DE102016220763A1

DE102016220763A1 - Verfahren zum Ermitteln von Betriebszuständen einer einen Fahrzeugantriebsstrang umfassenden Arbeitsmaschine während eines Betriebs der Arbeitsmaschine

Info

Publication number: DE102016220763A1
Application number: DE102016220763.6A
Authority: DE
Inventors: Marcus Hiemer; Robin Cramer
Original assignee: ZF Friedrichshafen AG
Current assignee: ZF Friedrichshafen AG
Priority date: 2016-10-21
Filing date: 2016-10-21
Publication date: 2018-04-26
Also published as: US10580229B2; US20180114381A1

Abstract

Es wird ein Verfahren zum Ermitteln von Betriebszuständen einer einen Fahrzeugantriebsstrang (1) umfassenden Arbeitsmaschine (2) während eines Betriebs der Arbeitsmaschine (2) beschrieben. Die Betriebszustände werden mittels eines über ein Maschinenlernverfahren generierten Klassifikators ermittelt, über den im Betrieb der Arbeitsmaschine (2) bestimmte Werte wenigstens einer Betriebsgröße des Fahrzeugantriebsstranges (1) jeweils vordefinierten Klassen, welche jeweils wenigstens einen Betriebszustand der Arbeitsmaschine repräsentieren, zuordenbar sind.

Description

Die Erfindung betrifft ein Verfahren zum Ermitteln von Betriebszuständen einer einen Fahrzeugantriebsstrang umfassenden Arbeitsmaschine während eines Betriebs der Arbeitsmaschine gemäß der im Oberbegriff des Patentanspruches 1 näher definierten Art.
Für die Ansteuerung eines Getriebes eines Fahrzeugantriebsstranges einer Arbeitsmaschine ist es essenziell, den Fahrzustand der Arbeitsmaschine zu erkennen. Ist der Fahrzustand bekannt, so kann die Ansteuerstrategie mit diesem Wissen angepasst werden. In mobilen Baumaschinen kommen zum Beispiel häufig wiederkehrende Produktionszyklen zum Einsatz. Da sich die einzelnen Fahrsituationen nach einer gewissen Zeit häufig wiederholen, wird beispielsweise versucht Maßnahmen zur Reduktion des Spritverbrauchs, wie ein Betrieb des Motors in einem verbrauchsoptimalen Zustand des Motorkennfelds oder alternativ eine Absenkung der Motordrehzahl oder dergleichen, in die Ansteuerstrategie zu implementieren.
Da für die Steuerung des Getriebes von Arbeitsmaschinen wichtige Informationen, wie zum Beispiel der Ladezustand der Schaufel eines Radladers, nicht zur Verfügung stehen, wird daher versucht, solche Informationen auf Basis von messtechnisch ermittelten Werten von Betriebsgrößen derartiger Getriebe zu bestimmen. Hierfür werden üblicherweise Fahrzustände von Arbeitsmaschinen Klassen zugeordnet, in die die ermittelten Werte fachmannseitig eingeteilt bzw. klassifiziert werden. Um im Betrieb einer Arbeitsmaschine ermittelte Werte eines Getriebes der Arbeitsmaschine zur Bestimmung eines aktuellen Betriebszustandes mit einer gewünscht hohen Zuverlässigkeit einteilen zu können, werden die ermittelten Werte mithilfe einer im Steuergerät hinterlegten Trennlinie oder mittels eines Trenn-Kennfeldes den Klassen zugeordnet. Liegt ein Messwert oberhalb der Trennlinie, so gehört er zu der einen Klasse, die beispielsweise einem beladenen Zustand einer Schaufel der Arbeitsmaschine, wie einem Radlader, zugeordnet ist. Liegt der Messwert unterhalb der Trennlinie, so wird beispielsweise ein Fahrzustand einer Arbeitsmaschine mit unbeladener Schaufel erkannt.
Bei solchen sogenannten Trennungsproblemen werden in der Praxis üblicherweise von Applikateuren empirisch bestimmte Kennlinien oder Kennfelder verwendet.
Die Indikatoren bzw. Merkmale, anhand der auf den aktuellen Fahrzustand geschlossen wird, sind dabei a priori nicht bekannt. Auch die Güte der jeweils verwendeten Trennlinien bzw. Trennflächen ist unklar. Es ist nicht eindeutig, ob die jeweils hinterlegte Trennlinie oder Trennfläche mehr oder weniger willkürlich gewählt wurde oder tatsächlich die bestmögliche Trennlinie oder Trennfläche darstellt.
Darüber hinaus können menschliche Anwender Trennlinien bis maximal zur zweiten Dimension leicht interpretieren. Trennungsprobleme höherer Dimensionen sind von Applikateuren nicht mehr in gewünschtem Umfang handhabbar, weshalb Anforderungen an eine exakte Klassifikation der aus der Fülle getriebeinterner Daten gewonnenen Informationen nicht ausreichend genau durchführbar ist, um den aktuellen Fahrzustand einer Arbeitsmaschine optimal beschreiben zu können.
Der vorliegenden Erfindung liegt daher die Aufgabe zugrunde, ein Verfahren zur Verfügung zu stellen, mittels welchem Betriebszustände einer einen Fahrzeugantriebsstrang umfassenden Arbeitsmaschine mit einer gewünscht hohen Genauigkeit auf einfache Art und Weise ermittelbar sind.
Erfindungsgemäß wird diese Aufgabe mit einem Verfahren mit den Merkmalen des Patentanspruches 1 gelöst. Vorteilhafte Ausgestaltungen des Verfahrens sind Gegenstand der abhängigen Patentansprüche. Des Weiteren wird zur Lösung der Aufgabe eine Arbeitsmaschine vorgeschlagen, welche zur Durchführung des Verfahrens nach Patentanspruch 1 und der vorteilhaften Ausgestaltungen dieses Verfahrens insbesondere gemäß den abhängigen Patentansprüchen ausgelegt ist. Dabei besteht die Möglichkeit das erfindungsgemäße Verfahren im Bereich jeder beliebigen und mit der Steuerung des Fahrzeugantriebsstranges wirkverbundenen Steuereinrichtung der Arbeitsmaschine, insbesondere im Bereich eines Getriebesteuergerätes, oder auch im Bereich einer externen Steuereinrichtung durchzuführen.
Bei dem erfindungsgemäßen Verfahren zum Ermitteln von Betriebszuständen einer einen Fahrzeugantriebsstrang umfassenden Arbeitsmaschine während eines Betriebs der Arbeitsmaschine werden die Betriebszustände mittels eines über ein Maschinenlernverfahren generierten Klassifikators ermittelt, über den im Betrieb der Arbeitsmaschine bestimmte Werte wenigstens einer Betriebsgröße des Fahrzeugantriebsstranges jeweils vordefinierten Klassen, welche jeweils wenigstens einen Betriebszustand der Arbeitsmaschine repräsentieren, zuordenbar sind.
Die Fahrzustandsklassifikation erfolgt mittels des erfindungsgemäßen Verfahrens lediglich auf der Basis vorhandener Betriebsdaten des Fahrzeugantriebsstranges. Dabei besteht die Möglichkeit, die Fahrzustandsklassifikation in Abhängigkeit von Werten des Getriebeabtriebsmoments, des Getriebeeingangsmoments, der Getriebeeingangsdrehzahl, der Getriebeabtriebsdrehzahl, des Abtriebsdrehzahlgradienten und des Motormomentes einer Antriebsmaschine des Fahrzeugantriebsstranges der Arbeitsmaschine sowie in Abhängigkeit einer im Getriebe eingelegten Übersetzung und einer Übersetzungsänderung, von Drehzahländerungen innerhalb des Getriebes, von Drehrichtungen einzelner Getriebeteile, von Schaltzuständen von Schaltelementen des Getriebes sowie von Historien der vorgenannten Größen, wie Integrale, Mittelwerte, Fensterintegrale und dergleichen, durchzuführen.
Das erfindungsgemäße Verfahren bietet nunmehr die Möglichkeit mit geringem Aufwand aus der Fülle an getriebeinternen Informationen sowie der weiteren Komponenten des Fahrzeugantriebsstranges einer Arbeitsmaschine genau diejenigen zu ermitteln, die den aktuellen Fahrzustand einer Arbeitsmaschine optimal beschreiben.
Dabei ist eine gewünscht exakte Klassifikation von Betriebsdaten eines Fahrzeugantriebsstranges zur Fahrzustandsklassifikation nicht mehr auf zwei Dimensionen zu beschränken. Über das erfindungsgemäße Verfahren sind komplexere Trennungsprobleme in höheren Dimensionen durch gleichzeitige Berücksichtigung möglichst vieler Informationen mit einer geforderten Genauigkeit behandelbar.
Bei einer auf Expertenwissen zurückgreifenden Variante des erfindungsgemäßen Verfahrens werden empirisch bestimmte und die im Betrieb der Antriebsmaschine jeweils zu ermittelnden Betriebszustände charakterisierende Werte der wenigstens einen Betriebsgröße der Arbeitsmaschine vordefinierten und mit den zu ermittelnden Betriebszuständen korrespondierenden Klassen zugeordnet und der Klassifikator wird mittels des Maschinenlernverfahrens auf Basis der empirischen Klassifizierung der Werte bestimmt. Damit werden in einem offline durchgeführten Lernschritt vorhandene Trainingsdaten zunächst in die zu klassifizierenden Klassen unterteilt.
Wird als Maschinenlernverfahren die Support-Vector-Machine-(SVM)-Methode zur Bestimmung des Klassifikators verwendet, sind Trennungsprobleme nahezu beliebiger Dimension effizient lösbar und es wird stets die optimale Lösung ermittelt.
Es liegt selbstverständlich im Ermessen des Fachmannes andere geeignete Maschinenlernverfahren, wie Neuronale Netze oder Nearest Neighbour Klassifikatoren zur Bestimmung des Klassifikators zu verwenden.
Bei Vorliegen eines linearen Trennungsproblems wird bei einer einfach durchführbaren Variante des erfindungsgemäßen Verfahrens mittels der SVM-Methode in Abhängigkeit der empirischen Werte ein die Einteilung der empirischen Werte in die vordefinierten Klassen optimiert durchführendes Klassifizierungsmodell gemäß folgendem formelmäßigen Zusammenhang bestimmt: $f (x) = \sum_{i = 1}^{N} y_{i} a_{i} x_{i} * x + b$
mit:

y_i : Klassenzugehörigkeit eines Trainingsdatums
x : online zu klassifizierende Werte der wenigstens einen Betriebsgröße des Fahrzeugantriebsstranges
x_i: Support Vektor
N: Anzahl der Support Vektoren
α_i: Lagrange-Faktor
b: Bias

Alternativ hierzu wird bei einer ebenfalls einfach durchführbaren Variante des erfindungsgemäßen Verfahrens bei Vorliegen eines nicht linearen Trennungsproblems mittels der SVM-Methode in Abhängigkeit der empirischen Werte ein die Einteilung der empirischen Werte in die vordefinierten Klassen optimiert durchführendes Klassifizierungsmodell gemäß folgendem formelmäßigen Zusammenhang bestimmt: $f (x) =_{i = 1}^{N} y_{i} a_{i} k (x_{i}, x) + b$
mit:

k(x_i,x) : Kernel
y_i : Klassenzugehörigkeit des Trainingsdatums
x _: online zu klassifizierender Wert
x_i: Support Vektor
N: Anzahl der Support Vektoren
α_i: Lagrange-Faktor
b: Bias

