nutzung des Ergebnisses für nachgelagerte Funktionen, z.B. Stabilitätsüberwachung, Kippschutz oder andere Aktion der mobilen Arbeitsmaschine, möglich wird. Ebenso kann eine Information über den korrigierten, modellbasierten Gewichtswert der Beladung, also auch der korrigierte Gewichtswert selbst, für einen Benutzer bzw. Maschinenführer ausgegeben werden, z.B. im Wege einer Anzeige auf einem Anzeigemittel.
Es wird somit als eine hybride Wiegefunktion vorgeschlagen. Der datenbasierte Anteil davon kann dabei im Vorfeld, d.h. vor der Anwendung im Betrieb der mobilen Arbeitsmaschine, ebenso aber während des Betriebs der mobilen Arbeitsmaschine trainiert werden. Denkbar ist natürlich auch eine Kombination davon. Auf das Trainieren soll nachfolgend noch näher eingegangen werden.
Als Eingangswerte für das datenbasierte Modell werden dabei dieselben Messwerte (oder Signale) wie für das physikalische Streckenmodell genutzt. Zusätzlich können aber Messwerte weiterer veränderlicher Messgrößen (bzw. Signale) als Eingangswerte genutzt werden, die nicht für das physikalische Streckenmodell genutzt werden, denen aber z.B. eine (gewisse) Relevanz zugemessen wird. So kann beispielweise die Öltemperatur - oder allgemein eine Temperatur eines Hydraulikfluids - als Eingangswert des datenbasierten Modells verwendet werden. Ebenso kommen aber z.B. Drücke, in Betracht, die nicht für die Ermittlung des modellbasierten Gewichtswerts genutzt werden, ebenso auch Stellsignale, die Information über eine Arbeitspunktverschiebung beinhalten. Wie sich gezeigt hat, ist ein Einfluss einer solchen Temperatur auf das Wiegeergebnis über das physikalische Streckenmodell sehr aufwendig zu modellieren. Über den datenbasierten Ansatz kann dies hingegen deutlich einfacher - dann im Wege einer Korrektur - berücksichtigt werden. Für das Training bzw. zum Trainieren (auch als Einlernen bezeichnet) des datenbasierten Modells wird vorgeschlagen, aus dem modellbasierten Gewichtswert der Beladung und einem Referenzgewichtswert hierfür ein Zielwert bzw. Sollwert für eine Ausgangsgröße des datenbasierten Modells zu bestimmen. Der Referenzgewichtswert kann für den tatsächlichen bzw. gemessenen Gewichtswert der Beladung stehen und z.B. durch eine Wägung ermittelt sein. So kann also z.B. beim Einlernen für eine bestimmte Beladung, deren tatsächliches Gewicht bekannt ist, eine geeigneter Zielwert bestimmt werden, den das datenbasierte Modell möglichst ausgeben soll, wenn ihm die entsprechenden Eingangswerte zugeführt werden.
Weiterhin wird im Rahmen des Trainierens dann unter Verwendung des datenbasierten Modells mit dem wenigstens einen Eingangswert ein Istwert der Ausgangsgröße des datenbasierten Modells bzw. ein (tatsächlicher) Ausgangswert bestimmt. Basierend auf dem Ausgangswert (hierbei handelt es sich letztlich um den vorher schon erwähnten Korrekturwert) und dem Zielwert können dann Parameter des datenbasierten Modells - hier handelt es sich z.B. um Gewichte, die die einzelnen Neuronen im künstlichen neuronalen Netz, wenn das datenbasierte Modell als solches implementiert wird, verknüpfen - angepasst werden. Hierzu können der Zielwert und der Ausgangswert einer Kostenfunktion zugeführt werden, sodass dann z.B. mittels eines Optimierungsalgorithmus die Parameter -möglichst optimal - angepasst werden können. Als Kostenfunktion bzw. Gütekriterium beim Trainieren kann hierbei der sog. "Root-Mean-Square Error" (RMSE) zwischen "Predicted Correction Value" (Ausgangswert) und "Target Correction Value" (Zielwert) herangezogen werden. Abhängig vom eingesetzten datenbasierten Modell kann dann ein Algorithmus verwendet werden, der den in der Kostenfunktion errechneten RMSE minimiert. Im Falle eines MLP-neuronalen Netzes ist dies z.B. ein Gradientenverfahren mit geeigneter Erweiterung.
