Development and evaluation of a weighing system for forestry cranes based on artificial neural networks

Sowohl in der Hackschnitzel- als auch Rundholzlogistik fehlen oft wichtige Referenzmengen für den dispositiven Einsatz, welche zumeist mit unzureichend genauen Schätzwerten vervollständigt werden. Um die Informationsqualität über die bewegten Holzmengen zu verbessern, können optional Kranwaagen zwischen Teleskopauge und Greifer am Kran des Forwarders montiert werden. Dies beeinflusst jedoch die Krankinematik und Manövrierfähigkeit negativ, bei zeitgleich sinkender Maschinenproduktivität aufgrund einer zur Messung notwendigen Unterbrechung des Ladeprozesses.
In diesem Beitrag wird eine datenbasierte Methode präsentiert, welche einen dynamischen Wiegeprozess im kontinuierlichen Ladevorgang bei modernen Forstkränen ermöglicht, ohne dass eine zusätzliche Hardware-Komponente auf der Maschine verbaut werden muss. Bei dieser Methode wird ein Ladezyklus automatisiert erkannt und die geladene Masse anhand eines künstlichen neuronalen Netzwerkes (KNN) abgeschätzt. Als Eingangsgrößen dienen Signale von Sensoren, die auf auf modernen Forwardern serienmäßig installiert sind. Für die Verarbeitung von zeitbasierten Sensordaten in einem neuronalen Netz hat sich die Long-Short-Term-Memory(LSTM)-Architektur bewährt. Basierend auf LSTM-Zellen wurde ein entsprechendes Netzwerk entworfen, trainiert und anschließend optimiert. Im Test zeigt sich für einen einzelnen Ladezyklus ein mittlerer Gesamtskalenfehler von 1,5 %, bezogen auf 1.000 kg. Für einen voll beladenen Forwarder resultiert dies in einem Gesamtmassenfehler kleiner 1,2 %.

In both log and chip logistics, important reference data for logistic purposes are often lacking, as they are usually completed with insufficiently accurate estimates. In order to obtain higher quality information on the moving timber quantities, optional crane scales can be mounted between the telescope and the grapple of the forwarder. However, this has a negative effect on the crane kinematics and manoeuvrability while at the same time machine productivity is reduced due to an interruption in the loading process necessary for measurement.
In this paper, a data-based method is presented which allows dynamic weighing in a continuous loading process for modern forestry cranes without the need to install an additional hardware component on the machine. This allows a cost-effective and comprehensive application. In the course of this method, a loading cycle is automatically detected, and the loaded mass is estimated by means of an artificial neural network (ANN). Signals from sensors installed as standard on modern forwarders serve as input variables. The Long Short-Term Memory (LSTM) architecture for the neural network has proven itself for handling these time-based sensor data. Based on LSTM cells, an appropriate network was designed, trained and subsequently optimized. The test shows an average full-scale error of 1.5% per 1,000 kg for a single loading cycle. For a fully loaded forwarder, this results in a total mass error of less than 1.2%.