Dabei kann es vorgesehen sein, dass als Kernel eine Standardkernelfunktion, wie ein Polynomkernel, ein Sigmoidalkernel oder ein Radialbasiskernel verwendet wird.
Ein Radialbasiskernel hat die mathematische Beschreibung $k (x_{i}, x) = e^{(- \frac{{‖ x - x_{i} ‖}^{2}}{2 σ^{2}})},$
wobei das Formelzeichen σ die Breite der Gaußglocke darstellt, die durch den Quotient 2σ² vergrößert oder verkleinert werden kann. Dabei stellt der Ausdruck ||x-xi|| den Abstand des online zu klassifizierenden Wertes der wenigstens einen Betriebsgröße des Fahrzeugantriebsstranges von allen Support Vektoren xi dar.
Auch kann es vorgesehen sein, dass über die SVM-Methode in Abhängigkeit der empirischen Werte für den Klassifikator eine Merkmalskombination von Betriebsgrößen des Fahrzeugantriebsstranges ermittelt wird, über die die Einteilung der empirischen Werte in die vordefinierten Klassen mittels des Klassifizierungsmodells optimiert durchführbar ist.
Merkmale stellen beispielsweise aus gemessenen Signalen generierte Werte dar, die durch Mittelwertbildung, Integration, Differentiation, Fensterintegralbildung und dergleichen aus den Signalen bestimmbar sind.
Ermittelte Messgrößen sowie die zusätzlich im letztbeschriebenen Umfang ermittelten Merkmale werden bei einer weiteren Variante des erfindungsgemäßen Verfahrens durch Permutation miteinander kombiniert und für das Training verwendet. Dabei kann es zusätzlich vorgesehen sein, dass Straffaktoren und die Kernelgröße σ variiert werden. Auf diese Art und Weise sind verschiedene Support Vector Machines für die unterschiedlichen Merkmalskombinationen berechenbar, wobei die Ergebnisse dieser Vorgehensweise jeweils ein Modell darstellen.
Ein Teil der ermittelten Messdatensätze kann für den Test der ermittelten Modelle zurückgehalten und nicht für das Training verwendet werden. Anhand der Tests mit diesen Daten wird die Güte der gefundenen Modelle bestimmt. Kriterien für die Güte können dabei zum Beispiel die prozentuale Anzahl korrekt klassifizierter Testdatenpunkte oder die Anzahl der für das Trennungsproblem erforderlichen Support Vektoren und weitere geeignete Vorgaben sein.
Die ermittelte Merkmalskombination sowie die charakteristische Größen des Klassifizierers darstellenden Support Vektoren werden bei einer weiteren mit geringem Aufwand durchführbaren Variante des erfindungsgemäßen Verfahrens nebst der ermittelten Klassenzugehörigkeit y_i, den Lagrange-Faktoren α_i und den das Modell repräsentierenden Kernelgrößen σ im nichtflüchtigen Speicher eines Steuergerätes des Fahrzeugantriebsstranges abgelegt.
Alternativ hierzu werden die ermittelte Merkmalskombination sowie die über die SVM-Methode ermittelte Trennlinie, Trennfläche oder Hyperebene bei einer Variante des erfindungsgemäßen Verfahrens im nichtflüchtigen Speicher eines Steuergerätes abgelegt.
Werden Fehlklassifikationen durch Verschieben der über die SVM-Methode ermittelten Grenze zwischen den vordefinierten Klassen berücksichtigt, werden bei nicht mit gewünscht hoher Exaktheit umsetzbaren Trennproblemen tolerierbare Fehlklassifizierungen zugelassen, während nicht tolerierbare Fehlklassifizierungen im Betrieb der Arbeitsmaschine mit geringem Aufwand vermieden werden.
Um im Betrieb einer Arbeitsmaschine rechenkapazitätsbedingte Laufzeiten, die für Durchführung des erfindungsgemäßen Verfahrens benötigt werden, möglichst minimieren zu können, wird der Klassifikator im Betrieb der Arbeitsmaschine erst bei Vorliegen einer definierten Fahrsituation der Arbeitsmaschine aktiviert.
Fehlklassifikationen sind mit geringem Aufwand vermeidbar, wenn bei einer weiteren Variante des erfindungsgemäßen Verfahrens für die mittels des Klassifikators durchgeführte Klassifizierung zunächst eine Wahrscheinlichkeit bestimmt und anschließend daran bewertet wird, wobei in Abhängigkeit der Bewertung der Wahrscheinlichkeit die endgültige Einteilung des Wertes der Betriebsgröße des Fahrzeugantriebsstranges in eine der vordefinierten Klassen durchgeführt wird.
Eine Arbeitsmaschine ist auf einfache Art und Weise in gewünschtem Umfang betreibbar, wenn anhand der Werte der Betriebsgröße einer mit einer Radladerfunktion ausgeführten Arbeitsmaschine mittels des Klassifikators im Betrieb der Arbeitsmaschine ein beladener oder ein unbeladener Betriebszustand einer Schaufel der Arbeitsmaschine während einer Rückwärts- oder während einer Vorwärtsfahrt zum Beginn einer Reversierung, während einer monotonen Beschleunigungsphase und/oder während einer monotonen Verzögerungsphase der Arbeitsmaschine bestimmt wird.
Ist über den Klassifikator ein Einstechen einer Schaufel einer mit einer Radladerfunktion ausgeführten Arbeitsmaschine in ein Haufwerk ermittelbar, sind mit geringem Aufwand ein Abwürgen einer Antriebsmaschine vermeidende Gegenmaßnahmen mit hoher Spontaneität aktivierbar.
Bei einer weiteren Variante des erfindungsgemäßen Verfahrens wird über den Klassifikator eine Befüllung der Schaufel im Haufwerk ermittelt, um die Arbeitsmaschine auf einfache Art und Weise einerseits in verbrauchsgünstigen Betriebsbereichen zu betreiben und anderseits die für den Betrieb erforderliche Antriebsleistung zur Verfügung zu stellen.
Ist über den Klassifikator nach einem Verlassen des Haufens der Ladezustand der Schaufel bestimmbar, ist wiederum mit geringem Aufwand verifizierbar, ob die Schaufel tatsächlich beladen oder ein Haufwerk nur aufgeschoben oder die Schaufel nach dem Befüllen wieder entladen wurde. Über diese Vorgehensweise ist wiederum gewährleistet, dass die Arbeitsmaschine in einem an den aktuell vorliegenden Betriebszustand möglichst angepassten Umfang betrieben wird.
Werden bei Erkennen eines unbeladenen Zustandes der Schaufel bei gleichzeitiger Vorwärtsfahrt der Arbeitsmaschine Klassifikatoren aktiviert, über die während einer Beschleunigung, einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine verifizierbar ist, ob die Schaufel sich in unbeladenem oder in beladenem Betriebszustand befindet, wobei bei Erkennen des beladenen Betriebszustandes der Schaufel der als unbeladen klassifizierte Betriebszustand der Arbeitsmaschine als beladen klassifiziert wird, ist eine Arbeitsmaschine auf einfache Art und Weise in gewünschtem Umfang betreibbar.
Bei einer weiteren vorteilhaften Variante des erfindungsgemäßen Verfahrens werden bei Erkennen eines unbeladenen Zustandes der Schaufel bei gleichzeitiger Vorwärtsfahrt der Arbeitsmaschine Klassifikatoren aktiviert, um zu erkennen, ob die Schaufel während der Vorwärtsfahrt in einen Haufen einsticht oder ein Befüllvorgang der Schaufel der Arbeitsmaschine während einer solchen Haufenfahrt der Vorwärtsfahrt stattfindet, und um eine Arbeitsmaschine auf einfache Art und Weise in gewünschtem Umfang betreiben zu können .
Wird bei erkannter Vorwärts- und Haufenfahrt der Arbeitsmaschine über einen aktivierten Klassifikator dieser Betriebszustand permanent verifiziert und über einen weiteren aktivierten Klassifikator wiederum anhand der Werte der wenigstens einen Betriebsgröße des Fahrzeugantriebsstranges der Arbeitsmaschine überwacht, ob ein Beladen der Schaufel erfolgt, ist die Entscheidung die Arbeitsmaschine dem Betriebszustand Haufenfahrt oder dem Betriebszustand Schaufel füllen entsprechend zu betreiben, auf einfache Art und Weise mit der gewünscht hohen Sicherheit ermittelbar und mit hoher Exaktheit umsetzbar.
Werden bei erkanntem Beladevorgang der Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine Klassifikatoren aktiviert, um zu erkennen, ob die Schaufel weiterhin in Vorwärtsfahrtrichtung beladen wird oder der Befüllvorgang durch Reversieren beendet und die Schaufel beladen oder unbeladen ist, ist eine Arbeitsmaschine wiederum auf einfache Art und Weise in gewünschtem Umfang betreibbar.
Damit ist im Betrieb einer Arbeitsmaschine mit geringem Aufwand die Entscheidung darüber treffbar, ob sich die Arbeitsmaschine im Betriebszustand Schaufel füllen befindet oder nicht, und die Arbeitsmaschine ist im erforderlichen Umfang betreibbar. Zusätzlich besteht bei Erkennen, dass sich die Arbeitsmaschine nicht im Betriebszustand Schaufel befüllen befindet, die Möglichkeit, die Information darüber, ob das Fahrzeug vor dem Verlassen noch aktiv im Haufen unterwegs war und die Schaufel also befüllt ist, zu erhalten und den beladenen Betriebszustand der Schaufel der Arbeitsmaschine bei gleichzeitiger Rückwärtsfahrt der Arbeitsmaschine zu ermitteln. Wird über den dafür vorgesehenen sowie aktivierten Klassifikator während eines Rückwärtsfahrbetriebes der Arbeitsmaschine der unbeladene Betriebszustand der Schaufel erkannt, wird die Arbeitsmaschine diesem Betriebszustand entsprechend betrieben.
Darüber hinaus werden bei einer weiteren mit geringem Aufwand durchführbaren Variante des erfindungsgemäßen Verfahrens bei erkanntem Beladevorgang der Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine Klassifikatoren aktiviert, um zu erkennen, ob die Schaufel weiterhin in Vorwärtsfahrtrichtung beladen wird oder der Befüllvorgang in Vorwärtsfahrtrichtung beendet und die Schaufel beladen oder unbeladen ist.
Werden bei erkannter beladener Schaufel während einer Rückwärtsfahrt der Arbeitsmaschine Klassifikatoren aktiviert, um zu verifizieren, ob die Schaufel tatsächlich beladen ist, oder um zu bestimmen, ob während einer Beschleunigung, während einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine ein unbeladener Betriebszustand der Schaufel der Arbeitsmaschine vorliegt, ist die Arbeitsmaschine wiederum auf einfache Art und Weise in einem an den aktuell vorliegenden Betriebszustand der Arbeitsmaschine angepassten Umfang betreibbar.
Dabei ist über die aktivierten Klassifikatoren in Abhängigkeit der Fahrsituationen Beschleunigen, Verzögern oder Reversieren mit geringem Aufwand verifizierbar ob der aktuell ermittelte beladene Betriebszustand der Schaufel bei gleichzeitiger Rückwärtsfahrt der Arbeitsmaschine in korrektem Umfang bestimmt wurde oder ob die Schaufel in unbeladenem Zustand vorliegt.
Bei einer weiteren vorteilhaften Variante des erfindungsgemäßen Verfahrens werden bei erkannter beladener Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine Klassifikatoren aktiviert, um während einer Beschleunigung, während einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine zu verifizieren, ob die Schaufel tatsächlich beladen ist, oder um zu bestimmen, ob während einer Beschleunigung, während einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine ein unbeladener Betriebszustand der Schaufel der Arbeitsmaschine vorliegt.
Werden bei erkannter beladener Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine Klassifikatoren aktiviert, um während einer Beschleunigung, während einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine zu verifizieren, ob die Schaufel tatsächlich beladen ist, und um zu bestimmen, ob die Arbeitsmaschine in Vorwärtsfahrtrichtung mit beladener Schaufel betrieben wird oder ob ein Beladen der Schaufel erfolgt, ist die Arbeitsmaschine wiederum in einem an den jeweils aktuell vorliegenden Betriebszustand angepassten Umfang betreibbar.
Dabei ist über die aktuell aktivierten Klassifikatoren je nach Fahrsituation bewertbar, ob der aktuell ermittelte beladene Zustand der Schaufel bei gleichzeitiger Vorwärtsfahrt der Arbeitsmaschine tatsächlich richtig erkannt wurde oder ob die Schaufel doch leer ist. Des Weiteren ist auch ein Betriebszustandsverlauf der Arbeitsmaschine, während dem die Arbeitsmaschine mit gefüllter Schaufel noch einmal Vorwärts in den Haufen fährt, überwachbar und die Arbeitsmaschine während der Einfahrt in einen Haufen optimiert betreibbar. Entsprechend ist die Arbeitsmaschine aber auch abgestimmt auf einen aktuell ablaufenden Ladevorgang der Schaufel betreibbar. Geht die Befüllung der Schaufel einher mit einer klassischen Haufenfahrt, bei der beispielsweise eine hohe Abtriebsverzögerung auftritt, wird dies mittels eines der aktivierten Klassifikatoren erkannt und die Arbeitsmaschine an den Betriebsmodus Haufenfahrt angepasst betätigt. Wird die Arbeitsmaschine fahrerseitig mit geringerer Fahrgeschwindigkeit bzw. vorsichtig ins Haufwerk bewegt, ohne das die Betriebsgrößen des Fahrzeugantriebsstranges die für eine Haufenfahrt charakteristischen Werte annehmen, wird die Arbeitsmaschine dem Betriebszustand Schaufel befüllen entsprechend betrieben.
Werden bei erkannter beladener Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine Klassifikatoren aktiviert und bei Ermitteln eines Reversiervorgangs der Arbeitsmaschine ein Entladen der Schaufel erkannt, ist die Arbeitsmaschine auf einfache Art und Weise mit hoher Spontaneität jeweils in Abhängigkeit des aktuell vorliegenden Betriebszustandes in gewünschtem Umfang betreibbar.
Bei einer weiteren vorteilhaften Variante des erfindungsgemäßen Verfahrens werden bei erkannter unbeladener Schaufel während einer Rückwärtsfahrt der Arbeitsmaschine Klassifikatoren aktiviert, um zu verifizieren, ob die Schaufel tatsächlich unbeladen ist, und um zu bestimmen, ob eine Beschleunigung, eine Verzögerung oder ein Reversiervorgang der Arbeitsmaschine mit beladener Schaufel durchgeführt wird.
Ausgehend von einem ermittelten unbeladenen Betriebszustand der Schaufel bei gleichzeitiger Rückwärtsfahrt der Arbeitsmaschine wird mithilfe der aktivierten Klassifikatoren je nach Fahrsituation, d .h. die Arbeitsmaschine wird beschleunigt oder Verzögert oder es wird ein Reversiervorgang durchgeführt, entschieden, ob der Betriebszustand der Arbeitsmaschine tatsächlich korrekt klassifiziert wurde oder ob die Arbeitsmaschine mit beladener Schaufel rückwärts fährt. Dies resultiert aus der Tatsache, dass die Fahrtrichtungsumkehr der Arbeitsmaschine ausgehend von der Vorwärtsfahrtrichtung in die Rückwärtsfahrtrichtung auch mit voller Schaufel stattfinden kann, anstatt die Schaufel während des Reversiervorganges zu entleeren.
Die Fahrzustandsklassifikation erfolgt bei vorteilhaften Varianten des erfindungsgemäßen Verfahrens rein aus vorhandenen Daten, womit diese also datengetrieben sind. In einem offline durchgeführten Lernschritt werden die vorhandenen Trainingsdaten beispielsweise in die zu klassifizierenden Klassen unterteilt und es wird während dieses Schrittes in Abhängigkeit der Dimension des vorliegenden Trennproblems gegebenenfalls eine Trennlinie, eine Trennfläche, oder eine sogenannte Hyperebene berechnet. Eine Repräsentation der Trennlinie, der Trennfläche oder der Hyperebene kommt in einem Steuergerät zum Einsatz und klassifiziert im Fahrzeug online den Fahrzustand.
Sowohl die in den Patentansprüchen angegebenen Merkmale als auch die in den nachfolgenden Ausführungsbeispielen des erfindungsgemäßen Gegenstandes angegebenen Merkmale sind jeweils für sich alleine oder in beliebiger Kombination miteinander geeignet, den erfindungsgemäßen Gegenstand weiterzubilden.
Weitere Vorteile und vorteilhafte Ausführungsformen des erfindungsgemäßen Gegenstandes ergeben sich aus den Patentansprüchen und den nachfolgend unter Bezugnahme auf die Zeichnung prinzipmäßig beschriebenen Ausführungsbeispielen, wobei in der Beschreibung der verschiedenen Ausführungsbeispiele zugunsten der Übersichtlichkeit für bau- und funktionsgleiche Bauteile dieselben Bezugszeichen verwendet werden.
Es zeigt:

1 eine graphische Darstellung eines von zwei Betriebsgrößen aufgespannten Betriebsbereiches eines Fahrzeugantriebsstranges einer Arbeitsmaschine sowie einer Trennlinie, mittels der aktuelle Betriebszustände der Arbeitsmaschine durch Klassifikation von Werten der Betriebsgrößen in vordefinierte Klassen ermittelbar sind;
2 eine 1 entsprechende Darstellung mit einer Fehlklassifizierungen von einer der Klassen zugehörigen Werten zulassenden Lage der Trennlinie, während die Fehlklassifikation von der zweiten Klasse zugehörigen Werten durch die Lage der Trennlinie vermieden werden;
3 ein vereinfachtes Blockschaltbild einer Variante der erfindungsgemäßen Vorgehensweise zur Bestimmung des aktuellen Betriebszustandes einer Arbeitsmaschine im Betrieb der Arbeitsmaschine;
4 eine detailliertere Blockschaltbilddarstellung der 3 zugrundeliegenden Vorgehensweise;
5 ein schematisiertes Zustandsdiagramm, das eine als Radlader ausgeführte Arbeitsmaschine während eines idealen sogenannten Y-Zyklus durchläuft;
6 das Zustandsdiagramm gemäß 5, das neben dem Y-Zyklus weitere Fahrsituationen des Radladers graphisch abbildet;
7 eine detaillierte Blockschalbilddarstellung einer weiteren Variante des erfindungsgemäßen Verfahrens, die ebenfalls sowohl einen offline-Trainingsmodus zur Ermittlung eines Klassifikators als auch einen online-Fahrzustandermittlungsmodus unter Verwendung des Klassifikators umfasst;
8 eine 7 entsprechende Blockschaltbilddarstellung einer weiteren Variante des erfindungsgemäßen Verfahrens;
9 eine detaillierte Blockschaltbilddarstellung des online-Fahrzustandsermittlungsmodus der 8 zugrundeliegenden Variante;
10 eine stark schematisierte Darstellung eines Fahrzeugantriebsstranges einer Arbeitsmaschine mit einem mit stufenloser Leistungsverzweigung ausgeführten Hydrostatgetriebe;
11 eine 7 entsprechende Blockschaltbilddarstellung einer weiteren Variante des erfindungsgemäßen Verfahrens;
12 ein Blockschaltbild eines Teils einer weiteren Variante des erfindungsgemäßen Verfahrens; und
13 eine Detaildarstellung eines Funktionsblockes des online-Fahrzustandsermittlungsmodus der Variante gemäß 12.