Eine erfindungsgemäße Recheneinheit, z.B. ein Steuergerät oder eine Steuereinheit einer mobilen Arbeitsmaschine, ist, insbesondere programmtechnisch, dazu eingerichtet, ein erfindungsgemäßes Verfahren durchzuführen. Dies gilt sowohl für das Verfahren zum Bestimmen des Gewichtswerts der Beladung als auch das Verfahren zum Trainieren eines datenbasierten Modells. In beiden Fällen kann das datenbasierte Modell dabei auf der Recheneinheit hinterlegt sein. Gegenstand der Erfindung ist weiterhin eine mobile Arbeitsmaschine mit einem Arbeitswerkzeug, das mit einer Beladung beaufschlagbar ist, wenigstens einer Sensoreinrichtung zum Erfassen wenigstens einer veränderlichen Messgröße sowie einer erfindungsgemäßen Recheneinheit. Wie eingangs schon erwähnt, kommen hier verschiedene Arten mobiler Arbeitsmaschinen in Betracht wie z.B. Bagger, Radlader, Krane, Telehandler oder Gabelstapler.
In diesem Zusammenhang sei auch erwähnt, dass eine solche Recheneinheit auch im Wege einer Nachrüstung bei einer mobilen Arbeitsmaschine eingesetzt werden kann. Denkbar ist auch, eine vorhandene Recheneinheit, die z.B. bisher nur die auf dem physikalischen Modell basierte Wiegefunktion beherrscht, entsprechend auszutauschen oder zu aktualisieren.
Auch die Implementierung eines erfindungsgemäßen Verfahrens in Form eines Computerprogramms oder Computerprogrammprodukts mit Programmcode zur Durchführung aller Verfahrensschritte ist vorteilhaft, da dies besonders geringe Kosten verursacht, insbesondere wenn ein ausführendes Steuergerät noch für weitere Aufgaben genutzt wird und daher ohnehin vorhanden ist. Geeignete Datenträger zur Bereitstellung des Computerprogramms sind insbesondere magnetische, optische und elektrische Speicher, wie z.B. Festplatten, Flash-Speicher, EEPROMs, DVDs u.a.m. Auch ein Download eines Programms über Computernetze (Internet, Intranet usw.) ist möglich.
Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und der beiliegenden Zeichnung.
Es versteht sich, dass die vorstehend genannten und die nachfolgend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
Die Erfindung ist anhand von Ausführungsbeispielen in der Zeichnung schematisch dargestellt und wird im Folgenden unter Bezugnahme auf die Zeichnung ausführlich beschrieben.
Figurenbeschreibung Figur 1 zeigt schematisch eine erfindungsgemäße mobile Arbeitsmaschine in einer bevorzugten Ausführungsform, mit der ein erfindungsgemäßes Verfahren durchführbar ist.
Figur 2 zeigt schematisch einen Ablauf eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform.
Figur 3 zeigt schematisch einen Ablauf eines erfindungsgemäßen Verfahrens in einer weiteren bevorzugten Ausführungsform.
Detaillierte Beschreibung der Zeichnung
In Figur 1 ist schematisch eine erfindungsgemäße mobile Arbeitsmaschine 100 in einer bevorzugten Ausführungsform, hier in Form eines Baggers, dargestellt, mit der ein erfindungsgemäßes Verfahren durchführbar ist.
Der Bagger 100 weist ein Arbeitswerkzeug 110 in Form eines Baggerarms bzw. Arbeitsarms auf, der an einem Oberwagen 120 als Komponente der mobilen Arbeitsmaschine beweglich angeordnet bzw. befestigt ist. Der Oberwagen 120 wiederum ist z.B. um eine Hochachse des Baggers drehbar mit einem Unterwagen 130 verbunden.
Das Arbeitswerkzeug 110 weist beispielhaft zwei beweglich miteinander verbundenen Komponenten 111 und 112 sowie ein als Schaufel ausgebildetes Werkzeug 115 auf, um Material bzw. eine Beladung 160 aufzunehmen. Das Werkzeug 115 ist dabei wiederum beweglich an der Komponente 112 angeordnet Das Arbeitswerkzeug 110 weist weiterhin einen Hydraulikzylinder 114 sowie weitere, nicht explizit bezeichnete Hydraulikzylinder auf, mittels welcher die genannten Komponenten relativ zueinander bewegbar sind.
