Die Bedienung mobil-hydraulischer Großbaumaschinen erfordert Erfahrungswissen, das Maschinenführer über viele Jahrzehnte aufbauen. Dieses Wissen ist entscheidend für die präzise, effiziente und nachhaltige Maschinennutzung, sodass unerfahrene Maschinenführer eine verringerte Produktivität aufweisen. Künstliche Intelligenz (KI) bietet das Potenzial, dieses Erfahrungswissen nachzubilden und fehlende Fähigkeiten von Maschinenführen unterstützend zu ergänzen. In der Praxis ist der Einsatz von KI jedoch durch ungewisse Umwelteinflüsse erschwert.
Ziel war die Entwicklung adaptiver, intelligenter, lernender Steuerungssysteme basierend auf Multi-Agentensystemen (MAS), welche zur bedarfsgerechten Unterstützung von Maschinenführern mittels Shared-Control-Ansatz integriert werden. Auf diese Weise arbeiten Mensch und Maschine gemeinsam an der komplexen Aufgabenstellung und ergänzen jeweils ihre Fähigkeiten und Fertigkeiten.
rechts: Logo des Projekts OpAI4DNCS (Quelle: TU München, Lehrstuhl für Automatisierung und Informationssysteme)
Hydraulisch angetriebene Schlitzwandgreifer (Bild 1) wurden als Demonstratoren ausgewählt, da sie wenig automatisiert sind und das Einfädeln der frei schwingbaren, pendelartigen Schaufel äußerst anspruchsvoll ist, was jahrelange Erfahrung benötigt. Hier setzt OPAI4DNCS an: Durch den Einsatz von KI und MAS wird das Wissen erfahrener Maschinenführer digital nachgebildet und zur Laufzeit verfügbar gemacht, um höhere Produktivität zu erreichen.
Wesentliche Ergebnisse waren ein Hydraulischer Softsensor zur Messung von Pendelbewegungen durch Druckschwankungen in Hydraulik, eine Shared-Control Plattform und MAS für Mensch-KI Interaktion zur Nachrüstung von High-Performance-Steuerungssystemen, ein Assistenzsystem mit drei Modi für Maschinenführer verschiedenen Erfahrungswissens sowie eine KI-basierte Bohrschlitzerkennung, -erfassung, Schwingungserkennung und -dämpfung