1 zeigt eine graphische Darstellung eines von zwei Betriebsgrößen M1 und M2 aufgespannten Betriebsbereiches eines Fahrzeugantriebsstranges einer Arbeitsmaschine sowie einer Trennlinie f(x), mittels der aktuelle Betriebszustände der Arbeitsmaschine durch Klassifikation von Werten der Betriebsgrößen M1, M2 in vordefinierte Klassen ermittelbar sind. Die Fahrzustandsklassifikation erfolgt rein aus vorhandenen Daten, sie ist also datengetrieben. In einem zunächst offline durchgeführten Lernschritt werden vorhandene Trainingsdaten in die zu klassifizierenden Klassen unterteilt und es wird in diesem Schritt die Trennlinie f(x) Trennlinie berechnet. Eine Repräsentation der Trennlinie f(x) kommt in einem Steuergerät des Fahrzeugantriebsstranges, beispielsweise im Getriebesteuergerät zum Einsatz, anhand der dann die Klassifizierung des Fahrzustandes der Arbeitsmaschine im Betrieb der Arbeitsmaschine durchgeführt wird.
Datengetriebene Verfahren zur Klassifikation werden Maschinenlernverfahren genannt. Beispiele für Maschinenlernverfahren sind Neuronale Netze oder Nearest Neighbour Klassifikatoren. Die nachfolgend näher beschriebene Methode nennt sich Support Vector Machine (SVM).
Die SVM-Methode stellt einen linearen Klassifikator zur Verfügung, deren Trennlinie die mathematische Form $f (x) = w^{T} x + b$
hat. Sind entsprechend geeignete Trainingsdaten für eine Fahrzustandsklassifikation vorhanden, so ist mittels der SVM-Methode genau diejenige Gerade mit der Repräsentation ermittelbar, die den maximalen Abstand zwischen den zu trennenden Datenpunkten hat.
Die in 1 dargestellten Kreise beschreiben dabei die erste Klasse, die dem Betriebszustand einer als Radlader ausgeführten Arbeitsmaschine „Schaufel nicht voll“ zugeordnet ist. Die der zweiten Klasse zugeordneten und durch Kreuze in 1 dargestellen Werte sind durch die Klassifizierung dem Betriebszustand des Radladers „Schaufel voll“ zugeordnet.
Die auf den Achsen aufgetragenen Betriebsgrößen M1 und M2 repräsentieren die beiden Merkmale, wobei das Merkmal M1 gleich dem Abtriebsmoment und das Merkmal M2 gleich der normierten Abtriebsdrehzahl entsprechen kann. Des Weiteren sind in 1 zwei Trennlinien dargestellt. Eine der Trennlinien ist als dünne strichpunktierte Linie ausgeführt, während die zweite Darstellung der Trennlinie als durchgezogene Linie ausgebildet ist und die über die SVM-Methode ermittelte optimale Trennlinie mit maximalem Abstand zu den Werten der beiden Klassen ist. Der maximale Abstand wird dabei symbolisiert durch den Abstand zwischen den beiden mit stärkerer Strichstärke ausgeführten strichlierten Linien.
Grundsätzlich stellt das Finden der optimalen Gerade bzw. Trennlinie zur Separation der Klassen ein mathematisches Standardproblem dar, das als Quadratisches Problem mit linearen Randbedingungen bekannt ist. Es ist effizient lösbar und findet stets die optimale Lösung.
Der Gewichtungsvektor w aus der Gleichung (1) ist äquivalent zu dem Term (1) $\sum_{i = 1}^{N} y_{i} a_{i} x_{i}$
der sich aus dem sogenannten dualen Optimierungsproblem ergibt. Durch Einsetzen des Terms (1) in die Gleichung (1) ergibt sich Gleichung (2): $f (x) = \sum_{i = 1}^{N} y_{i} a_{i} x_{i} * x + b$
Die Formelzeichen in Gleichung (2) sind dabei folgende:

y_i: Klassenzugehörigkeit des Trainingsdatums i (z.B. 1: „Schaufel voll“, -1: „Schaufel nicht voll“)
x: unbekannte (neue = online zu klassifizierende) Werte
x_i: Support Vektor
N: Anzahl der Support Vektoren
α_i : Lagrange-Faktoren
b: Bias