Am Arbeitswerkzeug 110 sind beispielhaft drei Sensoreinrichtungen bzw. Sensoren 121 , 122 und 125 angeordnet, jeweils an einer Komponente des Arbeitswerkzeugs 110, mittels welcher jeweils ein zugeordneter Winkel q>i , q>2 bzw. cps bestimmt werden kann. Zur Automatisierung sind mobile Arbeitsmaschinen ohnehin meist mit Sensoren oder Sensoreinrichtungen zur Erfassung der Lage des Arbeitswerkzeugs oder zur Erfassung der Gelenkwinkel ausgestattet. Andernfalls können solche auch zusätzlich vorgesehen werden. Derartige Sensoren oder Sensoreinrichtungen umfassen z.B. Inertialsensoren bzw. Inertialmesseinheiten (IMUs), Winkelsensoren (Encoder) und/oder in den Zylindern verbaute Wegsensoren, Encoder oder Seilzüge.
Der Winkel q>i gibt hier einen Winkel zwischen der Verbindungsgeraden der Gelenke der Komponente 112 (Ausleger) und dem Oberwagen 120 (bzw. dort einer Horizontalen) an, der Winkel q>2 gibt einen Winkel zwischen den Verbindungsgeraden der Gelenke der Komponente 111 und der Verbindungsgeraden der Gelenke der Komponente 112 an und der Winkel cps gibt einen Winkel zwischen der Verbindungsgeraden der Gelenke der Komponente 112 und der Verbindungsgeraden des Gelenks des Werkzeugs 115 und dessen Spitze an. Der Winkel <PL gibt einen Anstellwinkel an und ist z.B. durch die Öffnung des Werkzeugs 115 in Bezug zu einer Horizontalen H (entspricht einer Linie zwischen dem Gelenk des Werkzeugs 115 und dessen Spitze) definiert.
An den Schwerpunkten der verschiedenen Komponenten des Arbeitswerkzeugs 110 sind senkrecht nach unten gerichtete Pfeile gezeigt, die die Gewichtskräfte bzw. Massen der betreffenden Komponenten darstellen sollen. Diese Pfeile sind nicht näher bezeichnet. Am Werkzeug 115 ist neben dem nicht näher bezeichneten Pfeil (der für das Leergewicht des Werkzeugs steht) noch ein Pfeil Gz gezeigt, der für das Gewicht (bzw. den Gewichtswert) der Beladung 160 steht.
Anhand der Winkel q>i , <p2 bzw. cps sowie der zugehörigen geometrischen Abmessungen, die insbesondere Längen der Komponenten des Arbeitswerkzeugs h, l2 und l3 zwischen den Gelenken bzw. der Spitze des Werkzeugs umfassen, ergibt sich damit ein Moment M, das auf das Gelenk, an dem die Komponente 111 am Oberwagen 120 angeordnet ist, wirkt. Dieses Moment M setzt sich dabei aus einem Referenzmoment MR, das für ein Moment bei unbeladenem Werkzeug steht, sowie einem Moment MG, das für das Moment, das aus der Beladung resultiert, steht. Von der Hydraulik muss ein Gegenmoment M' aufgebracht werden, um das Arbeitswerkzeug in Position zu halten. Dies führt zu einer Kraft F auf den Hydraulikzylinder 114 bzw. einen Druck P darin. Da auch für diesen Druck ein Referenzwert bei unbeladenem Werkzeug bekannt ist (bzw. einfach bestimmt werden kann), kann anhand der Winkel sowie des Drucks der Gewichtswert Gz der Beladung 160 geschätzt werden. Weiterhin ist eine als Steuereinheit oder Steuergerät ausgebildete Recheneinheit 150 vorgesehen, mittels welcher z.B. Messwerte der Sensoren erfasst und das Arbeitswerkzeug angesteuert werden kann.
In Figur 2 ist schematisch ein Ablauf eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform dargestellt, wonach ein Gewichtswert der Beladung bestimmt bzw. geschätzt und dann korrigiert wird.
Der Druck p als Messwert einer Messgröße 200 sowie die drei gezeigten Winkeln q>i , cpz bzw. cps als Messwerte von Messgrößen 202 (es versteht sich, dass auch andere Messgrößen in Betracht kommen) werden als Eingangsgrößen einem physikalischen Streckenmodell 204 des Arbeitswerkzeugs zugeführt. Dort werden dann unter Berücksichtigung geometrischer Parameter 206, die z.B. die erwähnten geometrischen Abmessungen sowie Längen der Komponenten des Arbeitswerkzeugs umfassen, ein modellbasierter Gewichtswert G*z als ein Schätzwert für das Gewicht der Beladung ermittelt.
