Options
2022
Conference Paper
Title
Echtzeitfähige Simulation der Bodenwechselwirkung für Baumaschinen
Title Supplement
Rekurrente Neuronale Netze und die Diskrete Elemente Methode zur Kraftprädiktion am Beispiel eines interaktiven Baggersimulators
Abstract
Für die Vorhersage von Schnittkräften für Baumaschinen, wie beispielsweise Bagger, Radlader, Planierraupen oder Walzen, ist die hinreichend genaue Abbildung von Böden unabdingbar. Die Diskrete Elemente Methode (DEM) ist ein verbreiteter Ansatz, um das granulare Verhalten von Böden darzustellen [1,2]. Ein DEM-Modell kann durch geeignete Parametrierung das Verhalten von Kies, Sand, Schluff oder Mischungen davon gut abbilden [3]. Da die DEM auf hochdimensionalen steifen gewöhnlichen Differentialgleichungen basiert, erfordert die Berechnung der zeitabhängigen Lösung einen hohen zeitlichen Aufwand. Für Echtzeitanwendungen wie Hardware-in-the-Loop (HiL) Simulationen und die interaktive Fahrsimulation, die beispielsweise zur Auslegung von Maschinen im Allgemeinen und zur Entwicklung von Assistenzsystemen im Speziellen eingesetzt wird, ist die DEM daher trotz intelligenter Strategien des parallelisierten Hochleistungsrechnens mit aktuellen Hardware Konfigurationen nicht geeignet. Der Bereich Mathematik für die Fahrzeugentwicklung am Fraunhofer ITWM beschäftigt sich seit vielen Jahren mit der Simulation von Böden und der Bodenwechselwirkung. Dabei sind Modellierungs- und Simulationsmethoden entstanden, die es ermöglichen, unterschiedliche Bodentypen computergestützt zu analysieren und die Interaktion mit Baumaschinen zu berechnen. Die bisherigen Berechnungsmethoden sind präzise, anhand von Messungen validiert und ermöglichen detailgetreue Kraftvorhersagen, jedoch bislang nicht in Echtzeit [2,4,5].
In diesem Beitrag präsentieren wir ein echtzeitfähiges, datenbasiertes Ersatzmodell, basierend auf Techniken der künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML). Genauer verwenden wir sowohl Kennfeld-Methoden [6], als auch Rekurrente Neuronale Netze (RNN), welche eine zuverlässige und robuste Kraftprädiktion ermöglichen, vorausgesetzt es liegen ausreichend reichhaltige, relevante und repräsentative Trainingsdaten vor. Mithilfe eines für einen spezifischen Boden kalibrierten DEM-Modells wird dazu gezielt eine Trainingsdatenbasis erstellt. Dabei sind einmalig entsprechend viele DEM-Simulationen nötig, VDI-Bericht Nr. 2407 - 20. VDI-Kongress SIMVEC 2022 - Baden-Baden - 22. und 23. November 2022 die jedoch parallelisiert auf einem Hochleistungsrechencluster ausgeführt werden können. Anhand dieser Trainingsdaten werden ML-basierte Ersatzmodelle trainiert, die im Anschluss an die Trainingsprozedur sehr effizient, in Echtzeit ausgewertet werden können. Wir stellen die Prozesskette vor, diskutieren die Eigenschaften dieses Ansatzes und zeigen die Anwendbarkeit am ITWM-eigenen Fahrsimulator RODOS®, welche das interaktive Baggern mit realistischer Bodenwechselwirkung ermöglicht [7]. Mögliche Anwendungen sind die simulatorgestützte Design- und Produktentwicklung sowie das virtuelle Fahrertraining.
In diesem Beitrag präsentieren wir ein echtzeitfähiges, datenbasiertes Ersatzmodell, basierend auf Techniken der künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML). Genauer verwenden wir sowohl Kennfeld-Methoden [6], als auch Rekurrente Neuronale Netze (RNN), welche eine zuverlässige und robuste Kraftprädiktion ermöglichen, vorausgesetzt es liegen ausreichend reichhaltige, relevante und repräsentative Trainingsdaten vor. Mithilfe eines für einen spezifischen Boden kalibrierten DEM-Modells wird dazu gezielt eine Trainingsdatenbasis erstellt. Dabei sind einmalig entsprechend viele DEM-Simulationen nötig, VDI-Bericht Nr. 2407 - 20. VDI-Kongress SIMVEC 2022 - Baden-Baden - 22. und 23. November 2022 die jedoch parallelisiert auf einem Hochleistungsrechencluster ausgeführt werden können. Anhand dieser Trainingsdaten werden ML-basierte Ersatzmodelle trainiert, die im Anschluss an die Trainingsprozedur sehr effizient, in Echtzeit ausgewertet werden können. Wir stellen die Prozesskette vor, diskutieren die Eigenschaften dieses Ansatzes und zeigen die Anwendbarkeit am ITWM-eigenen Fahrsimulator RODOS®, welche das interaktive Baggern mit realistischer Bodenwechselwirkung ermöglicht [7]. Mögliche Anwendungen sind die simulatorgestützte Design- und Produktentwicklung sowie das virtuelle Fahrertraining.
Author(s)
Conference
Keyword(s)