Die Support Vektoren sind in 1 jeweils durch die die Kreise und Kreuze umrahmenden Quadrate gekennzeichnet und repräsentieren jeweils die Werte mit dem geringsten Abstand zur Trennlinie f(x). Diese Stützvektoren stellen die wichtigsten Daten im Trainingsdatensatz dar und beschreiben alleine die gefundene, in der obigen Abbildung durchgezogen dargestellte Trennlinie f(x). Während des Trainings wird bei bevorzugten Varianten des erfindungsgemäßen Verfahrens also nicht die Trennlinie ermittelt, sondern es werden genau diese Support Vektoren bestimmt. Im Steuergerät wird dann auch nicht die Trennlinie hinterlegt, sondern es werden nur die Support Vektoren abgelegt. Die online zu klassifizierenden Daten werden also nur bezüglich der Support Vektoren ausgewertet.
Bei höheren Dimensionen ist im Steuergerät eine aufwändige Trennfläche zu hinterlegen, die viel Speicher beansprucht. Auch der Aufwand für die Auswertung eines zu klassifizierenden Punkts im Steuergerät steigt mit der Dimension des Problems. Dem gegenüber muss der zu klassifizierende Punkt im Steuergerät bei der Verwendung der Support Vektoren lediglich bezüglich der Support Vektoren ausgewertet werden.
Die Lagrange-Faktoren α_i sind für alle Datenpunkte außer für die Support Vektoren gleich null. Damit wird erreicht, dass Gleichung (2) ausschließlich an den Support Vektoren ausgewertet wird und alle anderen in 1 dargestellten und den beiden Klassen zugeordneten Werte für das Trennungsproblem unerheblich sind.
Bei den meisten realen Trennungsproblemen können die Punkte der beiden Klassen jedoch nicht vollständig durch eine einfache Funktion getrennt werden. Es gibt dann keinen leeren Raum zwischen den Klassen, in der die Trennlinie liegt. Eine Trennung der Datenpunkte ist dann unter Umständen nur mit einer sehr komplexen Funktion möglich und würde damit in der Regel auch eine zu spezielle Trennung vornehmen. Diese spezielle Trennung würde im Online-Einsatz im Steuergerät sehr schlechte Klassifikationsergebnisse liefern, weil sie lediglich die „auswendig gelernten“ Trainingsdaten repräsentiert.
Daher wird sogenannten Ausreißerdaten, die in der durch Dreiecke hervorgehoben sind, erlaubt, dass diese auf der der Klasse, der diese angehören, abgewandten Seite der Trennlinie f(x) liegen dürfen. Die bisher verwendete Gleichung (2) der Trennlinie f(x) lässt allerdings auf Grund von Nebenbedingungen des Optimierungsproblems keine Fehlklassifikationen zu. Durch Einführung von sogenannten Schlupfvariablen werden Fehlklassifikationen zugelassen. Dieser Effekt wird auch als Soft Margin bezeichnet. Durch eine geeignete Bestrafung von Fehlklassifikationen kann die Anzahl der Fehler begrenzt werden bzw. kann der Anzahl der Fehler entgegengewirkt werden.
Bei nicht linear trennbaren Problemen treten zwangsläufig Fehlklassifikationen auf. Häufig ist jedoch bekannt, ob es wichtiger ist, eine Klasse sicher auf Kosten von weniger schlimmen Fehlklassifikationen der anderen Klasse zu erkennen. Bezug nehmend auf die Darstellung gemäß 2 sind Fehlklassifikation von der ersten Klasse zugehörigen Daten, die beispielsweise dem Betriebszustand der Arbeitsmaschine bzw. des Radladers „Schaufel voll“ entspricht und deren Daten in 2 durch die Kreuze angezeigt sind, von höherer Relevanz als von Daten, die der zweiten Klasse angehören, die wiederum dem Betriebszustand „Schaufel leer“ der Arbeitsmaschine entsprechen und in 2 durch die Kreise dargestellt sind.
Dies beruht auf der Kenntnis, dass eine Fehlklassifikation und eine daraus resultierende falsche Annahme des befüllten Zustandes der Schaufel, obwohl die Schaufel eigentlich leer ist, gegebenenfalls ein zu spätes Erkennen des sehr dynamischen Betriebszustandes „Haufeneinfahrt“ bewirkt. Die Betriebsstrategie geht bei einer solchen Fehlklassifikation davon aus, dass ein Radlader mit einer befüllten bzw. einer vollen Schaufel nicht in den Haufen einfährt. Ein sich daraus ergebender unerwünschter Effekt könnte sein, dass eine als Brennkraftmaschine ausgebildete Antriebsmaschine des Fahrzeugantriebsstranges der Arbeitsmaschine durch die plötzlich anliegende Last während der Haufenfahrt abgewürgt wird.
Um dem Umstand gerecht zu werden, dass es wichtiger ist, eine Klasse sicher zu erkennen, besteht die Möglichkeit, die gefundene Trennlinie in Richtung einer der Klassen in definiertem Umfang zu verschieben. Bei dem 2 zugrundeliegenden Ausführungsbeispiel ist die Kennlinie f(x) in den Bereich der zweiten Klasse hinein verschoben. Die Kennlinienverschiebung wird mit geringem Aufwand erzielt, indem die Fehlklassifikation der wichtigeren ersten Klasse stärker bestraft wird. Der Optimierungsalgorithmus der SVM- Methode ermittelt dann automatisch die verschobene Kennlinie.
Wie aus 2 hervorgeht, sind die mittels der Dreiecke gekennzeichneten und der zweiten Klasse angehörenden Werte Fehlklassifikationen der zweiten Klasse, die vorliegend zwangsläufig aus der Verschiebung der Kennlinie f(x) in Richtung der zweiten Klasse resultieren. Die Verschiebung der Kennlinie f(x) wird durchgeführt, um sicher alle in Form von Kreuzen gekennzeichneten Werte der ersten Klasse unterhalb der Trennlinie f(x) zu haben und um zu garantieren, dass alle Werte der ersten Klasse richtig klassifiziert sind. Über die Methode Soft Margin und der nach Klassen differenzierten Bestrafung von Fehlern wird mit geringem Aufwand gezielt Expertenwissen in die Ermittlung der Trennlinie eingebracht.
Oftmals wird die Komplexität der Probleme eine lineare Trennung wie in 1 und 2 gezeigt nicht zulassen. Das komplexe, meist nichtlineare Problem wird durch die Verwendung eines sogenannten Kernels bzw. des sogenannten „Kernel-Tricks“ handhabbar bzw. gelöst. Dabei wird durch eine Transformation des Ausgangsraums mit den Koordinaten x = (x1, .., xK) in einen in der Regel höher dimensionalen Bildraum z = (z1, .., zM) mit M >> K das nichtlineare Trennungsproblem im Ausgangsraum in eine lineares Trennungsproblem im höher dimensionalen Bildraum überführt. Dort ist das Problem dann erneut mit dem Algorithmus der quadratischen Programmierung lösbar. Auf diese Art und Weise kann wieder eine optimale, nun aber im Ausgangsraum nichtlineare Trennlinie bzw. allgemein eine sogenannte Hyperebene bestimmt werden.
Der Kernel-Trick bietet den Vorteil, dass die Transformation in den Bildraum nicht explizit durchgeführt wird und die Berechnung selbst tatsächlich nicht im Bildraum stattfindet. Hierfür kommen sogenannte „Kernel-Funktionen“ k(xi, x) zum Einsatz, die es ermöglichen, dass alle Rechnungen wieder im Ausgangsraum durchführbar sind. Die Gleichung (2) lautet damit für nichtlineare Trennungsprobleme wie folgt: $f (x) = \sum_{i = 1}^{N} y_{i} a_{i} k (x_{i}, x) + b$
Dabei besteht die Möglichkeit Standardkernelfunktionen, wie ein Radialbasiskernel, ein Polynomkernel oder ein Sigmoidalkernel zu verwenden.
Grundsätzlich ist die Vorgehensweise zur Bestimmung des Fahrzustandes einer Arbeitsmaschine unabhängig von der verwendeten Kernel-Funktion k(xi, x).
Der Radialbasiskernel weist beispielsweise folgenden in Gleichung (4) angegebenen mathematischen Zusammenhang auf: $k (x_{i}, x) = e^{(- \frac{{‖ x - x_{i} ‖}^{2}}{2 σ^{2}})}$
Wie sich aus Gleichung (3) ergibt, ist die Funktion gemäß Gleichung (4) lediglich an den Support Vektoren xi auszuwerten. Hierzu ist der Abstand ||x-xi|| für jeden Datenpunkt x bezüglich aller Support Vektoren xi gewichtet um eine Gaußglocke $e^{(- \frac{{‖ x - x_{i} ‖}^{2}}{2 σ^{2}})}$
auszuwerten. Die Breite dieser Gaußglocke kann mittels des Quotienten 2σ² vergrößert oder verkleinert werden. Kleinere σ ermöglichen stärker gekurvt ausgebildete Trennlinien, während größere σ „geradere“ Trennlinien ermöglichen. Stärker gekurvte Trennlinien adaptieren sich stark an die Trainingsdaten und geradere Trennlinien verallgemeinern besser und sind häufig bei unbekannten Testdaten robuster.
Während eines offline durchgeführten Trainings werden dem über die SVM-Methode zu bestimmenden Klassifikator unterschiedliche Kombinationen von Trainingsmerkmalen übergeben, die vorher manuell der ersten Klasse oder der zweiten Klasse zugewiesen wurden. Üblicherweise wird für das Training ein Teil der zur Verfügung stehenden Trainingsdaten auch zum Testen des Klassifizierers herangezogen, um die Güte der Klassifikation im Zuge einer sogenannten Crossvalidation zu prüfen. Am Ende wird beurteilt, wie gut die Klassifikation der gefundenen Trennlinie für die nicht trainierten Testdaten war. Werden unterschiedliche Merkmalskombinationen durchgespielt, so kann die für das aktuell betrachtete Trennungsproblem bestmögliche Merkmalskombination sowie die Anzahl der notwendigen Merkmale ermittelt werden.
Daran anschließend werden die ermittelten Support Vektoren in das betreffende Steuergerät in den nichtflüchtigen Speicher übertragen. Im Steuergerät wird im Betrieb der Arbeitsmaschine lediglich die Gleichung (3) mit der Kernelfunktion gemäß Gleichung (4) ausgewertet. Die Support Vektoren xi sind bereits im Training ermittelt und bei der Applikation in das Steuergerät überführt worden, ebenso die bestmögliche Kombination von Merkmalen (M1, M2, ... Mn) für das Trennungsproblem.
Die Support Vector Machine (SVM) wird dabei in dem in 3 gezeigten Umfang durch die sogenannte Erkenn- oder Aktivierungsfunktion F1 aktiviert. Ist die SVM-Methode nicht aktiviert, so wird der im offline-Training ermittelte Klassifikator nicht ausgeführt, beispielsweise um Laufzeit zu sparen.
Eine während eines in 4 gezeigten Funktionsblockes F2, der einem Funktionsblock F3 nachgeschaltet ist, durchzuführende Auswertefunktion bewertet beispielsweise den gefundenen Klassifikationswert f(x). Zum Beispiel könnte die Auswertefunktion den endgültigen Fahrzustand erst nach einer gewissen Anzahl erfolgreicher, gleicher Klassifikationen und damit das abschließende Klassifikationsergebnis KE bestimmen. Während des Funktionsblockes F3 erfolgt die Trennlinenauswertung gemäß Gleichung (3), wobei über einen zwischen einem Abfrageblock F4 der Erkenn- oder Aktivierungsfunktion F1 und dem dritten Funktionsblock F3 zwischengeschalteten weiteren Funktionsblock F5 die Merkmale im aktuellen Rechenschritt ermittelt werden.
Die vorstehend näher beschriebene Variante der erfindungsgemäßen Vorgehensweise stellt grundsätzlich ein Verfahren zur Klassifikation einer Fahrsituation mittels einer Support Vektor Machine dar, bei der die Gleichung (3) online im Steuergerät berechnet wird und das Klassifikationsergebnis KE im Algorithmus, z.B. zur Verbesserung der Fahrstrategie verwendet wird. Die Parameter α_i, x_i, yi, σ sowie die Merkmale M1, M2 bis Mn werden in einem offline durchgeführten Trainingsprozess ermittelt. Die Erkenn- oder Aktivierungsfunktion F1 entscheidet darüber, wann die SVM-Methode klassifizieren darf. Die Auswertefunktion F2 kann das von der SVM ermittelte Klassifikationsergebnis KE filtern, ehe der finale Fahrzustand FFZ festgelegt wird. Neben der Möglichkeit zur Verschiebung der Trennebene durch Bestrafung von Fehlklassifizierungen ist über die Vorgehensweise damit das erforderliche Experten-Know-How einbringbar, so dass das Verfahren im Steuergerät robust und effizient eingesetzt werden kann.
Mit mobilen Arbeitsmaschinen werden stets wiederkehrende Fahrzyklen durchgeführt. Der bekannteste dieser Fahrzyklen ist der in 5 schematisiert dargestellte sogenannte Y-Zyklus eines Radladers, während dem der Radlader in einem Betriebszustand Z1 mit leerer Schaufel an das Haufwerk heranfährt. Danach sticht der Radlader während eines Betriebszustandes Z2 in den Haufen ein. Anschließend daran wird die Schaufel im Haufwerk während eines Betriebszustandes Z3 befüllt. Wiederum daran anschließend fährt der Radlader während eines weiteren Betriebszustandes Z4 rückwärts mit voller Schaufel vom Haufwerk weg. Dann wird ein Reversiervorgang des Radladers in Richtung Vorwärtsfahrt angefordert, wobei ein dann vorliegender Betriebszustand Z6 durch eine Vorwärtsfahrt mit beladener Schaufel gekennzeichnet ist. Ausgehend vom Betriebszustand Z6 wird die Schaufel während eines zusätzlichen Betriebszustandes Z7 entladen und der Radlader anschließend währende eines weiteren Betriebszustandes mit unbeladener Schaufel in Rückwärtsfahrtrichtung betrieben. Nach einem erneuten Reversiervorgang befindet sich der Radlader im Ausgangsbetriebszustand Z1 und es beginnt ein weiterer Y-Zyklus.
Wird ein Y-Zyklus stets im vorbeschriebenen Umfang durchgeführt, dann werden einfach nacheinander die in 5 dargestellten Betriebszustände Z1 bis Z8 von links oben im Uhrzeigersinn nacheinander durchlaufen. Jedoch entspricht dies nicht der Realität und es werden noch viele andere Fahrmanöver eines Radladers durch Fahrerhandlungen veranlasst. Zum Beispiel besteht die Möglichkeit, dass ein Fahrer ein Haufwerk nur aufschieben möchte. Dabei fährt ein Fahrer im Betriebszustand Z1 eines Radladers in den Haufen ein, wobei die Schaufel zunächst befüllt wird. Jedoch wird noch im Haufen die in der Schaufel vorhandene Ladung weiter oben auf dem Haufen wieder abgekippt. Daran anschließend fährt der Radlader mit unbeladener Schaufel rückwärts aus dem Haufen. Die dabei aufeinanderfolgenden Betriebszustände ergeben die Betriebszustandsfolge Z1, Z2, Z3 und Z8.
Denkbar ist auch eine normale Reversierung ohne zwischenzeitliches Schaufelfüllen ausgehend vom Betriebszustand Z1 über den Betriebszustand Z8 zurück in den Betriebszustand Z1. Es sind noch viele weitere Fahrzustandsänderungen möglich, die nicht dem zuvor dargestellten Zustandsverlauf im Y-Zyklus entsprechen. Die möglichen Betriebszustandsübergänge eines solchen Fahrautomaten sind in 6 dargestellt. Das Hinzufügen dieser Betriebszustandswechsel bzw. Übergänge ermöglicht die Verallgemeinerung des vorbeschriebenen Y-Zyklus auf weitere Fahrsituationen.
Die Klassifikation aller Fahrmanöver eines Radladerzyklus speziell unter Berücksichtigung der Abweichungen vom Standard Y-Zyklus ist ohne Fahrzeug-Know-How für die Getriebesteuerung nur sehr schwer möglich. Unter Fahrzeug-Know-How werden vorliegend Informationen den aktuellen Betriebszustand eines Radladers betreffend verstanden, wie zum Beispiel der Aktivitätszustand einer Arbeitshydraulik, mit dem Schaufelposition oder Hubgerüsthöhe bestimmt werden können.
Möchte man alle Fahrzustände ohne Fahrzeug-Know-How bestimmen, so müssen die dem Getriebe zur Verfügung stehenden Informationen bestmöglich genutzt werden. Mit Standardmethoden ist dies nur sehr schwer möglich. Es ist zum Beispiel unklar, welche Merkmale miteinander kombiniert werden müssen und wie Schwellwerte gesetzt werden müssen, um die möglichen Folgezustände voneinander zu unterscheiden. Für die Entscheidung des Folgezustands ist auch wichtig zu wissen, wie hoch die Wahrscheinlichkeit für die Klassifikation des aktuellen Zustands ist.
Auch in diesem Zusammenhang bietet die vorbeschriebene datengetriebene Klassifikation Möglichkeiten, die Erkennung der Fahrzustände eines Radladers zu verbessern. Für alle mit üblichen Vorgehensweisen nur mit hohem Aufwand zu ermittelnden Fahrzustandsänderungen sind in 6 strichliert oder gepunktet ausgeführte Zustandsübergänge angedeutet. Die mit durchgezogenen Linien visualisierten Betriebszustandsübergänge sind trivial, zum Beispiel sind die Betriebszustandsübergänge zwischen den Betriebszuständen Z4 und Z6 sowie zwischen Z1 und Z8 jeweils lediglich durch einen Richtungswechsel in die jeweils andere Fahrtrichtung charakterisiert.
Für die Erkennung der durch die nicht durchgezogenen Linien dargestellten Übergänge werden wiederum trainingsbasierte Maschinenlernverfahren eingesetzt. Grundlage dieser Verfahren ist stets, dass in einem offline durchgeführten Lernprozess auf Basis vorhandener Messdaten zunächst in dem auch zu 1 bis 4 beschriebenen Umfang ein Klassifikator trainiert wird. Während des Trainings wird auf Basis der Trainingsdaten eine Trennlinie, eine Trennfläche, oder eine Hyperebene ermittelt, die die zu klassifizierenden Zustände diskriminiert. Klassifikatoren zur Ermittlung der gestrichelt bzw. gepunktet dargestellten Zustandsübergänge werden wiederum beispielsweise über die SVM-Methode bestimmt.
Zunächst wird die Fahrsituation während eines in 7 gezeigten Funktionsblockes 200 bestimmt, in der der Klassifikator überhaupt angewendet werden soll. Hierfür werden bestimmte, leicht messbare und im Getriebe des Fahrzeugantriebsstranges der Arbeitsmaschine bzw. des Radladers verfügbare Signale verwendet. Zum Beispiel werden die Fahrgeschwindigkeit oder die Abtriebsdrehzahl, die Motordrehzahl sowie interne Statusgrößen, wie Schaltungen herangezogen.