Weiterhin werden die genannten Messgrößen 200, 202 außerdem für ein hier als künstliches neuronales Netz implementiertes datenbasiertes Modell 210 als Eingangsgrößen verwendet. Ergänzend umfasst dieses künstliche neuronale Netz 210 als Eingangsgröße noch einen Wert einer weiteren Messgröße 208, bei der es sich z.B. um eine Temperatur eines Hydraulikfluids, das im Hydrauliksystem der mobilen Arbeitsmaschine verwendet wird, handeln kann. Das künstliche neuronale Netz 210 liefert als Ausgangsgröße dann einen Korrekturwert K, mit dem der modellbasierte Gewichtswert G*z z.B. additiv korrigiert wird, sodass der korrigierte Gewichtswert G**z erhalten wird. Dieser kann dann z.B. auf einem Anzeigemittel 212 einem Benutzer angezeigt werden.
In Figur 3 ist schematisch ein Ablauf eines erfindungsgemäßen Verfahrens in einer weiteren bevorzugten Ausführungsform dargestellt, wonach das als künstliches neuronales Netz implementierte datenbasierte Modell, dessen Verwendung in Bezug auf Figur 2 beschrieben wurde, trainiert wird.
Zunächst wird, wie in Bezug auf Figur 2 erläutert, ein modellbasierter Gewichtswert G*z der Beladung bestimmt. Unter Berücksichtigung eines Referenzgewichtswerts GZ,R hierfür, z.B. einem gemessenen Gewichtswert der Beladung , wird dann ein Sollwert bzw. Zielwert Kz für einen - später vom neuronalen Netz auszugebenden - Korrekturwert bestimmt. Insbesondere soll der Korrekturwert eine Differenz zwischen dem modellbasierten Gewichtswert G*z und dem Referenzgewichtswerts GZ,R ausgleichen. Wenn der modellbasierte Gewichtswert G*z für einen konkreten Fall (mit bestimmter Beladung und bestimmter Position bzw. Stellung des Arbeitswerkzeugs) z.B. 5% höher als der Referenzgewichtswert GZ,R liegt, also der tatsächliche Gewichtswert zu hoch geschätzt wird, ist der Zielwert Kz negativ und beträgt in etwa 5% des Referenzgewichtswerts GZ,R.
Weiterhin wird, wie auch in Bezug auf Figur 2 erläutert, anhand der Messgrößen 200, 202 sowie der weiteren Messgröße 208 als Eingangsgrößen mittels des künstlichen neuronalen Netzes 210 ein tatsächlicher Ausgangswert K bestimmt. Hierbei ist darauf zu achten, dass die Messwerte der Messgrößen für denjenigen konkreten Fall gelten, für den der modellbasierte Gewichtswert G*z, der Referenzgewichtswert GZ,R sowie der Zielwert Kz gelten.
Der Zielwert Kz und der Ausgangswert K werden dann einer Kostenfunktion 300 zugeführt, unter deren Berücksichtigung im Rahmen eines Optimierungsalgorithmus 302 dann Parameter 304 - hierbei handelt es sich insbesondere um Gewichte im künstlichen neuronalen Netz - angepasst werden. Wenn in dem vorstehend genannten Beispiel der Korrekturwert K zunächst im Betrag z.B. nur ca. 3% des Referenzgewichtswerts GZ,R beträgt, so können die Parameter derart angepasst werden, dass der Korrekturwert höher wird.
Indem dieser Vorgang für verschiedene Stellungen des Arbeitswerkzeugs sowie verschiedene Gewichtswerte der Beladungen durchgeführt wird, kann das künstliche neuronale Netz 210 eingelernt bzw. trainiert werden. Dies kann im Vorfeld vor erstmaliger Verwendung (wie in Bezug auf Figur 2 beschrieben) erfolgen, zusätzlich aber auch immer wieder während des Betriebs.
Auf diese Weise kann also ein künstliches neuronales Netz bereitgestellt werden, mit dem eine Wiegefunktion bei einer mobilen Arbeitsmaschine, die auf einem physikalischen Modell beruht, mitunter deutlich verbessert werden kann. Alternativ könnte aber auch das zugrundeliegende physikalische Modell vereinfacht werden, ohne an Genauigkeit zu verlieren.

