@article{Geiger_Greff_Starke_Geimer_2019, title={Entwicklung und Evaluation eines Wiegesystems für Forstkräne auf Basis von künstlichen neuronalen Netzen}, volume={74}, url={https://www.agricultural-engineering.eu/landtechnik/article/view/3213}, DOI={10.15150/lt.2019.3213}, abstractNote={<p>Sowohl in der Hackschnitzel- als auch Rundholzlogistik fehlen oft wichtige Referenzmengen für den dispositiven Einsatz, welche zumeist mit unzureichend genauen Schätzwerten vervollständigt werden. Um die Informationsqualität über die bewegten Holzmengen zu verbessern, können optional Kranwaagen zwischen Teleskopauge und Greifer am Kran des Forwarders montiert werden. Dies beeinflusst jedoch die Krankinematik und Manövrierfähigkeit negativ, bei zeitgleich sinkender Maschinenproduktivität aufgrund einer zur Messung notwendigen Unterbrechung des Ladeprozesses.<br>In diesem Beitrag wird eine datenbasierte Methode präsentiert, welche einen dynamischen Wiegeprozess im kontinuierlichen Ladevorgang bei modernen Forstkränen ermöglicht, ohne dass eine zusätzliche Hardware-Komponente auf der Maschine verbaut werden muss. Bei dieser Methode wird ein Ladezyklus automatisiert erkannt und die geladene Masse anhand eines künstlichen neuronalen Netzwerkes (KNN) abgeschätzt. Als Eingangsgrößen dienen Signale von Sensoren, die auf auf modernen Forwardern serienmäßig installiert sind. Für die Verarbeitung von zeitbasierten Sensordaten in einem neuronalen Netz hat sich die Long-Short-Term-Memory(LSTM)-Architektur bewährt. Basierend auf LSTM-Zellen wurde ein entsprechendes Netzwerk entworfen, trainiert und anschließend optimiert. Im Test zeigt sich für einen einzelnen Ladezyklus ein mittlerer Gesamtskalenfehler von 1,5 %, bezogen auf 1.000 kg. Für einen voll beladenen Forwarder resultiert dies in einem Gesamtmassenfehler kleiner 1,2 %.</p>}, number={5}, journal={agricultural-engineering.eu}, author={Geiger, Chris and Greff, Daniel and Starke, Michael and Geimer, Marcus}, year={2019}, month={Sep.} }