In einem nächsten Schritt bzw. Funktionsblock 210 werden aus der gesamten Messung diejenigen Daten herausgeschnitten, die in der über den Funktionsblock 200 bestimmen Fahrsituation verwendet werden sollen. Diese Daten werden den zugehörigen Klassen zugewiesen. Der Rest der Messung wird ignoriert.
Danach erfolgt während eines weiteren Funktionsblockes 220 die Vorverarbeitung, wobei aus den gemessenen Signalen neue Merkmale generiert werden, zum Beispiel durch Mittelwertbildung, Integration, Differentiation, Fensterintegralbildung und dergleichen.
Alle ermittelten Messgrößen und zusätzlichen Merkmale werden während eines weiteren Funktionsblockes 230 durch Permutation miteinander kombiniert und für das Training verwendet. Zusätzlich werden Straffaktoren und die Kernelgröße σ variiert.
Auf diese Art und Weise werden verschiedene Support Vector Machines für die unterschiedlichen Merkmalskombinationen berechnet. Das Ergebnis des Funktionsblockes 230 entspricht jeweils einem Modell K. Da über den Funktionsblock 230 viele Kombinationen berechnet werden, liegen auch viele Modelle vor
Ein Teil der Messdatensätze wird für einen im Bereich eines Funktionsblockes 240 durchzuführenden Tests der ermittelten Modelle Kj zurückgehalten und nicht für das Training verwendet. Anhand des Tests mit diesen Daten wird die Güte des jeweils gefunden Modells bestimmt. Kriterien für die Güte sind dabei zum Beispiel die prozentuale Anzahl korrekt klassifizierter Testdatenpunkte oder die Anzahl der für das Trennungsproblem erforderlichen Support Vektoren sowie weitere geeignete Kriterien.
Auf Basis der Gütekriterien und der Form der ermittelten Hyperebene wird offline nun das am besten geeignete Modell über einen Funktionsblock Block 260 samt der zugehörigen optimalen Merkmalskombination über einen weiteren Funktionsblock 250 ausgewählt.
Der die Funktionsblöcke 200 bis 260 umfassende Trainingsprozess wird für alle Klassifikatoren durchgeführt. Insgesamt werden vorliegend die nachfolgend näher beschriebenen neun verschiedenen Klassifikatoren KL1 bis KL9 verwendet, um alle vorgenannten Betriebszustandswechsel eines Radladers in gewünschtem Umfang ermitteln und in entsprechendem Umfang bewerten zu können.
Über den ersten Klassifikator KL1 wird ein beladener oder ein unbeladener Betriebszustand einer Schaufel während einer Rückwärtsfahrt eines Radladers zu Beginn einer Reversierung bewertet, während dies über den zweiten Klassifikator KL2 während einer monotonen Verzögerungsphase und über den dritten Klassifikator KL3 während einer monotonen Beschleunigungsphase erfolgt. Über den vierten Klassifikator KL4 wird ein beladener oder ein unbeladener Betriebszustand einer Schaufel bei einer Vorwärtsfahrt zu Beginn einer Reversierung bewertet, während dies über den fünften Klassifikator KL5 bei Vorliegen einer monotonen Verzögerungsphase und über den sechsten Klassifikator KL6 bei erkannter monotoner Beschleunigungsphase durchgeführt wird. Mit Hilfe des siebten Klassifikators KL7 ist das Einstechen in das Haufwerk bestimmbar, wohingegen mittels des achten Klassifikators KL8 die Befüllung der Schaufel im Haufwerk bewertbar ist. Abschließend ist über den neunten Klassifikator KL9 das Verlassen des Haufens bewertbar und bestimmbar, ob die Schaufel tatsächlich gefüllt wurde oder lediglich ein Aufschieben eines Haufwerkes erfolgt. Des Weiteren ist über den neunten Klassifikator KL9 ermittelbar, ob die Schaufel nach dem Befüllen sofort wieder geleert wurde.
Im Betriebszustand Z1 werden die Klassifikatoren KL4, KL5, KL6, KL7 und KL8 aktiviert. Die Klassifikatoren KL4, KL5 und KL6 bewerten je nach vorliegender Fahrsituation, Beschleunigen, Verzögern oder Reversieren, ob die Festlegung des Betriebszustandes Z1 korrekt war oder ob die Schaufel doch beladen ist. In diesem Fall erfolgt eine Korrektur des aktuellen Zustands und damit ein Wechsel in den Betriebszustand Z6. Mit Hilfe des siebten Klassifikators KL7 ist eine Entscheidung dahingehend treffbar, ob von einer unbeladenen Vorwärtsfahrt des Radladers in eine dem Betriebszustand Z2 entsprechenden Haufenfahrtbetriebsmodus gewechselt werden muss. Über den achten Klassifikator KL8 wird bestimmt, ob ein Wechsel in den dritten Betriebszustand Z3 für einen Betrieb des Radladers vorzusehen ist.
Bei ermittelter Haufenfahrt und somit im zweiten Betriebszustand Z2 wird über den aktivierten siebten Klassifikator KL7 entschieden, ob der Radlader dem zweiten Betriebszustandsmodus entsprechend betrieben wird oder mit Hilfe des achten Klassifikators 8 ein Wechsel des Betriebszustandsmodus in Richtung des dritten Betriebszustandes Z3 erforderlich ist. Handelt es sich um eine Fehlklassifikation und wird der Radlader im Zustand 2 unmittelbar wieder schneller, so erfolgt der Übergang in den Zustand Z1.
Befindet sich der Radlader im dritten Betriebszustand Z3 ist der achte Klassifikator KL8 aktiviert und entscheidet über den Verbleib im dritten Betriebszustand Z3. Über den dann ebenfalls aktivierten neunten Klassifikator KL9 steht bei einem Verlassen des dritten Betriebszustandes Z3 die Information zur Verfügung, ob das Fahrzeug vor dem Verlassen noch aktiv im Haufen unterwegs war, die Schaufel also befüllt wurde. Ist dies das nicht der Fall, wird in den achten Betriebszustand Z8 gewechselt. Wenn die Schaufel tatsächlich ausreichend gefüllt wurde, erfolgt der Wechsel in den vierten Betriebszustand Z4. Wird im Zustand Z3 jedoch erkannt, dass die Schaufel gar nicht befüllt wurde und dass das Fahrzeug zum Beispiel wieder schneller wird, so kann davon ausgegangen werden, dass die Arbeitsmaschine zum Beispiel über den Haufen hinweg fährt. In diesem Fall erfolgt eine Verzweigung zurück in den Zustand Z1. Wird im Zustand Z3 erkannt, dass die Schaufel befüllt wurde und verlässt die Arbeitsmaschine den Haufen in Vorwärtsrichtung, so erfolgt die Verzweigung in den Zustand Z6.
Wird der vierte Betriebszustand ermittelt, werden die Klassifikatoren KL1, KL2 und KL3 aktiviert. Die Klassifikatoren KL1, KL2 und KL3 prüfen je nach Fahrsituation, Beschleunigen, Verzögern oder Reversieren, ob der vierte Betriebszustand Z4 tatsächlich korrekt ist oder ob von dem vierten Betriebszustand Z4 in den achten Betriebszustand Z8 gewechselt werden muss.
Bei erkanntem sechsten Betriebszustand Z6 bewerten die dann aktivierten Klassifikatoren KL4, KL5 und KL6 je nach vorliegender Fahrsituation Beschleunigen, Verzögern oder Reversieren, ob der sechste Betriebszustand Z6 korrekt ist oder ob die Schaufel doch leer ist. Bei unbeladener Schaufel erfolgt der Wechsel in den ersten Betriebszustand Z1.
Ausgehend vom sechsten Betriebszustand Z6 kann aber auch in den dritten Betriebszustand Z3 zurückgesprungen werden, wenn der Radlader mit gefüllter Schaufel noch einmal in den Haufen fährt und die Schaufel weiter füllt. Geht dies einher mit einer klassischen Haufenfahrt, die z. B. durch eine hohe Abtriebsverzögerung gekennzeichnet ist, so erkennt dies der Klassifikator KL7 und aktiviert zunächst den zweiten Betriebszustand Z2. Fährt der Fahrer vorsichtig ins Haufwerk ohne die Merkmale einer klassischen Haufenfahrt, führt der achte Klassifikator KL8 den Betriebszustand des Radladers vom sechsten Betriebszustand Z6 direkt über in den dritten Betriebszustand Z3.
Ist der siebte Betriebszustand Z7 des Radladers aktiviert, wird die Durchführung einer simplen Reversierung als Indikator für das Abladen gewertet. Im Unterschied hierzu wird ausgehend vom aktivierten achten Betriebszustand Z8 über die dann aktivierten Klassifikatoren KL1, KL2 und KL3 in Abhängigkeit der vorliegenden Fahrsituation, wie Beschleunigen, Verzögern oder Reversieren, darüber entschieden, ob der achte Betriebszustand Z8 tatsächlich korrekt klassifiziert wurde oder ob in den vierten Betriebszustand Z4 zurück zu wechseln ist. Die Reversierung im siebten Betriebszustand Z7 könnte ja mit voller Schaufel erfolgt sein, anstatt dabei die Schaufel zu leeren.
Die im Training ermittelten Support Vektoren, die ideale Merkmalskombination, die Langrange-Faktoren α_i sowie der Kernel k werden vom Funktionsblock 260 wiederum in das Steuergerät in den nichtflüchtigen Speicher übertragen.
Während eines online durchgeführten Rechenzyklus im Steuergerät zur Klassifikation des aktuellen Betriebszustandes der Arbeitsmaschine werden die nachfolgend näher erläuterten Schritte bzw. Funktionsblöcke 100 bis 150 durchlaufen.
Beispielsweise ausgehend vom Betriebszustand Z1 der Arbeitsmaschine wird anhand messtechnisch leicht bestimmbarer Signale bzw. Betriebsgrößen der Arbeitsmaschine, wie der Abtriebsdrehzahl, der Fahrtrichtung und dergleichen im Funktionsblock 100 ermittelt, ob die Arbeitsmaschine beschleunigt, verzögert oder ob sich diese in einer bestimmten Reversierphase befindet. Befindet sich die Arbeitsmaschine in einer monotonen Verzögerungsphase, die die Logik durch Auswertung des Abtriebsdrehzahlsignals erkennt, wird der fünfte Klassifikator KL5 aktiviert. Über den fünften Klassifikator KL5 wird bewertet, ob die Schaufel unbeladen oder beladen ist. Gleichzeitig werden die Klassifikatoren KL7 und KL8 aktiviert, um die Bewertung darüber durchführen zu können, ob sich die Antriebsmaschine aktuell in einer Haufenfahrt befindet oder die Schaufel befüllt wird. Diese Klassifikatorauswahl der M zu verwendenden Klassifikatoren KL1 bis KLM erfolgt im Bereich des Funktionsblockes 110.
Wurden beispielsweise während des Trainingsprozesses der Funktionsblöcke 200 bis 260 aus insgesamt 100 Merkmalen M1 bis M100 die Merkmale M3 und M18 als optimale Merkmale ermittelt und dem fünften Klassifikator KL5 zugeordnet, die Merkmale M34, M67 und M91 als optimale Merkmale ermittelt und dem siebten Klassifikator KL7 zugeordnet, während die Merkmale M8, M12, M18 und M34 als optimale Merkmale bestimmt und dem achten Klassifikator KL8 zugewiesen wurden, werden daran anschließend im Funktionsblock 120 die jeweils für den aktivierten Klassifikator notwendigen Merkmalskombinationen aus der Menge der Merkmale M1... M100 extrahiert.
Daraus ergibt sich dann für den Klassifikator KL5 der Merkmalsvektor x aus den Komponenten x_K5= [x3, x18]T, für den Klassifikator KL7 besteht der Merkmalsvektor x damit aus den Komponenten x_K7= [x34, x67, x91]T und für den Klassifikator KL8 besteht der Merkmalsvektor x damit aus den Komponenten x_K8= [x8, x12, x18, x34]T.
Die im Training ermittelten charakteristischen Größen, d. h. die Support Vektoren xi sowie deren Klassenzugehörigkeit yi, die Lagrange-Faktoren α_i sowie der Kernel k, werden jeweils für die Klassifikatoren KL5, KL7 und KL8 für die Lösung des jeweiligen Trennungsproblems im Funktionsblock 130 verwendet, um die im Steuergerät ermittelten Merkmalsvektoren x_K5, x_K7, x_K8 zu klassifizieren. Im Funktionsblock 130 wird also mittels der Gleichung (3) jeweils für den Klassifikator KL5 mit f5(x_K5), für den Klassifikator KL7 mit f7(x_K7) und für den Klassifikator KL8 mit f8(x_K8) klassifiziert.
Der Funktionsblock 140 berechnet für jedes der Klassifikationsergebnisse f5, f7, f8 wie sicher sich der Algorithmus bei der Klassifikation des Merkmalsvektors war. Je nach Ergebnis der Berechnung im Funktionsblock 140 wird im Funktionsblock 150 die Wahrscheinlichkeit bewertet. Die Bestimmung einer Zustandsänderung könnte zum Beispiel bei niedriger Wahrscheinlichkeit erst erfolgen, wenn mehrere Male hintereinander dasselbe Ergebnis klassifiziert wird, auch wenn nur eine geringe Wahrscheinlichkeit für einen Zustandsübergang bestimmt wurde. Bei Vorliegen eines eindeutigen Ergebnisses besteht beispielsweise die Möglichkeit, die Entscheidung für einen Zustandsübergang bereits früher zu treffen. Am Ende des Funktionsblocks 150 wird jedenfalls entschieden, welchen Betriebszustand die Arbeitsmaschine aufweist. Mit diesem Ergebnis beginnt dann im nachfolgenden Rechenzyklus die Klassifikation erneut.
Diese vorstehende Beschreibung basiert auf der Annahme, dass sich die Arbeitsmaschine zunächst im ersten Betriebszustand Z1 befindet. Der sequentielle Ablauf der Funktionsblöcke 100 bis 150 erfolgt jedoch immer in dieser Form, egal welcher Ausgangsbetriebszustand der Arbeitsmaschine gerade aktiv ist. In Abhängigkeit von dem jeweils aktiven Betriebszustand Z1 bis Z8 der Arbeitsmaschine werden jeweils andere Klassifikatoren mit ihren Merkmalskombinationen aktiviert, gerechnet und ausgewertet.
Der in 6 beispielhaft gezeigte Zustandsautomat charakterisiert die unterschiedlichen Fahrzustände Z1 bis Z8 eines Radladers. Die Übergänge zwischen den Zuständen Z1 und Z8 können trivial sein, dann sind sie mit einfachen Getriebegrößen wie Drehzahlen, Drehrichtungen etc. bestimmbar. Diejenigen Übergänge, die nicht trivial sind werden mit Hilfe von Support Vector Machinen bestimmt. Die Support Vektoren werden offline in einem Trainingsprozess ermittelt, mit denen im Steuergerät die Klassifikation erfolgt. Insgesamt 9 Klassifikatoren KL1 bis KL9 werden in der vorliegend näher betrachteten Variante der erfindungsgemäßen Vorgehensweise verwendet. Jeder Klassifikator KL1 bis KL9 wird separat trainiert und erhält im Training seine optimalen Modelle. Unter Modell versteht man die Menge der berechneten Support Vektoren, die Lagrange-Faktoren sowie die zugehörigen Kernelinformationen. Darüber hinaus wird für jeden Klassifikator offline die beste Merkmalskombination ermittelt.
Im Steuergerät wird dann online die Fahrsituation bestimmt und ggf. einer oder mehrere Klassifikatoren aktiviert. Für jeden aktivierten Klassifikator wird durch Auswertung der Support Vektoren mit der jeweils besten Merkmalskombination eine Klassifikation der Fahrsituation durchgeführt. Abhängig davon, wie sicher sich der Klassifikator bei der Klassifikation war, wird darüber entschieden, ob in einen neuen Fahrzustand verzweigt werden soll oder nicht.
Auf diese Art und Weise ist es möglich, nur mit den im Getriebe zur Verfügung stehenden Informationen den aktuellen Fahrzustand des Fahrzeugs zu bestimmen.
Bei der oben beschriebenen Methode wird die allgemeine Entscheidung, ob als Folgezustand in den Betriebszustand A oder in den Betriebszustand B der Arbeitsmaschine gewechselt wird, durch Auswertung von Support Vektoren gemäß Gleichung (3) getroffen.
Alternativ könnte die im Training gewonnene und bei linearen Trennungsproblemen durch die Support Vektoren repräsentierte Trennlinie f(x) und bei Trennungsproblemen höherer Dimensionen eine Trennfläche bzw. eine Hyperebene im Steuergerät abgelegt werden. Die Entscheidung, ob ein zu klassifizierender Punkt der Klasse A oder B angehört, erfolgt online im Steuergerät dann nicht durch Auswertung der Gleichung (3) sondern durch direkte Auswertung der Kennlinie, Trennfläche oder Hyperebene. Diese Methode kann bei der Verwendung von Trennebenen oder Trennlinien gegebenenfalls µC-Ressourcen schonender sein, da die nichtlineare Gleichung (3) nicht direkt auf dem Steuergerät gerechnet werden muss.
Diese alternative Variante greift zusätzlich auf einen weiteren Funktionsblock 270 des offline-Trainingsprozesses zurück, in dessen Bereich die ermittelten besten Modelle der SVM-Methode sowie die entsprechenden Trennlinien als Kennlinien/-felder extrahiert werden. Anstelle der Support Vektoren, der Lagrange-Faktoren αi und der Kernelparameter k werden ausgehend vom Funktionsblock 270 im Steuergerät die ermittelten Kennlinien/-felder abgelegt. Dann wird im Funktionsblock 130 der online Klassifikation im Steuergerät lediglich eine Auswertung der Kennlinie vollzogen, nicht jedoch eine Auswertung der SVM-Modelle.
Über diese alternative Ausprägung wird das offline Training nur dafür verwendet, um die optimale Merkmalskombination für ein Trennungsproblem zu bestimmen und daran anschließend die ermittelte Trennlinie/-fläche mit den am besten geeigneten Stützpunkten im Steuergerät zu hinterlegen sowie im Steuergerät genau diese Trennlinie/-fläche auszuwerten.
Die Haufeneinfahrt eines Radladers ist eine hochdynamische Fahrsituation. Die Abtriebswelle wird dabei in sehr kurzer Zeit stark abgebremst. Die Getriebesteuerung muss auf derartige Fahrsituationen mit einer sehr schnellen Erhöhung der Übersetzung durch Rückschalten der Gänge reagieren. Alternativ muss in stufenlosen Getrieben die Übersetzung sehr schnell in Richtung unendlich gestellt werden, so dass zum Beispiel der Motor nicht abstirbt. Darüber hinaus ist der Folgezustand einer Haufenfahrt meist das Befüllen der Schaufel. Die zweifelsfreie Identifikation der Haufenfahrt ist ein deutlicher Hinweis dafür, dass anschließend tatsächlich im Haufen gearbeitet und die Schaufel gefüllt wird. Die Information über den Befüllzustand der Schaufel wiederum hat weit reichende Konsequenzen für die Fahrstrategie. Aufgrund der hohen Dynamik muss sehr schnell eine Entscheidung über eine Haufenfahrt getroffen werden können. Dies gelingt jedoch nur über die Kombination der optimalen Merkmale für die Haufenfahrt sowie über die bestmögliche Festlegung des Diskriminierungskennfelds.