Claims

Ansprüche
1. Verfahren zum Bestimmen eines Gewichtswerts einer Beladung (160), mit der ein Arbeitswerkzeug (115) einer mobilen Arbeitsmaschine (100) beaufschlagt ist, wobei aus wenigstens einem Messwert (160) wenigstens einer veränderlichen Messgröße (200, 202) der mobilen Arbeitsmaschine (100) unter Verwendung eines physikalischen Modells (204) der mobilen Arbeitsmaschine (100) ein modellbasierter Gewichtswert (G*z) der Beladung ermittelt wird, wobei weiterhin unter Verwendung eines datenbasierten Modells (210) mit wenigstens einem Eingangswert, der den wenigstens einen Messwert umfasst, ein Korrekturwert (K) als Ausgangswert bestimmt wird, womit der modellbasierte Gewichtswert (G*z) der Beladung korrigiert wird.
2. Verfahren nach Anspruch 1 , wobei eine Information über den korrigierten Gewichtswert (G**z) der Beladung für einen Benutzer der mobilen Arbeitsmaschine (100) ausgegeben wird, und/oder wobei basierend auf dem korrigierten Gewichtswert (G**z) der Beladung eine Aktion der mobilen Arbeitsmaschine (100) durchgeführt wird.
3. Verfahren zum Trainieren eines datenbasierten Modells (210), das zur Korrektur eines modellbasierten Gewichtswerts (G*z) einer Beladung (160), mit der ein Arbeitswerkzeug (115) einer mobilen Arbeitsmaschine (100) beaufschlagt ist, verwendet wird, wobei aus einem modellbasierten Gewichtswert (G*z) der Beladung (160), der aus wenigstens einem Messwert wenigstens einer veränderlichen Messgröße (200, 202) der mobilen Arbeitsmaschine (100) unter Verwendung eines physikalischen Modells (204) der mobilen Arbeitsmaschine (100) ermittelt worden ist, und einem Referenzgewichtswert (GZ,R) hierfür ein Zielwert (Kz) für eine Ausgangsgröße des datenbasierten Modells (210) bestimmt wird, wobei unter Verwendung des datenbasierten Modells (210) mit wenigstens einem Eingangswert, der den wenigstens einen Messwert umfasst, ein Ausgangswert (K) bestimmt wird, und wobei Parameter (304) des datenbasierten Modells (210) basierend auf dem Zielwert (Kz) und dem Ausgangswert (K) angepasst werden.
4. Verfahren nach Anspruch 3, wobei die Parameter (304) des datenbasierten Modells (210) basierend auf dem Zielwert (Kz) und dem Ausgangswert (K) angepasst werden, indem der Zielwert (Kz) und der Ausgangswert (K) einer Kostenfunktion (300) zugeführt werden.
5. Verfahren nach einem der vorstehenden Ansprüche, wobei der wenigstens eine Eingangswert einen Messwert einer weiteren veränderlichen Messgröße (208) der mobilen Arbeitsmaschine (100), der nicht für die Ermittlung des modellbasierten Gewichtswerts der Beladung verwendet wird, umfasst.
6. Verfahren nach Anspruch 5, wobei die weitere veränderliche Messgröße (208) eine Temperatur eines Hydraulikfluids in der mobilen Arbeitsmaschine (100), und/oder einen oder mehrere Drücke, die die nicht für die Ermittlung des modellbasierten Gewichtswerts genutzt werden, und/oder eines oder mehrere Stellsignale, die Information über eine Arbeitspunktverschiebung beinhalten, umfasst.
7. Verfahren nach einem der vorstehenden Ansprüche, wobei die wenigstens eine veränderliche Messgröße (200, 202) der mobilen Arbeitsmaschine (100) wenigstens eine der folgenden umfasst: einen Druck (P) in einem Hydraulikfluid in einem zur Bewegung des Arbeitswerkezugs verwendeten Hydraulikzylinders (114), eine oder mehrere für eine Stellung des Arbeitswerkezugs charakteristische Winkel (q>i, q>2, <ps), eine oder mehrere für eine Stellung des Arbeitswerkezugs charakteristische Positionen, und eine oder mehrere für eine Stellung des Arbeitswerkzeugs charakteristische Beschleunigungen.
8. Verfahren nach einem der vorstehenden Ansprüche, wobei das datenbasierte Modell (210) als künstliches neuronales Netz implementiert ist oder mittels Gaußprozess- Regression oder genetischer Programmierung oder nichtlinearer Systemidentifizierung erzeugt wird.
9. Recheneinheit (150), die dazu eingerichtet ist, ein Verfahren nach einem der vorstehenden Ansprüche durchzuführen.
10. Mobile Arbeitsmaschine (100) mit einem Arbeitswerkzeug (110), das mit einer Beladung (160) beaufschlagbar ist, wenigstens einer Sensoreinrichtung (121 , 122, 125) zum Erfassen wenigstens einer veränderlichen Messgröße (200, 202, 208) der mobilen Arbeitsmaschine, und einer Recheneinheit (150) nach Anspruch 9.
11. Verwendung einer Recheneinheit (150) nach Anspruch 10 zum Nachrüsten einer mobilen Arbeitsmaschine (100) mit einem Arbeitswerkzeug (115), das mit einer Beladung (160) beaufschlagbar ist, die wenigstens einer Sensoreinrichtung (121 , 122, 125) zum Erfassen wenigstens einer veränderlichen Messgröße (200, 202, 208) der mobilen Arbeitsmaschine aufweist.
12. Computerprogramm, das eine Recheneinheit (150) einer mobilen Arbeitsmaschine (100) nach Anspruch 10 veranlasst, ein Verfahren nach einem der Ansprüche 1 bis 8 durchzuführen, wenn es auf der Recheneinheit (150) ausgeführt wird.
13. Maschinenlesbares Speichermedium mit einem darauf gespeicherten Computerprogramm nach Anspruch 12.
PCT/EP2021/076639 2020-10-02 2021-09-28 Verfahren zum bestimmen des gewichts einer beladung einer mobilen arbeitsmaschine, lernverfahren für ein datenbasiertes modell und mobile arbeitsmaschine WO2022069467A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP21786359.6A EP4222460A1 (de) 2020-10-02 2021-09-28 Verfahren zum bestimmen des gewichts einer beladung einer mobilen arbeitsmaschine, lernverfahren für ein datenbasiertes modell und mobile arbeitsmaschine

