Julian Raible

• Assistenzfunktionen stellen einen Meilenstein bei der Automatisierung hydraulischer Baumaschinen dar. Zur Regelung der Position des Tool Center Points von Hydraulikbaggern, den komplexesten Vertretern dieser Klasse, können inverse Modelle als Teil einer Vorsteuerung genutzt werden. In dieser Arbeit werden hierzu physikalische und datenbasierte Modellierungsansätze in Form von hybriden Modellen vereint. Die Zielanwendung stellt eine Assistenzfunktion zur automatisierten Durchführung von Planziehbewegungen dar. Es konnte gezeigt werden, dass durch hybride Modelle eine verbesserte Güte und höhere Robustheit gegenüber Schwingungen im Vergleich zu rein datenbasierten Ansätzen erzielt werden kann. Die untersuchten Ansätze lassen sich auf andere Maschinen übertragen. Die Validierung erfolgte an einem realen Versuchsträger, dem Mobilbagger JCB Hydradig. Zur Systemidentifikation generierte Daten wurden darüber hinaus mittels Methoden des unüberwachten Lernens auf Vollständigkeit untersucht. Hierbei konnte der Effekt der konzeptbedingten Datenlücken festgestellt und untersucht werden, welcher eine Genauigkeitsgrenze bezüglich der inversen Modellierung darstellt.
• Assistance functions represent a milestone in the automation of hydraulic construction machinery. To control the position of the Tool Center Point of hydraulic excavators, the most complex representatives of this class, inverse models can be used as part of a feedforward control. In this thesis, physical and data-based modeling approaches are combined in hybrid models. The target application represents an assistant function for the automated execution of levelling movements. It could be shown that hybrid models can achieve an improved quality and higher robustness against oscillations compared to purely data-based approaches. The investigated approaches can be transferred to other machines. The validation was carried out on a real test vehicle, the mobile excavator JCB Hydradig. In addition, data generated for system identification were examined for completeness using unsupervised learning methods. The effect of data gaps caused by the concept, which represents an accuracy limit regarding the inverse modeling, could be determined and examined.