Auch die in 8 dargestellte Klassifikation der Haufenfahrt ist grundsätzlich mit dem vorbeschriebenen Verfahren rein auf Basis vorhandener Messdaten realisierbar, die zunächst während des offline Trainings mit den Funktionsblöcken 200 bis 260 eingelernt wird.
In jedem Echtzeitzyklus wird im Steuergerät zunächst in einem Funktionsblock 400 geprüft, ob die Aktivierungsbedingung für den Klassifikator erfüllt ist. Im Funktionsblock 500 wird anhand der im Training ausgewählten und im Applikationsprozess ins Steuergerät übertragenen Merkmale die Klassifikation durchgeführt. Der Funktionsblock 600 enthält die Logik, mittels der der Nachfolgebetriebszustand der Arbeitsmaschine bestimmt wird. Basierend darauf beginnt im nächsten Rechenschritt die Klassifikation von neuem mit dem Funktionsblock 400.
9 zeigt eine detaillierte Blockschaltbilddarstellung der Funktionsblöcke 400, 500 und 600, die jeweils Subfunktionsblöcke 410, 510 und 520, 610 bis 640 umfassen.
Ausgehend vom Start des Rechenzyklus wird zunächst im Block 400 überprüft, ob die Aktivierungsbedingungen erfüllt sind. Im Subfunktionsblock 410 wird dabei der zeitliche Gradient des Abtriebsdrehzahlsensorsignals einem Schwellwertvergleich unterzogen. Ist der gegebenenfalls negative Wert des Abtriebsdrehzahlgradienten kleiner als eine Verzögerungsschwelle, so wird die Klassifikation im Block 500 ermöglicht, andernfalls wird vor den Funktionsblock 400 zurückverzweigt und der Rechenzyklus zum nächsten Echtzeitzyklus erneut gestartet.
Wenn über den Subfunktionsblock 410 die Klassifikation des Funktionsblockes 500 aktiviert wird, führt der Mikroprozessor des Steuergerätes im Funktionsblock 500 die Funktion f(x) mit dem Merkmalsvektor x gemäß Gleichung (3) aus, der im Training ermittelt wurde. Das vorläufige Klassifikationsergebnis KE lautet dabei entweder „Haufenfahrt erkannt“ oder „Haufenfahrt nicht erkannt“. Im Subfunktionsblock 520 wird dieses vorläufige Klassifikationsergebnis KE gefiltert. Kommt es zu N wiederholten gleichen Klassifizierungen in Folge, so wird daraus im Funktionsblock 600 der Folgezustand berechnet. Wird während des Subfunktionsblockes 610 erkannt, dass die aktuelle Klassifikation eine Haufenfahrt ist und wurde bereits früher über den Subfunktionsblock 630 eine Haufenfahrt klassifiziert, dann wird zu einem Funktionsblock 704 verzweigt und es bleibt der letzte ermittelte Betriebszustand „Haufenfahrt“ bestehen.
Wurde in der Abfrage 610 ermittelt, dass der letzte Fahrzustand zwar keine Haufenfahrt war, dass im aktuellen Zyklus jedoch der Subfunktionsblock 520 eine Haufenfahrt detektiert hat, so wechselt der aktuelle Fahrzustand über einen Funktionsblock 705 in den Betriebszustand „Haufenfahrt“. Wird im Bereich beider Subfunktionsblöcke 610 und 620 ermittelt, dass weder der alte noch der neue Fahrzustand eine Haufenfahrt ist, dann wird zu einem Funktionsblock 701 verzweigt und der alte Fahrzustand bleibt erhalten. Daran anschließend wird vor den Funktionsblock 400 zurückverzweigt und der Rechenzyklus zum nächsten Echtzeitzyklus erneut gestartet.
War der letzte Fahrzustand eine Haufenfahrt und wurde in der aktuellen Fahrsituation keine Haufenfahrt detektiert, so wechselt der Zustandsautomat über den Funktionsblock 702 in den Betriebszustand Schaufel befüllen, wenn die Bestätigungsbedingungen im Subfunktionsblock 640 erfüllt sind. Dies ist dann der Fall, wenn sich die Arbeitsmaschine nur unwesentlich mit kleiner Getriebeabtriebsdrehzahl bewegt. Wird die sogenannte „Haufenplausibilisierung“ im Bereich des Subfunktionsblocks 640 nicht rechtzeitig ermittelt, wird über einen weiteren Funktionsblock 703 wieder zurück in den Betriebszustand gewechselt, der vor der Haufenfahrt aktiv war. Daran anschließend wird vor den Funktionsblock 400 zurückverzweigt und der Rechenzyklus zum nächsten Echtzeitzyklus erneut gestartet.
Bei der oben beschriebenen Vorgehensweise wird die Entscheidung, ob als Folgezustand in den Zustand „Haufenfahrt erkannt“ oder „Haufenfahrt nicht erkannt“ gewechselt wird, durch Auswertung der Support Vektoren mittels der Gleichung (3) getroffen.
Alternativ könnte wiederum die im Training gewonnene und durch die Support Vektoren repräsentierte Trennlinie, Trennfläche bzw. Hyperebene ausgehend vom Funktionsblock 270 im Steuergerät abgelegt werden. Die Entscheidung, ob ein zu klassifizierender Punkt der Klasse „Haufenfahrt erkannt“ oder der Klasse „Haufenfahrt nicht erkannt“ angehört, erfolgt online im Steuergerät dann nicht durch Auswertung der Gleichung (3), sondern durch direkte Auswertung der Trennlinie, Trennfläche oder Hyperebene.
Das Fahrzeugverhalten moderner Radlader wird wie bereits erläutert durch den Beladungszustand der Schaufel bestimmt. Die Masse des Gesamtsystems Radlader und Schaufelfüllung ändert sich signifikant. Auf Basis der Information, ob ein Radlader mit beladener oder mit unbeladener Schaufel fährt, ist beispielsweise die Fahrstrategie optimierbar. Die Motordrehzahl kann zum Beispiel angehoben werden, wenn bekannt ist, dass die Schaufel voll ist. Des Weiteren ist in beladenem Zustand der Schaufel die Wahrscheinlichkeit gering, dass der Fahrer mit dem Radlader in das Haufwerk einfährt. Unter Berücksichtigung dieser Tatsachen sind unter Umständen die Rückschaltbedingungen bei Haufeneinfahrt entsprechend anpassbar. Derartige Optimierungen, mit denen zum einen der Fahrkomfort und zum anderen unter Umständen der Spritverbrauch verbessert werden können, sind wie nachfolgend näher beschrieben realisierbar.
10 zeigt eine schematisierte Darstellung eines Fahrzeugantriebsstranges 1 einer Antriebsmaschine 2, der ein mit stufenloser Leistungsverzweigung ausgeführtes Hydrostatgetriebe 3 umfasst. Grundsätzlich besteht bei dem Fahrzeugantriebssträng 1 aufgrund der sekundärseitigen Kopplung des Getriebes 3 ein direkter Zusammenhang zwischen dem im Getriebe 3 gemessenen Hydrostathochdruck und der am Rad erzeugten Zugkraft.
Bewegt sich die Arbeitsmaschine 2 mit entsprechender Positionierung und Bewegung der Schaufel vorwärts in einen Haufen, steigt der Füllgrad der Schaufel mit dem zurückgelegten Weg. Dabei hängt die Befüllung der Schaufel nicht nur an der zurückgelegten Strecke, sondern auch an der von außen aufgeprägten Last. Trägt das Fahrzeug z.B. nur seitlich Material vom Haufen ab, steckt auch die Schaufel nur teilweise im Material und diese wird im Vergleich zu einer frontalen Haufenfahrt bei gleicher zurückgelegter Strecke weniger befüllt sein. Allerdings wird hier beim seitlichen Abtragen auch die entgegenwirkende Kraft des Haufens geringer sein und somit können auch solche Fälle durch Berücksichtigung der Last abgedeckt werden.
Damit kann angenommen werden, dass der Füllgrad der Schaufel proportional zu der im Haufen verrichteten Arbeit ist. Die Arbeit ist definiert als das Integral der verrichteten Kraft entlang der Bewegungsrichtung vom Ort sa zum Ort se. Diese Kraft ist in infinitesimal kleine Weginkremente aufteilbar, entlang denen die Kraft wirkt. Mathematisch ist dieser Zusammenhang in der nachfolgenden Gleichung (5) wiedergegeben: $W_{S_{a}_S_{e}} = \int_{s_{a}}^{s_{e}} (F (s) ds) = lim_{n \to \infty} (\sum_{i = 1}^{n} F (s_{i}) * Δ s_{i})$
Jedes Weginkrement Δs_i ist gleich dem Produkt aus der Radgeschwindigkeit v_i und dem Zeitinkrement Δt_i. Die Radgeschwindigkeit wiederum ist proportional zur Getriebeabtriebsdrehzahl n_ab multipliziert mit einem konstanten Faktor k₂, der abhängig von der Achsübersetzung und dem Reifenradius ist. Diesen mathematischen Zusammenhang gibt Gleichung (6) wieder $Δ s_{i} = k_{2} * Δ n_{ab} * Δ t_{i}$
Die Kraft beim Weginkrement s_i ist der gemessene Hochdruck p_HD zu dem Zeitpunkt t_i, an dem der Weg im sekundärseitig gekoppelten Getriebesystem multipliziert mit einem Proportionalitätsfaktor k₁ zurückgelegt wurde. $F (s_{i}) = k_{1} * Δ p_{HD}$
Sind die Weginkremente und damit letztlich die Zeitinkremente klein genug, so ist Gleichung (5) wie folgt weiter entwickelbar: $\begin{array}{l} lim_{n \to \infty} (\sum_{i = 1}^{n} F (s_{i}) * Δ s_{i}) = lim_{n \to \infty} (\sum_{i = 1}^{n} k_{1} * p_{HD} (t_{i}) * n_{ab} (t_{i}) * Δ t_{i} * k_{2}) \\ \approx \sum_{i = 1}^{n} k_{1} * p_{HD} (t_{i}) * n_{ab} (t_{i}) * Δ t_{i} * k_{2} \\ = k_{1} * k_{2} \sum_{i = 1}^{n} p_{HD} (t_{i}) * n_{ab} (t_{i}) * Δ t_{i} \end{array}$
Gleichung (8) bildet die Abhängigkeit der Arbeit W(t_i) von der Zeit t_i ab. $W (t_{i}) = k_{1} * k_{2} \sum_{i = 1}^{n} p_{HD} (t_{i}) * n_{ab} (t_{i}) * Δ t_{i}$
Die Summe wird dabei nur für positive Abtriebsdrehzahlen n_ab > 0 ausgewertet.
Ist die Abtriebsdrehzahl zum Zeitpunkt t_i, also n_ab(t_i) ≤ 0, so wird der Wert der Summe zu diesem Zeitpunkt auf 0 gesetzt.
Die Approximation des Schaufel-Füllgrads ergibt sich letztlich dadurch, dass die Arbeit mit einem „Füllfaktor“ C_Fuell multipliziert wird. Dieser Faktor bestimmt also wieviel Prozent der Schaufel durch die entsprechende Arbeit befüllt wurde.
Für den Schaufelfüllgrad SFG zum Zeitpunkt t_i gilt: $SFG (t_{i}) = W (t_{i}) * C_{Fuell}$
Da eine Schaufel in der Realität nicht unendlich voll sein kann, der berechnete Füllgrad SFG bisher jedoch nicht nach oben beschränkt ist, ist dieser nach oben, z.B. auf 100% zu beschränken.
Vorteilhafterweise wird der Füllfaktor C_Fuell so gewählt, dass die für die vollständige Beladung der Schaufel aufzuwendende Arbeit einem Füllgrad von 100% entspricht. Also: $C_{Fuell} = \frac{100}{W (t_{voll})}$
Der Wert W(t_voll), also die Arbeit zum Zeitpunkt t_voll, an dem die Schaufel komplett gefüllt ist, muss dafür durch Fahrversuche bestimmt werden.
Um eine gute Approximation zu erhalten, sind bestimmte Voraussetzungen einzuhalten. Beim Einfahren der Arbeitsmaschine in den Haufen sollte sich die Schaufel in korrekter „Ladeposition“ befinden, damit diese während des Befüllvorgangs richtig bedient bzw. in einem erwartbaren Umfang beladen wird. Des Weiteren ist die Kenntnis des Füllgrades der Schaufel zu Beginn der Haufenfahrt erforderlich und die Schaufel darf während des Befüllvorgangs nicht zwischendurch ganz oder teilweise entleert werden. Zusätzlich ist die Auswahl des Füllfaktors C_Fuell an die realen Gegebenheiten angepasst auszuwählen.
Grundsätzlich wird die vorstehende Funktion zur Schätzung des Füllzustands nur eingesetzt, wenn sich das Fahrzeug im Fahrzustand „Schaufel-Befüllen“ befindet. Indikatoren zur Erkennung dieses Zustands könnten eine niedrige Abtriebsdrehzahl kombiniert mit einem hohen Moment am Abtrieb sein, sowie die Zugkraft-Anforderung durch den Fahrer, z.B. durch die Fahrpedalstellung. Darüber hinaus wird die Bestimmung der Arbeit ausgesetzt, wenn erkannt wird, dass die Schaufel nicht aktiv gefüllt wird. Die korrekte Bestimmung dieses Zustands sowie die Bestimmung, ob die Schaufel aktiv befüllt wird, sind wiederum in dem vorstehend näher beschrieben Umfang ermittelbar.
Wird ein Wechsel des Fahrzustandes des Fahrzeugs in „Schaufel-Befüllen“ bestimmt, wird der Schaufelfüllgrad SFG auf 0, oder falls bekannt, auf den aktuellen Wert gesetzt. Anschließend wird dieser, solange sich der Fahrzustand des Fahrzeugs nicht ändert, wie zuvor beschrieben berechnet.
Die vorstehend beschriebene Vorgehensweise zur Ermittlung des Schaufelfüllgrades stellt eine einfache Methode mit guter Approximation des Füllstands bei normalen Beladevorgängen dar, da zur Füllgradermittlung nur zwei getriebeinterne Messgrößen benötigt werden. Der Druck im Bereich des Hydrostaten und die Abtriebsdrehzahl. Über die Methode sind Situationen berücksichtigbar, in denen die Schaufel nicht frontal in den Haufen einfährt, sondern beispielsweise ein seitliches Abtragen des Haufens stattfindet.
Bei sekundärseitig gekoppelten CVT-Getrieben ist der Füllgrad der Schaufel über die oben beschriebene Vorgehensweise in Abhängigkeit des Drucks des Hydrostaten, bzw. des davon abhängigen Abtriebsmomentes ermittelbar. Dabei ist die Arbeit und letztendlich der Füllgrad der Schaufel mittels der sich in Abhängigkeit des Abtriebsmomentes ergebenden Zugkraft bestimmbar.
Für Arbeitsmaschinen, die mit anderen Getriebesystemen ausgeführt sind, ist das Abtriebsmoment entweder über das Produkt aus dem Motormoment und der aktuell im Getriebe eingelegten Übersetzung ermittelbar oder über das Produkt aus dem Getriebeeingangsmoment, bei vorhandenem Wandler das Turbinenmoment, und der aktuell im Getriebe eingelegten Übersetzung oder in Abhängigkeit weiterer geeigneter Betriebsgrößen ermittelbar oder auch messtechnisch bestimmbar. Bei Kenntnis des Abtriebsmomentes ist wieder die Zugkraft bestimmbar, mittels welcher wiederum die geleistete Arbeit und letztendlich der Füllgrad der Schaufel ermittelbar ist.
Die Erkennung des aktuellen Fahrzustands eines Radladers hängt oft vom Beladungszustand der Schaufel des Laders ab. Kenntnisse über den Beladungszustand erlauben dabei eine bessere Klassifikation der Fahrsituation insgesamt. Die Fahrstrategie kann mit dieser Information unter anderem hinsichtlich des Benzinverbrauchs optimiert werden, weil zum Beispiel die Motordrehzahl abgesenkt werden kann. Darüber hinaus kann die Schaltstrategie verbessert werden, wenn sinnvoll geschlussfolgert werden kann, was voraussichtlich der nächste Arbeitsschritt des Radladers sein wird. Fährt der Radlader mit beladener Schaufel langsam in Richtung der Abladestelle oder mit unbeladener Schaufel dynamisch in den Haufen.
Selbst wenn es bereits möglich ist zu erkennen, ob die Schaufel bei einer Haufenfahrt beladen worden ist, ist es hilfreich zu klären, ob sie vor dem Verlassen des Haufwerks nicht doch wieder entleert wurde. So ist es unter anderem möglich, dass der Fahrer die bereits gefüllte Schaufel durch weiteres Vorwärtsfahren an einer anderen Stelle weiter oben auf dem Haufen wieder auskippt. Diesen Vorgang nennt man „Aufschieben“. Auch ein einfaches Auskippen der Schaufel im Stillstand ist durchaus denkbar.
Da der Getriebesteuerung keine direkten Informationen über den Betriebszustand der Arbeitshydraulik der Arbeitsmaschine vorliegen, muss ein anderer Weg gefunden werden, um abzuschätzen ob das Fahrzeug, bzw. die Schaufel, bei einer Fahrt in den Haufen befüllt wurde. Die Funktion zur Erkennung der Schaufel-Befüllung und zur Approximation des Füllgrads der Schaufel werden an anderer Stelle erläutert und in der weiteren Beschreibung als gegeben vorausgesetzt.
Über die nachfolgend näher beschriebene Methode soll nun ermittelt werden, ob zum Ende des Befüllvorgangs die Schaufel nicht wieder entleert wurde. Das Ende eines Schaufel-Befüllvorgangs wird dabei durch triviale Fahrzustandsänderungen bestimmt. In Rückwärts-Richtung ist dieses eine Reversierung, in Vorwärts-Richtung eine bestimmte zurückgelegte Strecke in der kein „Schaufel-Füllen“ erkannt wird.
Zum Befüllen der Schaufel wird diese möglichst tief in einen Haufen eingestochen. Im Verlauf des Füllvorgangs wird sie dann immer weiter eingeklappt und ein wenig angehoben um das Fahrzeug weiter vor bewegen zu können und mehr Material in die Schaufel zu bekommen.
Beim ersten Einstechen ist die Schaufel waagerecht zum Untergrund ausgerichtet und wird während der weiteren Einfahrt in den Haufen zunehmend angehoben und eingeklappt. Am Ende der Haufenfahrt ist die Schaufel gefüllt und steckt weit im Haufen. Daran anschließend fährt der Radlader üblicherweise mit voller Schaufel rückwärts aus dem Haufen.
Die Idee zur Erkennung, ob das Fahrzeug direkt aus einem Schaufel-Befüllen kommt, bzw. nicht wieder abgeladen wurde, ist zu ermitteln, ob sich die Schaufel noch im Haufwerk befindet. In diesem Fall wird das Fahrzeug nämlich, wie bei der vorbeschriebenen „Standard-Befüllung“, bei der Reversierung aus dem Haufen geschoben.
Das Fahrzeug drückt beim Befüllvorgang gegen den Haufen, wobei eine gewisse Gegenkraft aufgebaut wird. Gerade wenn die Schaufel am Ende des Vorgangs eingeklappt wurde, bietet sich dem Haufen eine große Schaufelfläche, auf die seine Kraft wirken kann. Wenn der Fahrer nun eine Reversierung anfordert, um rückwärts den Haufen zu verlassen, wird das Fahrzeug durch die Gegenkraft zusätzlich aus dem Haufen geschoben. Der Leistungsfluss durch das Getriebe wird in dieser Situation umgedreht, die Leistung fließt jetzt vom Rad „rückwärts“ durch das Getriebe in Richtung Antrieb. Bei hydrostatischen Getrieben äußert sich dies z.B. in der Änderung der Hochdruckseite im Hydrostat, während dies bei herkömmlichen Lastschaltgetrieben anhand von charakteristischen Größen der als Brennkraftmaschine ausgeführten Antriebsmaschine verifizierbar ist. Dieses Verhalten lässt sich von einer normalen Reversierung bzw. von einer Reversierung unterscheiden, während der die Schaufel nicht im Haufen steckt.