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020212490.6 2020-10-02
DE102020212490.6A DE102020212490A1 (de) 2020-10-02 2020-10-02 Verfahren zum Bestimmen des Gewichts einer Beladung einer mobilen Arbeitsmaschine, Lernverfahren für ein datenbasiertes Modell und mobile Arbeitsmaschine

Publications (1)

Publication Number Publication Date
WO2022069467A1 true WO2022069467A1 (de) 2022-04-07

Family

ID=78078191

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/076639 WO2022069467A1 (de) 2020-10-02 2021-09-28 Verfahren zum bestimmen des gewichts einer beladung einer mobilen arbeitsmaschine, lernverfahren für ein datenbasiertes modell und mobile arbeitsmaschine

Country Status (3)

Country Link
EP (1) EP4222460A1 (de)
DE (1) DE102020212490A1 (de)
WO (1) WO2022069467A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114739493A (zh) * 2022-04-26 2022-07-12 上海三一重机股份有限公司 作业机械中的物料称重方法、装置及作业机械

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021205407A1 (de) 2021-05-27 2022-12-01 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Beladungsschätzung von Arbeitsmaschinen
DE102022203960A1 (de) 2022-04-25 2023-10-26 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Verbesserung der Planierwinkelregelung einer Arbeitsmaschine
DE102022210216A1 (de) 2022-09-27 2024-03-28 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Schätzung einer von einer Arbeitsmaschine aufgenommenen Last und Arbeitsmaschine

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007121517A1 (en) * 2006-04-20 2007-11-01 Cmte Development Limited Payload estimation system and method
US10745889B2 (en) * 2016-11-09 2020-08-18 Komatsu Ltd. Work machine and method for controlling work machine

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9200432B1 (en) 2014-06-09 2015-12-01 Caterpillar Inc. Method and system for estimating payload weight with hydraulic fluid temperature compensation
DE102018126809A1 (de) 2018-10-26 2020-04-30 Liebherr-France Sas System und Verfahren zum Bestimmen der Masse einer von einem Arbeitsgerät bewegten Nutzlast