Die Auswertung der Merkmale, dass sich der Leistungsfluss umdreht ist allerdings komplex und kann „von Hand“ nicht genau genug erfolgen. Die nachfolgend beschriebene Vorgehensweise basiert auf einer Kombination aus heuristischem Experten-Know How und einem lernbasierten, offline durchgeführten Trainingsprozess, über den die besten Merkmale ausgewählt werden und die Zustände „Schaufel steckt im Haufen/steckt nicht im Haufen“ unterschieden werden.
Die oben beschriebenen Probleme „Entleerung der Schaufel“ vor Verlassen des Haufwerks sowie „Aufschieben“ werden im heuristischen Teil der Vorgehensweise wie folgt gelöst:
Befindet sich das Fahrzeug im Stillstand, wird die Schaufel nicht weiter gefüllt. Der Fahrer kann allerdings die Schaufel wieder entleeren. Da es im normalen Fall für einen Fahrer keinen Grund gibt, einfach im Haufen stehen zu bleiben, wird nun also angenommen, dass der Fahrer die Schaufel leert. Dies wird durch eine Wahrscheinlichkeitszunahme für die Entleerung der Schaufel über der Zeit bestimmt. Weitere Indikatoren hierfür sind das Anheben der Motordrehzahl und ein erhöhtes Motormoment trotz Fahrzeugstillstands. Damit diese Annahme keinen zu großen Einfluss hat, wird nur eine geringe Wahrscheinlichkeitsänderung pro Sekunde Stillstandszeit angenommen, die allerdings in Abhängigkeit von Motordrehzahl und Motormoment erhöht werden kann.
Fährt das Fahrzeug vorwärts und wird die Schaufel weiterhin befüllt, wird dieser Fahrzustand durch die entsprechende Funktion erkannt. Wird also keine Befüllung der Schaufel erkannt, ist es möglich, dass der Fahrer z.B. den Haufen aufschiebt und somit die Schaufel wieder entleert. Während des sogenannten Haufenaufschiebens füllt der Fahrer zuerst die Schaufel und kippt anschließend das Material weiter oben auf dem Haufen wieder aus. Eine Erkennung des Auskippens ist ohne zusätzliche Informationen über die Arbeitshydraulik jedoch nicht möglich. Für den Fahrer gibt es aber im Normalfall keinen Grund mit befüllter Schaufel weiter auf den Haufen zu fahren, außer er möchte die Schaufel wieder entleeren.
Aus diesem Grund wird angenommen, dass die Schaufel nach einer gewissen zurückgelegten Strecke, in der kein Schaufel-Befüllen erkannt wird, wieder ganz oder teilweise entleert wurde. Dieses wird durch eine Wahrscheinlichkeitszunahme für die Entleerung der Schaufel über die zurückgelegte Strecke bestimmt.
Wird der Schaufel-Befüllvorgang in Rückwärts-Richtung beendet, wird der approximierte Füllstand mit der ermittelten Wahrscheinlichkeit, dass die Schaufel wieder entleert wurde, verrechnet. Daraus ergibt sich dann eine neue Wahrscheinlichkeit für den Ladezustand bzw. den Füllstand der Schaufel. Das gilt jedoch nicht, wenn der Vorgang in Vorwärts-Richtung beendet wurde. In diesem Fall wird einfach der zuvor ermittelte Füllstand der Schaufel beibehalten.
Zur Erkennung, ob die Schaufel im Haufen steckt, kommt über den lernbasierten Teil der Vorgehensweise ein Klassifikator zum Einsatz. Der Klassifikationsmechanismus zur Diskriminierung der beiden Klassen „Schaufel steckt im Haufen/ Schaufel steckt nicht im Haufen“ wird beispielsweise wiederum die SVM-Methode verwendet. In einem Trainingsprozess wird zunächst die beste Merkmalskombination ermittelt, mit der das Problem gelöst werden kann. Neben der besten Merkmalskombination für die Lösung des Problems wird über die SVM-Methode im vorbeschriebenen Umfang wieder die bestmögliche Trennlinie, Trennfläche oder Hyperebene zwischen den zu klassifizierenden Klassen berechnet.
Der über die in 11 dargestellten Funktionsblöcke 200 bis 260 durchzuführende lernbasierte Trainingsprozess entspricht grundsätzlich dem zu 7 beschriebenen Trainingsprozess, weshalb hierzu auf die vorstehende Beschreibung zu 7 verwiesen wird.
Die über den Trainingsprozess ermittelte beste Merkmalskombination sowie die charakteristischen Größen des Modells werden im Steuergerät hinterlegt und dann online im Steuergerät für die Auswertung verwendet.
Ausgehend von einer Haufenfahrt mit bekannter Schaufelfüllwahrscheinlichkeit wird von einem Funktionsblock 10 zu einem Funktionsblock 300 verzweigt, in dessen Bereich zu Beginn eines jeden Rechenzyklus geprüft wird, ob ein Stillstand des Fahrzeugs vorliegt. Ist dies der Fall, wird im Funktionsblock 310 eine Wahrscheinlichkeit bestimmt, mit der die Schaufel im Stillstand abgeladen wurde. Die Wahrscheinlichkeit hierfür nimmt mit zunehmender Zeitdauer im Stillstand zu. Bewegt sich die Arbeitsmaschine, wird in einem weiteren Funktionsblock 370 ermittelt, ob die Haufenfahrt durch Fahren in Vorwärts-Richtung beendet wurde. Bei positivem Abfrageergebnis wird die im Funktionsblock 10 hinterlegte Schaufelfüllwahrscheinlichkeit übernommen.
Wurde die Haufenfahrt nicht beendet, wird im Bereich eines Funktionsblockes 320 eine Wahrscheinlichkeit bestimmt, mit der die Schaufel bei Vorwärtsfahrt abgeladen wurde. Die Wahrscheinlichkeit für das Abladen der Schaufel steigt mit der zurückgelegten Strecke. Anschließend wird in Funktionsblock 330 geprüft, ob die Haufenfahrt durch eine eingeleitete Reversierung beendet wurde. Wenn nicht, befindet sich das Fahrzeug weiterhin in einer Haufenfahrt und der Zyklus beginnt mit der Prüfung auf Stillstand im nächsten Rechenschritt im Bereich des Funktionsblockes 300 von vorne. Wurde die Haufenfahrt durch eine Reversierung beendet, wird der Funktionsblock 340 ausgeführt und der Klassifikator zur Bestimmung „Schaufel steckt im Haufen“ kommt zum Einsatz. Entscheidet der Klassifikator auf Basis von Gleichung (3) mittels des Funktionsblockes 360, dass die Schaufel noch im Haufen steckt, wird die Schaufelfüllwahrscheinlichkeit des Funktionsblockes 10 übernommen.
Wird über den Klassifikator ermittelt, dass die Schaufel nicht im Haufen steckt, wird die im Funktionsblock 10 hinterlegte Schaufelfüllwahrscheinlichkeit geändert. Dies geschieht durch eine Skalierung mit den Wahrscheinlichkeiten, dass die Schaufel wieder abgeladen wurde, die in den Funktionsblöcken 110 und 120 ermittelt wurden.
Die letztbeschriebene Vorgehensweise stellt eine einfache Funktion dar, die nur einen Klassifikator verwendet und über die eine Wahrscheinlichkeit berechnet wird. Über die Vorgehensweise ist, obwohl keine Informationen über den aktuellen Betriebszustand der Arbeitshydraulik der Arbeitsmaschine vorhanden sind, eine Aussage darüber abgebbar, ob die Schaufel gefüllt ist. Wird die Schaufel und damit auch die Arbeitsmaschine während des Befüllvorganges vom Haufen zurückgedrückt und/oder liegt wenig Zeit zwischen dem letztem Füllvorgang und der sich daran anschließenden Reversierung, ist über die Vorgehensweise eine gewünscht genaue Aussage über den Beladungszustand der Schaufel ermittelbar.
Alternativ besteht wiederum die Möglichkeit anstatt über die Gleichung (3) die im offline-Training der Funktionsblöcke 200 bis 260 gewonnene und durch die Support Vektoren repräsentierte Trennlinie, Trennfläche oder Hyperebene im Steuergerät abzulegen. Die Entscheidung, ob ein zu klassifizierender Punkt der Klasse „Schaufel steckt im Haufen“ oder „Schaufel steckt nicht im Haufen“ angehört, erfolgt online im Steuergerät dann nicht durch Auswertung der Gleichung (3) sondern durch direkte Auswertung der Kennlinie. Hierfür wird der Offline Prozess um den weiteren Funktionsblock 370 erweitert, mittels dem aus den ermittelten besten Modellen der SVM-Methode die entsprechenden Trennlinien als Kennlinien/-felder extrahiert werden.
12 zeigt eine schematisierte Blockschaltbilddarstellung eines online durchgeführten Teils einer weiteren Variante des erfindungsgemäßen Verfahrens, mittels welchem während bestimmter Fahrsituationen anhand von Betriebsgrößen des Getriebes und gegebenenfalls weiterer Komponenten eines Fahrzeugantriebsstranges einer Arbeitsmaschine der beladene oder der unbeladene Betriebszustand einer Schaufel bestimmbar ist.
Zunächst wird hierfür die aktuelle Fahrsituation auf der Basis einfacher Messsignalen korrekt bestimmt. Liegt ausreichend lange eine hinreichend günstige Fahrsituation vor, so kann unter Verwendung bestimmter Merkmale die Klassifikation für den beladenen oder den unbeladen Betriebszustand der Schaufel korrekt erfolgen. Die Merkmalskombination wird dabei mit Methoden des maschinellen Lernens in einem Trainingsprozess wie beispielsweise zu 7 näher beschrieben über die Funktionsblöcke 200 bis 260 bzw. bis 270 bestimmt. Neben der besten Merkmalskombination für die Lösung des Problems wird über die SVM-Methode auch die bestmögliche Trennlinie, Trennfläche oder Hyperebene bestimmt.
Ausgehend vom Beginn eines jeden Rechenzyklus wird nach dem Funktionsblock 101 zunächst über einen Funktionsblock 20 ermittelt, ob im Getriebe ein Gang eingelegt ist. Ist dies nicht der Fall wird vom Funktionsblock 20 direkt zurück zum Funktionsblock 101 verzweigt. Ist im Getriebe der Arbeitsmaschine ein Gang eingelegt, wird anschließend über einen weiteren Funktionsblock 30 geprüft, in welche Richtung der Getriebeabtrieb dreht. Dies kann z.B. durch Auswertung des Vorzeichens des Abtriebsdrehzahlsensors oder auch durch Auswertung der aktuell zugeschalteten Schaltelemente, wie einer Fahrtrichtungskupplung, erfolgen.
Wird im Bereich des Funktionsblockes 30 eine Vorwärtsfahrt erkannt, so wird in einem Funktionsblock 800 geprüft, ob gerade eine Reversierung begonnen hat. Bei positivem Prüfergebnis des Funktionsblockes 800 wird der Klassifikator zur Auswertung der Fahrsituation „Vorwärtsfahrt und Reversierung“ des Funktionsblocks 810 aktiviert. Im Funktionsblock 810 wird bei Vorliegen dieser Fahrsituation entschieden, ob das Fahrzeug beladen oder unbeladen ist.
Wenn im Bereich des Funktionsblockes 800 keine Reversierung erkannt wird, prüft der Funktionsblock 820, ob die Arbeitsmaschine seit einer bestimmten Dauer mit einer monotonen Beschleunigung betrieben wird, die einen ersten unteren Schwellwert überschreitet. Eine monotone Beschleunigung ist dabei ein Zustand, in dem für eine längere Zeitdauer keine betragsmäßige Abnahme der Beschleunigung der Arbeitsmaschine vorliegt. Falls eine monotone Beschleunigung erkannt wird, wird der Klassifikator des Funktionsblockes 830 zur Auswertung der Fahrsituation „Vorwärtsfahrt und monotone Beschleunigung“ ausgeführt. Im Funktionsblock 830 wird dann entschieden, ob das Fahrzeug beladen oder unbeladen ist.
Wird im Bereich des Funktionsblockes 820 keine monotone Beschleunigung ermittelt, wird zu einem Funktionsblock 840 verzweigt und überprüft, ob seit einer bestimmten Dauer eine monotone Verzögerung der Arbeitsmaschine vorliegt, die betragsmäßig einen zweiten unteren Schwellwert überschreitet. Eine monotone Verzögerung ist eine Fahrsituation, in der die betragsmäßige Verzögerung für eine längere Zeitdauer nicht abnimmt. Falls eine monotone Verzögerung erkannt wird, wird der Klassifikator des Funktionsblockes 850 zur Bewertung der Fahrsituation „Vorwärtsfahrt und monotone Verzögerung“ aktiviert. Im Funktionsblock 850 wird für diese Fahrsituation entschieden, ob das Fahrzeug beladen oder unbeladen ist. Wenn über den Funktionsblock 840 keine monotone Verzögerung erkannt wird, wird zum Funktionsblock 101 zurückverzweigt.
Entscheidet der Funktionsblock 30, dass es sich um eine Rückwärtsfahrt handelt, so wird im Funktionsblock 900 überprüft, ob gerade eine Reversierung begonnen hat. Bei positivem Prüfergebnis des Funktionsblockes 900 wird der Funktionsblock 910 ausgeführt und der Klassifikator zur Auswertung der Fahrsituation „Rückwärtsfahrt und Reversierung“ ausführt. Im Funktionsblock 910 wird in dieser Fahrsituation entschieden, ob das Fahrzeug beladen ist oder unbeladen.
Wenn im Bereich des Funktionsblockes 900 keine Reversierung erkannt wird, prüft der Funktionsblock 920, ob seit einer bestimmten Dauer eine monotone Beschleunigung vorliegt, die betragsmäßig einen dritten unteren Schwellwert überschreitet. Eine monotone Beschleunigung ist dabei ein Zustand, in dem für eine längere Zeitdauer keine betragsmäßige Abnahme der Beschleunigung der Arbeitsmaschine vorliegt. Falls eine monotone Beschleunigung der Arbeitsmaschine erkannt wird, wird der Klassifikator des Funktionsblockes 930 zur Auswertung der Fahrsituation „Rückwärtsfahrt und monotone Beschleunigung“ aktiviert. Im Funktionsblock 930 wird in dieser Fahrsituation entschieden, ob das Fahrzeug beladen oder unbeladen ist.
Wenn im Bereich des Funktionsblockes 920 keine monotone Beschleunigung erkannt wird, wird anschließend in einem Funktionsblock 940 geprüft, ob seit einer bestimmten Dauer eine monotone Verzögerung der Arbeitsmaschine vorliegt, die betragsmäßig einen vierten unteren Schwellwert überschreitet. Eine monotone Verzögerung ist eine Fahrsituation, in der die betragsmäßige Verzögerung der Arbeitsmaschine für eine längere Zeitdauer nicht abnimmt. Falls eine monotone Verzögerung erkannt wird, wird der Klassifikator des Funktionsblockes 950 aktiviert und die Fahrsituation „Rückwärtsfahrt und monotone Verzögerung“ überprüft. Im Bereich des Funktionsblockes 950 wird in dieser Fahrsituation entschieden, ob das Fahrzeug beladen oder unbeladen ist. Wenn im Bereich des Funktionsblockes 940 keine monotone Verzögerung erkannt wird, wird zum Funktionsblock 101 zurückverzweigt.
Grundsätzlich wird das der online-Klassifizierung vorgeschaltete Training offline durchgeführt, wobei zunächst im Funktionsblock 200 die Fahrsituation bestimmt wird, in der der Klassifikator 810, 830, 850, 910, 930, 950 jeweils überhaupt angewendet werden soll. Meist werden hierfür bestimmte, leicht messbare und im Getriebe verfügbare Signale verwendet. Im konkreten Fall für den Klassifizierer 810 wird dafür der Eintritt in die Wendeschaltung einer Reversierung von vorwärts nach rückwärts verwendet.
Im nächsten Schritt bzw. im Bereich des Funktionsblockes 210 des Trainings werden also aus der gesamten Messung diejenigen Daten herausgeschnitten, die in der im Bereich des Funktionsblockes 200 bestimmen Fahrsituation überhaupt verwendet werden sollen. Konkret sind das für den Klassifikator 810 die ersten Reversierschritte bis zum eigentlichen Richtungswechsel. Diesen Daten wird die zugehörige Klasse aus den zu klassifizierenden Klassen zugewiesen. Der Rest der Messung wird ignoriert.
Die ermittelte beste Merkmalskombination sowie die charakteristischen Größen des Modells werden für jeden Klassifikator 810, 830, 850, 910, 930, 950 im Steuergerät hinterlegt und dann online im Steuergerät für die Auswertung verwendet. Die Schritte Training und Applikation werden für alle Klassifikatoren 810, 830, 850, 910, 930, 950 individuell durchgeführt.
Wie in 13 exemplarisch anhand des Klassifikators 810 für alle Klassifikatoren 810, 830, 850, 910, 930, 950 gezeigt, stellen die im Training ermittelten und im Applikationsprozess ins Steuergerät übertragenen besten Merkmale 811, 812 Eingangsgrößen des Funktionsblockes 810 sowie dessen Subfunktionsblockes 817 dar. Im Bereich des Subfunktionsblockes 817 wird die Gleichung (3) ausgewertet und für das Ergebnis dieser Rechnung im Bereich des Subfunktionsblockes 818 eine Wahrscheinlichkeit jeweils für die Klassifikation des Zustands beladen und unbeladen bestimmt.
Im Bereich des Subfunktionsblockes 819 wird diese Wahrscheinlichkeit bewertet und die endgültige Klassifikation 816 festgelegt. Dies kann bei „knappem Wahrscheinlichkeitsvorteil“ einer Klasse bedeuten, dass das Ergebnis von f(x) mehrere Male in Folge bestätigt werden muss, ehe die finale Klassifikation 816 erfolgt. Bei „eindeutigem Wahrscheinlichkeitsvorteil“ dieser Klasse wird der Klassifikationswert früher übernommen, muss also nicht so häufig bestätigt werden.
Diese anhand des Klassifikators 810 beschriebene online Klassifikation gilt entsprechend auch für die Klassifikatoren 830, 850, 910, 930 und 950. Für den jeweiligen Klassifikator wird entsprechend die Funktion f(x) mit der im Training für diesen Klassifikator ermittelten Merkmalskombination und dem entsprechenden Modell aus Support Vektoren, Lagrange-Faktoren α_i und die Kernelgröße σ angewendet.
Alternativ ist wiederum auch die über das offline durchgeführte Training gewonnene und durch die Support Vektoren repräsentierte Trennlinie, Trennfläche oder Hyperebene im Steuergerät ablegbar. Die Entscheidung, ob ein zu klassifizierender Punkt der Klasse „Beladen“ oder „Unbeladen“ angehört erfolgt online im Steuergerät dann nicht durch Auswertung der Gleichung (3) im Bereich des Subfunktionsblockes 817, sondern durch direkte Auswertung der Kennlinie, Trennfläche oder Hyperebene.
Bezugszeichenliste