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007121517A1 (en) * 2006-04-20 2007-11-01 Cmte Development Limited Payload estimation system and method
US10745889B2 (en) * 2016-11-09 2020-08-18 Komatsu Ltd. Work machine and method for controlling work machine

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A. RENNERH. WINDO. SAWODNY: "Online payload estimation for hydraulically actuated manipulators", MECHATRONICS, vol. 66, 2020, XP086098769, DOI: 10.1016/j.mechatronics.2020.102322
WIEGEFUNKTION, DYNAMICAL SYSTEMS IN APPLICATIONS, 11 December 2017 (2017-12-11)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114739493A (zh) * 2022-04-26 2022-07-12 上海三一重机股份有限公司 作业机械中的物料称重方法、装置及作业机械
CN114739493B (zh) * 2022-04-26 2024-01-26 上海三一重机股份有限公司 作业机械中的物料称重方法、装置及作业机械

Also Published As

Publication number Publication date
DE102020212490A1 (de) 2022-04-07
EP4222460A1 (de) 2023-08-09

Similar Documents

Publication Publication Date Title
EP4222460A1 (de) Verfahren zum bestimmen des gewichts einer beladung einer mobilen arbeitsmaschine, lernverfahren für ein datenbasiertes modell und mobile arbeitsmaschine
AT514115B1 (de) Elektrohydraulischer Steuerkreis
DE69711665T3 (de) Elektronisches fahrverhalten kontrollgerät für geländefahrzeuge
EP3650179A1 (de) System und verfahren zum bestimmen der masse einer von einem arbeitsgerät bewegten nutzlast
DE112006000521T5 (de) Vorrichtung und Verfahren zur Messung eines Ladegewichts auf einer Arbeitsmaschine
DE112009000522T5 (de) Angepasstes Nutzlastüberwachungssystem
DE112016005231T5 (de) Nutzlastüberwachungssystem
AT514116A1 (de) Regelsystem und Verfahren zum Steuern der Orientierung eines Segments eines Manipulators
DE102011002712A1 (de) Mobile Arbeitsmaschine mit einer Werkzeugkoppelvorrichtung und Verfahren zur Steuerung und/oder Regelung einer solchen Arbeitsmaschine
EP2878566B1 (de) Verfahren zur Beeinflussung einer Bewegung einer an einem Kran aufgenommenen Last
DE102019220501A1 (de) Verfahren zum Steuern eines hydraulischen Zylinders einer Arbeitsmaschine
DE102016004466A1 (de) Verfahren zum Bewegen des letzten Gliedes einer kinematischen Kette sowie Vorrichtung und Arbeitsmaschine zum Durchführen des Verfahrens
EP2947035A1 (de) Verfahren zur bestimmung der aufgenommenen last einer arbeitsmaschine sowie arbeitsmaschine, insbesondere kran
DE102019113765A1 (de) Verfahren zur Steuerung eines hydraulischen Systems einer mobilen Arbeitsmaschine und mobile Arbeitsmaschine
DE102021205407A1 (de) Verfahren zur Beladungsschätzung von Arbeitsmaschinen
WO2020207953A1 (de) Hydrostatisches arbeitsgerät und verfahren zu dessen steuerung
EP4130394A1 (de) Verfahren zur überwachung und/oder durchführung einer bewegung eines arbeitsgeräts sowie arbeitsgerät und computerprogrammprodukt
DE19500738C1 (de) Regelanordnung und Regelverfahren für einen motorisch betriebenen Gelenkarm
EP4148193B1 (de) Verfahren zum aufrufen einer wiegefunktion einer arbeitsmaschine und arbeitsmaschine
WO2022248177A1 (de) Verfahren zum betreiben eines hydraulischen zylinders einer arbeitsmaschine
EP3969673B1 (de) Verfahren zur berechnung eines aushubvolumens
WO2020156897A1 (de) Verfahren zur zustandsschätzung von lage und orientierung von mehreren beweglichen modulen eines gemeinsamen systems
DE102020215966A1 (de) Verfahren zur Steuerung eines autonomen Radladers
DE102013211484A1 (de) Verfahren zur Schwingungsdämpfung bei einer mobilen Arbeitsmaschine
DE102021204544A1 (de) Verfahren zum Betreiben eines hydraulischen Zylinders einer Arbeitsmaschine

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21786359

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021786359

Country of ref document: EP

Effective date: 20230502