1: Fahrzeugantriebsstrang
2: Arbeitsmaschine
3: Getriebe, Hydrostatgetriebe
10, 20, 30: Funktionsblock
100 bis 150: Funktionsblock
200 bis 270: Funktionsblock
300 bis 380: Funktionsblock
400: Funktionsblock
410: Subfunktionsblock
500: Funktionsblock
510,520: Subfunktionsblock
600: Funktionsblock
610 bis 640: Subfunktionsblock
701 bis 705: Funktionsblock
800 bis 850: Funktionsblock
811,812: Merkmal
816: Klassifikation
817 bis 819: Subfunktionsblock
900 bis 950: Funktionsblock
f(x): Trennlinie
F1: Erkenn- oder Aktivierungsfunktion
F2 bis F5: Funktionsblock
FFZ: Finaler Fahrzustand
KE: Klassifikationsergebnis
Kj: Modell
KL1 bis KL9: Klassifikator
M1 bis Mn: Merkmal, Betriebsgröße
SVM: Support Vector Machine
w: Gewichtungsvektor
Z1 bis Z8: Betriebszustand der Arbeitsmaschine

Claims

Verfahren zum Ermitteln von Betriebszuständen (Z1 bis Z8) einer einen Fahrzeugantriebsstrang (1) umfassenden Arbeitsmaschine (2) während eines Betriebs der Arbeitsmaschine (2) , dadurch gekennzeichnet, dass die Betriebszustände (Z1 bis Z8) mittels eines über ein Maschinenlernverfahren generierten Klassifikators (KL1 bis KL9) ermittelt werden, über den im Betrieb der Arbeitsmaschine (2) bestimmte Werte wenigstens einer Betriebsgröße (M1 bis Mn) des Fahrzeugantriebsstranges jeweils vordefinierten Klassen, welche jeweils wenigstens einen Betriebszustand (Z1 bis Z8) der Arbeitsmaschine (2) repräsentieren, zuordenbar sind.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass empirisch bestimmte und die im Betrieb der Antriebsmaschine (2) jeweils zu ermittelnden Betriebszustände (Z1 bis Z8) charakterisierende Werte der wenigstens einen Betriebsgröße (M1 bis Mn) der Arbeitsmaschine (2) vordefinierten und mit den zu ermittelnden Betriebszuständen korrespondierenden Klassen zugeordnet werden und der Klassifikator (KL1 bis KL9) mittels des Maschinenlernverfahrens auf Basis der empirischen Klassifizierung der Werte bestimmt wird.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass als Maschinenlernverfahren die Support-Vector-Machine(SVM)-Methode zur Bestimmung des Klassifikators (KL1 bis KL9) verwendet wird.
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass mittels der SVM-Methode in Abhängigkeit der empirischen Werte ein die Einteilung der empirischen Werte in die vordefinierten Klassen optimiert durchführendes Klassifizierungsmodell gemäß folgendem formelmäßigem Zusammenhang bei Vorliegen eines linearen Trennungsproblems bestimmt wird: $f (x) = \sum_{i = 1}^{N} y_{i} a_{i} x_{i} * x + b$
mit: y_i : Klassenzugehörigkeit des Trainingsdatums x: online zu klassifizierende Werte x_i: Support Vektor N: Anzahl der Support Vektoren α_i: Lagrange-Faktor b: Bias
Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass mittels der SVM-Methode in Abhängigkeit der empirischen Werte ein die Einteilung der empirischen Werte in die vordefinierten Klassen optimiert durchführendes Klassifizierungsmodell gemäß folgendem formelmäßigem Zusammenhang bei Vorliegen eines nicht linearen Trennungsproblems bestimmt wird: $f (x) =_{i = 1}^{N} y_{i} a_{i} k (x_{i}, x) + b$
mit: k(x_i,x) : Kernel σ: Sigma, Breite der Gaußglocke y_i: Klassenzugehörigkeit des Trainingsdatums x : online zu klassifizierender Wert x_i: Support Vektor N: Anzahl der Support Vektoren α_i: Lagrange-Faktor b: Bias
Verfahren nach einem der Ansprüche 3 bis 5 , dadurch gekennzeichnet, dass über die SVM-Methode in Abhängigkeit der empirischen Werte für den Klassifikator (KL1 bis KL9) eine Merkmalskombination von Betriebsgrößen des Fahrzeugantriebsstranges ermittelt wird, über die die Einteilung der empirischen Werte in die vordefinierten Klassen mittels des Klassifizierungsmodells optimiert durchführbar ist.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die ermittelte Merkmalskombination sowie die charakteristische Größen des Klassifizierungsmodells darstellenden Support Vektoren inklusive Klassenzugehörigkeit (y_i), Lagrange-Faktoren (α_i) und die das Modell repräsentierende Kernelgröße (σ) im nichtflüchtigen Speicher eines Steuergerätes abgelegt werden.
Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die ermittelte Merkmalskombination sowie über die SVM-Methode ermittelte Trennlinie, Trennfläche oder Hyperebene im nichtflüchtigen Speicher eines Steuergerätes abgelegt werden.
Verfahren nach einem der Ansprüche 3 bis 8, dadurch gekennzeichnet, dass Fehlklassifikationen durch Verschieben der über die SVM-Methode ermittelten Grenze zwischen den vordefinierten Klassen berücksichtigt werden.
Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass der Klassifikator (KL1 bis KL9) im Betrieb der Arbeitsmaschine (2) in Abhängigkeit einer definierten Fahrsituation der Arbeitsmaschine (2) aktiviert wird.
Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass für die mittels des Klassifikators (KL1 bis KL9) durchgeführte Klassifizierung eine Wahrscheinlichkeit bestimmt und anschließend daran bewertet wird, wobei in Abhängigkeit der Bewertung der Wahrscheinlichkeit die endgültige Einteilung des Wertes der Betriebsgröße des Fahrzeugantriebsstranges (1) in eine der vordefinierten Klassen durchgeführt wird.
Verfahren nach einem der Ansprüche 1 bis 11, dadurch gekennzeichnet, dass anhand der Werte der Betriebsgröße einer mit einer Radladerfunktion ausgeführten Arbeitsmaschine (2) mittels des Klassifikators (KL1 bis KL6) im Betrieb der Arbeitsmaschine (2) ein beladener oder ein unbeladener Betriebszustand einer Schaufel der Arbeitsmaschine (2) während einer Rückwärts- oder während einer Vorwärtsfahrt zum Beginn einer Reversierung, während einer monotonen Beschleunigungsphase und/oder während einer monotonen Verzögerungsphase bestimmt wird.
Verfahren nach einem der Ansprüche 1 bis 12, dadurch gekennzeichnet, dass über den Klassifikator (KL7) ein Einstechen einer Schaufel einer mit einer Radladerfunktion ausgeführten Arbeitsmaschine (2) in ein Haufwerk ermittelbar ist.
Verfahren nach Anspruch 12 oder 13, dadurch gekennzeichnet, dass über den Klassifikator (KL8, KL9) eine Befüllung der Schaufel im Haufwerk ermittelbar ist.
Verfahren nach einem der Ansprüche 1 bis 14, dadurch gekennzeichnet, dass über den Klassifikator (KL9) nach einem Verlassen des Haufens der Ladezustand der Schaufel bestimmbar ist.
Verfahren nach einem der Ansprüche 12 bis 15, dadurch gekennzeichnet, dass bei Erkennen eines unbeladenen Zustandes der Schaufel bei gleichzeitiger Vorwärtsfahrt der Arbeitsmaschine (2) Klassifikatoren (KL4 bis KL6) aktiviert werden, über die während einer Beschleunigung, einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine (2) verifizierbar ist, ob die Schaufel sich in unbeladenem oder in beladenem Betriebszustand befindet, wobei bei Erkennen des beladenen Betriebszustandes der Schaufel der als unbeladen klassifizierte Betriebszustand der Arbeitsmaschine (2) als beladen klassifiziert wird.
Verfahren nach einem der Ansprüche 12 bis 16, dadurch gekennzeichnet, dass bei Erkennen eines unbeladenen Zustandes der Schaufel bei gleichzeitiger Vorwärtsfahrt der Arbeitsmaschine (2) Klassifikatoren (KL7, KL8) aktiviert werden, um zu erkennen, ob die Schaufel während der Vorwärtsfahrt in einen Haufen einsticht oder ein Befüllvorgang der Schaufel der Arbeitsmaschine (2) während einer solchen Haufenfahrt der Vorwärtsfahrt stattfindet.
Verfahren nach einem der Ansprüche 1 bis 17, dadurch gekennzeichnet, dass bei erkannter Vorwärts- und Haufenfahrt der Arbeitsmaschine (2) über einen aktivierten Klassifikator (KL7) dieser Betriebszustand permanent verifiziert wird, wobei über einen weiteren aktivierten Klassifikator (KL8) wiederum anhand der Werte der wenigstens einen Betriebsgröße des Fahrzeugantriebsstranges der Arbeitsmaschine (2) überwacht wird, ob ein Beladen der Schaufel erfolgt.
Verfahren nach Anspruch 18, dadurch gekennzeichnet, dass bei erkanntem Beladevorgang der Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine (2) Klassifikatoren (KL8, KL9) aktiviert werden, um zu erkennen, ob die Schaufel weiterhin in Vorwärtsfahrtrichtung beladen wird oder der Befüllvorgang durch Reversieren beendet und die Schaufel beladen oder unbeladen ist.
Verfahren nach Anspruch 18 oder 19, dadurch gekennzeichnet, dass bei erkanntem Beladevorgang der Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine (2) Klassifikatoren (KL8, KL9) aktiviert werden, um zu erkennen, ob die Schaufel weiterhin in Vorwärtsfahrtrichtung beladen wird oder der Befüllvorgang in Vorwärtsfahrtrichtung beendet und die Schaufel beladen oder unbeladen ist.
Verfahren nach einem der Ansprüche 12 bis 20 , dadurch gekennzeichnet, dass bei erkannter beladener Schaufel während einer Rückwärtsfahrt der Arbeitsmaschine (2) Klassifikatoren (KL1 bis KL3) aktiviert werden, um zu verifizieren, ob die Schaufel tatsächlich beladen ist, oder um zu bestimmen, ob während einer Beschleunigung, während einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine (2) ein unbeladener Betriebszustand der Schaufel der Arbeitsmaschine (2) vorliegt.
Verfahren nach einem der Ansprüche 11 bis 21, dadurch gekennzeichnet, dass bei erkannter beladener Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine (2) Klassifikatoren (KL4 bis KL6) aktiviert werden, um während einer Beschleunigung, während einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine (2) zu verifizieren, ob die Schaufel tatsächlich beladen ist, oder um zu bestimmen, ob während einer Beschleunigung, während einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine (2) ein unbeladener Betriebszustand der Schaufel der Arbeitsmaschine (2) vorliegt.
Verfahren nach einem der Ansprüche 12 bis 22, dadurch gekennzeichnet, dass bei erkannter beladener Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine (2) Klassifikatoren (KL7, KL8) aktiviert werden, um während einer Beschleuni- gung, während einer Verzögerung oder während eines Reversiervorganges der Arbeitsmaschine (2) zu verifizieren, ob die Schaufel tatsächlich beladen ist, und um zu bestimmen, ob die Arbeitsmmaschine in Vorwärtsfahrtrichtung mit beladener Schaufel betrieben wird oder ob ein Beladen der Schaufel erfolgt.
Verfahren nach einem der Ansprüche 12 bis 23, dadurch gekennzeichnet, dass bei erkannter beladener Schaufel während einer Vorwärtsfahrt der Arbeitsmaschine (2) Klassifikatoren (KL4 bis KL6) aktiviert werden, wobei bei Ermitteln eines Reversiervorgang der Arbeitsmaschine (2) ein Entladen der Schaufel erkannt wird.
Verfahren nach einem der Ansprüche 12 bis 24, dadurch gekennzeichnet, dass bei erkannter unbeladener Schaufel während einer Rückwärtsfahrt der Arbeitsmaschine (2) Klassifikatoren (KL1 bis KL3) aktiviert werden, um zu verifizieren, ob die Schaufel tatsächlich unbeladen ist, und um zu bestimmen, ob eine Beschleunigung, eine Verzögerung oder ein Reversiervorgang der Arbeitsmaschine (2) mit beladener Schaufel durchgeführt wird.
Arbeitsmaschine (2) mit einem eine Antriebsmaschine, ein Getriebe (3) und einen Abtrieb umfassenden Fahrzeugantriebsstrang (1) sowie mit wenigstens einem Steuergerät, welches ausgelegt ist zum Ermitteln von Betriebszuständen (Z1 bis Z8) der Arbeitsmaschine (2), wobei die Betriebszustände (Z1 bis Z8) mittels eines über ein Maschinenlernverfahren generierten Klassifikators (KL1 bis KL9) ermittelt werden, über den im Betrieb der Arbeitsmaschine (2) bestimmte Werte wenigstens einer Betriebsgröße (M1 bis Mn) des Fahrzeugantriebsstranges jeweils vordefinierten Klassen, welche jeweils wenigstens einen Betriebszustand (Z1 bis Z8) der Arbeitsmaschine (2) repräsentieren, zuordenbar sind.